基于CMAC神经网络的超磁致伸缩非线性控制

对于超磁致伸缩材料固有的迟滞非线性特性，本文提出一种基于小脑模型神经网络(CMAC)前馈逆补偿与PID相结合的复合控制方法。首先利用CMAC神经网络学习获得超磁致伸缩致动器(GMA)的迟滞逆模型进行补偿，再利用CMAC模型在线快速学习适应的能力，结合PID控制器降低跟踪控制时的误差和扰动，从而实现GMA的精密控制。通过MATLAB建立了CMAC前馈逆补偿控制器和CMAC-PID复合控制模型，最后通过仿真实验验证所提方法的有效性。结果表明，提出的利用CMAC神经网络逼近的迟滞模型具有令人满意的精度，在CMAC-PID复合控制方案的作用下，系统的期望位移与实际位移相对误差值最大值仅2.39%,平均相对误差值不到0.5%。说明该控制策略能适应控制对象的非线性变化，有效地提高GMA的跟踪精度。     

无刷双馈发电机双向变换器内模-前馈复合控制方案

双向变换器具有功率双向流动、功率因数可调等优点,常作为双馈型风力发电机的励磁系统,当机侧的工作状况突变时,会引起直流侧电压较大的波动.为在稳定直流母线电压的前提下减少交-直-交变换器中电容容量,提出了内模解耦控制和负载功率前馈控制的复合控制方案,使前馈补偿量能抵消负载干扰量.分析和比较了小信号模型,在MATLAB/Simulink环境下建立无刷双馈发电机的仿真系统,仿真分析结果表明复合控制策略快速地实现了直流电压的稳定,极大改善了直流母线电压的控制效果,验证了控制方案的有效性和可行性.     

永磁同步电动机神经网络逆系统简化模型的研究

将神经网络逆系统理论应用于永磁同步电动机的控制,并提出简化的永磁同步电动机神经网络逆系统控制模型.通过Matlab/Simulink的仿真工具,建立神经网络逆系统控制仿真模型,实现永磁同步电动机动态解耦,仿真结果表明了该方法的可行性,系统具有良好的动静态性能.     

基于神经网络的非线性汽门控制器鲁棒逆推设计

针时汽轮发电机调速系统,提出了一种新的神经网络逆推控制方法,实现了汽门开度控制。首先,构造汽轮发电机的动态模型状态空间表达式,使之适合于逆推控制设计方法;假设模型系统动态完全已知,得到逆推控制器并证明了其稳定性;提出了基于神经网络的逆推控制律,利用神经网络补偿系统模型中的不确定项。该方法无需回归矩阵计算及参数线性化的假设．神经网络连接权值可在线调节,能够保证跟踪误差和网络连接权一致有界。仿真结果证明了其有效性。     

基于参数辨识的电动负载模拟器复合控制

针对电动负载模拟器运行过程中系统存在的参数时变问题,同时为了保证力矩精确加载,提出了自适应控制器与前馈补偿控制器相结合的复合控制策略。引入了弹性杆以提高加载精度与系统稳定性;将自调整遗忘因子递推最小二乘法与神经网络相结合进行在线辨识系统时变参数,结合系统性能指标设计了模型参考自适应控制器;采用舵机位置前馈补偿,实现多余力矩的抑制。通过仿真验证了该复合控制策略的可行性和有效性。     

机器人逆动力学神经网络建模

针对神经网络逆动力学模型用于前馈控制的网络泛化能力问题,通过对实际机器人的仿真实验,分析了前馈神经网络学习的机理,对神经网络训练过程中的数据采样环节进行了改进,提出了在状态空间域中进行数据筛选和处理的神经网络学习方法。通过二自由度机器人运动仿真实验表明,该方法提高了模型泛化能力,有利于实时动力学前馈控制方法的实用化;与传统PID控制相比,该神经网络模型进行动力学前馈控制能大幅度减少动态误差,改善了系统稳定性。     

同步发电机BP神经网络逆方法励磁控制仿真研究

基于BP神经网络和逆系统方法设计了一种神经网络逆系统控制方法,并将其应用于同步发电机励磁控制系统。采用Matlab对单机无穷大系统进行了仿真研究,结果表明了该控制方法的适应性和鲁棒性,有利于提高电力系统稳定性。     

