基于Taylor逼近的非线性系统PID型多步预测控制

基于局部递归神经网络对非线性系统进行递归多步向前预测,将系统实际多步向前预测值按泰勒公式在其递归预测值上展开,实现对非线性系统多步预测输出值的二次逼近,减少了预测误差.进而通过对PID型多步预测性能指标函数极小化求取控制量.控制器与广义预测控制器结构相似,其参数通过神经网络在线辨识获得.仿真实验表明了该方法的有效性.

表贴式永磁同步电机多步预测控制简化算法

针对表贴式永磁同步电机多步模型预测转矩控制优化过程运算量大的问题,提出一种多步预测控制新型简化算法。首先,建立了多步模型预测转矩控制模型,分析未简化算法(T-MPTC)的实施过程和运算量;其次,在“精简电压矢量集合”法(S-MPTC)基础上,提出了“电压矢量保持”算法(P-MPTC),一定条件下避免遍历备选电压矢量集中的所有电压矢量以简化运算;最后,定义运算量的评价指标,将所提出的P-MPTC算法与T-MPTC、S-MPTC算法进行仿真对比,分析3种算法的控制性能和运算量的变化情况,并在STM32H743单片机平台上实际对比了3种算法的执行时间,验证了所提出算法的简化效果。结果表明,相比于其他两种算法,提出的简化算法在保证电机控制性能基本不变的同时,能大幅度减少多步模型预测的运算量。以六步预测为例,P-MPTC算法运算量仅为T-MPTC算法运算量的0.02%,极大减少了多步预测的计算量。

基于神经网络模型和改进最优保留遗传算法的非线性系统多步预测控制

针对复杂工业过程中存在的时滞、慢时变、强干扰等非线性控制对象提出一种利用径向基函数神经网络 (RBFNN)作为预测模型 ,改进最优保留遗传算法 (MEGA)作为滚动优化策略的非线性预测控制算法。仿真结果表明该算法具有较强的鲁棒性和抗时变性能。

基于Tchebycheff正交神经网络的非线性多步预测控制

针对多变量非线性系统 ,提出了一种基于 Tchebycheff正交神经网络的多步预测控制方案 ,采用 Tchebycheff正交神经网络离线建立预测模型 ,并以偏差补偿和模型修正相结合的方式对预测模型进行误差补偿 ,经在线校正用于预测控制。同时对性能指标中的偏差项和控制项加权 ,进一步改善预测控制性能。

直线超声电机无模型自适应多步预测控制

直线超声电机系统具有明显的非线性和时变性,在运行过程中,跟踪误差、机械延迟等因素对其位置跟踪精度会产生较大影响,且难以控制。针对一维直线超声电机位置控制问题,将无模型自适应控制仅需受控系统的输入输出数据便能实现自适应控制的特点与多步预测控制预测阶数大、预测准确性高的特点相结合,设计了一种无模型自适应多步预测控制器,并证明了该方法的稳定性和收敛性。同时,针对直线超声电机运行过程具有非线性特征、无法精确获得其实际控制模型的问题,建立了直线超声电机的等效电路模型。最后,对基于无模型自适应多步预测控制方法的直线超声电机位置控制进行了仿真分析。理论证明及仿真分析结果表明,该方法可有效实现直线超声电机位置控制。

表贴式永磁同步电机多步模型预测电流控制简化策略

针对表贴式永磁同步电机多步模型预测电流控制过程中运算量大的问题,提出两种多步预测控制简化策略。建立表贴式永磁同步电机传统多步模型预测电流控制(C-MPCC)模型,基于电压矢量选择规律,提出一种简化策略(S-MPCC)。以n步预测(n≥2)为例,C-MPCC需进行(7^((n+1))-7)/6次电流预测计算和(7^(n)-1)次数据比较运算,而S-MPCC仅需(2 n-1)×7次电流预测计算和(25 n-26)次数据比较运算,减小运算量。基于S-MPCC,进一步提出增加判断环节的简化策略(S-MPCC-II)。仿真结果表明,简化策略S-MPCC和S-MPCC-II控制下,电机系统运行良好,运行效果与C-MPCC基本相当。采用STM32H743单片机平台进行3种策略的单控制周期执行时间实验验证。实验结果表明,S-MPCC的预测次数和成本函数寻优过程中的数据比较次数仅为C-MPCC的0.32%和0.59%,单控制周期执行时间减小至0.30%。S-MPCC-II控制策略可在保持与S-MPCC相同控制效果的条件下,进一步减小运算量,提高系统实时性能。

基于DC/DC变换器电流纹波的多步模型预测控制

在移相全桥变换器中,由于输出功率的脉动,输入电流和输出电感电流均存在大量纹波。提出了一种基于DC/DC变换器负载的模型预测控制策略来抑制输出电感电流的纹波含量。而传统的模型预测控制只能保证其在一个周期内控制为最优量,从而降低系统的控制精度,为了提高系统的控制性能,采用一种多步模型预测控制策略,通过计算代价函数使系统在两个周期中均得出最优控制量。最后搭载了仿真模型验证其控制策略的可行性,并将其运用在实验平台直流电子负载中。

永磁直线同步电机的多步虚拟位置预测控制

预测控制是一种通过数学模型对电机未来行为进行预测与调整,以此减小系统时延影响的优化控制方法。系统时延是一种非线性时变扰动,难以被准确估算与补偿,降低了传统位置预测控制应用于直线电机这类响应快速对象时的位置跟踪性能。本文分析了永磁直线同步电机的系统时延来源与影响,在预测模型中引入主动变速系数来降低系统时延以加快电机响应速度,解决了传统预测控制无法进行滚动优化的问题进而提出了一种多步虚拟位置预测控制,实现高性能系统时延补偿。文章对一台医用显微镜用小功率永磁直线同步电机进行仿真和实验,结果表明所提方法能够加快电机动态响应速度,并且在对三角、正弦等不同类型曲线的跟踪中均能够降低系统时延的影响,位置跟踪精度相较传统位置预测控制提高了约20%。

