神经网络自适应PID控制在柴油机齿条位置控制中的应用

提出了基于BP神经网络的PID控制算法在柴油机齿条位置控制系统中的应用，把传统的PID控制和BP(误差反向传播)神经网络控制相结合，采用“先离线学习，后在线控制”的思想实现了齿条位置闭环的自适应控制。初步实验结果表明，该控制算法能满足齿条位移控制的性能指标，且其稳态特性较好，克服静摩擦的效果令人满意。     

计及光伏功率预测的配电网潮流计算

采用改进BP神经网络算法对光伏系统进行短期功率预测并计算其在配电网中的潮流问题,采用改进前推回代算法进行潮流计算,通过求解节点—分层矩阵来对系统分层,进而对每层节点进行前推回代计算系统有功网损。最后,利用改进BP神经网络算法对某日光伏系统进行功率预测,并采用改进前推回代算法计算33节点系统的潮流,算例分析验证了所提改进算法的准确性与预测模型的有效性与实用性。     

基于BP神经网络的解耦方法在直流锅炉控制系统中的应用

分析了直流锅炉运行时各变量之间的耦合关系;针对直流锅炉参数多变、强耦合的特点,提出了一种改进的误差反向传播算法(BP)神经网络分散解耦方法,对直流锅炉汽温-压力控制系统进行解耦,然后采用基于BP神经网络的PID控制方法对解耦后的2个近似独立的单输入单输出系统进行控制.仿真实验结果表明:BP神经网络分散解耦控制算法具有很强的自学习功能和自适应解耦能力,能取得良好的控制效果.     

电阻炉的计算机优化控制

高等学校专业实验室针对计算机控制应用领域进行了利用计算机对电阻炉单变量炉温、多变量炉温控制系统和远程炉温控制系统的实验，摸索出各种PID控制算法和运用神经网络的BP网对PID控制进行模拟仿真，最后利用已经训练好的神经网络来预测PID控制的效果；并用VB实现的远程人机交互。     

PEMFC的Elman神经网络建模与模糊神经网络控制

从质子交换膜燃料电池（PEMFC）实际应用的角度出发，采用Elman动态神经网络对PEMFC系统进行建模，以实验中采样到的PEMFC系统的工作温度输入输出数据训练网络，并采用动态反向传播学习算法根据误差不断调整网络参数直至达到要求精度。设计了一种适应模糊神经网络控制器，根据经验确定了初始隶属度函数和模糊规则，并采用自适应学习算法不断调整隶属度函数与模糊规则参数，使控制系统获得理想的输出。仿真实验以Elman神经网络模型为参考模型，使用自适应神经网络控制算法取得了较好的控制效果。总之，所设计的控制系统适合于控制PEMFC这样一类复杂非线性系统。     

超级电容器储能系统中DC/DC变换器先进PID控制改进方法

针对超级电容器储能系统中的DC/DC变换器为高阶、非线性的系统,采用传统的PID控制难以应对负载、电压突变等复杂情况,提出了一种将Fletcher-Reeves共轭梯度法控制的BP神经网络控制器与PID相结合的先进PID控制改进方法,解决了DC/DC变换器传统控制算法中稳态误差大、控制响应时间长的问题。同时也建立了微网模型,并应用改进算法进行了仿真。仿真结果表明,所提出的改进方法能够有效地改善DC/DC变换器端电压的控制效果,使超级电容器储能系统能有效地平抑微网在并网状态下PCC点的功率波动。     

空压机余热回收模糊神经网络控制算法

文中以对螺杆式空压机余热回收系统的余热回收最大化及热量精确控制为目的,首先构建余热回收系统的热力学模型,建立热平衡方程式。并针对该余热回收系统大超调量、易振荡和低控制精度的特性,设计了模糊神经网络控制算法以提高系统的控制精度和稳定性。利用matlab的simulink平台对模糊神经网络控制算法进行计算机仿真,仿真结果完全满足控制要求,而且效果良好。     

