静止无功发生器递归神经网络多目标监督控制

利用递归神经网络的动态映射能力,将递归神经网络应用于新型静止无功发生器(ASVG)的控 制中,根据系统不同的运行点,构造了ASVG多目标递归神经网络监督控制器。仿真研究表明 ,这种控制器可以对系统大范围运行实现良好的控制。     

静止无功发生器递归神经网络逆动力学控制

根据对角递归神经网络的特点分析了其非线性映射能力,并根据新型静止无功发生器(ASVG) 的特点提出了ASVG递归神经网络逆动力学控制。所构造的控制器由于可以实现ASVG电力系统 非线性逆动力学特性的学习,因而根据期望的控制效果可以获得期望的控制量。理论分析与 仿真实验表明,这种控制器可以对ASVG实现良好的控制。     

静止无功发生器的递归神经网络建模

利用递归神经网络的动态映射能力,实现了静止无功发生器的递归神经 网络建模,构造了ASVG递归神经网络模型。理论分析与仿真实验表明,所建立的递归神经网 络模型可以很好地实现正常运行及故障状态下ASVG电力系统的非线性动态映射。     

基于滑模变结构的静止无功发生器控制系统

研究了先进的静止无功发生器ASVG(AdvancedStaticVarGenerator)的控制器PQ离散时间解耦模型,可实现有功和瞬时无功的快速解耦控制。在此模型基础上,设计了ASVG双环控制系统。内环为功率控制环,采用变趋近速度离散滑模变结构控制,有效地减小了系统抖振,保证了稳态时系统的渐近稳定性,并增强了闭环系统的鲁棒性。外环为电压控制环,采用单神经元自适应比例积分(PI)控制在线调整参数,可适应系统参数变化、克服扰动,有效控制了瞬态无功交换时直流电容电压的稳定。通过仿真验证了该控制系统的有效性。     

基于递归模糊神经网络的感应电机无速度传感器矢量控制

该文提出了一种控制性能较好的递归模糊神经网络(RFNN)无速度传感器感应电机矢量控制方法，该方法使用模型参考自适应方法辨识转子磁场位置和转速，采用递归模糊神经网络控制器作为转矩控制器来近似系统最优控制器输出。仿真实验表明，当系统参数动态变化或受到外部不确定性因素的影响时，利用神经网络来在线动态的调整网络的隶属函数参数以及神经网络递归权值，使系统仍将具有很好的动静态性能。     

基于自适应修正拉盖尔递归神经网络的永磁直线同步电机反推控制

针对永磁直线同步电机(PMLSM)伺服系统易受参数变化和非线性外部扰动等不确定性因素影响,提出了一种基于自适应修正拉盖尔递归神经网络(AMLRNN)的反推控制方法。首先,建立了含有不确定性的PMLSM动态模型。然后,采用AMLRNN估计系统中的不确定性,通过基于李雅普诺夫稳定性理论的在线参数训练方法推导出两个最优学习速率来加速参数收敛。该方法可避免传统的自适应反推控制系统中存在的"微分爆炸"问题及抖振现象,使系统具有良好的瞬态性能和鲁棒性能。最后,通过实验证明了所提出的控制方案是有效可行的,与传统的自适应反推控制系统相比,基于AMLRNN的反推控制系统的控制性能更加优越,明显减小了系统的位置跟踪误差。     

静止无功发生器递归神经网络多目标监督控制

利用递归神经网络的动态映射能力,将递归神经网络应用于新型静止无功发生器的控制中,根据系统不同的运行点,构造了ＡＳＶＧ多目标递归神经网络监督控制器。仿真研究表明,这种控制器可以对系统大范围运行实现良好的控制。     

基于遗传神经网络的超声波电机转速控制系统

介绍一种超声波电机(USM)自适应控制策略,系统采用双闭环控制,内环通过对弧极电压进行采样、判断,补偿USM谐振频率的漂移;外环利用动态递归神经网络控制器调节两相驱动交变电压的相位差,实现转速的自适应控制.DRNN的结构和初始参数通过混合递阶遗传算法离线训练获得.试验结果证明,该控制系统具有较高的控制精度和较好的稳定性.     

基于免疫遗传算法的感应电机控制设计与仿真研究

提出一种基于免疫遗传算法(IGA)的递归模糊神经网络(RFNN)控制器的设计方法,并应用于感应电机双闭环控制系统中的转速控制器中,对感应电机实现了精确的速度控制.在与传统PI控制和递归模糊神经网络控制仿真比较中,采用该方法的系统显示出良好的控制性能和控制效果.     

