基于小脑模型-模糊滑模控制的电力系统低频振荡控制策略研究

由于现代电力系统互联规模不断增大,柔性控制系统加入和长距离输电使得电网阻尼不断减小,运行方式的多变性不断改变系统潮流分布,极易引发低频振荡现象。针对此问题,该文提出一种基于小脑模型关节误差修正的模糊滑模附加阻尼控制策略。首先在模糊滑模控制(fuzzy sliding mode control,FSMC)的基础上,引入小脑模型关节控制(cerebellar model articulation control,CMAC)理论,构建CMAC-FSMC算法,提高滑模趋近阶段模糊逻辑对系统的补偿能力,最大程度提高系统稳定性能;其次通过构造CMAC-FSMC的调整指标与总控制率,减小控制误差,提高控制性能;最后通过线性降阶方法建立被控系统模型并确定区间振荡模态,采用几何测度法选择最佳反馈信号和安装位置,基于所提出的CMAC-FSMC方法进行广域阻尼控制器设计。通过对10机39节点系统进行仿真验证,结果表明CMAC-FSMC控制策略能够有效提高系统阻尼,显著抑制低频振荡。

一种状态自动划分的模糊小脑模型关节控制器值函数拟合方法

在庞大离散状态空间或连续状态空间中,强化学习(RL)需要进行值函数拟合以寻找最优策略.但函数拟合器的结构往往由设计者预先设定,在学习过程中不能动态调整缺乏自适应性.为了自动构建函数拟合器的结构,提出一种可以进行状态自动划分的模糊小脑模型关节控制(FCMAC)值函数拟合方法.该方法利用Bellman误差的变化趋势实现状态自动划分,并且探讨了两种选择划分区域的机制.汽车爬坡问题和机器人足球仿真平台中的实验结果表明新算法能有效拟合值函数,而且利用所提出的函数拟合器智能体可以进行有效的强化学习.

基于小脑模型关节控制器神经网络的短期电价预测

电价预测是电力市场决策的基础。文中介绍了采用小脑模型关节控制器(CMAC)神经网络建立预测提前1天不同时段的电力市场短期电价的预测模型。并以美国加州电力市场的数据作为计算实例,分别采用CMAC神经网络和反向传播算法(BP)神经网络进行短期电价预测。两种预测结果对比表明,CMAC神经网络具有所需训练样本少、输出稳定性好、计算速度快和预测精度高等优点,比较适用于短期电价预测。

基于小脑模型关节控制器与PID复合的高速公路交通流密度控制

高速公路交通控制系统是一个复杂的非线性时变系统,传统的匝道控制方法难以取得满意的控制效果.为此,本文提出基于小脑模型关节控制器(CMAC)与PID复合的匝道控制方法.首先建立了二阶宏观动态交通流模型,然后研究了CMAC与PID复合控制算法,结合非线性反馈理论,设计了基于CMAC与PID复合的高速公路交通流密度控制器,该密度控制问题是一个输出跟踪和扰动抑制问题,最后采用两个仿真实例对该方法的有效性进行验证.结果表明,复合控制具有优越的密度跟踪性能和抑制噪声干扰的能力;复合控制方法能够有效地消除交通拥挤,并使主线车流趋于稳定.

基于小脑模型关节控制器的水下机械手复合运动控制的研究及仿真

水下机械手系统是一个高度非线性强耦合的作业系统,作业环境非常复杂且受到强干扰。考虑水动力对水下机械手的作用,推导了水下机械手的动力学模型;提出了一种基于小脑模型关节控制器与PID的复合控制算法,使水下机械手具有在线学习能力,能适应复杂的水下作业环境。以二关节水下机械手为例,利用MATLAB/Simulink对水下机械手的作业控制进行了仿真研究,结果证明,该控制方法和动力学模型可以有效地用于水下机械手的控制研究。

小脑模型关节控制器网络在传送带给料生产加工站学习优化控制中的应用

研究单站点传送带给料生产加工站(conveyor-serviced production station,CSPS)系统的前视(look-ahead)距离最优控制问题,以提高系统的工作效率.论文运用半Markov决策过程对CSPS优化控制问题进行建模.考虑传统Q学习难以直接处理CSPS系统前视距离为连续变量的优化控制问题,将小脑模型关节控制器网络的Q值函数逼近与在线学习技术相结合,给出了在线Q学习及模型无关的在线策略迭代算法.仿真结果表明,文中算法提高了学习速度和优化精度.

