1、摘 要采用一種自組織模糊神經網絡設計電力系統穩定器，該穩定器能通過結構和參數的學習，克服傳統模糊控制器設計過程中存在的盲目性及拚湊性，避免模糊控制器中模糊邏輯規則的冗余或欠缺。仿真表明該電力系統穩定器具有良好控制性能。由于一般的模糊神經網絡電力系統穩定器在輸入量的論域、模糊子集、節點數及節點函數的選取有過分依賴于先驗知識之嫌，另外，一經設計完畢后，模糊神經網絡的結構是固定不變的，不便于模糊邏輯規則及節點的增減，有可能造成模糊邏輯規則的冗余或欠缺，為了克服以上的缺點，可采用一種自組織模糊神經網絡作為電力系統穩定器。關鍵詞:自組織模糊神經網絡；電力系統穩定器；BP神經網絡0目 錄第一章 緒論11.

2、1 神經網絡發展現狀11.2 神經網絡應用現狀11.3 神經網絡發展趨勢及研究熱點21.3.1 神經網絡研究動向21.3.2 研究熱點31.4神經網絡與模糊邏輯的結合51.5 神經網絡的實現和展望61.6 本章小結6第二章 BP神經網絡的應用設計72.1 BP神經網絡概述72.2 BP神經網絡的設計72.2.1BP神經網絡隱層數的確定72.2.2各層神經元個數的確定82.2.3BP神經網絡的改進算法92.3BP神經網絡的設計實例102.4本章小結11第三章 基于自組織模糊神經網絡電力系統穩定器的設計123.1模糊神經網絡的基本結構123.2結構的調整133.3模糊邏輯規則的產生153.4自組織

3、模糊神經網絡電力系統穩定器的設計163.5仿真研究173.6本章小結18致 謝19參考文獻201第一章 緒論1.1 神經網絡發展現狀神經網絡最早的研究20世紀40年代心理學家Mcculloch和數學家Pitts合作出的，他們提出的MP模型拉開了神經網絡研究的序幕。神經網絡的發展大致經過三個階段:19471969年為初期，在這期間科學家們提出了許多神經元模型和學習規則，如MP模型、HEBB學習規則和感知器等；19701986年為過渡期，這個期間神經網絡研究經過了一個低潮，繼續發展。在此期間，科學家們做了大量的工作，如Hopfield教授對網絡引入能量函數的概念，給出了網絡的穩定性判據，提出了用于

4、聯想記憶和優化計算的途徑。1984年，Hiton教授提出Boltzman機模型。1986年Kumelhar等人提出誤差反向傳播神經網絡，簡稱網絡。目前，網絡已成為廣泛使用的網絡；1987年至今為發展期，在此期間，神經網絡受到國際重視，各個國家都展開研究，形成神經網絡發展的另一個高潮。神經網絡具有以下優點:(1)具有很強的魯棒性和容錯性，因為信息是分布貯于網絡內的神經元中。(2)并行處理方法，使得計算快速。(3)自學習、自組織、自適應性，使得網絡可以處理不確定或不知道的系統。(4)可以充分逼近任意復雜的非線性關系。(5)具有很強的信息綜合能力，能同時處理定量和定性的信息，能很好地協調多種輸入信息

5、關系，適用于多信息融合和多媒體技術。1.2 神經網絡應用現狀神經網絡以其獨特的結構和處理信息的方法，在許多實際應用領域中取得了顯著的成效，主要應用如下:(1)圖像處理。對圖像進行邊緣監測、圖像分割、圖像壓縮和圖像恢復。(2)信號處理。能分別對通訊、語音、心電和腦電信號進行處理分類；可用于海底聲納信號的檢測與分類，在反潛、掃雷等方面得到應用。(3)模式識別。已成功應用于手寫字符、汽車牌照、指紋和聲音識別，還可用于目標的自動識別和定位、機器人傳感器的圖像識別以及地震信號的鑒別等。(4)機器人控制。對機器人眼手系統位置進行協調控制，用于機械手的故障診斷及排除、智能自適應移動機器人的導航。(5)衛生保

