基于PSO-RNN的光伏发电功率预测研究

针对光伏发电功率预测对电力系统的安全稳定和经济运行问题,本文提出了基于粒子群算法优化脊波神经网络的光伏功率预测模型。采用脊波函数作为隐含层激励函数的神经网络,即脊波神经网络,同时采用粒子群算法优化脊波神经网络的权值,并以实际光伏发电站的历史光伏发电数据和气象数据作为仿真算例,对预测模型进行仿真和测试。仿真结果表明,与BP神经网络预测模型相比,基于粒子群算法优化脊波神经网络预测模型的日平均绝对误差和日最大绝对误差均有所降低,证明粒子群算法优化脊波神经网络的预测模型具有较高预测精度,不仅加快了脊波神经网络收敛速度,而且避免了陷入局部最优解,具有一定的实用性及可行性。该研究为光伏发电功率预测提供了理论参考。     

神经网络模糊PID技术在光伏系统MPPT控制器中的应用

针对传统光伏系统MPPT控制算法的局限性及无法自适应外部复杂情况等诸多问题,提出一类以神经网络、模糊控制器以及PID控制器组成的神经网络模糊PID控制器。利用光照幅度、环境温度等参数的离线训练后的权值作为整个三层前馈神经网络的优化参数;通过预测最大功率点与实际的工作电压进行比较,运用模糊推理对PID相关参数进行最佳调整。仿真结果表明：与传统PID控制器、模糊控制器相比,本系统能增强消除系统误差能力,稳态性能有了明显提高,同时可获得更高的控制精度。     

基于模糊RBF神经网络的永磁同步电机位置控制

针对比例-积分-微分(PID)控制器参数固定而引起永磁同步电机位置伺服系统控制效果不佳问题,设计了基于平滑切换的模糊PI控制和径向基函数(RBF)神经网络PID控制的位置控制器。暂态时,采用模糊PI控制;稳态时,采用RBF神经网络PID控制,两者中间采用模糊PI-RBF神经网络PID复合控制。该位置控制器既结合了模糊PI控制和RBF神经网络PID控制的优点又克服了各自的缺点。仿真结果表明,当永磁同步电机受到外部扰动时,采用模糊RBF神经网络控制器的永磁同步电机位置系统具有良好的动态性能,能够实现快速响应,做到精确定位,而且当负载变化时具有很强的抗干扰性。     

基于模糊控制的最大功率点跟踪

依据光伏电池的输出功率特性,建立了光伏电池的仿真模型.研究了一种光伏发电系统的控制结构并分析其工作原理.设计了基于模糊控制的最大功率点跟踪控制器,将其应用于光伏发电系统并进行了仿真验证,仿真结果表明该方法具有良好的控制效果.     

基于SOM-RBF神经网络的用电量预测模型研究

随着我国电网建设的高速发展,从日常电力负荷变化趋势剖析未来年度用电量已经成为电网建设的关键问题之一。根据1997~2016年湖北省年用电量及其10个影响因子的数据作为样本,提出了一种自组织特征映射神经网络(Self-organizing Feature Maps,SOM)与多变量的径向基函数(Radial Basis Function,RBF)结合的人工神经网络预测模型新方法。采用先聚类、再分类预测的方法,解决了由于RBF神经网络对于少量样本和训练样本点分散所导致的预测精度降低的问题,改进的神经网络泛化能力有所提高。结果表明:通过SOM-RBF组合算法进行预测,其相对误差维持在3%以下,平均相对误差为1.88%,预测效果较BP神经网络和RBF神经网络有较大的提升。这表明SOM-RBF组合算法可有效的用于用电量预测,具有较高的实用价值。     

基于神经网络的光伏发电最大功率点跟踪算法

由于光伏阵列电压和电流的非线性,光伏发电输出能量存在最大功率点.为提高光伏发电系统的发电效率,提出了一种基于神经网络和Cuk变换器对光伏阵列最大功率点跟踪的算法.神经网络输入变量为温度和光照强度,学习算法采用梯度下降法,输出量为电压信号,用于调节Cuk变换器的开关占空比.仿真结果表明,该算法最大功率点跟踪控制精度较高,响应迅速,且系统适应性良好.     

基于动态电阻参数调整的光伏发电系统最大功率点跟踪方法研究

光伏发电系统中,由于组件和功率变换电路的非线性和时变性,增加了系统控制的复杂度．为此,笔者提出了一种基于动态电阻参数调整的光伏发电系统的控制方法．该方法详细分析了组件输出动态电阻与最大功率点之间的关系,实现了一种基于Cuk电路的光伏发电系统,建立了基于神经网络的控制模型,并给出了系统设计过程．仿真和实验结果表明了该方法分析、设计的正确性和应用的可行性．     

基于RBF网络的显示设计主观评价方法

主观评价指标权重的确定方法是人机界面评价中的一项关键技术,现有的人机界面主观评价方法难以摆脱个人和随机性因素的影响.提出的基于RBF网络的主观评价指标权重计算方法,利用人工神经网络的自组织、自学习与自适应特性对网络进行训练,使网络学习隐含在训练数据中人机界面主观评价指标的权重规律中,自适应调整主观评价指标的权重,克服了主观赋权法定权的随机性因素影响.文中建立了基于RBF网络的光柱表人机界面主观评价模型;研究了主观评价的样本数量、扩展系数、网络模型精度三者之间的相互关系.对不同训练样本数的光柱表人机界面主观评价RBF网络模型的分析表明,采用80个训练样本可以得到令人满意的评价精度.     

