基于粒子群优化神经网络观测器感应电机定子电阻辨识

针对感应电机模型参数时变性突出的问题,提出一种基于粒子群优化神经网络观测器感应电机定子电阻辨识方法。该方法首先通过构建一个含待辨识参数的非线性函数,然后根据神经网络的一致逼近任意非线性连续函数的性质,利用RBF神经网络逼近这个非线性函数,并在此基础上构造自适应观测器。采用伪降阶观测器结构,减少了参数辨识的计算时间;用粒子群优化算法对神经网络参数进行优化,提高了神经网络的收敛速度和逼近精确度。仿真和实验结果验证该方法鲁棒性强,动态性能好,具有较好的辨识效果。     

基于差分进化小波神经网络的多维非线性系统辨识

提出一种基于差分进化小波神经网络(DE-WNN)的多维非线性系统辨识方法。利用差分进化算法同时优化小波神经网络的结构和参数,简化网络结构,提高小波神经网络的学习精度和收敛速度。将该方法应用于多维非线性系统的辨识,并与RBF神经网络和遗传小波神经网络的辨识结果进行了比较,实验结果表明,差分进化算法优化的小波神经网络隐层节点为6,迭代次数为30,网络训练时间为0.58s,辨识均方误差达到1.02×10?4,所提出的方法具有更高的辨识精度和收敛速度,能够更好的辨识出多维非线性系统。     

弱电网下LCL换流器谐振的自适应抑制研究

LCL型换流器因其体积小,滤波性能好等优点广泛地应用于并网系统中。但其自身的谐振问题不可忽略,电容电流反馈的有源阻尼方法是常用的谐振抑制方法。在实际应用中,电网阻抗能够对LCL滤波器谐振产生影响。基于此,本文提出一种基于遗传算法优化RBF神经网络的自适应谐振抑制方法,该方法首先依据遗传算法对RBF神经网络进行初始参数的优化;利用RBF神经网络自身的辨识能力对PI控制器的参数进行识别,实时修正PI控制参数和有源阻尼系数,从而实现了LCL型换流器在电网阻抗变化时保持系统稳定。最后分别采用传统无参数优化方法、RBF神经网络优化方法以及本文所提方法进行实验,通过仿真结果的分析,验证了该方法的有效性。     

基于遗传神经网络的伺服电机转速控制

针对交流伺服控制的高速度和高精度,传统控制方法很难对其实施有效控制,给出一种基于遗传神经网络的控制策略。神经网络的结构和初始权值运用递阶遗传算法离线优化,并对电机参数进行实时辨识,通过辨识结果计算控制量,对电机进行实时控制。实验结果证明,该控制系统具有较高的控制精度和稳定性。     

粒子群神经网络辨识的机器人分数阶滑模控制

研究了一种粒子群算法优化的神经网络分数阶滑模变结构控制方法，并将其应用到工业机器人路径跟踪研究中。首先采用粒子群算法优化的神经网络辨识工业机器人的系统模型，训练得到与系统控制参数解析度最相关的模型；然后基于分数阶理论与滑模变结构理论设计了分数阶滑模变结构控制器，作为系统的主控制器应用到工业机器人轨迹跟踪控制系统中。仿真及实验结果表明，该方法具有良好的跟踪性能和快速性。     

神经网络在交流电机转矩辨识中的应用

本文提出了一种基于BP神经网络的交流电机转矩辨识方法.对电机转矩推算及神经网络均作了较为详细的介绍,并以BP网络为例介绍了网络的训练和仿真,仿真结果表明此辨识方法能够取得较好的辨识精度.     

