模糊神经网络控制器在CFBB床层温度控制中的应用

由于循环流化床锅炉(CFBB)的燃烧过程是一个多参数、非线性、时变以及变量强耦合的过程,很难建立被控对象的准确数学模型,根据CFBB床层温度被控对象的动态特性,设计了一个模糊神经网络自适应控制系统,引用模糊高斯基函数神经网络结构,并采用基于变尺度优化学习算法的改进型学习算法(MDFP),其学习信号由神经网络辨识器(NNI)提供.理论分析和仿真结果表明该控制系统具有良好的控制性能,其稳定性、鲁棒性等控制品质明显优于常规模糊控制.     

PEMFC的Elman神经网络建模与模糊神经网络控制

从质子交换膜燃料电池（PEMFC）实际应用的角度出发，采用Elman动态神经网络对PEMFC系统进行建模，以实验中采样到的PEMFC系统的工作温度输入输出数据训练网络，并采用动态反向传播学习算法根据误差不断调整网络参数直至达到要求精度。设计了一种适应模糊神经网络控制器，根据经验确定了初始隶属度函数和模糊规则，并采用自适应学习算法不断调整隶属度函数与模糊规则参数，使控制系统获得理想的输出。仿真实验以Elman神经网络模型为参考模型，使用自适应神经网络控制算法取得了较好的控制效果。总之，所设计的控制系统适合于控制PEMFC这样一类复杂非线性系统。     

搜寻者优化算法在锅炉主汽压控制系统中的应用

针对电厂锅炉主汽压的控制问题,提出了一种基于SOA(搜寻者算法)优化PID控制器参数的控制方法。在该算法中,以主汽压系统输出的误差绝对值时间积分性能指标作为SOA算法的适应度函数,以得到一组PID控制器的优化参数,并用于锅炉主汽压的控制系统中。仿真结果表明,与粒子群算法及遗传算法相比,SOA优化算法具有较佳的寻优能力及优化效率,进而改善了主汽压控制系统的动态性能。     

模糊神经网络在汽包水位中的控制作用

汽包水位是影响电厂安全运行的一个重要参数,具有非线性,时变性的特征。传统的控制方法PID控制方式因其控制参数的固定性,适时调整效果不佳。将基于模糊神经网络构建的模糊控制器与常规控制器通过变参数加权综合后作用于被控对象能使控制系统具有良好的调节品质。     

基于神经网络模型的锅炉主蒸汽温度预测控制

为解决传统控制方法在火力发电机组蒸汽温度控制过程中存在的强非线性、大迟延的难题,提出了一种基于长短期记忆(LSTM)神经网络在线估计和粒子群(PSO)滚动优化的预测控制算法。该方法将常规串级控制系统的主回路控制器用预测控制器替代,采用LSTM神经网络建立主蒸汽温度控制系统的过程模型,通过多步预测实现了对复杂非线性系统模型的精确预测。利用PSO算法在线求解主蒸汽温度控制系统的最优预测控制律,避免了传统递推方法无法直接求解非线性优化问题。仿真结果表明：与传统主蒸汽温度串级控制策略相比,该控制算法明显改善了控制系统的快速性,抗扰能力较强,对主蒸汽温度这类具有非线性及模型不精确的被控对象有一定的参考价值。     

基于PID型模糊神经网络的火电站单元机组协调控制

针对火电站机炉协调控制对象的非线性，时变和纯迟延的特性，采用了一种PID型模糊控制器，为了使此控制器具有自学习功能，提出了一种包含一个自回归神经元的5层模糊神经网络，并根据梯度下降算法，给出了它各层权值的修正算法，通过对参考文献[2]的模型进行仿真研究，证明使用这种初值易选，学习能力较强的模糊神经网络控制器可以克服协调控制对象的时变性和随机性干扰，大大改善了控制品质。     

白适应模糊控制在热力系统容错控制中的应用

在热力系统中采用容错控制技术，可以提高控制系统的可靠性，同时降低运行成本。研究采用自适应模糊控制实现非失效的被动容错控制。提出一种新的自适应模糊控制器；采用基于动态神经元网络的辨识模型学习被控对象的动态特性，设计了评价模糊控制器性能的FITAE指标；采用遗传算法优化模糊控制器参数，同时优化比例因子和控制规则表。为了提高模糊控制器的自适应调整速度，采用二阶段优化策略。仿真研究表明：自适应模糊控制器的热力系统被动容错控制方法是可行的。图3参7     

燃气锅炉主汽压的RBF神经网络滑模控制策略设计

针对燃气锅炉主汽压控制的非线性、干扰大和模型参数易变的特点,常规比例积分微分(PID)控制方法难以取得满意的控制效果.利用滑模控制对系统参数变化和扰动不灵敏的优点,提出一种基于神经网络和滑模控制相结合的主汽压优化控制策略.采用径向基函数(RBF)神经网络调节滑模控制器的切换增益以降低其在平衡点的抖振,并通过在系统中设计...     