基于小脑模型关节控制器的电液伺服舵机加载系统多余力矩补偿器研究

针对电液伺服舵机加载系统存在多余力矩的问题,提出一种基于小脑模型关节控制器的多余力矩补偿器设计方法。仿真结果表明,小脑模型关节控制器多余力矩补偿器抑制多余力矩的效果要远远优于传统多余力矩补偿器,且具有良好的鲁棒性。

机械手单关节的混合模糊控制模型

本文建立了机械手的单关节控制模型，并提出了一种基于模糊理论的机械手控制方法—一混合模糊控制，克服了传统方法对机械手控制的静态误差不稳定、响应速度慢、平滑性差等问题，进而提出了关于机械手控制的一个方向。

基于2型模糊集小脑模型的DC/DC变换器控制系统

随着新能源行业的不断发展,DC/DC变换器越来越多地被运用于各行各业,而DC/DC变换器在负载的效率直接影响到整个系统的效率。因此针对DC/DC变换器,以BUCK电路为例,设计了一种基于滑模区间的2型模糊小波的小脑模型关节控制器(T2WFCMAC)的控制系统。该系统包括主控制器和鲁棒补偿控制器。主控制器是T2WFCMAC,用于模拟理想控制器,鲁棒补偿控制器用于补偿主控制器和理想控制器之间的逼近误差。为了提高控制系统的鲁棒性,采用滑动模态超平面,利用梯度下降法得到了T2WFCMAC参数调整的自适应律。通过李雅普诺夫函数来验证控制系统的稳定性。最后,通过搭建试验平台,验证该方法在负载电阻变化情况下是否比传统PID控制和普通模糊控制更加有效。

飞行机器人递归小脑神经网络模型分解控制

为解决一类不确定非线性系统的控制问题及系统混合干扰上界在实际应用中难以测量的问题,提出递归小脑神经网络模型分解控制算法。将系统分为名义模型、结构不确定性和非结构不确定性,分别对名义模型设计直接反馈控制器、对结构不确定性设计自适应控制器、对非结构不确定性设计鲁棒控制器。设计递归小脑模型关节控制器作为观测器来对系统干扰的上界进行实时逼近。李亚普诺夫理论证明了控制算法可使系统渐进稳定,微飞行机器人姿态控制仿真结果表明,控制算法改善了系统的动态性能及鲁棒性。研究结论为复杂非线性系统的有效控制提供了依据。

基于递归小脑神经网络的模糊自适应控制

为解决一类不确定非线性系统控制问题,提出了小脑神经网络模糊自适应算法.将系统分为标称模型、参数不确定部分以及包含建模误差、干扰及未建模动态等在内的混合干扰项,用模糊自适应控制实时逼近系统各个不确定参数,用鲁棒控制消除混合干扰,并设计了递归小脑模型关节控制器作为观测器来对混合干扰的上界进行实时逼近.李亚普诺夫理论证明了控制算法可使系统一致有界稳定,微飞行机器人姿态控制仿真结果表明,控制算法改善了系统的动态性能及鲁棒性,研究结论对复杂非线性系统的有效控制提供了依据.

一种由模糊控制器训练CMAC并用于伺服系统控制的方法

CMAC 是实时性较好的一类神经网络,为充分发挥其优点,构造出性能良好,参数整定方便的实时控制系统,文章提出用模糊控制器来训练 CMAC,由 CMAC 和模糊控制器组成一种新的实时控制结构。仿真表明,该控制方案用于小惯性伺服系统是成功的。

一种基于CMAC神经网络的模糊控制器设计

对于存在外在的环境干扰和系统参数时变的非线性系统来说,传统的小脑模型需要重新学习合适的权重参数,这种学习式的设计方法是相当耗时的,为了改善这种情况,本文提出了模糊控制与小脑模型结合的方式,能够有效地对未知的非线性模型系统进行实时控制。通过仿真的对比试验,这种把小脑神经网络与模糊控制结合起来的控制方法,具有两种控制方法的优点。仿真结果表明,FCMAC控制器具有较高的控制精度、良好的自适应特性。

