永磁同步电机的神经网络逆动态解耦控制

永磁同步电机是一个非线性、强耦合系统，应用神经网络逆系统方法对永磁同步电机进行动态解耦控制研究。通过对永磁同步电机的数学模型可逆性分析，得出解析逆系统，由解析逆系统与永磁同步电机原系统复合成两个伪线性子系统来构造神经网络逆系统，使永磁同步电机动态解耦成二阶线性转速子系统和一阶线性磁链子系统，并采用鲁棒伺服控制器对伪线性子系统进行线性闭环控制器的设计，实现永磁同步电机转速和定子磁链的动态解耦，仿真表明系统具有良好的动静态性能。     

过热汽温模糊神经网络预测控制器的设计

针对锅炉过热汽温的特点，设计前馈—反馈串级复合型控制系统。主控制器采用基于神经网络预测模型的模糊神经控制，即该控制器首先是将神经网络与预测控制相结合，采用改进的递阶遗传算法对神经网络的权值和结构同时进行训练，实现了非线性、大时滞系统模型的精确预测；然后将模糊控制与神经网络相结合，实现模糊神经预测控制。副控制器采用二自由度PID控制器。仿真结果表明，该控制显著提高锅炉过热汽温这一非线性、大时滞系统的控制品质，且易于工程实现。     

可控串联电容补偿的模糊神经网络控制

在可控串联电容补偿控制中,针对电力系统模型及运行参数的不在确定性,应用神经网络和模糊控制理论设计了非一控制器。从线性最优控制器设计值中提取出经验规则,将模糊化后的变量引入神经网络结构,采用变尺度算法对网络参数优化,解模糊后得到反馈增益矩阵。仿真结果表明该控制器对系统静态稳定和暂态稳定均有良好效果。     

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。     

矢量控制神经网络线性二次型调节器的设计

本文给出了一种矢量控制神经网络线性二次型调节器的设计方法。将感应电机模型近似成五阶线性时变系统,以此来设计线性二次型状态反馈控制器,并由神经网络来表示状态反馈增益与转速的映射关系,从而实现对感应电机的控制。系统无需自适应算法就可获得较强的鲁棒性。仿真结果表明该调节器可获得优良的动、静态调速性能。     

基于DHP方法的PEM燃料电池优化控制器设计

质子交换膜燃料电池(PEMFC)系统具有明显的非线性和时变的特质,因此质子交换膜燃料电池的建模和优化控制问题是研究的重点。通过建立单体质子交换膜燃料电池的近似线性动态模型,并在此模型基础上,设计了基于双启发式动态规划(DHP)的质子交换膜燃料电池神经网络优化控制器。仿真结果表明,此近似线性模型有效地简化了非线性和时变的特质,在此模型基础上所设计的神经网络控制器具有更好的控制效果和控制精度。     

交流伺服系统的神经网络控制及其性能改进方法

应用神经网络控制系统和模糊控制器各自优点，设计出高精度快响应交流伺服的位置控制器，并对神经网络算法进行快速运算的改进，对实际模型进行仿真，结果表明采用本文的控制器能逃跑伺服系统高精度快响应的要求。     

带有前馈和神经网络补偿的机械手系统轨迹跟踪控制

针对机械手系统的轨迹跟踪控制,提出一种带有前馈和神经网络补偿的机械手控制策略,该控制策略由比例微分(proportional-derivative,PD)控制器、前馈补偿器和神经网络补偿器组成。首先通过实验数据辨识出机械手系统的近似线性模型,并基于此线性模型设计PD控制器的参数和前馈补偿器,采用神经网络来补偿近似模型与实际模型的偏差。该方法不需要建立机械手系统复杂的动力学模型,仅需要系统的输入输出数据,既保留PD控制器的优势,又保证了系统的控制性能。最后,在机械手平台上进行物理实验研究,实验结果表明:所提的控制策略实现简单,同时保证了系统的控制精确度。     

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。     

改进的BP神经网络PID控制器在温室环境控制中的研究

为了更好的实现对温室环境系统的智能控制,针对温室环境系统存在非线性、强耦合、大滞后、强时变等问题,在分析BP神经网络技术的基础上,提出并设计出一种基于遗传粒子群优化的BP神经网络PID控制器,该控制器结合遗传算法强全局搜索能力以及粒子群算法强局部搜索能力和收敛速度快的特点,对神经网络的权值进行优化,对温室环境系统起到了有效的控制。最后对常规和改进后的BP神经网络PID控制器进行仿真对比研究。仿真结果表明,经过改进后的BP神经网络PID控制有更好的稳定性和鲁棒性。     

Reference Model with an Adaptive Hermite Fuzzy Neural Network Controller for Tracking a Synchronous Reluctance Motor

This article presents a reference adaptive Hermite fuzzy neural network controller for a synchronous reluctance motor. Although synchronous reluctance motors are mathematically and structurally simple, they perform poorly under dynamic modes of operation because certain parameters, such as the external load and non-linear friction, are difficult to control. The proposed adaptive Hermite fuzzy neural network controller overcomes this problem, as using the Hermite function instead of the conventional Gaussian function shortens the training time. Furthermore, the proposed adaptive Hermite fuzzy neural network controller uses an online self-tuning fuzzy neural network to estimate the system's lumped uncertainty. The estimation method involves a fuzzy controller with expert knowledge of the initial weight of the neural network. Finally, the Lyapunov stability theory and adaptive update law were applied to guarantee system convergence. In this article, the responsiveness of the adaptive Hermite fuzzy neural network controller and an adaptive reference sliding-mode controller is compared. The experimental results show that the adaptive Hermite fuzzy neural network controller markedly improved the system's lumped uncertainty and external load response.     

