共查询到20条相似文献,搜索用时 171 毫秒
1.
2.
针对两电机变频调速系统中非线性逆模型辨识困难的问题,提出基于支持向量机的逆系统控制新方法。在同步旋转坐标下,建立两电机变频系统的数学模型,并进行了可逆性分析。通过支持向量机回归的方法来辨识构造原系统α阶逆系统,将辨识出的逆系统串接在原系统之前构成伪线性复合系统,再设计附加闭环控制器进行控制。试验结果表明,该方法不依赖于系统模型,对电机参数摄动及负载扰动具有较强的鲁棒性。 相似文献
3.
支持向量机(SVM)具有很强的非线性逼近能力与泛化能力,文章研究了基于SVM的非线性系统逆模型辨识,并设计了基于模糊控制补偿的SVM逆控制系统.由SVM辨识的逆模型作为前馈控制器,形成直接逆模型控制器.同时,设计模糊控制器构成反馈补偿控制,克服逆模型的建模误差,提高系统鲁棒稳定性.仿真研究表明,SVM具有优良的逆模型辨识能力,基于模糊控制补偿的支持向量机逆控制系统的动态性能好、跟踪精度高、鲁棒稳定性强. 相似文献
4.
5.
6.
为了进一步增强永磁同步发电系统发电运行的稳定性,要求控制策略对发电机参数变化及各种不确定干扰具有较强的鲁棒抑制能力。结合非线性反馈线性化技术和内模控制技术,提出一种新型永磁同步发电机(permanent magnetsynchronous generator,PMSG)控制策略。该控制策略以PMSG定子静止坐标系中数学模型为内模,采用一阶低通滤波器将实际电机与内模二输出之差动态系统扩张成一个新型非线性误差系统。基于该扩张系统,根据输入–输出反馈线性化理论推导出定子电压矢量给定。实验结果表明,采用所提控制策略的发电系统具有理想的电磁转矩和定子磁链幅值跟踪性能;对发电机参数变化及负载扰动具有强的鲁棒抑制能力;直流输出电压控制迅速而平稳,系统运行噪音小。 相似文献
7.
8.
9.
基于最小二乘支持向量机的多变量逆系统控制方法及应用 总被引:6,自引:1,他引:5
为提高多变量、非线性和强耦合系统的动态特性和解耦能力,解决逆模型辨识问题,讨论了基于最小二乘支持向量机(least squares support vector machines,LS-SVM)的多变量逆系统解耦控制方法。通过分析LS-SVM的函数拟合特性,离线建立被控对象的非线性逆模型,将得到的逆模型直接串接在原对象之前,原系统被解耦成多个独立的单变量伪线性子系统。为克服直接逆模型的建模误差,提高系统鲁棒稳定性,提出了复合控制方法,其中直接逆模型作为前馈控制器,而用PID控制器作为反馈控制器。文中还分析了球磨机控制系统的特点,并进行了仿真控制研究,仿真结果表明该复合控制方法不依赖于系统的精确数学模型,且解耦能力强、鲁棒稳定性好、跟踪精度高。 相似文献
10.
两电机调速系统神经网络广义逆在线调整控制 总被引:1,自引:0,他引:1
针对多输入多输出(MIMO)非线性强耦合的两电机变频调速系统,对系统数学模型进行广义逆存在性分析,推导出系统的广义逆数学表达式,进一步构造神经网络广义逆系统串联在两电机系统之前,组成基于广义逆的伪线性复合系统,实现MIMO系统的线性化与解耦。在神经网络逆系统离线训练的基础上提出在线训练的控制方法,在电机的运行过程中对网络进行在线训练,不断修正网络权值,使网络适应环境的变化,增强其鲁棒性,更精确地逼近其逆系统。实验证明在用PLC作为主控制器的控制过程中,神经网络不断进行自我调整,增强了神经网络的适应性,提高了系统的稳定性和鲁棒性。 相似文献
11.
最小支持向量机在系统逆动力学辨识与控制中的应用 总被引:3,自引:1,他引:2
为克服支持向量机(support vector machine,SVM)在线辨识过程需要较大的内存开销的问题,该文将递推最小二乘法(recursive least square,RLS)与最小二乘支持向量机(least squares support vector machine,LS-SVM)回归相结合,利用RLS在线调整支持向量机的权向量和偏移量,实现了系统逆动力学模型的在线辨识。在获得逆动力学模型的基础上,设计了一种基于逆动力学递推最小二乘支持向量机的控制算法,利用RLS在线调整控制器参数。过热汽温辨识和控制的仿真结果表明,辨识出的逆动力学模型具有较高的精度,所设计的控制器能获得较好的控制性能和有较强的适应能力。 相似文献
12.
针对逆变器系统的本身特点,提出一种基于最小二乘支持向量机的前馈学习控制策略,该控制结构由前馈控制和反馈控制两部分组成,在该控制算法中,利用最优控制理论来整定PID控制器的参数,并采用最小二乘支持向量机作为前馈学习控制系统中的函数逼近器来建模逆变器的逆动态,仿真实验表明所设计的控制策略有效地提高了逆变器的抗负载干扰的性能. 相似文献
13.
14.
