基于神经网络的电极调节内模控制

精炼炉电极调节系统是一个多变量、强耦合、大滞后的非线性系统,多年以来大多采用传统PID控制方式,控制效果不很理想。本文提出一种基于神经网络的电极调节内模控制方法,通过仿真证明了精炼炉电极调节系统内模控制跟踪设定电流好、抗扰动能力强。     

基于神经网络内模控制在机械手中的研究

将内模控制与神经网络相结合的方法来解决机械手的控制问题,使机械手沿着一定的期望轨迹运行。神经网络对机械手建模作为内模控制中的模型,训练方法采用前向网络的BP学习算法。单个神经元使用静态模型,输入神经元之间的延迟引入系统的动态。仿真结果表明,该方法具有有效性和实用性。     

基于BP神经网络的电极调节内模控制

精炼炉电极调节系统是一种多变量、强耦合、大滞后的非线性系统,传统的PID控制技术的控制效果不理想.为此,提出一种基于神经网络的电极调节内模控制方法.仿真实验表明,精炼炉电极调节系统内模控制跟踪设定电流好、抗扰动能力强.     

神经网络内模控制算法的研究

对人工神经网络内模控制系统中建立神经网络内部模型和神经网络内模控制器的算法问题进行了深入分析,给出的控制算法方便易行。研究表明,神经网络内模控制可以实现预测控制。仿真分析结果验证了控制算法的有效性。     

基于模糊神经网络的二自由度内模控制

针对工业控制领域具有代表性的过程控制对象,设计了一种二自由度内模控制器,可以同时独立地调节日标值跟踪特性、干扰抑制特性和鲁棒性.并提出了一种基于模糊神经网络的二自由度内模控制参数在线智能整定方法.理论分析和仿真结果表明,所提出的方法设计简单、参数凋整方便,可以使系统同时具有良好的目标值跟踪特性、干扰抑制特性和鲁棒性.     

神经网络内模控制在并联有源滤波器中的应用研究

有源滤波器(APF)的控制是一个典型的非线性控制过程.非常适合用神经网络来实现.本文提出一种应用于并联有源滤波器系统的神经网络内模控制方法.采用离线训练和在线修正的方法,通过对APF补偿电流的在线估计,建立了系统的神经网络内部模型.神经网络最优控制器根据神经网络模型的输入、输出响应产生合适的PWM控制信号.基于Matlab/Simalink环境建立了模型并进行了仿真,仿真结果验证了该控制方法的有效性.     

小波神经网络内模控制的性能研究

使用小波神经网络分别逼近对象模型和逆模型,并对原非线性系统及其逆模型组成的伪线性系统采用内模控制理论,基于逆系统方法进行控制.当系统的建模误差满足线性增长条件时,分析了小波神经网络内模控制系统的鲁棒性和稳定性,当系统的建模误差不满足线性增长条件时,应用波波夫超稳定性理论分析了系统的鲁棒性.仿真结果表明小波神经网络内模控制系统是处理非线性问题比较有效的方法之一.     

内模控制研究综述

本文阐述了内模控制（IMC）的基本原理，对内模控制的发展进行了概述，介绍了内模控制的最新研究成果，对现有方法存在的一些问题进行了分析，并对IMC的发展前景和可能的改进策略提出了看法。     

三相高功率因数整流器的神经网络内模控制

针对三相高功率因数整流器采用常规PID控制效果差的问题,利用坐标变换,提出一种基于神经网络内模原理的整流器电流波形控制方案.用神经网络预估器作为整流器的内部模型,用神经网络辨识预估整流器正模型及其逆模型,在线修正、补偿内部模型与被控整流器之间的模型失配.分析结果表明,在该方案控制下系统稳压精确度高,有较快的动态响应,网侧电流谐波畸变率小.实验结果验证了该方法的可行性和有效性.     

