基于模糊分类的模糊神经网络辨识方法及应用

基于改进的T-S模型，提出一种自适应模糊神经网络模型(AFNN)，给出了网络的连接结构和学习算法。基于竞争学习算法的模糊分类器确定系统的模糊空间和模糊规则数，并得出每个样本对每条规则的适用程度。利用卡尔曼滤波算法在线辨识删的后件参数。AFNN结构简洁，逼近能力强，能够显著提高辨识精度，并且在线辨识的模糊模型简单有效。将该AFNN用于非线性系统的模糊辨识和化工过程连续搅拌反应器(CSTR)的建模中，仿真结果验证了该方法的有效性，表明该网络能够实现复杂非线性系统的建模，而且建模精度高、收敛速度快。可当作复杂系统建模的一种有效手段。     

基于C-R模糊模型的广义预测控制算法

该文对非线性系统的建模采用Cao-Ress(C-R)模糊模型，并用卡尔曼滤波算法在线辨识模糊模型的结论参数，从而减少了参数辨识的数量和避免了矩阵的求逆运算，然后在每一个采样点对该系统进行局部动态线性化，根据得到的系统线性化模型对系统采取广义预测控制(GPC)方法得到当前的控制动作。仿真结果表明了该方法的有效性。     

蚁群聚类算法的T-S模糊模型辨识

基于T-S模型,提出一种非线性系统的模型辨识方法。利用蚁群聚类算法来进行结构辨识,确定系统的模糊空间和模糊规则数。在聚类的基础上,利用遗传算法辨识模糊模型的后件加权参数,得到一个精确的模糊模型,从而实现参数辨识。仿真结果验证了该方法的有效性,表明该方法能够实现非线性系统的辨识,辨识精度高,可当作复杂系统建模的一种有效手段。     

适应性模糊控制系统的研究

本文基于参考模糊集建模方法，给出了模糊模型在线辨识方法，并按模糊模型求取模糊控制规则，实现了模糊自适应控制。仿真研究结果表明该方法是有效的。     

基于模糊预测器模型的混沌时间序列预测

基于数据挖掘思想，使用兴趣度度量和改进的梯度下降法，提出一种新的、具有自学习能力的模糊方法来建模和预测混沌时间序列．所提方法不仅能同时辨识模糊模型、调整其参数及确定输出空间的最优模糊子集，而且解决了梯度下降法中存在的收敛速度和振荡之间的冲突问题．仿真结果表明新方法是有效的、准确的，它能很好地辨识系统的特征，并且提供了一种混沌时间序列预测的新方法．     

遗传算法在模糊模型参数辨识中的应用

介绍了T-S模糊模型的建模过程，在现有T-S模糊模型参数辨识方法的基础上，提出了一种先应用最小二乘法对结论参数进行粗略辨识，以确定参数的大致范围之后，再应用遗传算法对前提参数和结论参数同时优化的参数辨识方法，通过MATLAB对本算法进行了仿真，并对非线性函数进行了逼近实验，所取得的结果令人满意。     

基于在线聚类的模糊建模方法及其应用

针对复杂非线性动态系统的模糊建模问题,提出了一种基于在线聚类的模糊建模方法。该方法首先采用在线聚类算法辨识T-S模型的前提参数,然后采用递推最小二乘算法辨识结论参数。根据系统过程中新的数据信息,模糊规则可以自动增加、修改和删除,实现了模型结构和参数的在线辨识和更新。最后将提出的方法应用于Box-Jenkin煤气炉建模和二自由度机器人建模两个例子。仿真结果表明,基于该方法辨识的T-S模糊模型具有很高的精度,而且模型结构简单、建模速度快,便于工程应用。     

