基于模糊规则的热工过程非线性模型的研究

建立精确的热工过程整体模型是对热工过程进行全局优化控制的基础，而热工过程往往具有非线性和不确定性，传统的描述热工过程动态数学模型的方法（如传递函数等）难以建立非线性模型，从而难于精确表达热工过程及实施整体优化控制，该文提出了一类实用的基于模糊规则的热工过程非线性建模方法，具体为：首先通过聚类和竞争学习算法，对热工过程的输入数据空间进行分区，然后在每个局部的数据子空间上，利用递推的最小二乘辨识算法（RLS）建立一个基于模糊规则的局部线性动态模型，这样，一个典型的非线性热工过程可以通过一组基于模糊规则的线性模型来表示。计算结果表明：基于模糊规则的非线性模糊模型，不仅能精确地描述过程的非线性，而且算法简单，实用。     

新型RBF神经网络及在热工过程建模中的应用

文中提出了一种基于免疫原理的新型径向基函数（RBF－Radial Basis Function)神经网络模型。该模型利用人工免疫系统的记忆、学习和自组织调节原理，进行RBF神经网络隐层中心数量和位置的选择，并采用递推最小二乘算法确定网络输出层的权值。将这种新型的RBF神经网络应用于建立热工过程的非线性模型。仿真研究表明，这种建模方法不仅计算量较小，而且精度高，并有较好的泛化能力。     

基于T-S模型的自适应神经模糊推理系统及其在热工过程建模中的应用

在工业热工过程控制中,被控对象动态特性往往表现出非线性、时变性、大迟延和大惯性等特点,这使得难以对其建立比较精确的模型,从而难于精确表达热工过程及实施整体优化控制。针对热工过程建模难的现状,为达到建立精确非线性模型的目的,提出1种基于T-S模型的自适应神经模糊系统(ANFIS)模糊建模方法。该方法通过对模糊系统的结构辨识和参数辨识,使神经模糊网络能够自主、迅速有效地收敛到要求的输入和输出关系,从而达到精确建模的目的。仿真结果验证了所提出的算法的有效性,将其应用到热工过程建模中可获得高精度的非线性模型。     

精确在线支持向量回归及其在热工过程在线建模中的应用

热工过程往往具有非线性和不确定性,传统描述热工过程动态数学模型的方法难以建立非线性模型,从而难于精确实施热工过程优化控制。文章提出了一种基于精确在线支持向量回归算法的热工过程自校正辨识方法,并与基于最小资源分配网络的非线性模型进行比较分析。仿真研究结果验证了建模方法的有效性,且所得模型精度高,可直接应用于基于模型的控制算法。     

自适应神经网络在负荷动态建模中的应用

人工神经网络(ANN)具有的自适应、自学习、非线性重构等特点，使之成为解决电力系统负荷建模的有效途径。该文利用模糊理论对典型BP神经网络(TBP)的学习速度因子和权值惯性因子进行修正，采用自构形学习算法对网络拓扑2个方面进行改进，提出自适应神经网络(ABP)。结合现场试验和仿真数据，对TBP和ABP在负荷建模的速度和精度2方面进行了比较。同时，就负荷建模问题对自适应神经网络模型阶次和隐层神经元个数等因素进行了探讨。     

采用微分进化算法和径向基函数神经网络的热工过程模型辨识

在热工过程模型辨识中,被控对象动态特性往往表现出非线性、慢时变、大迟延和不确定性等特点,这使得难以对其建立比较精确的模型。为了达到精确建模的目的,提出一种基于微分进化算法和径向基函数神经网络的辨识方法。该方法采用基于能量分布正交最小二乘学习算法的径向基函数(radial basis function,RBF)神经网络,通过改进的微分进化算法,对神经网络辨识系统进行参数优化,使RBF神经网络能够更快、更精确地逼近实际系统的输出,达到精确建模的目的。仿真结果表明,在采用改进的RBF网络对热工复杂对象进行辨识时,通过微分进化算法进一步确定其最佳参数,可以取得更好的辨识效果。     

基于LMS算法的热工过程建模研究

热工过程往往表现出非线性、大惯性和大迟延等特点,不易建立精确的数学模型,难以精确表达热工过程以至于不能达到理想的控制效果。针对这一问题,提出了基于LMS算法的自适应滤波建模方法。该方法通过误差信号自适应调整每个抽头权值,使基于该算法的自适应滤波器能够迅速的收敛到要求的输入和输出关系,从而达到精确建模的目的。仿真结果表明该算法复杂度低,精度高,能有效的应用于热工过程建模。     

