基于模糊RBF神经网络PI控制的塑料薄膜收卷张力控制系统研究

介绍了吹塑机收卷张力控制系统模型,建立收卷张力数学模型并得出影响塑料薄膜收卷张力的主要因素。针对常规PID在薄膜收卷张力控制中的缺陷,提出了基于模糊RBF神经网络PI控制的薄膜张力控制方法,模糊RBF神经网络参数的初始值先通过改进的遗传算法进行优化,加快误差的收敛速度。该控制方法既能利用模糊控制的非线性控制作用,又能利用神经网络的自学能力,实现PI控制器参数实时自整定的要求。仿真结果表明该系统响应适度快、超调小、抗干扰性强,具有优良的控制效果。

基于RBF神经网络与模糊控制的短期负荷预测分析

短期负荷是电力系统调度中十分重要的内容,并且传统的负荷预测将线性建设作为基础,但是这样预测精准度较低,很难满足电力系统稳定运行的需求。对此,在短期负荷预测期间,为了取得良好的结果,将RBF神经网络与模糊控制作为基础,通过利用仿真实验平台,构建网络模型,并且利用以往的短期负荷数据展开预测工作,这样预测结果产生偏差的几率相对较小,取得相对较为理想的结果。基于此,本文主要分为三个部分,首先对RBF神经网络与模糊控制的相关概述进行了分析,其次阐述了RBF神经网络与模糊控制在短期负荷预测中的具体应用,最后利用实例对RBF神经网络与模糊控制的应用进一步的验证,充分说明RBF神经网络与模糊控制具有较强的可靠性,确保电力系统运行的稳定性。

基于改进粒子群区间二型模糊神经网络的MPPT控制研究

针对太阳能发电单元最大功率点控制(MPPT)在复杂工况条件下存在的振荡、跟踪耗时长、精度较低的问题,提出一种基于改进区间二型模糊神经网络的预测控制模型。首先将减法聚类与区间二型模糊均值聚类算法相结合,辨识模型前件模糊规则层结构,计算得到聚类中心;其次,基于自导式粒子群算法优化后件权重层权值参数,进而提升网络全局寻优能力;最后,通过与TS模糊神经网络模型、基于反向传播算法的区间二型模糊神经网络模型进行仿真对比,验证所提模型在不同工况下对最大功率点追踪的快速性与精确性。

基于模糊RBF神经网络改进VSM的EV充放电控制策略研究

为解决电动汽车(EV)大规模接入电网导致的电网频率、电压等指标稳定性下降的问题,提出将虚拟同步机(VSM)控制策略应用于EV充放电系统的前级双向AC/DC变换器中。针对VSM控制中虚拟惯量和虚拟阻尼参数整定难的问题,提出一种基于模糊RBF神经网络改进VSM的控制策略。首先,建立EV前级变换器VSM闭环传递函数,根据二阶系统稳定性分析虚拟参数对系统性能的影响;然后,融合模糊算法启发式搜索的优点和RBF神经网络优良的非线性函数逼近能力,设计模糊RBF神经网络自适应控制器,对VSM虚拟参数进行在线调整;最后,通过Matlab/Simulink仿真验证所提策略的有效性。

基于神经网络的污水处理系统广义预测控制

污水处理过程中,由于溶解氧和硝态氮浓度是时变且长滞后的,因此难以精准控制。为解决这一问题,提出基于径向基(radial basis function, RBF)神经网络的多变量解耦比例积分-广义预测控制(proportional integral-generalized predictive control, PI-GPC)算法。首先,基于RBF神经网络分别建立溶解氧浓度和硝态氮浓度非线性模型;然后,在此模型基础上,利用GPC的预测性和传统PI控制器的反馈性,优化溶解氧和硝态氮的浓度控制;最后,利用基准仿真模型No.1(benchmark simulation model No.1, BSM1)数据,通过神经网络辨识系统模型并设计控制器。结果表明,PI-GPC算法相较于传统GPC和PI控制算法,能够获得更快速和更稳定的控制效果。

基于模糊RBF神经网络的风电机组变桨控制研究

针对大型风力发电机变桨控制受外部干扰和参数变化大、造成输出功率不稳定的问题,提出一种智能控制的算法,在RBF神经网络基础上增加模糊算法,利用模糊RBF神经网络实时在线调整PID参数。当实际风速偏离额定风速时,科学调整风机桨距角,使风机所获得的空气动力转矩发生变化,从而在额定功率附近保持风力机输出功率的相对稳定。据此搭建了风电机组各模块的数学模型,并在MATLAB/Simulink上搭建了仿真模块。实验结果表明:基于上述的方法控制效果相比于传统PID控制和常规RBF神经网络PID控制,响应更快、风能利用系数性能超调更小、功率输出更稳定,更有利于风力发电机组的系统稳定性。

