基于Adaline算法的高速磁浮列车谐波检测及抑制方法

[目的]为了减小高速磁浮谐波对牵引网产生的影响,保障高速磁浮列车的正常运行,需研究高速磁浮牵引供电系统中的谐波特性及其相应的谐波抑制方法。[方法]分析了高速磁浮牵引供电系统的构成,并对双三相半控12脉冲多重整流电路及其谐波进行了理论分析和仿真。根据Adaline神经网络算法原理和高速磁浮谐波特性,构建基于Adaline的高速磁浮谐波检测模型。采用谐波补偿控制策略,产生与检测出的谐波方向相反、大小相等的电流作为补偿信号,对系统畸变电流进行谐波抑制。[结果及结论]仿真结果表明:采用基于Adaline算法的谐波检测及抑制方法前,谐波畸变率为11.16%,而采用该方法后,各次谐波含量明显降低,谐波畸变率下降为1.41%。研究结果表明:所提谐波检测及抑制方法可以有效减少谐波畸变,提高牵引供电系统的稳定性和工作效率。

基于小波Adaline改进的充电桩谐波分析及扰动定位方法

针对Adaline网络在复杂信号谐波检测中基波频率难以获取的问题,提出一种小波重构与改进型Adaline网络结合的谐波分析方法,并将该方法应用于充电桩谐波分析中。首先,用Mallat算法对原信号分解,再将细节信号重构实现扰动定位,将近似信号重构得到去噪原信号与基波信号,通过基波获取频率。其次,对Adaline网络相位提取算法进行优化,使其兼容全部相位范围,将去噪原信号通过优化后的Adaline网络检测谐波幅值及其对应的相位,综合误差为0.766%,比传统的Adaline模型精度提升了28.642%;最后,将该方法应用于充电桩模型,实现谐波检测,并精准定位扰动发生时段,进一步论证了该方法的适用性。

基于Adaline神经网络参数辨识的PMSM鲁棒电流预测控制

针对复杂工况下永磁同步电机存在模型参数失配导致控制系统性能下降的问题,提出一种基于参数在线辨识的鲁棒电流预测控制方法。首先,建立永磁同步电机预测控制模型,详细分析电磁参数失配对电机响应电流及输出转矩和转速的影响。然后,设计了基于Adaline神经网络的参数在线辨识器,并在传统的权值调整算法上,提出一种应用于电机参数辨识系统的新型动态混合最小均方算法。最后,利用在线辨识的参数来实时更新电流预测控制器中的参数,以避免参数失配对控制系统性能的影响。通过仿真和实验验证了所提方法和新型算法的可行性和有效性,其结果表明了该方法不仅能够实现精准在线跟踪电机参数的变化,而且有效抑制了参数失配导致的响应电流偏差。

增强型Adaline神经网络谐波分析方法研究

为了提高Adaline神经网络谐波分析方法对频率波动信号的分析精度,提出了增强型Adaline神经网络模型.该算法将基波频率作为待定的权值,可以同时估计信号频率及各次谐波的幅值和相位,在学习算法中采用动量项方法和频率延迟调整策略以提高算法的收敛性能.讨论了学习率和动量因子对算法收敛性的影响,并给出了各参数的优化设置方法.Matlab仿真结果表明,增强型Adaline谐波分析算法不会产生频谱泄漏,具有较高的分析精度和较快的收敛速度.增强型Adaline谐波分析算法适合于短数据非同步采样下的谐波分析.

考虑高斯有色噪声的FOMC-HTLS-Adaline算法在低频振荡模式辨识中的研究

针对广域测量系统的实测信号受高斯色噪声的影响,提出一种利用FOMC-HTLSAdaline进行低频振荡在线辨识的新方法。首先,为抑制高斯色噪声的影响,利用四阶混合累积量的盲高斯性,将四阶混合累积量(FOMC)序列代替实测序列进行低频振荡的辨识。然后,利用HTLS和自适应神经网络算法(Adaline ANN)相结合,估计出低频振荡的频率、衰减因子、幅值和相位。Adaline神经网络的引入解决了四阶混合累积处理后,模式幅值和相位不易确定的难点,同时减少矩阵处理引入的误差累积,提高检测精度。四机两区域系统仿真算例和实测相量测量单元(PMU)算例共同表明,FOMC-HTLS-Adaline算法可以在高斯色噪声环境下,精确地在线辨识系统振荡模式。