基于ELMAN神经网络的同步电机动态参数在线辨识

为提高同步电机参数在线辨识的速度和可靠性，减少辨识计算量，提出了一种基于神经网络的电机参数动态跟踪辨识方法。针对同步电机暂态、次暂态参数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，因而可以映射系统的非线性和动态特性。在网络训练算法中，提出一种自适应修正步长和矩量因子的算法，显著提高了训练的收敛速度。训练样本集以同步电机在各种典型运行模式下的检测数据经卡尔曼滤波、状态空间有限元等基于模型的辨识算法离线计算得到。文中还给出了由工控机、智能数据采集卡和传感器锁相环控制接口电路构成的在线辨识硬件电路设计。数字仿真和动模实验机组辨识算例证明，这种Elman神经网络模型能够实现同步电机动态参数的在线跟踪辨识。     

改进小波结合BP网络的风力发电机故障诊断

针对风力发电机早期故障时定子电流特征量难以提取的问题,提出了单子带重构改进小波变换结合BP神经网络的风力发电机故障诊断新方法。通过对风力发电机的定子电流进行单子带重构改进小波变换,消除了传统小波变换中的频率混叠现象;从小波变换后的子带信号中选取特征域、提取特征量作为BP神经网络的输入;在此基础上,结合BP神经网络的输入输出非线性映射能力,完成对故障的诊断和定位。经过仿真实验证实,该方法准确地实现了对风力发电机故障的诊断。     

可控串补神经内模控制系统设计

可控串补(TCSC)是一种重要的柔性交流输电系统(FACTS)控制装置。其建模及相应的控制策略是当今国内外重要的研究课题。通过神经网络系统辨识设计了一个TCSC神经内模控制系统。仿真表明:该控制器不但能快速调节容抗、改善系统的稳定性,并且有较强的自适应性和鲁棒性。     

基于改进Elman神经网络的风速预测

指出风速预测对并网风力发电系统的运行有重要意义。为提高风速预测精度,提出了一种基于改进的Elman神经网络风速预测方法,利用误差反向传播的方法来确定反馈增益γ值。分别采用改进Elman神经网络与BP神经网络建立模型,对实际历史风速数据进行仿真预测。利用风电厂实际数据验证,并阐述了仿真结果。     

基于内模控制的三电平PWM整流器控制方法

根据二极管钳位式三电平PWM整流器的电路结构,建立了在dq坐标系的解耦状态空间方程。当系统参数与模型参数不完全匹配时,传统的双闭环调节方法可能会出现解耦失败。为了实现可靠的解耦控制,将内模控制原理应用于三电平PWM整流器电流内环控制中,用内模控制器代替传统的电流PI调节器,并在Matlab/Simulink中进行了大量仿真实验。仿真结果表明,内模控制器能使系统获得优良的动静态性能,而且设计方法简单,参数调节方便。     

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。     

基于改进型Elman神经网络龋短期电力负荷预测

精确的短期电力负荷预测对电力系统的生产调度和安全稳定运行起到十分重要的作用。为提高短期电力负荷预测模型的精度。提出了一种基于Elman神经网络的改进模型。通过在输出层和隐含层之间扩展一个新的承接层。增强了Elman神经网络的动态信息处理能力。仿真结果表明,改进型Elman神经网络预测模型的预测精度要高于反向传播、支持向量机和常规Elman,同时也说明了建立改进型Elman模型用于短期电力负荷预测是可行的。     

永磁同步电动机的神经模糊矢量控制研究

通过分析永磁同步电动机（PMSM）的数学模型,提出神经网络模糊控制器的设计方法,并应用于永磁同步电动机双闭环矢量控制系统中的转速控制器,用来精确实现永磁同步电动机的速度控制。仿真实验表明,该方法得到的各项性能指标均优于PI控制和递归模糊神经网络控制,具有很强的适应性和鲁棒性,取得了比较理想的控制效果,为实现永磁同步电动机的智能化调速控制提供了切实可行的技术方案。     

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。     

风力发电机单神经元内模解耦研究

针对双馈感应风力发电机(DFIG)矢量控制中转子电流M轴和T轴间存在的交叉耦合电压,提出单神经元内模控制器解耦新方案,讨论了具体的实现结构。对内模控制器采用等效变换和泰勒级数展开,将其约化为PID控制器的结构形式,并给出了单神经元控制器的详细S函数实现。仿真结果表明:利用单神经元控制使系统具有一定的参数自适应性,同时验证了该方案的可行性和有效性。