传统的控制系统设计是在系统数学模型已知的基础上进行的，因此控制系统的品质与数学模型的准确性有很大关系，但是实际系统千差万别，复杂多变，很难找到合适的描述模型，对非线性系统而言就更加困难，有时甚至是做不到的。神经网络用于控制系统设计则不同，它可以不需要被控对象的数学模型，而是对神经网络进行在线或离线训练，然后利用训练结果进行设计。由于神经网络具有较强的适应能力、并行处理能力和本质非线性，因此对非线性和不确定系统，采用神经网络设计的控制器将具有更强的适应能力、更好的实时性和鲁棒性。基于神经网络的控制系统的设计方法有多种，但目前尚未形成完善的理论体系和系统化的设计方法，已提出的神经网络控制器主要有神经网络PID控制、神经网络预测控制、神经网络内模控制、神经网络模糊控制等。
感应电动机是典型的多变量、非线性系统，再加上变频装置，整个系统就更加复杂。本文选择感应电动机变频调速系统作为控制对象，对它的数学模型进行了可逆性分析，使用神经网络构建逆控制器对感应电动机变频调速系统进行控制。神经网络逆控制器是将逆系统方法和神经网络相结合，刘国海男，1964年生，博士，江苏大学电气信息工程学院教授、副院长，研究方向为电机控制、复杂系统控制等。
用BP网来逼近对象的a阶逆系统，然后与对象串联起来，构成一个复合伪线性系统，再用已有的线性系统的设计方法来设计控制系统。论文运用神经网络逆系统方法对实际的感应电动机变频调速系统分别进行了空载/满载起动试验、突加/突减负载试验和跟踪试验验证。，将逆系统串接在原系统之前构成一阶伪线性系统，这样整个复合系统就转化为少二厂1型伪线性单输入单输出系统。
机组变工况下仿真曲线图仿真结果表明，该控制系统有效地解决了锅炉非线性、大时滞、负荷干扰对机组运行的影响。不仅在正常负荷稳定情况下，主汽压能保持相当稳定，并且在机组调峰，燃烧率发生较大变化情况下，控制机组能快速跟踪负荷，有效地提高了系统的控制品质，满足了实际控制的要求，对改善机组调峰性能有重要的现实意义。
4结论本文设计的基于神经网络预测模型的聚类自适应模糊控制的突出特点：（）采用神经网络对系统进行预测，为非线性大时滞系统的精确控制提供了保证。
（2）在用模糊控制实现基于专家控制策略和经验的模糊规则的同时，采用聚类自适应控制祢补模糊规则的不适应和不完整性，该控制方法简练、灵活和快速。
仿真表明该控制具有强的鲁棒性、实时性和抗扰性，即使调峰机组在变工况下（大范围变负荷下）仍能保持了良好的控制性能和运行效果。
QQ交流群
