神经网络在感应同步器零位误差补偿中的应用

根据实际测量得到测角系统在0°~360°之间全部零位误差数据,分析测角系统产生奇、偶点跳跃零位误差的原因来自于感应同步器测角系统引入的非有效电势。以实测误差数据为样本,运用神经网络建立测角系统的角度测量误差模型,提出一种对奇、偶点跳跃的零位误差进行分段辨识方法,并设计完成一种组合神经网络误差模型。仿真研究结果表明用分段辨识方法建立的误差模型计算误差预测值准确,模型泛化能力强。该文设计的误差模型用于零位误差数据的补偿,可将测角系统的零位误差从±102减小至±1.02。     

基于动态滑动模型的加速度传感器数据在线预测方法研究

加速度传感器输出值精确测量是相关数据预测的必要前提,为补偿制造工艺和测量环境影响带来的加速度传感器输出误差并准确预测加速度传感器输出数值,提出了基于自适应归一化奇异谱和神经网络的加速度传感器误差补偿及数值预测方法。首先分析加速度传感器输出误差产生的原因;然后根据奇异熵定阶去噪的方法提出了自适应奇异谱方法用于加速度传感器误差自适应补偿;最后选用基于滑动窗的径向基(radical basis function, RBF)神经网络作为加速度传感器输出数值预测方法,并用粒子群优化算法优化RBF神经网络的初始参数。实验结果表明,自适应奇异谱方法可以有效补偿加速度传感器输出误差,并可以选定不同的自适应参数以满足不同误差需求,并且粒子群算法优化的RBF神经网络可以有效预测加速度传感器输出数值。     

基于 TentFWA-GD 的 RBF 神经网络 COD 在线软测量方法

针对污水处理过程COD难以实时准确测量的问题,提出了基于TentFWA-GD的RBF神经网络软测量方法。为解决现有RBF神经网络用于复杂工业过程软测量建模时存在网络参数难以确定及训练过程易陷入局部极值等问题,进一步提高RBF神经网络模型的预测精度与泛化能力,引入了Tent混沌映射对烟花算法(fireworks algorithm, FWA)进行改进,利用混沌运动的全局遍历性维持FWA的种群多样性并避免算法早熟收敛;将TentFWA算法与GD方法有机融合提出一种改进的RBF神经网络组合训练方法以改善网络的学习能力。将基于TentFWA-GD的RBF神经网络用于构建4个Benchmark函数拟合模型和农村生活污水处理过程COD在线软测量模型。仿真与应用结果表明,相对于其他神经网络模型,该模型具有较低的函数逼近误差和较高的COD预测精度。其中COD软测量模型训练结果的均方误差和平均绝对误差分别为0.18和0.25,测试结果的两种误差分别为0.23和0.36。     

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RBF网络的数控直线电机进给定位精度研究

文章研究了数控直线电机工作台的误差测量、建模及补偿技术。分析了定位平台的误差来源,采用激光干涉仪测量工作台的定位误差,用RBF算法建立神经网络误差模型,根据误差校正值进行误差实时补偿实验。仿真和实验结果表明:经过样本训练的神经网络模型对工作台的误差具有良好的学习能力和泛化能力,工作台定位精度显著提高,并且较好地解决了随机误差对系统的影响。     

采用自组织RBF网络算法的变压器故障诊断

针对以往神经网络常采用试凑法设计网络节点的缺陷,提出了一种自组织径向基函数(RBF)神经网络算法。该算法首先通过模糊C-均值(FCM)算法得到初始的RBF神经网络节点数和中心向量,再利用经Gaussian随机分布改进的粒子群优化(PSO)算法对初始RBF神经网络节点数、中心向量、节点连接权值进行优化。利用鸢尾属数据集及葡萄酒数据集对提出的自组织RBF神经网络算法进行了仿真测试,证明该算法对于提高分类精度和优化RBF神经网络结构有一定的作用。最后,将该算法应用到电力机车牵引变压器综合测试及故障诊断系统中,结果证明所提的自组织RBF神经网络诊断算法可有效监测出原系统试验时误报和漏报的故障。     

