基于转子槽谐波分析的潜油电机温度辨识

鉴于油井独特的高温高压环境对常规测温方法的限制及潜油电机对温度监测的迫切需求,提出了一种基于转子槽谐波的潜油电机无传感器温度辨识方法。核心在于通过在地面易测得的潜油电机定子电压和电流进行无传感器电机温度辨识,实现对工作于井下2～3km深处潜油电机温度的实时监测。根据所推导出的潜油电机转子温度解析表达式,可对潜油电机转速、感抗及转子电阻进行在线计算并监测其状态变化。实验结果表明,目前基于转子槽谐波分析得到的局部时段转速最大误差为3r/min,温度辨识精度误差小于10℃,从而验证了所提算法的正确性与可行性。     

基于热力学参数摄动分析的潜油电机温度辨识

为有效提高无传感器温度辨识方法的计算精度,将热力学参数摄动分析理论应用于潜油电机的温度辨识。基于潜油电机的网络热力学建模,给出潜油电机热参数,尤其是定、转子间耦合电阻参数摄动对电机温度变化的规律性。通过对所推导热力学方程进行频域根轨迹分析,可验证所取热力学参数的稳定性与合理性。仿真与实验结果表明,依据本文所提方法给出的潜油电机定、转子间耦合电阻等热力学参数得到的电机辨识温度可与实测结果相印证。     

潜油电机的RMNN建模分析与无传感器转速辨识

针对大庆油田某试验井潜油电机使用情况,给出了在工频和变频条件下应用多层反馈神经网络RMNN(recurrent multilayer neural network)实现电机转速辨识的方案,以便对潜油电机动态运行进行实时监测.鉴于潜油电机独特的高温工作环境,给出了无速度传感器条件下辨识潜油电机动态转速的RMNN模型.通过在井上对潜油电机定子电流、电压等参数的采集,着重研究潜油电机启动、稳定运行以及电源频率变化、负载变化对辨识效果的影响.研究结果表明,基于RMNN模型的潜油电机动态运行的速度辨识误差精度为0.4%,可满足试验井潜油电机转速辨识的需要.     

感应电机矢量控制系统的神经网络转速辨识

在给定的无速度传感器感应电机间接矢量控制系统中，利用基于BP算法的两层神经网络，根据期望状态与实际状态之间的偏差来调整神经网络模型的权值，达到实时辨识电机转速的目的。该方法简单、直观，不仅利用了神经网络的优点，又能适应感应电机调速系统实时控制的要求。仿真结果验证了该方法的有效性。     

基于网络热力学建模的潜油电机温度辨识研究

鉴于对潜油电机温度监测的迫切需求及油井长线信号传输对经典电机温度监测方法的限制,将网络热力学建模理论应用于潜油电机的温度辨识,通过建立潜油电机的网络热力学模型,给出描述潜油电机温度变化过程的热力学方程组.基于在地面获取的电机定子采样电流进行机械化数学解析分析及稳态数值迭代求解,推导出潜油电机定、转子的辨识温度.对12 kW潜油电机进行温度辨识的实验结果表明,转子辨识温度与实测结果最大误差为5.59℃,验证了所提方法的正确性与可行性.     

无速度传感器感应电机控制速度辨识的研究现状与展望

速度辨识是无速度传感器感应电机控制中的重要环节.模型参考自适应观测器、神经网络等速度辨识方法,虽然都有较好的精度,但其低速下的辨识精度明显下降,而且电机参数的变化及干扰也影响辨识精度.因此,如何提高低速下的辨识精度和增强系统抗干扰、参数变化的鲁棒性,是速度辨识的基本要求.本文介绍了近年来出现的速度辨识方法,并分析了其优缺点.     

无速度传感器矢量控制系统中的电机参数辨识

根据交流感应电动机在两相静止坐标系上的数学模型,采用脉冲电流法、脉冲电压法实现了对交流电动机电气参数的静态测试。该方法不需要速度检测元件,从而为无速度传感器矢量控制系统的电气参数测试提供了一种有效、可行的方案。文章最后给出了该方案的实验结果。     

自适应神经网络辨识异步电机转速的研究

根据异步电机的数学模型，经过一定的变换，利用电机易于检测到的定子电压和电流，通过Simulink模块和S函数建立了自适应神经网络辨识模型，该方法简单，直观，仿真结果表明，系统具有良好的性能。     

基于Elman神经网络的传感器故障诊断研究

针对传统的传感器故障诊断技术的不足,提出一种基于Elman神经网络的故障诊断方法,建立了Elman网络故障诊断模型,利用小波包分解方法获取用于训练神经网络的特征能量谱,对所建立的模型进行训练。为了检验模型的实际诊断能力,以某动力系统管路流量传感器的4种典型故障诊断为例进行仿真实验,并和标准BP神经网络的诊断结果进行对比。仿真结果表明:基于Elman神经网络的故障诊断速度更快、准确率更高、泛化能力更强,验证了所提出方法的实用性和有效性。     

感应电机无速度传感器矢量控制系统的定子电阻在线辨识

该文针对利用磁通观测器推算转子磁通的感应电机无速度传感器矢量控制系统，提出了定子电阻在线辨识法。在利用q轴磁通推算转速的基础上，该系统利用d轴磁通误差实现定子电阻在线辨识，该方案的优点是系统简单，解决了低速运行时电压模型的定子电阻变化对系统稳定性和速度控制精度的影响问题。数字仿真和实验结果验证了定子电阻在线辨识的必要性和该方案的有效性。     

