电力市场环境下的新型负荷频率控制方法

针对电力市场环境中的两区域互联系统,研究了负荷频率控制的非线性、参数的不确定和纯迟延特性等问题,提出了一种基于模糊径向基函数神经网络的自适应控制器,即利用径向基函数神经网络进行自学习、修正与完善模糊规则,改善其动态性能。将Matlab与Labview软件相结合进行仿真,结果表明上述方法具有较强的自适应和自学习能力,将其应用于复杂的非线性电力系统的负荷频率控制中,取得了较好的控制效果。     

径向基函数神经网络补偿的悬浮球悬浮高度自适应滑模控制

磁悬浮作为下一代列车的必由之路,对其悬浮控制算法的研究具有重要的学术意义和实际应用价值。本文以固高悬浮仪为研究对象,针对悬浮球悬浮高度精准控制的问题,提出了一种基于径向基函数神经网络补偿的自适应滑模控制方法,完善了悬浮球的数学模型,设计了滑模变结构控制器。由于滑模控制器固有的不连续开关特性会引起系统的抖振现象,所以本文采用了等速趋近律的方法来抑制抖振现象,从而改善系统的动态响应性能。最后利用径向基函数神经网络的万能逼近特性来对系统中无法精确建模和检测的状态变量项在线逼近,以此对控制系统进行补偿,同时使用Lyapunov判据进行稳定性分析。仿真结果表明,基于径向基函数神经网络补偿的自适应滑模控制器的控制效果在响应时间、抗干扰和超调量等方面均优于传统经典比例积分微分控制器。     

基于改进PSO-RBF滑模控制的光伏系统控制方法

针对光伏系统常见最大功率点跟踪控制方法跟踪速度慢、跟踪精度低的问题,提出了一种基于改进粒子群优化径向基函数神经网络滑模控制的跟踪方法。通过借鉴粒子群优化过程中的多样性、非线性和自适应性,重新设计速度更新权值,进一步优化网络参数,旨在增强径向基函数对滑模控制非线性函数的逼近能力,再将优化的神经网络逼近滑模控制器的不确定状态,同时消除时变和非线性的不确定性对控制系统的影响,实现光伏系统的最大功率点跟踪。通过仿真验证了所提方法的有效性。     

基于神经网络的两相混合式步进电机反步控制

两相混合式步进电机是一个非线性、多变量、强耦合的系统。针对两相混合式步进电机开环控制定位精度低的问题,提出了一种基于径向基函数(RBF)神经网络的反步控制方法,该方法克服了单一反步控制对非线性系统控制参数选取困难的缺点,利用RBF神经网络的万能逼近特性,对电机运行过程中的不确定因素进行补偿,使其不过于依赖反步控制器所选取的参数,同时引入高斯基函数和自适应律,能够较好地对其中的非线性项进行逼近。利用神经网络与反步控制方法的结合,有效提高了两相混合式步进电机控制的位置跟踪精度和稳态性能。     

基于RBF神经网络滑模控制的双尾鳍机器鱼

为了开展水下探测,设计了一种双尾鳍水下机器鱼。由于其存在模型参数不确定性和复杂水波干扰,为了得到较好的控制效果,建立了带有参数不确定因子的动力学模型,并在此基础上设计了径向基函数(RBF)神经网络滑模控制器。利用Lyapunov函数证明了控制系统的稳定性。仿真结果表明,与传统的PID控制器相比,所设计的RBF神经网络滑模控制器对双尾鳍水下机器鱼模型参数变化不敏感,控制精度高,鲁棒性强。该方法为今后鳍驱动式水下机器人的设计及应用提供了参考。     

基于人工神经网络控制算法的SSSC潮流控制器设计

本文提出了一种应用神经网络控制策略为静止同步串联补偿器(SSSC)设计的新型潮流控制器。径向基函数神经网络的理论基础是函数逼近,用一个两层的前向网络去逼近任意函数,以更好地进行潮流控制。仿真结果表明,这种控制器与传统的PI调节控制相比,不但能快速调节潮流,增加系统阻尼,改善系统稳定性,并且有较强的适应性、鲁棒性。     

基于人工神经网络控制算法的SSSC潮流控制器设计

提出了一种应用神经网络控制策略为静止同步串联补偿器 (SSSC)设计的新型潮流控制器。径向基函数神经网络的理论基础是函数逼近 ,用一个两层的前向网络去逼近任意函数 ,能更好地进行潮流控制。仿真结果表明 ,这种控制器与传统的PI调节控制相比 ,不但能快速调节潮流 ,增加系统阻尼 ,改善系统稳定性 ,并且有较强的适应性、鲁棒性     