基于聚类和遗传算法的解释性模糊模型设计

提出了一种基于模糊聚类和遗传算法构建解释性模糊模型的设计方法。定义了模糊模型的精确性指标，给出了模糊模型解释性的必要条件。然后利用模糊聚类算法和最小二乘法辨识初始的模糊模型；采用多目标遗传算法优化模糊模型；为提高模型的解释性，在遗传算法中利用基于相似性的模糊集合和模糊规则的简化方法对模型进行约简。采用该方法对Mackey-Glass系统进行建模，仿真结果验证了该方法的有效性。     

基于级联网络的电力系统短期负荷预测

电力系统短期负荷预测对电力系统运行设计具有十分重要的意义。因此，在分析了电力负荷运行曲线的基础上，提出了一种基于级联模糊神经网络的预测模型。该模型采用基于神经网路理论的模糊模型参数辨识方法，很适合于复杂系统的模糊预测和控制。详细地对输入量的选择和学习算法进行了分析。实例表明，此方法具有町靠、鲁棒性好和快速等特点，优于神经网络电力负荷预报方法。     

基于改进混沌优化算法的综合负荷模型参数辨识

参数在线辨识是目前电力系统负荷建模的主要手段,而在辨识方法上主要使用了优化类算法.混沌优化算法是一种新型搜索算法,目前在电力系统负荷预测、无功优化中已有应用.该算法改进了以往混沌优化算法的流程,增加了参数搜索范围自动缩小的功能,减少了一次混沌序列生成的步骤.对测试函数的优化结果表明,改进算法在保证精度的基础上大大提高了寻优速度.将该改进算法应用到了直接考虑配电网的综合负荷模型的参数辨识上,仿真结果说明该算法寻优速度快,并且有良好的辨识精度.通过对仿真结果的分析指出,对于负荷模型参数辨识,混沌序列的迭代次数不必超过五万次,合理缩小参数寻优范围有助于提高算法的精度.     

Rapid Load Following of an SOFC Power System via Stable Fuzzy Predictive Tracking Controller

The solid oxide fuel cell (SOFC) is widely accepted for clean and distributed power generation use, but critical operation problems often occur when the stand-alone fuel cell is directly connected to the electricity grid or the dc electric user. In order to address these problems, in this paper, a data-driven fuzzy modeling method is employed to identify the dynamic model of an integrated SOFC/capacitor system. A novel offset-free input-to-state stable fuzzy predictive controller is developed based on the obtained fuzzy model. Both the rapid power load following and safe SOFC operation requirements are taken into account in the design of the closed-loop control system. Simulations are also given to demonstrate the load following control performance of the proposed fuzzy predictive control strategy for the SOFC/capacitor power system.     

模糊时间序列挖掘在复杂系统模糊建模中的应用

针对于复杂工业过程领域模糊建模问题, 提出了一种基于时间序列的模糊定量数据挖掘方法, 并讨论了其在复杂系统模糊逻辑推理模型结构辨识中的应用. 该方法建立在系统历史采集数据库基础之上, 较好的解决了多入多出 (MIMO)非线性复杂工业过程模糊建模时初始模型的建立问题. 文章最后讨论了该方法在氧化铝熟料烧结回转窑建模中的应用, 取得了良好的现场运行效果.     

基于T-S模型的内模控制算法及其应用

针对模糊内模控制算法中模型的建立及模型求逆困难的问题，对一种模糊建模方法进行了改进，在此基础上提出了一种基于T—S模型的内模控制方法。采用启发性知识与复合非线性优化方法相结合的综合方法求解出模糊模型的结构，由模糊辨识获得过程的T—S模型和逆模型，并以此为基础建立内模控制算法。将该算法分别应用于慢时变非线性对象和具有大时延大惯性的热工系统主蒸汽温度的控制，仿真结果表明了该方法具有结构简单，计算效率高等优点，有利于在线应用。     

改进Pi-sigma神经网络及其算法在短期负荷预测中的应用

针对电力负荷的特点,综合考虑历史负荷、天气、日类型等因素的影响,将模糊逻辑和神经网络的长处融合在一起,构建了基于改进Pi-sigma神经网络及其算法的短期负荷预测模型,用于预测预报日的各小时负荷,其中在学习速率的选择、隶属度函数参数的更新等多处进行了改进,进一步减小了预测误差.地区电网的实际应用证明了该算法的有效性.     