基于RBF神经网络与模糊控制的短期负荷预测

针对电力系统短期负荷预测,综合考虑温度、日期类型和天气等因素对短期电力负荷的影响,建立了径向基函数(Radial Basis Function,RBF)神经网络和模糊控制相结合的短期负荷预测模型。该模型利用RBF神经网络的非线性逼近能力对预测日负荷进行了预测,并采用在线自调整因子的模糊控制对预测误差进行在线智能修正。实际算例表明RBF神经网络与模糊控制相结合提高了预测精度。

基于RBF模糊神经网络模型的广义预测控制

广义预测控制对线性系统具有较好的控制效果 ,为将它应用到非线性系统 ,本文提出一种将 RBF模糊神经网络与广义预测控制相结合的方法 ,仿真证明控制有效。

基于模糊神经网络的模型预测硅单晶直径控制

为了生产大尺寸、高质量、低能耗的直拉单晶硅棒,文中通过在直拉硅单晶生产车间采集的大量数据,通过模糊神经网络(Fuzzy Neural Networks,FNN)和模型预测控制(Model predic-tive control,MPC)进行建模,得到了等径阶段的直径预测模型和直径控制模型.直径预测模型测试结果表明:平均相对误差仅为0.0287%,预测精度极高.通过仿真并与常规PID控制进行对比分析得出,MPC比常规PID控制的调节速度快53.66%,并且MPC的控制过程非常稳定,其超调量基本为0;由加热器功率调控变化过程可知,MPC减少了调节过程的能耗,并提高了热场稳定性及单晶硅棒质量.通过预测模型建立的直径控制模型能提高控制精度并促进硅单晶高质量生产.

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。

模糊控制理论与RBF神经网络相结合的短期负荷预测

负荷预测中神经网络算法精度较高但计算非常复杂。该文引入了模糊理论,有效地解决了计算精度与计算复杂程度的矛盾。

基于模糊控制的RBF神经网络电力系统短期负荷预测

文章提出了一种模糊控制与RBF神经网络相结合的电力系统短期负荷预测算法,用以解决传统RBF神经网络在电力系统短期负荷预测中存在误差的问题。通过实例验证,该方法与传统的RBF负荷预测方法相比,提高了预测精度,并且具有较好的应用前景。

用模糊RBF神经网络简化模型设计多变量自适应模糊控制器

针对多变量系统实时性要求 ,提出模糊径向基 (RBF)神经网络结构的简化模型及相应算法 ,并对由此简化模型设计的多变量模糊控制器模糊规则的在线自学习算法进行分析 ,提出一种系统动态增益的处理方法和基于过程最优的改进方案 .仿真实验结果表明该控制器可实现实时自适应控制 ,改进算法是有效的 .

基于模糊控制的人工神经网络模拟在土质边坡安全预测中的应用

从最优化角度出发,用神经网络解决模糊控制系统的规则提取问题,给出可靠的基于BP算法的可靠神经网络模拟过程,对模糊子集个数的选取与系统复杂性、精确性之间的关系进行讨论。为获得边坡复杂工况下的安全特征,建立基于模糊控制的人工神经网络边坡安全预测模型,由大量样本进行网络训练。研究结果表明:所建立的模型预测精度较高,且实用易行;边坡的坡度、内摩擦角、凝聚力对边坡的安全系数影响较大;该预测模型可用于处理普遍存在的不确定性、非线性复杂工程问题;通过模糊控制调整模型,可对不同工程对象进行较精确的模拟分析。

过热汽温模糊神经网络预测控制器的设计

针对锅炉过热汽温的特点,设计前馈-反馈串级复合型控制系统。主控制器采用基于神经网络预测模型的模糊神经控制,即该控制器首先是将神经网络与预测控制相结合,采用改进的递阶遗传算法对神经网络的权值和结构同时进行训练,实现了非线性、大时滞系统模型的精确预测;然后将模糊控制与神经网络相结合,实现模糊神经预测控制。副控制器采用二自由度PID控制器。仿真结果表明,该控制显著提高锅炉过热汽温这一非线性、大时滞系统的控制品质,且易于工程实现。

