基于自适应网络模糊推理系统的开关磁阻电机建模方法

提出一种开关磁阻电机(switched reluctance motor,SRM)数学建模的新方法：在已知开关磁阻电机静态电感曲线和矩角特性曲线的基础上,将自适应网络模糊推理系统(adaptive network based fuzzy inference system,ANFIS)用于SRM的整体建模中。该模糊推理系统由5层网络构成,将模糊推理与神经网络有机结合起来,利用它的自学习功能计算出模糊系统的隶属度函数以及相应的模糊规则,形成一个结构简单、紧凑的网络来实现电机绕组电流、转子位置角与电感和转矩的非线性映射关系,然后离线训练得到电感与转矩模型。把这种基于ANFIS的电感和矩角模型应用于SRM的系统建模中,以550 W、6/4极SRM为例,进行了仿真与实验比较,结果表明此建模方法能够较好的反映SRM的实际工作状况,从而为SRM系统的建模分析与设计提供一种新的有力的工具。     

基于BP神经网络的开关磁阻电机建模及仿真

为了改善开关磁阻电机的性能分析和控制效果,建立精确的开关磁阻电机模型是极其重要的。在获得准确的电机电磁特性基础上,利用神经网络所具有的非线性映射能力,建立开关磁阻电机非线性模型。本文采用基于附加动量法的BP神经网络建立开关磁阻电机磁链模型和转矩模型,同时在Matlab/Simulink平台上搭建电机控制系统模型。实验表明,该建模方法能满足开关磁阻电机驱动系统的高性能要求。     

遗传优化的最小二乘支持向量机在开关磁阻电机建模中的应用

针对开关磁阻电机的非线性磁链特性,用最小二乘支持向量机(least square support vector machine,LSSVM)与自适应遗传算法相结合的方法精确构建开关磁阻电动机的磁链模型。在最小二乘支持向量机通过采样数据训练模型的过程中,用自适应遗传算法评价拟合误差,优化LSSVM模型的超参数,进而优化开关磁阻电机的磁链模型。通过比较该模型的预测数据与实际测量数据,可以得出用自适应遗传算法优化的最小二乘支持向量机构建的开关磁阻电机模型是可行的,有较高的精度和较好的预测能力。     

基于RBF神经网络非线性预测模型的开关磁阻电机自适应PID控制

开关磁阻电机的非线性和变参数特性使得采用传统的PID控制很难取得较好的控制效果。人工神经网络在一定的条件下可以任意精度逼近任意非线性函数且具有较强的自学习、自适应、自组织能力。故将其与传统的PID控制相结合构成神经网络自适应PID控制策略，应用于非线性严重的开关磁阻电机，可实现对开关磁阻电机的高性能控制。同时，神经网络所具有的非线性变换特性和高度的并行运算能力使得其适合建立非线性预测模型进行参数预测。通过对被控系统参数的预测，可提高系统的动态响应性能。该文采用两个神经网络-BP神经网络和RBF神经网络来分别构成神经网络NNC和神经网络NNI。神经网络NNC进行自适应PID参数调节；神经网络NNI用来建立非线性预测模型进行参数预测。为进一步加快神经网络的学习收敛速度，该文采用变学习速率的神经网络学习算法，学习速率随收敛过程误差的大小而自适应地进行调整，这可大大加快神经网络学习训练的收敛速度，进一步提高系统动态响应速度。实验结果表明，系统的动态响应快，超调小，稳态精度高，鲁棒性强，有较强的抗扰动能力，具有较好的控制效果。     

基于转矩逆模型的开关磁阻电机滑模变结构控制

开关磁阻电机的转矩脉动是其应用的一个问题.该文应用小波神经网络建立对应开关磁阻电机位置信号的非线性映射,估计转子位置角度,提出利用自适应模糊神经网络学习训练开关磁阻电机转矩逆模型优化期望转矩所需的相电流,采用滑模电流控制器实现电机转矩的低脉动控制,仿真结果表明方法的有效性,能够有效地控制开关磁阻电机转矩按期望变化.     

平面开关磁阻电机模型参考自适应位置控制

为了提高平面开关磁阻电机的位置精确度,研究一种基于模型参考自适应控制理论的平面开关磁阻电机控制方法。采用最小二乘法辨识了平面开关磁阻电机的线性化模型参数,根据李亚普若夫稳定性理论,以力指令为控制量并采用输入输出变量设计了平面开关磁阻电机模型参考自适应位置控制器,基于dSPACE半实物实时仿真系统,构建了实时在线控制实验平台,进行了平面开关磁阻电机的模型参考自适应位置控制实验。研究表明:基于模型参考自适应控制的平面开关磁阻电机系统能平稳、准确地跟随给定位置,提高了电机位置精确度,验证了提出的平面开关磁阻电机模型参考自适应控制方法的可行性和有效性。     

