基于自适应模糊神经网络的风速软测量

针对风力发电系统有效风速无法直接测量的问题,提出了基于自适应模糊神经网络的风速软测量方法,在该方法中利用优化的自适应模糊神经网络建立了风速软测量模型,以发电机功率、桨距角和风力机转速作为模型的输入,有效风速作为模型的输出,网络学习中采用可变的学习速率和可变的动量学习率.仿真结果表明,与传统的神经网络风速软测量模型相比,基于自适应模糊神经网络的风速软测量方法是有效的,风速的估计值较好地跟踪了有效风速的变化趋势,具有较高的准确性.     

基于观测器的仿射型多机耦合电力系统H∞模糊跟踪控制

模型未知的仿射型多机耦合电力系统用一系列T-S模糊模型逼近,且模糊模型的结论部分具有常数偏差项.由于系统状态具有不可测性,采用模糊观测器来估计系统的状态.基于该系列模糊模型和观测器,考虑仿射模型固有的常数项偏差,提出一种新型模糊跟踪控制方法,并用线性矩阵不等式的凸优化方法求解控制器参数,实现了仿射型多机耦合电力系统的稳定跟踪控制.仿真验证了方案的有效性.     

三相有源电力滤波器的T-S模糊建模与控制

针对传统的PI调节器难以有效地控制三相并联型有源电力滤波器非线性的问题,基于T-S模糊控制的方法,对三相并联型有源电力滤波器进行数学模型分析,并建立T-S模糊控制模型.采用并行分布补偿的方法设计仅用4条模糊规则的模糊控制器T-S模糊控制器,将非线性问题线性化,通过稳定性的分析与证明,求解线性矩阵不等式,获得统一功率因数及谐波补偿控制器的状态反馈增益.仿真结果验证所建模型及所设计控制器的正确性和有效性.     

基于改进GA优化T-S模糊神经网络的小电流接地故障选线方法

在小电流接地系统中,发生最多的是单相接地故障,针对如何快速准确地查找故障线路一直都是重点研究课题,且没有得到有效的解决。本文提出一种基于遗传算法(GA)优化T-S模糊神经网络的配电网故障选线新方法:通过调整传统GA的适应度函数,先对网络初始参数、权值进行一次优化后,使用梯度下降法进行二次优化的选线算法。讨论了T-S模糊神经网络,传统GA优化的T-S模糊神经网络及不同网络结构对网络性能的影响。研究结果表明新型GA优化T-S模糊神经网络的选线效果明显优于T-S模糊神经网络和传统GA优化T-S模糊神经网络,能够快速、准确、可靠的选取故障线路。     

适用于并联型有源电力滤波器的新型模糊控制

针对并联型有源电力滤波器的非线性控制问题,基于T-S模糊控制的方法,在统一功率因数的前提下,对单相并联型有源电力滤波器进行数学模型分析,并建立T-S模糊控制模型,在此基础上设计仅用四条模糊规则的模糊控制器.采用并行分布补偿的方法设计T-S模糊状态反馈控制器,通过稳定性的分析并将求解问题转化为线性优化问题,通过求解线性矩阵不等式,获得统一功率因数及谐波补偿的控制器状态反馈增益.仿真结果验证了所建模型及所设计控制器的正确性和有效性.     

动态T-S递归模糊神经网络观测器状态辨识

传统模糊神经网络是一种静态映射,不适宜用于感应电机状态辨识。为提高系统辨识精度,提出一种动态T-S递归模糊神经网络观测器。根据动态递归神经网络观测器模型推导其动态反向传播算法,并利用Lyapunov定理证明该观测器具有全局收敛性。仿真结果表明：由于动态T-S递归模糊神经网络观测器同时利用了当前数据和历史数据进行状态辨识,较传统模糊神经网络观测器在辨识精度和稳定性方面具有更好的效果,且具有更好的收敛性。     

随机最优非线性网络控制系统设计

针对网络控制非线性系统中存在的不确定时延，利用Delta算子方法，研究了基于T-S模糊模型的随机最优网络控制问题。采用T-S模型模糊动态逼近非线性系统，将非线性模型模糊化为局部线性模型，设计了本质为非线性的具有时延补偿功能的状态反馈控制器，并进行了稳定性分析，并仿真。结果表明，所提出的建模方法是可行的，实质为非线性的状态反馈的控制器能够有效地补偿时延对系统性能的影响，且补偿效果好。     

