同步电动机智能励磁调节器的仿真研究.doc

同步电动机智能励磁调节器的仿真研究
PID控制器/模糊控制/神经网络控制/参数自调整
1  引言
    同步电动机因具有功率因数可以超前、运行稳定性好、运行效率高和转速不随负载变化而改变等优点，而在工业中得到了广泛的应用。国内统计表明，励磁系统在整个同步电动机系统故障率最高的部分，所以引入智能理论，设计一套调节精度高、可靠性高的励磁调节器显得尤为重要。
    PID控制器是同步电动机励磁控制器的基本控制方式。此种调节方式的各种理论均比较成熟，有较多的调试与应用经验，在现代电力系统运行中仍然发挥着很重要的作用。但由于电力系统的时变性，复杂性，运行条件、网络参数经常变化，恒定增益系数的PID控制器具有一定局限性的优化值，而不是全局性的最优值，因此这种控制方式无法从根本上解决动态品质和稳态精度的矛盾。智能控制作为一种新兴产业正在蓬勃发展，在某些控制领域中已初见成效。模糊控制和神经网络控制作为智能控制的重要分支，存在各自优缺点，本就就二者结合以及在励磁控制中应用做了研究。
2  模糊控制与神经控制的结合
    神经网络控制和模糊控制均可视为智能控制领域内的分支，有着各自的基本特性和应用范围。应用模糊控制理论时，首先根据操作者或领域专家的知识或经验对研究问题进行抽象，然后建立IF-THEN形式的控制规则来模拟人的思维、推理和判断过程，因此模糊控制系统主观性较强，其规则是靠人的直观经验来制定的，本身不具有学习能力，也即控制规则一经建立，事后就不能随着外界条件，扰动、温度等参数的改变而更改。并且，在用软件实现的复杂系统中，模糊控制规则越多，控制运算的实时性越差，需要识别和建立规则，但时间却随规则数的增加而以指数形式增长的，因此模糊逻辑系统的应用范围受到很大限制[1][2]。
    人工神经网络处理信息时通过神经元之间同时相互作用的动态过程来完成的，它是一个非线性动力学系统，其显著特点在于：信息的分布式存储和并行处理；网络可以根据一定规则（如最小二乘法原则）进行调整，并且整个训练过程可以通过算法来实现。因此神经网络具有强大的自适应和自学习能力。但是神经网络所含的信息是隐含的，如同“黑箱”一样，要理解它几乎是不可能的，并且安排它的权值是决定它工作情况的关键，然而却又无法知道权值和神经网络在做什么，也就是说，神经网络所用的“语言”是人们难以理解的。正因为如此，将神经网络与模糊控制技术集成起来，各取所长，共生互补，即把神经网络低级的学习和计算能力带给模糊控制系统，同时，向神经网络提供模糊控制系统高级的、仿人IF-THEN规则的思想和推理机制，降低神经网络透明程度，使它们更接近模糊系统，也提高模糊系统自适应性，使其更接近神经网络。
3  带参数自调整的神经网络模糊控制器
    神经网络模糊控制是一种集神经网络的强大自学习能力与模糊逻辑推理的强大结构性知识表达能力于一体的新技术，它是神经网络与模糊逻辑推理有机结合的产物，神经网络模糊控制是利用神经网络结构来实现模糊逻辑推理，从而使传统神经网络没有明确物理含义的权值被赋予了模糊逻辑中推理参数的物理含义[3]。
    模糊控制器主要由模糊化、模糊推理、反模糊化三部分组成，我们把神经网络控制加入到模糊控制系统中，通过神经网络实现模糊控制器中的模糊推理和反模糊化功能，即实现神经网络模糊控制，同时加入量化因子和比例因子的模糊自调整环节。带参数自调整的神经网络模糊控制器结构如图1。

图1  带有参数自调整的神经网络模糊控制器系统图

图2 神经网络模糊控制器结构图
    神经网络模糊控制器实现模糊推理和反模糊化功能，其使用如图2的四层BP神经网络实现。在图2中，Ⅰ-Ⅲ层实现模糊控制规则“IF-THEN”，Ⅲ-Ⅳ层实现反模糊化。
    网络I－III层有下面的关系：
    第I层节点的输出为：，i＝1，2，…，14       (1)
    第II层节点的输出为：，n=1，2，…，14        (2)
    第III层节点的输出为：，m＝1，2，…，7       (3)
    式中f(x)=1/(1+e-x)，μx(xi)、03k∈「0,1」，vij、vkj为网络权值。
    这里μx(xi)表示元素xi属于模糊子集X的隶属度。
    神经网络通过学习训练，调整网络权值vij、vkj，从而实现模糊控制规则，网络权值的BP学习算法为：
          (4)
    式中：当j为第II层隐节点时，；当k为第III层输出节点时，ρk=O3k(1-O3k)(dk-O3k)；η(t)、β、dk分别为自适应学习速率、动量因子和期望输出。
    上述学习过程可离线完成，使神经网络I－III层记忆模糊控制规则。
    带参数自调整环节的神经网络模糊控制系统不仅保持了单纯模糊控制的优势，如超调量小、鲁棒性强、在各给定工作点稳定工作等特点，而且还改善了模糊控制的性能，具有很强的自学习能力，从而缩短了过渡过程，提高了系统的响应速度。并且它的自学习速度要高于传统神经网络BP算法的自学习速度。因此，融合了神经网络控制和模糊控制逻辑控制优点的神经网络模糊控制系统能够满足高性能的控制要求。同时，本文中神经网络模糊控制器输入输出量的量化因子和比例因子都经过在线自适应模糊自调整，因此，系统能够适应系统参数和环境的变化，所组成的控制系统是具有智能化的高性能系统
4  同步电机神经网络模糊控制器的仿真验证
    神经网络模糊控制器的设计分为：神经网络模糊控制器模型建立、输入输出量隶属度函数建立、控制规则建立、神经网络学习训练模型建立[4][5]。如图3为神经网络学习训练框图。

图3  神经网络学习训练模型

图4 常规PID励磁控制

图5 神经网络模糊PID励磁控制
对同步电机的励磁控制进行仿真研究，同步电动机的参数如下：视在功率pn=86kVA，线电压Vn=380V，频率fn=50Hz，定子阻抗Rs=0.056Ω，定子漏感L=0.3697mH，磁场阻抗Rf =0.03641Ω，磁场电感L=2.2mH，d轴感抗Lmd=12.75mH，q轴感抗Lmq =5.712mH等。为了比较同步电动机励磁部分分别应用常规PID控制器和神经网络模糊控制器进行控制效果，假设同步电动机机械功率初始为39kW，在t=20s时突变到47kW，系统无功控制的仿真结果如图4、图5所示。对比两图可知神经网络模糊控制器控制效果较好，它的响应较快，调节性能更好。由于仿真中采用理想的同步电机模块，所以神经网络模糊控制器比较常规PID控制器控制效果不是太明显，但在实际的复杂的同步电机控制系统中，此种策略的调节效果将非常明显。

5  结束语
    本文对模糊控制、神经网络控制进行了对比研究，提出带参数自调整的神经网络模糊控制器，在仿真环境下，证明了此致智能控制器在同步电机励磁控制中控制效果较传统PID控制器控制效果更佳，具有一定得理论和实践价值。
蒲新征 李 黎 

更多请访问：中国自动化网()