6、健、醫療。比如通過訓練自主組合的多層感知器可以區分正常心跳和非正常心跳、基于網絡的波形分類和特征提取在計算機臨床診斷中的應用。(6)焊接領域。國內外在參數選擇、質量檢驗、質量預測和實時控制方面都有研究，部分成果已得到應用。(7)經濟。能對商品價格、股票價格和企業的可信度等進行短期預測。(8)另外，在數據挖掘、電力系統、交通、軍事、礦業、農業和氣象等方面亦有應用。1.3 神經網絡發展趨勢及研究熱點1.3.1 神經網絡研究動向神經網絡雖已在許多領域應用中取得了廣泛的成功，但其發展還不十分成熟，還有一些問題需進一步研究。神經網絡的應用已經涉及到各個領域，并且在智能控制、模式識別、計算機識別、自適應濾

7、波和信號處理、飛機導彈非線性優化、自動目標識別、連續語音識別、聲納信號的處理、知識處理、傳感技術與機器人圖像處理、生物醫學工程、傳感器信號處理、機器人控制、衛生保健、醫療、處理組合優化問題等方面取得了令人鼓舞的發展。(1)自動控制領域。神經網絡方法已經覆蓋了控制理論中的絕大多數問題，主要有系統建模與辨識、PID參數整定、極點配置、內模控制、優化設計、預測控制、最優控制、自適應控制、濾波與預測容錯控制、模糊控制和學習控制等。(2)處理組合優化問題。最典型的例子是成功地解決了問題，即旅行推銷員問題，另外還有最大匹配問題、裝箱問題和作業調度等。(3)模式識別。已成功應用于手寫字符、汽車牌照、指紋和聲

8、音識別，還可用于目標的自動識別和定位、機器人傳感器圖像識別及地震信號的鑒別。(4)圖像、信號處理。對圖像進行邊緣監測、圖像分割、圖像壓縮和圖像恢復能分別對通訊、語音、心電和腦電信號進行處理分類。(5)傳感器信號處理。傳感器輸出非線性特性的矯正、傳感器故障檢測、濾波與除噪、環境影響因素的補償、多傳感器信息融合。(6)機器人控制。對機器人眼手系統位置進行協調控制，用于機械手的故障診斷及應移動機器人的導航。(7)焊接領域。國內外在參數選擇、質量檢驗、質量預測和實時控制方面都有研究，部分成果已得到應用。近幾年來，神經網絡理論引起世界各國企業家和科學家的重視。他們正在組織和實施與此有關的重大研究項目。如

9、美國的DAPPA計劃，日本的HFSP計劃、法國的“尤里卡”計劃、德國的“歐洲防御”計劃和俄羅斯的“高技術發展”計劃。我國在1990年舉辦神經網絡的學術年會，研究工作已在高等院校和研究單位開展。(8)增強神經網絡的可理解性是神經網絡界需要解決的一個重要問題。這方面的工作在今后若干年中仍然會是神經計算和機器學習界的一個研究熱點。神經網絡的應用領域將不斷擴大，在未來的幾年中有望在一些領域取得更大的成功，特別是多媒體技術、醫療、金融、電力系統等領域。1.3.2 研究熱點(1)神經網絡與遺傳算法的結合。遺傳算法與神經網絡的結合主要體現在以下幾個方面:網絡連接權重的進化訓練；網絡結構的進化計算；網絡結構和

10、連接權重的同時進化；訓練算法的進化設計。基于進化計算的神經網絡設計和實現已在眾多領域得到應用，如模式識別、機器人控制、財政等，并取得了較傳統神經網絡更好的性能和結果。但從總體上看，這方面研究還處于初期階段，理論方法有待于完善規范，應用研究有待于加強提高。神經網絡與進化算法相結合的其他方式也有待于進一步研究和挖掘。(2)神經網絡與灰色系統的結合。灰色系統理論是一門極有生命力的系統科學理論，自1982年華中理工大學的鄧聚龍教授提出灰色系統后迅速發展，以初步形成以灰色關聯空間為基礎的分析體系，以灰色模型為主體的模型體系，以灰色過程及其生存空間為基礎與內的方法體系，以系統分析、建模、預測、決策、控制、