S. Iplikci 《International Journal of Adaptive Control and Signal Processing》2006,20(10):599-621
In this work, an online support vector machines (SVM) training method (Neural Comput. 2003; 15 : 2683–2703), referred to as the accurate online support vector regression (AOSVR) algorithm, is embedded in the previously proposed support vector machines‐based generalized predictive control (SVM‐Based GPC) architecture (Support vector machines based generalized predictive control, under review), thereby obtaining a powerful scheme for controlling non‐linear systems adaptively. Starting with an initially empty SVM model of the unknown plant, the proposed online SVM‐based GPC method performs the modelling and control tasks simultaneously. At each iteration, if the SVM model is not accurate enough to represent the plant dynamics at the current operating point, it is updated with the training data formed by persistently exciting random input signal applied to the plant, otherwise, if the model is accepted as accurate, a generalized predictive control signal based on the obtained SVM model is applied to the plant. After a short transient time, the model can satisfactorily reflect the behaviour of the plant in the whole phase space or operation region. The incremental algorithm of AOSVR enables the SVM model to learn the new training data pair, while the decremental algorithm allows the SVM model to forget the oldest training point. Thus, the SVM model can adapt the changes in the plant and also in the operating conditions. The simulation results on non‐linear systems have revealed that the proposed method provides an excellent control quality. Furthermore, it maintains its performance when a measurement noise is added to the output of the underlying system. Copyright © 2006 John Wiley & Sons, Ltd. 相似文献
15.
两电机变频调速系统的神经网络广义逆解耦控制 总被引:2,自引:0,他引:2
两电机变频调速系统是一个多输入多输出(multi-input multi-output,MIMO)非线性强耦合的控制系统。神经网络广义逆控制方法不但可以实现MIMO系统的线性化与解耦,而且通过合理地调节广义逆系统的参数,可以使解耦后的单输入单输出(single-input single-output,SISO)系统具有开环稳定的特性,从而有利于系统的综合。论文对变频器工作在矢量控制方式下的系统数学模型进行广义逆存在性分析,进而导出系统的广义逆数学表达式。进一步构造神经网络广义逆系统串联在两电机系统之前,组成基于广义逆的伪线性复合系统。基于S7-300PLC试验平台,分别研究伪线性复合系统的开环特性和闭环特性,试验结果表明神经网络广义逆控制方法不但可以实现系统的解耦,而且可以使伪线性化后的子系统开环稳定,附加闭环控制器的问题就迎刃而解。 相似文献
16.
吴婷 《上海电机学院学报》2012,15(3):171-176,183
针对自发脑电信号的特征分类,将基于支持向量机(SVM)的算法应用于脑机接口(BCI)系统,提出一种基于自适应遗传算法优化SVM模型参数的脑电信号分类算法,获得最佳的分类性能。以基于小波包分解得到的系数均值和子空间能量作为特征向量,利用BCI 2005data setⅢb标准数据分析了该方法的实验背景和理论依据,并与基于经验SVM的分类结果、基于普通遗传算法优化SVM参数的分类结果、基于概率神经网络的分类结果以及竞赛的最好精度进行了比较,表明所提出方法运用在实际系统中的有效性和优越性。 相似文献
17.
Particle swarm optimization-least squares support vector regression based forecasting model on dissolved gases in oil-filled power transformers 总被引:4,自引:0,他引:4
Ruijin LiaoHanbo Zheng Stanislaw GrzybowskiLijun Yang 《Electric Power Systems Research》2011,81(12):2074-2080
This paper presents a forecasting model based upon least squares support vector machine (LS-SVM) regression and particle swarm optimization (PSO) algorithm on dissolved gases in oil-filled power transformers. First, the LS-SVM regression model, with radial basis function (RBF) kernel, is established to facilitate the forecasting model. Then a global optimizer, PSO is employed to optimize the hyper-parameters needed in LS-SVM regression. Afterward, a procedure is put forward to serve as an effective tool for forecasting of gas contents in transformer oil. The application of the proposed model on actual transformer gas data has given promising results. Moreover, four other forecasting models, derived from back propagation neural network (BPNN), radial basis function neural network (RBFNN), generalized regression neural network (GRNN) and support vector regression (SVR), are selected for comparisons. The experimental results further demonstrate that the proposed model achieves better forecasting performance than its counterparts under the circumstances of limited samples. 相似文献
18.
基于广义学习矢量量化和支持向量机的混合短期负荷预测方法 总被引:1,自引:0,他引:1
提出了一种基于广义学习矢量量化的负荷特征聚类方法,既考虑了专家经验的指导,同时兼备人工神经网络强大的非线性处理能力。归纳提取的负荷、气象综合指数更能反映日负荷的基本特征,同时减少了网络输入层的维数。实际预测结果表明,综合了广义学习矢量量化和支持向量机的混合短期负荷预测方法无论是在聚类准确度方面,还是在预测准确度方面,与单纯的支持向量机算法和自组织特征映射与支持向量机的混合算法相比,均具有明显的优势。 相似文献
19.
混沌理论和支持向量机结合的负荷预测模型 总被引:2,自引:2,他引:0
根据电力负荷序列的混沌特性,提出混沌理论和蚁群优化支持向量机结合的电力系统短期负荷预测新方法,以相空间重构理论确定支持向量机的输入量个数;iJII练样本集由对应预测相点的最近邻相点集构成,且是按预测相点步进动态相轨迹生成;采用蚁群优化算法对支持向量机敏感参数进行优化,从而可增强预测模型对混沌动力学的联想和泛化推理能力,提高负荷预测的精度和提高预测稳定性.对某地区负荷系统日、周预测仿真测试,证明其可获得稳定的较高预测精度. 相似文献
20.
为了设计性能更优的支持向量机(SVM)分类模型,对影响其分类性能的参数和样本特征子集进行优化选择,对支持向量机理论和万有引力搜索算法(GSA)进行了研究,提出了一种基于二进制万有引力搜索算法(BGSA)的支持向量机分类模型构建方法,能够对影响支持向量机分类性能的相关参数及有效样本特征子集同时进行优化选择,获得最优组合解,并通过实验对其有效性进行了对比分析和验证。实验结果表明,所提出的BGSA-SVM分类模型能够有效提高支持向量机的分类性能,可进一步推广到工程实际中应用。 相似文献