一種變速恒頻率雙饋式雙向潮汐發(fā)電機(jī)系統(tǒng)的控制方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于潮汐發(fā)電機(jī)系統(tǒng)的技術(shù)領(lǐng)域，具體涉及一種變速恒頻率雙饋式雙向潮 汐發(fā)電機(jī)系統(tǒng)的控制方法。
【背景技術(shù)】
[0002] 網(wǎng)絡(luò)RBF控制的變速恒頻率雙饋式雙向潮汐發(fā)電機(jī)系統(tǒng)，其特點是能夠與傳統(tǒng)的 PID控制相結(jié)合構(gòu)成神經(jīng)網(wǎng)絡(luò)自適應(yīng)PID控制策略，應(yīng)用于非線性嚴(yán)重的變速恒頻率雙饋 式雙向潮汐發(fā)電機(jī)系統(tǒng)，可實現(xiàn)對多變速恒頻率雙饋式雙向潮汐發(fā)電機(jī)系統(tǒng)高性能的RTW 實時控制。同時，神經(jīng)網(wǎng)絡(luò)所具有的非線性變換特性和高度的并行運算能力使得其適合建 立非線性預(yù)測模型進(jìn)行參數(shù)預(yù)測。通過對被控系統(tǒng)參數(shù)的預(yù)測，可提高系統(tǒng)的動態(tài)響應(yīng)性 能。由于能量密度和時空分布的不確定性和非線性，采用傳統(tǒng)PID控制策略對于變速恒頻 率雙饋式雙向潮汐發(fā)電機(jī)的電壓、電流、功率、電能的調(diào)度和微型電網(wǎng)的潮流控制已經(jīng)產(chǎn)生 了十分明顯的局限性，因此采用先進(jìn)的智能控制理論，對系統(tǒng)進(jìn)行實時測控是一個優(yōu)選的 技術(shù)方案。

【發(fā)明內(nèi)容】

[0003] 本申請?zhí)峁┝艘环N變速恒頻率雙饋式雙向潮汐發(fā)電機(jī)系統(tǒng)的控制方法，采用BP 神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)兩個神經(jīng)網(wǎng)絡(luò)來分別構(gòu)成神經(jīng)網(wǎng)絡(luò)NNC和神經(jīng)網(wǎng)絡(luò)NNI采用變學(xué) 習(xí)速率的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，學(xué)習(xí)速率隨收斂過程誤差的大小而自適應(yīng)地進(jìn)行調(diào)整，這可 大大加快神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的收斂速度，進(jìn)一步提高系統(tǒng)動態(tài)響應(yīng)速度。
[0004] 為了達(dá)到上述目的，本發(fā)明的技術(shù)方案是：一種變速恒頻率雙饋式雙向潮汐發(fā)電 機(jī)系統(tǒng)的控制方法，其步驟如下：
[0005] 步驟一：基于RBF神經(jīng)網(wǎng)絡(luò)非線性預(yù)測模型變速恒頻率雙饋式雙向潮汐發(fā)電機(jī)系 統(tǒng)的自適應(yīng)P1D控制；
[0006] 步驟二：建立基于遺傳算法的逆變器，利用變學(xué)習(xí)的學(xué)習(xí)算法，在線自適應(yīng)地調(diào)整 學(xué)習(xí)速率；
[0007] 步驟三：采用了雙DSP數(shù)字信號處理器DSP28335作為核心處理器，采用非線性預(yù) 測模型對整個系統(tǒng)進(jìn)行在線辨識和預(yù)測的實時控制。
[0008] 所述基于RBF神經(jīng)網(wǎng)絡(luò)非線性預(yù)測模型變速恒頻率雙饋式雙向潮汐發(fā)電機(jī)系統(tǒng) 的自適應(yīng)P1D控制的方法包括：采用BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)兩個神經(jīng)網(wǎng)絡(luò)來分別構(gòu)成 神經(jīng)網(wǎng)絡(luò)NNC和神經(jīng)網(wǎng)絡(luò)NNI，神經(jīng)網(wǎng)絡(luò)NNC進(jìn)行自適應(yīng)PID參數(shù)調(diào)節(jié)；神經(jīng)網(wǎng)絡(luò)NNI用來 建立非線性預(yù)測模型進(jìn)行參數(shù)預(yù)測。