基于模糊聚类的电力用电负荷用户识别分析

为了提高电力用电负荷用户的精细化管理,提出了一种基于模糊聚类的电力用电负荷用户识别分析方法。分析了某区域用户的工业负荷变化规律,研究了电力数据与天气之间的改变及其日负荷特征曲线,同时引入模糊聚类分析方法,对上述工业负荷的用电特征进行了判断。选择某区域的工业负荷用户进行研究,对用户进行负荷曲线计算。并通过实验测试来验证本文方法的可行性,以此作为供电公司对用电数据进行精细管理的参考依据。     

Fuzzy modeling and stable model predictive tracking control of large-scale power plants

This paper develops a stable model predictive tracking controller (SMPTC) for coordinated control of a large-scale power plant. First, a Takagi–Sugeno (TS) fuzzy model is established to approximate the behavior of the boiler–turbine coordinated control system (CCS) using fuzzy clustering and subspace identification (SID). Then, an SMPTC is designed based on the fuzzy model to track the power and pressure set-points while guaranteeing the input-to-state stability and the input constraints of the system. An output-based objective function is adopted for the proposed SMPTC so that the controller could be directly applicable for the data-driven model. Moreover, the effect of modeling mismatches and unknown plant variations has been overcome by the use of a disturbance term and steady-state target calculator (SSTC). Simulation results for a 600 MW power plant show that an off-set free tracking performance can be achieved over a wide range load variation.     

煤矿电能质量综合量化评价研究

根据煤矿用电负荷的特殊要求,定义了以最大负荷电流为基准的电流总畸变率,以及考虑负荷电流波形非正弦性的畸变功率因数;从电压质量、电流质量和功率因数3个方面确定电能质量分项指标,采用最小均方差法对电能分项指标进行筛选,建立了适用于煤矿供电系统的电能质量综合评价指标体系。运用熵权法计算不同指标的相对重要性,通过概率统计与模糊数学相结合的方法构建电能质量综合量化评价模型,实现对煤矿电网电能质量的分项计算和综合评价。实测数据分析结果验证了所构建的煤矿电能质量综合评价指标体系的合理性和评价方法的实用性。     

基于稀疏学习的微电网负载建模

微电网由负载、储能系统和分布式电源互联集成到能源系统中, 微电网系统可以作为一个整体系统与电网并行运行或以孤岛模式运行. 负载建模是微电网运行和管理中的一个基本问题. 本文着重解决以下两个关键问题: 1)协调负载模型结构的合理性和简洁性; 2)负载模型参数的校准. 与常规负载建模方法不同, 本文提出了一类数据驱动建模方法以同时实现负载模型结构选择和参数校准. 具体地, 该方法从量测数据中稀疏学习静态负载模型和动态负载模型, 其关键方法分别来自于稀疏贝叶斯学习方法和交替方向方法, 即从一组备选非线性字典函数中稀疏学习最主要的非线性项以平衡数据拟合度并实现模型学习. 所提出的方法将机器学习与稀疏表示相结合, 旨在对负载模型从物理角度提供机理解释并向配电网系统操作员提供有关负载的动态信息. 在孤岛微电网测试系统中验证并评估了所提出的算法. 研究测例表明所提出算法从量测数据中实现负载稀疏学习的合理性和对于噪声的鲁棒性.     

基于灰色理论的电力系统负荷预测模型

为方便并精确地预测电力系统负荷,采用灰色理论建立负荷预测模型.深入分析灰色生成方法和灰色建模过程,并用1组典型电力系统负荷数据和某电力市场实际数据分别构造相应的预测模型.预测结果表明采用灰色系统预测电力系统负荷是可行的.