粒子群优化RBF神经网络光伏电池建模研究

本文研究神经网络在光伏电池建模优化问题。由于光伏电池具有高度非线性特性,其输出功率受到外界自然因素的影响,使得传统方法不能满足光伏控制系统动态要求。针对上述问题,本文提出一种粒子群优化的神经网络光伏电池建模算法。改进的方法以日照、温度和负载电压作为提出的RBF神经网络模型的输入值,把光伏电池的输出功率作为神经网络的输出,采用RBF神经网络对光伏电池进行建模,同时利用粒子群算法对神经网络参数进行优化,最后建立光伏电池的动态响应模型。仿真实验结果证明,所提模型更好地克服传统方法的缺点,收敛速度快,具有较高的预测精度和适合能力。     

基于改进BP神经网络辨识的DMFC建模研究

针对直接甲醇燃料电池（DMFC）系统过于复杂,难以建模的特点,该文试图绕开DMFC的内部复杂性,基于实验数据。利用神经网络逼近任意复杂非线性函数的能力,将神经网络辨识方法应用到DMFC这种高度非线性系统的建模。以1000组电池电压、电流密度实验数据作为训练样本,采用基于LM算法的改进BP神经网络,建立了不同温度下电池电压-电流密度动态响应模型。仿真结果表明这种方法是可行的,建立的模型精度较高,它使得设计DMFC的实时控制器成为可能。     

基于神经网络辨识的熔融碳酸盐燃料电池（MCFC）建模

针对熔融碳酸盐燃料电池（MCFC）电堆系统过于复杂,难以建模以及已建立的模型过于复杂,难以满足工程上对MCFC系统控制设计特别是实时控制的需要,该文试图绕开MCFC的内部复杂性,提出利用神经网络具有逼近任意复杂非线性函数的能力,将神经网络辨识方法应用到MCFC这种高度非线性系统的建模。以燃料气和氧化剂气体的流速为输入量,MCFC电堆的温度响应为输出量,根据输入输出数据用神经网络辨识建立MCFC电堆系统的温度模型,给出了辨识系统的结构及改进BP算法。仿真结果证明了这种方法的可行性,建立的模型精度较高,它使得设计MCFC的实时控制器成为可能。     

基于RBF-BP神经网络的光伏MPPT研究

针对光伏电池的输出特性受光照强度、温度等因素的影响而具有的非线性特性的问题,为了提高光伏发电系统的发电效率必须对其输出功率进行追踪,并且为了克服MPP追踪过程中收敛速度慢和精度低的缺点,提出了一种RBF-BP组合神经网络对光伏阵列最大功率点追踪的算法。首先通过对光伏电池输出特性的研究,确定了温度和光照强度是影响光伏电池最大功率点输出的主要因素。然后考虑这两个因素作为RBF-BP组合神经网络的输入来设计光伏阵列最大功率点追踪系统。最后,利用Matlab建立该系统的仿真模型,并进行仿真研究与分析。仿真结果表明,该系统具有最大功率点追踪的精度高,响应速度快等优点。从而有效地实现了对光伏最大功率点的追踪,提高了光伏发电系统的发电效率。     

基于CIGS薄膜光伏电池的三相并网研究与仿真

针对光伏电池工程数学模型误差较大的问题,本文采用基于光伏电池物理等效电路模型对CIGS（铜铟镓硒）薄膜光伏电池阵列进行建模仿真,并采用牛顿插值算法对CIGS薄膜光伏电池阵列进行最大功率点跟踪,并网逆变器部分则采用直接电流控制策略,由此搭建仿真平台实现三相光伏并网仿真。仿真结果和数据表明了CIGS薄膜光伏电池阵列所建立模型的有效性和牛顿插值最大功率点跟踪算法的快速与准确性,以及直接电流控制策略的实用性。对CIGS薄膜光伏发电系统的工程分析和设计具有较高的参考价值。     

