Hybrid Power Systems Energy Controller Based on Neural Network and Fuzzy Logic

This paper presents a novel adaptive scheme for energy management in stand-alone hybrid power systems. The proposed management system is designed to manage the power flow between the hybrid power system and energy storage elements in order to satisfy the load requirements based on artificial neural network (ANN) and fuzzy logic controllers. The neural network controller is employed to achieve the maximum power point (MPP) for different types of photovoltaic (PV) panels. The advance fuzzy logic controller is developed to distribute the power among the hybrid system and to manage the charge and discharge current flow for performance optimization. The developed management system performance was assessed using a hybrid system comprised PV panels, wind turbine (WT), battery storage, and proton exchange membrane fuel cell (PEMFC). To improve the generating performance of the PEMFC and prolong its life, stack temperature is controlled by a fuzzy logic controller. The dynamic behavior of the proposed model is examined under different operating conditions. Real-time measured parameters are used as inputs for the developed system. The proposed model and its control strategy offer a proper tool for optimizing hybrid power system performance, such as that used in smart-house applications.

An Adaptive Sliding Mode Tracking Controller Using BP Neural Networks for a Class of Large-scale Nonlinear Systems

A new type controller, BP neural-networks-based sliding mode controller is developed for a class of large-scale nonlinear systems with unknown bounds of high-order interconnections in this paper. It is shown that decentralized BP neural networks are used to adaptively learn the uncertainty bounds of interconnected subsystems in the Lyapunov sense, and the outputs of the decentralized BP neural networks are then used as the parameters of the sliding mode controller to compensate for the effects of subsystems uncertainties. Using this scheme, not only strong robustness with respect to uncertainty dynamics and nonlinearities can be obtained, but also the output tracking error between the actual output of each subsystem and the corresponding desired reference output can asymptotically converge to zero. A simulation example is presented to support the validity of the proposed BP neural-networks-based sliding mode controller.

A Fuzzy-Neural Network Control of Nonlinear Dynamic Systems

In this paper, an adaptive dynamic control scheme based on a fuzzy neural network is presented, that presents utilizes both feed-forward and feedback controller elements. The former of the two elements comprises a neural network with both identification and control role, and the latter is a fuzzy neural algorithm, which is introduced to provide additional control enhancement. The feedforward controller provides only coarse control, whereas the feedback controller can generate on-line conditional proposition rule automatically to improve the overall control action. These properties make the design very versatile and applicable to a range of industrial applications.

基于BP神经网络的Smith-Fuzzy-PID算法在阀门定位中的应用研究

为解决气动调节阀控制过程中出现的超调大、精度低等问题,本文采用BP神经网络整定出较优的PID(Proportional Integral Derivative)控制参数,对Smith预估控制器以及模糊控制器进行设计,实现了基于BP神经网络的Smith-Fuzzy-PID控制方法。搭建了实验平台,通过阶跃响应实验来对控制方法进行验证,验证结果表明,提出的方法调节过程无超调,调节时间仅为1.9 s,定位精度在±0.5%以内,有效提高了系统的稳定性,实现了气动调节阀的快速精准定位。

Adaptive Backstepping Output Feedback Control for SISO Nonlinear System Using Fuzzy Neural Networks

In this paper, a new fuzzy-neural adaptive control approach is developed for a class of single-input and single-output （SISO） nonlinear systems with unmeasured states. Using fuzzy neural networks to approximate the unknown nonlinear functions, a fuzzy- neural adaptive observer is introduced for state estimation as well as system identification. Under the framework of the backstepping design, fuzzy-neural adaptive output feedback control is constructed recursively. It is proven that the proposed fuzzy adaptive control approach guarantees the global boundedness property for all the signals, driving the tracking error to a small neighbordhood of the origin. Simulation example is included to illustrate the effectiveness of the proposed approach.