基于模糊神经网络PID的锅炉汽包水位控制

将基于模糊神经网络的PID控制器作为给水控制系统的锅炉汽包水位调节器,可实时整定PID控制器的参数,以适应控制系统的要求。仿真结果表明,基于模糊神经网络的PID给水控制系统的响应快速性、调节平稳性及抗干扰能力均优于常规的PID控制器。     

基于模糊神经解耦控制的双馈水轮发电机系统仿真

双馈水轮发电机系统是一个涉及水力、水轮机和发电机的综合复杂系统。针对系统具有多变量、非线性、强耦合和参数不确定性的特点，本文提出了一种两级串联结构的自适应模糊神经网络解耦控制策略，前级为基于智能权函数规则的自调整模糊控制器，后级为基于动态耦合特性的自适应神经网络解耦控制器，并从理论上证明了学习算法的收敛性。为了验证所提出控制策略的有效性和正确性，本文对双馈水轮发电机系统在水力、水轮机和发电机参数变化时的鲁棒性分别进行了仿真研究。与常规PID控制的仿真结果比较表明，提出的解耦控制策略能较好地克服参数变化和对象模型结构变化对运行性能的影响，具有鲁棒性好，解耦能力强的优点。     

基于GPS同步量测量的时间序列法暂态稳定预测

利用GPS同步时钟获得系统各机组的功角,然后由时间序列法进行预测,并通过模糊控制器实行在线实时修正,进而确定电力系统暂态稳定性。由于所有参数都是根据实时采样数据计算的,所以能更准确地反映网络结构,负载变化等真实情况。对6机22节点的算例表明,通过多项式非线性回归和模糊动态修正,在适当满足计算速度的条件下提高了预测精度,能可靠地判断暂态首摆稳定性。     

可控串补自适应模糊阻尼控制策略研究

早期的模糊控制器设计,主要依赖于专家经验,而且只是采用近似推理的方法。针对可控串补非线性系统,设计了一种直接自适应模糊控制器。建立模糊控制器逼近误差和控制器参数之间的线性关系,用Lyapunov稳定性理论设计参数的自适应律,不仅调节模糊规则结论参数,同时调节隶属函数的参数。将该控制策略应用于含可控串补电力系统中,提出可控串补自适应模糊阻尼控制器的设计方法。仿真表明该控制器对系统发电机摇摆具有良好的阻尼作用,提高了系统的稳定性。     

基于T-S模型的自校正模糊控制器及在串励电机调速中的应用

针对受控对象的非线性和参数不确定及时变特性,提出了一种基于T-S模型的自校正模糊控制器,采用梯度法对该模糊控制器参数进行在线调整和修正,利用李雅普诺夫稳定性理论对该控制器的稳定性进行了分析,得到了保证控制系统稳定的充分条件,并进行了仿真研究。仿真和实验结果表明,将其应用于单相串励电机的速度调节算法中,其输出性能指标优于传统的PID控制器,该自校正模糊控制器对参数不确定或时变及非线性受控对象均具有良好的动态响应特性和鲁棒性。     

一种参数自整定模糊PID控制器的研究

讨论了一种参数自整定模糊PID控制器的设计结构 ,给出了预估计PID参数值的经验公式和方法 ,并介绍了模糊推理规则和仿真过程。该结构基于模糊推理进行参数整定 ,MATLAB仿真结果表明该控制器具有良好的稳态精度和自适应能力     

基于强化学习算法的自适应直流附加阻尼控制器

提出了基于强化学习算法的直流附加阻尼控制器。控制器主体采用模糊神经网络,利用由系统性能指标生成的强化信号在线训练控制器参数。与传统的模糊控制器相比,由于该控制器采用自适应启发式评价算法,将系统输出性能指标转化为强化信号反馈给控制器,使其能够在线修改控制器参数,因此有效地克服了传统阻尼控制器的设计对系统精确数学模型的依赖。仿真结果表明,与传统的阻尼控制器相比,基于强化学习算法的直流附加阻尼控制器能够有效地抑制区域间的功率振荡,提高交直流系统的动态稳定性,并且对多种运行方式具有一定的鲁棒性。     

微型水力发电机组的T-S模糊神经网络控制器

随着能源短缺现象的加剧,全球能源互联网的提出,微型水力发电越来越被人们重视。详细分析了模糊控制、神经网络以及TS模糊神经网络结构和算法,针对微型水力发电机系统的非线性和时变性的特点,构件了微型水力发电机组的T-S模糊神经网络控制器,采用MATLAB/Simulink仿真软件,在动态负载条件下对该微型水力发电机组进行仿真,分析了突甩负载和突加负载对机械功率、转子速度、频率和电压的影响,并与PID控制器进行比较。其仿真结果表明,所建立的T-S模糊神经网络控制器动态特性模型符合工程实际,满足系统的稳定性要求,具有良好的稳定性和鲁棒性。