[0009] 所述PID控制的方法是：
[0010] 假定在第k次迭代過程中，第J個控制器的偏差為：
[0011] ej(k) =rj(k)-yj(k) J=l,2,3, N (1)
[0012] 對于第J個控制器而言，其經(jīng)典的增量數(shù)字PID控制算式可表示如下：
[0017] 在上式中，分別為第J個神經(jīng)網(wǎng)絡(luò)PID調(diào)節(jié)器的比例、積分、微分系數(shù)， 也是離散化變量;W;1 (k)、W;2(k)、W;3(k)分別為第J個神經(jīng)網(wǎng)絡(luò)PID的權(quán)值函數(shù)；Ts為控制 采樣周期。
[0018] 所述神經(jīng)網(wǎng)絡(luò)NNC進(jìn)行自適應(yīng)PID參數(shù)調(diào)節(jié)的方法是：
[0019] 將W;l](k)、W;1(k)、W;2(k)視為依賴于系統(tǒng)運行狀態(tài)的可調(diào)整系數(shù)時，可將式⑵描 述為非線性函數(shù)，可以用神經(jīng)網(wǎng)絡(luò)NNC通過訓(xùn)練和學(xué)習(xí)來找到一個最佳控制規(guī)律；
[0020] 神經(jīng)網(wǎng)絡(luò)NNC是1個3層BP神經(jīng)網(wǎng)絡(luò)，其數(shù)學(xué)表達(dá)式為：
[0022] 神經(jīng)網(wǎng)絡(luò)NNC有4個輸入節(jié)點、6個隱層節(jié)點、3個輸出節(jié)點；輸入節(jié)點對應(yīng)于所選 的系統(tǒng)運行狀態(tài)量，輸出節(jié)點分別對應(yīng)PID控制器的3個可調(diào)參數(shù)，W;。(k)、W;1 (k)、W;2 (k); 由于PID控制器系數(shù)％。(k)、W:1 (k)、W:2 (k)不能為負(fù)值，所以輸出層神經(jīng)元的激發(fā)函數(shù)取非 負(fù)的Sigmoid函數(shù)，而隱含層神經(jīng)元的激發(fā)函數(shù)取正負(fù)對稱的Sigmoid函數(shù)；選取第J個控 制器的下列參數(shù)：
[0023] Xj= [r j (k), yj (k), e； (k), 1] (7)
[0024] 第J個神經(jīng)網(wǎng)絡(luò)NNC輸入層節(jié)點的輸出為
[0026] 式中：Of (幻為輸入層的輸出節(jié)點；Μ為輸入變量的個數(shù)；
[0027] 神經(jīng)網(wǎng)絡(luò)NNC的隱含層輸入、輸出為
[0029] 式中：幻為隱含層權(quán)系數(shù)；f ( ·)為激發(fā)函數(shù)，
[0031] 上角標(biāo)（1)、（2)、⑶分別對應(yīng)的輸入層、隱含層、輸出層；
[0032] 第J個神經(jīng)網(wǎng)絡(luò)NNC的輸出層的輸入、輸出為
[0034] 式中，為輸出層權(quán)系數(shù)，激發(fā)函數(shù)為：
[0036] 假定取第J個NNC的性能指標(biāo)函數(shù)為二次型函數(shù)為：
[0038] 式中：rj(k)為系統(tǒng)參考輸入；為系統(tǒng)的輸出。
[0039] 用最速下降法修正網(wǎng)絡(luò)的權(quán)系數(shù)，即按J;(k)，對權(quán)系數(shù)的負(fù)梯度方向搜索調(diào)整， 并附加1個使搜索快速收斂全局最小的慣性項，則有：
[0041] 式中：n (k)為學(xué)習(xí)速率，α為慣性系數(shù)；
[0043] 由于Φ⑷/心⑷未知，為得到較好的控制效果，應(yīng)采用預(yù)測模型的預(yù)測輸出值 cy{k)!du{k) .