基于AR谱估计和Adaline神经元的间谐波分析

将人工神经网络应用于电力系统间谐波分析,提出了Burg算法与Adaline神经元相结合的间谐波分析方法。通过Burg算法计算自回归(AR)模型参数,得到信号中谐波和间谐波的个数及频率初值,然后应用改进的Adaline神经网络精确分析谐波和间谐波的频率、幅值和相位。MATLAB仿真结果验证了Burg-Adaline间谐波分析方法具有分辨率高、精度高、收敛快的优点。

基于ANCT和Adaline两种自适应谐波电流检测模型的分析

介绍了两种自适应谐波电流检测模型的基本原理,即基于自适应噪声对消技术(ANCT)的谐波电流检测模型和基于Adaline的自适应谐波电流检测模型,并分析了两种模型在相同自适应算法的条件下的检测性能,缺陷和适用范围,以及不同自适应算法对相同模型的检测性能的影响。分析结果表明:在相同算法条件下,两种模型的收敛速度一致,后者的稳态误差小(理论上可以为0)但计算量大,前者只适用于信噪比很大的情况下并且其检测结果主要作为有源电力滤波器(APF)的参考信号,而后者的检测结果还有其他用途(如谐波分析,保护和控制等);同时,不同的自适应算法对同一模型检测性能的影响由算法本身决定。数值仿真验证了该理论分析的正确性。

基于变步长Adaline神经网络的永磁同步电机参数辨识

为了提高永磁同步电机在线参数辨识结果的收敛速度并减小稳态误差,首先对考虑逆变器非线性因素电压补偿的表贴式永磁同步电机电压方程进行变换,从而消除误差电压的影响。在此基础上,提出一种变步长自适应线性(Adaline)神经网络算法,对表贴式永磁同步电机参数进行在线辨识。实验结果表明,所提方法能有效减小定子电阻、电感、转子磁链辨识结果的稳态误差,同时提高辨识结果的收敛速度。

基于Adaline神经网络的家用电器谐波分析

为了分析常用家用电器用电对公共电网的谐波污染,应用Adaline神经网络对其进行自适应谐波分析。改进的增强型Adaline神经网络将频率作为待定权值,同时估计被测信号的频率、幅值和相位。幅值相位权值的学习采用变步长方法,频率权值的学习采用动量项方法,提高了收敛速度。修正的频率调整公式和频率延迟调整策略简化了频率学习率的设置。基于实测电压信号的对比研究验证了改进算法的收敛性能和分析精度。通过数据采集实验装置得到计算机、电视机、洗衣机、微波炉等家用电器的用电波形,并用改进的Adaline方法对波形信号进行谐波分析。实验结果表明,计算机的电流谐波总畸变率超过60%,微波炉的电流谐波总畸变率在40%以上,电视机和洗衣机的电流谐波总畸变率在10%以上。

采用Adaline神经网络实现增益自适应内模控制

引入1/1Pade逼近处理纯滞后环节,利用二步法设计内模控制器,运用单层Adaline神经网络参数辨识算法得到被控对象的稳态增益,并用于内模控制算法中,以此来自动调整被控对象模型增益,实现增益自适应控制。大量仿真实验表明此控制方法能克服系统增益变化对控制品质的影响,具有鲁棒性好,抗干扰能力强,控制精度高等特点。

基于Root-MUSIC和Adaline神经网络的间谐波参数估计

为了提高电力系统间谐波分析的精度和分辨率,提出基于求根多重信号分类法(root-MUSIC)和自适应线性神经网络的间谐波参数估计方法.该算法利用求根多重信号分类法估计信号中谐波和间谐波的个数及频率,将谐波和间谐波的频率作为Adaline神经网络的输入进行学习,用得到的权值确定谐波和间谐波的幅值和相位;将频率作为权值在改进的Adaline神经网络中参与学习,估计谐波和间谐波的频率、幅值和相位.Matlab仿真结果表明,该算法频率分辨率高、检测准确、收敛快;当频率估计准确时,基本Adaline神经网络与改进的Adaline神经网络具有相近的检测精度,且前者的实时性更好.

