同步发电机监督学习神经网络励磁控制器

应用神经网络的监督学习控制(SNC)方法,在线性最优励磁控制的基础上,利用神经网络对同步发电机的励磁控制过程进行监督学习,设计出基于SNC的同步发电机励磁控制律。仿真结果表明,所设计的SNC在系统运行方式较大的变化范围内,都能提供很好的阻尼特性和良好的控制性能,并且控制结构简单,有较强的实时性和适应能力。     

非线性励磁控制对发电机进相运行稳定性的改善

总结了非线性励磁控制对改善发电机进相运行稳定性的实验结果，验证了非线性控制理论中微分几何设计方法的正确性。在实验研究中，着重比较了比例－积分－微分控制器（ＰＩＤ）、电力系统镇定器（ＰＳＳ）、线性最优励磁控制器（ＬＯＥＣ）和非线性励磁控制器（ＮＥＣ）等四种不同的励磁控制方式对发电机进相运行的影响。实验结果表明，在改善发电机进相运行稳定性方面，非线性励磁控制较其它几种控制方式具有明显的优越性。在电网低谷进相运行中它是有较大潜力的技术措施。     

发电机励磁系统最优控制器研究

研究了发电机励磁系统最优控制器,建立了单机无穷大系统中发电机组的状态空间模型,提出了基于最优控制理论的励磁控制器的设计方法。两种不同的运行状态下的动态仿真分析表明,该最优励磁控制系统能够有效地增加系统的阻尼,提高系统的稳定性,并具有较好的鲁棒性。     

发电机励磁最优控制对控制线路惯性的静稳适应性

本文讨论了发电机励磁最优控制线路中存在的惯性对系统静态稳定性的影响。计算结果表明、控制线路中的惯性对发电机励磁最优控制系统的静态稳定性有较大的影响、而对常规励磁控制系统的静态稳定性的影响很小。     

同步发电机比例加积分式微机最优励磁调节器的试验研究

一.引言对于电力系统稳定性研究而言,采用控制同步发电机的励磁调节的方法,不仅有效,而且具有重要的经济价值。七十年代以来,最优控制理论在同步发电机励磁调节中的应用研究得到了较快的发展。综合现有的研究成果来看,所取有的成果大多是基于线性二次型最优控制理论而得到形如:     

大型汽轮发电机组的最优综合控制及其在动态模拟系统上的试验研究

本文探讨了远距离输电系统中大型汽轮发电机组的最优综合控制问题。文中提出的这种按线性最优控制理论设计的综合控制器把励磁控制与汽门控制二者结合了起来。不仅从分析计算上，而且通过电力系统动态物理模拟的实验证明了，所设计的综合最优控制器，与发电机同时具有电液调速器及ＰＳＳ励磁控制器的方案相比，在小干扰作用下，前者比后者提供了较好的阻尼；在系统遭受大干扰的冲击下，前者对暂态稳定极限的提高和对动态响应的改善尤为显著。     

发电机的快速模糊自适应励磁控制

提出了一种新的模糊推理机和设计方法 ,并在线性最优励磁控制器的基础上 ,实现了发电机励磁的快速模糊自适应控制。数值仿真结果证明了快速模糊自适应励磁控制器的良好控制性能。     

神经网络SNC无刷柴油发电机励磁控制器

设计一种基于BP神经网络的监督学习控制器（SNC）,在线性最优励磁控制的基础上,得用3层BP神经网络对柴油发电机的控制过程进行监督学习,通过对网络的训练,使得网络能够达到实时控制的目的,仿真结果表明,所设计的SNC在系统运行方式较大的变化范围内,都能提供很好的控制性能,并有较强的鲁棒性和适应能力。     

基于微分几何方法的柴油发电机非线性励磁控制器

利用微分几何精确线性化理论,设计出一种柴油无刷发电机非线性励磁控制器,并给出了详细的推导过程和仿真实例.仿真表明,与固定点线性最优励磁控制方式相比,非线性励磁控制方式具有更好的稳定性和动态品质.     

