基于在线学习的多模型自适应控制

针对传统自适应控制算法，实际工业过程在不同工况下的模型参数突变时系统暂态响应特性较差，该文提出了基于在线学习的多模型自适应控制方法。应用动态模型库技术来建立模型库，而无需被控对象的先验知识，所提出的建模方法和相应的多模型自适应控制器使系统的动态响应品质得到了明显的改善。文中证明了该算法能够保证闭环系统的稳定性和跟踪误差的渐近收敛性。计算机仿真结果表明该算法的有效性。     

基于神经网络自适应PI控制的SSSC潮流控制器

提出了一种基于神经网络自适应PI控制的SSSC潮流控制策略,并设计了控制器的结构。该控制器主要由系统辨识和PI参数整定两个神经网络组成,并给出了它们的学习算法。该控制器在动态过程中,利用神经网络对SSSC的有功控制器和无功控制器的PI参数进行在线调整,提高了控制器的自适应能力和鲁棒性。在Matlab动态仿真环境中建立了控制系统的仿真模型,并基于此模型对系统的暂态行为和输电线路潮流的调节过程进行了仿真,仿真结果验证了该控制器在潮流控制上的有效性和适应性。     

基于神经网络自适应PI控制的SSSC潮流控制器

提出了一种基于神经网络自适应PI控制的SSSC潮流控制策略,并设计了控制器的结构.该控制器主要由系统辨识和PI参数整定两个神经网络组成,并给出了它们的学习算法.该控制器在动态过程中,利用神经网络对SSSC的有功控制器和无功控制器的PI参数进行在线调整,提高了控制器的自适应能力和鲁棒性.在Matlab动态仿真环境中建立了控制系统的仿真模型,并基于此模型对系统的暂态行为和输电线路潮流的调节过程进行了仿真,仿真结果验证了该控制器在潮流控制上的有效性和适应性.     

基于RBF神经网络的开关磁阻电机单神经元PID控制

论文提出了一种基于径向基函数（radial basis function）神经网络在线辨识的开关磁阻电机（SRM）单神经元PID自适应控制新方法。该方法针对开关磁阻电机的非线性，利用具有自学习和自适应能力的单神经元来构成开关磁阻电机的单神经元自适应控制器，不但结构简单，而且能适应环境变化，具有较强的鲁棒性。并构造了一个RBF网络对系统进行在线辨识。建立其在线参考模型．由单神经元控制器完成控制器参数的自学习，从而实现控制器参数的在线调整，能取得更好的控制效果。样机的实验结果表明，文中所提出的基于RBF神经网络辨识的开关磁阻电机单神经元自适应PID控制方法，通过在线辨识建立了过程模型并为神经元控制器提供了梯度信息，达到了在线辨识在线控制的目的，控制精度高，动态特性好。     

多机电力系统附加NNPSS的在线学习神经网络逆励磁控制器

为提高发电机机端电压和转速的综合控制性能,设计了附加神经网络电力系统稳定器(NNPSS)的在线学习神经网络逆(OLANNI)励磁控制器。针对多机系统同步发电机组模型,根据逆系统方法得到发电机励磁系统的逆系统的表达形式,并通过离线训练得到发电机励磁系统的神经网络逆系统。借鉴传统的AVR/PSS控制方法,并考虑到其对电力系统不确定性的自适应能力的不足,在离线训练的基础上分别设计了自适应的OLANNI、NNPSS以取代传统的AVR、PSS,给出了基于在线梯度算法的OLANNI和NNPSS的在线学习算法,并根据Lyapunov稳定性理论证明了OLANNI和NNPSS在线学习的收敛性。将设计的控制器应用于一个典型的2区域4机系统,仿真研究结果表明:在系统遭受扰动时,所设计的控制器较AVR/PSS和OLANNI控制器具有更好的综合控制性能。     

基于小波网络的水轮发电机组自适应控制研究

由于水轮发电机组的动力学模型比较复杂，其动态模型解析式难以精确得到，因此依据小波的非线性逼近能力和神经网络的自学习特性，提出了一种基于小波神经网络自适应控制算法。文中系统由两个小波网络组成，分别实现水轮发电机组的在线辨识与控制。仿真试验表明，该系统比采用神经网络控制具有更好的控制效果。     