11、評估為綱的技術體系。目前，國內外對灰色系統的理論和應用研究已經廣泛開展，受到學者的普遍關注。灰色系統理論在在處理不確定性問題上有其獨到之處，并能以系統的離散時序建立連續的時間模型，適合于解決無法用傳統數字精確描述的復雜系統問題。神經網絡與灰色系統的結合方式有:(1)神經網絡與灰色系統簡單結合；(2)串聯型結合；(3)用神經網絡增強灰色系統；(4)用灰色網絡輔助構造神經網絡；(5)神經網絡與灰色系統的完全融合。(3)神經網絡與專家系統的結合。基于神經網絡與專家系統的混合系統的基本出發點立足于將復雜系統分解成各種功能子系統模塊，各功能子系統模塊分別由神經網絡或專家系統實現。其研究的主要問題包括:混

12、合專家系統的結構框架和選擇實現功能子系統方式的準則兩方面。由于該混合系統從根本上拋開了神經網絡和專家系統的技術限制，是當前研究的熱點。把粗集神經網絡專家系統用于醫學診斷，表明其相對于傳統方法的優越性。(4)神經網絡與模糊邏輯的結合模糊邏輯是一種處理不確定性、非線性問題的有力工具。它比較適合于表達那些模糊或定性的知識，其推理方式比較類似于人的思維方式，這都是模糊邏輯的優點。但它缺乏有效的自學習和自適應能力。而將模糊邏輯與神經網絡結合，則網絡中的各個結點及所有參數均有明顯的物理意義，因此這些參數的初值可以根據系統的模糊或定性的知識來加以確定，然后利用學習算法可以很快收斂到要求的輸入輸出關系，這是模

13、糊神經網絡比單純的神經網絡的優點所在。同時，由于它具有神經網絡的結構，因而參數的學習和調整比較容易，這是它比單純的模糊邏輯系統的優點所在。模糊神經網絡控制已成為一種趨勢，它能夠提供更加有效的智能行為、學習能力、自適應特點、并行機制和高度靈活性，使其能夠更成功地處理各種不確定的、復雜的、不精確的和近似的控制問題。模糊神經控制的未來研究應集中于以下幾個方面:(1)研究模糊邏輯與神經網絡的對應關系，將對模糊控制器的調整轉化為等價的神經網絡的學習過程，用等價的模糊邏輯來初始化神經網絡；(2)完善模糊神經控制的學習算法，以提高控制算法的速度與性能，可引入遺傳算法、算法中的模擬退火算法等，以提高控制性能；

14、(3)模糊控制規則的在線優化，可提高控制器的實時性與動態性能；(4)需深入研究系統的穩定性、能控性、能觀性以及平衡吸引子、混沌現象等非線性動力學特性。關于神經網絡與模糊邏輯相結合的研究已有很多，比如，用于氬弧焊、機器人控制等。(5)神經網絡與小波分析的結合小波變換是對Fourier分析方法的突破。它不但在時域和頻域同時具有良好的局部化性質，而且對低頻信號在頻域和對高頻信號在時域里都有很好的分辨率，從而可以聚集到對象的任意細節。利用小波變換的思想初始化小波網絡，并對學習參數加以有效約束，采用通常的隨機梯度法分別對一維分段函數、二維分段函數和實際系統中汽輪機壓縮機的數據做了仿真試驗，并與神經網絡、

15、小波分解的建模做了比較，說明了小波網絡在非線性系統黑箱建模中的優越性。小波神經網絡用于機器人的控制，表明其具有更快的收斂速度和更好的非線性逼近能力。1.4神經網絡與模糊邏輯的結合模糊邏輯是一種處理不確定性、非線性問題的有力工具。它比較適合于表達那些模糊或定性的知識，其推理方式比較類似于人的思維方式，這都是模糊邏輯的優點。但它缺乏有效的自學習和自適應能力。神經網絡具有并行計算、分布式信息存儲、容錯能力強以及具備自適應學習能力等一系列優點。但一般來說，神經網絡不適于表達基于規則的知識，因此在對神經網絡進行訓練時，由于不能很好地利用已有的經驗知識，常常只能將初始值取為零或隨機數，從而增加了網絡的訓練

