采用汽轮机－发电机协调控制改进电力系统稳定性

在分析汽轮机、发电机常规控制对电力系统暂态稳定的影响的基础上，提出了一种新的改善稳定性的控制策略，即同时考虑电磁侧和汽机侧的相位超前补偿，以协调两者动作．仿真实例验证了该方法的正确性和可行性．     

发电机神经网络模型用于电力系统暂态稳定计算

用递归神经网络建立发电机模型,多层输出反馈网络建立励磁系统和调速系统模型,并将此三部分集结构成为一个发电机组的详细模型。将此详细模型写入电力系统的网络方程,联立求解电力系统暂态稳定过程。详细模型写入暂态稳定程序中６机２２节点网络。暂态过程计算结果表明,由人工神经网络模型仿真计算与机理模型常规稳定计算比较,使用人工神经网络模型和机理模型的计算结果非常接近,说明人工神经网络模型可以用于电力系统暂态稳态计算,为今后人工神经网络并行、快速、在线处理电力系统实时计算提供应用途径。     

两轮独立驱动电动车的转矩协调控制

为了对独立驱动电动车的2个驱动轮的转矩进行协调控制,研究了驱动系统的结构,建立了电动车运动模型.根据电动车的转动平衡,发现电动车在高速转弯时,外侧轮的受力明显高于内侧轮.由于道路状况的变化,当2个车轮分别在摩擦系数不同的路面行驶时,车轮的受力也不同,因此采用神经网络PID控制方法,对2台轮毂式电动机分别进行了控制.通过系统仿真与实验研究,表明该模型及控制方法可以很好地反映电动车在各种工况下的响应特性,提高电动车的运行安全性与稳定性.     

基于免疫网络理论的TCSC与PSS协调控制

电力系统稳定器(PSS)和可控串联补偿器(TCSC)被广泛用于电力系统的稳定控制,多个控制器之间的交互作用会影响彼此的控制效果.本文介绍了生物免疫系统中不同类型的抗体协调合作,共同清除抗原的协调机理.提出了基于免疫网络理论的协调控制方法,用于在线协调控制多个阻尼控制器,抑制电力系统的功率振荡.以装有多个PSS和TCSC的系统为例,对多个控制器进行在线协调阻尼控制.仿真结果表明该方法能够缩短抑制振荡所需的时间,具有有效性和鲁棒性.     

用于多机电力系统动态等值的慢同调分区算法

本文根据电力系统结构特点探讨了慢同调与弱耦合之间的关系，给出了一种有效的慢同调分区算法，该方法避免了特征值和特征向量的计算，提高了计算速度，因此适用于多机电力系统暂态稳定的分析和计算，并以１５机８３节点电力系统为例，验证了这一方法的有效性。     

基于自组织竞争神经网络的电力系统暂态稳定研究

大停电事故和电力需求紧张,使得大扰动下电力系统的暂态稳定问题日显突出.如何能快速判断电力系统的暂态稳定性能,是研究的重点.文章以综合性能指标法中的性能指标作为反映电力系统暂态稳定性能的特征指标,设计自组织竞争人工神经网络分类器进行暂态稳定问题的分类判断.通过算例验证了该分类器可将暂态稳定问题分为稳定、不稳定和模糊类3种类型,有利于对稳定性能进行快速判断,从而减少了待详细分析的事故数目,而无需利用全过程时域仿真计算,有利于进行在线的动态安全评估.     

一种用于机器人决策系统的神经网络的设计

该文首先提出一个通用的神经网络的机器人决策示例模型,然后通过一种与之适应网络学习算法来寻找属性和决策的对应关系,由此进行信息处理后的决策。基于神经网络的决策系统有着比较良好的适应性。     

用于脑电数据压缩的改进的BP小波神经网络

用一种改进的BP小波神经网络对脑电图(EEG)数据信号进行压缩．对小波神经网络采用最速梯度下降法优化网络参数，并对学习率采用自适应学习速率方法自动调节．利用小波神经网络的函数逼近特性，对脑电随机信号进行逼近，最终压缩比可达15以上．实验结果显示，小波神经网络在大量压缩数据的同时，能较好地恢复原有信号。     

基于双向长短时记忆网络和卷曲神经网络的电力系统暂态稳定评估

基于机器学习方法的暂态稳定评估已成为电力系统分析与控制领域的热点,由于实际系统中存在不能实现PMU的全面覆盖以及数据采集存在噪声的问题,使得传统机器学习方法的评估性能受到较大限制。针对此,构建了一种在PMU最优布点上的时间序列特征,提出了一种将改进卷积神经网络(ICNN)与双向长短时记忆网络(BiLSTM)进行融合的评估方法。该方法首先利用BiLSTM提取电压、相角以及有功功率三种基本电气量的时间序列特征,随后通过卷积和池化操作对数据进行进一步的数据挖掘,最后利用轻量梯度提升机完成对数据的分类。为了避免出现过拟合现象,该方法还通过正则化、Dropout等方式提升模型的泛化性能。在新英格兰10机39节点上的算例表明,该方法能利用基本电气量数据进行暂态稳定评估,且在复杂条件下仍能保持较好的评估性能。     