循环流化床锅炉汽压的神经网络预测控制

预测控制是一种基于模型的控制算法，但是由于实际工业控制对象的复杂性，被控对象的数学模型往往难以建立，这给预测控制的实施带来了困难。而神经网络却有强大的系统辨识的能力，利用它与预测控制结合起来，组成神经网络预测控制，弥补了预测控制的不足。本文针对循环流化床锅炉汽压这类非线形系统具有大时滞、慢时变的特点，采用附加动量项和自适应率的BP算法，建立神经网络模型，在线实施滚动优化和反馈校正的预测控制。仿真表明，控制效果良好。     

高性能感应电机智能动态滑模位置控制

为提高感应电机（IM）伺服驱动系统的控制性能,抑制电机参数变化、外部扰动和未建模动态等不确定性因素对系统的影响,提出一种基于径向基神经网络（RBFN）的智能动态滑模控制（IDSMC）方法。首先利用动态滑模控制（DSMC）方法削弱抖振,提高系统的跟踪精度。但由于DSMC中切换函数所需的不确定性边界值无法获知,因此将RBFN不确定性估计器与DSMC相结合,设计IDSMC方法进一步提高系统的鲁棒性。RBFN可通过自适应学习算法估计不确定性因素值并在线训练调整网络参数,以确保系统在不确定性因素存在时仍能高性能运行。最后,通过TMS320C31 DSP控制核心验证所提方法的有效性。实验结果表明,IDSMC不但可以保证系统精准的响应能力,还有较强的鲁棒性。     

基于动态补偿的在线LS—SVM逆控制

针对非线性系统直接逆控制方法在应对系统参数变化和外界扰动时系统的动态性能变差甚至出现不稳定问题,提出一种基于动态补偿的在线LS—SVM逆控制。在引入LS—SVM建立逆模型的同时,将无模型自适应控制方法作为附加控制器,在控制误差大于不敏感函数时,利用增量学习算法,对LS—SVM逆控制实施在线学习,用于模型偏离被控对象时在线修正逆模型。仿真结果表明,提出的方法对系统参数摄动具有较好的鲁棒性,保持了较好的跟踪效果,具有较好的实时性和在线校正功能。     

一种自适应神经网络控制器的研究

在非线性系统的神经网络模型基础上,以Ｌａｒｋｅ一阶条件为目标函数,运用线性化方法提出了一种自适应预测控制算法。由于利用了神经网络良好的非线性逼近能力和学习特性,所设计的控制器具有较强的自适应能力,能够实现对非线性系统的有效控制,通过仿真证明了算法的有效性。     

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。     

矢量控制系统的速度控制及速度辨识新方法研究

介绍了异步电动机矢量控制系统神经网络速度控制器的设计方法;同时提出了将开环直接计算与模型参考自适应方法相结合的神经网络混合转速辨识模型。仿真结果表明,基于该速度控制器和速度估计器的矢量控制系统动静态性能好,解决了瞬时无功模型参考自适应方法的转速不稳定问题,转速估计精度高。     

基于RBF神经网络的永磁同步电机在线辨识与模型参考自适应控制

永磁同步电机控制系统是多变量和非线性的。针对传统PI控制方法的不足,提出了一种基于RBF神经网络的永磁同步电机在线辨识与模型参考自适应控制方法。该方法利用RBF神经网络极强的非线性映射能力,通过对神经网络的离线和在线训练,实现了电机速度的自适应控制。仿真结果表明该方法控制精度高,动、静态特性好。     

