基于模糊调整的神经网络逆模型控制

研究了神经网络的逆模型辨识及其直接逆模型控制,提出了一种基于模糊调整的神经网络逆模型控制方法。采用神经网络建立非线性被控对象的动态逆模型,并用模糊集理论对控制器增益和积分增益进行动态调整。仿真实验结果表明该方法应用于纸浆浓度控制系统中具有良好的控制品质,较强的鲁棒性、适应性和抗扰能力。     

基于神经网络和智能预测控制的机器人算法

提出了一种新颖的控制方案，即采用神经网络预测控制器来控制机器人的力／位置．这种控制器能任意逼近机器人这种不确定对象，不用知道系统的精确结构，同时由于预测控制的加入，使系统在线计算方便，控制质量提高了。通过对机器人的仿真结果可以看出，传统的PID对于不确定对象不能很好的解决，而采用本文设计的控制器，系统的鲁棒性和快速性都得到了改善，并且具有较好的控制效果。     

基于区间优化算法的电力系统可靠性评估逆问题模型

电力系统可靠性评估逆问题是指从已知的可靠性指标值出发求取未知的元件可靠性参数的问题,是电力系统可靠性领域一个重要的潜在研究方向。只有在待求可靠性参数个数与可靠性指标个数相等的特殊情形下,采用现有的逆问题研究方法才能取得参数的准确值。针对以上不足,首先,基于可靠性指标解析计算函数,构建逆问题的非线性方程组模型。其次,为计及已知可靠性指标个数大于、等于或小于待求参数个数的3种情形,将方程组模型转化为优化问题,建立逆问题的一般性模型。针对逆问题存在多解的情形,以可靠性参数优化为例,说明如何构建对应于具体工程问题的逆问题模型。然后,提出基于改进区间优化算法的逆问题求解方法,该方法能够在逆问题的不同情形之间进行切换,并确保求得最优解。最后,将所提方法应用于RBTS、IEEE-RTS系统和91节点系统,算例结果表明：针对逆问题的上述3种情形,采用所提方法均可有效求得准确的元件可靠性参数。     

基于模型预测控制的多时间尺度无功电压优化控制方法

针对高比例风电接入下电网电压快速、频繁波动的问题,提出了基于模型预测控制(MPC)的多时间尺度电网无功电压优化控制方法。在日前优化安排离散无功补偿设备的基础上,日内采用基于MPC的滚动优化及校正控制思路,利用连续无功补偿装置对电压进行控制。首先,建立基于灵敏度的电网电压预测模型,预测得到未来多个时刻的电网电压运行状态;然后,以未来多个时刻的电网电压预计控制偏差最小为优化目标,建立日内滚动优化控制模型,求解得到连续无功补偿装置的无功控制计划,并通过电压控制偏差校正,完成日内无功电压模型预测控制;最后,以我国"三北"地区某风电场集群为例进行仿真计算,通过与传统电压控制方法进行对比,验证所提方法在提高电压控制水平方面的可行性和有效性。     

基于改进权值优化模型的光伏功率区间预测

区间预测方法可以反映光伏发电功率可能的变化范围，提供比点预测方法更丰富的预测信息。文章提出了一种基于径向基函数（radial basis function，RBF）神经网络的区间预测模型以直接输出光伏功率预测区间。为优化模型输出区间的性能和避免惩罚系数选择问题，构建了一种考虑区间预测偏差信息的改进预测区间优化模型，并采用粒子群算法（particle swarm optimization，PSO）求解，获得最优RBF神经网络输出权值以提高预测区间的可信度和准确性。通过对比传统区间优化模型和所提改进区间优化模型的预测结果，发现改进区间优化模型能够获得宽度更窄和预测偏差更小的光伏功率预测区间，可为调度决策提供更准确的辅助信息。     

基于改进评价指标的波动性负荷短期区间预测

针对传统点对点预测难以适用于波动性较大、不确定性较强的负荷的问题,提出了一种基于改进评价指标的区间预测方法,从区间宽度和累计误差2个角度对现有区间预测评价指标做出改进,提高了预测结果的合理性。在此基础上,从各个评价指标的自身特性及其对预测结果的影响程度进行考量,建立了区间预测综合评价指标,并利用神经网络构建了区间预测模型,以综合评价指标最优为目标,采用粒子群优化算法对网络结构参数进行训练优化,从而取得理想的波动性负荷区间预测效果。仿真中通过对某波动性较强的历史负荷数据进行预测分析,并与传统的点预测和区间预测方法进行对比,验证了所提方法的有效性和优越性。     