基于Adaline网的航空发动机自适应控制

根据发动机模型非线性、关系式呈隐性和具有不确定性的工作特点 ,提出了一种基于Adaline网的发动机自适应控制方案 ,该方案中的神经网络辨识器和神经网络控制器均采用两层线性Adaline网 ,权值采用Widrow Hoffδ学习规则更新。仿真结果表明这种方法具有方案简单、稳定性好、实时性好等优点 。

Adaline网络控制中控制信号的输出处理

Adaline网络应用于实时控制中 ,其控制信号是根据偏差及权值计算出来的 ,因而其实际值常常超过D/A接口板的输入范围。为此 ,引进精度因子A对控制信号进行处理 ,提高了系统的控制精度 ,效果较好。

基于二阶Adaline网络的滑模变结构控制器

针对一般神经网络滑模控制系统在线训练时间长、实时性差的问题,提出一种自适应神经滑模变结构控制系统。该系统主要由二阶Adaline网络辨识器、滑模控制器和变结构二阶学习算法估值器组成。其中二阶Adaline网络是对原Adaline网络的改进,在其输入样本向量中增广了有关样本的二次项,相当于用时变二次多项式去逼近非线性系统,既有原Adaline网络训练速度快的优点,又具有一定非线性逼近能力;滑模控制器根据辨识误差自适应调整趋近律中的增益参数;而变结构二阶学习算法首先对递推近似Newton法进行简化,然后将其改造成一种新型的变结构算法,具有较快的收敛速度。针对同一非线性系统,采用常规神经滑模变结构控制存在较小的抖振,平均调节误差为0.0913;而采用自适应神经滑模变结构控制很快趋于平稳,几乎消除高频抖振,平均调节误差为0.0109。仿真结果证明了该方案的有效性。

基于二阶Adaline网络的位标器自适应逆控制方法

为了提高导引头成像传感器视轴在系统参数时变时的稳定度,对基于二阶Adaline网络的位标器自适应逆控制方法进行了研究。先是对位标器的动力学模型和机电模型进行了数学推导与分析,接着通过对Adaline网络学习算法的研究,提出了一种不易受噪声影响的变步长LMS算法用于增强其学习能力。在最后设计的位标器双闭环控制系统中,电流环采用变速PID控制,速度环利用系统输出误差,按改进的二阶Adaline网络算法来实现其自适应逆控制的调节过程。内场实验表明,与PID控制相比,所提出的方法显著提高了位标器系统的控制精度,具有很强的鲁棒稳定性。

基于OT-Burg和改进Adaline神经网络的电力系统间谐波分析

在电力系统间谐波分析中,当间谐波频率与基波整数倍频率非常接近时,传统分析方法由于谱峰偏移和谱线泄漏往往分离不出此类间谐波。提出了将最佳收敛伯格窗(OT-Burg)与改进Adaline神经网络结合的间谐波分析方法,以提高此类间谐波的分析精度。Matlab仿真结果表明,OT-Burg算法频率分辨率高、检测准确、收敛快,与改进Adaline神经网络结合具有更精确的电力系统间谐波分析能力。

基于改进动量因子Adaline算法的SAPF谐波检测方法

针对传统大功率高电压情况下并联有源电力滤波器(SAPF)装置谐波检测精度不高的问题,提出一种基于改进动量因子优化Adaline网络的自适应谐波电流检测算法。引入双动量因子修正Adaline网络的权值调整公式,以提升网络稳定性并加快收敛。采用载波相移—正弦波脉宽调制(CPS-SPWM)方式,构建基于改进动量因子Adaline算法的级联H桥SAPF仿真模型,仿真结果表明:与传统Adaline检测算法相比,所提算法响应误差减小16.56%,收敛速度提升33.33%,具有较好的电流检测效果。

Adaline网络控制中初始权值的确定

应用于实时控制的Adaline网络初始权值的确定无严格的理论公式 ,通常由计算机随机给定 ,使得控制系统实际调整时间较长。在理论分析和实验的基础上 ,引进PID控制算法的三个参数值来确定权值的初始值 ,减小了Adaline网络系统的学习时间 ,提高了被控系统的动态特性。

ε不敏感的核Adaline算法及其在图像去噪中的应用

核Adaline是在最小均方误差基础上,通过迭代产生回归函数,逼近目标函数,方法简单,速度快.引入支持向量机中的不敏感带,推广了核Adaline算法,并将其应用于图像去噪.实验证明,不仅可以有效去除尖峰噪声,而且对随机噪声也具有一定的抑制作用.

基于Adaline的双线性Hammerstein模型在线参数辨识

针对双线性Hammerstein模型,提出一种新的模型参数在线辨识方法。此辨识方法只需简单地改变模型输入,即可在线获得此类非线性模型的一致估计。首先利用伪随机二进制序列输入一致估计出模型中的双线性子系统参数,然后再借助于自适应控制中的一些方法,给模型输入连续信号,利用Adaline一致估计出静态非线性增益。此方法结构简单,计算量小,可快速推导出结果。通过理论分析和仿真研究均说明了该方法的有效性和实用性。