不确定互联电力系统的RBF网络自适应混沌控制

针对互联电力系统的混沌控制问题,建立了一种带有周期性负荷扰动和电磁功率扰动的互联电力系统模型,利用分岔图分析了该模型对各系统参数和外部干扰的敏感性.针对系统内部参数和扰动幅值的不确定性,提出了一种基于径向基函数神经网络的自适应滑模控制方法,实现了参数辨识,使系统输出能渐近跟踪目标轨迹,进而抑制了系统混沌.研究表明,该方法控制时间短、逼近误差小,而且有效地消除了抖振,具有实时控制、鲁棒性高等特点.     

互联混沌电力系统的自适应backstepping滑模鲁棒控制

针对受外在周期性负荷扰动和电磁扰动以及内部参数不确定的简单二机互联混沌电力系统模型,将backstepping法、自适应控制和滑模控制三者结合,设计了动态反馈鲁棒控制器,使闭环动态误差系统渐近稳定,并对所设计的鲁棒控制器的性能做了评估,同时对系统不确定参数进行实时动态辨识,得到参数自适应更新律,在设计过程中,不需要对原系统进行任何线性化处理,因此,完整保留了系统的非线性特性.数值仿真结果表明,所设计的控制器对参数不确定性和外在干扰具有很强的鲁棒性.     

基于RBF神经网络的ABS滑模变结构控制研究

针对汽车制动过程中防抱死制动系统(ABS)具有的非线性、时变性和不确定性,设计了以最佳滑移率为目标的滑模变结构控制器,并且采用径向基神经网络(RBF)实时调整滑模变结构控制器参数,以削弱常规滑模变结构控制的抖振现象。利用MATLAB/Simulink仿真平台搭建单轮车辆制动模型,并进行ABS控制策略的仿真实验。仿真结果表明:在指定路面上制动时,基于RBF神经网络的滑模变结构控制策略能够有效削弱常规滑模变结构控制输出的高频抖振,并能使车辆具有良好的制动效果。     

基于滑模PID神经网络控制的混沌同步

对于多输入多输出(multiple inputs multiple outputs,简称MIMO)混沌系统的同步问题,设计了基于误差比例-积分-微分(proportional integral derivative,简称PID)改进下的滑模径向基函数神经网络(radial basis function,简称RBF)控制方法,实现了主从统一混沌系统的同步.设计自适应RBF滑模控制器,将其用于初值不同的不确定主从统一混沌系统的同步控制中,证明了控制的Lyapunov稳定性.最后结合MATLAB仿真实验验证了所提方法的可行性与有效性.     

基于反演滑模变的电力系统混沌振荡控制

在某些条件下,电力系统将会产生混沌振荡,从而影响互联电网的稳定性,造成严重的安全事故。通过对简单互联电力系统的时序图、相图及最大李雅普诺夫指数图进行分析,肯定了其存在的混沌现象。同时结合滑模变控制与反演控制,设计了一种反演滑模变控制法,以求能够抑制互联电力系统的混沌振荡,使其迅速收敛于目标。仿真结果进一步证明该方法能够有效地控制系统的混沌振荡,同时具有较强的鲁棒性,对保障电力系统运行的稳定性具有良好价值。     

基于滑模神经网络控制的混沌同步及应用

本文基于滑模控制技术及径向基函数神经网络(RBF),研究了统一混沌系统的同步问题。设计出一个简单单维控制器,将该制器用于初值不同的统一混沌系统同步控制中,实现了统一混沌系统的同步,在Simulink中编写模块搭建混沌同步仿真系统,验证本文方法的有效性,最后将此方法用于混沌保密通信中,利用混沌信号掩盖实际要传输的信号,在接收端,由同步的混沌系统分离出实际传输的信号,成功地实现了信号的加密和还原。     

互联电力系统的模糊滑模负荷频率控制

提出一种用于多区域互联电力系统的负荷频率模糊滑模控制方法。该方法选用带积分的滑模超面方程 ,使系统从一开始就进入滑模状态 ,当系统进入滑模状态后 ,转化为基于新区域控制偏差的比例积分控制 ,对切换控制采用自适应模糊调节方式自动确定其幅值 ,在考虑发电机变化率约束和具有控制死区条件下 ,所提出的控制方法能够使系统获得较好的性能。仿真结果显示该方法是简单的、有效的 ,并且能够保证整个系统是渐进稳定的     

基于增广RBF神经网络的混沌系统辨识

混沌系统的建模与辨识是混沌控制的基础。提出一种动态线性子系统与ＲＢＦ神经网络并联的增广ＲＢＦ神经网络模型,该模型不仅对动态非线性系统具有良好的逼近能力,而且网络学习速度很快。对Ｈｅｎｏｎ系统时间序列的仿真预测结果表明,增广ＲＢＦ网络能有效地用于混沌系统辨识。     

分数阶超混沌Chen系统的RBF神经网络自适应滑模同步

针对分数阶超混沌系统的同步问题,通过设计一个新型含分数阶滑模面的RBF神经网络自适应滑模控制器,应用滑模控制和主动控制原理实现分数阶超混沌Chen系统的驱动系统和响应系统间的同步.在RBF神经网络控制方案的基础上引入分数阶滑模控制器以提高系统的鲁棒性,并在分数阶滑模控制器中增设自适应参数使得控制律在迭代过程中找到合适的切换增益,免除繁冗的人工调参过程.根据Lyapunov稳定性定理证明了该方案下系统的稳定性.当存在外部干扰时,将RBF神经网络与分数阶滑模控制相结合,更利于系统在迭代过程中找到最近似的权值,并通过补偿控制降低干扰对控制系统的影响.数值仿真结果验证了该控制方法的鲁棒性及有效性.     

