风电机组变桨鲁棒控制

针对风电机组输出转速稳定控制问题,提出了一种基于定量反馈理论的桨距角鲁棒控制策略.由于在随机变化风速作用下,非线性的风机模型中部分参数是变化的,提出了基于线性系统稳定性图形作为判据的定量反馈的变桨鲁棒控制器设计方法,以减弱风机模型不确定因素对输出转速的影响.结果表明,所提出的控制器对高风速区扰动风速作用下系统的输出稳定性能具有较好控制效果,并且对风电机组能量传动模型中参数不确定性具有较强的鲁棒性.     

泵阀联合EHA鲁棒增益调度分级压力控制

针对泵阀联合电静液作动器(EHA)分级压力控制带来系统特性改变的问题,提出了一种鲁棒增益调度的控制方法.该方法依据不同泵源压力把泵阀联合EHA分为不同的工作模式,在每种工作模式下,采用改进粒子群优化(PSO)算法的PID控制器作为初始控制器,以克服定量反馈理论(QFT)初始控制器设计的盲目性,然后在QFT框架下基于参数不确定范围和性能指标要求对系统进行整形设计.为削弱不同工作模式切换瞬间引起的抖动,引入模糊控制,将每种工作模式下控制器的输出作为输入建立模糊切换控制器.仿真结果表明在分级压力下系统性能得到改善且实现了不同工作模式切换的平稳过渡.     

一类不确定非线性系统的模糊鲁棒控制及稳定性分析

用模糊Ｔ－Ｓ模型对一类不确定非线性系统进行模糊建模,在此基础上研究了模糊系统的状态可测和不可测条件下反馈控制器、基于观测器的输出反馈控制器的设计,证明了所的模糊状态反馈控制器,输出反馈控制器可使闭环系统二次稳定性质。     

次同步谐振输出反馈的最优励磁控制

通过分析提出了一种SSR(Subsychronous Resonance)励磁控制器的实用设计方法,通过直接优化输出反馈增益泛函的某一特定性能指标求取最优输出反馈参数.根据SSR系统的特点,给出输出反馈信息的选择原则,用一种有效的降阶方法将一24阶SSR模型降至15阶,设计了5个信号用于反馈的最优励磁控制器.特征值分析与计算机仿真结果表明,采用该方法设计的最优输出反馈励磁控制器对于大范围的串联电容补偿度,均能提供恰当的阻尼抑制SSR的全部振荡模式,从而使得多机系统SSR励磁控制器的设计问题得到较好的解决。     

变速变桨距风力发电系统干扰抑制研究

风速的强随机性与风力发电机建模的不确定性给风力发电系统的干扰抑制带来了极大的挑战.设计了一种新型非线性采样控制器,以实现风力发电系统的输出功率能抑制干扰信号.首先,将系统中的非线性及干扰等效为有界项,建立系统的近似数学模型,随后设计连续状态反馈控制器以估计压制增益L,并构造能满足稳定性要求及干扰抑制的采样控制器,便于在计算机中实现.最后,基于余弦干扰输入算例验证了采样控制器的稳定性及干扰抑制特性.     

一类控制方向未知的非线性系统的输出调节

非线性系统高频增益的符号表示控制方向,在实际问题中难以精确测量.为了研究控制方向未知的一类具有非线性外部系统的不确定非线性系统全局鲁棒输出调节问题,通过设计一个内模系统将鲁棒输出调节问题转化为鲁棒稳定性问题,结合Nussbaum动态增益技术、自适应控制方法、鲁棒稳定性提出了一种动态输出反馈控制器.仿真结果验证了所提出控制器的有效性.     

跟踪问题控制器设计的一种新方法及应用

本文提出一种模型跟踪控制器设计方法使得线性时不变装置输出对参考模型系统输出具有良对好的跟踪特性。根据这种设计方法形成的控制器由参考模型系统状态(或估计状态)的前馈和受控装置状态(或估计状态)的反馈两部分组成。前馈增益和反馈增益计算简单且设计过程高度程序化。使用这种方法设计BTT导弹自动驾驶仪获得了满意的结果。     

具有未知控制方向的输出反馈自适应学习控制

针对具有未知控制方向的工作于重复条件下的参数化输出反馈高阶非线性系统,提出一种自适应重复学习控制方法.利用连续Nussbaum增益方法解决系统中控制方向即高频增益符号未知的问题.在针对高阶非线性系统的自适应反步控制器设计过程中,使用综合时域自适应以及迭代域自适应的微分-差分自适应律对未知参数进行估计.利用李雅普诺夫稳定理论证明,在所提出的重复学习控制律作用下,系统的输出轨迹沿迭代轴逐点渐近收敛于期望轨迹.数值仿真结果表明,所提出的方法能够在解决控制方向未知问题的同时,保证输出反馈高阶非线性系统的收敛性.     