基于在线学习和ADRC的发电机励磁与汽门系统ANN逆鲁棒控制方法

为提高汽轮发电机组励磁与汽门系统机端电压和功角的控制性能,提出了基于在线学习和自抗扰控制(ADRC)的神经网络逆鲁棒控制方法.首先,将神经网络逆(ANN)与被控励磁汽门系统组成的复合伪线性系统等效为含有扰动的线性系统;然后,基于ADRC,设计了用于在线估计复合伪线性系统状态和扰动的ESO,解决了神经网络逆在线学习时训练样本获取的难题,并在设计的伪控制量中对扰动进行补偿,基于线性系统理论证明了ESO的收敛性并针对励磁子系统和汽门子系统与神经网络逆系统组成的伪线性复合系统分别设计整数阶PID控制器和分数阶PID控制器以实现闭环控制;同时,在离线训练的基础上设计了基于在线梯度方法的神经网络逆在线学习算法,利用李雅普诺夫稳定性理论证明了神经网络逆在线学习的收敛性.最后,以典型的两区域四机系统为例进行数值仿真,与传统的AVR/PSS和基于离线训练的神经网络逆控制方法的比较结果表明所提方法明显提升了电力系统的暂态性能.     

神经网络控制系统仿真

利用基于神经网络修正误差ＢＰ学习算法的多层网络和间接学习或专门学习的动态逆特性控制方法＾［１］编制的神经网络控制系统的仿真软件（ＳＣＳＢＮＮ），给出了调节时间和最大超调量与神经网络中间层节点数的关系曲线，同时给出了各种学习率和神经元作用函数增益的响应曲线。ＳＣＳＢＮＮ也可用于神经网络非线性控制系统。仿真结果说明神经网络非线性控制系统具有良好的控制性能。     

用多层前馈神经网络进行同调发电机组的在线识别

基于多层前馈神经网络理论，本文提出了电力系统暂态稳定计算中同调发电机组在线识别的基本理论及其算法，文中阐述了这种方法的原理，神经网络的结构及学习算法，分析和计算结果表明，该方法具有准确、快速的优点，在电力系统暂态稳定计算中有很大的应用潜力。     

基于前馈式神经网络的化工设备维修决策

基于前馈式神经网络模型，提出了一种新的化工设备维修决策方法。根据设备的各状态因素，判断出设奋应属维修等级，制定相应维修策略。数值模拟表明，此法具有高效性、准确性和智能性。     

基于神经网络计算的子波变换实现

本文首先阐明了子波变换理论利用可变时域和频域分辨特性表达信号、获取信号特征的原理，提出了利用神经网络计算方法计算子波变换系数的新方法，并讨论了与人视觉系统密切相关的子波变换神经元的特性，提供了计算机仿真子波变换信号的结果。理论分析和实验结果表明，子波变换不仅具有对信号多分辨表达的特性，而且可以有效地压缩被处理信号。     

复合神经网络控制器及其存在性的证明

本文提出网络可分性的概念，并对由此引出的一类复合网络控制器的存在性作了详细的讨论，为复杂问题的网络方法从理论上提供了一种可行的模式。     

基于组合神经网络的软件可靠性预测研究

为了进一步提高神经网络的预测能力,提出了一种前馈神经网络混合学习算法,并将其应用于组合神经网络.该算法由一种模式提取算法(Alopex)和伪逆算法组成.在该混合学习算法中,网络的学习任务被分解为2个部分:隐藏层的权值先随机给定,然后使用Alopex算法不断地对其进行扰动;输出层的权值使用伪逆算法确定.所使用的组合神经网络由多个结构相同的前馈神经网络组成,每个前馈神经网络都使用混合学习算法(采用不同的初值)进行训练.实验结果表明,这种组合神经网络能够显著提高软件可靠性的预测精度.     

神经网络在决策中模糊解法

在不确定的信息条件下如何来作出最佳的决策。本文利用人工神经网络和模糊数学的有关内容为解决这方面的问题作了一些探讨。从模糊集、超模糊集的概念和人工神经网络模型表达方法出发,介绍了人工神经网络如何利用超模糊来表示。提出了神经网络在决策中的一种模糊求解方法。     

基于神经网络的旅游突发事件预警研究

介绍了旅游突发事件和对其进行预警的意义.基于BP神经网络,建立了旅游突发事件预警模型,并对旅游突发事件预警模型进行了测试.测试结果表明,该模型具有较好的预测效果.     

非线性信道判决反馈快速收敛神经网络均衡器

针对严重符号间串扰及轻度非线性畸变的数学信道，提出了一种神经网络判决反馈均衡器。它将传统的线性信道判决反馈结构巧妙地随入二层感知器中，学习时充分利用训练信号的信息，在可调权数较少的情况下，取得了较好的均衡效果；人为选择初始权值大大提高了收敛速度。模拟结果表明：该均衡器简单实用、便于实时处理，且均衡性能有较大的改善。     

一类耦合系统的直接自适应神经网络控制

针对一类具有未知常数控制增益的耦合大系统，根据滑模控制原理，利用多层神经网络的逼近性质，提出了一种直接自适应滑模控制器的设计方案．通过在线调节神经网络的连接权、滑模控制增益，实现了对动态不确定性及建模误差的自适应补偿．利用李亚普诺夫方法，证明了自适应控制系统是全局稳定的，跟踪误差收敛到零．