基于遗传算法的有源消声系统设计

建立了基于遗传算法的自适应有源消声模型,介绍有源消声系统原理,自适应控制系统的关键在于其控制算法,用算法来调整滤波器的系数.在消声系统里必须考虑的因素主要有误差、声音的延迟、声音的衰减、在公式中适当的加入相位变化等.该系统结合神经网络算法,遗传算法和BP算法结合并改进提高了精度和准确性,可以用来优化神经网络的结构及其权值.实验分别从单音和复音情况进行,实验结果证明了基于神经网络算法的自适应有源消声系统有良好的消声效果,该系统稳定性较强.     

基于神经网络的模糊控制在变电站综合控制中的应用

针对目前变电站电压 无功综合控制存在的不足 ,将基于神经网络的模糊控制应用于传统的系统分区 ,充分利用模糊控制与神经网络的各自优势 ,进行基于模糊无功边界的综合控制 ,有效减少了有载分接头调节次数 ,提高了系统的调节性能和电压质量。     

基于模糊神经网络PID算法的液位控制系统研究

在工业生产中,液位控制系统得到了广泛应用,但是对于这种大滞后、非线性的复杂控制系统,传统的PID控制方法存在着参数整定困难,控制效果不理想的缺陷。在对传统的PID算法、模糊控制算法和神经网络算法研究的基础上,提出了一种将模糊神经网络PID算法应用到液位控制系统中去的解决方案,并采用MATLAB对液位对象控制进行仿真实验,同时采用A3000型水箱实验平台对仿真实验结果进行验证。研究结果表明,基于模糊神经网络的PID算法的液位控制系统在调整时间和超调量上都优于传统的PID算法,控制效果和抗干扰能力更强,克服了传统PID算法的不足。     

二级倒立摆的递阶模糊神经网络控制

为了表明模糊神经网络控制器比较适合于控制快速、多变量、强非线性、绝对不稳定系统，可以克服用模糊神经网络控制多变量系统时的规则组合爆炸问题。本文提出用递阶模糊神经网络控制二级倒立摆。这种方法可以有效地减少多变量输入的模糊神经网络控制器的规则数，有利于利用专家的控制经验初始化网络参数，从而有利于下一步利用遗传算法对其进行优化。实验结果表明：与线性最优控制相比，本文方法的控制效果好、鲁棒性强。     

基于神经网络辨识的模糊预测函数控制

针对生产过程中存在的滞后性、时变性、不确定性和变工况等特点及预测函数控制中模型失配的影响的情况,提出了基于神经网络辨识参数、通过模糊推理对控制量进行补偿的解决方案。并将基于神经网络辨识的模糊补偿预测函数控制应用于锅炉燃烧控制系统,通过连续系统仿真,结果表明这种控制器具有较强的鲁棒性。     

Power-system stabilizing control by SMES using fuzzy techniques and neural networks

It has been clarified that a superconducting magnetic energy storage (SMES) is very effective for power system stabilization. The control methods proposed for power system stabilization by SMES include the pole assignment, the optimum control, and so on, each of which, however, has its drawbacks. The application of fuzzy control is considered to overcome these drawbacks. This paper considers the power system stabilization by fuzzy control of the active and reactive power of SMES. First, the adequate fuzzy control rules of an SMES for the model power system is derived. Then, to alleviate the dependence of the fuzzy control on the operating condition and the fault, a method is proposed which adjusts the fuzzy parameter according to the operating condition and the fault using a neural network. The validity of the proposed method is examined by computer simulations.     

模糊自抗扰附加阻尼控制抑制光火打捆经串补送出的次同步振荡

针对光伏、火电打捆经串补送出系统,提出一种基于模糊自抗扰的附加阻尼控制器,来抑制交流串补可能引发的次同步振荡。首先对打捆系统的振荡模式进行辨识,然后通过巴特沃斯带通滤波器将各振荡模式对应的转速分量分解到不同的通道,在每个通道中设计相应的自抗扰阻尼控制器。考虑到光伏出力具有波动性、间歇性等特点,运行状态比较复杂,采用模糊控制对自抗扰关键参数进行自整定改进。基于PSCAD/EMTDC仿真软件,以加入光伏并网的IEEE次同步振荡第一标准模型作为仿真算例进行验证。结果表明,所设计的模糊自抗扰附加阻尼控制器在系统受到扰动时,能够有效抑制火电机组的次同步振荡,具有较强的鲁棒性,且抑制效果优于传统的PID控制。     

基于模糊神经网络逆系统的五自由度无轴承永磁同步电机自抗扰控制

为了实现五自由度无轴承永磁同步电机的高性能控制,提出一种基于Takagi-Sugeno(T-S)型模糊神经网络逆系统的自抗扰控制方法.首先,基于五自由度无轴承永磁同步电机(5-DOF BPMSM)的结构及运行原理,建立五自由度无轴承永磁同步电机的数学模型,并对数学模型进行了可逆性分析.其次,利用T-S型模糊神经网络的非...     