16、時間或者陷入非要求的局部極值。而將模糊邏輯與神經網絡結合，則網絡中的各個結點及所有參數均有明顯的物理意義，因此這些參數的初值可以根據系統的模糊或定性的知識來加以確定，然后利用學習算法可以很快收斂到要求的輸入輸出關系，這是模糊神經網絡比單純的神經網絡的優點所在。同時，由于它具有神經網絡的結構，因而參數的學習和調整比較容易，這是它比單純的模糊邏輯系統的優點所在。模糊神經網絡控制已成為一種趨勢，它能夠提供更加有效的智能行為、學習能力、自適應特點、并行機制和高度靈活性，使其能夠更成功地處理各種不確定的、復雜的、不精確的和近似的控制問題。模糊神經控制包括以下兩個方面:(1)基于神經網絡的模糊控制。它將模

17、糊系統設計方法與神經網絡的連接主義結構和學習方法結合起來，把模糊系統表達成連接主義方式的網絡結構，模糊控制的模糊化、模糊推理和解模糊化三個基本過程全都用神經網絡來實現；(2)模糊神經網絡。它在傳統的神經網絡中增加一些模糊部分，除了具有神經網絡的功能外，還能處理模糊信息，完成模糊推理功能。1.5 神經網絡的實現和展望人工神經網絡的實現目前主要采用兩種方法:一種是利用現代高性能的數字計算機，加上各種硬件加速板的運算設備，形成具有模擬能力的通用軟件來完成神經網絡的預期功能。另一種是利用硬件直接完成，目前采用較多是大規模集成電路和光神經網絡兩種方法。隨著新器件的發展，分子器件、超導器件也可能成為硬件實

18、行人工神經網絡的方向。近年來 ，人工神經網絡無論在理論研究上，還是在實際應用中，都取得了突飛猛進的發展。但必須清醒地認識到，人工神經網絡只是對人腦的簡單模擬，尚有許多問題有待解決。為了改善人工神經網絡的應用，解決各學科中存在的大量不確定性和模糊性問題，可以采取以下3條途徑 ：1) 與專家系統相結合，實現符號處理與數值處理相結合 ，使知識的提取、存儲 、 推理和解釋更接近人腦；2) 把不同類型的人工神經模型以不同形式組合在一起，構成一個新的綜合性人工神經系統；3) 將模糊數學、數理邏輯、拓撲數學等結合到人工神經網絡的學習規則中，使其具有求解不確定性、模糊性和似然性推理等問題的能力。此外，研究人工

19、神經網絡硬件芯片以提高運行速度也是有待解決的重要問題。隨著大規模集成電路、光學與分子器件的發展、人工神經計算機的研制，人工神經網絡必將會得到越來越廣泛的應用和迅猛發展。1.6 本章小結經過半個多世紀的發展，神經網絡理論在模式識別、自動控制、信號處理、輔助決策、人工智能等眾多研究領域取得了廣泛的成功，但其理論分析方法和設計方法還有待于進一步發展。相信隨著神經網絡的進一步發展，其將在工程應用中發揮越來越大的作用。21第二章 BP神經網絡的應用設計2.1 BP神經網絡概述人工神經網絡(Artificial Neural Networks)被越來越多地應用在工程技術領域，而BP神經網絡是目前應用最多的

20、神經網絡，占整個神經網絡應用的80%左右。BP神經網絡又稱反向傳播(Back Propa-gation)網絡，這是因為該神經網絡的連接權的調整采用的是反向傳播的學習算法。BP神經網絡是一種前饋(向)網絡，采用最小均方差學習方式。BP前向網絡的主要作用是函數映射，用于模式識別和函數逼近，具體可用于語言綜合、識別和自動控制等用途。其主要優點是:只要有足夠的隱層和隱結點，BP網絡可以逼近任意的非線性映射關系；BP網絡的學習算法屬于全局逼近的方法，因而它具有較好的泛化能力；BP網絡有較好的容錯性。其主要缺點是收斂速度慢，局部極小。針對這些缺點，人們又提出了BP算法的一些改進算法，如加入動量項、學習率自

