神经网络预测控制算法及其应用

针对电站中具有大惯性和变参数等特性的主汽温系统，提出了一种神经网络预测控制算法。该方法是用神经网络来实现预测控制算法中的模型预测和优化计算。将这种算法用于主汽温控制的仿真研究表明，该控制方案表现出良好的控制品质并能适应被控对象参数的变化，具有较强的鲁棒性和自适应能力。它明显优于传统的PID控制。  

基于神经网络误差修正的广义预测控制

本文基于ＢＰ结构神经网络，对系统的建模误差进行预测，并将其与模型预测相结合构成广义预测控制算法，目的在于抑制模型失配的影响，增强广义预测控制的鲁棒性；仿真结果表明了这一算法的有效性。  

钢球磨中储式制粉系统的建模与控制

钢球磨煤机中间储仓式制粉系统具有多变量强耦合、强非线性、工况变化大的特性，长期以来难以投入自动控制，因此成为电力行业自动控制研究的热点问题。详细研究和分析了球磨机制粉系统的工作原理及工作特点，对钢球磨中储式制粉系统的数学模型和实现自动控制的技术方案进行了比较全面的综述，对各控制方法的优缺点、适用性、控制效果等等进行了详细地分析和比较，并指出多变量智能解耦控制技术是解决该系统自动控制的有效手段。  

Nonlinear one-step-ahead control using neural networks: Control strategy and stability design

A nonlinear one-step-ahead control strategy based on a neural network model is proposed for nonlinear SISO processes. The neural network used for controller design is a feedforward network with external recurrent terms. The training of the neural network model is implemented by using a recursive least-squares (RLS)-based algorithm. Considering the case of the nonlinear processes with time delay, the extension of the mentioned neural control scheme to d-step-ahead predictive neural control is proposed to compensate the influence of the time-delay. Then the stability analysis of the neural-network-based one-step-ahead control system is presented based on Lyapunov theory. From the stability investigation, the stability condition for the neural control system is obtained. The method is illustrated with some simulated examples, including the control of a continuous stirred tank reactor (CSTR).  

非线性系统神经网络预测控制研究进展

摘 要：神经网络由于其在非线性系统建模与优化求解方面的优势，被广泛应用于预测控制中，形成了各种各样的神经网络预测控制算法。本文系统地评述了非线性系统神经网络预测控制系统中的模型选取、控制器优化、控制系统结构设计方法以及收敛性理论等研究现状，分析了非线性系统神经网络预测控制算法存在的问题和今后的研究方向。  

基于多层局部回归神经网络的多变量非线性系统预测控制

以罐式搅拌反应器为例，针对复杂多变量系统的强耦合性、非线性、时变性等问题，研究了多变量非线性系统的预测控制及改善控制性能的方法，采用多层局部回归神经网络离线建立预测模型，以偏差补偿和模型修正相结合的方式对预测模型进行误差补偿，以要线校正用于预测控制，通过对性能指标中的偏差项负指数加权，进一步改善预测控制性能，住址结果表明了控制算法的有效性。  

基于径向基函数网络的一步超前预测控制研究

提出一种基于径向基函数（RBF）神经网络的一步超前预测控制算法。该方法只用于一个网络，控制量的获取只求几步迭代，算法简单并有较好的实用性。通过对离散非线性系统的仿真证明了算法的有效性。  

基于小波网络动态补偿的广义预测控制器

由于广义预测控制器依赖于表征过程的线性模型,没有考虑未建模误差的影响,随着 预测长度的增加,其预测误差也增大.因此,提出用小波网络建立误差的预测模型,并对模型预 测进行动态补偿,以抑制模型失配的影响,增强鲁棒性.仿真结果表明了算法的有效性.  

基于Tank—Hopfield神经网络的有约束多变量广义预测控制器

通过对系统的信号约束，构成有约束多变量广义预测控制问题，并运用Ｔ－Ｈ优化神经网络来求解这一复杂的优化问题。在求解过程中，有约束广义预测控制的求解被转化为一个Ｔ－Ｈ优化电路网络的稳态解。因此可以通过硬件电路或龙格－库塔数值方法进行求取。在一个工业过程模型上的仿真研究证明这一方法是非常有效的。  

基于RBF神经网络的改进多变量预测控制

针对一类多输入多输出非线性被控对象,提出一种基于单神经网络的预测控制算法,应用RBF神经网络对非线性系统进行辨识,并计算被控系统多步预测输出值.该方法通过对传统预测目标函数加以改进,给出一种带微分项的多步预测目标函数,通过迭代寻优实时给出优化控制量.该方法实时性好,简化了传统预测控制算法,加快了滚动寻优的速度,有效地抑制了系统惯性和输入时滞所带来的超调,减小了模型误差、干扰及不确定性对控制器的影响.仿真及应用结果表明了该方法的有效性.