核反应堆稳压器水位和压力控制系统研究

利用前馈补偿控制方法实现水位和压力系统的解耦后,利用模糊自适应PID控制方法对系统进行控制。仿真结果表明：稳压器水位和压力的稳态性能都得到了较大的改善。     

基于小波变换和概率神经网络的励磁涌流识别

针对变压器的励磁涌流问题,提出了一种基于小波变换和概率神经网络的新的变压器差动保护方案,用以实现励磁涌流与其它内部短路电流诸如单相短路、两相接地短路、三相接地短路、匝间短路的鉴别。利用小波变换进行信号分解,提取各尺度高频部分的能量,作为神经网络的输入特征向量,概率神经网络是为了进行模式识别。利用Matlab/Simulink平台上的仿真建模,获取励磁涌流和内部故障电流的数据。大量仿真结果显示,该方案可以有效地识别励磁涌流。     

压水堆核电站稳压器压力控制系统仿真研究

研究PID控制器参数优化问题,针对稳压器压力控制系统具有复杂非线性、时变性特点,引起系统的输出品质特性较差,超调量大,调节时间长,上升时间长,控制精度差等。传统PID的控制参数难以精确整定,且依赖于对象的精确数学模型。为了提高PID控制精度,减小超调量、调节时间和上升时间,提出用单神经元的神经网络来优化PID控制器参数的方法。通过单神经元的自学习和自适应能力,获得最优控制性能的PID控制参数。仿真结果表明,单神经元神经网络的PID控制方法与传统的PID控制方法相比,系统响应速度更快,超调量更小,为优化控制系统提供了参考。     

基于遗传算法的电力系统无功优化

在总结常用的电力系统无功电压优化方法的基础上,建立了以网损、电压质量和无功潮流分布为目标函数的数学模型．然后对基本遗传算法进行了一些改进,并将改进的遗传算法应用到IEEE30节点系统进行验证．测试结果表明,改进的遗传算法有助于解决无功电压优化问题．     

基于遗传概率神经网络的变压器励磁涌流识别

利用遗传算法优化概率神经网络的重要参数,以便获得最优的平滑因子,从而实现了电力变压器励磁涌流和内部故障电流的识别。采用MATLAB软件对变压器不同的运行状态进行建模仿真,并对保护方案进行测试。     

基于自适应模拟退火遗传算法的多机系统PSS参数协调优化

针对基本遗传算法（SGA）易早熟收敛且收敛速度慢的问题,提出了一种改进的遗传算法——自适应模拟退火遗传算法（ASAGA）用于解决PSS参数优化问题。该算法采用轮盘赌选择和最佳个体保存策略相结合的机制,并结合自适应的交叉、变异概率,扩大种群的搜索范围,继而引入模拟退火算法,加快迭代后期的收敛速度。一个针对Kunder四机两区域系统的PSS参数优化以及暂态稳定性仿真分析的算例表明。本文所设计的PSS对各种扰动均表现出了很好性能,同时也说明了该算法较强的全局寻优能力。