基于模糊神经网络风电混合储能系统优化控制

采用风电储能系统来平抑风电波动功率在当今是一个有效的措施,然而储能系统控制策略的好坏直接影响风电系统的技术性能和经济性能。根据超级电容器和蓄电池在功能上的互补性,将其应用在基于双馈电机的风电场中,风电场采用分布整流集中逆变拓扑控制结构,并对其设计模糊神经PID控制器,采用模糊神经网络算法对混合储能系统PID控制参数进行在线优化。基于Matlab/Simulink平台搭建控制系统仿真模型,并进行仿真分析,验证了混合储能系统能够提高储能装置的使用寿命。根据储能系统补偿功率和其荷电状态的波动范围,以及对风电波动功率的平滑程度,验证了该控制系统的有效性。     

模糊神经滑模控制在交流伺服系统中的应用

针对滑模控制器中要求估算不确定参数的变化范围以及系统抖动的问题,提出了一种模糊神经滑模控制器的方案,该系统仿真结果显示其具有较强的鲁棒性     

Adaptive neural network command filtered backstepping control of pure‐feedback systems in presence of full state constraints

An adaptive neural network (NN) command filtered backstepping control is proposed for the pure‐feedback system subjected to time‐varying output/stated constraints. By introducing a one‐to‐one nonlinear mapping, the obstacle caused by full stated constraints is conquered. The adaptive control law is constructed by command filtered backstepping technology and radial basis function NNs, where only one learning parameter needs to be updated online. The stability analysis via nonlinear small‐gain theorem shows that all the signals in closed‐loop system are semiglobal uniformly ultimately bounded. The simulation examples demonstrate the effectiveness of the proposed control scheme.     

Maximum power tracking control for a wind energy conversion system based on a quasi‐ARX neural network model

By itself, a wind turbine is already a fairly complex system with highly nonlinear dynamics. Changes in wind speed can affect the dynamic parameters of wind turbines, thus rendering the parameters uncertain. However, we can identify the dynamics of the wind energy conversion system (WECS) online by a quasi‐ARX neural network (QARXNN) model. A QARXNN presents a problem in searching for the coefficients of the regression vector (input vector). A multilayer perceptron neural network (MLPNN) is an embedded system that provides the unknown parameters used to parameterize the input vector. Fascinatingly, the coefficients of the input vector from prediction model can be set as controller parameters directly. The stability of the closed‐loop controller is guaranteed by the switching of the linear and nonlinear parts of the parameters. The dynamic of WECS is derived with given parameters, and then a wind speed signal created by a random model is fed to the system causing uncertainty parameters and reducing the power that can be absorbed from wind. By using a minimum variance controller, the maximum power is tracked from WECS. From the simulation results, it is observed that the proposed controller is effective in tracking the maximum power of WECS. © 2015 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

含深度学习代理模型的有源配电网电压无功控制进化算法

分布式可再生能源的大规模接入,加剧了有源配电网(Active Distribution Network, ADN)的三相不平衡,容易导致系统电压越限与线损增加。然而,由于当前配电网量测设备安装不全,部分节点负荷数据难以准确获取,因此传统基于全局观测的ADN电压控制方法难以满足实际控制需求。为解决上述问题,提出一种含深度学习代理模型的电压无功控制(Volt/Varcontrol,VVC)进化算法。设计以高速公路神经网络为代理模型,精确拟合局部量测负荷信息、调压控制策略与系统性能指标之间的映射关系。将训练后的代理模型嵌入非支配排序遗传算法的迭代寻优过程中,对电压偏移率、三相不平衡度及线路损耗指标进行直接计算,实现数据驱动的配电网VVC策略快速求取。在改进的IEEE 123节点三相配电网算例上进行测试,验证了所提算法的性能优势及求解效率。