基于神经网络的电力系统控制器在线自学习研究

分析了现有的基于人工神经网络的电力系统实时控制器设计与训练中存在的问题,在此基础上提出了一种新的具体训练样本在线自动生成能力的电力系统实时控制器设计方案,从理论上论证了该方案的可行性,并依据这一方案实现了神经网络电力系统稳定器的设计,在线训练与控制的仿真结果均以分显示出该方案的优越性。     

多机电力系统附加NNPSS的在线学习神经网络逆励磁控制器

为提高发电机机端电压和转速的综合控制性能,设计了附加神经网络电力系统稳定器(NNPSS)的在线学习神经网络逆(OLANNI)励磁控制器。针对多机系统同步发电机组模型,根据逆系统方法得到发电机励磁系统的逆系统的表达形式,并通过离线训练得到发电机励磁系统的神经网络逆系统。借鉴传统的AVR/PSS控制方法,并考虑到其对电力系统不确定性的自适应能力的不足,在离线训练的基础上分别设计了自适应的OLANNI、NNPSS以取代传统的AVR、PSS,给出了基于在线梯度算法的OLANNI和NNPSS的在线学习算法,并根据Lyapunov稳定性理论证明了OLANNI和NNPSS在线学习的收敛性。将设计的控制器应用于一个典型的2区域4机系统,仿真研究结果表明:在系统遭受扰动时,所设计的控制器较AVR/PSS和OLANNI控制器具有更好的综合控制性能。     

利用神经网络进行电力系统在线预报

负荷在线预报是实现电网计算机在线控制的重要环节。预报的准确性和快速性在一定程度上决定着电网控制质量的优劣。由此出发，产生改进的共轭梯度法，保存了误差向向传播网（ＢＰＮ）精度高的特点，又明显地改进了快速性。文章论述人工神经网络（ＡＮＮ）在线负荷预报的原则和实现方法，并通过实例，说明如何运用改进的共轭梯度法对电力系统负荷进行快速预报。在预报中，由于随时采用新的负荷信息修改模型参数，故误差较小，该方法简     

基于神经网络计及死区的PWM在线解法研究

特定消谐脉宽调制（PWM）技术是一种基于对以消除低次谐波为目标的非线性方程组的求解方法。传统的离线求解法使PWM技术在实际应用中的录活性受到很大限制尤其对那些频率的幅值都需要调节的场合。文章提出了一种基于神经网络的在线PWM方程解法,并论述了其机理及实现方法,解决了特定消谐PWM技术在应用中的“瓶颈”问题（即实时求解PWM开关角问题）。最后信真验证了所得解的正确性。这一技术克服了离线方式下PWM技术的调制比不能实时调节的缺陷,因此使其在电能变换等领域具有广阔的应用前景。     

电力系统自适应稳定控制装置及其在线实时控制

基于现代电力系统的复杂性，现有的稳定控制装置按离线策略表方式只能考虑单纯的动态模型，按故障区段、故障类型发出控制命令，不能实时在线考虑事件约束，往往导致控制失准，不能防止电力系统发生灾变事故时造成大面积停电。作者研制的电力系统自适应稳定控制装置采用分散协调解耦控制可同时满足按运行工况及具体故障严重程度在线实时控制的要求，达到有效地防止系统失稳，杜绝大面积停电。     

电力系统有功功率与频率的神经网络自校正控制

本文基于动态神经网络设计了一种电力系统有功功率与频率的自校正控制器，这种控制器主要由神经网络估计器和神经网络控制器所构成，前者完成对系统模型的动态辨识，后者则实现对发电机有功功率的调整，达到控制系统频率的目的，仿真实验证明了这种负荷频率控制器有效性。     

基于模糊神经网络的机器人自学习控制

研究了一种模糊神经网络与传统PD控制相结合的机器人学习控制系统,该控制系统具有自学习、自适应、控制精度高等特点。     

电力系统自组织模糊神经网络稳定器

本文提出一种自组织模糊神经网络稳定器，首先根据专家经验知识构成稳定器模糊模型，然后用自组织模糊神经网络来表示这个模型，最后通过组织误差修正学习来实现模型的自适应过程，仿真试验表明它比普遍模型稳定器性能优且有较好的鲁棒性。     

基于小波神经网络的在线警报处理系统

利用小波变换在信号处理方面的时频分析能力和神经网络对任意非线性函数的普通的逼近能力，提出了一个基于小波神经网络的电力系统故障段辨别方法。故障诊断系统依据保护继电器和断路器的采样信息估计电力系统中故障段的位置。仿真结果显示，小波神经网络故障诊断系统能正确估计电力系统单一故障和多重故障的位置，即使在电力系统中存在保护继电器和断路器误动或拒动的情况下，小波神经网络也能给出合理的结果。测试结果表明，小波神经网络在电力系统警报处理系统中有良好的应用前景。     