机床热误差建模及检测系统模块设计

提出了基于模糊神经网络的数控机床温度与热变形的数学模型,该模型根据输入输出样本自动设计和调整模糊系统的参数,并使传统神经网络中没有明确物理含义的权值被赋予模糊逻辑中推理参数的物理含义。将模糊逻辑理论和神经网络结合,提高了网络的泛化能力。文中给出了模糊神经网络结构、算法的具体实现过程。并通过一个仿真实例说明模型可以将20μm内的热变形补偿到1．7μm内,补偿效果明显。针对补偿技术研究与应用中需要快速采集大量的温度及热变形信号问题,以MSC1210微控制器为核心进行模块化设计,温度采集模块通过SPI接口与上位机DSP连接组成数据采集系统。可以方便、灵活的完成数据采集任务。     

一种改进共轭梯度在线学习滑模控制算法

对于一类基于T-S模糊模型描述的非线性不确定系统,滑模控制算法的稳态误差和动态品质与T-S模糊算法描述模型的准确度相关,利用最小二乘支持向量机算法(LSSVM)学习T-S模糊模型可以很好的逼近实际系统.但是由于LSSVM算法对数据量有一定要求,而且学习速度比较慢,对要求动态响应较高或者内存较小的系统不适用.提出了一种基于改进共轭梯度在线学习算法学习T-S模型,可以实时逼近实际模型,配合滑模控制算法可以达到控制系统的渐进稳定.在不同误差条件下对该控制算法进行仿真实验,在随机误差幅值100以内,系统稳态误差为0.01,同时对时变误差表现出快速的稳定特性,显示了该控制算法较强的鲁棒性.最后,实验还对随机误差幅值为500的系统验证了T-S模型对于系统学习数据的随机误差具有去噪能力.     

基于T-S模糊模型的多变量非线性预测控制

针对多变量非线性系统预测控制的实时性问题,提出一种基于T-S模糊模型的预测控制快速算法.通过辨识建立非线性系统的T-S模糊模型,依据系统的运动特性和实际中控制输入增量的变化趋势选取特定基函数,将广义预测控制和预测函数控制相结合设计多变量预测控制律.该算法相比已有基于T-S模糊模型的多变量非线性广义预测控制算法大幅度减少了计算量,显著提高了控制的实时性.仿真结果验证了该算法的有效性.     

基于改进型Elman神经网络预测模糊神经网络控制的变风量空调设计

由于空调控制系统具有非线性、大滞后、时变性等特点,提出了一种基于改进型Elman神经网络的模糊神经网络控制算法,其预测输出与实际输出的差值作为模糊神经网络控制器的输入,使空调控制系统具有较高的控制精度和良好的动态特性和鲁棒性。仿真结果表明：与传统PID控制相比,基于Elman神经网络的模糊神经网络控制具有较强的鲁棒性,学习能力强,控制精度高,控制效果好。并具有自适应能力,应用前景十分广泛。     

基于RBF神经网络的电子罗盘误差补偿研究

介绍了三轴磁阻电子罗盘的测量原理。基于磁阻传感器HMC1052/1051Z和MEMS加速度计MXD2020ML研制了一款带倾斜补偿功能的三轴磁阻电子罗盘,分析了电子罗盘工作过程中可能存在的误差及其来源。针对无姿态角度的情况,基于径向基函数(RBF)神经网络补偿算法,建立了以测量航向角为输入、期望的航向角为输出的3层RBF神经网络模型,并用样机的采样数据进行仿真验证。实验数据表明,采用该RBF神经网络补偿算法,可将航向角的精度从±35.52°提高至±0.6°以内。     

基于分层模糊Petri网的电网故障综合诊断方法

为降低Petri网的规模,提高诊断的准确性和适应性,研究了一种用于电网故障综合诊断的分层、多子网模糊Petri网模型。考虑了主保护、近后备保护及远后备保护的不同作用,对各保护子网中变迁到终止库所的输出弧赋予不同的权值,修正了变迁的输出概率高斯求取函数。提出先建元件的各保护子网与线路单侧诊断子网、再建综合诊断子网的分层建模方法。该方法可根据电网拓扑变化对模型进行一定的自适应调整。给出了基于矩阵运算的推理过程。针对一个典型电网做了多组案例测试,实验结果验证了该模糊Petri网的有效性,在信息不完备情况下仍能给出正确的诊断结果。     

一种新型传感结构的光学直流电流传感器

分析比较了多种直流大电流测量方法,指出直流测量设备高压侧无源化是未来高压测量设备的发展趋势。针对传统块状玻璃型电流传感器传感头加工难度大、直流解调算法难以精确解调出法拉第旋转角的缺点,采用一种基于双光源双输出条形传感头的新型无源式直流电流传感器。这种结构降低了传感头制作及加工难度,在双通道光路、电路不对称的情况下,能够将与被测电流成正比的直流信号从直流本底光强信号精确解调出来。试验结果表明,在300 ~3 000 A范围内,测量准确度优于0.5%,在光功率波动达25.2%、双光路光功率不对称度为34.2%的情况下,双光源双输出传感器相对误差变化范围为-0.4% ~ +0.42%,远高于相同测试条件下单光源双输出传感器的性能。     