应用Radau排列和移动区间技术实现模型预测紧急电压控制

将非线性模型预测控制方法应用于紧急电压控制器的设计,以准稳态近似为基础,建立包含连续-离散时间微分-代数方程组的滚动动态优化模型.为提高求解该动态优化模型的计算效率和控制精度,将移动区间技术和直接动态优化方法结合起来求解该滚动优化问题.首先,将研究时间段划分为有限个区间,借助排列法将所有状态变量、代数变量和控制变量在各个区间内用一系列多项式近似,从而将动态优化问题转化为非线性规划问题.然后,引入移动区间技术动态调整每个区间的长度,实现控制变量断点的精确定位,并同时提高整个算法的精度.采用AMPL优化建模软件提供的内点算法求解.在新英格兰10机39节点系统上的计算结果验证了所提方法的有效性.     

应用Radau排列和移动区间技术实现模型预测紧急电压控制

将非线性模型预测控制方法应用于紧急电压控制器的设计,以准稳态近似为基础,建立包含连续-离散时间微分-代数方程组的滚动动态优化模型。为提高求解该动态优化模型的计算效率和控制精度,将移动区间技术和直接动态优化方法结合起来求解该滚动优化问题。首先,将研究时间段划分为有限个区间,借助排列法将所有状态变量、代数变量和控制变量在各个区间内用一系列多项式近似,从而将动态优化问题转化为非线性规划问题。然后,引入移动区间技术动态调整每个区间的长度,实现控制变量断点的精确定位,并同时提高整个算法的精度。采用AMPL优化建模软件提供的内点算法求解。在新英格兰10机39节点系统上的计算结果验证了所提方法的有效性。     

基于小世界优化的变桨距风电机组神经网络预测控制

通过将混沌映射用于产生初始节点集和进行算子构造,提出一种新的基于实数编码的混沌小世界优化算法。采用4种算法对多例复杂函数的优化问题进行仿真试验,表明所提算法具有能够有效避免陷入局部极小值、快速搜索到最优值的能力。将上述方法应用于变桨距风电机组启动并网时的转速控制,提出一种基于混沌小世界优化算法的神经网络预测控制策略,其预测模型由基于现场数据的神经网络模型建立。仿真与实际测试结果表明,该系统可以根据风速扰动提前预测电机的转速变化,使控制器超前动作,保证系统输出跟踪参考轨迹的方向稳步改变,确保风电机组平稳并网。     

双馈发电系统的神经网络逆控制

将神经网络逆控制方法应用于双馈发电系统,根据双馈发电机功率控制数学模型推导逆系统模型,合理选择逆控制输入、输出信号,用神经网络实现逆控制算法,将系统分解为有功功率和无功功率的两个单变量线性子系统.运用线性系统综合方法,设计了由PI调节器组成的有功功率和无功功率线性闭环子系统,建立了相应的仿真模型并进行了仿真.仿真结果表明,采用神经网络逆系统控制的双馈发电系统具有较好的性能,不仅能够方便地实现有功功率的控制,而且可独立地提供电网所需的无功功率.     

向无源网络供电的VSC-HVDC模型预测控制

推导了向无源网络供电的电压源换流器高压直流输电(VSC-HVDC)系统整流侧和逆变侧的离散数学模型。针对传统的基于PI调节器的双闭环控制策略存在控制结构复杂、PI参数较多且整定困难和难以实现多目标优化控制等缺点,根据系统离散数学模型,提出基于模型预测控制的VSCHVDC系统整流侧直接功率控制和逆变侧直接交流电压控制策略。详细描述了所提控制策略的实现过程,提出权重系数的选取方法,并结合仿真实例进行详细说明及验证,克服了权重系数选择的主观性和盲目性。在PSCAD/EMTDC中搭建了向无源网络供电的VSC-HVDC系统,对整流侧无功指令突增、直流电压指令突增以及逆变侧空载、带线性负载、带非线性负载、负载突变、交流电压抬升、模型参数出现偏差和逆变侧交流故障等情况进行了仿真研究。仿真结果表明,所设计的控制器具有良好的稳态性能和动态性能,且模型参数鲁棒性较好,能在各种情况下向无源网络提供高品质电能。     