开关磁阻电机的最小二乘支持向量机建模与仿真

针对开关磁阻电机电磁特性的非线性造成其精确数学模型难以建立的问题,根据样机实测自感特性和矩角特性,采用最小二乘支持向量机(LS-SVM)的方法对开关磁阻电机非线性建模.与几种常用的神经网络建模方法相比,采用LS-SVM方法所建模型学习速度快,模型精确度高.以一台8/6极开关磁阻电机为例,把基于LS-SVM的自感模型和矩角模型应用于开关磁阻电动机调速系统的建模并进行仿真.实验结果表明,相同工作条件下的仿真电流波形与实验电流波形基本一致,误差小于5%,说明该建模方法的正确性,为开关磁阻电动机调速系统的智能控制提供理论和实践参考.     

基于变结构模糊神经网络的开关磁阻电动机非线性模型

开关磁阻电动机驱动系统是一个时变、非线性系统 ,若采用通常的建模方法 ,无法获得精确的数学模型。给出了开关磁阻电机变结构模糊神经网络非线性模型 ,基于Takagi Sugeno模糊神经网络 ,提出可变结构的变步长学习算法。仿真结果表明此法比BP神经网络具有更高的精度和更快的收敛速度。     

基于动态模糊神经网络的开关磁阻电机电感与磁链特性建模

提出了将动态模糊神经网络用于开关磁阻电机建模的新方法,根据试验采样获得的数据建立电感和磁链特性模型,并将该模型应用到整个系统中.与其他建模方法比较,采用动态模糊神经网络获得的电感和磁链模型可在线训练,并具有紧凑的系统结构和强大的泛化能力.建模所得系统仿真同实际系统比较,电流波形基本一致,验证了新的建模方法的正确性和可行性.同时,该建模方法还可以进一步应用到开关磁阻电机的实时控制系统中,为工程设计和调试提供依据.     

开关磁阻电机直接自适应神经网络控制

针对开关磁阻电机调速系统存在的未知参数波动和外部负载扰动问题,提出了直接瞬时转矩控制下的基于最小学习参数的直接自适应神经网络控制算法实现开关磁阻电机高品质调速控制。采用RBF神经网络对包含未知参数波动和外部负载扰动等不确定项的理想控制律进行整体逼近。将神经网络理想权值的范数作为在线估计参数,使在线学习参数由多个权值减少为一个,降低了控制器的计算负担。基于李雅普诺夫函数的稳定性分析保证了闭环调速系统半全局一致最终有界稳定。与PI控制的对比仿真试验表明,直接自适应神经网络控制器能够有效地提高开关磁阻电机调速系统对参数波动的自适应性和对外部负载扰动的鲁棒性。     

基于在线模糊神经网络建模的开关磁阻电机高性能转矩控制

针对开关磁阻电机(SRM)的转矩脉动问题,提出了一种新的SRM转矩控制方案。首先应用自适应模糊神经网络(ANFIS)对SRM静态转矩逆模型和磁链模型进行离线学习,然后根据转矩分配函数对各相转矩进行分配,利用ANFIS转矩逆模型求出期望转矩下的SRM优化相电流波形。考虑到离线模型的局限性和实时运行时电机中存在的参数变化等不确定因素,通过在线监督学习的方法调整ANFIS转矩逆模型和磁链模型的参数以提高模型的准确性。基于在线调整的ANFIS磁链模型设计自适应滑模控制器调节SRM相绕组中的实际电流跟踪期望相电流波形,从而实现其高性能转矩控制。     

Sensorless estimation of wind speed by adaptive neuro-fuzzy methodology

The wind speed has a huge impact on the wind turbine output energy and safety. Because of this, many control algorithms use a measure of the wind speed to increase performance. Unfortunately, no precise measurement of the effective wind speed is online available from direct measurements, which means that it must be estimated in order to make such control methods applicable in practice. In this paper, a novel algorithm for wind speed estimation in wind-power generation systems is proposed, which is based on adaptive neuro-fuzzy inference system (ANFIS). The inputs of the ANFIS wind speed estimator are chosen as the wind turbine power coefficient, rotational speed and blade pitch angle. During the offline training, a specified model, which relates the inputs to the output, is obtained. Then, the wind speed is determined online from the instantaneous inputs. Neural network in ANFIS adjusts parameters of membership function in the fuzzy logic of the fuzzy inference system (FIS). This intelligent estimator is implemented using Matlab/Simulink and the performances are investigated. The simulation results presented in this paper show the effectiveness of the developed method.     