船舶同步发电机短路过程仿真研究

本文首先对船舶同步发电机的工作过程进行了分析,并在Matlab/Simulink/PSB平台下建立了由船舶同步发电机、励磁模块、柴油机与调速系统组成的船舶同步发电机系统的仿真模型。然后在船舶电力系统环境下对该模型进行短路过程仿真实验,分析了在三相短路和相间短路两种情况下的电网三相电流变化过程,并给出了相应结论。     

基于最小二乘支持向量机的多变量逆系统控制方法及应用

为提高多变量、非线性和强耦合系统的动态特性和解耦能力,解决逆模型辨识问题,讨论了基于最小二乘支持向量机(least squares support vector machines,LS-SVM)的多变量逆系统解耦控制方法。通过分析LS-SVM的函数拟合特性,离线建立被控对象的非线性逆模型,将得到的逆模型直接串接在原对象之前,原系统被解耦成多个独立的单变量伪线性子系统。为克服直接逆模型的建模误差,提高系统鲁棒稳定性,提出了复合控制方法,其中直接逆模型作为前馈控制器,而用PID控制器作为反馈控制器。文中还分析了球磨机控制系统的特点,并进行了仿真控制研究,仿真结果表明该复合控制方法不依赖于系统的精确数学模型,且解耦能力强、鲁棒稳定性好、跟踪精度高。     

采用复合控制的直流力矩电机摩擦补偿

针对陀螺漂移测试转台直流力矩电机系统中存在的非线性动态摩擦和负载扰动,为提高转台位置跟踪精确度,采用复合控制方法进行摩擦补偿研究.在转台直流电机系统中,电机模型采用简化的二阶线性直流电机模型,摩擦模型采用摩擦参数为非一致性变化的动态摩擦模型.补偿方法包含一个参数自适应律和CMAC神经网络,用于估计未知模型参数、辨识位置周期摩擦扰动并给与补偿.仿真结果表明,复合控制补偿方法保证了闭环系统全局稳定性和对期望位置信号的渐进跟踪,提高了转台位置跟踪精确度.     

基于粗糙集理论的中长期风速预测

在中长期风速预测中,正确处理相关因素的影响是提高风速预测精度的关键。该文提出一种粗糙集理论预测方法。利用粗糙集理论分析出风速预测的主要影响因素,将其作为中长期风速预测模型的附加输入,建立粗糙集神经网络预测模型。利用黑龙江某风电场的数据进行训练和预测,并将预测结果与单纯的混沌神经网络预测方法和持续模型方法进行对比,结果表明,粗糙集神经网络模型的预测精度最高。粗糙集方法在中长期风速预测中将是一个有用的工具。     

基于模糊调整的神经网络逆模型控制

研究了神经网络的逆模型辨识及其直接逆模型控制,提出了一种基于模糊调整的神经网络逆模型控制方法。采用神经网络建立非线性被控对象的动态逆模型,并用模糊集理论对控制器增益和积分增益进行动态调整。仿真实验结果表明该方法应用于纸浆浓度控制系统中具有良好的控制品质,较强的鲁棒性、适应性和抗扰能力。     

一种粗糙广义回归神经网络在集中供热负荷预测中的应用

为了减少预测模型的输入量,本文利用粗糙集理论智能数据分析的能力,对神经网络进行预处理,抽取关键成分作为神经网络的输入,从而确定粗糙神经网络的拓扑结构,设计了供热负荷预测的粗糙广义回归神经网络模型,并用实际数据进行了仿真检验。实验结果表明,该方法是有效的,而且对供热负荷预测具有较高的精度和可靠性。     

基于粗糙径向基函数网络的船舶发电机励磁控制

粗糙集和神经网络的集成技术综合利用了粗糙集理论数据分析与决策规则自动提取的优点以及神经网络对非线性函数任意逼近的能力,为复杂非线性系统的建模辨识提供了一种新的途径。文中提出了一种基于粗糙径向基(radial basis function,RBF)网络的船舶发电机励磁神经比例–积分–微分(proportion-integral-differential,PID)自适应控制方法,通过粗糙RBF网络离线学习和在线辨识对神经PID控制器的参数进行自适应调节。仿真结果表明,该控制方法与传统PID控制相比具有超调量小、调节速度快等优点。     