柴油发电机神经网络非线性励磁控制器研究

采用基于LM算法的BP神经网络逼近柴油无刷发电机微分几何非线性励磁控制器,实现了神经网络非线性励磁控制方式,简化了控制回路。仿真结果表明,在系统遭受扰动或故障时,所设计的神经网络非线性励磁控制器具有良好的控制效果。     

基于相关向量机的网络通信负载状态识别模型

为了改善网络通信负载状态识别效果,提出一种基于相关向量机的网络通信负载状态识别模型.首先提取影响网络通信质量的参数,分析它们与负载状态间的联系;然后将无线传感器网络吞吐率作为负载状态识别的标准,采用相关向量机构建网络通信负载状态的分类器,实现网络通信负载状态的识别;最后采用具体数据对网络通信负载状态识别性能进行测试.测试结果表明,相关向量机可准确识别网络通信负载状态,且网络通信负载状态识别正确率高于其他模型.     

基于数据挖掘的网络状态异常检测

针对目前网络状态异常行为检测正确率低的问题,提出一种基于数据挖掘的网络状态异常检测模型.首先提取网络状态信号,通过小波变换对信号进行预处理,并提取网络状态异常检测的特征;然后通过回声状态网络对网络状态异常检测进行建模,并通过遗传算法对回声状态网络的参数进行优化;最后采用网络状态异常数据集对模型的有效性进行测试.测试结果表明,数据挖掘技术可以准确检测各种网络状态异常行为.     

信息内外光网边界状态攻防图生成技术

当前信息内外光网边界状态攻防图生成技术在实现过程中形成的状态数量巨大,导致状态爆炸,无法适应大规模光网,防御性能低下。为此,提出一种新的信息内外光网边界状态攻防图生成技术,对信息内外光网边界状态攻防图进行描述。定义Host元组与Connection元组对信息内外光网边界进行描述,依据安全状态约简理论提出一种建模方法,以降低信息内外光网边界状态攻防图生成的复杂度,减少状态攻防图的规模,介绍了状态约简原理。依据状态变迁关系生成一个完整的状态攻防图,给出信息内外光网边界状态攻防图生成过程。实验结果表明,采用所提方法生成的状态攻防图具有很高的防御能力。     

基于马尔科夫攻防模型的电力信息光网安全策略加固

电力信息光网具有很高的不确定性,当前光网安全策略加固方法大多通过博弈模型实现,无法有效应对攻击意图与策略变化的问题,不能保证电力信息光网的可靠性。为此,提出一种新的基于马尔科夫攻防模型的电力信息光网安全策略加固方法,给出电力信息光网安全策略选择模型,用7元组对其进行描述。构建马尔科夫攻防模型,依据电力信息光网攻击过程形成攻击状态转换图,依据攻击时获取的观察事件对攻击状态转换图进行匹配,在分析状态不确定的情况下获取电力信息光网信念状态,把概率值大于信念状态阈值的状态当成初始节点,得到攻击状态转换子图,详细介绍了马尔科夫攻防模型均衡求解过程。实验结果表明,所提方法不仅有很高的应用性,而且经该方法处理后的电力信息光网具有很高的可靠性。     

基于半马尔科夫过程的虚拟网络生存性模型

针对虚拟网络生存性缺乏准确的定量描述,提出了一种基于半马尔科夫过程的虚拟网络生存性模型。根据虚拟网络运行特征,重点引入虚拟网络重构状态以及认知状态,构建一种优化的虚拟网络状态转移图,并引入半马尔科夫理论,建立虚拟网络状态转移概率方程,构建基于半马尔科夫过程的虚拟网络生存性模型,最后通过仿真实验验证了虚拟网络生存性对各参量的敏感度以及不同类型虚拟网络的生存性特点。仿真表明,降低网络部件发生故障的概率,提高虚拟网络攻击识别概率和虚拟网络重构成功概率可以显著提高虚拟网络生存性;在映射阶段进行资源备份可以显著增强军事虚拟网络生存性。     