强流束晕-混沌的RBF神经网络控制

以周期性聚焦磁场通道中的Kapchinskij-Vladimirskij（K-V）分布离子束为对象,研究了强流束晕-混沌现象的RBFNN自适应控制方法.该方法以神经网络的输出作为周期聚焦磁场的线性控制因子,通过对外部磁场的线性调节实现束晕-混沌控制.模拟结果表明：当选择恰当的RBFNN控制结构,自适应调整其内部参数,可将混沌变化的束包络半径控制在匹配半径附近单周期稳定振荡;该方法用于多粒子模拟系统中,能较好改善束的品质,束晕-混沌现象能得到有效抑制.     

基于滑模理论的混沌控制

以Lorenz系统为对象,基于同步理念, 将滑模控制技术应用于混沌系统同步控制器的设计.该方法在系统单状态同步控制的基础上,通过设计合适的滑模控制器和参数自适应律,实现了结构相同而参数互异混沌系统的渐近同步.仿真结果表明,该方法可以很好地达到同步控制要求,验证了所提方案的可行性.     

基于RBF神经网络的预测控制

运用神经网络解决系统的非线性问题,用预测控制解决系统时滞问题．针对制冷系统膨胀阀控制回路具有时滞、非线性的特点,提出了将基于RBF神经网络的预测控制用于蒸发器过热度的控制．仿真与应用均表明该算法具有良好的动态响应和较强的鲁棒性,能够对蒸发器过热度进行有效的控制．     

一类非线性系统的RBF神经网络滑模控制及应用

针对一类模型不精确的非线性系统,提出了一种RBF神经网络与滑模控制策略。RBF神经网络在一定条件下可以任意精度逼近非线性函数,且具有较强的自学习、自适应和组织能力。因此,将其与滑模变结构控制策略相结合,应用于非线性系统中。实验结果表明:其克服了传统滑模变结构控制中的振颤问题,同时,继承了滑模变结构控制所具有的快速性能好、鲁棒性强和抗干扰性能优良的特点。     

四阶电力系统混沌分析与新型滑模控制

电力系统的混沌现象对电网的安全稳定运行构成了极大威胁,本文研究了含扰动项的四阶电力系统模型的混沌控制问题.首先,利用Lyapunov指数谱及分叉图等分析了参数变化对系统动力学行为的影响规律.然后,基于系统稳定性理论,提出了一种新的将非线性光滑函数作为滑动控制律的反演滑模控制方法,以削弱传统滑动控制律引起的系统抖振.选取不同的函数作为控制目标,采用MATLAB软件进行数值仿真,结果表明：不论目标函数如何改变,控制器都能够使受控电力系统从混沌状态快速稳定至目标轨道,并且有效抑制抖振.     

基于改进RBF神经网络的混沌时间序列预测

基于RBF神经网络与相空间重构理论,对网络预测模型进行改进,并以Lorenz动力系统产生的混沌时间序列作为研究对象,建立预测模型并对其进行数值仿真.实验结果表明,基于改进RBF神经网络与相空间重构理论的混沌时间序列预测方法比BP、RBF神经网络模型的预测精度高、误差小、性能优越,改进方法可行、有效.     

基于神经网络的混沌控制方法研究

本文探讨了动态神经网络在混沌控制中的应用,利用计算机仿真证明了将动态神经网络引入到控制动态的未知多变量混沌系统控制的可行性。     

基于RBF的TCP网络自适应滑模控制

针对TCP网络的拥塞控制问题,提出了一种基于RBF神经网络的自适应滑模控制算法.为了简化滑模控制器的设计,将系统的各个不确定参数和非线性补偿整合成一个总的不确定.考虑到网络系统的不确定性上界很难获得,使用RBF神经网络对系统不确定的上界进行自适应学习.将RBF神经网络的输出作为不确定上界的补偿,从而消除了系统的不确定带...     

基于RBF神经网络的汽车ABS滑模控制器的设计

针对汽车防抱死制动系统(ABS)在快速性及鲁棒控制方面的要求,采用基于径向基函数神经网络的方法设计了汽车ABS的滑模控制器.该方法能够削弱常规滑模控制所引起的抖动现象,也能提高单纯的神经网络自适应控制的鲁棒性能.利用MATLAB中的SIMULINK仿真工具,对车辆在干路面条件下的制动情况进行了仿真研究,验证了所设计的控制方案在汽车ABS应用中的可行性和有效性.     

基于改进RBF神经网络的电力系统短期负荷预测

提出一种交替梯度算法,对径向基函数(RBF)神经网络的训练进行改进.改进的算法与传统梯度下降算法相比,具有更快的收敛速度和更高的预测精度.采用该改进算法应用于电力系统短期负荷预测模型,综合考虑了气象、日类型等影响负荷变化的因素,预测结果表明该算法具有一定实用性.     

基于RBF神经网络预测的MMSE控制

为了降低过程干扰造成的生产过程波动,研究了一种基于径向基(RBF)神经网络预测的MMSE控制器.首先,采用基于k-聚类学习算法的3层优化径向基网络结构,预测过程干扰时间序列,在此基础上设计MMSE控制器,将其作为EPC过程调整策略,应用于一个化工生产过程的SPC与EPC集成控制系统.然后,采用SPC控制图监测经上述MMSE控制器调整后过程输出并与传统MMSE控制器调整后的过程输出作比较.结果表明,径向基(RBF)神经网络可提高过程干扰预测精度,改进MMSE控制器的控制性能,减小过程波动,提升SPC与EPC集成控制的能力.