基于粗糙集的自适应模糊神经网络用于循环流化床锅炉床温控制的研究

针对循环流化床(CFB)锅炉床温的非线性、大惯性和大延迟等特性,提出了1种基于粗糙集的自适应模糊神经网络的床温控制方法,并且通过大量已知数据的学习得到模糊规则及其隶属度函数.为了减少规则的数目,提高数据的学习效率,引入了粗糙集,从采集数据中提取最小规则集,从而解决了自适应模糊神经网络中的规则爆炸问题.以CFB锅炉床温为控制对象,对基于粗糙集的自适应模糊神经网络控制器进行仿真比较.结果表明,该控制器控制效果优于常规PID控制器,但稳态误差较常规PID控制器大,其稳态误差小于1.7％,在允许范围内.     

基于云神经网络自适应逆系统的电力系统负荷频率控制

针对区域互联电力系统受到风电及负荷扰动后,系统频率会出现大幅度波动的问题,提出一种基于云神经网络自适应逆系统的多区域互联电力系统负荷频率控制方法。在分析单一区域电力系统有功输出特性的基础上,建立计及多区域有功输出的互联电力系统负荷频率控制模型。采用自适应逆控制有效解决系统响应和扰动抑制的矛盾。将云模型引入自适应逆系统构建云神经网络辨识器。利用云模型在处理模糊性和随机性等不确定性方面的优势,进一步提高神经网络的辨识能力。仿真结果表明,所设计的云神经网络自适应逆系统不仅可以得到好的动态响应,还可以使风电及负荷引起的扰动减小到最小。     

基于粗糙集和AFSA-BP的水电机组故障诊断

将粗糙集和人工鱼群优化-神经网络算法引入水电机组故障诊断中,利用人工鱼群优化算法中聚类的特点改进粗糙集属性约简方法并对水电机组故障的检测信息进行约简,提取对故障分类起主要作用的信息,并用BP神经网络对粗糙集处理后的故障信息进行诊断。实验结果表明：该方法降低了神经网络的输入信息空间维数,简化了神经网络结构,有效提高了故障诊断的准确性。     

基于粗糙集-混沌时间序列Elman神经网络的短期用电量预测

Elman神经网络由于其具有无限逼近和适应时变特性的能力被广泛用于动态数据预测。短期的用电量存在多种不确定影响因素,为了将所有影响因素考虑其中,引入混沌时间序列的重构相空间技术。由于神经网络在非线性函数中对于峰值预测偏差较大,粗糙集理论可以对其做出修正。因此,引入混沌时间序列理论和粗糙集理论改进Elman神经网络并进行建模。模型应用嵌入维度和延迟时间重构相空间恢复原来系统的动力学形态,将处理好的数据代入Elman神经网络进行用电量预测。最后引入粗糙集修正误差较大的峰值点,提高预测精度。收集了Heriot-Watt大学某宿舍楼30天的用电量数据,以5 min为计数频率共8 640个计数点作为数据集进行预测仿真。预测结果与Elman神经网络和混沌时间序列Elman神经网络进行对比,验证了该模型在短时间预测的有效性。     

基于多层前向神经网络的伺服系统逆动态控制

建立了非线性伺服系统逆动态控制的体系结构,利用启发式模拟退火算法,进行了基于神经网络方法对象模型未知条件下的伺服系统逆动态控制仿真研究。     

基于粗糙集-BP算法的配电网故障诊断

将粗糙集理论与BP神经网络相结合,以粗糙集中的信息系统决策表为主要工具,通过基于遗传算法的粗糙集属性约简算法对配电网中的原始数据进行约简,然后利用BP网络对最简规则集进行学习训练,最后用改进的粒子群算法对BP网络的权值和阈值进行优化,形成改进粒子群优化粗糙集-神经网络的模型结构。诊断结果表明:通过粗糙集属性约简,删除了大量不必要的冗余数据,提高了诊断速度和准确度。同时,针对配电网发生故障时存在误动、拒动等情况,该算法具有较高的泛化能力和较好的容错性。