基于模糊约束控制的WSN功率分配均衡器设计

对无线传感器网络(WSN)进行功率分配均衡控制设计,提高无线传感器网络的寿命,降低传感器网络节点的能量损耗,当前的WSN功率分配采用自组网交叉均衡机制,随着组网节点的增多导致功率分配不均衡。提出了一种基于模糊约束控制的WSN功率分配均衡器设计方法,首先进行WSN功率分配均衡组网设计,采用模糊约束PID神经网络控制算法进行WSN的功率分配均衡控制,进行功能模块化设计整个控制系统包括了预处理机模块、A/D转换模块、动态增益控模块、放大器模块、滤波模块和电源模块。采用ADSPBF537程序加载方式对控制算法进行DSP加载,实现均衡器的集成电路设计。仿真结果表明,该系统能有效实现WSN的功率分配均衡,节点剩余能量方差一直维持在最低,对WSN节点的能耗控制精度较高,降低了WSN的节点能量开销。     

基于GA-BP的电站锅炉NOx排放特性建模研究

NOx排放模型是电站锅炉实时控制系统的基础。针对普通BP神经网络建模方法收敛速度慢和易陷于局部极值点的问题,提出基于遗传算法（GA）优化BP神经网络的建模方法。通过电站锅炉热态试验获取样本数据,对BP网络隐节点数进行优化后,建立了GA-BP模型。相比BP神经网络模型,该模型训练时间短,拟合误差大大降低。仿真试验表明：GA-BP模型性能得到改善,泛化能力明显提高,能准确预测NOx排放。GA-BP模型可为运行人员提供指导,也可作为电站锅炉实时控制系统的基础模型。     

子波神经网络在柴油机电控燃油喷射系统中的应用

本文论述了子波神经网络的应用背景，研究了子波神经网络的结构和算法及其在柴油机电控燃油喷射系统中的应用，并与BP神经网络进行了比较。结果表明：子波神经网络具有收敛速度快，逼近性好，学习精度高等优点。     

神经网络自学习PID控制器的研究

从兼顾人工神经网络控制系统自学习能力和实时性角度出发，通过构建新的人工神经网络自学习PID控制器的结构，控制系统的样本拾取，更新与优化均采用在线学习方式，使控制系统具有较强的自学习能力。在分析了目前广为应用的多层前向神经网络误差反向传播算法(BP)的局限性及原因的基础上，提高了改进的BP算法-自适应动量项BP算法。从而提高了神经网络的收敛速度和收敛精度，并通过实例验证了自学习PID控制器的可行性及改进算法的合理性。图6参4     

B样条基函数模糊神经网络控制系统及其混合学习算法

介绍了一种基于模糊B样条基函数神经网络的控制器,该控制器将模糊控制的定性知识表达能力、神经网络的定量学习能力和B样条基函数优异的局部控制性能相结合,采用B样条基函数作为模糊隶属函数。还提出了模糊神经网络控制器的混合学习算法,即先采用免疫遗传算法离线优化,再采用BP梯度算法在线调整。对锅炉主蒸汽温度控制的仿真结果表明了此法的可行性和有效性。图4参3     

基于灰色关联分析-GA-BP模型的叶绿素a含量预测

为提高水体叶绿素a预测精度和收敛速率,提出一种基于灰色关联度分析和遗传算法优化BP神经网络预测水体叶绿素a的方法。即先采用灰色关联度分析法选取合适的水质指标作为输入因子,然后优化网络隐含层的结构参数,引入遗传算法优化BP神经网络的初始权值和阈值,最后以预测太湖叶绿素a为例进行比较分析。结果表明,优化神经网络隐含层数能进一步提高网络的预测精度、缩短训练时间;灰色关联分析-GA-BP模型相较于BP、GA-BP模型具有更高的预测精度和收敛速度,可为控制水环境监测和决策平台提供科学依据。     

采用模糊小波基函数神经网络的控制系统及混合优化算法

提出了一种采用模糊小波基函数神经网络的控制器,该控制器采用小波基函数作为模糊隶属函数,利用神经网络实现模糊推理,并可对隶属函数进行实时调整,从而使控制器具备更强的学习和自适应能力.还提出了控制器参数的混合学习算法,即先采用混沌算法离线优化,再采用BP梯度算法在线调整.对锅炉主蒸汽温度控制的仿真结果表明了此法的可行性和有效性.图3参6     