基于RBF神经网络的测斜仪方位角校正研究

本文介绍了国内常用磁性电子测斜仪的结构和测斜原理,分析了其本身和工作过程中可能存在的误差及其来源。针对井眼姿态测量中的主要测量参数之一方位角,基于径向基函数(RBF)神经网络补偿算法,建立了以实测井斜角和方位角构成的二维向量为输入、标准方位角构成的一维向量为输出的三层RBF神经网络模型,并用实际测斜仪的测量数据进行现场测试。测试结果表明,采用该RBF神经网络补偿算法,建模时间短,可将方位角的实际测量精度从±2.1°提高至±1.9°以内,误差补偿效果好。     

基于果蝇算法与自适应性遗传算法组合优化神经网络的光伏电站短期出力预测

光伏电站的输出功率会随着很多因素发生波动,若能够提高光伏系统出力预测的准确性,则能有效地降低光伏电站并网后对电网造成的冲击,提高电力系统的稳定性。建立了果蝇算法与自适应遗传算法组合优化的BP神经网络的预测模型。从预测结果可以发现,采用组合优化算法的BP神经网络模型能够有效避免地BP神经网络易陷入局部极小值点的缺陷,相比于仅优化权值和阈值的BP神经网络模型提高了预测精度,具有一定的应用价值。     

GA-BP神经网络对SAW压力传感器测量数据的拟合

随着传感技术的不断发展,出现了越来越多以传感器为基础的无线传感检测系统。这些传感系统需要对采集到的数据进行数据分析。因此,传感器的数据分析对于无线传感系统的精确检测起到至关重要的作用。首先对设计的声表面波(surface acoustic wave, SAW)微压力传感器进行实际测量,利用最小二乘法建立数学模型,对测得的频率变化与对应的载荷力之间的关系进行数据拟合分析。随后,构建BP(back propagation)神经网络模型,通过该方法对已采集的数据进行样本训练并对SAW微压力传感器的输入与输出之间的关系进行预测。最后,使用遗传算法(genetic algorithm, GA)对BP神经网络进行优化。结果表明,经过优化后比优化前的BP神经网络误差减少近45%,从而验证了遗传算法能够优化BP神经网络的可行性。该分析方法对声表面波微压力传感器无线传感检测系统的发展提供了重要的研究依据。     

厂站量测信息不完整时的全网理论线损计算

传统的理论线损是在潮流计算基础上得到的，鉴于全网整体式状态估计条件要求苛刻，运行调试过程中经常出现不收敛的问题，作者研究了存在不良数据和部分厂站注入量测信息不完整情况下的线损计算。文中对全网进行状态检测，对有可疑数据厂站进行单个厂站的模糊聚类不良数据辨识，对缺少注入量测的厂站根据其实际情况进行由对端量测量估计或部分电网状态估计。这可为潮流计算提供初始条件，提高估计速度。算例表明，部分电网状态估计能得到精确的估计结果，保证理论线损的计算精度。     

基于人工神经元网络的测量数据正确性的验证方法在发电厂控制系统中的应用研究

提出了一种基于人工神经元网络ＡＮＮ 的测量数据正确性的验证方法。任何过程参数都与其它参数存在着必然的内在联系,在一定运行范围内,ＡＮＮ 通过学习,可“掌握”在该范围内各参数间的联系规律。利用这个网络关系,就可以根据其它参数预测被测参数值,用于对被测数据进行正确性验证,甚至可暂时替代不可靠的测量数据。该方法为测量的在线自动校验提供了手段,也为建立过程故障诊断系统创造了条件,有利于提高发电厂自动控制水平和运行的经济性及安全性     

一种有向传感器网络强栅栏覆盖算法

根据有向传感器节点感知特性,提出一种有向传感器节点模糊感知模型,以此为基础建立了模糊数据融合规则,减少网络中的不确定区域;就有向传感器网络强栅栏覆盖问题,提出一种基于粒子群的有向传感器网络强栅栏覆盖增强算法,将n维求解问题转化为一维求解,提高了算法收敛速度。仿真结果表明,对感知方向可连续调节的有向传感器网络节点,在随机部署情况下与现有算法对比,本算法对目标区域能有效的形成强栅栏覆盖,且具有较快的收敛速度,延长网络生存期。