量子遗传算法优化RBF神经网络及其在热工辨识中的应用

量子遗传算法是基于量子计算原理的概率优化方法,在量子门更新过程中,旋转角的大小直接影响优化的结果和进化的速度。文中针对模糊量子遗传算法(FQGA)容易导致系统陷入局部最优的缺点,将量子衍生交叉算法的思想引入FQGA,提出了一种新的量子遗传算法。同时利用该方法构造径向基函数神经网络进行非线性系统辨识。其特点是通过这种新的量子遗传算法,实现对RBF神经网络权值、宽度和中心位置等有关参数的估计。其速度快、精度高。通过RBF神经网络有效地完成了对非线性系统的辨识。对典型非线性函数辨识的测试表明：该方法有效地提高了量子遗传算法的计算精度和收敛速度。同时利用该方法设计了一种通用的热工对象模型辨识神经网络算法,编制了专用的模型识别软件,对某电厂循环流化床锅炉一次风对床温的动态特性进行辨识,结果表明该方法是一种精度比较高的辨识算法。     

基于遗传算法优化PNN的短期负荷预测

为提高短期负荷预测精度,提出了一种基于遗传算法优化概率神经网络(PNN)的短期预测模型。首先对负荷数据异常值进行辨识与修正,建立PNN短期预测模型,在此基础上引入遗传算法(GA),优化概率神经网络的平滑因子,改善了PNN模型的性能,优化后的PNN短期预测模型预测精度得到明显的提高。实例预测结果证实了该方法的有效性。     

蚁群BP网络转速辨识器的优化

将排序加权的方法引入基本蚁群算法中,用改进型蚁群算法优化BP神经网络的权值和阈值,有效地解决了BP神经网络训练时容易陷入极小值的缺点,提高了收敛速度,得到了一种时间效率和求解效率都比较好的启发式方法,即改进型蚁群神经网络。运用该方法对直接转矩控制系统中的电机转速进行了辨识。仿真试验结果表明：该改进型蚁群神经网络不仅具有广泛的映射能力,还明显提高了运算效率,能够准确地辨识电机转速,具有良好的辨识效果,实现了无速度传感器直接转矩控制。     

蚁群BP网络转速辨识器的优化

将排序加权的方法引入基本蚁群算法中,用改进型蚁群算法优化BP神经网络的权值和阈值,有效地解决了BP神经网络训练时容易陷入极小值的缺点,提高了收敛速度,得到了一种时间效率和求解效率都比较好的启发式方法,即改进型蚁群神经网络。运用该方法对直接转矩控制系统中的电机转速进行了辨识。仿真试验结果表明:该改进型蚁群神经网络不仅具有广泛的映射能力,还明显提高了运算效率,能够准确地辨识电机转速,具有良好的辨识效果,实现了无速度传感器直接转矩控制。     

基于改进学习算法的模糊神经网络控制系统

针对一类复杂非线性系统，提出一种模糊神经网络(FNN)控制方案。系统中采用模糊神经网络控制器和神经网络辨识控制器相结合的结构，介绍一种改进的学习算法，对学习公式进行推导，利用改进的遗传算法来优化已经获得的隶属度函数，并结合误差补偿以提高控制精度。同时将混沌机制引入常规BP算法，利用混沌机制固有的全局游动，逃出权值优化过程中存在的局部极小点，解决了网络训练易陷入局部极小点的问题。用该方法对某非线性动态系统进行辨识和控制，仿真结果表明控制精度和实时性优于常规模糊控制器。     

采用微分进化算法和径向基函数神经网络的热工过程模型辨识

在热工过程模型辨识中,被控对象动态特性往往表现出非线性、慢时变、大迟延和不确定性等特点,这使得难以对其建立比较精确的模型。为了达到精确建模的目的,提出一种基于微分进化算法和径向基函数神经网络的辨识方法。该方法采用基于能量分布正交最小二乘学习算法的径向基函数(radial basis function,RBF)神经网络,通过改进的微分进化算法,对神经网络辨识系统进行参数优化,使RBF神经网络能够更快、更精确地逼近实际系统的输出,达到精确建模的目的。仿真结果表明,在采用改进的RBF网络对热工复杂对象进行辨识时,通过微分进化算法进一步确定其最佳参数,可以取得更好的辨识效果。     

基于神经网络剪枝算法的热工过程模型辨识研究

提出了一种基于神经网络剪枝算法的过程模型辨识方法,该方法可解决模型辨识中确定模型阶次困难的问题。首先提出了一种基于灵敏度的神经网络剪枝算法,并将其应用于热工过程神经网络模型的辨识。仿真结果表明,所提出的基于神经网络剪枝算法的模型辨识方法是有效的。     

