Research on Power Control of Wind Power Generation Based on Neural Network Adaptive Control

-For the characteristics of wind power generation system is multivariable,nonlinear and random,in this paper the neural network PID adaptive control is adopted.The size of pitch angle is adjusted in time to improve the performance of power control.The PID parameters are corrected by the gradient descent method,and Radial Basis Functinn(RBF)neural network is used as the system identifier in this method.Simulation results shaw that by using neural adaptive PID controller the generator power control can inhibit effectively the speed and affect the output power of generator.The dynamic performance and robustness of the controlled system is good,and the performance of wind power system is improved.     

基于模糊神经网络的中频感应加热电源的研究

通过对原有感应加热电源温度控制方法的分析,提出了一种适合于非线性系统基于模糊神经网络的温度控制方法。与传统的控制策略相比,模糊神经网络控制具有不依赖控制对象精确的数学模型,较强的鲁棒性,控制方式简便等优点。实验证明:该加热方法优于常规PID和模糊PID,可获得良好的动态特性,具有稳态精度高,功率调节范围宽,工作稳定可靠的优点。     

风洞悬臂杆结构主动减振系统的研究

风洞测试时悬臂杆振动会影响测试数据的准确性,为了抑制悬臂杆振动,设计了基于压电驱动器的主动减振系统,提出了将人工神经网络与传统比例积分微分(proportion integration differentiation, 简称PID)相结合的智能控制算法,实现了控制参数在线实时调整。对该控制系统的减振性能分别进行了地面试验和风洞试验,并与采用传统PID控制的试验结果进行对比。结果表明,神经网络PID控制下的振动收敛时间比传统PID缩短了50%,而且在不同风速和攻角下,悬臂杆系统的1阶模态振动均得到了有效衰减（衰减幅度>19 dB）,表现出良好的鲁棒性。     

基于模糊神经网络PID的复合控制策略

为了结合模糊控制容错力强和神经网络PID在线学习和调整的优点,提出了一种结合模糊控制与神经网络PID控制的复合控制方法,即分别设计模糊控制器和神经网络PID控制器后,再利用权重分配器对这两个控制器进行权重分配来控制被控对象。将该控制策略应用于某火电机组的二级过热器减温水流量系统控制,并在simulink仿真平台进行仿真,仿真实验结果表明:该复合控制策略较传统的模糊控制或神经网络PID控制的上升时间更短,调节时间和超调量更小,稳态性能更好。     

自适应神经元PID控制器在单元机组负荷控制系统中的应用

针对火电单元机组这类集炉、机、电为一体具有多变量强耦合,非线性及参数时变的受控对象,基于常规解耦控制技术的控制系统无法应用的问题,讨论了多变量自适应单神经元PID控制器在单元机组负荷控制中的设计及仿真,并给出了火电机组负荷微机控制系统的硬件和软件设计方案。     

液压增速传动风力发电恒频控制研究

以液压型风力发电机组为对象,针对低速定量泵-高速变量马达增速传动闭式回路系统,阐释液压型风力发电机组工作原理,建立定量泵-变量马达主传动系统数学模型,搭建了37 kW液压风力发电试验平台,在系统恒流源控制基础上,应用PID控制器补偿斜盘摆角方法,分析了液压增速传动变速恒频系统的马达转速特性以及控制方法的抗干扰性能。研究表明,定量泵-变量马达液压增速传动控制系统能实现电励磁同步发电机转速稳定控制。     

变速风力发电最大风能捕获控制方法的比较和研究

简要叙述了风能利用的基本原理和风机的几个运行阶段,对几种最大风能捕获的方法作了比较和分析,如直接风速控制法、间接风速控制法、爬山算法和模糊PID控制法等,并指出风力发电存在的问题和发展方向。     

基于RBF神经网络在带钢厚度控制中的应用

轧钢厚度控制系统的数学模型难以精确建立,传统的PID控制器的自适应能力较差,很难达到满意的控制效果。本文根据以上问题。提出了一种新的控制方法,即基于RBF神经网络自整定PID控制方法。这种控制方法结合了RBF神经网络和PID控制器的控制优势,不仅具有很强的自适应能力、鲁棒性。而且充分发挥了PID控制优势,并且将这种控制方法应用在带钢厚度的控制系统中,取得了很好的控制效果,证明了控制方案的正确性和有效性。     