基于MATLAB/Simulink的光伏模糊最大功率点跟踪控制的研究

根据光伏电池的内部结构建立其等效电路图,在MATLAB/Simulink的环境下建立光伏电池的仿真模型,并对不同温度和光照强度下光伏电池的输出特性进行了仿真。同时,对光伏电池在不同条件下的输出特性进行了分析。基于光伏电池仿真模型的基础上利用模糊控制的方法对于光伏系统最大功率点跟踪进行了仿真研究,仿真结果验证了模糊控制在处理光伏系统这种非线性系统时有很强的优势。     

广义回归神经网络在非线性系统建模中的应用

广义回归神经网络具有设计简单、收敛快等优势,因此在复杂非线性系统建模中得到了广泛应用;在简要介绍了广义回归神经网络的结构和算法的基础上,基于广义回归神经网络和均匀设计理论,提出了一种新的非线性系统稳健建模方法,并给出了仿真算例;仿真结果表明,用文中提出的方法建立非线性系统预测模型,具有预测结果稳定、模型稳健性好等优点.     

基于物理特性的光伏电池建模仿真及验证

提出了一种基于光伏电池物理特性的数学模型,并在Matlab/Simulink环境下建立了仿真模型。仿真结果表明,所提出的数学模型能很好地模拟光伏电池的特性。以此光伏电池模型为基础,建立了光伏电池最大功率点跟随系统的仿真模型,仿真结果验证了此光伏电池模型的正确性,为实际应用中,光伏电池的输出可靠性提供了新的解决思路。     

光伏电池的仿真及其模型的应用研究

不论是太阳能发电系统还是风光互补发电系统,熟悉光伏电池的输出特性是设计新能源发电系统的基础和前提.根据光伏电池输出特性关系式,利用MATLAB的Simulink模块搭建了参数和工况可调的光伏电池模型,并运用该模型建立了具有最大功率跟踪(MPPT)功能的光伏发电系统的仿真模型,通过仿真结果可以更好地把握光伏电池的特性,为...     

一种混合神经网络飞行控制方法研究

讨论了一种基于神经网络控制的飞行控制方法。针对复杂非线性系统难以建立精确模型的特点,利用神经网络的任意非线性逼近能力进行控制器设计,首先应用神经网络在线辨识对象逆模型,进行控制系统反馈线性化;接着利用circle theorem（圆定理）设计线性PID鲁棒控制器,控制系统输出跟随系统输入,然后应用神经网路自适应逆方法设计混合控制器,最后以F-8飞机纵向飞行控制模态为研究对象进行仿真。仿真结果表明,该控制方法具有较强的自适应和抗干扰能力。     

基于广义回归神经网络的SOFC电压模型研究靠

首先介绍并分析了固体氧化物燃料电池(SOFC)的工作原理和理论电压模型.然后,针对SOFC系统过于复杂,理论电压模型存在明显不足的特点,试图绕开SOFC的内部复杂性,利用广义回归神经网络(GRNN)对SOFC系统进行辨识建模.模型以电池工作温度为神经网络辨识模型的输入量,电池电压/电流密度为输出量,利用750组实验数据作为训练样本,建立了SOFC在不同工作温度下的电池电压/电流密度动态响应模型.仿真结果表明了该方法的有效性,所建模型精度也较高.     

基于神经网络辨识的DMFC电压模型研究

介绍并分析了直接甲醇燃料电池(DMYC)的工作原理及理论电压模型,并针对直接甲醇燃料电池系统过于复杂,理论电压模型存在明显不足的特点,试图绕开DMYC的内部复杂性,基于实验数据,利用神经网络逼近任意复杂非线性函数的能力,将神经网络辨识方法应用到DMYC这种高度非线性系统的建模中去,以1000组电池电压、电流密度实验数据作为训练样本,采用基于LM算法的改进BP神经网络,建立了不同温度下电池电压一电流密度的神经网络辨识模型。仿真结果表明这种方法是可行的,建立的模型精度较高。     