RBF神经网络与模糊理论相结合的磨矿分级智能控制方法

将RBF神经网络和模糊理论结合起来,提出了一种基于RBF神经网络和模糊理论实现智能控制的方法。该方法能够有效克服磨矿效率和旋流器入口压力等波动引起的扰动,使磨矿浓度和溢流粒度的波动减小,为浮选过程产品品位改善及产量提高创造了有利条件,在技术上实现了优化磨矿分级过程。该分析过程相对简单,网络学习训练时间少,学习精度高,估计值与分析值拟合非常好。仿真表明这类智能控制器可用于难以建立数学模型的控制系统。

基于模糊RBF神经网络的水下机械臂控制研究

针对水下复杂工作环境下机械臂控制性能易受影响,而传统控制方法效果不佳的问题,提出了一种基于模糊RBF(radial basis function,径向基函数)神经网络的智能控制器,用于精确、稳定地控制水下机械臂。考虑到在水扰动环境下,机械臂通常受到附加质量力、水阻力和浮力的影响,运用拉格朗日法和Morison方程,建立包含水动力项的二杆机械臂动力学模型,通过模糊RBF神经网络对水下机械臂动力学方程中的水动力不确定项进行总体识别并拟合,利用模糊系统启发式搜索和RBF神经网络推理速度较快的优点,使水下机械臂系统具有较高的控制精度和较强的自适应性。考虑到水动力项,采用Lyapunov稳定性理论验证了水下机械臂系统的稳定性。最后利用MATLAB对二杆机械臂进行轨迹跟踪控制仿真实验,并对比模糊RBF神经网络与常规RBF神经网络识别方法和传统模糊控制方法的控制效果。仿真结果表明:与常规RBF神经网络识别方法相比,模糊RBF神经网络控制下二杆机械臂关节1的响应时间缩短了91%,相对误差减小了88%,关节2的响应时间缩短了92%,相对误差降低了77%;与传统模糊控制方法相比,关节1的相对误差减小了65%,关节2的相对误差减小了10%。研究结果表明模糊RBF神经网络的控制效果优于常规RBF神经网络识别方法和传统模糊控制方法,可为水下机械臂的控制提供一种精度较高、较有效的方法。

基于模糊RBF神经网络动态摩擦分块补偿的机器人数字鲁棒滑模控制算法

结合非线性、强耦合的机器人动力学模型,提出了采用3个模糊RBF神经网络对机器人中的不确定项——LuGre动态摩擦进行分块补偿的机器人数字鲁棒滑模控制算法,在线自适应训练非线性动态摩擦项的参数,并分析了该算法的Lyapunov稳定性。通过在二自由度机器人上的仿真,证明了该算法具有高精度、高可靠性、高品质、稳定、强鲁棒性等特点。同时发现了该机器人的摩擦模型中存在类菱形吸引子等非线性动力学现象。

基于模糊神经网络预测控制的高速列车ATP研究

在目标-距离速度控制模式普遍应用于我国高速铁路列车控制的背景下,本文针对高速列车运行性能的要求,将模糊神经网络预测控制运用到高速铁路ATP中,对列车速度进行控制。控制系统以闭塞区间为单位,建立高速列车速度模糊神经网络预测控制模型。在闭塞区间内,利用车-地通信将控制所需信息发送至列控中心;根据所得信息,通过预测控制算法得到从当前位置到闭塞分区出口的列车速度自动防护曲线并确定列车运行方式和控制策略;在每1个通信周期内,利用滚动优化和误差校正进行速度优化。仿真结果表明,与传统的控制方法相比,基于模糊神经网络预测控制的高速列车ATP具有更高的安全性。

基于NARX神经网络预测及模糊控制的互联电网CPS鲁棒控制策略研究

对于传统CPS控制策略难以满足互联电力系统对鲁棒性和适应性的要求,提出了一种将NARX神经网络预测算法和模糊逻辑控制器相结合的控制方法。配合CPS下的传统PI控制器,根据CPS控制参数的预测值与当前值之间的偏差值,实现对AGC机组的预控制。利用Matlab的Simulink仿真软件建立了一个双区域电力系统的控制模型。仿真结果表明,新的控制方法不仅达到了改善CPS控制效果的目的,并且提高了CPS1,CPS2指标的考核率,减少了机组的调节次数,降低了运行费用,取得了一定的经济效益。