基于小波神经网络的火电单元机组负荷系统建模仿真研究

火电单元机组是一种复杂的多变量对象，常规方法难以建立它的非线性数学模型。该文利用一种多输入多输出的连续小波神经网络对单元机组负荷数学模型建模问题进行了研究。网络隐层采用框架小波函数，输出层采用线性函数，采用BP算法对网络进行训练，并利用自适应的学习速率和动量参数加快网络训练的收敛速度。网络的训练结果和测试结果均表明，小波网络输出值与实际模型输出值之间的误差在允许范围内，小波神经网络可以较好地逼近单元机组负荷数学模型。     

基于RBF神经网络的气体流量软测量模型研究

流量信号是热工过程中非常重要的一个信号。由于流量信号存在着非线性、随机性和易受干扰的特点，很难建立起一个准确的测量模型，如传统的3种圆管紊流流速分布的近似模型，基于这些模型的传统测量方法很难测量出准确的流量值。该文提出的基于径向基函数（RBF）神经网络的流量测量模型，采用了带有遗忘因子的梯度下降算法来确定隐层基函数中心的位置和输出层权值的大小。计算结果表明这种模型计算量小、精度高，且算法简单实用。实验结果说明，基于这种模型的流量测量精度较以往模型有很大提高。     

基于HGA-BP算法的调速系统辨识研究

针对BP网络学习算法的不足,提出了一种基于递阶遗传算法（HGA）的BP网络建模方法。文中对递阶遗传算法在优化神经网络过程中的一些参数,如适应度函数、编码方案和交叉变异概率等提出具体的设计方法。该算法可以同时对神经网络进行拓扑结构优化和参数求解。最后采用该方法,实现了具有复杂非线性特征的某调速系统的精确建模。实验结果及其与改进BP算法建模方法的比较,验证了该算法的有效性。     

基于RBF网络的火电机组实时成本在线建模方法

针对火电厂实时成本建模问题，该文提出一种基于RBF网的在线建模方法，即资源优化网络，简称RON。RON能自动根据最近一段时间内的误差信息优化网络结构：如果当前网络不能实现新输入样本，则在线增加新隐节点，否则使用梯度法在线调节网络的隐节点数据中心和扩展常数。数据中心和扩展常数调整过程中还引入了隐节点的合并操作和删除操作。进一步介绍了火电厂实时成本建模方法，包括网络结构的确定，及如何获取训练样本。仿真实例表明，RON对能较好地适应对象参数的时变特性，并对训练样本集变化具有较好的鲁棒性。     

基于小波网络的水轮发电机组自适应控制研究

由于水轮发电机组的动力学模型比较复杂，其动态模型解析式难以精确得到，因此依据小波的非线性逼近能力和神经网络的自学习特性，提出了一种基于小波神经网络自适应控制算法。文中系统由两个小波网络组成，分别实现水轮发电机组的在线辨识与控制。仿真试验表明，该系统比采用神经网络控制具有更好的控制效果。     

Indirect adaptive control of nonlinear system via dynamic multilayer neural networks with multi‐time scales

This paper deals with adaptive nonlinear identification and trajectory tracking problem via dynamic multilayer neural network with different time scales. By means of a Lyapunov‐like analysis, we determine stability conditions for the on‐line identification. Then, a sliding mode controller is designed for trajectory tracking with consideration of the modeling error and disturbance. The main contributions of the paper lie in the following aspects. First, we extend our prior identification results of single‐layer dynamic neural networks with multi‐time scales to those of multilayer case. Second, the e‐modification in standard use in adaptive control is introduced in the on‐line update laws to guarantee bounded weights and bounded identification errors. Third, the potential singularity problem in controller design is solved by using new update laws for the NN weights so that the control signal is guaranteed bounded. The stability of proposed controller is proved by using Lyapunov function. Simulation results demonstrate the effectiveness of the proposed algorithm. Copyright © 2014 John Wiley & Sons, Ltd.     

Dynamic behavioral modeling of nonlinear circuits using a novel recurrent neural network technique

In this paper, a new method called local-global feedback recurrent neural network (LGFRNN) is proposed for dynamic behavioral modeling of nonlinear circuits. The structure of the proposed method is based on recurrent neural network and constructed by time-delayed local and global feedbacks. Adding time-delayed feedbacks has a great impact on the learning capability of previous neural network-based methods. Moreover, time-delayed local feedbacks alleviate the problem of slow convergency of the conventional neural network-based methods in the training phase. The proposed LGFRNN can be trained only by having sampled input-output waveforms of the original circuit without knowing the internal details of the circuit. A training algorithm based on real-time recurrent learning (RTRL) is used to train LGFRNN. After the training phase, the proposed LGFRNN provides accurate macromodel of a nonlinear circuit. The proposed method is more accurate compared with the conventional neural-based models (which do not benefit from time-delayed local-global feedbacks) and also significantly reduces the training time of the conventional models. Moreover, proposed LGFRNN is faster than the existing models in simulation tools. The validity of the proposed method is verified by time-domain modeling of three nonlinear devices including commercial TI's SN74AHCT540 device, five-stage complementary metal-oxide-semiconductor (CMOS) receiver, and commercial TI's LM324 power amplifier.     

