发电机励磁系统参数辨识的仿真研究

研究发电机励磁系统参数辩识问题,由于励磁系统是一个非线性系统,造成电力系统不稳定.传统时域或频域辩识方法不能辩识其非线性环节,导致励磁系统辩识的精度低.为了提高发电机励磁系统的辩识精度,提出一种神经网络的发电机励磁系统参数非线性辨识方法.以发电机励磁系统实际输入作为神经网络的输入,以实际励磁系统输出与神经网络输出之间的最小误差作为目标函数,通过不断调整神经网络的权值对神经网络模型进行优化,最后得到满足系统误差要求的发电机励磁系统参数.仿真结果表明,改进方法解决了传统辩识方法无法准确辩识励磁系统非线性环节的难题,有效提高了励磁系统的辨识精度.     

应用改进粒子群算法辨识Hammerstein模型

研究非线性系统辨识问题.针对非线性系统中单输入单输出Hammerstein模型,由于传统辨识方法对Hammerstein模型中非线性部分具有不易辨识的缺陷,造成辨识精度低、辨识效果差等问题.为此,在基本粒子群算法的基础上,提出了一种带有收缩因子的改进的粒子群算法对非线性系统进行辨识的方法,可将参数辨识问题转换为参数空间上的函数优化问题,然后利用粒子群算法的并行搜索能力进行参数寻优.通过MATLAB软件进行仿真,并与基本粒子群算法进行比较,结果表明,利用改进算法不仅提高了辨识精度而且获得了良好的辨识效果,从而验证了算法的有效性和可行性.     

采用改进PSO的非线性系统T-S模糊模型辩识

提出了一种新的T-S模糊模型的非线性系统辨识方法。采用自适应模糊C均值聚类算法确定模糊模型的前件结构及参数,用改进的粒子群优化(PSO)算法来辩识模糊模型的结论参数以获得系统参数的最优估计。仿真结果表明该方法是有效的。     

高超声速飞行器惯导系统误差参数两次优化辨识方法

为满足高超声速飞行器高精度和高可靠性的导航要求,提出一种在发射惯性系下利用智能优化算法实现捷联惯性系统误差参数两次优化辨识的方法.建立惯性测量单元(IMU)误差补偿模型和完整的非线性捷联惯性系统导航模型,为数值优化计算提供准确的模型基础.基于SINS/GPS/CNS组合导航系统信息,建立陀螺仪误差优化模型和加速度计误差优化模型,采用两次优化策略分步估计捷联惯性系统误差参数:首先利用粒子群算法对陀螺仪误差参数进行优化辨识和补偿;然后利用粒子群算法对加速度计误差参数进行优化辨识.仿真结果表明,基于组合导航系统信息和非线性优化模型,两次优化辨识方法能够在线辨识出高精度的捷联惯性系统误差参数,陀螺仪和加速度计优化参数值的相对误差均在20%以内,从而有效提高了高超声速飞行器导航精度.     

舰艇发电机励磁系统参数辨识研究

介绍辅助变量法与粒子群优化算法在舰艇发电机励磁系统辨识中的应用,并在Labview软件中编写了相应的计算程序。以某舰艇发电机励磁系统为例,在Matlab/Simulink中搭建该励磁系统仿真模型,将采样获得的输入输出数据,输入Labview辨识软件中,估计各参数值。实验分别采用+10%、+50%阶跃响应,辨识系统线性模型和非线性模型,并比较不同噪声幅值情况下的PSO辨识结果。实验结果证明PSO算法在励磁系统参数估计中的有效性。     

异步电机无速度传感器速度辩识的仿真研究

研究异步电机无速度传感器辩识问题.在电机无速度传感器辩识过程中,为保证电机系统的实时调节的稳定性和准确性,传统的BP神经网络存在网络结构难以确定,极易陷入局部最优解,导致转速辩识慢,精度低的难题.为了提高电机速度辩识准确率,提出一种粒子群和BP神经网络算法相结合的转速辩识方法.采用粒子群来优化BP神经网络粒的权值和阈值,将粒子群算法全局搜索能力和BP算法的局部寻优特点的互补,以提高BP神经网络的收敛速度及精度,将优化后神经网络转速辩识器用于直接转矩控制系统中.在Matlab平台上进行了无速度传感器控制系统的建模仿真.仿真结果表明,该算法加快了辩识速度,提高了转速的辩识精度,具有良好辩识效果.     

一种辨识Wiener-Hammerstein模型的新方法

针对非线性Wiener-Hammerstein模型,提出利用粒子群优化算法对非线性模型进行辨识的新方法.该方法的基本思想是将非线性系统的辨识问题转化为参数空间上的优化问题;然后采用粒子群优化算法获得该优化问题的解.为了进一步增强粒子群优化算法的辨识性能,提出利用一种混合粒子群优化算法.最后,仿真结果验证了该方法的有效性和可行性.     

基于进化粒子群优化的非线性系统辨识

为解决复杂非线性系统的辨识问题,提出了一种基于进化粒子群优化算法的非线性系统辨识方法.在标准粒子群优化算法的基础上引入一种进化策略, 增加粒子的多样性.在算法迭代寻优的过程中, 通过对群体中的粒子进行选择、变异等进化操作, 构造进化粒子群优化算法, 提高算法的全局搜索能力.将非线性系统辨识问题转化为非线性连续域优化问题, 利用进化粒子群优化算法进行并行、高效搜索, 以获得该优化问题的解.通过对多输入单输出的Wiener-Hammerstein模型进行辨识, 验证了该方法的正确性和可行性.     

基于反馈教学优化算法的混沌系统参数辨识

针对传统智能优化算法对混沌系统参数辨识精度低、速度慢的问题,提出一种基于反馈教学优化算法的混沌系统参数辨识的新方法.该方法以教学优化算法为基础,在教授-学习阶段之后加入反馈阶段,同时将参数辨识问题转化为参数空间上的函数优化问题.分别以三维二次自治广义Lorenz系统、Jerk系统和Sprott-J系统为待辨识模型,对粒子群优化算法、量子粒子群优化算法、教学优化算法及反馈教学优化算法进行了对比实验,反馈教学优化算法辨识误差为零,搜索次数明显减少.仿真结果表明,反馈教学优化算法明显提高了混沌系统参数辨识精度和速度,验证了该算法的可行性和有效性.     

T-S模型的遗传算法和支持向量机辨识

基于非线性系统的输入输出数据,辩识对象的T-S模型.提出基于遗传算法和最小二乘支持向量机的辨识方法,利用遗传算法聚类进行结构辨识,每个类代表一条规则,规则数等于类数量,类中心作为该规则的隶属度函数中心类数;同时考虑模型辨识精度,实现全局优化;参数辨识采用基于结构风险最小化的最小二乘支持向量机方法,综合考虑模型复杂度和辨识误差.仿真结果证明了算法的有效性,辨识精度高,泛化能力强.