基于模糊规则的热工过程非线性模型的研究

建立精确的热工过程整体模型是对热工过程进行全局优化控制的基础，而热工过程往往具有非线性和不确定性，传统的描述热工过程动态数学模型的方法（如传递函数等）难以建立非线性模型，从而难于精确表达热工过程及实施整体优化控制，该文提出了一类实用的基于模糊规则的热工过程非线性建模方法，具体为：首先通过聚类和竞争学习算法，对热工过程的输入数据空间进行分区，然后在每个局部的数据子空间上，利用递推的最小二乘辨识算法（RLS）建立一个基于模糊规则的局部线性动态模型，这样，一个典型的非线性热工过程可以通过一组基于模糊规则的线性模型来表示。计算结果表明：基于模糊规则的非线性模糊模型，不仅能精确地描述过程的非线性，而且算法简单，实用。     

基于蚁群优化的超声波电动机系统动态模糊辨识建模

超声波电动机系统的模型是设计电机运动控制器的重要前提.给出了超声波电动机系统的模糊建模方法,分别采用蚁群算法和最小二乘方法获取隶属函数及模糊规则的待定参数,建立了能够表征超声波电动机系统非线性动态关系的二输入单输出Takagi-Sugeno模糊模型.     

主动磁力轴承系统的模糊逆建模

为了主动磁力轴承分析和控制的需要,提出一种建立其非线性的力-电流-位移关系逆T-S模糊模型方案。该模糊模型的输入为电磁力和转子位移,输出为控制电流。该方案将模糊聚类分析、最小二乘法和残差分析有机结合,采用模糊聚类分析方法确定前提结构和参数,采用最小二乘法确定结论参数,并通过对残差的分析进一步确定模糊规则的数目。使用所提方法对一单自由度磁力轴承进行建模。为使磁悬浮转子在离平衡位置的大位移范围运行,采用了具有一定幅值的低频正弦信号作为参考输入信号。仿真结果表明所获得的逆T-S模糊模型有很高的拟合精度。     

锅炉汽温对象的在线模糊辨识

锅炉汽温对象具有明显的非线性和不确定性,在许多情况下很难用精确的数学模型来表达,或者所建立的非线性数学模型难以应用于汽温控制系统设计。该文以T-S模糊规则模型为基础,通过熵方法和竞争学习算法对输入空间进行聚类,利用递推最小二乘辨识算法(RLS)确定模型的结论参数,实现了汽温对象的在线模糊辨识。通过两台锅炉汽温对象在线辨识实例,验证了在线模糊辨识方法对于两类典型汽温对象的有效性,不仅具有较高的辨识精度,同时还具有较为理想的泛化性能和跟踪能力。     

短期负荷预测中参数选取的正交最小二乘法

将正交最小二乘法（OLS）模糊模型用于电力系统短期负荷预测，着重于输入参数的选取。其推理系统模糊规则的生成、影响因素的选取和隶属度的确定均利用正交最小二乘法从历史数据中直接获得，从而克服了模糊推理系统的知识由咨询专家和经验来产生所造成的知识获取的“瓶颈“现象。实际算例表明，该方法有较高的预测精度，且运算速度快，具有较强的实用性。     

快速模糊正交最小二乘算法

本文在非线性非交最小二乘辨识方法中引入模糊基函数,得到可以统一利用语言信息和数据信息的模糊正交最小二乘方法,并且针对其计算量大,速度慢的缺点,推导出不同计算正交项的快速模糊正交最小二乘算法,并且在玻璃窑炉温度系统离线建模中进行了仿真实验,验证了算法的有效性。     

一种基于最小二乘法的FPN与规则权值优化新方法

如何确定模糊产生式规则的各项参数对模糊Petri网的建立具有非常重要的意义,也是目前研究的难点和热点。针对模糊产生式规则中的与规则,提出了一种基于最小二乘法求解最优权系数的训练方法,把权值优化问题演变成通过最小二乘算法求解带约束条件的线性超定方程组的问题。仿真结果表明,该算法的训练精度对样本数的依赖较小,训练模型的预测精度较高。与同类模糊Petri网权值优化算法相比,使用该算法得到的最优权系数计算的输出库所对应命题的可信度能够更准确的逼近真实值。     