真空断路器开断电流在线测量

为研究高压开关柜中真空断路器的电特性，需要不失真地在线测量其开断电流。文中基于非接触式高压电流测量方法，提出一种采用直线型空心线圈的电子式电流互感器实现对该电流测量。在对其结构和误差特性进行分析的基础上，研制出样机，测试结果表明，该传感单元在水平方向±5 mm的安装误差范围内，测量比差在-1.05%以内;在偏转角度小于±5°的安装误差范围内，测量比差在-1.29%以内。该系统已投入现场实际运行。     

基于MGMA的随钻陀螺仪误差在线补偿

针对随钻测量MEMS陀螺仪输出精度低的问题,提出一种基于磁 重力蜉蝣算法(MGMA)的陀螺误差在线补偿方法。首先,分析随钻陀螺误差来源并推导出误差补偿模型;其次,利用MEMS加速度计无累积误差的特点,根据重力向量叉乘得到向量夹角作为目标函数;此外,考虑到实际钻进时强振动和冲击对加速度计输出的不利影响,利用MEMS磁强计抗振的特点,设计磁模值相对误差约束条件。然后,在MA基础上,针对随钻恶劣环境影响下的陀螺误差参数不断变化问题,根据陀螺和磁强计输出之间的关系自适应确定搜索上下界;并利用重力模值相对误差设计惯性权重,平衡算法的全局探索和局部开发能力;最后,利用磁 重力模值相对误差在子代中引入变异扰动策略,减小陷入局部最优的可能。实验结果表明,经MGMA补偿后的陀螺输出误差明显减小,井斜角误差由9.75°降低至1.52°,且相比于PSO和MA算法具有速度快、精度高的优势。     

反射镜片高度对快反镜测量误差的影响及补偿

在高精度光电跟瞄系统中,快速反射镜（fast steering mirror,FSM）是精跟踪通道中的核心元件,能够实现转动角亚微弧度的分辨率。测量误差直接影响到跟瞄系统的控制精度,其中,FSM镜片反射面高度对误差的影响显著,在实际跟踪控制中必须予以补偿与校正。以某型搭载快速反射镜的实验转台测量模型（测量精度为±50 μrad）为基础,理论推导了反射镜片反射面高度引起的误差模型,并利用系统辨识的最小二乘估计算法求取出误差特性参数,进行误差补偿。实验结果表明,经过补偿后的镜片高度对误差的影响缩小到±2 μrad。     

基于在线学习RBF神经网络的汽门开度自适应补偿控制方法

汽门控制对于提高电力系统暂态稳定具有重要作用。为了提高汽门系统的控制性能,提出了基于在线学习RBF神经网络的汽门开度自适应补偿控制方法。首先,根据逆系统方法分析了被控汽门系统的可逆性、推导了被控汽门系统输出的α阶导数和伪控制量之间的误差,并设计了用于补偿此误差的在线学习RBF神经网络。然后,基于Lyapunov稳定性理论设计了RBF神经网络的在线学习算法,证明了闭环系统跟踪误差和RBF神经网络权值估计误差的一致最终有界性。所提出的控制方法仅需被控汽门系统很少的先验知识,而无需其精确数学模型,并且用于自适应补偿控制的RBF神经网络无需离线训练过程。最后,针对典型的单机无穷大汽门控制系统进行了数值仿真。仿真结果表明,所提出的控制方法较传统的非线性最优控制方法能明显提升电力系统的暂态控制性能。     

基于自适应RBF神经网络的变压器噪声有源控制算法

针对现有变压器噪声有源控制算法存在的不足,提出了一种用于抑制噪声的新算法。该算法融合了自适应算法、粒子群算法、改进梯度下降算法及RBF神经网络算法。首先利用自适应算法确定降噪系统控制器中RBF神经网络隐含层节点个数和相应的参数;然后,根据切换策略自适应地选择粒子群算法或者改进梯度下降算法,用来优化节点数目和参数;最后,将优化得到的隐含层结构和参数反馈至系统控制器中,使系统的次级声源更好地抵消源声源。通过将所提的改进RBF神经网络法与未改进的RBF神经网络法和BP神经网络法进行比较,表明该算法可有效地提高降噪系统的自适应能力和抗干扰能力,且能够将噪声控制在较低的范围内,获得较理想的降噪效果。     

燃煤锅炉效率与NOx排放混合建模研究

介绍了RBF神经网络的结构和特点,进而讨论了遗传算法与RBF神经网络相结合的方法.以某300MW电站锅炉燃烧调整试验数据为基础,利用RBF神经网络对锅炉效率与NOx排放混合建模,并用遗传算法优化RBF神经网络的性能,使其预测精度大幅提高.同时RBF神经网络具有收敛速度快的独特优点.因此,优化后的RBF神经网络模型为下一步的锅炉运行参数优化和燃烧优化系统的建立奠定基础.     