21、適應、LM等算法。2.2 BP神經網絡的設計要確定一個神經網絡，必須設計出網絡的隱層數、每層的神經元個數和算法(BP算法也有許多改進的算法)。由于人工神經網絡尚處于學科發展初期，其理論還沒有完善到能提供一套賴以遵循的設計方法，所以BP人工神經網絡設計既要以網絡理論為依據，又要以試驗進行驗證。2.2.1BP神經網絡隱層數的確定我們知道，只要有足夠的隱層和隱結點，BP網絡可以逼近任意的非線性映射關系。那么，怎樣的隱層數和隱結點數可以稱之為足夠呢?神經網絡的隱層數應該怎樣確定呢?許多人證明了，一個隱層的網絡，如果隱層的作用函數是連續函數(如Sigmoid函數)，則網絡輸出可以逼近一個連續函數。具體說

22、，設網絡有p個輸入，q個輸出，則其作用可看作是有p維歐氏空間到q維歐氏空間的一個非線性映射，此結論可敘述如下:令 (·)為有界、非常量的單調增連續函數，Ip代表p維單位超立方體0，1p，C(Ip)表示定義在Ip上的連續函數構成的集合，則給定任何函數fC(Ip)和>0，存在整數M和一組實常數i，i和ij，其中，i=1，M，j=1，2， ，p，使得網絡輸出可任意逼近f(·)，即這個結論說明含一個隱層的BP前饋網絡是一種通用的函數逼近器，為逼近一個連續函數，一個隱層是足夠的。當要學習不連續函數時，則需要兩個隱層，即隱層數最多兩層即可。上述結論只是理論上的結論，實際上到目前為

23、止，還沒有很快確定網絡參數(指隱層數和隱層神經元數)的固定方法可循，但通常設計多層前饋網絡時，可按下列步驟進行:(1)對任何實際問題都只選用1個隱層；(2)使用較少的隱層神經元數；(3)增加隱層神經元個數，直到獲得滿意的性能為止，否則，再采用2個隱層。2.2.2各層神經元個數的確定對多層前饋網絡而言，隱層神經元數的確定是設計網絡的關鍵之一。因此，選擇隱層神經元數是很重要的問題。隱層神經元個數太少，則網絡所能獲取的用以解決問題的信息太少；個數太多，不僅增加訓練的時間，難以在人們能夠接受的時間內完成訓練，更重要的是過多的隱節點，還可能引起所謂的“過度吻合”(over-fitting)問題，即把網絡

24、訓練集里的一些無關緊要的，非本質的東西也學得惟妙惟肖。值得注意的是，增加隱層結點可以減少訓練誤差，但超過某一隱結點數后，測試誤差反而增大，即泛化能力下降。訓練誤差小并不意味著網絡的泛化能力就強。實際上，隱層神經元數取決于訓練樣本數的多少，噪聲量的大小及網絡學習的輸入輸出函數關系或分類關系的復雜程度。就像在函數逼近時，要使用高階多項式才能獲得函數的“起伏”一樣，用神經網絡作函數映射時，也只有使用較多的隱結點數才能得到波動次數較多、幅度變化較大的映射關系。對許多應用場合均適用的一條有關確定隱結點數的規則2是所謂的幾何金字塔規則(geometric pyr-amid rule):從輸入層到輸出層，結

25、點數不斷減少，其形好似金字塔，見圖2-1。當然，這個規則介紹的確定隱結點數的規則只是一個粗略的估值。圖2-1幾何金字塔規則2.2.3BP神經網絡的改進算法具有相同拓撲結構(隱層數和各層神經元個數相同)的BP神經網絡，如果其算法不相同，其網絡的性質是不相同的。針對BP神經網絡收斂速度較慢，局部容易產生極小的缺點，人們又提出了BP算法的一些改進算法，如加入動量項、學習率自適應、LM等算法。學習率自適應法。BP算法的有效性和收斂性在很大程度上取決于學習率。學習率的最優值與具體問題有關，沒有對任何問題都適合的學習率。即使對一特定問題，也很難找到一個自始自終都適合的學習率值，訓練開始時比較適合的學習率后

26、來就不一定適合。為了解決這個問題，采用了自適應學習率算法，其目的是在收斂的前提下盡量縮短訓練過程。動量法的目的也在于加速BP算法的收斂過程。具體做法是將上一次權值調整量的一部分迭加到按本次誤差計算所得的權值調整量上，以作為本次的實際權值調整量，即W(n)=- E(n)+W(n-1)式中的第二項便是動量項。動量法降低了網絡對于誤差曲面局部細節的敏感性，有效地抑制了網絡陷于局部極小。另外還有L-M(Levenberg-Marquardt)算法等改進算法。設計一個BP神經網絡必須考慮于網絡隱層數、神經元個數、算法，一旦于BP神經網絡隱層數、神經元個數、算法確定下來了，這個網絡也就設計完成了，當然，所

