-
公开(公告)号：CN104216286A
公开(公告)日：2014-12-17
申请号：CN201410409470.3
申请日：2014-08-19
Applicant: 上海交通大学
IPC: G05B13/04
Abstract: 本发明涉及一种增长率有界的非线性系统的多模型自适应控制方法及系统，通过至少一个线性模型和至少一个基于神经网络的非线性模型对系统进行辨识，两个模型分别对应一个线性自适应控制器和一个基于神经网络的非线性自适应控制器；基于性能指标的切换单元在每个采样时刻切换到最优控制器来实现控制。与传统的非线性多模型自适应控制方法相比，本发明将非线性系统的非线性项的界限放宽到增长率有界，可以有效的扩大多模型自适应控制器的适应性。
-
公开(公告)号：CN103488869A
公开(公告)日：2014-01-01
申请号：CN201310371475.7
申请日：2013-08-23
Applicant: 上海交通大学 , 国家电网公司 , 吉林省电力有限公司延边供电公司
CPC classification number: Y04S10/54
Abstract: 本发明公开了一种最小二乘支持向量机的风力发电短期负荷预测方法，包括以下步骤：1、原始数据预处理；2、通过主成分分析的方法对输入至所述最小二乘支持向量机的原始数据序列进行主成分分析，并分析提取出风电负荷的主要影响因子；3、建立最小二乘支持向量机数学模型；4、将分析提取出的主要影响因子输入至最小二乘支持向量机数学模型作为训练样本和测试样本；5、通过最小二乘支持向量机数学模型对测试样本数据进行预测，并获取预测结果。通过主成分分析方法和最小二乘支持向量机数学模型结合，不仅减少了计算量，使可操作性增强，而且提高了整体的预测性能和预测的准确性。
-
公开(公告)号：CN103454914A
公开(公告)日：2013-12-18
申请号：CN201310374442.8
申请日：2013-08-23
Applicant: 上海交通大学
IPC: G05B13/02
Abstract: 一种多指标约束的分数阶PIλDμ控制器整定方法，其包括以下步骤：给定一个分数阶PIλDμ控制器以及被控对象的期望指标，所述被控对象的期望指标包括：稳定性指标、扰动衰减H∞指标、灵敏度指标以及控制代价指标；根据被选择的期望指标的优先级顺序，分别求出符合各期望指标的待整定参数解集；综合各期望指标的参数解集，得到该分数阶PIλDμ控制器的待整定参数(kp,ki)的解集。本发明有效解决了当控制对象需要同时满足多个性能指标时，分数阶控制器的参数整定问题，且能够平衡各个具有竞争关系的性能指标，求出满足多个性能指标的尽量大的控制器参数解集，使分数阶控制器取得更好的控制效果及更好的动态性能。
-
公开(公告)号：CN103440497A
公开(公告)日：2013-12-11
申请号：CN201310352549.2
申请日：2013-08-13
Applicant: 上海交通大学 , 国家电网公司 , 吉林省电力有限公司松原供电公司
Abstract: 一种GIS绝缘缺陷局部放电图谱模式识别方法，通过对GIS绝缘缺陷的典型放电图谱进行分析，根据其图谱分析其相位、幅值特征，建立数学模型。然后，通过数学模型产生模拟的图谱，验证其是否与原始图谱具有一致性。待验证成功后，根据建立的模型产生大量的放电数据，分别作为训练样本和测试样本。数据得到后，构建RBF神经网络，其中训练时采用K-均值聚类法。将训练样本输入到神经网络中进行训练，完成后将测试数据输入，经过计算得到识别结果。最后，通过调整训练误差允许值δ，可以达到快的训练速度及高的识别正确率。
-
公开(公告)号：CN103105774A
公开(公告)日：2013-05-15
申请号：CN201310037716.4
申请日：2013-01-30
Applicant: 上海交通大学
IPC: G05B11/42
Abstract: 本发明公开了一种基于改进的量子进化算法的分数阶PID控制器整定方法，其待整定参数为Kp,Ki,Kd,λ，μ，其过程为：初始化种群和待整定参数的取值范围，将种群中的各染色体的Bloch坐标映射到优化问题的解空间，得到近似解集，该解集对应PID的各待整定参数，计算各解的适应度，得到当代最优染色体和当代最优解，将当代最优解和当代最优的染色体作为全局最优解和全局最优染色体；通过更新和变异得到新的一代种群，计算得到当代最优染色体和当代最优解，与全局最优染色体和全局最优解比较并对二者更新，继续变异和更新直到最大迭代次数。本发明可以有效地提高过程的收敛速率，可以获得最优分数阶PID参数，同时该方法结构简单、计算量小、可操作较高。
-
Patent Agency Ranking
公开(公告)号：CN102998974A
公开(公告)日：2013-03-27
申请号：CN201210496506.7
申请日：2012-11-28
Applicant: 上海交通大学
IPC: G05B13/00