基于神经网络预测控制的单元机组协调控制策略

利用BP神经网络的非线性映射能力对单元机组协调控制系统被控对象进行辨识,从而建立其动态模型;在这一模型的基础上对协调控制系统中的控制器参数优化进行研究,提出基于神经网络预测控制的协调控制策略.该方法很好地解决了协调控制系统中强耦合、非线性等问题.仿真实验表明该系统的跟踪速度加快、调节精度提高、并且具有较好的抗干扰性.图6参7     

自适应模糊控制在热力系统容错控制中的应用

在热力系统中采用容错控制技术,可以提高控制系统的可靠性,同时降低运行成本。研究采用自适应模糊控制实现非失效的被动容错控制。提出一种新的自适应模糊控制器;采用基于动态神经元网络的辨识模型学习被控对象的动态特性,设计了评价模糊控制器性能的FITAE指标;采用遗传算法优化模糊控制器参数,同时优化比例因子和控制规则表。为了提高模糊控制器的自适应调整速度,采用二阶段优化策略。仿真研究表明:自适应模糊控制器的热力系统被动容错控制方法是可行的。图3参7     

Performance of a generalized neuron-based PSS in a multimachine power system

An artificial neural network can work as an intelligent controller for nonlinear dynamic systems through learning, as it can easily accommodate the nonlinearities and time dependencies. In dealing with complex problems, most common neural networks have some drawbacks of large training time, large number of neurons and hidden layers. These drawbacks can be overcome by a nonlinear controller based on a generalized neuron (GN) which retains the quick response of neural net. Results of studies with a GN-based power system stabilizer on a five-machine power system show that it can provide good damping over a wide operating range and significantly improve the dynamic performance of the system.     

CMAC逆模型用于电站负荷协调控制的研究

在常规PID负荷协调控制回路中加入CMAC神经网络模型。利用神经网络的非线性映射能力，能很好地解决负荷协调控制对象的动态特性具有非线性、时变性、参数可变等问题。仿真对比试验表明：负荷协调控制系统引入CMAC逆模型后，系统的跟踪速度加快了大约1个周期，调节精度提高。CMAC逆模控制器有较好的适应性、鲁棒性。图6表1参9     

自适应记忆递归神经网络预测控制器及其应用

提出一种自适应学习率记忆递归神经网络预测控制器及自适应学习率方法，它由用于预测和控制的子神经网络组成，预测子网络向控制子网络提供控制灵敏度信号；并证明了记忆递归神经网络学习的收敛性和稳定性条件．仿真结果表明控制器在线实时控制具有非线性、时变、多变量特性的水轮发电机组，对各种工况具有良好的性能．     

模糊自学习控制在水电机组控制中应用研究

采用具有自学习能力的自适应模糊控制器来控制水电机组运行。自适应模糊控制器将模糊控制和神经网络结合,根据运行情况在线调整模糊推理规则和隶属函数,使控制系统具有自适应学习的特性。学习中学习速率和平滑因子可根据误差情况在线修改,克服了网络学习速度慢和局部最优的缺点。仿真实验表明,设计的自适应模糊控制器具有良好的鲁棒性,可有效地改善水轮发电机组系统的动、静态性能。     

Neural network-based self-organizing fuzzy controller for transientstability of multimachine power systems

An efficient self-organizing neural fuzzy controller (SONFC) is designed to improve the transient stability of multimachine power systems. First, an artificial neural network (ANN)-based model is introduced for fuzzy logic control. The characteristic rules and their membership functions of fuzzy systems are represented as the processing nodes in the ANN model. With the excellent learning capability inherent in the ANN, the traditional heuristic fuzzy control rules and input/output fuzzy membership functions can be optimally tuned from training examples by the backpropagation learning algorithm. Considerable rule-matching times of the inference engine in the traditional fuzzy system can be saved. To illustrate the performance and usefulness of the SONFC, comparative studies with a bang-bang controller are performed on the 34-generator Taipower system with rather encouraging results     

采用神经网络改善式循环柴油机的供氧控制

在氧气反馈调节的基础上,不依赖系统模型,借助神经网络的构成前馈控制器,以反馈输出引导网络权值及输出的调整,使网络逐步学成前馈补偿功能,并最在控制中占据主导地位,实现对负荷扰动的补偿。仿真结果表明,采用这一复合控制系统能有效地改善氧气控制的动态特性。     

Application of neural network for the modeling and control of evaporative condenser cooling load

Artificial neural network (ANN), in comparison with PID controllers which have broad applications in the highly complex HVAC systems, has recently received more attention. The present paper includes thermodynamic modeling of an evaporative condenser under steady state and transient state conditions for establishing control of thermal capacity, using Artificial neural network. To train the system under dynamic condition, predictive neural network, capable of understanding dynamic behavior and predicting the preset output is used. The principle operation of such neural networks is based on the reduction of gradients of errors existing between the predicted output and the actual output of the system. To control the system thermal capacity, neural controller based on training received from the reduction of gradients between the output controller and the ideal output, is used. Results obtained during present investigation indicate that artificial neural network controller is suitable substitute for PID controllers for thermal systems.     

神经网络自学习PID控制器的研究

从兼顾人工神经网络控制系统自学习能力和实时性角度出发，通过构建新的人工神经网络自学习PID控制器的结构，控制系统的样本拾取，更新与优化均采用在线学习方式，使控制系统具有较强的自学习能力。在分析了目前广为应用的多层前向神经网络误差反向传播算法(BP)的局限性及原因的基础上，提高了改进的BP算法-自适应动量项BP算法。从而提高了神经网络的收敛速度和收敛精度，并通过实例验证了自学习PID控制器的可行性及改进算法的合理性。图6参4