基于RVM回归误差补偿的航空发动机分布式控制系统多步预测控制

针对具有随机有界双侧时延的航空发动机分布式控制系统,提出了一种基于多步预测和关联向量机(RVM)回归误差补偿的控制方案.首先建立航空发动机分布式控制系统(DCS)的神经网络非线性自回归滑动平均(NARMA)模型,利用当前的系统输出和控制量对N步之后的系统输出进行预测;其次用改进的RVM回归多步预测算法估计NARMA模型的的预测误差,并对预测结果进行误差补偿;最后利用补偿之后的预测值和设定值对控制参数进行滚动优化,设计系统的神经网络逆控制器实现系统的自适应控制.仿真结果证明该控制策略能够避免随机有界双侧时延对控制系统的影响,实现对设定值的稳定跟踪,且控制器具有较好的实时性和鲁棒性.低压转子转速阶跃响应的稳态绝对误差小于0.04%,响应时间小于0.3s.

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。

基于神经网络模型的非线性多步预测学习控制器

构造出一种建模网络 ,通过对它的学习来辨识过程动态 ,通过对广义预测控制目标函数的在线优化求得控制律。

多步预测自校正控制算法在混合隔振中的应用研究

为了弥补潜艇动力机械被动隔振系统低频隔振效果的不足,建立了混合隔振多步预测自校正控制系统。详细阐述了混合隔振系统模型的建立,混合隔振预测自校正控制系统的设计,并给出了一个具体实例设计和仿真过程。从仿真结果来看,所提出的混合隔振多步预测自校正控制系统,有效地弥补了舰船动力机械被动隔振系统的不足,且系统具有较强的鲁棒性能。

单相光伏并网逆变系统基于球形译码多步模型预测控制的研究

随着全球化石能源短缺,光伏发电凭借其储量巨大、清洁环保和分布广泛的特点,越来越受到人们的重视。本文针对单相屋顶光伏发电并网系统,提出了一种基于球形译码多步模型预测控制策略。这种控制策略可以解决电网电压前馈PI控制策略存在无法消除的电流静差和动态性能差,以及传统模型预测控制策略网侧电流稳态误差较大的问题。通过比较该控制策略和电网电压前馈PI控制以及传统模型预测控制策略的仿真结果,基于球形译码多步模型预测在单相光伏逆变器中能够获得更低的电网电流稳态误差,提高了系统的抗干扰能力。

基于递归神经网络的大滞后非线性系统预测控制

针对带有大滞后的非线性系统,提出了在迭代多步预测的基础上,将系统多步预测输出值进行线性化,在多步预测目标函数下实现系统控制的方法。采用适合于动态系统实时控制的扩展Elman网络,利用训练速度快的阻尼最小二乘法学习网络权值。仿真实验表明了该方法的有效性。

多边界条件下热泵利用循环水余热的CPCS-RBF预测控制

循环水余热回收系统中,热泵热网水出口温度在跟踪供热负荷需求时,在受驱动蒸汽量的调节的同时,往往易受热网回水、循环水等工况变化的影响,传统PID控制方式超调量大、负荷跟踪能力差。提出一种混沌变异克隆选择-径向基函数(CPCS-RBF)直接多步预测控制策略,以热泵热网水出口温度预测值与设定值差值为目标函数,利用CPCS优化算法求取目标函数最小时的驱动蒸汽最佳值。预测模型由2个RBF神经网络结合热泵现场运行数据构建,以提高热泵系统适应工况变化的能力;实验结果表明,该控制策略能综合学习热网回水温度、循环水温度等参数的变化,使驱动蒸汽调门超前动作,及时跟踪供热负荷需求变化的同时,适应发电负荷变化下排气余热量的波动,具有更好的节能效果和变工况适应能力。

混合粒子群优化算法及其在预测控制中的应用

在时变加速因子的自组织粒子群算法、中值粒子群算法、混沌粒子群算法的基础上,提出了一种新的混合粒子群优化算法(MPSO),并利用这种新的算法来训练径向基函数(RBF)神经网络的参数(连接权、隐节点中心和宽度),验证了所提方法的有效性.进一步,提出了基于神经网络的非线性系统直接预测控制方案,实现非线性系统的实时控制.通过非线性系统实例进行仿真,仿真效果良好.

同步发电机多步预测自校正励磁调节器

将多步预测自校正控制(Multi-step Predictive Self-Tuning Control)理论用于同步发电机励磁控制中来,选取多个状态量偏差的组合做为输出,用渐消记忆递推最小二乘法在线辨识同步发电机三阶非线性方程经线性化和离散化后的模型参数,并采用一种简单有效的方法离线确定b0(b0是前面提到的模型参数之一)。针对单机无穷大系统,设计出多步预测自校正励磁调节器(Multi-step Predictive Self-Tuning Excitation Regulator,MPSTER)。数字仿真结果表明,该励磁调节器控制效果好,能及时跟踪发电机运行工况的变化,在系统遭受的各种干扰下均表现出良好的动、静态性能。

Multi-step Predictive Control of a PDF-shaping Problem

A predictive control strategy is proposed for the shaping of the output probability density function (PDF) of linear stochastic systems. The B-spline neural network is used to set up the output PDF model and therefore converts the PDF-shaping into the control of B-spline weights vector. The Diophantine equation is then introduced to formulate the predictive PDF model, based on which a moving-horizon control algorithm is developed so as to realize the predictive PDF tracking performance.