Elman神经网络在非线性模拟电路故障诊断中的应用

Elman神经网络把隐层输出反馈回输入层,是一种动态递归神经网络,改进的Elman网络能逼近任意动态非线性系统。本文研究了Elman网络的结构和学习算法,并把改进的Elman网络应用于非线性模拟电路故障诊断激励信号参数优化中,以提高故障正确诊断率。首先用改进的Elman神经网络建立故障电路和无故障电路系统模型,然后用遗传算法搜索电路故障诊断的最佳激励信号参数。     

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。     

基于RBF神经网络的永磁同步电机在线辨识与模型参考自适应控制

永磁同步电机控制系统是多变量和非线性的。针对传统PI控制方法的不足,提出了一种基于RBF神经网络的永磁同步电机在线辨识与模型参考自适应控制方法。该方法利用RBF神经网络极强的非线性映射能力,通过对神经网络的离线和在线训练,实现了电机速度的自适应控制。仿真结果表明该方法控制精度高,动、静态特性好。     

基于Adaline神经网络参数辨识的PMSM鲁棒电流预测控制

针对复杂工况下永磁同步电机存在模型参数失配导致控制系统性能下降的问题，提出一种基于参数在线辨识的鲁棒电流预测控制方法。首先，建立永磁同步电机预测控制模型，详细分析电磁参数失配对电机响应电流及输出转矩和转速的影响。然后，设计了基于Adaline神经网络的参数在线辨识器，并在传统的权值调整算法上，提出一种应用于电机参数辨识系统的新型动态混合最小均方算法。最后，利用在线辨识的参数来实时更新电流预测控制器中的参数，以避免参数失配对控制系统性能的影响。通过仿真和实验验证了所提方法和新型算法的可行性和有效性，其结果表明了该方法不仅能够实现精准在线跟踪电机参数的变化，而且有效抑制了参数失配导致的响应电流偏差。     

基于人工神经网络的发电机在线跟踪辨识

研究了应用人工神经网络对汽轮发电机组动态特性进行在线跟踪辨识的方法。由于人工神经网络具有良好的非线性特性，其在线跟踪辨识的结果优于基于线性模型的传统方法。为了加速权重的收敛，使用了两种并行训练算法，并对辨识的结果进行了详细的数字仿真和动模试验。     

基于RBF神经网络在线辨识的永磁同步电机单神经元PID矢量控制

提出一种基于RBF神经网络在线辨识的永磁同步电机单神经元PID矢量控制新方法,该方法针对传统的PI调节器固定参数所造成的不足,利用具有自适应能力的单神经元PID调节器和RBF神经网络相结合,实现了参数在线辨识,转速在线控制.仿真结果表明该方法控制精度高,动态特性好,适合于永磁同步电机的速度控制.     

基于模糊神经网络的永磁同步电机控制

针对永磁同步电机控制系统的非线性与电机参数时变易受扰动的特性,提出一种基于RBF神经网络在线自学习模糊自适应控制器,利用模糊推理机产生的分目标学习误差进行RBF神经网络的在线训练,有效地提高了控制系统的品质。算法简单易于实现;仿真证明,系统具有较好的动态性能。     

基于人工神经网络的综合负荷模型

指出了BP神经网络应用于动态综合负荷建模时存在的缺陷。提出了一种适合描述综合负荷动态特性的具有内反馈功能的动态Elman神经网络负荷模型,并采用改进遗传算法作为优化算法对某220 kV变电站综合负荷采集样本进行建模。大量建模实践表明,文章所提出的动态Elman神经网络综合负荷模型具有结构简单、参数少、应用简便、对综合负荷动态特性描述能力强等优点;Elman神经网络不仅对动态负荷建模具有良好的实用价值,也是一种很适合于电力系统其他动态非线性辨识的神经网络模型结构。     

基于免疫原理的径向基函数网络在线学习算法及其在热工过程大范围工况建模中的应用

针对现有径向基函数(RBF)神经网络训练算法在非线性动态系统大范围辨识中的不足,借鉴免疫原理,提出了一种新颖的RBF神经网络在线学习算法,通过分析RBF神经网络学习过程和免疫系统的相似性,采用免疫记忆、克隆选择、扩增和细胞凋亡机制在线动态调节网络隐层节点,并确定相应的数据中心和宽度,从而使网络具有在线学习和记忆新样本的功能,并将该网络应用于某300MW火电机组主汽压的多工况辨识.实验结果表明该算法不仅能精简网络的结构,而且能很好地适应对象的时变特性.     

基于差分进化小波神经网络的多维非线性系统辨识

提出一种基于差分进化小波神经网络(DE-WNN)的多维非线性系统辨识方法。利用差分进化算法同时优化小波神经网络的结构和参数,简化网络结构,提高小波神经网络的学习精度和收敛速度。将该方法应用于多维非线性系统的辨识,并与RBF神经网络和遗传小波神经网络的辨识结果进行了比较,实验结果表明,差分进化算法优化的小波神经网络隐层节点为6,迭代次数为30,网络训练时间为0.58s,辨识均方误差达到1.02×10?4,所提出的方法具有更高的辨识精度和收敛速度,能够更好的辨识出多维非线性系统。     

基于改进Elman网络的最优励磁控制器

本文在线性最优励磁控制的基础上,将线性最优控制理论与改进Elman神经网络有机结合,设计了一种新型的基于改进Elman网络(Modified Elman Neural Network)的最优励磁控制器.由于Elman网络具有特殊结构层,形成有"记忆"能力的神经网络的特点,并在原有结构上将高斯径向基函数引入Elman网络隐含层,因此可以更好地映射系统的非线性和动态特性.对单机无穷大系统进行仿真研究的结果表明,所设计的控制方式能精确地反映系统动态变化过程并提供良好的电压调节性能.     