基于RBF神经网络的气体流量软测量模型研究

流量信号是热工过程中非常重要的一个信号。由于流量信号存在着非线性、随机性和易受干扰的特点，很难建立起一个准确的测量模型，如传统的3种圆管紊流流速分布的近似模型，基于这些模型的传统测量方法很难测量出准确的流量值。该文提出的基于径向基函数（RBF）神经网络的流量测量模型，采用了带有遗忘因子的梯度下降算法来确定隐层基函数中心的位置和输出层权值的大小。计算结果表明这种模型计算量小、精度高，且算法简单实用。实验结果说明，基于这种模型的流量测量精度较以往模型有很大提高。     

改进 IGABP 模型补偿倾角传感器温度漂移研究

倾角传感器很容易受到环境温度变化的影响,产生测量误差,即温度漂移现象。针对此问题,设计了一种基于改进的遗传算法(IGA)优化反向传播神经网络(BPNN)的温度漂移补偿模型。其中遗传算法使用了新的选择策略和交叉变异因子,增加了跳出局部最优解机制。实验结果显示,IGABP补偿模型的均方误差(MSE)为0.003 28,经过补偿模型修正后的平均温度漂移为0.039°,远优于未修正时的平均温度漂移0.190°。研究结果表明,IGABP补偿模型与传统的神经网络模型相比,具有更快的收敛速度和更高的补偿精度,能够有效的补偿因温度导致的测量误差,提高倾角传感器的稳定性和精度。     

基于AGA—RBF神经网络的短期负荷预测

针对RBF神经网络的不足以及传统遗传算法的特点,采用浮点数编码的自适应遗传算法（AGA）作为RBF神经网络的学习算法．来确定RBF神经网络的隐含层的中心参数和宽度参数,形成AGA—RBF网络来进行负荷预测,并通过实例验证,该方法与RBF神经网络相比,能有效地提高预测精度和改善网络性能。     

一种基于RBF神经网络线损计算方法研究

根据中压配电网的特性,利用容易收集的原始数据,研究了一种中压配电网准确、快速而简便的线损计算方法,即径向基函数神经网络算法,并且将该算法与分群算法相结合,获得了很好的计算精度.通过matlab仿真研究验证了RBF算法的有效性,并且通过比较未分类的RBF算法,分类的RBF算法,线性回归算法和BP算法,凸显了分类后的RBF神经网络的精确性与实用性.     

基于径向基函数神经网络的涡流传感器非线性补偿方法研究

为了解决数字式涡流传感器的非线性问题,提出利用径向基函数神经网络进行非线性补偿的方法。介绍非线性补偿原理以及算法,并将其与BP神经网络法进行比较。从实测数据出发,建立了涡流传感器的非线性补偿模型。结果表明,这种非线性补偿模型误差小、有良好的鲁棒性、能实现在线软补偿,比用BP神经网络有更快的训练速度。     

自适应变系数粒子群和径向基神经网络在短期电价预测中的应用(英文)

分析了传统的粒子群优化(particle swarm optimization,PSO)算法和径向基(radial basis function,RBF)神经网络的优缺点,提出一种自适应变系数粒子群优化算法(adaptive variable coefficients particle swarm optimizer,AVCPSO)。该算法与RBF神经网络结合形成自适应变系数粒子群-径向基(AVCPSO-RBF)神经网络混合优化算法。基于此优化算法,建立了短期电价预测模型,并利用贵州电网历史数据进行短期电价预测。仿真计算结果表明,AVCPSO-RBF混合优化算法在短期电价预测中优于传统RBF神经网络法和PSO-RBF神经网络方法,克服了上述2种方法的缺点,改善了RBF神经网络的泛化能力,具有输出稳定性好、预测精度高、收敛速度快等特点,使用该方法得到的各日预测电价的平均百分比误差可控制在2%以内,平均绝对误差最大值为1.652RMB/MW·h。