[0044] 由式（15)可以求得
[0046] 因此可得神經(jīng)網(wǎng)絡(luò)NNC輸出層的權(quán)系數(shù)計算公式為
[0048] 式中 g' [*] = g(x) [l-g(x)]
[0049] 依據(jù)上述推算方法，可得隱含層權(quán)系數(shù)的計算公式為
[0051] 式中，f' [·] = [l_f2(x)]/2。
[0052] 所述神經(jīng)網(wǎng)絡(luò)NNI用來建立非線性預(yù)測模型進(jìn)行參數(shù)預(yù)測的方法是：建立發(fā)電機(jī) 系統(tǒng)用一個MIS0非線性系統(tǒng)來描述
[0053] y (k) = f [u (k-1), y (k~l), y (k~2) ] (19)；
[0054] 采用1個具有3個輸入節(jié)點、5個隱含層節(jié)點和1個輸出節(jié)點的3層RBF神經(jīng)網(wǎng)絡(luò) NNI作為非線性被控對象一多三相水輪發(fā)電機(jī)的非線性預(yù)測模型；
[0055] 選取父=[11(1^-1)，7(1^-1)，7(1^-2)] 1為非線性預(yù)測模型神經(jīng)網(wǎng)絡(luò)順1的輸入向量， 構(gòu)成神經(jīng)網(wǎng)絡(luò)NNI的RBF神經(jīng)網(wǎng)絡(luò)的徑向基向量Η =叫，h2,. . .，hj，. . .，hJT，其中，高斯基 函數(shù)
[0057] 式中：Cj為 j 節(jié)點的中心矢量，C』=[c .n, cj2, · · ·，Cji, · · ·，cjn]T;其中，i = 1，2· ·， n ;b,為節(jié)點的基寬度參數(shù)，且為大于零的數(shù)；
[0058] RBF神經(jīng)網(wǎng)絡(luò)NNI的輸出為
[0060] 式中，W#隱含層神經(jīng)元與輸出層神經(jīng)元的連接權(quán)；
[0061] 神經(jīng)網(wǎng)絡(luò)NNI的性能指標(biāo)函數(shù)取為二次型函數(shù)：
[0063] 式中：y(k)為系統(tǒng)輸出；yjk)為神經(jīng)網(wǎng)絡(luò)辨識輸出；
[0064] 根據(jù)梯度下降法，輸出權(quán)、節(jié)點中心及節(jié)點基寬參數(shù)的迭代算法為
[0070] 式中：n' (k)為學(xué)習(xí)速率；α'為慣性系數(shù)；
[0071 ] 被控對象的輸出對控制輸入的導(dǎo)數(shù)算法為
[0073] 式中 x^iKk)。
[0074] 本發(fā)明的有益效果：采用BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)兩個神經(jīng)網(wǎng)絡(luò)來分別構(gòu)成 神經(jīng)網(wǎng)絡(luò)NNC和神經(jīng)網(wǎng)絡(luò)NNI，神經(jīng)網(wǎng)絡(luò)NNC進(jìn)行自適應(yīng)PID參數(shù)調(diào)節(jié)；神經(jīng)網(wǎng)絡(luò)NNI用來 建立非線性預(yù)測模型進(jìn)行參數(shù)預(yù)測；為進(jìn)一步加快神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)收斂速度，采用變學(xué)習(xí) 速率的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，學(xué)習(xí)速率隨收斂過程誤差的大小而自適應(yīng)地進(jìn)行調(diào)整，這可大 大加快神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的收斂速度，進(jìn)一步提高系統(tǒng)動態(tài)響應(yīng)速度。實驗結(jié)果表明，本申 請的動態(tài)響應(yīng)快，超調(diào)小，穩(wěn)態(tài)精度尚，魯棒性強(qiáng)，有$父強(qiáng)的抗擾動能力，具有$父好的控制效 果。
【附圖說明】
[0075] 圖1為本發(fā)明變速恒頻率雙饋式雙向潮汐發(fā)電機(jī)系統(tǒng)的結(jié)構(gòu)示意圖。
[0076] 圖2為本發(fā)明神經(jīng)網(wǎng)絡(luò)NNC自適應(yīng)PID參數(shù)調(diào)節(jié)的原理框圖。
[0077] 圖3為本發(fā)明神經(jīng)網(wǎng)絡(luò)NNC疊加輸出的原理圖。
[0078] 圖4為本發(fā)明神經(jīng)網(wǎng)絡(luò)NNC的訓(xùn)練和學(xué)習(xí)的框圖。
[0079] 圖5為本發(fā)明DSP實現(xiàn)調(diào)試的過程。
[0080] 圖6為本發(fā)明核心處理器的工作過程。
【具體實施方式】