开关磁阻电机的Pi-sigma模糊神经网络建模

开关磁阻电机的磁路高度饱和及双凸极结构导致了相绕组的磁链是转子位置和相电流的非线性函数。本文采用兼具Takagi-Sugeno(T-S)模糊逻辑和神经网络优点的Pi-sigma模糊神经网络来建立开关磁阻电机的非线性模型并采用了附加动量项的自适应学习速率训练算法。实现了开关磁阻电机的较高精度建模,减少了学习训练次数,简化了结构,使其可在线快速运算。本文通过对相电流与转子位置角的非均匀间隔采样和对论域的全面覆盖,来达到测量数据的合理分布,以提高建模精度和泛化能力并减少测试数据量。通过对模型输出数据与实测数据进行比较及对泛化样本数据的校验表明,本文所建立的模型具有精度较高、泛化能力较好、结构较简洁、运算速度较快等特点。     

固体氧化物燃料电池的数学模型及自适应神经模糊辨识模型的研究

固体氧化物燃料电池(solid oxide fuel cell,SOFC)是21世纪最有生命力的发电技术之一。文章从SOFC实际应用的角度出发,应用改进的自适应神经模糊推理系统(adaptive neural fuzzy inference system,ANFIS)对SOFC建立了 负载稳定和负载变化2种情况下的电特性模型。由于数据来源不足,首先根据SOFC的工作原理,运用电化学、流体动力学等学科理论,建立SOFC的数学模型,基于该数学模型获取ANFIS辨识模型的训练和预测数据。仿真结果显示了改进的ANFIS技术对SOFC系统的建模和控制具有一定的实用价值。     

A fuzzy controller for maximum energy extraction from variable speed wind power generation systems

The wind power production spreading, also aided by the transition from constant to variable speed operation, involves the development of efficient control systems to improve the effectiveness of wind systems. This paper presents a data-driven design methodology able to generate a Takagi–Sugeno–Kang (TSK) fuzzy model for maximum energy extraction from variable speed wind turbines. In order to obtain the TSK model, fuzzy clustering methods for partitioning the input–output space, combined with genetic algorithms (GA), and recursive least-squares (LS) optimization methods for model parameter adaptation are used.     

开关磁阻电机的模糊分数阶PID控制算法研究

开关磁阻电机(SRM)的双凸极机械结构和开关工作特性,导致常规控制算法在其调速控制时,存在转矩脉动大、动态性能一般等问题。论文应用分数阶PID控制算法鲁棒性强和模糊控制不依赖于精确数学模型的优点,提出了一种基于模糊分数阶PID转矩控制算法。在适应SRM转矩控制模糊规则表的基础上,以转速偏差和偏差变化率为输入,通过模糊推理自适应调整分数阶PID控制器的比例系数、积分阶次、微分阶次,使SRM的转矩脉动较小。仿真结果表明该算法使开关磁阻电机的转矩脉动较小,动态响应好。     

电力系统稳态数据参数化压缩算法

针对电力系统运行中产生的大量稳态数据,提出一种基于自适应神经模糊推理系统(adaptive-network-based fuzzy inference system,ANFIS)建模的参数化压缩算法。通过实现等相位采集方式,有效改善电网稳态数据的周期滑步现象,并建立和分析等相位数据的数学模型,为参数化压缩算法提供理论依据。设计参数化压缩算法的结构,并给出实现流程。该算法利用ANFIS系统建立基准序列模型,用于重构数据,采用三次样条插值建立基准相位模型,用于计算各周波相位差,由此将需存储的数据变为模型参数及相位差。最后利用仿真和实测数据详细分析影响系统信噪比和压缩比的因素,为参数的选取提供了参考,验证了算法不仅能提高稳态数据的压缩比,而且能有效滤除系统噪声,为电力系统海量数据的压缩提供了一种新思路。     

基于开关磁阻电机光伏水泵系统模糊控制研究

基于6/4极开关磁阻电机（SRM）,提出了一种具有模糊控制的最大功率点跟踪（MPPT）和SRM转速控制的光伏水泵系统及相应模糊控制方法。在系统整体控制策略的基础上,分析了光伏阵列数学模型,并建立了SRM机电模型,在Matlab/Simulink环境下搭建了光伏水泵系统整体仿真模型。仿真与实验结果表明,模糊控制MPPT算法较好地实现了光伏阵列输出功率的稳定。此外,通过对SRM转速进行有效控制,各相磁链曲线与相电流曲线表明SRM工作稳定,验证了所提出光伏水泵系统与模糊控制器的可行性。     

用自适应模糊推理系统预测电力短期负荷

为寻求有效的电力系统负荷预测方法以提高预测结果的准确度,提出了基于Takagi-Sugeno(T-S)模型的自适应神经模糊推理系统(ANFIS)。该系统采用减法聚类初始化模糊推理,把神经网络学习机制引入到逻辑推理中,并用混合学习算法调整前件参数和结论参数,自动产生模糊规则。考虑气象、日期类型等因素后将学习样本分为3组进行训练和检测。该方法对于受天气影响较明显的电网,能有效防止不合理预测结果的出现。对于武汉地区实际负荷的预测结果的分析表明该方法有较高的预测准确度,取得了令人满意的结果。