基于模糊神经网络的感应电机直接转矩控制

传统的直接转矩控制存在较大的转矩脉动。为了减小转矩脉动,提高控制性能,将模糊神经网络算法引入到直接转矩控制当中,设计了基于模糊神经网络的直接转矩控制系统。所采用的Takagi--Sugeno型模糊神经网络充分融合了模糊逻辑和神经网络两者的优点。在模糊神经网络的训练过程中,采用了一种最小二乘算法和BP算法相结合的混合算法进行学习,提高了学习速度。为了验证该算法有效性和可行性,在MATLAB／Simulink环境下建立了基于模糊神经网络的直接转矩控制系统仿真模型,进行了仿真研究。仿真结果表明采用Takagi—Sugeno型的模糊神经网络算法使直接转矩控制系统的转矩脉动明显变小,控制性能明显改善。     

基于模糊神经网络继电保护装置的仿真研究

根据模糊数学和神经网络的基本原理,建立了一个基于模糊神经网络的继电保护装置系统模型。给出了模糊神经网络的结构和学习算法并进行了仿真,大量的实验证明该方法是可行的。     

基于模糊神经网络决策树的电压稳定性评估

提出了适用于电力系统电压稳定性评估的模糊神经网络决策树模型。在生成的决策树中引入模糊神经网络技术,构建出模糊神经网络决策树模型。采用模糊神经网络中的前向神经网络BP算法对小分裂样本进行进一步处理。Matlab仿真结果表明,模糊神经网络决策树应用于电压稳定性评估中,与单独应用决策树相比,分类成功率提高了3.3%。同时,由于减小了样本维度,缩短了模糊神经网络的训练时间,更有利于实现在线电压稳定预测。     

基于快速模拟退火算法的T—S模糊神经网络学习算法

给出一种Ｔ－Ｓ模糊模型的模糊神经网络的一种实现方法。将快速模拟退火算法用于网络参数的优化,实现Ｔ－Ｓ模型的辨识。将快速模拟退火、模糊逻辑和神经网络融合在一个系统中,并用仿真实例验证了用本文算法的有效性。     

改进模糊神经网络模型及其在大坝监测中的应用

鉴于传统模糊神经网络计算繁琐、模型精度较低、难以收敛等问题，在大坝位移的监测数据分析中应用改进的模糊神经网络及改进的反向传播（BP）网络算法，并建立了相应的网络模型。大量的数据分析计算表明，该模型收敛快，且精度优于常规的模糊神经网络和传统的统计模型。     

永磁同步电机的模糊混沌神经网络建模

采用模糊混沌神经网络建立了具有混沌特性的永磁同步电机(PMSM)模型。永磁同步电机在一定工作情况下呈现混沌运动，根据PMSM的数学模型得出其混沌特性曲线。将混沌神经网络与模糊理论相结合设计出协作型模糊混沌神经网络，并据此网络建立了永磁同步电机的模糊混沌神经网络结构模型，该模型在结构上为神经网络，具有混沌特性，在功能上是模糊系统；确定了模型的输出函数，并推导了模型的学习算法，仿真结果表明永磁同步电机的模糊混沌神经网络模型与原系统是等价的。     

勒让德基函数神经网络快速学习算法研究

将模糊控制与神经网络相结合,用神经网络来实现模型推理,提出了一种以Legendre基函数为隶尾函数的模型经网络,由于无需调整隶性函数的参数,因此,该模糊神经网络模型算法的计算量大大减小,仿真结果表明该模型算法的有效性和快速性。     

一种改进的电力系统短期负荷预测方法

为提高电力系统短期负荷预测精度,综合模糊逻辑和神经网络的长处构建了基于自适应模糊神经网络的短期负荷预测模型.将该模型和算法应用于地区电网的短期负荷预测,预测效果良好.     

在噪声抵消应用中自适应滤波算法性能的仿真比较

介绍了噪声抵消的原理和从强噪声背景中自适应滤波提取有用信号的方法。利用模糊逻辑和RBF神经网络的等价性将模糊逻辑和神经网络有机的结合来构成模糊神经网络,并对BP神经网络、RBF神经网络和模糊神经网络三种基本自适应算法进行了对比研究。计算机模拟仿真结果表明,这几种算法都能通过有效抑制各种干扰来提高强噪声背景中的信号检测特性。相比之下,模糊神经网络算法具有良好的收敛性能,除收敛速度快于BP神经网络算法和RBF神经网络算法以及稳定性强外,而且具有更高的起始收敛速率,更小的权噪声,更大的抑噪能力。     

基于模糊神经网络的锅炉燃烧稳定性综合评判模型

建立了基于模糊神经网络的多级模糊评判模型,在这种数学模型基础上提出了神经网络分级学习BP算法,解决了多级模糊评判中多层次权值学习困难的问题,也更符合多级综合评判的物理意义,使训练速度和评判的准确性大大提高。基于此模型建立了锅炉燃烧稳定性评判系统,取得了令人满意的效果。     

基于神经网络实用稳定性理论提高FNN容错性的方法及其在电力系统中的应用

在神经网络（NN)实用稳定性理论和对前馈神经网络(feed-forward neural network,NFF)容错性能（fault-tolerance performance,FTP)理论分析的基础上,提出了一种提高FNN容错性的实用方法,该法建立了基于FNN学习与模糊处理相结合的FNN模型重构机理,以改变FNN“伪吸引子”和“伪吸引域”来地提高FNN的FTP。文中以电力输电线路故障诊断为例,通过仿真测试证明了所提方法的可行性,并能有效地提高FNN的FTP,所研究的方法为基于FNN实时信息处理系统的实际应用提供了重要的保证。     

