静止无功发生器递归神经网络多目标监督控制

利用递归神经网络的动态映射能力,将递归神经网络应用于新型静止无功发生器(ASVG)的控 制中,根据系统不同的运行点,构造了ASVG多目标递归神经网络监督控制器。仿真研究表明 ,这种控制器可以对系统大范围运行实现良好的控制。     

静止无功发生器递归神经网络逆动力学控制

根据对角递归神经网络的特点分析了其非线性映射能力,并根据新型静止无功发生器(ASVG) 的特点提出了ASVG递归神经网络逆动力学控制。所构造的控制器由于可以实现ASVG电力系统 非线性逆动力学特性的学习,因而根据期望的控制效果可以获得期望的控制量。理论分析与 仿真实验表明,这种控制器可以对ASVG实现良好的控制。     

静止无功发生器递归神经网络自适应控制

构造了新型静止无功发生器(ASVG)递归神经网络自适应控制系统,该系统由递归网络辨识器 及神经网络控制器构成,所构造的系统可以实现ASVG的非线性自适应控制。仿真实验表明, 该控制系统具有良好的控制品质、鲁棒性及泛化能力,是一种较为通用的电力系统控制模型 。     

静止无功发生器递归神经网络多目标监督控制

利用递归神经网络的动态映射能力,将递归神经网络应用于新型静止无功发生器的控制中,根据系统不同的运行点,构造了ＡＳＶＧ多目标递归神经网络监督控制器。仿真研究表明,这种控制器可以对系统大范围运行实现良好的控制。     

动态T-S递归模糊神经网络观测器状态辨识

传统模糊神经网络是一种静态映射,不适宜用于感应电机状态辨识。为提高系统辨识精度,提出一种动态T-S递归模糊神经网络观测器。根据动态递归神经网络观测器模型推导其动态反向传播算法,并利用Lyapunov定理证明该观测器具有全局收敛性。仿真结果表明：由于动态T-S递归模糊神经网络观测器同时利用了当前数据和历史数据进行状态辨识,较传统模糊神经网络观测器在辨识精度和稳定性方面具有更好的效果,且具有更好的收敛性。     

基于神经网络的汽车发动机建模和故障诊断

采用神经网络来辨识汽车发动机的有关歧气管压力环节的非线性动态模型,为实现系统的非线性动态映射,引入了外部回归项,然后用动态Levenberg-marquardt算法来对动态模型进行参数估计。仿真结果表明,基于神经网络的模型具有较高的精度和较强的通用性。在此基础上,用动态增益矩阵法的故障诊断方法和神经网络实现汽车发动机的在线故障诊断。     

动态对角递归网络在变压器故障诊断中的应用

介绍了动态对角递归网络,并针对BP算法收敛慢的缺点,提出了递推预报误差学习算法。利用该算法对神经网络的权值和域值进行训练,有效地提高神经网络的收敛性及增量学习能力。将动态对角递归网络应用到变压器的故障诊断中,利用改良三比值方法来实现诊断,建立了诊断的模型。利用部分数据进行了训练及故障诊断的仿真,结果表明了利用该方法进行变压器故障诊断的有效性。     

一种递归模糊神经控制器及其混合学习算法研究

介绍了一种基于递归模糊神经控制器的控制系统,它是通过在模糊神经网络控制器的第2层引入动态递归环节,从而使其具有动态映射能力。文中还提出了递归模糊神经控制器的混合学习算法,即先采用免疫遗传算法的“粗”学习,再采用BP梯度算法的“细”学习。通过对锅炉主汽温控制的仿真表明了该网络结构和训练方法的可行性和有效性。     

基于对角递归神经网络的异步电动机定子绕组匝间故障诊断方法

为了有效地监测异步电动机定子绕组匝间短路故障,提出了基于对角递归神经网络的匝间故障在线诊断方法.该方法采用2个对角递归神经网络监测匝间短路故障,一个用于估算故障的严重度,另一个用于确定定子绕组故障匝数.同时,提出自适应动态学习算法,训练对角递归神经网络,确定网络最优隐层神经元的个数,使诊断模型更加紧凑和精确.根据该方法构建了试验系统并进行了匝间短路试验,试验结果表明;基于对角递归神经网络的诊断模型,在不同工况下可精确确定定子绕组短路故障的匝数.由于对角递归神经网络具有动态处理能力,和前馈神经网络相比,克服了前馈神经网络故障诊断模型无动态处理能力的局限性,能更有效地监测定子绕组匝间短路故障.     

动态对角递归网络在变压器故障诊断中的应用

介绍了动态对角递归网络,并针对BP算法收敛慢的缺点,提出了递推预报误差学习算法.利用该算法对神经网络的权值和域值进行训练,有效地提高神经网络的收敛性及增量学习能力.将动态对角递归网络应用到变压器的故障诊断中,利用改良三比值方法来实现诊断,建立了诊断的模型.利用部分数据进行了训练及故障诊断的仿真,结果表明了利用该方法进行变压器故障诊断的有效性.     

