基于Adaline神经网络参数辨识的PMSM鲁棒电流预测控制

针对复杂工况下永磁同步电机存在模型参数失配导致控制系统性能下降的问题，提出一种基于参数在线辨识的鲁棒电流预测控制方法。首先，建立永磁同步电机预测控制模型，详细分析电磁参数失配对电机响应电流及输出转矩和转速的影响。然后，设计了基于Adaline神经网络的参数在线辨识器，并在传统的权值调整算法上，提出一种应用于电机参数辨识系统的新型动态混合最小均方算法。最后，利用在线辨识的参数来实时更新电流预测控制器中的参数，以避免参数失配对控制系统性能的影响。通过仿真和实验验证了所提方法和新型算法的可行性和有效性，其结果表明了该方法不仅能够实现精准在线跟踪电机参数的变化，而且有效抑制了参数失配导致的响应电流偏差。     

一种低频振荡模式在线辨识的鲁棒递推ARMA算法

低频振荡模式在线辨识具有重要的工程应用价值。采用ARMA模型的常规递推算法（RLS）以及正则化鲁棒递推算法（R3LS）可有效辨识稳态类噪声信号,但对动态信号的辨识效果不太理想。分析了常规RLS算法在出现动态信号时可能发散的原因,通过在算法中引入基于输入信号自相关矩阵和互相关向量的L1范数的自适应权重参数,保证算法在各种条件下的收敛性,实现了一种全新的鲁棒递推ARMA算法（NRRLS）。采用IEEE-39节点系统时域仿真和某电网的PMU实测数据进行了大量的分析测试,并通过与RLS算法和R3LS算法的辨识效果进行比较,验证了NRRLS算法具有更好的鲁棒性和辨识精度,扩展了ARMA模型的应用范围,具有较高的理论和工程实用意义。     

基于LS-SVM的单元机组协调控制系统模型辨识

预测模型的准确性在非线性预测控制中起着重要的作用。采用最小二乘支持向量机(LS-SVM)回归算法辨识单元机组协调控制系统模型。LS-SVM具有良好的非线性逼近能力和较快的计算速度,适用于非线性系统的实时建模。考虑到系统的耦合问题,提出将MIMO对象分解为多个MISO对象,分析历史输入和输出数据对每个输出分量进行建模。通过基于实际采样数据的仿真实验,证明了该模型辨识方法是有效的,且具有很好地泛化能力。     

基于最小二乘支持向量机的多变量逆系统控制方法及应用

为提高多变量、非线性和强耦合系统的动态特性和解耦能力，解决逆模型辨识问题，讨论了基于最小二乘支持向量机(least squares support vector machines，LS-SVM)的多变量逆系统解耦控制方法。通过分析LS-SVM的函数拟合特性，离线建立被控对象的非线性逆模型，将得到的逆模型直接串接在原对象之前，原系统被解耦成多个独立的单变量伪线性子系统。为克服直接逆模型的建模误差，提高系统鲁棒稳定性，提出了复合控制方法，其中直接逆模型作为前馈控制器，而用PID控制器作为反馈控制器。文中还分析了球磨机控制系统的特点，并进行了仿真控制研究，仿真结果表明该复合控制方法不依赖于系统的精确数学模型，且解耦能力强、鲁棒稳定性好、跟踪精度高。     

一种具有参数不确定性的直流电机系统鲁棒自适应摩擦补偿方法

针对陀螺漂移测试转台直流力矩电机系统中存在的非线性动态摩擦和电机参数不确定性，为提高转台摇摆状态位置跟踪精度，提出了一种新的鲁棒自适应补偿控制器。电机中摩擦模型采用摩擦参数为非一致性变化的LuGre动态摩擦模型。该控制器包含一个参数自适应律和等效PID控制律来估计未知LuGre模型参数和电机参数并给与补偿。最后Lyapunov方法和仿真结果证明该鲁棒自适应补偿控制器保证了闭环系统全局稳定性和对期望位置信号的渐进跟踪，提高了转台摇摆跟踪精度。     