基于模糊神经网络的感应电动机转速估计方法

根据感应电动机的数学模型,提出一种基于模糊神经网络的感应电动机转速估计的方法,并给出了速度估计器的模糊神经网络结构和学习算法。仿真结果表明,该方法能准确跟踪电动机实际转速的变化,具有良好的性能。     

基于模糊神经网络的异步电机转速估计方法

根据异步电机的数学模型,提出基于模糊神经网络的异步电机转速估计方法。将传统参考自适应系统中原有的自适应调节机构用一个具有在线学习能力的模糊神经网络取代,得出了一种基于模糊神经网络的异步电机转速估计方法,并给出了速度估计器的模糊神经网络结构和学习算法。仿真结果表明,该方法能准确跟踪电机实际转速的变化,具有良好的性能。     

基于改进Elman神经网络的风速预测

指出风速预测对并网风力发电系统的运行有重要意义。为提高风速预测精度,提出了一种基于改进的Elman神经网络风速预测方法,利用误差反向传播的方法来确定反馈增益γ值。分别采用改进Elman神经网络与BP神经网络建立模型,对实际历史风速数据进行仿真预测。利用风电厂实际数据验证,并阐述了仿真结果。     

用神经网络实现对感应电动机的转速估计

根据感应电动机数学模型,介绍了一种利用神经网络进行感应电动机转速估计的新方法,在该方法中采用一个三层神经网络作为速度估计器来估计转速。仿真结果表明这种基于人工神经网络的转速估计模型可以准确地跟踪感应电动机转速的变化,具有良好的动态跟随性能。     

基于BP神经网络高压潜水电机绝缘寿命预测

高压潜水电机常年在深水中工作,受到复杂环境的影响,运行绝缘性能恶化,又由于电机安装环境特殊,不能随时被检修,所以预测其绝缘寿命,进而减少因电机绝缘性能恶化而带来的损失具有重大意义.分析了影响高压潜水电机绝缘寿命的因素,同时提出了利用BP神经网络对高压潜水电机绝缘寿命预测的方法,通过加速寿命试验证明,利用BP神经网络对电机寿命预测可达到实际要求.     

基于小波包分解和改进Elman神经网络的风电场风速和风电功率预测

准确预测风电场风速和风电功率对做好风电场运行维护、合理安排开停机计划以及确保电力系统的安全稳定运行具有重要意义。提出了基于小波包分解和改进Elman神经网络的新型风电场风速和风电功率预测方法并给出了具体应用步骤。首先利用小波包分解理论对经过初步处理的历史风速数据进行分解处理,根据相关性剔除随机数据,保留最优分解树;随后提出带扰动的PSO训练算法用以提高Elman神经网络的训练速度,并解决PSO算法易陷入局部最优解的问题;最后利用不同结构的Elman神经网络寻找最优分解树不同频段下的风速规律进而获得风速和风电功率预测结果。南方某风电场算例表明该方法具有更高的预测精度,能够正确反映风速和风电功率规律。     

基于神经网络的感应电机无速度传感器直接转矩控制系统的研究

根据模型参考自适应和直接转矩控制理论,针对常规速度辨识器中的基准模型易受积分初值和漂移问题的影响,造成辨识结果不准确的问题,设计了一种新型的基准和可调模型。并且以此为基础,采用基于神经网络的模型参考自适应辨识电机转速。M ATLAB仿真结果表明,系统具有较好的性能。     

基于神经网络的直流电机转速控制

用非线性自回归移动平均模型的神经网络对直流电机转速进行控制,并通过仿真分析其控制效果,在抗干扰方面与原来的闭环控制进行比较,证明神经网络控制的优越性。     

基于Elman神经网络的负荷预测研究

电力系统负荷预测是电力生产部门的重要工作之一,其负荷变化具有明显的周期性,文章采用Elman神经网络与BP神经网络建立模型,提出了一种基于神经网络的负荷预测方法.对某电网实际历史数据进行仿真预测,经研究发现,Elman模型具有收敛速度快、预测精度高的特点,同时表明利用Elman回归神经网络建模对莱电网负荷进行预测是完全可行的,在负荷预测领域有着较好的应用前景.     

基于Elman神经网络的甘肃电网负荷预测模型

为提高甘肃电网负荷预测精度,提出了一种基于神经网络的负荷预测方法。针对甘肃电力系统负荷数据的非线性和动态特性,在多层前向BP网络中引入特殊关联层,形成有“记忆”能力的Elman神经网络,从而可以映射系统的非线性和动态特性。在网络训练算法中,采用自适应学习速率动量梯度下降反向传播算法,显著提高了网络的训练速率,有效地抑制了网络陷入局部极小点。文中分别采用El-man神经网络与BP神经网络建立模型,对甘肃电网实际历史数据进行仿真预测,经分析比较,证明前者具有收敛速度快、预测精度高的特点。这表明利用Elman回归神经网络建模对甘肃电网负荷进行预测是可行的,能有效提高负荷预测精度,在负荷预测领域有着较好的应用前景。