基于详细时域仿真的ASVG静态与动态特性分析

基于MATLAB中的SIMULINK仿真工具,建立了电容型静止补偿器（ASVG）的仿真模型,并对其静态特性和动态特性进行了全时域仿真分析。通过对仿真结果的分析,得出了ASVG的输出电压与它和系统接入点电压间的相角差、ASVG晶闸管触发脉冲、触发脉宽之间的关系,这为ASVG的触发脉冲和触发脉宽的设计提供了依据。同时,文中还对影响电容型ASVG静态输出（或吸收）的有功功率和无功功率的因素进行了详细的分析。最后,通过对ASVG受扰后暂态响应曲线的分析,提出了一种ASVG的动态响应模型。     

基于递归神经网络的无刷直流电动机控制研究

基于动态模型提出了一种性能较好的递归模糊神经网络无速度传感器无刷直流电动机控制方法,即采用递归模糊神经网络控制器作为转速控制器来近似最优控制器输出。仿真结果表明,当系统参数动态变化或受到外部不确定因素影响时,利用神经网络来在线调整网络的隶属函数参数以及神经网络递归权值,使系统具有良好的动、静态性能。     

EM算法优化WDRNN短期负荷预测模型

提出了类电磁机制算法优化的小波对角递归神经网络的短期负荷预测模型,在常规的对角递归神经网络的隐含层神经元之间增加了同层神经元之间的相互连接,使隐含层单元之间存在相互的信息交换,模型的动态性能得到增强;隐含层函数采用小波函数,通过伸缩因子和平移因子的引入,使模型具有较强的逼近能力和容错能力.采用类电磁机制算法对小波对角递归神经网络进行优化,具有全局优化能力强、编程实现简单、收敛性好等优点.经实际负荷系统预测仿真测试,结果表明所提出的预测模型能得到满意的预测精度.     

开关磁阻电机调速系统BP神经网络建模

为了实现开关磁阻电机调速系统(SRD)的准确动态仿真,在测取准确磁特性样本数据基础上,利用神经网络所具有的非线性映射能力,采用基于Levenberg-Marqvardt算法的BP神经网络,建立了开关磁阻电动机的非线性模型,并在MATLAB仿真平台上搭建SRD系统动态仿真模型。仿真实验表明,与常规线性SRD动态仿真模型相比,采用BP神经网络的SRD动态仿真模型转矩脉动小,具有稳定性好,鲁棒性强的特点。     

应用新型静止无功电源（ASVG）提高蒙西电网稳定性的探讨

本文采用蒙西电网的实际数据,应用电力系统暂态稳定计算程序(ST),分析了蒙西电网装设ASVG前后的稳定性.利用程序(ST)中的自定义功能建立了ASVG模型.仿真计算结果表明ASVG具有良好的动态电压支撑以及改善系统稳定的性能.     

油压机械臂及手系统递归神经网络建模与位置控制

为解决多关节油压机械臂及手系统动态参数的时变性,应用递归神经网络(RNN)建立了油压机械臂及手的速度模型及逆模型,并用逆模型作为臂及手各关节的控制器实现了位置控制。实验结果表明,所建模型性能接近系统性能,位置控制精度也能达到控制目标的要求。     

基于递归模糊神经网络的感应电机无速度传感器矢量控制

该文提出了一种控制性能较好的递归模糊神经网络(RFNN)无速度传感器感应电机矢量控制方法，该方法使用模型参考自适应方法辨识转子磁场位置和转速，采用递归模糊神经网络控制器作为转矩控制器来近似系统最优控制器输出。仿真实验表明，当系统参数动态变化或受到外部不确定性因素的影响时，利用神经网络来在线动态的调整网络的隶属函数参数以及神经网络递归权值，使系统仍将具有很好的动静态性能。     

基于深度学习的智能录波器配置数据自动化映射方法

智能变电站配置描述文件中包含大量智能二次设备数据输出接口地址的配置数据集,将这些数据集映射至智能录波器各信息组是保证录波器精准采集设备运行数据的基础性步骤,当前主流映射方法是依照输出接口描述文本人工映射对应的配置数据,二次设备数目繁多时映射工作量大,而描述文本一定程度的不规范性给数据集自动化映射提出了难题。针对这一问题,本文提出了基于深度学习框架—动态卷积神经网络构造的智能录波器配置数据的自动化映射方法;首先利用文本表征模型word2vec对数据集描述文本的稀疏文本向量进行词组语义及关联关系的表征;随后构造动态卷积神经网络并输入文本向量,基于其多层次抽象化学习典型样本特征的特点进行语义规律挖掘与文本分类映射,据此结果实现接口地址配置数据的自动化映射。实际算例表明,基于动态卷积神经网络模型的文本分类方法语义分析能力强,分类精度高,有效提升了智能录波器配置数据自动化映射的准确率。     

静止无功发生器的动态模型和参考电流检测

静止无功发生器(ASVG)是柔性交流输电系统中的一种重要的控制器，补偿系统的无功功率或阻尼系统振荡，还具有抑制谐波和滤除负序、零序电流的能力。利用开关函数法建立了四桥臂ASVG的动态模型，讨论了四桥臂ASVG基于瞬时无功功率理论的ip-iq参考电流检测法，给出了相应的原理图及数学方程。     

船舶大功率发电机混沌神经网络建模

在分析和研究了Aihara神经元混沌特性的基础上,建立了基于Aihara混沌神经元的Elman局部递归混沌神经网络（CNN）,神经元引入混沌特性后增强了神经网络对非线性映射的全局逼近能力.在船舶大功率同步发电机建模中,以船用柴油机输出转矩功率和发电机输入励磁电流作为CNN建模与辨识的输入参数;以发电机的输出频率、发电机端电压和输出电流作为CNN建模与辨识的输出参数;采用有导师学习方式,运用基于BP的动态训练方法,最终完成了船舶大功率发电机的动态建模.与其它的ANN建模相比较,用CNN建立的模型的隐层神经元数量少,系统的泛化能力强.