基于神经逻辑网络冗余纠错和FNN组合的配网高容错性故障定位

创造性提出了基于多值神经逻辑网络 (MNLN)冗余纠错和前馈神经网络 (FNN)组合的配网故障定位原理和实现方法。根据配网SCADA系统汇集的信息具有冗余特征 ,及配网拓扑结构的关联性可获得各馈线终端单元 (FTU)信息之间的冗余关系 ,提出了基于MNLN原理的信息冗余纠错的模型及逻辑推理规则。经过纠错处理的、无畸变的信息即形成故障定位FNN模型的输入矢量集。文中所提出原理和方法对配电网具有广泛的通用性 ,具高容错性能和重要实用价值     

A novel fuzzy neural network based distance relaying scheme

This paper presents a new approach to distance relaying using fuzzy neural network (FNM). The FNN can be viewed either as a fuzzy system, a neural network or fuzzy neural network. The structure is seen as a neural network for training and a fuzzy viewpoint is utilized to gain insight into the system and to simplify the model. The number of rules is determined by the data itself and therefore a smaller number of rules is produced. The network is trained with the backpropagation algorithm. A pruning strategy is applied to eliminate the redundant rules and fuzzification neurons, consequently a compact structure is achieved. The classification and location tasks are accomplished by using different FNN's. Once the fault type is identified by the FNN classifier the selected fault locating FNN estimates the location of the fault accurately. Normalized peaks of fundamental voltage and current waveforms are considered as inputs to all the networks and an additional input derived from the DC component is fed to fault locating networks. The peaks and DC component are extracted from sampled signals by the EKF. Test results show that the new approach provides robust and accurate classification/location of faults for a variety of power system operating conditions even with resistance in the fault path     

基于DFNN的智能配电异构无线网络准入控制算法

为提高智能配电通信业务的服务质量,根据智能配电网对通信技术的要求,提出一种基于动态模糊神经网络(DFNN)的智能配电异构无线网络准入控制算法。在智能配电网络的异构准入控制模型中构建神经网络系统,以网络的接入阻塞率差作为系统参数强化学习的目标,对网络的负载均衡具有较好的动态适应性。神经网络系统在输入层较多时容易产生太多规则而影响决策结果,而DFNN通过计算当前系统规则的完备性,动态添加规则,并通过计算所有规则的重要性,动态删除规则,使得系统的规则有效而不冗余。仿真结果表明,该方法较多接入选择算法(MLB)明显降低了网络的接入阻塞率,相对于模糊神经网络算法(FNN)而言简化了系统结构,突出了规则的重要性,具有较低的接入阻塞率和更好的均衡效果。     

基于模糊神经网络的电能质量指标的经济性评估

在激烈竞争的电力市场环境下对电能质量进行经济性评估是非常重要的.针对电能质量经济性评估难以用精确数学模型描述的特点,提出了利用模糊神经网络进行电能质量经济性评估的方法.阐述了应用该方法进行电能质量指标经济性评估的基本原理、网络模型和估价方法.算例表明这种方法具有方便、准确的特点.     

神经网络输电线路覆冰厚度预测

介绍了输电线路覆冰厚度计算的相关经典模型,并以PNN网络与GRNN网络为例,探讨了输电线路覆冰厚度智能检测模型.通过对模型实现、对比,分析了两种网络的优缺点,在此基础上提出综合使用两种网络的思路,以提高输电线路覆冰厚度预测的精度,减少覆冰对电网的直接和潜在危害.     

一种基于前馈神经网络的NARMAX模型辨识新方法

本文提出了一种通过分析非线性动态系统的输入输出进行系统参数辨识的新方法。     

基于粗糙集理论-主成分分析的Elman神经网络短期风速预测

为了解决传统静态前馈神经网络(FNN)在短期风速预测中易陷入局部最优值及动态性能的不足,引入Elman动态神经网络建立风速预测模型,采用主成分分析法(PCA)对原始风速数据进行特征提取以优化神经网络的输入,改进激励函数和网络结构以寻求函数收敛速度和预测精度的最优解。针对Elman神经网络预测模型在风速波动的峰值处预测误差较大及预测精度存在波动性,提出采用粗糙值理论对模型预测值进行修正与补偿,进一步提高预测精度。实验证明:所提出的方法能有效提高预测精度,增强神经网络模型的泛化能力,具有较好的实用性。     

应用模糊神经网络的短期负荷预测

提出用于短期负荷预测的模糊系统。该系统具有神经网络的结构和学习算法,称模糊神经网络ＦＮＮ。ＦＮＮ以现有的历史负荷生成规则,以最小隶属度法增补规则。规则参数经过修正后,ＦＮＮ的输出能与负荷数据很好地吻合。一经训练,ＦＮＮ就能预报未来负荷。     

Adaptive TS‐FNN control for a class of uncertain multi‐time‐delay systems: The exponentially stable sliding mode‐based approach

This paper presents an adaptive Takagi–Sugeno fuzzy neural network (TS‐FNN) control for a class of multiple time‐delay uncertain nonlinear systems. First, we develop a sliding surface guaranteed to achieve exponential stability while considering mismatched uncertainty and unknown delays. This exponential stability result based on a novel Lyapunov–Krasovskii method is an improvement when compared with traditional schemes where only asymptotic stability is achieved. The stability analysis is transformed into a linear matrix inequalities problem independent of time delays. Then, a sliding mode control‐based TS‐FNN control scheme is proposed to achieve asymptotic stability for the controlled system. Since the TS‐FNN combines TS fuzzy rules and a neural network structure, fewer numbers of fuzzy rules and tuning parameters are used compared with the traditional pure TS fuzzy approach. Moreover, all the fuzzy membership functions are tuned on‐line even in the presence of input uncertainty. Finally, simulation results show the control performance of the proposed scheme. Copyright © 2008 John Wiley & Sons, Ltd.