基于神经网络的模型跟踪自校正励磁控制研究

运用神经网络技术完成电力系统被控模型的精确在线辨识，在寻求具有良好稳定性能和强鲁棒性的参考模型基础上，完成了发电机励磁自校正调节器的设计，并通过计算机仿真给出控制结果，与固定点线性最优励磁方式相比，具有更强的稳定性能和动态品质。     

神经网络电力系统稳定器之研究

基于动态神经网络构造了一种电力系统稳定器(NNPSS)通过单、多机数字仿真研究了神经网络控制器应用于电力系统实时控制所面临的两个问题：未知扰动下控制输出的合理性；(2)单机—无穷大母线系统下训练的控制器在多机系统中的控效果。文章详细介绍了NNPSS的设计思想，训练样本选取单、多机仿真结果分析。     

基于神经网络的火电机组运行诊断专家系统

在SIS平台上，融合神经网络和模式识别等技术，设计出由网络规则编辑器和神经网络推理机等构成的火电机组运行诊断专家系统。通过详细的故障仿真试验，运用该系统对660MW机组进行了诊断实例分析，获得了良好的故障识别效果。     

一种基于人工神经网络的电力谐波测量方法

提出了一种新颖的电力谐波测量方法,它用一个多层前馈神经网络替代模拟并行式谐波测量装置中的带通滤 波器,使各次谐波都可以用这个训练过的神经网络测量出来。阐述了该神经网络训练样本的组成和训练方 法。对一含有谐波的畸变电流的仿真结果说明了这种测量方法的有效性。     

基于神经网络的电力系统状态估计

本文以Tank和Hopfield神经网络为基础，建立了一种由主从网络构成的电力系统状态估计神经网络模型。理论分析和实例模拟结果表明：该网络是稳定的，该方法是可行有效的。     

神经网络逆系统及其在电力系统控制中的应用

阐述和证明了基于输入输出微分方程描述的系统可逆性的充分条件,并给出了相应的解析逆系统的实现方法。文中同时研究了采用积分器和静态神经网络组成动态神经网络结构的方法,并将这种神经网络结构与逆系统理论相结合,提出了神经网络α阶逆系统的结构及其实现步骤,运用该神经网络α阶逆系统对TCSC控制器进行了设计。实际系统的仿真结果证实了所设计控制策略的有效性。     

基于人工神经网络的电力线路损耗计算

本文介绍了一种采用人工神经网络进行电力网线损值的计算方法,比较传统方法而言,具有计算速度快、计算精度高和适用面广的优点。     

基于人工神经元网络的电力系统谐波测量方法

提出了了一种基于人工神经网络（ＡＮＮ）的电力系统谐波测量方法。所设计的谐波测量系统在线训练ＡＮＮ,具有二级滤波,可实时并行测量指定各次谐波的幅和相位,仿真结果证实了该测量的有效性。     

多机电力系统神经网络最优励磁控制器

针对多机电力系统，提出了一种基于辨识的神经网络实时最优控制器(NNOEC)，在所设计的控制器中，神经网络被用来根据系统状态量的变化实时调整最优控制的反馈增益矩阵，使控制器能够适应不同的运行点和干扰种类。并始终提供最优控制输出。针对多机系统中神经网络训练样本不易获得的问题，提出了一种等效的设计方法，并采用非线性最小二乘辨识法对系统参数进行辨识，在辨识的基础上通过线性最优控制理论计算出用于神经网络训练的样本。三机系统中的数字仿真结果表明，所训练出的NNOEC能够适应系统运行方式的大范围变化，在大小扰动下均表现出良好的控制性能。     

基于神经网络的自适应电力系统稳定器

为彻底解决常规自校正控制器中受控系统参数难以识别的问题,提出了一种可以根据受控系统运行工况自动调整控制参数的新型自适应控制。在这种自适应控制中,人工神经网络被用来对受控系统的运行状态进行辨识。根据系统辨识的结果,控制器可按照传统PID控制器的设计原则自动调整控制器参数,达到最佳的控制效果。根据所提出的原理,设计了一种变参数自适应PID型电力系统稳定器（NNPIDPSS）。将设计的NNPIDPSS用于单机-无穷大电力系统和具有多模振荡特性的多机电力系统,仿真结果表明了其有效性。     

基于L-M算法的火电厂实时数据神经网络预测模型研究

提出了一种建立在BP神经网络上的基于Levenberg-Marquardt(简称L-M)算法的火电厂实时数据神经网络预测模型,以减少训练次数和提高训练精度.通过对某电厂300MW机组高压加热器进口温度进行训练和校核,分析了数据预处理的重要性.仿真结果表明,该模型能够获得未来时刻合理的预测结果,可用于缺失数据补充和实时数据校核,提高数据可靠性,适用于在线对未来状态的评价,为状态检修提供参考依据.