多变量PID神经元网络控制系统在集气管压力系统中的应用

针对某焦化厂焦炉集气管压力系统具有强干扰、强耦合、非线性的特点,采用一种多变量PID神经元网络控制算法,更好地实现了解耦控制。这种多变量PID神经元网络与常规的PID控制算法比较不仅具有较好的动态性能和稳态性能,而且还具有很强的自学习功能和自适应解耦能力,适用于对非线性多变量系统的解耦控制。     

Optimizing the wind power generation in low wind speed areas using an advanced hybrid RBF neural network coupled with the HGA-GSA optimization method

Enhancing the energy production from wind power in low-wind areas has always been a fundamental subject of research in the field of wind energy industry. In the first phase of this research, an initial investigation was performed to evaluate the potential of wind in south west of Iran. The initial results indicate that the wind potential in the studied location is not sufficient enough and therefore the investigated region is identified as a low wind speed area. In the second part of this study, an advanced optimization model was presented to regulate the torque in the wind generators. For this primary purpose, the torque of wind turbine is adjusted using a Proportional and integral (PI) control system so that at lower speeds of the wind, the power generated by generator is enhanced significantly. The proposed model uses the RBF neural network to adjust the net obtained gains of the PI controller for the purpose of acquiring the utmost electricity which is produced through the generator. Furthermore, in order to edify and instruct the neural network, the optimal data set is obtained by a Hybrid genetic algorithm along with a gravitational search algorithm (HGA-GSA). The proposed method is evaluated by using a 5MW wind turbine manufactured by National Renewable Energy Laboratory (NREL). Final results of this study are indicative of the satisfactory and successful performance of the proposed investigated model.

     

基于改进型BP神经网络PID控制器在转台系统中的应用研究

为改善转台系统性能,针对传统的PID控制参数难以获得较理想的控制效果,设计了一种基于改进型BP神经网络的PID控制器。介绍了PID控制器的结构和BP神经网络算法描述,利用最小二乘法和神经网络建立被控对象的预测数学模型,并用该模型所计算的预测输出取代预测输出的实测值,对基于BP网络的PID控制器的权值调整算法进行改进。以某转台模型为对象,建立了转台控制系统的数学模型并对其进行仿真。仿真结果表明,改进型BP神经网络PID控制器具有良好的控制效果,跟踪精度高、性能稳定及鲁棒性强,能更为有效地应用到转台系统中。     

电液负载模拟器复合控制方法研究

提出了一种新的电液负载模拟器复合控制方案,采用改进型多余力补偿方法和PID自适应控制器并行的方式来实现对指令控制力的精确跟踪。改进型的前馈补偿方法除了有效地消除了多余力,还提高了系统的动态性能。利用CMAC神经网络的非线性逼近原理设计的鲁棒PID自适应控制器,在一定程度上改善了传统PID控制在快速性和稳定性之间存在的矛盾,降低了系统的非线性和不确定性造成的影响。仿真和试验结果证明了该控制方案的有效性。     

车载飞轮电池的振动控制策略研究

针对车载飞轮电池在不同工况下振动及磁悬浮轴承非线性和本质不稳定性的特点,开发了基于单神经元的PID控制软件,利用单神经元的自学习能力并通过加权系数自适应地对PID各控制参数进行调整,使得控制器的输出为PID各控制参数的非线性组合,克服了单一PID控制参数无法满足系统动态性能需要及控制参数整定困难的缺点。通过仿真分析和飞轮转子系统的高速运行试验,对比研究了不完全微分PID策略和单神经元自适应PID策略的控制效果。研究结果表明,与不完全微分PID策略相比,单神经元自适应PID策略具有无超调、鲁棒性好、调节时间短等优点,飞轮转子系统具有更好的动态性能。     