基于AdaBoost-Elman算法的锂离子电池荷电状态估计方法

工作状态下的电池是一个动态的非线性系统,基于数据驱动的机器学习是锂离子电池SOC估计建模的一类重要方法,其中基于神经网络的学习方法是典型代表.针对单一前馈型神经网络(如BP神经网络)预测过程中存在泛化能力低、局部极小化、预测精度低及动态性不足等问题,提出基于AdaBoost-Elman算法的锂离子电池SOC估计方法.该...     

改进蝴蝶算法的神经网络天线建模

为提高天线建模效率,改变传统建模方法速度慢、效率低的问题,提出了一种用改进的蝴蝶算法(BOA)优化多层前馈神经网络(back propagation neural network, BPNN)的天线建模方法。首先,以多层前馈神经网络为基础网络,建立蝴蝶算法优化的BP神经网络,解决BP神经网络预测精度低的问题。其次,在蝴蝶算法中融入天牛须算法(BAS),用天牛须算法替代蝴蝶算法的局部寻优过程,减小蝴蝶算法的空间复杂度、解决蝴蝶算法易陷入局部最小值的问题,创建改进的BOA-BP神经网络对天线进行精准建模。设计实例表明,该网络的预测精度达到了99.60%,相比于传统的BPNN和未改进蝴蝶算法优化的BPNN,预测S₁₁的误差分别减少了47%和40.9%。此外,改进的BOA算法的运行时间相对于粒子群算法和遗传算法也分别减小了80.86%和82.79%,大大降低了网络运行的时间成本。综上,改进的BOA优化后的BPNN的建模精度和速度均得到了提高,验证了改进的蝴蝶算法作为一种新型神经网络优化策略的可行性和有效性。     

一种基于粒子群优化并行神经网络的电力系统负荷特性聚类方法

电力系统负荷聚类是大区电网负荷建模的基础工作之一,文中提出了一种基于粒子群优化的并行神经网络的电力系统负荷聚类算法。为了增加网络的并行处理能力,分别用一定数量的子样本集轮流对一定数量的神经网络进行并行训练,训练的结果再经过粒子群的优化,最终得到一个最优的聚类神经网络;同时为了克服神经网络聚类算法对输入样本的敏感性问题,算法采用非线性的连接权函数并将其中心作为粒子;给出了算法实现过程。采用东北电网负荷模型统计样本数据的聚类结果表明,文中提出的算法具有较强的适应性和较好的效果。     

基于神经网络预测模型的聚类自适应模糊控制器的设计及应用

将神经网络与预测控制相结合 ,采用递阶遗传算法对神经网络的权值和结构同时进行训练 ,实现了非线性、大时滞系统模型的精确预测 ;然后将聚类算法和模糊控制相结合 ,设计了一种新型的聚类自适应模糊预测控制器 ,实现了对非线性和大时滞系统的自适应控制。将该控制器应用于锅炉的单元机组负荷控制系统中 ,仿真表明该方案的适应性、实时性和鲁棒性都很强 ,具有工程实用价值。     

A real-time short-term load forecasting system using functionallink network

This paper presents a new functional-link network based short-term electric load forecasting system for real-time implementation. The load and weather parameters are modelled as a nonlinear ARMA process and parameters of this model are obtained using the functional approximation capabilities of an auto-enhanced functional link net. The adaptive mechanism with a nonlinear learning rule is used to train the link network on-line. The results indicate that the functional link net based load forecasting system produces robust and more accurate load forecasts in comparison to simple adaptive neural network or statistical based approaches. Testing the algorithm with load and weather data for a period of two years reveals satisfactory performance with mean absolute percentage error (MAPE) mostly less than 2% for a 24-hour ahead forecast and less than 2.5% for a 168-hour ahead forecast     

基于神经网络的开关磁阻电机无位置传感器控制

论文提出了基于自适应径向基函数(radial basis function，RBF)神经网络的开关磁阻电机(SRM)无位置传感器控制新方法。该方法构造了一个隐层节点初始个数为零的RBF网络，通过在训练过程中不断按照自适应算法添加和删除隐层单元，形成一个结构简单、紧凑的网络来实现电机电压、磁链与转子位置之间的非线性映射，实现SRM的无位置传感器控制。网络训练分为离线训练和在线训练两个部分。利用训练样本按给出的自适应算法对网络进行离线训练，确定RBF网络隐层节点的个数及位置；按递推最小二乘法(RLS)在线修正隐层与输出层之间的连接权。仿真及实验结果表明，该方法能够实现电机的准确换相，从而实现了位置传感器的消去。