基于模糊树模型的电站锅炉燃烧系统建模

电站锅炉燃烧系统是高度非线性复杂系统,NOx排放量和锅炉效率模型是燃烧优化的基础。基于自适应树结构模糊推理辨识系统(ATSFIS),对输入空间进行自适应划分,建立电站锅炉燃烧模型,实现对NOx排放量和锅炉效率的预测;对比最小二乘支持向量(LS-SVM)和不同模糊规则下的建模时间和模型精度等性能。仿真结果表明,随着样本数目的增加,模糊树建模方法具有结构简单,计算速度快,运行时间短,对输入空间的维数不敏感等优点。相比于LS-SVM模糊树模型性能更加稳定,在处理高维和大样本问题时,误差下降快,用较少的时间就能达到较高的精度。     

基于自适应神经模糊推理系统的煤粉锅炉飞灰含碳量建模

飞灰含碳量是煤粉锅炉运行过程中的重要参数,对其进行建模预测具有重要意义。本文采用自适应神经模糊推理系统(ANFIS)对某660 MW机组四角切圆煤粉锅炉的飞灰含碳量进行建模。根据相关知识和运行经验,确定模型的初始输入参数;利用减法聚类算法自适应确定初始模糊规则和结构参数;利用由最小二乘估计算法和误差反向传播算法构成的混合学习算法对模糊神经网络的参数进行学习,完成飞灰含碳量模型的初始构建;对模型输入参数进行敏感性分析确定最终输入参数,以降低输入参数对模型预测精度和复杂度的影响,完成飞灰含碳量预测模型的建立。该模型预测得到的结果精度较高,可真实反映飞灰含碳量的变化情况。在此基础上,将ANFIS模型和最小二乘支持向量机(LSSVM)及BP神经网络模型的预测结果进行对比。结果表明:在训练样本数足够多的情况下,ANFIS模型对飞灰含碳量具有更高的预测精度和更强的泛化能力;而在小样本情况下,LSSVM模型的预测精度和泛化能力更好。     

基于粗糙集理论与模糊Petri网络的油浸电力变压器综合故障诊断

电力变压器故障诊断因果关系的复杂性与模糊性，采用单一智能方法难以准确描述。文中基于智能互补融合的思想，将粗糙集理论与模糊Petri网络有机结合在一起进行油浸电力变压器故障诊断。利用粗糙集信息表简化技术来实现对专家知识的简化与故障特征的压缩，获得最小诊断规则，基于最小诊断规则的Petri网络模型可以有效降低网络结构的复杂性与故障特征获取的难度。同时利用模糊Petri网络实现并行模糊推理，便于描述故障特征的变化及对变压器运行特性的快速分析。故障实例分析表明，文中所提出的智能方法可以有效地进行模糊推理，减小诊断信息的冗余性，诊断效率高，计算快速、准确，结果易于被人理解。     

基于遗传算法的模糊神经网络在动态系统辨识中的应用

复杂不规则系统的语言建模构成了许多控制／决策系统的核心问题,模糊逻辑是进行语言建模最有效的方法之一。本文介绍了一种基于模糊逻辑、神经网络和遗传算法的语言建模方法,并给出了新型的混合学习算法,即：首先由自组织算法确定出模糊神经网络的初始隶属度函数;其次由最大匹配因子学习算法完成模糊规则确定;最后提出了一种改进的遗传算法用来优化调节已经获得的隶属度函数。通过具体的仿真实例说明了所提出的建模方法在动态系     

一种密度聚类模糊神经网络的建模方法

针对仅依赖于输入输出样本数据的复杂系统建模问题,借鉴模式识别聚类分析的理论思想,提出了基于密度聚类提取样本数据模糊规则的理论和方法,通过密度聚类法提取样本数据输入输出变量间的内在规则,并根据密度聚类提取规则的特点,建立了基于密度聚类的模糊逻辑推理方法,确立了一种基于密度聚类的模糊神经网络(DFNN)模型结构。以石化过氧化氢异丙苯(CHP)分解反应过程为对象,进行了仿真建模比较分析,结果表明在模型精度和可靠性上,均优于基于C均值聚类提取规则的模糊神经网络(CFNN),验证了DFNN建模方法的有效性。     

基于超平面的T-S模糊模型辨识

针对多输入多输出(MIMO)的非线性热工动态对象,基于超平面的建模思想,提出了一种新的T-S模糊模型建模方法,既能够统一前、后件的参数辨识,又能防止过多增加计算量。介绍了通用的T-S模糊模型,详细推导出点到超平面的距离公式,据此,提出基于平均线性度的有效性能指标函数S(c),从而避免了规则数确定的盲目性。针对T-S模糊模型分段线性的特点,得出了输入、输出联合空间中的点到各后件子模型所对应的超平面距离,归纳出具体的建模步骤,同时给出了平均线性度D(c)的计算公式。新的建模算法可解释性好,不仅具有良好的精度,而且具有较好的泛化能力。最后,针对典型负荷被控对象的仿真结果证实了该方法的有效性。     

