基于在线学习RBF神经网络的汽门开度自适应补偿控制方法

汽门控制对于提高电力系统暂态稳定具有重要作用。为了提高汽门系统的控制性能,提出了基于在线学习RBF神经网络的汽门开度自适应补偿控制方法。首先,根据逆系统方法分析了被控汽门系统的可逆性、推导了被控汽门系统输出的α阶导数和伪控制量之间的误差,并设计了用于补偿此误差的在线学习RBF神经网络。然后,基于Lyapunov稳定性理论设计了RBF神经网络的在线学习算法,证明了闭环系统跟踪误差和RBF神经网络权值估计误差的一致最终有界性。所提出的控制方法仅需被控汽门系统很少的先验知识,而无需其精确数学模型,并且用于自适应补偿控制的RBF神经网络无需离线训练过程。最后,针对典型的单机无穷大汽门控制系统进行了数值仿真。仿真结果表明,所提出的控制方法较传统的非线性最优控制方法能明显提升电力系统的暂态控制性能。     

神经网络α阶逆系统控制方法的可行性

证明满足一定条件的单输入单输出系统的α阶逆系统(与原系统复合起来可构成α阶积分或 时延系统)存在且唯一,阐明静态多层网络加若干积分器或时延因子可以逼近这样的α阶逆 系统,对神经网络α阶逆系统方法用于线性、非线性控制的可行性作了探讨。     

基于神经网络的感应电机变频调速系统控制

针对电机参数的复杂性和变频调速特性,提出了交流电机变频调速系统的神经网络逆系统控制方法;针对模型基本未知的连续非线性可逆系统,将神经网络对未知非线性函数的逼近和学习能力、逆系统相结合,给出神经网络阶逆系统和复合控制器的设计,仿真结果证明了理论的正确性。     

异步电机变频调速系统的神经网络逆系统控制

本文运用神经网络逆系统这一新的控制策略,对异步电机变频调速系统进行可逆分析与控制试验。理论分析与实验的结果表明:该方法对异步电机变频调速这一非线性、快速多变、难于建模复杂系统的控制是实用和有效的。     

异步电机变频调速系统的神经网络逆系统控制

本文运用神经网络逆系统这一新的控制策略，对异步电机变频调速系统进行可逆分析与控制试验，理论分析与实验的结果表明：该方法对异步电机变频调速这一非线性，快速多变，难于建模复杂系统的控制是实用和有效的。     

神经网络α阶逆系统的结构、辨识及其在控制中的应用

对于未知非线性系统,采用人工神经网络构造其α阶逆系统,并将神经网络α阶逆 系统用于对原非线性系统的控制。仿真结果表明,该控制方法适用于一般的未知线性、非线 性系统,具有普遍意义,且结构简单,易于工程实现。     

电流控制逆变型感应电机的神经网络逆系统控制

针对电流控制逆变器供电的感应电机系统的特点,提出了不依赖于对象精确数学模型与参数的感应电机神经网络逆系统控制方法.由静态神经网络加积分器来构造感应电机的逆系统,并与原系统串联,实现感应电机的转速和转子磁链真正的动态解耦.在此基础上,设计线性闭环调节器对两个解耦的伪线性子系统进行控制,获得优良的动、静态控制性能.仿真结果表明这种基于神经网络逆系统方法的控制策略可实现感应电机的高性能控制,且对电机参数的变化与负载扰动具有较强的鲁棒性.     

采用本地信号的可控串联电容补偿神经网络逆系统控制方法

选取可控串联电容补偿(TCSC)上传输的有功功率作为被控量，本文提出了采用本地信号的TCSC神经网络逆系统控制方法。该方法基于较完整的TCSC非线性动态模型，实现了TCSC系统的精确线性化，同时所设计的控制策略适用于任意的电力系统结构。控制器的设计使用神经网络逆系统方法，使得所设计的控制策略不依赖于系统的精确模型和参数。针对两区域四机电力系统的仿真结果表明所设计的控制策略能达到直接控制TCSC传输功率，间接控制远端发电机功角的目的。     

感应电机的新型神经网络广义逆系统解耦控制

针对感应电机这一多变量、强耦合系统,提出了一种新型神经网络广义逆系统解耦控制方法,给出了新型广义逆系统的存在性证明.它与感应电机复合,将转子磁链与转速的解耦成两个独立的伪线性子系统,并且可以随时通过调整反馈参数改变两个伪线性子系统的配置极点,为控制器的设计提供了便利.仿真结果表明,通过合理的选择配置极点和控制器参数,整个控制系统对电机参数变化和负载扰动有较强的鲁棒性和动态性能.     