分布式光伏发电系统多峰值MPPT优化研究

针对实际应用中环境复杂性导致光伏阵列的输出呈现多峰值现象,而传统控制方法在此情况下存在无法持续高效的跟踪到最大功率点的难题,将优化的多峰值支持向量机函数和具备快速收敛特性的猫群算法相融合,提出一种基于自适应权重迭代收敛的改进型猫群算法(IMCGA),并用于解决局部遮阴情况下的多峰值寻优问题,从而实现太阳能发电系统的最大功率跟踪功能。通过搭建光伏电池的数学模型,分析局部遮阴情况下光伏电池的多峰值输出特性;通过详细分析IMCGA智能算法中自适应权重和变异算子的优化构造,阐述IMCGA算法在局部遮阴的光伏系统最大功率点跟踪的实现过程。最后,通过与一系列传统控制算法进行对比仿真实验,显示所提出控制算法的优越性。     

T-S型模糊RBF神经网络多变量自适应控制器的研究

提出Ｔ Ｓ型模糊ＲＢＦ神经网络模型,并将该网络模型应用于多变量控制系统,构成多变量自适应控制器．同时对网络结构和参数的学习算法及网络参数的在线自学习算法进行研究．仿真结果表明本文提出的学习方法是有效的,该多变量控制器具有良好的自适应控制能力     

RBF神经网络自适应模糊控制在短期负荷预测中的应用

为了能够及时准确地进行电力系统短期负荷的预测,采用RBF神经网络和自适应模糊控制相结合的预测方法,首先通过RBF神经网络进行负荷预测,然后利用自适应模糊控制对预测结果进行在线修正,实验结果证明了该方法的正确性与可行性。     

模糊RBF神经网络在麻醉深度控制系统中的应用

麻醉深度通常用病人的平均动脉压（MAP）值来直接反应和度量。针对平均动脉压的时变、非线性特点,提出了基于模糊RBF神经网络的麻醉深度PID控制系统。通过采用模糊RBF神经网络对检测到的平均动脉压值进行模糊化处理及神经网络辨识,从而在线整定PID控制器各个参数,以获得更好的控制效果。MATLAB仿真结果表明模糊RBF神经网络用于麻醉深度控制具有良好的动态响应性能。     

模糊PID应用于光伏发电MPPT的研究

针对定步长扰动观测法在光伏发电系统最大功率点跟踪（MPPT）上的缺陷,即跟踪精度和响应速度无法兼顾,以及常规PID控制由于其参数不能自适应整定,很难取得预期效果,提出采用模糊（fuzzy）逻辑控制法整定和优化PID参数,消除了PID参数不能自适应整定这一缺陷,提高了系统的鲁棒性。通过与使用定步长扰动观测法跟踪最大功率点的仿真结果比较,得出采用模糊PID控制,可实现快速平稳地跟踪光伏电池输出最大功率。搭建了全新的光伏电池通用模型,可为光伏电池的研究提供便利。     

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.     

用于风电功率预测的RPCL优化神经网络模型

为了提高风电功率预测的准确度,提出了一种基于对手竞争惩罚学习算法( rival penalized competitive learning,RPCL)优化径向基函数( radial basis function,RBF)神经网络的风电功率预测模型。首先通过RPCL确定网络隐含层神经元数目以及中心点初始值,然后由K均值聚类法确定隐含层神经元的中心点和宽度,最后通过最小均值算法确定隐含层神经元与输出层神经元之间的权值。仿真结果表明：此优化模型相较于传统RBF网络具有更高的准确性。     

太阳能池板最大功率跟踪技术的研究

针对光伏发电技术中太阳能池板的最大功率工作点展开研究,阐述了太阳能池板的发电原理及数学模型的建立.针对太阳能池板输出特性及最大功率跟踪的方法,对比分析了传统的恒定电压法、扰动观察法和电导增量法,总结优缺点后提出了改进型变步长电导增量法.在距离最大功率点较远的时候,采用较大的步长,缩减追踪时间,在最大功率点附近时,减小步长,增大追踪精度.利用Matlab仿真软件对传统和所提出的变步长电导增量法进行了仿真,仿真结果对比证明变步长增量法收敛速度快,效果良好.最后通过光伏发电并网试验系统进行了4.4 kW太阳能池板最大功率跟踪技术实验,跟踪实验误差为3％,符合微电网技术要求.     

基于GA-RBF神经网络的光伏电池MPPT研究

讨论了光伏电池非线性输出特性,在此基础上,结合径向基函数神经网络的特点,提出了基于遗传算法优化的径向基函数神经网络方法,并将该方法用到了电池的最大功率点跟踪预测中。仿真及实验结果表明,与传统的径向基函数神经网络相比,该方法克服了网络参数选择的随机性,具有更高的精度和适应能力。     

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.     

关于光伏阵列的MPPT算法综述

针对光伏电池非线性输出特性存在最大功率输出的问题,只有实现最大功率点的跟踪(MPPT)才能提高太阳能电池的效率.分析了最大功率点跟踪的常用方法,即恒定电压控制法、扰动观测法、导纳增量法、功率回授法以及模糊控制法等,并对几种常见的MPPT方法进行比较和分析,为实现光伏并网控制器中重要环节的设计与实现提供参考.     

基于RBF和模糊预测的AGV轨迹跟踪控制

针对AGV系统存在初始位姿误差,而且给定轨迹又不连续时,应用传统的轨迹跟踪控制方法,就会使其初始速度产生较大跳变的问题,基于径向基函数(RBF)神经网络的非线性动态系统在线建模,将模糊控制技术与预测控制技术相结合,提出基于反演(Backstepping)方法的速度控制器和基于RBF的模糊预测转矩控制器,实施AGV路径跟随和轨迹跟踪控制.仿真和实验结果表明,设计的速度控制器和转矩控制器使AGV系统不仅有较好的动态性能,而且具有较强的鲁棒性.