混合H^2／H∞鲁棒输出反馈控制

研究了一类具有范数有界参数不确定的连续线性系统，在一个Ｈ∞干扰衰减的束下的鲁棒输出反馈控制问题，所得到的输出反馈控制器，对所有不容许的参数不确定，都能满足一个给定的Ｈ＾∞干扰衰减水平，并提供了最坏情形Ｈ＾２性能指标的一个最优上界，而且还给出一种求解最优输出反馈增益的收敛算法。     

受控正时滞系统的弹性静态输出反馈镇定

研究了具有区间不确定性的受控正时滞系统的弹性静态输出反馈镇定问题。通过引入一个小的标量,得到了正时滞系统渐近稳定的一个充要条件,使得Lyapunov矩阵与系统矩阵得以分离,从而更利于输出反馈控制器的设计。基于此条件并利用矩阵不等式技术,针对控制矩阵的不同情形,给出了具有区间加性摄动的弹性控制器存在的充要／充分条件及具体表达式,其中控制器增益矩阵可利用锥补线性化技巧进行有效地求解。数值算例表明了设计方法的有效性。     

基于最优输入径向基网络的风电功率预测方法

随着风电的大规模接入电网,对风电功率未来出力的把握显得尤为重要,而风电功率预测技术则是掌握出力特性的有力工具。基于实测历史数据,研究系统不同输入量对预测结果误差的影响,选取最佳输入量值;并在此基础上,构建基于RBF（径向基）神经网络的风电功率预测模型,对风电功率进行有效预测;预测结果表明,基于径向基神经网络的预测方法预测精度较高,可以为电网提供更加准确的风电预测出力信息,有助于为调度制定更加合理有效的计划。     

基于RBF神经网络的非线性模型预测控制

提出了一种基于径向基函数(RBF)神经网络的非线性模型预测控制系统,利用RBF神经网络的非线性拟合性,构建一个神经网络预测器(NNP)来预测模型未来时刻的输出值.然后利用神经网络控制器(NNC)实现基于模型的预测控制.仿真结果表明此方法具有较好的控制效果,并且在有扰动和模型失配的情况下,表现了良好的鲁棒性.     

基于神经滑模控制的风机变桨系统控制研究

以风力发电系统为背景,由于风速波动及风机叶片扫掠面积上风资源的不均匀分布,风机叶片的变桨需要根据自身风况单独控制,即实现独立变桨.提出一种基于RBF(径向基函数)神经网络的滑模控制策略,优化了风机变桨距的控制方法,提高了风力发电系统的稳定性.将算法植入10 kW风机缩比模型实验台,控制伺服变桨电机,实验台模拟运行结果表明,RBF神经网络滑模控制策略能够改善变桨控制的效果,提高系统的鲁棒性.     

时滞反馈Lorenz系统的神经网络滑模自适应同步控制及在保密通信中的应用

为了研究不确定Lorenz混沌系统同步控制在保密通信中的应用,首先设计了时滞反馈Lorenz混沌系统,并通过Poincare映射和功率谱分析了其混沌动力学特性.在此基础上,提出了不确定时滞反馈Lorenz混沌系统的神经网络滑模自适应同步控制策略.应用径向基(RBF)神经网络逼近混沌系统的不确定项,基于该径向基神经网络的输出再利用滑模控制和自适应控制相结合的方法提出了单维同步控制器的设计.最后,将所设计的同步控制方法应用于保密通信.仿真结果表明,本文所提出的神经网络滑模自适应同步控制方法可以实现混沌系统同步并可应用于保密通信,且具有较强的抗干扰能力.     