可编程逻辑控制器变频调速系统神经网络逆控制

神经网络逆系统方法是近年来提出的一种新型的控制算法，它结合了神经网络与逆系统的优点，使其具有很强的应用价值。可编程逻辑控制器（PLC）以其优异的性能在变频器加异步电机构成的变频调速系统中得到了广泛的应用，但对于异步电机这一复杂控制对象，需要进一步提高其控制性能。使用神经网络逆系统方法完成了PLC变频调速系统速度环的线性化，并进行闭环控制。实验结果表明，与传统线性控制方法相比，采用神经网络逆控制的PLC变频调速系统的运行性能得到了显著提升，体现了神经网络逆控制的工程实用性。     

多目标励磁控制的神经网络逆系统方法

根据逆系统理论分别分析了以机端电压和功角为被控量的励磁系统的可逆性,并采用不同的神经网络逆系统结构实现了对单目标量的励磁控制,针对单目标励磁控制不能够同时改善功角稳定性和机端电压稳定性的不足,在以机端电压为被控量的神经网络逆系统结构中引入功角偏差反馈信号,设计了多目标神经网络励磁控制器,研究结果表明,应用该系统能够实现多目标励磁控制,综合性能优于目标的神经网络逆系统控制方法和常规PSS控制方法。     

直流电动机智能控制器的设计

本文提出了一种基于前馈神经网络IMC的直流电动机智能控制器的设计方法,其设计过程分为两步进行：第一步,训练一个神经网描述对象响应;第二步,训练一个网络描述对象的逆,并将此网络作为IMC控制器,并给出了仿真结果。     

无刷直流电机调速系统神经网络逆控制

无刷直流电机运行中参数摄动和换相过程的非线性,在一定程度上限制了其调速性能。针对这些特点,在分析无刷直流电机换相区和传导区数学模型的基础上,提出了一种基于神经网络逆的控制策略,采用静态神经网络加积分器来构造电机的逆系统,并将该逆系统与原电机系统串联复合构成伪线性系统,实现整体的近似线性化,从而简化了外环控制器的设计难度。仿真与实验结果均表明神经网络逆控制方法对负载扰动与电机参数摄动有较强的鲁棒性,且能在减小转速超调的同时保证了响应速度及跟踪精度,使整个系统具有优良的动静态性能。     

神经网络在同步电动机负荷扰动控制中的应用

应用神经网络建立负荷观测器,并应用于同步电动机调速系统中.仿真结果证明,神经网络负荷观测器的控制效果明显优于传统PI负荷观测器的控制效果,也表明神经网络负荷观测器控制系统具有很强的自适应和抗干扰能力.     

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。     

神经网络PI自适应控制及其应用

:基于传统PID控制和人工神经网络技术 ,提出一种神经网络PI自适应控制策略 ,并把它用于一电液非线性伺服系统的位置控制 .仿真研究结果表明 ,所提出的神经网络PI自适应控制策略可行 ,对改善非线性伺服控制系统的鲁棒性和动静态特性具有积极作用     

感应电机的神经网络逆系统线性化解耦控制

提出了一种新的感应电机的线性化解耦控制方法,其特点是不依赖于对象的精确数学模型与参数。通过用静态神经网络加积分器来构造感应电机的逆系统,将感应电机这一多变量、非线性、强耦合的复杂对象动态解耦成转速与转子磁链两个二阶线性子系统,然后运用线性系统理论进行综合。仿真与初步的实验结果表明系统具有优良的静态及动态解耦性能,且对电机参数的变化与负载扰动具有较强的鲁棒性。     

神经网络逆系统在电机变频调速系统中的应用

神经网络逆系统是近年来发展起来的非线性控制新理论 ,它具有物理概念明晰、适用面宽、使用简便的特点。论文给出了感应电动机变频调速系统的数学模型 ,并通过可逆分析 ,证明该系统可逆 ,可以用神经网络逆系统对其进行控制。仿真和试验结果表明 ,对感应电动机变频调速这一非线性、快速多变、难于建模的复杂系统 ,神经网络逆控制器的控制是实用和有效的。     

基于神经网络的直流电动机的调速系统

对估算速度和控制他励直流电动机的人工神经网络(ANN)进行了研究.神经网络控制计划由神经估计、神经控制器两部分组成,这两个网络的训练采用Levenberg -马奎德反向传播算法.标准的三层前馈,输入层和隐藏层使用Sigmoid函数激活,输出层用Purelin函数.仿真结果图形良好,证明了与常规直流电动机控制系统控制方案...