神经网络智能PID控制及其在水轮机调速器中的应用

对神经网络控制在水轮机调节中的应用进行理论分析,将基于BP神经网络的PID控制器和模型辨识神经网络应用于水轮机频率扰动仿真试验中,结果表明具有较好的动、静态特性和较强的鲁棒性,为神经网络在水轮机调速器中的应用打下理论基础。     

基于BP神经网络的PID控制器在渠道自动控制中的应用

本文提出将基于BP神经网络的PID控制器应用于渠道自动控制中，实现了渠道PID控制中参数的整定不依赖于渠道数学模型，且能在线依据渠道系统的动态信息调整PID参数，满足了实时控制的要求。应用Matlab软件的仿真结果表明，采用基于BP神经网络PID控制器比常规PID控制，渠道的运行响应加快，水位超调减小，适应性增强，闸门的性能得到较大改善。     

基于OPC的智能PID控制应用研究

Lab VIEW和Matlab被广泛应用于仿真、过程处理和控制领域,而未能很好地直接应用于实际控制系统中。采用OPC通讯技术,建立该智能控制系统与过程数据库链接,完成神经网络在线辨识系统模型,利用遗传算法在线调整PID的3个控制参数。仿真和研究表明,该方法可在线有效地控制较复杂的被控对象。     

BP网络模糊PID控制在水轮机调速器中的应用

为了改善水轮发电机组的动态调节品质,对神经网络控制在水轮机调节中的应用进行理论分析,将基于BP神经网络的模糊PID控制器应用于水轮机调速系统.仿真和实验结果表明,该控制器具有良好的调节品质,其控制作用对改善水电机组的动静态特性和对参数时变的适应能力等方面均优于常规PID调节器,为神经网络控制在水轮机调节系统中的应用打下了良好的理论基础.     

神经网络在水电机组振动故障诊断中的应用研究

本文首先简单介绍了人工神经网络的基本性能和BP网络模型及算法，在此基础上将神经网络应用于水电机组振动故障诊断中。试验证明，基于神经网络的水电机组振动故障诊断方法具有很高的实用价值。     

参数自适应模糊PID控制器及其在水电机组调速器中的应用

由于水电机组调速系统控制对象———水轮机的运行工况在不断变化，描述水轮机动态特性的数学模型及引水系统的模型参数时刻发生变化，常规PID控制的应用受到限制。文中引入了模糊控制理论，使用参数自适应模糊PID控制器替代常规PID控制器，通过仿真结果显示，对水电机组过渡过程的控制具有明显的效果。     

智能模糊PID控制在水轮发电机组中的应用

针对水轮发电机组常规PID控制不能根据系统的动态过程自动调整控制参数的缺点，提出一种改进的智能自适应模糊PID控制系统，模糊控制器隶属函数和推理规则采用遗传算法优化，模糊推理输出在线修改PID参数，并探讨了如何整定PID参数以达到最优控制效果。仿真实验表明这是一种有效的控制策略，尤其是启停机过程及负载扰动过程比传统PID控制具有更好的鲁棒性和稳定性。     

改进蚁群算法优化PID控制在水力发电机组中的应用研究

水力发电机组是一个非线性、时变系统,常规PID控制不能达到理想的控制效果。提出一种基于改进蚊群算法的PID参数优化方法,讨论了蚁群算法的模型,水力发电机组的模型,对蚁群算法的不足进行改进,并给出了算法的具体实现步骤。实验结果表明,采用改进蚁群算法PID控制器的水电机组具有更好的控制精度和动态特性,验证了该方法的可靠性和有效性。     

水轮机的GA—PID控制器研究

遗传算法是一种模拟自然进化而提出的简单高效的优化组合算法，是建立在自然遗传学机理 基础上的参数搜索方法。文中研究了水轮机PID调节器参数的优化问题，利用GA对系统所处 的不同状态进行PID参数的在线寻优，使系统在任何状态下，都能得到比传统的PID更好的控 制效果和更强的鲁棒性。仿真结果表明遗传算法可以有效地解决参数寻优问题。     

基于单神经元PID控制器在渠道自动控制中的应用

将基于单神经元自适应PID控制器引入到渠道系统自动控制中,它实现了PID控制中参数整定不依赖于渠道数学模型,且能在线依据渠道系统的动态信息调整PID参数,以满足适时控制的要求.通过Matlab软件的仿真,结果表明:采用基于单神经元自适应PID控制器,渠道运行响应加快,水位超调变小,适应性增强,且有更好的动态和稳态性能.     