电力系统分布式模型预测控制方法综述与展望

模型预测控制作为一类约束优化控制策略,在电力系统控制领域得到了广泛的应用,传统的集中式模型预测控制难以满足复杂互联电力系统的多目标优化、可靠性、实时优化等要求。分布式模型预测控制能够协同多个局部控制器实现全局优化或纳什优化。文中全面综述分布式模型预测控制在电力系统中的研究现状和发展方向。首先,按照控制结构对模型预测控制方法进行了分类和对比分析,接着重点阐述了非协作式和协作式2类分布式模型预测控制方法。然后,围绕分布式模型预测控制在不同应用场景分别进行综述和分析。最后,指出了分布式模型预测控制在电力系统控制应用的研究方向。     

300 MW火电机组神经网络预测控制策略

针对在线滚动优化计算量大,间接算法梯度信息难以求取的问题,将神经网络多步预测控制应用于火电机组多参数协调控制中。提出了基于中心偏差商的优化算法,利用多元函数的偏差商替代函数的导数构成Hessen矩阵,从而获得优化算法的搜索梯度信息。通过对某300 MW单元机组双输入、双输出系统的仿真,验证了本算法的有效性。     

基于神经网络非线性模型的多级工作点阶跃响应扩展DMC预测控制

利用前馈神经网络建立对象的非线性预测模型,在不同工作点对阶跃响应,建立它的局部线性模型,利用隶属函数进行加权得全局线模型,利用全局线性模型进行滚动优化,利用非线性预测模型校正线模型,实现非线性预测控制,仿真表明,文中提出了方法控制效果良好,满足实时要求。     

基于模糊神经网络的超声电机的位置控制

超声电机的优良特性使其得到越来越广泛的应用,但由于其时变和非线性特性,使电机的速度和位置控制成为研究热点。文中将模糊神经网络用于电机的位置控制中,模糊逻辑部分获得专家知识,神经网络部分调整参数,通过改变超声电机的驱动频率来实现精确的位置控制,并通过实验和仿真来验证这种方法的有效性。     

基于模型预测控制的孤岛微电网二次调节策略

受线路阻抗的影响,传统的P-f和Q-V下垂控制无法实现无功功率按比例精确分配,且所有分布式电源输出电压的幅值偏离电压基准值;负荷波动时,频率无法维持在额定频率值。提出一种基于模型预测控制(MPC)的二次调节策略,通过优化下垂控制的频率和电压参考值,将频率和平均电压维持在各自的基准值,实现无功功率按额定容量比例精确分配的目标,并减小了输出电压与基准电压间的偏移量。该策略以一定的采样周期将分布式电源的状态空间模型离散化,经滚动优化和反馈校正获得频率和电压的控制变量,分别添加到P-f和Q-V初级控制中,实现优化频率与电压的二次调节,且减少了比例—积分(PI)控制参数,降低了对系统参数的敏感度。MATLAB/Simulink仿真验证了所提策略与基于PI控制的二次调节策略相比,在负荷波动时具有更快的瞬态响应特性,同时具有较强的鲁棒性。     

基于神经网络逆系统理论无轴承异步电动机解耦控制

无轴承异步电动机是一个多变量、非线性、强耦合的系统,其径向力和转速之间存在交叉耦合,若要实现电动机转子稳定悬浮和运行,必须对电动机转速和径向力进行动态解耦控制。为此,本文提出了一种基于神经网络逆系统的无轴承异步电动机解耦控制方法。理论分析表明,此方法可以将无轴承异步电动机动态解耦成位移子系统、转速子系统和磁链子系统,从而简化外环控制器的设计,进一步提高整个系统的控制性能。最后,对采用所提解耦方法的整个无轴承异步电动机控制系统进行了仿真和初步的实验研究,结果验证了该解耦方法的有效性。     

复杂工业过程的模糊神经网络自适应控制

本文针对复杂工业过程控制系统的特点 ,提出一种模糊神经网络自适应控制系统 ,该系统由两个模糊神经网络组成 ,一个完成Fuzzy学习控制 ,另一个完成未知被控对象模型的建模。仿真和复杂工业回转窑炉温控实验结果表明 ,控制系统有良好的性能     

基于模型预测控制的PWM整流器直接功率控制

针对传统三相电压型PWM整流器直接功率控制开关频率不固定、控制滞后等问题,提出了一种基于模型预测控制的直接功率控制策略来控制三相PWM整流器。该方法采用供电电源的平均电压矢量作为控制过程的基矢量进行电压空间矢量调制(space vector pulse width modulation,SVPWM),用模型预测控制器代替传统的PI控制器或滞环比较器进行有功功率和无功功率控制,依据系统控制要求设计预测控制器的优化性能指标,求解优化性能指标得出控制时域内最优控制量进行控制。该方法实现简单,且能有效降低直流侧母线电压纹波和交流侧电流失真度。仿真结果验证了该方法的可行性和有效性。