火电机组中部分信号的时序预测研究

火电机组在升降负荷过程中,受设备性能所限,锅炉主要控制参数存在大延迟、大惯性等特点,难以平衡机组负荷快速响应与主蒸汽压力稳定控制之间的矛盾。提出一种自回归滑动平均(autoregressive movingaverage,ARMA)模型与粒子滤波算法相结合的综合法用于火电机组中部分信号的时序预测,旨在对锅炉侧的主蒸汽压力等信号进行超前预测,一定程度上解决锅炉侧主要参数控制迟延。该方法首先结合历史数据进行ARMA模型建模,通过粒子滤波算法对模型参数进行校正,最后利用经校正的模型计算得出信号时序预测值。利用该方法对某机组的主蒸汽压力、锅炉总煤量、主蒸汽压力设定值数据在Matlab平台进行预测仿真,结果表明,本方法在预测精度方面较ARMA模型有明显的提升。     

超声电机非线性多步预测自校正转速控制

基于电机动态响应过程的实验数据,建立了以电机驱动频率为输入、转速为输出的超声电机驱动系统哈默斯坦(Hammerstein)非线性模型,用粒子群算法辨识模型参数。在该模型的基础上,求取模型非线性部分的逆,使超声电机的主要非线性特性得到在线补偿;随后,设计了超声电机非线性多步预测自校正转速控制策略,并给出了控制器参数的整定方法。该策略采用滚动预测、优化及在线自校正方法,以应对超声电机的未建模非线性。扰动情况下的实验,表明了所提控制策略的有效性及鲁棒性。     

基于模型参考神经网络的异步电机鲁棒速度控制方法

提出一种新型的基于模型参考神经网络的异步电机驱动系统鲁棒速度控制方法。由带负载转矩观测器的两层神经网络对象辨识器(NNPI)对未知的电机动态参数进行实时的自适应辨识与估计。由双层神经网络PI控制器(NNC)对异步电机转子速度进行鲁棒控制。神经网络使用学习算法以自动调节NNPIC的参数并有效地降低系统对参数变化以及负载扰动的敏感度。仿真结果表明该方法对于参数变化和负载转矩扰动具有很强的自适应能力,能够提高异步电机的性能,并减小其对参数变化、非线性影响以及负载扰动的敏感度。     

永磁同步电机非线性参数辨识

为了估计永磁同步电机的非线性参数,文章对电机控制模型考虑了交叉耦合和饱和的影响,得出电机的非线性参数模型,结合模型采用改进的遗传算法,对电机的主要参数进行了寻优辨识计算,在仿真确认了算法有效性后,对不同负载条件下的电机负载实验数据进行了辨识计算,得到的非线性参数表明,遗传算法在系统参数辨识应用上稳定有效。     

基于时序分析的神经网络短期负荷预测模型研究

在负荷预测中，历史负荷数据产生的复杂性和许多不确定因素影响的随机性，使观测到的数据既包含线性部分，又包含许多非线性部分，因此所建立的预测模型就必须综合考虑这2方面的因素。目前常用的预测技术很少能综合考虑这两方面的因素．预测精度选不到要求。本文提出了一种时序分析和神经网络结合的预测方法。由于时序模型中不同阶数的自回归移动平均适合线性预测，可利用自回归移动平均模型(ARMA)处理历史负荷数据中的线性部分；而神经网络模型适合非线性预测，可利用人工神经网络(ANN)模型处理历史负荷数据的非线性部分：这样所建立的模型有机地结合了历史负荷中的线性因素和非线性因素．利用不同模型的优势来处理数据的不同部分，使得预测结果更为准确。实证证明。ARMA-ANN组合预测能提高负荷预测的精度。     

基于最小二乘支持向量机的风电功率超短期预测

针对当前风电场发电功率预测时间较长、预测误差较大,易影响风力微电网根据用电负荷变化适时调度及有效电力资源配置的问题,提出了一种基于最小二乘支持向量机(least squares-support vector machine, LS-SVM)的微电网风电功率超短期预测方法。该方法根据风电场数据采集与监视控制(supervisory control and data acquisition, SCADA)系统获取原始功率数据样本,经归一化法预处理,运用网格搜索法确定模型参数,并依据LS-SVM法建立预测系统模型,利用MATLAB工具箱LS-SVM Lab进行仿真实验,跟踪及预测风电功率变化曲线,实现时间跨度小至5分钟的超短期预测。实验验证结果表明,该方法比传统预测方法具有较高的精确度和较强的鲁棒性,为风力微电网优化调度控制工程提供一种新思路。     

水轮机转轮叶片动态参数识别

简要介绍了时间序列识别方法理论基础.对某水轮机转轮叶片实测动应力和振动信号进行了分析研究,建立了ARMA模型.采用马夸特参数精确估计方法对于该模型进行调整和修正,分识别出较低频范围内的多阶模态频率.将所识别的固有频率与同机叶片理论计算和试验模态分析结果进行比较表明,时间序列方法识别的固有频率具有一定的实用性.图2表1参5     