27、設計的網絡還必須通過實際的檢驗。2.3BP神經網絡的設計實例設計一個BP神經網絡用于智能汽車駕駛員模型研究中的汽車橫擺角速度的學習和映射。網絡的輸入變量為汽車橫擺角速度，輸出變量有7個:即汽車橫擺角速度的7個模糊語言變量值。汽車橫擺角速度的模糊變量采用三角形隸屬度函數來描述。(1)網絡層數的確定本例中所設計的BP神經網絡要映射的函數是三角形隸屬度函數，是不連續的函數，BP網絡映射一個連續函數，一個隱層是足夠的，但當要學習不連續函數時，則需要兩個隱層，所以采用2隱層。另外還需要輸入層1層，輸出層1層。因此，設計的為4層的BP神經網絡。(2)每層的神經元的個數輸入的變量只有1個，所以輸入層只有1個

28、神經元；輸出的變量有7個，所以輸出層有7個神經元；為模糊化節點，考慮到把歸一化到0，1，它們模糊化后的語言變量論域元素為0。1，0。2，0。3， ，1。0，用10個神經元來實現其模糊化，所以第1隱層采用10個神經元，第2隱層為了與輸出層對應，采用7個神經元。(3)采用的算法采用BP算法、LM算法、動量算法和學習率自適應算法，進行比較。(4)計算機仿真仿真平臺是MATLAB軟件的神經網絡(neuralnetwork)工具箱。在仿真工作開始時，設計的網絡第1隱層的神經元個數取為10，采用BP算法、LM算法、動量算法和學習自適應算法，在工作站上訓練1000000次均不收斂。依據神經網絡的設計原則，不

29、斷的調整，最后確定為神經元個數20個，網絡的收斂速度較為理想。圖2-2，圖2-3是計算機仿真的結果。圖2-2 變量隸屬度函數映射BP網絡的訓練誤差圖2-3 變量隸屬度函數映射BP網絡學習訓練后對隸屬度函數的映射注:“”為理想隸屬度函數，“+”為學習訓練后對隸屬函數的映射)從圖中可以知道所設計的BP網絡能非常好的映射橫擺角速度變量的隸屬度函數，學習的誤差較小，收斂速度很快。同時，又發現在兩個語言變量相交點的附近，映射有些干涉，這說明BP網絡區分訓練點屬于語言模糊集，有些“模糊”。2.4本章小結本章從理論和實踐的角度對BP神經網絡應用設計中的關于網絡隱層數、神經元個數、算法等具體問題進行了探討，為

30、BP神經網絡在汽車工程領域中的應用設計提供了有用的參考。第三章 基于自組織模糊神經網絡電力系統穩定器的設計3.1模糊神經網絡的基本結構模糊神經網絡由輸入層、模糊化層、模糊邏輯層、模糊歸一層、輸出層組成，其結構如圖1所示，圓圈及實線代表已存在的節點及連接，方框及虛線代表將增加的節點及連接，設a(j)i，b(j)i，N(j)分別為第j層的輸入變量、輸出變量、節點數，每層節點函數描述如下:輸入層:節點只起數值傳輸的作用，無計算功能，即:模糊化層:該層每個節點對應于一個語言變量，其節點函數為三角形隸屬函數，即:模糊邏輯層:該層完成模糊邏輯規則的前提條件匹配運算，輸出為匹配度(點火強度)模糊歸一層:該層

31、實現上層節點的點火強度歸一化運算，即:連續輸出層:完成加歸一化后的點火強度與連接權wk線性和的運算，求準確輸出值：3.2結構的調整結構的調整是通過模糊邏輯層的點火強度的最大值是否小于某一閥值及模糊化層的節點函數的相似度是否小于某一參數來決定的，其中:點火強度最大值:相似度:f(Tai-new，Tbi-new，Tci-new)為新增加的節點函數，而函數在TbBTbA時，有:結構調整的具體過程如下:1)如果MJ> ，跳過結構的調整，轉入第六步，否則在模糊化層中對每個xi各增加一個相對應的節點，并各賦予節點函數，xi對應的節點數為:2)根據節點函數相似度差別是否正確產生節點及其函數，如果deg