基于RBF网络上界自适应学习的预警卫星滑模控制

分析了RBF(径向基函数)神经网络的基本结构和数学特性,对于预警卫星动力学系统的不确定性上界值无法测量和未知的情况,采用RBF神经网络可以对较强干扰上界进行自适应学习,并可降低控制和动力学带来的抖振。针对带有摆镜的预警卫星姿态控制问题,提出了一种基于神经网络扰动补偿的姿态滑模控制方法。针对RBF网络正交最小二乘(OLS)学习算法,采用RBF神经网络来学习不确定因素的上界值,并设计了预警卫星的姿态控制规律,解决了预警卫星动力学扰动补偿问题。利用数值仿真估算了基于RBF网络上界自适应学习滑模控制的预警卫星姿态控制系统的性能指标。     

基于径向基神经网络的螺杆泵转速设定方法

为了研究受多种因素影响的螺杆泵转速控制系统,提出一种基于径向基神经网络的螺杆泵转速设定方法.利用径向基函数(RBF)神经网络对螺杆泵转速进行分析及预测,通过对螺杆泵的历史数据分析处理,得到螺杆泵转速的时间序列.将时间序列视为一个从输入到输出的非线性映射,并引入RBF神经网络来进行非线性映射的逼近.通过对网络进行学习与训练仿真实验,并与BP神经网络预测结果对比,表明应用RBF神经网络对螺杆泵转速进行短期预测精度更高、效果更好.该神经网络结构简单,非线性逼近能力强,通过对非样本点数据的实验验证,证明了该系统的可行性,具有一定的实用价值.     

基于PSO的RBF神经网络在热工系统辨识中的应用

在神经网络辨识大迟延对象时,模型类中迟延时间多是根据经验估测的,而不同的值对神经网络辨识的精度和效率就会不同。针对上述问题,将基于正交最小二乘(OLS)算法的径向基(RBF)神经网络和粒子群优化(PSO)算法相结合对热工系统的复杂对象进行辨识仿真。通过对电厂一次风量数据和平均床温数据的仿真实验结果表明,在RBF神经网络对大迟延对象进行辨识时,通过PSO算法进一步确定其最佳迟延时间,从而得到更精确的模型并提高辨识效率,可以取得良好的效果。     

Neural network modeling and control of proton exchange membrane fuel cell

A neural network model and fuzzy neural network controller was designed to control the inner impedance of a proton exchange membrane fuel cell (PEMFC) stack. A radial basis function (RBF) neural network model was trained by the input-output data of impedance. A fuzzy neural network controller was designed to control the impedance response. The RBF neural network model was used to test the fuzzy neural network controller. The results show that the RBF model output can imitate actual output well, the maximal error is not beyond 20 m-, the training time is about 1 s by using 20 neurons, and the mean squared errors is 141.9 m-2. The impedance of the PEMFC stack is controlled within the optimum range when the load changes, and the adjustive time is about 3 min.     

基于K-均值聚类算法RBF神经网络交通流预测

针对目前道路拥堵等交通问题,本文采用K-均值聚类算法对径向基函数(radial basis function,RBF)网络进行优化,通过K-均值聚类算法把所有的输入样本进行统一聚类,求得所有隐含层节点的RBF中心值Ci,并用最小二乘法(LMS)进行RBF网络的权值调整,同时在一定的时间和路段内对车流量进行数据采集,通过建立RBF神经网络模型,运用Matlab软件把采集的数据、图像进行计算机仿真,仿真结果表明,未加入K-均值聚类的RBF神经网络,其预测输出曲线大致可以和实际输出曲线拟合,但在数据波动较大的时刻,预测曲线的收敛速度偏慢且效率偏低;而采用K-均值聚类算法的RBF神经网络,在实际输出波动较大时,预测输出的曲线收敛速度和准确度都较高,因此,本研究相对于普通的BP神经网络,有更高的预测精度和较好的收敛性。该研究适用于市区内的交通流预测。     

基于Spiking的RBF神经网络故障诊断算法

神经网络是一种不依赖模型的控制方法,其自身并不需要给定预先需要的有关先验知识和判断函数,因此能对变化的环境（包括扰动和噪声信号等等）具有良好的自适应性.RBF神经网络是具有单隐层的三层前馈网络,由输入到输出的映射是非线性的,而隐含层空间到输出空间的映射是线性的.其优点在于收敛速度快,具有唯一最佳逼近的特性,且不会陷入局部最小的问题.Spiking神经网络采用时间编码的方式来进行数据处理,更接近于实际生物神经系统.基于Spiking的RBF神经网络在预测精度和误差控制上有着显著的效果.