基于模糊神经网络 PID 的开关磁阻电机控制系统研究

针对开关磁阻电机存在的转矩脉动大、噪声大、速度不稳定等问题,对开关磁阻电机的启动、运行、调速等方面进行了研究,提出了一种基于模糊神经网络PID的控制方法,将模糊控制理论与BP神经网络相结合,构成了模糊BP神经网络,根据系统误差,误差的变化,以及误差变化的变化实时调整PID控制参数,使电机在整个转速范围内获得了最优的PID参数。实验采用DSP作为控制核心,不对称逆变桥作为功率变换器,驱动一台2 k W的开关磁阻电机运行。研究结果表明,该方法大大改善了开关磁阻电机控制系统的动、静态性能,控制精度高、转矩脉动小,对干扰有较高的鲁棒性。     

模糊神经网络PID控制在振动打桩机中的应用

针对双马达电液伺服系统难以进行同步控制,实现无级调频调矩的问题,提出了基于Mamdani型的模糊神经网络PID控制方法。该方法的主要思想是结合模糊推理和神经网络控制技术,构成模糊神经网络,实时调整PID参数。实验结果表明：与传统PID控制方法相比,该方法改善了系统的动态特性,提高了控制精度。     

基于神经网络的模糊自适应PID控制方法研究

针对常规PID控制器不能在线修正参数以及模糊规则和率属函数对专家经验的依赖性,提出了神经网络模糊自适应PID控制器,从而综合了传统PID控制、模糊控制、神经网络控制的优点,使其具有PID控制的广泛适用性和神经网络的自适应和自学习能力,同时又具备模糊控制的非线性控制作用;仿真实验可知该控制器具有更快的响应和更好的平稳性.     

基于GRU-XGBoost的风电场功率短期预测

随着风电技术的不断发展,更多的风电机组并入电网运行。考虑到电网的安全性与稳定性,精确的风电场发电短期预测技术越发重要。在利用自适应噪声的完备经验模态分解(CEEMDAN)风电原始序列信号的基础上,采用GRU-XGBoost模型对非线性、非平稳的功率序列进行建模和预测,以提高模型的预测能力和泛化能力。首先利用CEEMDAN将风电功率原始序列分解为一系列不同时间尺度的分量,将分解后的信号输入GRU神经网络输出预测信号,再输入XGBoost进行校正。通过与多种预测模型进行比较证明此模型拥有更好的预测精度。     

基于神经网络PID控制的系统非线性校正的研究

在对BP神经网络PID控制器系统研究的基础上，提出了单神经元的自适应PSD算法。该算法兼有单神经元和自适应PSD算法的特点，简单、实时性好、自适应能力强，可用于控制过程时变、有大滞后的较复杂的对象，是一种实用价值较高的自适应控制算法。文中采用BP神经网络PID控制与单神经元PSD自适应控制两种方法对压电式微位移系统进行非线性控制，并取得了良好的效果。     

基于神经网络的双馈风电矢量控制系统转速辨识

阐述了神经网络转速辨识的基本原理和方法,构造了基于神经网络的双馈风力发电矢量控制系统,并在MATLAB/Simulink环境下,对该控制系统进行了仿真研究,结果表明该辨识方法比PI自适应算法的鲁棒性强,且有很好的快速逼近性。     

Neural network adaptive sliding mode control for omnidirectional vehicle with uncertainties

This paper presents a novel neural network adaptive sliding mode control (NNASMC) method to design the dynamic control system for an omnidirectional vehicle. The omnidirectional vehicle is equipped with four Mecanum wheels that are actuated by separate motors, and thus has the omnidirectional mobility and excellent athletic ability in a narrow space. Considering various uncertainties and unknown external disturbances, kinematic and dynamic models of the omnidirectional vehicle are established. The inner-loop controller is designed based the sliding mode control (SMC) method, while the out-loop controller uses the proportion integral derivative (PID) method. In order to achieve the stable and robust performance, the artificial neural network (ANN) based adaptive law is introduced to model and estimated the various uncertainties disturbances. Stability and robustness of the proposed control method are analyzed using the Lyapunov theory. The performance of the proposed NNASMC method is verified and compared with the classical PID controller and SMC controller through both the computer simulation and the platform experiment. Results validate the effectiveness and robustness of the NNASMC method in presence of uncertainties and unknown external disturbances.