应用神经网络的电动机控制系统

异步电动机控制系统是一个较难的工程问题。由于交流电动机机械系统具有非线性动态特性,以及交流电动机的某些状态变量无法测量,这些问题都使系统控制问题变得复杂。另外温度发生变化时,转子电阻发生很大变化,这又是一个控制系统难以克服的问题。使用神经网络的自适应控制技术来实现感应电动机的控制问题,第一种是单输入—单输出(SISO)系统,控制器使用静态多层感知器神经网络(MLP神经网络);第二种是多输入—多输出(MIMO)系统,控制器使用递归神经网络为动态控制系统方案。本文重点讨论MIMO系统。     

Avoiding singularities in recurrent neural control for induction motors

In this paper, a master–slave synchronization scheme based on parameter identification is proposed to overcome the controller singularity problem that appears when linearization‐like techniques are applied in indirect adaptive neural control, like Neural Block Control (NBC). Such a synchronization strategy requires an identifier‐like recurrent neural network and an adaptive law to update the neural weights. The proposed adaptive law prevents both, specific adaptive weights zero‐crossing and the ‘parameter drift’ phenomenon. NBC consists of two tasks; synchronizing an identifier‐like recurrent neural network (slave) with the plant (master) and controlling the system based on the slave model. The effectiveness of the synchronization law is tested using NBC for controlling the angular speed and magnetic flux magnitude of an induction motor. Usingit a priori knowledge about the real plant, a high‐order recurrent neural network is proposed as the slave system. Based on the slave neural model, a discontinuous control law is derived, which combines Block Control and Sliding Modes. NBC with the proposed synchronization strategy is tested via simulations, comparing results with a standard parameters adaptive law. Copyright © 2011 John Wiley & Sons, Ltd.     

Robust speed-controlled induction motor drive based on recurrent neural network

This paper proposes a recurrent neural network speed controller for an induction motor drive. This speed controller consists of a recurrent neural network identifier (RNNI) and recurrent neural network controller (RNNC). The RNNI is used to provide real-time adaptive identification of the unknown motor dynamics. The RNNC is used to produce an adaptive control force so that the motor speed can accurately track the reference command. A back-propagation algorithm was used as the learning algorithm to automatically adjust the weights of the RNNI and RNNC in order to minimize the performance functions. The proposed control scheme can quickly estimate the plant parameters and produce a control force, such that the motor speed can accurately track the reference command. Both computer simulations and experimental results demonstrated that the proposed control scheme was able to obtain robust speed control.     

对角回归神经网络在直流双闭环调速系统中的应用

本文采用一种新型记神经网络－－对角回归神经网络（ＤＲＮＮ）,并结合ＰＩＤ控制器,构成直接自适应控制系统,自适应高速整ＰＩＤ参数,并应用于直流双闭环调速系统。仿真结果表明其性能优于ＰＩＤ控制器,有进一步的前景。     

ASVG自适应模糊控制模型及其暂态仿真研究

提出了一种新型静止无功补偿器ASVG（Advanced Static Var Generator)自适应模糊控制器用于抑制发电机功角振荡，应用一种模糊控制规则自动生成与自校正算法调整控制规则，以改变ASVG交流侧电压值，从而改变给系统提供的无功补偿，仿真结果表明，该控制可以有效地改善电力系统的暂态稳定性和电压稳定性。     

Self tuning control of wind turbine using neural network identifier

The nonlinear characteristics of the wind turbines and electric generators necessitate that grid connected wind energy conversion systems (WECS) use nonlinear controls. The present paper proposes an adaptive self tuning control strategy with neural network Morlet wavelet for WECS control. The proposed strategy is based on single layer feedforward neural networks with hidden nodes of adaptive Morlet wavelet functions controller and an infinite impulse response recurrent structure. The neuro controller is based on a certain model structure to approximately identify the system dynamics of WECS, and control its response. The proposed controller is studied in three situations: without noise, with measurement input noise and with disturbance output noise. Finally, the results of the performance of the new controller were compared with a multilayer perceptron network proving a more precise modeling and control of WECS.     

应用神经网络和重复控制的逆变器综合控制策略

针对脉宽调制(pulse width modulation,PWM)逆变电源控制系统,提出一种基于(diagonal recurrent neural network,DRNN)在线自整定PID控制和改进重复控制相结合的新型综合控制策略,给出PID参数在线自整定的控制算法和改进重复控制器的设计参数。利用改进重复控制改善系统的稳态性能,利用对角递归神经网络在线自整定PID控制提高系统的动态性能,既能克服常规控制逆变器波形跟踪性能差的不足,又能极大改善重复控制逆变器动态响应滞后的问题。实验结果表明,该综合控制策略能实现逆变器的快速动态响应和高精度稳态输出波形。     

基于云神经网络自适应逆系统的电力系统负荷频率控制

针对区域互联电力系统受到风电及负荷扰动后,系统频率会出现大幅度波动的问题,提出一种基于云神经网络自适应逆系统的多区域互联电力系统负荷频率控制方法。在分析单一区域电力系统有功输出特性的基础上,建立计及多区域有功输出的互联电力系统负荷频率控制模型。采用自适应逆控制有效解决系统响应和扰动抑制的矛盾。将云模型引入自适应逆系统构建云神经网络辨识器。利用云模型在处理模糊性和随机性等不确定性方面的优势,进一步提高神经网络的辨识能力。仿真结果表明,所设计的云神经网络自适应逆系统不仅可以得到好的动态响应,还可以使风电及负荷引起的扰动减小到最小。