自组织模糊CMAC神经网络及其非线性系统辨识

针对 CMAC的特点 ,提出了联想度的概念 ,并由此设计了一种自组织模糊 CMAC神经网络 ( SOFC-MAC)及其学习算法 ,证明了 SOFCMAC能以任意精度对非线性特性一致逼近。该网络具有学习速度快 ,逼近精度高及局部泛化能力等特点。

模糊CMAC及其在机器人轨迹跟踪控制中的应用

小脑模型关节控制器(CMAC)具有结构简单,学习快速的优点,但是它的空间划分方式不能在线进行调整,影响了其自适应能力的提高.本文将模糊理论引入CMAC,提出了一种能够反映人类小脑认知的模糊性和连续性的模糊小脑模型关节控制器(FCMAC).该控制器对CMAC的空间划分方式进行了模糊化处理,可通过BP学习算法对CMAC的空间划分方式进行在线调整,大大提高了CMAC的自适应能力.所提出的FCMAC被应用于机器人的轨迹跟踪控制系统以克服机器人系统中非线性和不确定性因素的影响.仿真实验结果表明,所提FCMAC与传统的CMAC相比性能上有了很大的改善.

介电型电活性聚合物驱动转动关节控制技术研究

介电型电活性聚合物(Dielectric electroactive polymer,DEAP)具有大应变、高效率、高能量密度等优点,在仿生机器人领域具有广泛的应用前景。基于生物关节驱动原理及圆柱形驱动器特点设计了单自由度转动关节。根据弹性大变形理论建立驱动器DEAP膜的机电耦合模型,通过微分方程组的迭代求解可获得关节输入电压与输出角度之间的非线性关系,但计算工作量大。将小脑模型关节控制器CMAC(Cerebellar model articulation controller)神经网络与PD控制器相结合实现输出角度与输入电压之间的非线性映射,避免了复杂计算过程。阶跃和正弦参考信号的跟踪控制试验验证了CMAC神经网络控制的可行性。

基于模糊CMAC网络的非线性自适应逆控制

针对非线性自适应逆控制中非线性对象的建模和逆建模的精确性这一问题,提出一种基于模糊小脑模型关节控制器(Fuzzy Cerebellar Model Articulation Controller,FCMAC)网络的非线性自适应逆控制方案。将模糊逻辑思想嵌入到CMAC中构成FCMAC来对非线性对象进行较精确的逆建模,从而构建逆控制系统。在对象特性未知的情况下,选用BP网络来对象进行正建模,并由BP网络的辩识结果来对FCMAC的参数进行调整。仿真实验表明了该方案的有效性,且验证了其控制效果较单纯的CMAC网络逆控制更理想。

基于滑模控制的模糊电力系统稳定器

为改善模糊电力系统稳定器(FPSS)的动态性能,提出了基于滑模控制的FPSS的控制策略。在该控制策略中,电力系统稳定器(PSS)由主控制器、自组织控制器和滑模控制器三部分构成,其中,主控制器用于产生PSS的基本输出信号;自组织控制器可根据滑模控制器输出的优化条件对主控制器进行优化设计。还提出了采用滑模控制器代替传统的线性控制器来输出优化条件。理论分析和仿真结果表明,文中FPSS的动态性能优于常规的模糊稳定器。

基于模糊CMAC神经网络的XY平台交叉耦合控制

针对永磁直线同步电机(PMLSM)驱动的XY平台系统的负载扰动、任意加工曲线轮廓误差模型复杂及双轴参数不匹配等会影响加工精度的问题,XY平台单轴采用了能反映人脑认知模糊性和连续性的模糊小脑模型关节控制器(FCMAC)设计速度控制器,在两轴之间采用实时轮廓误差估计模型和交叉耦合控制(CCC)进行轮廓控制器的设计,可同时减小跟踪误差和轮廓误差.FCMAC可准确及时地抑制负载扰动,交叉耦合控制削弱了双轴参数不匹配的影响.仿真结果表明,所设计的XY平台控制系统具有较高的轮廓精度和较强的鲁棒性.

基于MATLAB的新型CMAC控制器的设计与仿真

在小脑神经网络(CMAC)与PID并行控制的基础上,提出了一种新型的CMAC控制器,即FCMAC控制器。这种把小脑神经网络与模糊控制(Fuzzy)结合起来的控制方法,具有两种控制方法的优点。本文中以某交流伺服电机作为控制对象,用MATLAB进行了仿真。仿真结果表明,FCMAC控制器具有较高的控制精度、良好的自适应特性。