基于PSO-BP模糊PID的变距取苗机构控制系统设计

为满足番茄、辣椒等蔬菜作物的移栽需求,基于向下取苗原理设计了一种适用72穴和128穴两种主要番茄钵苗穴盘规格的变距取苗机构,通过建立数学模型获得了取苗机械手参数的目标函数,并利用粒子群和模拟退火混合算法对其结构参数进行优化。同时,为实现变距取苗机构的精确控制,提出了一种基于PSO-BP的模糊PID算法以提高控制精度,介绍了系统的结构与工作原理,并通过选型计算与分析建模建立了控制系统的数学模型。针对传统PID控制器稳定性差、响应速度慢等不足之处,利用PSO-BP模糊PID对控制器的参数进行在线调整,以满足控制过程中对参数的不同需求。仿真结果与试验数据的分析表明:在参数相同条件下,基于PSO-BP模糊PID控制系统系统稳定性更好、响应速度更快,具有良好的鲁棒性,提升取苗成功率的同时降低了基质损伤率,能够满足变距取苗机构高精度快速稳定控制的需求。

Performance analysis and fuzzy neural networks modeling of direct methanol fuel cell

This paper introduces the effects of cell operating temperature, methanol concentration and airflow rate, respectively, on the performance of direct methanol fuel cell （DMFC）. A novel method based on fuzzy neural networks identification technique is proposed to establish the performance model of DMFC. Three dynamic performance models of DMFC under the influences of cell operating temperature, methanol concentration, and airflow rate are identified and established separately. Simulation results show that modeling using fuzzy neural networks identification is satisfactory with high accuracy. It is applicable to DMFC control systems.

On-Line Real Time Realization and Application of Adaptive Fuzzy Inference Neural Network

In this paper, a modeling algorithm developed by transferring the adaptive fuzzy inference neural network into an on-line real time algorithm, combining the algorithm with conventional system identification method and applying them to separate identification of nonlinear multi-variable systems is introduced and discussed.

基于模糊BP神经网络的智能轮椅BLDCM控制

现阶段多数轮椅电机仍使用传统PID控制,该控制方式存在控制精准度较低、超调量较大以及抗扰动能力差等问题。为解决以上问题,通过对无刷直流电机进行研究,在分析了其控制方法后,提出一种基于模糊BP神经网络的BLDCM控制方法。首先,研究了BLDCM结构并搭建数学模型。其次,在模型基础上构建了模糊BP神经网络PID控制器。最后,在Matlab/Simulink中搭建整个电机控制系统进行三种不同工况下的运动控制仿真,并与传统PID控制算法进行对比。实验结果表明:模糊BP神经网络PID控制策略能获得更好的PID控制参数,具有良好的抗扰动能力,有效的改善了整个轮椅控制系统的动态性能。

基于GRU-BP算法的高精度动态物流称重系统

针对动态物流秤测量精度对载重、采样频率、带速较为敏感的问题,提出了一种高精度动态物流称重系统。首先,采用三因素五水平正交试验法,结合皮尔逊相关性检验原则,使用低通巴特沃斯与卡尔曼滤波器对传感器压力信号进行了滤波降噪处理,并将加速度信号作为模型输入信号,进行了特征补偿;然后,基于深度学习算法,提出了一种改进的门控循环单元模型,在该模型采样区间内将压力与振动改写为时序化信号,并将其共同输入门控循环单元(GRU)模型;最后,对GRU模型进行了改进,对其结构输出了层堆叠误差反向传播神经网络(BP),有效加强了模型的非线性映射能力。研究结果表明:在各类传动速度及测试货物下,该模型的最大测量误差相对于同类型深度学习模型长短期记忆(LSTM)神经网络、循环神经网络(RNN)时序模型及传统数值平均模型的误差,依次降低了16.14%、27.14%、76%,可用于各类称重系统。

Real-time multi-step prediction control for BP network with delay

Real time multi step prediction of BP network based on dynamical compensation of system characteristics is suggested by introducing the first and second derivatives of the system and network outputs into the network input layer, and real time multi step prediction control is proposed for the BP network with delay on the basis of the results of real time multi step prediction, to achieve the simulation of real time fuzzy control of the delayed time system.