模糊神经网络负荷模型的内插外推能力

为了分析综合负荷模型的实用性,研究了综合负荷模型的内差外推能力。通过分析模糊神经网络综合负荷模型建模数据的特征,确定模糊模型的初始结构;通过模糊神经网络对建模数据的学习,获取模糊推理规则并调整隶属度函数的参数,进而辨识出模糊模型并调整隶属度函数;将电压、有功和无功作为模糊神经网络的广义模型输入,对综合负荷进行解耦建模。在综合负荷构成成分相同的3组数据中,用其中1组建模数据训练得出模糊模型的结构和参数去拟合其它2组建模实测数据,获得良好的拟合效果,从而验证了模糊神经网络综合负荷模型的良好的内插外推能力和收敛性。该特性对于综合负荷模型的实用化具有重要的指导意义。     

Fuzzy modeling for short term load forecasting using the orthogonalleast squares method

A fuzzy modeling method is developed in this paper for short term load forecasting. According to this method, identification of the premise part and consequent part is separately accomplished via the orthogonal least squares (OLS) technique. Particularly, the OLS is first employed to partition the input space and determine the number of fuzzy rules and the premise parameters. In the sequel, a second orthogonal estimator determines the input terms which should be included in the consequent part of each fuzzy rule and calculate its parameters. Input selection is automatically performed, given an input candidate set of arbitrary size, formulated by an expert. A satisfactory prediction performance is attained as shown in the test results, showing the effectiveness of the suggested method     

模糊粗糙集理论在变压器故障诊断中的应用

提出一种改进的三比值变压器故障诊断方法。以模糊粗糙集为数学基础建立信息决策系统,采用数据挖掘技术解决这一建立过程中的若干问题。考虑到信息源的连续取值对模糊粗糙推理的影响,利用模糊集方法处理连续取值型属性。利用数据库知识发现技术挖掘数据库中隐含的聚类信息,设置属性的模糊取值并确定隶属函数。并在此基础上基于包含度对模糊规则进行约简和剔除。设计了适用于模糊粗糙规则提取的数据挖掘算法,从数据库中提取规则,按属性集建立多表决策库的拓扑结构。诊断结果表明,该决策库故障正判率较高,模糊判断规则适应现场条件。     

遗传模糊算法在短期负荷预测中的应用

提出了一种基于模糊逻辑原理的负荷预测方法,使用遗传算法对系统参数进行训练。在以往的模糊逻辑系统建立过程中,其主要参数(如模糊推理规则和隶属函数等)需要依靠运行人员经验或专家知识来确定,而本文利用遗传算法,通过对样本数据的自学习过程来获取系统参数。在遗传算法中,将推理规则与隶属函数参数的确定结合在一起,从而确定系统参数的最优组合,由此建立起一个较合理的模糊负荷预测系统。仿真实验结果表明,该方法能够达到满意的预测精度,具有良好的实用前景。     

用自适应模糊推理系统预测电力短期负荷

为寻求有效的电力系统负荷预测方法以提高预测结果的准确度,提出了基于Takagi-Sugeno(T-S)模型的自适应神经模糊推理系统(ANFIS)。该系统采用减法聚类初始化模糊推理,把神经网络学习机制引入到逻辑推理中,并用混合学习算法调整前件参数和结论参数,自动产生模糊规则。考虑气象、日期类型等因素后将学习样本分为3组进行训练和检测。该方法对于受天气影响较明显的电网,能有效防止不合理预测结果的出现。对于武汉地区实际负荷的预测结果的分析表明该方法有较高的预测准确度,取得了令人满意的结果。     

统计综合法负荷建模中的行业用户精选

统计综合法负荷建模必须以典型用户用电设备构成情况的调查统计为基础。结合电网实际建模经验,提出了一套系统的调查方法。在此基础上,应用等价关系聚类和模糊C均值聚类两种模糊聚类法对得到的调查数据进行分析和处理,精选出行业典型用户,从而为研究各行业的综合负荷特性提供了新的有效手段。给出了纺织行业用户精选实例,验证了该方法的可行性和有效性。