應(yīng)用于UPFC動力學(xué)模型的ANN-PID復(fù)合控制
加入技術(shù)交流群
3 ANN-PID復(fù)合控制器設(shè)計(jì)
3.1 神經(jīng)網(wǎng)絡(luò)控制概述
從控制的觀點(diǎn)，可以把神經(jīng)網(wǎng)絡(luò)看作一個具有m 維向量輸入和n維向量輸出的非線性動力學(xué)系統(tǒng)，并通過一組狀態(tài)方程和一組學(xué)習(xí)方程加以描述。狀態(tài)方程描述每個神經(jīng)元的興奮或抑制水平與它的輸入及輸出通道 上的聯(lián)結(jié)強(qiáng)度間的函數(shù)關(guān)系，而學(xué)習(xí)方程描述通道的聯(lián)結(jié)強(qiáng)度應(yīng)該不斷地修正。神經(jīng)網(wǎng)絡(luò)就是通過修正這些聯(lián)結(jié)強(qiáng)度進(jìn)行學(xué)習(xí)，從而調(diào)整整個網(wǎng)絡(luò)的輸入輸出關(guān)系。
圖2 UPFC的三個控制回路
3.2 神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)及訓(xùn)練樣本獲取 我們使用BP網(wǎng)絡(luò)及其誤差反傳學(xué)習(xí)算法，網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示： 在確定網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)算法以后，可以開始對網(wǎng)絡(luò)進(jìn)行離線訓(xùn)練。訓(xùn)練之前的樣本獲取是一項(xiàng)十分重要的工作。它決定了訓(xùn)練后的網(wǎng)絡(luò)性能。樣本獲取的途徑 因控制對象的不同而異本文的控制對象已給出確定的動力學(xué)模型。通常，對于有確定數(shù)學(xué)模型的控制對象并不適合采用人工神經(jīng)網(wǎng)絡(luò)控制。原因在于基 |
圖3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) |
于精確數(shù)學(xué)模型的控制規(guī)律設(shè)計(jì)理論已相當(dāng)成熟且應(yīng)用廣泛。但是，本文的控制對象具有多回路、強(qiáng)耦合、非線性的特點(diǎn)。作者曾采用PID控制，雖然也能使三個回路達(dá)到穩(wěn)定，但由于耦合作用的存在和PID算法的局限性，導(dǎo)致了較大的超調(diào)量和較長的過渡過程。
PID控制性能差的原因在于暫態(tài)過程是一個“邊解耦，邊控制”的過程，而且PID的固有缺陷使它難以兼顧快速性和穩(wěn)定性。這里使用BP神經(jīng)網(wǎng)絡(luò)主要目的是避開解耦過程，利用BP網(wǎng)絡(luò)的非線性映射功能直接得出三個回路的控制量。訓(xùn)練樣本獲取方案如下：
輸入矢量的形成：系統(tǒng)共三個回路，即三個被控量Q、V、Udc。輸入矢量由被控量的偏差劃分為七個檔次經(jīng)排列組合而得到。因此，輸入矢量總數(shù)
目標(biāo)矢量的形成：系統(tǒng)控制量分別為θ1、θ2、δ1。給定一個輸入矢量(ΔQiΔViΔUdci)，通過PID算法可以得到穩(wěn)態(tài)輸出(θ1i、θ2i、δ1i)，這個穩(wěn)態(tài)下的輸出即為相應(yīng)的目標(biāo)矢量。作者采用這種方法獲取目標(biāo)矢量的主要原因是可以借助控制系統(tǒng)的仿真軟件(MATLAB)方便地得到。
3.3 ANN-PID復(fù)合控制
利用BP 網(wǎng)絡(luò)的映射功能形成控制量，雖然避開了多回路解耦過程，但由于是開環(huán)控制無法消除穩(wěn)態(tài)誤差。眾所周知，PID控制用于小偏差線性系統(tǒng)時具有明顯的優(yōu)勢。于 是，本文設(shè)計(jì)了ANN-PID復(fù)合控制的方法，即在大偏差范圍內(nèi)投入神經(jīng)網(wǎng)絡(luò)控制器，小偏差范圍內(nèi)切換到PID控制器。兩個控制器的切換通過編程是很容易 實(shí)現(xiàn)的。
評論