A real-time short-term load forecasting system using functionallink network

This paper presents a new functional-link network based short-term electric load forecasting system for real-time implementation. The load and weather parameters are modelled as a nonlinear ARMA process and parameters of this model are obtained using the functional approximation capabilities of an auto-enhanced functional link net. The adaptive mechanism with a nonlinear learning rule is used to train the link network on-line. The results indicate that the functional link net based load forecasting system produces robust and more accurate load forecasts in comparison to simple adaptive neural network or statistical based approaches. Testing the algorithm with load and weather data for a period of two years reveals satisfactory performance with mean absolute percentage error (MAPE) mostly less than 2% for a 24-hour ahead forecast and less than 2.5% for a 168-hour ahead forecast     

基于最小二乘支持向量机的开关磁阻电动机建模

开关磁阻电动机(SRM)的磁化曲线族是电机建模及性能分析的基础，文中探讨了利用最小二乘支持向量机处理磁化曲线族，建立电机模型的方法。在分析电机非线性磁特性的基础上，运用最小二乘支持向量机(LS-SVM)的回归理论，通过对磁路有限元分析法(FEM)得到的样本数据集进行学习，建立了电机的最小二乘支持向量机模型。与以往的神经网络建模方法相比，该模型在小样本情况下有更好的泛化能力及更快的学习速度。仿真实验表明，该模型比较准确地反映了电机的磁特性，可用来进行SRM其它性能指标的分析。     

一种改进的动态测量系统灰色建模方法

针对动态测量系统具有时变性和测量过程中受到各种随机干扰的情况,将动态测量过程看作是灰色过程和随机过程的统一体.采用传统灰色模型提取测量序列趋势项,然后建立ARMA模型对残差进行拟合修正,并以模型参数随时间不断变化的方式对动态测量系统建立数学模型.实际算例证实,改进的灰色动态建模方法不仅具有快速性、准确性和平稳性的特点,模型精度较传统动态灰色模型也有一定提高.另外,该建模方法也同样适用于静态或准静态测量系统建模,有较好的适应性.     

基于LS-SVM的列车牵引电机电流实时估计

为满足列车牵引传动系统在牵引电机状态监测、异常诊断与预测等领域对牵引电机定子电流准确估计的需求,提出了一种基于多工况最小二乘支持向量机（LS-SVM）模型的牵引电机电流实时估计方法。该方法结合牵引电机参数和转矩转速试验测量数据,利用牵引电机机理模型计算得到定子电流估计值;然后根据列车运行规律将其分为多个运行工况,基于历史运行数据的相关变量建立各工况下定子电流的LS-SVM估计模型并研究列车不同运行工况对模型精度的影响,基于多工况模型实现牵引电机全工况下电流的实时有效估计。通过实际运行数据验证了所提方法的有效性和可行性。     

基于小波变换的ARMA-LSSVM短期风速预测

对风电场风速的准确预测,可以有效减轻并网后风电对电网的影响,提高风电市场竞争力。提出将时间序列自回归滑动平均模型（Auto Regressive Moving Average, ARMA） 与最小二乘支持向量机模型（Least Square Support Vector Machine,LS-SVM）相结合的混合模型短期风速预测方法。采用小波变换（Wavelet Transform,WT）方法将历史风速序列分解成具有不同频率特征的序列。根据分解后各分量的特点,对于低频趋势分量选取LS-SVM方法进行预测,而高频波动分量则选取ARMA模型进行预测,采用小波重构得到最终预测结果。仿真实例表明,不同的预测方法整体的预测精度不同,而混合模型预测的均方根误差最低为11.5%,与单一预测方法相比,混合模型提高了预测精度。     

函数联接神经网络在电力系统短期在线负荷预报中的应用

提出了 2个新的用于实时在线短期负荷预报的函数联接神经网络 (FLN)模型 .2个模型都把负荷与气象参数结合起来构成非线性ARMA过程 ,并应用FLN的函数逼近能力获得了 2个模型的参数 .测试与在线操作表明2个模型的预测效果是令人满意的 ,2 4h向前负荷预报的平均绝对百分误差 (MAPE)对HFLN来说几乎都在 3%以下 ,而对DFLN来说几乎都在 5%以下 .