17、分布式发电与电力过程中的模糊逻辑和神经网络应用

分布式发电与电力过程中的模糊逻辑和神经网络应用

在能源转换系统中，基于人工智能的计算通常有三种架构，即三种范式，可用于能源转换系统：
1. 函数逼近或输入/输出映射 ：使用启发式方法或数值数据构建模型。
2. 负反馈控制 ：将设定点与输出进行比较，该输出可以是测量值或通过最小化设定点与输出误差的函数进行估计。
3. 系统优化 ：搜索能使给定函数最大化或最小化的参数和系统条件。

模糊逻辑和神经网络技术使这三种范式的实现更加稳健，在实际应用中非常可靠。

模糊逻辑系统

设计往往始于思考过程，即思维创造，人们使用语言表达、分析和逻辑陈述来阐述想法。模糊性和不精确性被视为经验现象，科学家和工程师试图通过运用物理、化学和自然规律进行精确的数学表述，来消除世界中的大部分模糊性和不精确性。有时可以建立精确的数学模型，但精确模型通常很难通过数学公式构建。

模糊控制在优化替代能源和可再生能源系统方面具有诸多优势。参数模糊算法具有内在的适应性，因为其系数可以调整以进行系统调优。通过递归最小二乘算法反复动态更改线性系数，参数化方法的实时自适应实现是可行的。基于规则方法的自适应版本可以通过更改规则权重（支持度）或循环更新隶属函数来实现。不过，参数模糊方法的缺点是会丢失输出结果的语言表述，这在工业工厂/过程控制环境中有时很重要。

模糊逻辑适用于需要学习或因不确定性进行概率推理的过程，以及因不精确而难以建模的系统，或者由临时模型和描述所描述的系统。扎德将模糊逻辑定义为“用词计算”，该方法具有以下特点：
- 适用于非线性