无轴承异步电动机悬浮子系统独立鲁棒控制方法研究

为实现无轴承异步电动机(BIM)的动态解耦控制,基于径向基函数神经网络(RBFNN),提出一种悬浮子系统独立鲁棒控制方法。应用RBFNN辨识系统模型不确定因素和外界干扰,基于HJI不等式原理设计RBFNN鲁棒控制器,实现悬浮子系统的动态独立解耦控制,并提高系统的稳定性和抗干扰性能。仿真和实验结果表明所提出的BIM控制系统具有良好的动静态性能。     

基于神经网络的双闭环伺服系统自适应控制

针对双闭环伺服系统中传统自抗扰控制（ADRC）控制器待整定的参数较多且整定过程较复杂的问题,设计了一种基于径向基函数神经网络的ADRC控制器。考虑到组合控制律的独立性,设计线性状态误差反馈进一步降低参数整定复杂性。径向基函数神经网络将扩张状态观测器中的非线性误差增益作为其权值系数,在线辨识出被控对象的Jacobian信息,利用神经网络的自学习功能实现了ADRC的参数在线自整定。以永磁同步电机(PMSM)作为被控对象,通过MATLAB进行仿真。仿真结果证明,此控制策略有效地优化了伺服系统的静态性能和动态品质,实现了控制系统的高动态和高精度。     

基于人工神经网络控制算法的SSSC潮流控制器设计

提出了一种应用神经网络控制策略为静止同步串联补偿器（SSSC）设计的新型潮流控制器。径向基函数神经网络的理论基础是函数逼近，用一个两层的前向网络去逼近任意函数，能更好地进行潮流控制。仿真结果表明，这种控制器与传统的PI调节控制相比，不但能快速调节潮流，增加系统阻尼，改善系统稳定性，并且有较强的适应性、鲁棒性。     

永磁直线同步电机的智能互补滑模控制

针对永磁直线同步电机(PMLSM)伺服系统的位置跟踪精度问题,提出了一种基于径向基函数(RBF)神经网络的智能互补滑模控制(ICSMC)方法。建立了包含端部效应、参数变化、外部扰动及非线性摩擦等不确定性因素的PMLSM动态方程。设计了互补滑模控制器,采用广义滑模面和互补滑模面相结合的设计,降低了系统跟踪误差,提高了系统响应速度,并削弱了抖振现象;利用RBF神经网络直接对系统存在的不确定性进行估计,在线调整RBF网络参数以改善系统动态性能,提高系统鲁棒性,并用李雅普诺夫定理保证系统闭环稳定性。通过分析系统实验结果,验证了所提出的控制方法有效降低了系统跟踪误差,并使系统具有良好的动态性能和鲁棒性能。     

永磁同步直线伺服系统的一种双模控制

针对永磁同步直线电动机(PMLSM)伺服系统的端部效应问题,采用了一种双模控制,将基于RBF神经网络辨识的单神经元PID控制和基于神经网络给定补偿的复合控制相结合。有效地解决了并联型辨识结构对初值敏感及参数收敛的问题。实现了控制系统的快速跟踪,同时对外部扰动和参数变化有较强抑制作用。给出了该控制方案与基于RBF神经网络辨识的单神经元PID控制的仿真比较,验证了该方案的有效性。     

基于神经网络的永磁直线同步电机位置控制

针对永磁直线同步电机(PMLSM)伺服系统中的诸多不确定性问题,提出了采用神经网络来实现实时积分-比例IP位置控制器的设计。本文所提出的神经网络结构合理、简单,权值具有明确物理意义和可以在线快速调整的特点,以便进行实时控制。用由模型参考自适应参数辨识器和负载扰动力观测器构成的估计器来估计动子质量和负载扰动力。将观测的负载扰动力前馈,进一步增强系统的鲁棒性。仿真结果表明,系统具有很强的鲁棒性,同时提高了稳态精度。     

