神經網絡逆系統非線性勵磁控制器的設計

楊冠魯,胡欣

(華僑大學信息科學與工程學院,福建泉州362021)

神經網絡逆系統非線性勵磁控制器的設計

楊冠魯,胡欣

(華僑大學信息科學與工程學院,福建泉州362021)

利用逆系統方法,設計出同步發電機非線性勵磁控制律,并加入系統中.把控制與過程狀態樣本作為非線性導師信號,以訓練神經網絡控制器,設計一種基于BP神經網絡的非線性勵磁控制器.仿真結果表明,對于小干擾,神經網絡控制器和逆系統控制顯示出相同的控制效果;而對于大干擾,兩種控制方式的暫態響應曲線也基本相同.逆系統控制與其訓練出的神經網絡控制器控制,都顯示出基本相同的暫態和穩態性能,但神經網絡控制比逆系統控制具有控制規律簡單,以及實時性、可靠性和魯棒性好的特點.

勵磁控制;神經網絡;逆系統;非線性;同步發電機

勵磁控制策略一直是世界范圍內的熱門課題[1-2].20世紀90年代以來,在非線性勵磁方面具有代表性的控制策略主要有:根據微分幾何理論提出的非線性勵磁控制、直接反饋線性化勵磁控制,基于李雅普諾夫穩定性理論的非線性勵磁控制、自適應勵磁控制,以及基于智能控制理論的勵磁控制等[3-4].作為直接反饋線性化方法的一個主要分支,逆系統方法[5-6]具有物理概念清晰,易于理解和分析的特點.根據它設計出的發電機勵磁控制律,能夠顯著地改善電力系統暫態過程的動態響應,較大程度地提高靜態穩定極限,但其實現要求被控系統模型精確已知.這對于結構復雜和運行狀態經常變化的非線性電力系統是難以做到的.即使能夠建立,其逆系統的解析表達式也非常復雜,在實際應用中,其實時性、準確性、可靠性都難以保證.由于神經網絡具有自適應能力、并行處理和高度魯棒性的特點,采用神經網絡方法設計的控制系統將具有更快的速度(實時性)、更強的適應能力和魯棒性[7-8].本文利用逆系統方法設計出的同步發電機非線性勵磁控制律加入系統,把控制與過程狀態樣本作為非線性導師信號用以訓練神經網絡控制器,從而設計出一種基于反向傳播(BP)神經網絡的控制器.

圖1 單機無窮大系統Fig.1 One generato r and one infinite power system

1 數學模型

圖1為單機無窮大系統.當忽略勵磁機的動態過程時,發電機勵磁控制的三階數學模型可建立為

其中:x(t0)=x0;x=(δ,ω,E′q)′∈R3,控制輸入u=Ef,輸出y=h(x,u)=δ,而式中:δ為發電機轉子運行角;ω為發電機轉速;H為轉動慣量;D為阻尼系數;Pm,0為機械功率;E′q為發電機q軸暫態電勢;xd為d軸定子繞組自感抗;x′d為直軸暫態電抗;xq為發電機q軸同步電抗;Vs為無窮大系統母線電壓.Xd,Σ=xd+xT+xL,Xq,Σ=xq+xT+xL,Xq,Σ=xd+xT+xL,其中:xT為變壓器電抗;xL為輸電線路電抗;Td,0為勵磁繞組時間常數;T′d,0為定子閉路時勵磁繞組的時間常數.

2 非線性控制律設計

2.1 逆系統及α階積分逆系統

取無窮大系統母線電壓為參考量,在輸出y=h(x,u)=δ的情況下,從原系統的方程推導出

其中:y為輸入;w為輸出;z為狀態變量.令φ=y…并作為輸入,即可得到系統的α階積分逆系統.

2.2 偽線性系統及非線性勵磁控制律

按照逆系統方法,將α階積分逆系統與原系統串聯,令u=w,即構成偽線性系統,并滿足方程y…= δ…=φ.其中:φ為輸入;y為輸出.

按二次型目標函數對偽線性系統進行最優控制律設計,可得到控制律為

將偽線性系統的最優控制律式(3)代入式(2),就得到了原系統的非線性勵磁控制律.為便于實現勵磁控制律,要把難于量測的量如δ,E′q用容易量測的量表示.

3 神經網絡控制器的原理及設計

神經網絡控制器控制模式除了能夠學會一些難以用數值描述的控制規律外,還可以簡化控制器的設計和運算.即將復雜的非線性運算轉化成神經網絡中的某種特定的非線性運算.這將大大加快控制器的運算速度,而無需任何編程.有導師神經網絡控制器(SNC)的系統結構,如圖2所示.除受控系統以外,它還包括一個與導師(基于逆系統方法的非線性控制器)并聯運行的神經網絡控制器和一個選擇器.神經網絡控制器可選用的神經網絡,一般包括多層前向網絡或帶局部反饋的回歸網絡等.

神經網絡控制器的訓練包括離線訓練和在線訓練兩種形式,但無論哪種形式,其訓練過程都是相同的.即在其他控制器工作時,與其并聯的神經網絡控制器收集作用于系統的控制信號和過程的各種狀態量,作為訓練所需要的樣本.

在訓練過程中,神經網絡控制器將采集到的過程狀態和以往時刻的控制信號作為網絡的輸入,將當前時刻的控制信號作為網絡的期望輸出.在成功地完成訓練后,網絡就實現了輸入到輸出的映射,也就是說,可以根據網絡的輸入(當前的過程狀態量),產生與導師信號相同的正確控制.