基于深度残差网络的SSO模态参数辨识

针对电力系统正常运行中的微弱次同步振荡信号趋势难以辨识,辨识算法抗噪性差、辨识结果可靠性低等问题,提出一种基于深度残差网络的次同步振荡模态参数辨识方法。建立了一种由卷积层、若干残差层和全连接层等构成的深度残差网络模型;模型训练数据集依据SSO信号特点生成,全部采用仿真数据;经参数调整和优化后的模型能够实现对现场实测的低信噪比SSO信号模态参数的盲辨识。利用理想信号、含噪仿真信号和现场实测数据等三种方案对模型性能验证,结果表明该算法能有效地辨识出微弱SSO的频率和阻尼等关键参数,与卷积神经网络(CNN)和随机子空间(SSI)算法相比较,辨识精度更高,受噪声干扰小,具有盲辨识的特点,可用于电力系统次同步振荡风险的预警。     

同步发电机动态参数辨识

本文以发电机连续时间状态空间模型为研究对象,首次成功地实现了利用连续时间的修正扩展卡尔曼滤波（ＣＥＫＦ）在线辨识发电机的暂态和次暂态１１个参数;用一个简易可行的修正项加入到状态量对未知参数求偏导的公式中,使得算法即使在噪声统计特性有较大误差的情况下仍具有很高的无偏性;实现了电压解耦及用伪随机序列作为小扰动输入信号辨识发电机的参数;成功地寻找出了算法中所需初值;对新信息、方程系数、参数进行了跟踪,并     

Development and implementation of neural network observers to estimate synchronous generators’ dynamic parameters using on-line operating data

This paper illustrates a new application of artificial neural network (ANN) observers in identifying and estimating synchronous generator dynamic parameters via time-domain, on-line disturbance measurements. To prepare the training database for an ANN observer, the transient behaviours of synchronous generators have been determined through off-line simulations of a generator operating in a one-machine-infinite-bus environment. The Levenberg–Marquardt optimization utilising very fast back propagation algorithm has been adopted for training feed-forward neural networks. The inputs of ANNs are organized in coordination with the data from the observability analysis of synchronous generator parameters in its dynamic behaviour. A collection of ANNs with same inputs but different outputs is developed to determine a set of the parameters. The ANNs are utilized to estimate the above parameters by the measurements for every kind of fault separately. The robustness tests are executed by on-line measurements to identify the parameters. Simulation studies not only indicate that the observer is capable to identify the dynamic parameters of synchronous generator but also show that the tests which have given better results in identification of each dynamic parameter can be acquired.     

基于改进WOA优化BP神经网络的车用PMSM参数辨识

基于改进WOA优化BP神经网络的车用PMSM参数辨识     

基于多重局部回归Elman神经网络的短期负荷预测

针对传统静态前馈神经网络动态性能较差的缺点,提出了多重局部回归的Elman神经网络,建立了网络的基本结构,并设计了相应的学习算法和学习过程。通过对负荷原始数据的归一化处理,提出将训练数据分段的思想,并利用分段数据对多重局部回归的Elman网络进行训练,通过对收敛曲线和训练误差的分析,确定合适的网络神经元个数和网络训练步数,最后利用实际负荷数据对网络进行了检验。结果表明,改进多重局部回归Elman神经网络比传统Elman神经网络具有更高的预测精度。     

考虑逆变器非线性因素的表贴式永磁同步电机参数辨识

在表贴式永磁同步电机参数辨识中,逆变器的非线性因素会影响电机参数的辨识精度。该文通过方程变换去除定子电压方程中逆变器非线性因素产生的误差电压,构建不受逆变器非线性因素影响的参数辨识模型。为了提高辨识结果的收敛速度并降低稳态误差,采用加入动量项的自适应线性元件(Adaline)神经网络算法辨识电机参数。实验结果表明,所提方法能提高电感、定子电阻和转子磁链的辨识精度,并加快辨识结果的收敛速度。     

船舶大功率发电机混沌神经网络建模

在分析和研究了Aihara神经元混沌特性的基础上,建立了基于Aihara混沌神经元的Elman局部递归混沌神经网络（CNN）,神经元引入混沌特性后增强了神经网络对非线性映射的全局逼近能力.在船舶大功率同步发电机建模中,以船用柴油机输出转矩功率和发电机输入励磁电流作为CNN建模与辨识的输入参数;以发电机的输出频率、发电机端电压和输出电流作为CNN建模与辨识的输出参数;采用有导师学习方式,运用基于BP的动态训练方法,最终完成了船舶大功率发电机的动态建模.与其它的ANN建模相比较,用CNN建立的模型的隐层神经元数量少,系统的泛化能力强.