基于神经网络数据处理的配网实时参数辨识研究

配电网参数的准确性对其优化运行有着重要意义。但近年来配电网结构日益复杂，采用传统理论计算所得配电网参数与实际数值存在着较大误差。同时，实际量测数据存在误差，导致难以准确辨识其参数信息。为此提出一种基于神经网络数据处理的配电网实时参数辨识方法。首先对配电网建立参数辨识方程，然后利用反向传播神经网络对量测数据进行处理，最后对参数进行辨识，采用33节点系统进行测试。结果表明，所提方法能够准确辨识配电网络线路阻抗、变压器阻抗及导纳等参数，为配电网安全可靠运行及后续控制分析提供了基础支撑。     

基于优化遗传神经网络的水轮发电机组辨识

针对水轮发电机组具有非线性、时变、非最小相位且结构参数变化范围较大的特点,提出了将优化遗传算法和神经网络相结合实现对水轮发电机组辨识的新方法,阐述了其原理并给出了相应的算法和计算公式,该方法结合优化遗传算法与神经网络各自的优点,克服了传统BP神经网络收敛速度较慢以及易于收敛到局部极小点等缺点。仿真试验表明,采用该方法能较迅速、准确地逼近实际系统,其有效性得到了证明。     

基于BP神经网络模型的异步电动机故障辨识

针对目前三相异步电动机故障诊断方法存在的局限性及其缺陷,在利用小波包分析提取电动机故障信号特征量基础上,提出基于蝙蝠-粒子群及改进BP算法的异步电动机BP神经网络故障辨识模型,采用蝙蝠-粒子群算法优化BP神经网络结构参数,利用改进BP算法训练BP神经网络.仿真结果分析表明,该BP神经网络模型用于三相异步电动机故障辨识,辨识速度快、准确度高、可靠性好.     

基于CNN-LSTM-Attention的配电网拓扑实时辨识方法

配电网中准确的拓扑结构辨识对运行和控制具有重要意义,针对实际配电网拓扑结构变动的情况,搭建了可智能辨识配电网拓扑结构的深度学习模型。首先,生成不同拓扑结构下的配电网量测数据并进行数据预处理。其次,构建了融合CNN（卷积神经网络）、LSTM（长短期记忆网络）和Attention（注意力机制）的拓扑结构智能辨识模型,并结合历史量测数据对模型训练并测试。最后,在IEEE 33节点和PG&E69节点配电系统仿真算例中,验证了该基于CNN-LSTM-Attention模型的拓扑辨识方法相较于传统辨识方法在辨识精度上的优越性,实现了该模型的在线应用。     

一类未知非线性受控对象快速神经网络辨识方法的研究

介绍一种用于辨识未知非线性系统的改进神经网络模型结构与算法。该方法具有辨识精度高、速度快、简单有效的特点，为设计非线性对象控制器提供了一条思路，从而摆脱了用线性模型近似被控对象的粗略做法。在此算法中，学习率采用随误差变化率而改变的做法，从而减小了学习率先取的盲目性，加速了网络训练过程。     

基于循环神经网络的动态等值模型辨识

为了在系统稳定计算分析中简化和减小计算难度,用动态等值作为一种建模方法提出了一种基于循环神经网络的电力系统动态等值法并结合串并联辨识结构将其用于等值后模型的辨识。这种方法不需要预先建立确定的动态模型,仅靠边界节点的测量数据。循环神经网络的权值和结构决定了被等值外部模型的参数和结构。对IEEE的39节点进行的仿真结果表明了该方法能够捕捉原始系统的动态特性,有较高的精确性。     

基于PSO的线性前馈神经网络负荷模型的研究

采用具有全局寻优能力的pso优化算法辨识线性前馈神经网络负荷模型的参数,并结合实测数据进行了建模仿真分析。相对于辅助变量法,该算法能够在一定程度上提高负荷模型的辨识精度。同时对所建模型进行了泛化能力的检验,表明此模型具有良好的实用性和推广性。