配电网谐波源定位的支持向量机估计算法

使用一种简化的方法确定谐波监测点的位置。该方法基于电路网络拓扑分析,通过计算母线谐波电压相对注入谐波电流变化的敏感因子,确定谐波监测点的位置;利用谐波监测点的实时数据,建立基于支持向量机算法的谐波源定位估计器,实现谐波源的位置估计。谐波源定位估计器通过基于支持向量机算法进行设计。对线型估计器、基于多项式核函数以及径向基核函数的估计器进行了比较,实验结果表明,基于径向基核函数的非线性支持向量机估计器具有更高的估计精度,且能够较准确地判定谐波源的位置。     

基于RBF神经网络的PID整定在直线驱动无绳电梯中的应用

为克服无绳电梯中直线驱动系统的常规PID参数只能离线调节的不足,提出了基于RBF神经网络的PID参数在线整定方法。首先从PMLSM动态数学模型出发,阐述了RBF神经网络原理及PI自整定的实现过程,给出了基于RBF神经网络的PMLSM控制系统框图。最后,借助MATLAB/Simulink软件对PMLSM控制系统进行了建模与仿真。仿真结果表明提出的方法鲁棒性强、转矩响应快速及转速超调量小,在直线驱动无绳电梯领域具有良好的应用前景。     

高精度数控机床用直线电机端部效应分析及神经网络补偿技术研究

针对高精度数控机床用交流永磁直线同步电机(PMLSM)伺服系统高精度快速响应的运行要求，在分析研究PMLSM的端部效应对直线伺服系统性能影响的基础上，引入神经网络补偿技术，使系统具有自学习能力，实时补偿端部效应引起的非线性时变扰动。设计了一种鲁棒性较强的基于双神经网络的前馈给定补偿口位置复合控制策略。仿真结果表明，该方案有效地克服了PMLSM特有的端部效应所产生的推力波动对系统的影响，具有很强的鲁棒性，而且提高了系统的稳态性能。     

永磁直线同步电动机无位置传感器控制系统的研究

永磁直线同步电动机直接驱动系统的无位置传感器控制中，需要实现电机的位置及速度估计。针对直线电机直接驱动系统具有强非线性，将一种新的滤波方法--Unscented卡尔曼滤波(UKF)应用于直线电机无位置传感器驱动系统的非线性状态估计中。UKF采用确定性采样策略,通过UT变换实现状态均值和方差的非线性传播，避免了扩展卡尔曼滤波(EKF)产生的线性化误差，并且无需计算雅可比矩阵。同时，采用Cholesky因式分解等方法保证滤波递推过程中协方差矩阵的半正定性，有效地避免滤波的发散，提高算法的计算精度。数值仿真及实验结果表明，所给出的算法是可行而有效的。     

永磁直线同步电动机模糊神经网络控制器的设计

为了有效地抑制负载阻力扰动等外部扰动对永磁直线同步电动机(PMLSM)系统稳态性能影响,本文设计出了模糊神经网络控制器(FNNC).该控制器将模糊控制的非线性辩识功能和神经网络的自学习功能有效地结合了起来,在保留神经网络自学习能力的同时,增加了对系统的辨识能力,从而提高了伺服系统的稳态性能.仿真结果表明,基于FNNC的PMLSM伺服系统响应快,精度高,对外部扰动有很强的鲁棒性.     

电动车蓄电池荷电状态估计的支持向量机方法

结合电动车蓄电池容量判断问题,将支持向量机方法用于蓄电池荷电状态估计。针对蓄电池本身的非线性特性,使用核函数为非线性核的最小二乘支持向量机算法完成估计器的设计,得到了基于多项式核函数和径向基核函数的估计器。通过实验分析了两种核函数对估计器性能的影响。从实际应用出发,分析了如何合理简化估计器模型的复杂性。结果表明基于多项式核函数的估计器精度较低,但应用过程简单;基于径向基核函数的估计器精度较高,但其应用时需要存储部分训练数据,增加了应用的复杂性。具体应用可以根据实际环境,合理选择核函数,提高估计器的综合性能。     

直驱式伺服系统的神经网络自适应滑模控制

针对直接驱动(DDV)伺服系统中由于参数变化、齿槽效应以及液动力负载扰动所造成的跟踪性能降低的问题,提出一种神经网络自适应滑模控制策略,采用径向基函数神经网络(RBFNN)取代滑模切换控制部分,利用其在线学习功能,对系统的不确定因素进行自适应补偿,并通过与比例微分算法(PD)的并行控制,改善神经网络参数的收敛,降低局部极小现象发生的可能性,增强系统的稳定性.仿真结果表明该方法不仅使系统具有良好的跟踪性能和强的鲁棒性,还有效地消除了高频抖振现象.