基于神经网络多参数融合的钻井过程状态监测与故障诊断

复杂系统状态监测与故障诊断是系统安全运行过程中的重要保障,分析了钻井系统事故状态下特征参数的变化,给出了用神经网络进行故障诊断的流程,在利用样本数据对网络进行训练的基础上建立了稳定的神经网络诊断模型。输入各种状态下的新样本数据,能够得到正确的系统状态识别,通过改进网络算法改进了网络性能。对生产数据的处理结果表明,基于神经网络的多参数融合算法可以很好地识别钻井过程中的不同状态,能够实现状态检测与故障诊断。     

基于SNMP的校园网络监控系统的设计与实现

针对传统的网络流量检测方法的不足，设计了一种基于SNMP协议的校园网络流量监测与分析系统。该系统通过SNMP协议收集不同网络设备数据，并用这些数据掌握了一系列图表直观的体现网络设备的流量和整个网络的负载状况。     

传感器网络同步态的节点故障诊断算法

首先介绍了复杂网络同步态的概念,以传感器量测数据为节点,定义了随时间动态变化的传感器网络,采用数学分析方法定量描述了传感器网络的动力学机制,给出了传感器网络同步态的数学定义、计算方法及其实际的物理含义。理论推导表明,同步态从全局角度评价传感器网络的健康程度,以量测数据距离关联性定义复杂网络的耦合矩阵A=(aij)N×N,并以该耦合矩阵零特征值对应的左特征向量(ξ1,ξ2,...,ξN)来刻画传感器网络节点的局部细节信息,进而衍生出基于传感器网络同步态的节点故障诊断算法,实现传感器网络的故障诊断。实验仿真了由100个传感器组成的复杂网络,采集了在稳定运动60s期间的的量测数据,每个量测数据长度为5 000,其中有3个传感器处于间歇增益故障状态,以此来验证基于传感器网络同步态的节点故障诊断算法的有效性。结果表明,该算法不仅可以很好地跟踪整个传感器网络的工作状态,实时监测每个传感器网络节点的故障,而且可以利用传感器网络节点故障之间的相关性有效地识别出传感器量测数据的异常是由外界量测对象的改变还是由传感器本身故障引起的。该算法为全局评估传感器网络的工作状态和监测网络节点的局部故障提供了一个新颖可行的研究思路,期望为相关领域的研究学者提供有益的参考。     

基于回声状态网络优化的宽间隔混沌跳频码预测研究

传统宽间隔混沌跳频码预测方法无反馈结构,记忆能力差;且训练过程烦琐,泛化性能差,对预测精度产生不好的影响。为此,提出一种新的基于回声状态网络优化的宽间隔混沌跳频码预测方法。设计回声状态网络,其由输入层、递归层以及输出层三个部分构成。在递归层内部各神经元间引入连接权值稀疏矩阵,使递归层内部存在动态记忆。回声状态网络储备池规模、储备池内部连接权谱半径、储备池稀疏度、储备池输入单元尺度对宽间隔混沌跳频码预测准确性产生不同的影响。通过和声搜索方法对四种储备池参数进行优化,实现回声状态网络的改进。确定优化回声状态网络输入输出数据,建立优化回声状态网络。确定储备池参数,通过训练数据激活储备池,计算回声状态网络输出连接权矩阵,对宽间隔混沌跳频码进行预测。实验结果表明,所提方法预测结果可靠,和其他方法相比有很高的预测精度。     

基于SNMP协议的全局网络流量分析系统的设计与实现

针对传统的网络流量检测方法的不足,设计了一种基于SNMP协议的流量分析的网络流量监测系统. 该系统通过SNMP协议收集不同网络设备数据,并用这些数据掌握了一系列图表直观的体现网络设备间的流量和整个网络的负载状况.