在訓練中,可以采用其他的控制器與神經網絡控制分時切換的方式,直到神經網絡能夠應付各種情況.對于電力系統這樣的動態過程比較快的系統,對控制的有效性、準確性和可靠性有很高的要求,不允許出現任何不正確的控制.神經網絡控制器在未訓練好之前,控制往往是不完善的.同時,對于快速系統來說,目前神經網絡網絡采用的算法難以滿足在線訓練的要求.因此,在投入運行之前,需要對神經網絡控制器進行必要的離線訓練.采用離線訓練并和數字仿真相結合,可以檢驗神經網絡的自身結構、輸入集合等的設計是否合理,并為改進提供參考.

訓練數據包括系統狀態量和導師加入系統后控制信號的采樣值.常規的線性控制律神經網絡控制器,只能保證在原點附近將系統從初始狀態控制到原點,對于電力系統中大的故障和干擾則難以滿足控制要求.因此,選用基于逆系統方法得到的非線性控制律作為其非線性導師.在獲得樣本的過程中,給定系統多種常見的故障,加入導師控制后使其回到穩定狀態,記錄這一動態過程的全部信息.把樣本對網絡進行離線訓練,并把訓練好的網絡作為控制器連入系統進行仿真,觀察其穩態和暫態性能.

圖2 SNC系統結構框圖Fig.2 SNC system block diagram

4 仿真分析

仿真采用圖1所示的單機無窮大系統,其參數dd=xq=2.543,x′d=0.318,Td=10 s,H=8 s,D= 5,xT=0.1,xL1=xL2=1.46.仿真中模擬了如下3種擾動.(1)小干擾方式,仿真結果如圖3(a)所示.結果表明,在2 s時機械功率突然增加5%.(2)大干擾方式(i),仿真結果如圖3(b)所示.結果表明,在t=0時,系統雙回線穩態運行;在t=1 s時,在一回線0.1分點處發生三相短路;經過0.15 s,故障線路被切除,系統單回線運行.(3)大干擾方式(ii),仿真結果如圖3(c)所示.結果表明,在t=0時,系統雙回線穩態運行;在t=1 s時,在一回線0.1分點處發生三相短路;經過0.15 s,故障線路被切除,系統單回線運行;0.75 s后重合閘成功,系統恢復正常運行.為進行對比,同時給出了基于逆系統方法的勵磁控制響應曲線,圖3中實線對應于神經網絡控制器控制,虛線對應于逆系統控制.

圖3 系統響應的仿真結果Fig.3 Simulation resultsof the system response

從仿真結果看,對于小干擾,神經網絡控制器和逆系統控制顯示出相同的控制效果;大干擾方式下,兩種控制方式的暫態響應曲線也基本相同.這表明,逆系統控制與其訓練出的神經網絡控制器控制,顯示出了基本相同的暫態和穩態性能,即神經網絡控制器能夠從非線性導師那里學到穩定的控制律.

5 結束語

神經網絡控制器非線性勵磁控制系統,無論在大干擾還是小干擾的方式下,其響應曲線都和基于逆系統方法控制律的響應曲線基本一致.也就是說,非線性勵磁控制系統和逆系統控制具有基本相同優良的控制性能,可以取代逆系統勵磁控制器.

[1] 彭詠龍,王仁洲,柳焯.同步發電機勵磁控制研究綜述[J].電力情報,1996,11(4):1-5.

[2] 韓英鐸,謝小榮,崔文進.同步發電機勵磁控制研究的現狀與走向[J].清華大學學報:自然科學版,2001,41(4/5): 142-146.

[3] 吳青華,蔣林.非線性控制理論在電力系統中應用綜述[J].電力系統自動化,2001,25(3):1-10.

[4] 吳捷,柳明.非線性控制在電力系統中的應用[J].控制理論與應用,2002,19(1):15-22.

[5] 李春文,馮元琨.多變量非線性控制的逆系統方法[M].北京:清華大學出版社,1991.

[6] 劉廣生,劉泮石,王文杰.同步發電機非線性勵磁控制的逆系統方法[J].控制與決策,1993,8(6):456-460.

[7] 王永驥,涂健.神經元網絡控制[M].北京:機械工業出版社,1999.

[8] 楊冠魯,李元杰.神經網絡SNC無刷柴油發電機勵磁控制器[J].華僑大學學報:自然科學版,2001,22(3):317-320.

Design of Nonlinear Excitation Controller in Neural Network Inverse System

YANG Guan-lu,HU Xin
(College of Info rmation Science and Engineering,Huaqiao University,Quanzhou 362021,China)

In the paper,the inverse system method are used to design the nonlinear excitation control law and put it in the power system.Then the signal of control and states are used to teach the supervisory and learning controller as the nonlinear teacher signals.A type of nonlinear excitation controller based on back p ropagation neural network(SNC)is designed.The simulation results show that the inverse system control and the SNC control have nearly controlling performance in the transient state and the steady state fo r the small disturbance.Furthermo re,both of them have similar transient and steady state fo r larger disturbance.But in p ractice the SNC controller have better character than the inverse system method.

excitation control;neural netwo rk;inverse system;nonlinear;synchronous generato r

TM 343.012∶TM 31;TP 183

A

(責任編輯:黃仲一 英文審校:吳逢鐵)

1000-5013(2010)05-0511-04

2009-05-23

楊冠魯(1960-),男,教授,主要從事智能信息處理與控制技術的研究.E-mail:glyang@hqu.edu.cn.

福建省自然科學基金資助項目(E0510021);國務院僑辦科研基金資助項目(04QZR04)