基于改进FNN-BP网络的304不锈钢薄板焊接质量推断模型

针对目前激光焊接领域的激光焊接参数智能设定的发展方向,智能焊接系统的焊接参数推定模块成为了热点研究对象。在分析了焊接工艺参数对焊接质量的影响之后,搭建了一种基于改进模糊专家系统和BP神经网络的激光焊接质量推断模型,该模型包括两部分内容,即基于焊接速度、焊接功率和离焦量的焊接质量模糊推断和基于预测值、板材厚度、峰值功率和占空比的BP修正神经网络。焊接质量模糊推断,首先基于已有人工经验进行焊接参数模糊化和焊接规则库建立,然后通过分析确定模糊推断类型,最后进行模糊推断输出焊接质量预测值;BP神经网络修正,基于板材厚度等参数对不同板材厚度下焊缝图像质量评分和平面度差值进行预测值修正,以获得更加准确的推断值。通过实验证明,该不锈钢薄板智能激光焊接系统具有一定的可行性和重要的工程意义。

基于SO-BP神经网络的温室环境预测模型研究

由于温室环境中温湿度的调控过程存在滞后响应特性,预测温室环境变化趋势是构建温室精准控制系统中不可或缺的一部分。针对传统神经网络算法在温室预测方面精度不足等问题,提出一种基于蛇优化算法(snake optimizer,SO)优化BP神经网络的温室环境预测方法。试验结果表明,该方法预测15 min内温度的决定系数R^(2)为0.9564,比BP模型、HHO-BP模型分别提高14.87%、2.19%,平均绝对误差MAE、平均绝对百分比误差MAPE、均方根误差RMSE值分别为0.4813、2.2378、0.6729;预测15 min内湿度的R^(2)为0.9821,比BP模型、HHO-BP模型分别提高13.12%、2.37%,预测指标MAE、MAPE、RMSE值分别为1.7090、2.5842、2.2838。该模型的预测结果较理想,可用于温室温湿度预测。

基于BP神经网络与模糊控制的小麦灌溉系统

为了提高农业用水的利用效率,实现新疆灌区精准灌溉,在新疆阿勒泰地区福海县阔克阿尕什乡浑沃尔海,根据春小麦的生长环境和各生育时期需水量,设计了基于BP神经网络与模糊控制的小麦灌溉系统。该系统通过田间微型气象站监测、麦田传输数据,利用BP神经网络预测出小麦需水量;以需水量和土壤实际湿度的差值和差值变化率作为模糊系统的输入量,灌溉时间作为输出量。将2017年人工灌溉数据与灌溉控制系统相结合利用PYTHON做对比试验,检验灌溉系统优化的效果。结果表明,BP神经网络对春小麦需水量的预测效果较好,验证集决定系数R^(2)为0.854,相对分析误差RPD为2.014,预测结果满足春小麦实际需水标准。模糊控制系统相比于传统控制系统不会出现较大的超调量,有更好的稳定性。BP神经网络与模糊控制灌溉系统比人工灌溉节水约23.9%,说明该灌溉系统能够提高水资源的利用率,对实现精细化农业有着重要的参考意义。

基于SCSO-BP神经网络的卫星姿态控制系统故障预测

近年来,随着人工智能的迅速发展,基于人工神经网络的卫星姿态控制系统故障预测方法得到了越来越多的重视。在反向传播(Back Propagation,BP)神经网络中,权重和偏置是重要的可调节参数,与神经网络的预测性能密切相关。BP神经网络的初始权重和偏置为随机生成,设置不当容易导致网络在训练过程中陷入局部极值,进而影响预测性能。为了提高BP神经网络的预测性能,提出了一种将沙猫群优化(Sand Cat Swarm Optimization,SCSO)算法与BP神经网络相结合的预测方法。在训练过程中,首先通过SCSO算法对BP神经网络权重和偏置进行预训练,在此基础上,利用精调后的BP神经网络对卫星姿态控制系统周期渐变故障数据的未来趋势进行预测。实验结果表明,与原始BP神经网络预测方法相比,SCSO-BP预测方法能够有效减小预测误差,具有更好的预测精度。