基于BP神经网络和GA-PID的超超临界锅炉系统解耦控制研究

直流锅炉运行中,给水调节和燃料调节十分重要,但其各变量之间存在强耦合关系。本文针对1 000 MW超超临界机组直流锅炉中燃料和给水协调控制对象参数多变、强耦合的特点,提出了一种改进权值调整的BP神经网络分散解耦智能方法,实现系统解耦,然后采用遗传算法PID(GA-PID)控制方法对解耦后近似独立的两组对象进行控制。仿真结果表明:BP神经网络分散解耦算法具有很强的非线性映射能力和自适应解耦能力,GA-PID具有良好的控制效果,所设计的系统具有较强的鲁棒性,解耦控制方案能够达到理想的效果。     

应用神经网络模糊控制器的发动机怠速控制

应用模糊控制理论设计了一个用于发动机怠速控制的模糊控制器,并用ＢＰ人工神经网络实现这种模糊控制器输入输出的映射关系,在神经网络训练中采用了先进、有效的变尺度学习算法。最后给出了控制仿真结果。     

基于BP神经网络的并联型有源电力滤波器直流侧电压PID控制设计

在传统的基于PI控制的有源电力滤波器直流侧电压控制方法的基础上,针对PI控制方法的不足,提出了基于BP神经网络的并联型有源电力滤波器直流侧电压的PID控制。该方法充分发挥了神经网络具有逼近任意非线性函数的能力,具有动态响应快、超调小、静态误差小的特点,并且实现简单,满足多种变化负载情况下的有源电力滤波器直流侧电压控制要求。对BP神经网络结构进行了设计并推导出隐含层和输出层加权系数计算公式,同时给出了BP神经网络学习算法流程图。通过Matlab对其控制效果进行了仿真研究。     

Performance prediction of wet cooling tower using artificial neural network under cross-wind conditions

This paper describes an application of artificial neural networks (ANNs) to predict the thermal performance of a cooling tower under cross-wind conditions. A lab experiment on natural draft counter-flow wet cooling tower is conducted on one model tower in order to gather enough data for training and prediction. The output parameters with high correlation are measured when the cross-wind velocity, circulating water flow rate and inlet water temperature are changed, respectively. The three-layer back propagation (BP) network model which has one hidden layer is developed, and the node number in the input layer, hidden layer and output layer are 5, 6 and 3, respectively. The model adopts the improved BP algorithm, that is, the gradient descent method with momentum. This ANN model demonstrated a good statistical performance with the correlation coefficient in the range of 0.993–0.999, and the mean square error (MSE) values for the ANN training and predictions were very low relative to the experimental range. So this ANN model can be used to predict the thermal performance of cooling tower under cross-wind conditions, then providing the theoretical basis on the research of heat and mass transfer inside cooling tower under cross-wind conditions.     

基于互信息和PID神经网络的SCR脱硝扰动补偿控制

针对火电厂选择性催化还原(Selective Catalytic Reduction,SCR)烟气脱硝系统机理复杂,工况变化时呈现的不确定性、强扰动等特点,提出了一种基于互信息和PID神经网络的SCR烟气脱硝扰动补偿控制方法。利用PID前向神经网络的学习性能逼近被控对象的逆构成扰动观测器对系统进行反馈补偿,以达到超前消除系统扰动的目的。选取观测扰动和系统扰动的互信息为目标函数,采用改进的帝国竞争算法实现PID神经网络权值的优化调整。设计鲁棒PID控制器来进一步克服被控对象存在的不确定性。仿真实验表明,该方法具有突出的抗干扰能力和较好的鲁棒性,控制品质优于常规的PID控制。     

遗传算法优化BP神经网络在求解水文地质参数中的应用

针对BP神经网络算法收敛速度慢、遗传算法搜索速度慢,两者单独求取水文地质参数效果不佳,结合两种算法的优点,采用遗传算法优化的BP神经网络方法求解水文地质参数,提高了运算速度和结果的准确性。以某抽水井为例,对比四种常见方法与本文算法的计算误差,结果显示采用遗传算法优化的BP神经网络方法求解水文地质参数误差最小,求参结果更为可靠。