Abstract: 本发明提供一种多模型广义预测控制系统及其性能评估方法，采用多个固定模型和两个自适应模型，并行辨识系统的动态特性，基于性能指标在每个采样时刻切换到最优的局部模型作为当前模型，并设计最优控制器实现控制，采用最小方差准则的性能评估方法对多模型切换的广义预测控制系统进行性能评估。与传统的单模型广义预测控制系统相比，本发明在处理过程参数跳变的系统，采用多模型切换的广义预测控制，可以有效的提高了系统的暂态性能，消除暂态误差，并且保证了系统的稳定性。
-
公开(公告)号：CN102957153A
公开(公告)日：2013-03-06
申请号：CN201210270519.2
申请日：2012-07-31
Applicant: 上海交通大学 , 吉林省电力有限公司松原供电公司 , 国家电网公司
IPC: H02J3/18
CPC classification number: Y02E40/16
Abstract: 本发明公开了一种三相四线制三桥臂静止同步补偿器的直流中点平衡控制方法，其以从直流中点分裂的两路上各自电容分别对应的第一电压和第二电压的平衡为目标，通过零序电压外环和零序电流内环的PI调节产生一个零序控制电压，该零序控制电压调节所述静止同步补偿器流过中线的零序电流，从而对直流中点的分裂电容分别进行充放电，实现直流中点的平衡控制。与现有技术相比，本发明的技术效果在于：1）通过控制流过中线的零序电流，实现了直流中点平衡的控制目标；2）PI控制的参考值均为直流，降低了控制器设计难度；3）该方法在工程实际中易于实现。
-
公开(公告)号：CN102856917A
公开(公告)日：2013-01-02
申请号：CN201210269539.8
申请日：2012-07-31
Applicant: 上海交通大学 , 吉林省电力有限公司延边供电公司 , 国家电网公司
IPC: H02J3/18
CPC classification number: Y02E40/30
Abstract: 本发明公开一种配电网无功优化方法，包括以下几个步骤：（1）建立风机的数学模型；（2）初始化节点电压；（3）建立无功规划数学模型，转化成多目标优化问题；（4）输入原始数据；（5）形成初始粒子群，初始化粒子速度和位置；（6）潮流计算，得到粒子适应值和当前最优值；（7）用小生境权重飞行时间法修正粒子速度和位置；（8）计算整个种群适应度，得到适应度值，并更新当前最优解pBestid；（9）对个体粒子中越界点的控制变量进行调整，修正越界状态变量；；（10）判断是否满足终止条件，若满足则输出结果，否则返回（6）。
-
公开(公告)号：CN102856910A
公开(公告)日：2013-01-02
申请号：CN201210269748.2
申请日：2012-07-31
Applicant: 上海交通大学 , 吉林省电力有限公司四平供电公司 , 国家电网公司
Abstract: 本发明涉及一种基于多模型模糊神经网络PI的STATCOM控制方法，其包括以下步骤：S1：根据配电系统负载侧接入不同冲击性负载后接入点电压Upcc的降低幅值大小，将配电系统划分为三个模型Mi(i＝1,2,3)；S2：对于每个模型分别设计d轴PI控制器PIdi（i＝1,2,3）与q轴PI控制器PIqi（i＝1,2,3）；S3：模糊神经网络模块包括模糊控制器和神经网络两个部分。通过模糊神经网络模块来整定Mi(i＝1,2,3)中d轴PI控制器PIdi（i＝1,2,3）与q轴PI控制器PIqi（i＝1,2,3）的控制参数kp、ki。本发明的优越性在于：1.设计的PI控制器采用了多模型技术，该技术根据模型切换指标对PI参数进行了选择，使PI控制器能够适应接入点负载的变化；2.PI控制器参数kp、ki通过模糊神经网络进行整定得到，大大减少了人工PI参数整定带来的繁琐工作量。
-
公开(公告)号：CN102855385A
公开(公告)日：2013-01-02
申请号：CN201210269721.3
申请日：2012-07-31
Applicant: 上海交通大学 , 吉林省电力有限公司延边供电公司 , 国家电网公司
IPC: G06F19/00
Abstract: 本发明方法公开一种风力发电短期负荷预测方法，包括：S1.原始数据的预处理；S2.建立提升小波变换的数学模型，得到高频数据序列D1、D2和低频数据序列A2；S3.将需要的数据序列归一化；S4.建立最小二乘支持向量机数学模型；S5.将步骤S3中得到的归一化后的A2数据序列、气温、风向角、风速一起输入到步骤S4中建立的LS-SVM数学模型中，作第一次的负荷预测，得到A2的最后1/4的负荷预测；S6.进行第二次预测，并得到这些预测点的相对误差值；S7.对步骤S6中得到的相对误差值进行2层提升小波分解，并用步骤S5中的方法预测A2后半部分的相对误差值；S8.修正步骤S5中得到的原始信号最后1/4数据的预测值。
-
-
-
-
-
-
-
-
-
Search Results
146
records
(took 0.098 seconds)