基于BP-NSGA-Ⅱ优化的高速电梯轿厢水平振动变论域模糊PID控制

针对影响高速电梯乘坐舒适性和安全性的轿厢水平振动问题,提出一种基于反向传播(Backpropagation,BP)神经网络和非支配排序遗传算法-Ⅱ(Non-dominant Sorting Genetic Algorithm-Ⅱ,NSGA-Ⅱ)的变论域模糊PID控制方法。首先建立基于达朗贝尔原理的轿厢动力学模型,其次在传统变论域模糊PID控制的基础上建立以量化因子作为输入,轿厢水平振动加速度均方根和位移均方根作为输出的BP神经网络模型,最后将该模型作为NSGA-Ⅱ算法的适应度函数,通过NSGA-Ⅱ算法优化量化因子来提高系统控制精度。仿真分析结果表明:基于BP神经网络和NSGA-Ⅱ算法的变论域模糊PID控制方法对轿厢水平振动的抑制效果优于变论域模糊PID控制方法。

基于改进PSO-BP神经网络的网络控制系统时延预测

针对网络控制系统存在的随机时延问题,本文基于BP神经网络(Back Propagation Neural Network, BPNN)建模方法,在PSO(Particle Swarm Optimization)算法的基础上引入遗传算法中交叉和变异的思想,同时对惯性权重和学习因子采用线性递减和异步时变的改进策略,提出了一种性能更优的改进PSO算法,并用该算法优化BP神经网络,构建了一种改进PSO-BP神经网络的时延预测模型;然后运用MATLAB TrueTime2.0工具箱搭建仿真平台,结合获取到的历史时延采样数据对改进PSO-BP时延预测模型和PSO-BP、BP模型进行性能对比测试.实验表明本文所提出模型的预测精度更高,误差更小,能较好的解决网络控制系统的随机时延预测问题.

基于自适应PSO-BP神经网络的电力工程造价预测研究

文章提出对基于自适应PSO-BP神经网络的电力工程造价预测方法的设计与研究。根据当前的预测需求,先进行数据预处理,用多阶段的形式,扩大预测的覆盖范围,完成设定多阶段造价预测的目标。基于此,设计自适应PSO-BP神经网络电力造价预测模型,用动态寻优的方式实现最终预测处理。测试结果表明:对比于大数据电力工程造价的预测方法、GIM标准电力工程造价预测方法,文章设计的自适应PSO-BP神经网络电力工程造价预测方法最终得出的平均误差相对较小,整体上较可控,这说明在自适应PSO-BP神经网络的辅助下,文章设计的电力工程造价预测方法更加高效、稳定,针对性明显提升,造价预测的效果更为真实。

基于模糊聚类分析与BP网络的电力系统短期负荷预测

提出了一种基于模糊聚类分析和BP网络的短期负荷预测方法。考虑了温度、相对湿度以及日类型等影响负荷的因素,通过模糊聚类分析将负荷历史数据分成若干类,找出同预测日相符的预测类别,然后建立相应的BP网络模型,用附加动量和变学习速率的方法预测每小时的负荷。对于西安地区实际负荷的预测结果的分析表明该方法有较高的预测精度,取得了令人满意的结果。

基于BP神经网络和专家系统的变电站报警信息处理系统

对 BP神经网络的容错性进行了研究 ,将网络的容错能力与测试样本所形成的模糊区的大小相对应 ,通过消除模糊区来提高网络的容错能力。针对南昌 50 0 k V变电站自动化系统 ,开发了变电站的实时故障诊断系统。该系统以 3层前向 BP网络作为故障诊断的核心部分 ,以开关动作信息、保护动作信息等作为人工神经网络的输入。同时结合专家系统 ,利用其推理判断能力 ,对变电站运行方式进行识别 。