基于自适应神经网络观测的无电压传感器PWM整流器功率预测控制

模型预测控制在脉宽调制(pulse width modulation,PWM)整流器上的应用既降低了直接功率控制中的脉振又提高了动态响应速度,但是传统的模型预测功率控制(model predictive power control,MPDPC)中对未来时刻状态量的预测仅依靠模型,对模型参数变化较为敏感,功率预测精度受电压传感器的测量精度和网侧谐波变化的影响明显。为实现整流侧参数的实时辨识和提高整体的预测精度,以实现对功率的精准控制,文中在模型预测功率控制(model predictive power control,MPDPC)的基础上引入自适应神经网络电压观测器,提出基于自适应神经网络观测的无电压传感器PWM整流器功率预测控制(adaptive neural model predictive power control,ANMPDPC)策略。通过构建包含自适应神经网络辨识器和自适应神经网络滤波器的自适应电压观测器,实现网侧电压估计的同时滤除电压高次谐波对其的影响,并将电压观测器与功率二步预测相结合,进一步降低功率脉振,提高系统的响应速度和控制精度。仿真和实验结果表明,所提出的改进策略既实现了无电压传感器下的模型预测控制,又有效抑制了网侧谐波的高频干扰及参数变化对预测精度的影响。     

基于D-FNN的电网混沌振荡系统的自适应控制

面向电网混沌振荡系统产生的混沌现象,采用D-FNN对电网混沌振荡系统进行网络建模。在动态模糊神经网络(D-FNN)建模的基础上,提出对连续混沌系统的在线自适应控制方法。该控制方法通过D-FNN对连续电网混沌振荡系统进行在线的同步自适应控制,控制效果很好,并通过对具体的电网混沌振荡系统的数值实验证实了该方法对电网混沌振荡系统混沌控制的有效性和可行性。     

基于改进型RBF神经网络的VSG转动惯量自适应控制

与传统同步发电机相比,虚拟同步发电机(VSG)具有参数灵活可调的优势,特别是虚拟惯量和虚拟阻尼能够对VSG稳定性产生显著影响.RBF神经网络对于连续非线性函数具有很好的逼近效果,且算法简单,学习能力强大,学习速度快,能够满足实时控制的需求.文中基于控制对象的特性,对RBF神经网络进行改进,并设计出一种全新的自适应控制策...     

Reference Model with an Adaptive Hermite Fuzzy Neural Network Controller for Tracking a Synchronous Reluctance Motor

This article presents a reference adaptive Hermite fuzzy neural network controller for a synchronous reluctance motor. Although synchronous reluctance motors are mathematically and structurally simple, they perform poorly under dynamic modes of operation because certain parameters, such as the external load and non-linear friction, are difficult to control. The proposed adaptive Hermite fuzzy neural network controller overcomes this problem, as using the Hermite function instead of the conventional Gaussian function shortens the training time. Furthermore, the proposed adaptive Hermite fuzzy neural network controller uses an online self-tuning fuzzy neural network to estimate the system's lumped uncertainty. The estimation method involves a fuzzy controller with expert knowledge of the initial weight of the neural network. Finally, the Lyapunov stability theory and adaptive update law were applied to guarantee system convergence. In this article, the responsiveness of the adaptive Hermite fuzzy neural network controller and an adaptive reference sliding-mode controller is compared. The experimental results show that the adaptive Hermite fuzzy neural network controller markedly improved the system's lumped uncertainty and external load response.     

基于CMAC的双馈水轮发电机系统控制策略研究

针对可调速双馈水轮发电机系统的不确定性、非线性和参数时变的特点，提出了一种采用小脑模型(CMAC)神经网络的自适应控制策略。该控制策略以系统动态误差和给定信号量作为CMAC的激励信号，并与自适应神经网络控制器相结合构成系统的复合控制。该文对双馈水轮发电机系统的稳态调节和暂态特性进行了数字仿真研究，并与常规的PID控制进行比较。结果表明，基于CMAC的自适应控制策略对系统模型结构和参数变化、负荷扰动都具有很好的适应性和鲁棒性，控制品质优良，是一种适于在线学习控制的双馈水轮发电机系统控制方法。     

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 。     

无刷直流电动机的神经网络模型参考自适应逆控制

提出了无刷直流电动机的神经网络模型参考自适应逆控制的新方法。在无刷直流电动机的双闭环控制系统中,电流环采用电流分时反馈控制的方式,神经网络的模型参考自适应逆控制控制器代替原来速度环的常规PID控制器。仿真结果表明控制系统具有响应快、无超调、抗干扰能力好以及稳态误差小等优点,其动、静态性能均优于常规PID控制。