基于动态函数连接神经网络的自适应逆控制系统辨识研究

自适应逆控制将系统扰动消除和动态响应性能独立分开控制,其性能的优劣取决于系统对象、逆对象及逆控制器模型辨识精度的高低。文中提出用动态函数连接神经网络来实现自适应逆控制系统对象、逆对象的同时在线建模和逆控制器的离线建模,并将模型参数的辨识转化为空间参数寻优。针对混沌初始化对已收敛种群结构的破坏性,提出用变参数混沌粒子群优化算法对神经网络权值进行全局寻优,通过仿真实验可以看出基于动态函数连接神经网络的建模误差小,辨识精度高;与当前的参考模型自适应控制方法进行对比分析,所提方法能取得较好的扰动消除效果,并能使系统的跟踪响应性能得到提高,从而验证了方法的有效性、可行性。     

Nonlinear systems identification using dynamic multi-time scale neural networks

In this paper, two Neural Network (NN) identifiers are proposed for nonlinear systems identification via dynamic neural networks with different time scales including both fast and slow phenomena. The first NN identifier uses the output signals from the actual system for the system identification. The on-line update laws for dynamic neural networks have been developed using the Lyapunov function and singularly perturbed techniques. In the second NN identifier, all the output signals from nonlinear system are replaced with the state variables of the neuron networks. The on-line identification algorithm with dead-zone function is proposed to improve nonlinear system identification performance. Compared with other dynamic neural network identification methods, the proposed identification methods exhibit improved identification performance. Three examples are given to demonstrate the effectiveness of the theoretical results.     

一种自组织双模糊神经网络控制算法

针对传统模糊神经网络设计复杂、控制实时性滞后的问题,提出自组织双模糊神经网络算法。将样本数据进行聚类划分,形成原始的模糊隶属函数集;在神经网络的离线训练过程中,完善并优化模糊隶属函数和规则;采用双神经网络结构,在线工作时,一个神经网络完成在线学习任务,另一个神经网络完成工业控制任务;经过一定的系统周期,同步系统中两组神经网络的参数;提取完成控制任务的神经网络的输出作为算法的输出。应用于火箭发动机试验台控制系统中,表明算法能够提升控制系统中针对输入参数越界的鲁棒性,提高控制实时性,简化了模糊神经网络的设计复杂度。     

Nonlinear modeling of MCFC stack based on RBF neural networks identification

Modeling molten carbonate fuel cells (MCFC) is very difficult and the most existing models are based on conversation laws which are too complicated to be used to design a control system. This paper presents an application of radial basis functions (RBF) neural networks identification to develop a nonlinear temperature model of MCFC stack. The temperature characters of MCFC stack are briefly analyzed. A summary of RBF neural networks modeling of MCFC is introduced. The simulation tests reveal that it is feasible to establish the model of MCFC stack using RBF neural networks identification. The modeling process avoids using complicated differential equations to describe the stack and the neural networks model developed can be used to predict the temperature responses online which makes it possible to design online controller of MCFC stack.     

Hybrid GMDH-type modeling for nonlinear systems: Synergism to intelligent identification

This paper presents a novel hybrid GMDH-type algorithm which combines neural networks (NNs) with an approximation scheme (self-organizing polynomial neural network: SOPNN). This composite structure is developed to establish a new heuristic approximation method for identification of nonlinear static systems. NNs have been widely employed to process modeling and control because of their approximation capabilities. And SOPNN is an analysis technique for identifying nonlinear relationships between the inputs and outputs of such systems and builds hierarchical polynomial regressions of required complexity. Therefore, the combined model can harmonize NNs with SOPNN and find a workable synergistic environment. Simulation results of the nonlinear static system are provided to show that the proposed method is much more accurate than other modeling methods. Thus, it can be considered for efficient system identification methodology.