32、(i，k)> ，則刪去剛產生的且不正確的節點及函數，否則保留新節點及其函數，再回到第二步直至判別完畢。3)增加模糊邏輯層新節點，新增加點數為:4)增加歸一化層中與模糊邏輯層新節點對應的新節點，增加節點數:5)按照神經網絡的連接方式聯接各層新、舊節點，并連接權設為某一初始值。6)模糊邏輯規則的產生及合成。3.3模糊邏輯規則的產生采用簡易的模糊邏輯規則及推理方法，該模糊邏輯規則的前提變量仍為模糊集，而結論變量為某一參數。當模糊邏輯規則層點火強度的最大值小于某一閥值，模糊化層將增加新節點，新節點的隸屬函數隨之產生，具體過程如下:1)如果是剛開始，則產生隸屬函數，其參數為:2)如果沒產生節點，跳

33、過隸屬函數的產生過程，轉入第四步，否則產生新隸屬函數，隸屬函數的個數與模糊化層對應的節點數相同，新隸屬函數的參數分別為:3)根據式(7)(9)，如果deg(i，k)> ，則刪去剛產生的隸屬函數，否則采用新隸屬函數，并進入模糊邏輯規則的合成。4)產生控制量由于模糊神經網絡是動態變化，節點及其連接將隨之發生變化，對應的隸屬函數、模糊邏輯規則將產生變化，模糊邏輯規則的變化表現在模糊邏輯規則合成的變化，即:3.4自組織模糊神經網絡電力系統穩定器的設計采用自組織模糊神經網絡實現電力系統穩定器，SOFNN-PSS的輸入量為單機無窮大系統發電機的轉速偏差(k)及其變化率(k)- (k-1)，輸出信號為

34、upss(k)=upss(k)-upss(k-1)，轉速偏差及其變化率的論域、模糊子集、節點數、節點函數和模糊邏輯規則由自組織模糊神經網絡產生選取，SOFNN-PSS的訓練算法取梯度下降法，目標函數取J=W(k)2，訓練算法如下:隸屬函數的參數調整:連接權的調整:SOFNN-PSS具體實現過程為:1)初始化；2)判別MJ> ?如果MJ> 則跳過神經網絡結構的調整及模糊邏輯規則的調整，如果MJ 則進入結構的調整及模糊邏輯規則的調整；3)產生控制量，直接對被控對象進行控制；4)根據系統誤差及其變化率調整隸屬函數的參數及模糊邏輯規則的結論變量；5)判斷是否結束，如果符合條件，則結束；否則

35、跳到第二步。3.5仿真研究單機無窮大系統中系統的數學模型見文獻5，其參數如圖2所示。仿真過程中，假定原動機出力Pm有5%的階躍擾動時，給出SOFNN-PSS控制系統的電功角偏差、角速度偏差、電磁功率偏差Pe和端電壓偏差Ut等響應曲線，并與PI-PSS(Kp=6，Ti=20)的響應曲線比較。其中采樣時間Tc=20ms，SOFNN-PSS的參數0=0。0002，m=0，=0。04，=0。9，=0。005，學習系數1= 2=3=0。001，4=10，經過5次訓練(每次從階躍擾動起到暫態過程穩定時止)。從圖3，4可看出:單機無窮大系統在運行狀態=70°(60°)和原動機出力有5%的階躍擾動時，PI-PSS控制系統至8秒(4秒)時仍有微小的振蕩；SOFNN-PSS控制系統至3秒(1.8秒)時已趨于穩定；與PI-PSS控制系統相比，SOFNN-PSS控制系統發電機的端電壓有振幅偏大的現象，但不明顯。很明顯SOFNN-PSS控制系統的動態特性優于PI-PSS控制系統的動態特性。3.6本章小結SOFNN-PSS電力系統穩定器具有如下特點:1)設計過程中無需依賴精確數學模型，只要求設計人員知道被控