基于RBF神经网络的PID控制器

水位控制是工业锅炉控制系统中一个重要的环节,其控制质量的优劣直接影响到锅炉的安全和经济效益.将一种基于RBF神经网络的PID控制器应用于工业锅炉水位的控制当中,它结合了传统PID和神经网络的优点,可以在线调整得到一组最优的PID控制参数.仿真结果表明,这种控制器具有较好的适应性,控制效果得到明显改善.     

基于BP神经网络和遗传算法的丰满水库洪水预报模型研究

根据丰满水库的流域特性,尝试使用BP神经网络模型进行洪水预报。针对随机生成网络权重的盲目性,采用遗传算法进行初始权重优化。通过历史洪水检验,证实此模型在丰满水库的洪水预报中有很高的预报精度和应用价值。     

自适应遗传算法优化管网状态估计神经网络模型

针对遗传算法收敛速度慢、传统BP算法易收敛于局部最优以及网络结构难以确定等问题，引进自适应遗传算法优化网络的权阈值以搜寻网络最优拓扑结构，并利用自适应遗传算法优化该网络的权阈值，建立基于改进BP网络的宏观管网状态模型．实例分析表明，改进模型具有较高的预测精度。     

仿生算法优化BP神经网络在降雨空间插值中的应用

人工神经网络能够充分挖掘已知样本中的规律,从而对未观测数据进行预测,可应用于降雨量空间插值计算中。在BP神经网络进行降雨空间插值的基础上,引入遗传、粒子群和蚁群3种仿生算法对BP神经网络初始权值和阈值进行优化,将优化后的BP神经网络应用于三峡区间流域年、月和日3个时间尺度的降雨空间插值中。结果表明:仿生算法对BP神经网络初始权值和阈值优化求解后,降低了BP神经网络陷入局部最小以及过拟合的风险,在插值过程中表现出较好的稳定性,取得了理想的插值结果。     

基于遗传算法的模糊优选BP网络模型及其应用

在模糊优选BP神经网络模型的基础上，引入遗传算法，提出融入遗传算法的模糊优选神经网络预测模型，是对模糊优选BP神经网络模型的进一步发展。其基本思路是：在BP算法训练网络出现收敛速度缓慢时启用遗传算法优化网络的运行参数，把优化的结果作为BP算法的初始值再用BP算法训练网络，这样交替运行BP算法和遗传算法，直到达到问题要求的精度。在新疆雅马渡站年径流量的预报中，预测模型在预报精度和算法的收敛速度方面都达到了较好的效果。     

基于遗传算法优化BP神经网络的岩溶泉水位预测研究

我国北方岩溶大泉是集自然、文化和旅游等多种属性的重要自然资源,对北方岩溶地区经济社会发展有着重要的促进作用。为了精确预测岩溶泉的动态变化趋势,为岩溶泉资源保护提供支撑,基于2016-2018年趵突泉泉域的大气降水量、岩溶水开采量、人工生态补源量等数据,分别构建了6种BP神经网络以及采用遗传算法优化的BP神经网络预测模型,评价了不同预测模型对趵突泉水位的预测效果。研究表明：与BP神经网络相比,将GA算法得到的权值和阈值作为BP神经网络初始值可以很好地提高神经网络预测的稳定性,同时可以大大减少神经网络迭代次数,从而节省大量的计算成本;采用Levenberg-Marquardt训练方法的GA-BP(LM)网络模型具有稳定性高、计算成本低、预测误差小的特征,更适用于岩溶泉水位的预测。     

基于遗传算法的Elman神经网络模型在大坝位移预测中的应用

针对大坝位移预测问题的复杂性、时变性和传统预测模型的不足,结合遗传算法(GA)的全局随机搜索能力和Elman神经网络的非线性映射、动态反馈信息和记忆功能的特点,建立了GA-Elman神经网络模型。与Elman神经网络模型相比,GA-Elman神经网络模型在预测大坝变形时具有全局收敛的特点,可以克服Elman神经网络容易陷入局部极小的缺陷。将该模型用于预测某水电站大坝实测变形数据,表明GA-Elman神经网络模型的预测精度高,在大坝位移预测中具备实用性。