基于模糊神经解耦控制的双馈水轮发电机系统仿真

双馈水轮发电机系统是一个涉及水力、水轮机和发电机的综合复杂系统。针对系统具有多变量、非线性、强耦合和参数不确定性的特点，本文提出了一种两级串联结构的自适应模糊神经网络解耦控制策略，前级为基于智能权函数规则的自调整模糊控制器，后级为基于动态耦合特性的自适应神经网络解耦控制器，并从理论上证明了学习算法的收敛性。为了验证所提出控制策略的有效性和正确性，本文对双馈水轮发电机系统在水力、水轮机和发电机参数变化时的鲁棒性分别进行了仿真研究。与常规PID控制的仿真结果比较表明，提出的解耦控制策略能较好地克服参数变化和对象模型结构变化对运行性能的影响，具有鲁棒性好，解耦能力强的优点。     

双馈水轮发电机系统的优化调节特性模型

为了研究双馈水轮发电机系统的负荷优化调节性能,结合实例对双馈水轮发电机和常规水轮发电机在相同运行工况下的优化调节特性进行了比较分析,应用一种改进的BP算法--Levenberg-Marquardt反向传播方法建立了水轮机优化调节特性的数学模型,并与其它模型的计算结果进行了比较.计算结果证明了基于改进BP神经网络算法建立的双馈水轮发电机负荷优化调节特性模型的有效性.     

双馈水轮发电机快速功率响应的控制策略研究

与常规水轮发电机组相比,双馈水轮发电机组响应速度更快、工作水头更宽,但由于双馈发电机及变频器的使用,其控制更加复杂。首先,本文基于负荷优化理论,提出了一种在等单位功率曲线上寻找最小单位流量的方法,用于改进最优转速寻优策略;其次,依据电机定子磁链定向矢量控制理论,结合双通道励磁和多变量误差叠加的控制方法,将滞环电流控制引入到双馈水轮发电机励磁控制策略中,得到快速产生电压源变换器触发信号的方法;最后,建立了双馈水轮机单机无穷大发电系统仿真模型。在实现变速恒频功能的基础上,对改变给定功率工况进行仿真研究,并与常规水电站同工况仿真对比。结果表明,本文提出的控制方法可明显缩短功率响应的调节时间,具有一定的参考应用价值。     

基于模糊神经网络的双馈风力发电机功率控制

双馈风力发电机在变速恒频发电方而有广泛的应用前景,而影响其应用的关键在于能否对其有功功率和无功功率进行有效的控制。本文提出了模糊神经网络解耦控制策略,该控制策略不依赖电机参数与精确的数学模型,能够实现双馈风力发电机有功功率和无功功率的解耦控制,控制算法简单,系统的鲁棒性强。仿真结果表明了控制策略的有效性。     

双馈风力发电机有功功率和无功功率的滑模解耦控制

发电机有功功率、无功功率的解耦控制是变速恒频双馈风力发电系统的关键技术。分析了双馈异步发电机的动态数学模型,基于定子磁场定向的矢量控制方案,结合滑模控制与比例积分控制,得到一种有效的双馈风力发电机功率解耦控制策略。应用李雅普诺夫稳定性理论研究系统稳定性,建立了MATLAB/Simulink环境下系统的仿真模型。仿真结果表明,该控制方法能够很好地实现双馈发电机有功功率、无功功率的解耦控制,验证了该控制策略及变速恒频双馈风力发电机系统建模的正确性和有效性。     

双馈风力发电机的精确线性化解耦控制

针对基于近似线性化模型的双闭环矢量控制稳定性差、抗扰能力弱的缺点,应用多变量非线性控制理论,对并网型双馈风力发电机进行了精确线性化解耦控制研究.在建立双馈发电机空间状态方程的基础上,运用逆系统方法将双馈发电机精确线性化成有功功率和无功功率两个一阶线性子系统,并运用内模控制理论对其进行综合以提高系统的鲁棒性,提出了并网型双馈风力发电机的逆系统内模控制策略,并进行了实验验证.结果表明,该控制策略可以实现双馈发电机有功功率和无功功率的完全解耦,并具有更高的控制精确度和稳定性.     

双馈水轮发电机工作机理分析

介绍了一种新型的双馈水轮发电机的系统构架。重点阐述了双馈水轮发电机的基本运行原理和工作特点。为双馈水轮发电机的系统研究和实践设计奠定了理论基础。     

基于磁链追踪的双馈风力发电系统低电压穿越控制

根据当今世界对风能转换系统提出的必须具有低电压穿越能力的要求,研究了电网跌落对双馈风力发电机的影响。在电网跌落时双馈风力发电机运行特点的基础上,分析并提出了一种基于磁链追踪的双馈风力发电系统低电压穿越控制策略,有效地抑制了双馈风力发电机定、转子过电流,保证了变流器的安全运行,实现了双馈风力发电机在电网跌落时的低电压穿越。依据理论分析,建立了双馈风力发电机磁链追踪控制模型,并通过MATLAB/SIMULINK平台进行仿真研究,仿真结果证实了所提控制策略的可行性和有效性。     

基于无源性的双馈感应发电系统自适应控制方法研究

根据交流励磁变速恒频(VSCF)发电系统的运行原理，从能量平衡关系出发，利用非线性控制理论，提出了新型的双馈感应发电机自适应控制方法。基于双馈感应电机Euler-Lagrange系统模型，设计本质上是非线性反馈的无源性控制(PBC)策略，实现负载转矩时变未知情形下磁链、转速的渐近跟踪控制。针对实际运行时发电机参数具有不确定性的问题，将PBC方法与自适应控制相结合，不仅可实现电机参数摄动时期望电流轨迹的准确跟踪，并可有效抑制由电阻、电感变化引起的跟踪误差。该方法从能量角度分析双馈感应发电系统，确定不必抵消的“无功力”，设计全局定义的控制律，具有形式简单、无奇异点、鲁棒性好的特点。基于dSPACE的实验结果证明了该控制策略的有效性。     

双馈风力发电机的频率控制策略研究

提出了双馈风电机组参加频率控制的2种控制策略,惯性控制策略和下降速率控制策略,建立了2种控制策略下的双馈机组的控制器模型。为充分发挥双馈发电机和常规发电机的快速功率调节能力,下降速率控制策略采用冲失滤波器提取频率变化的高频信号做为双馈发电机的频率输入信号,并对双馈机组的控制参数提出了基于ISE优化设计方法。建立了含风电机组的两区域AGC控制系统模式,进行了负荷扰动仿真,对2种控制策略下的系统动态性能进行了比较。仿真结果表明,基于下降速率的控制策略可以使双馈风电机组在频率调节中充分发挥有功调节作用。     

基于CMAC神经网络的超磁致伸缩非线性控制

对于超磁致伸缩材料固有的迟滞非线性特性，本文提出一种基于小脑模型神经网络(CMAC)前馈逆补偿与PID相结合的复合控制方法。首先利用CMAC神经网络学习获得超磁致伸缩致动器(GMA)的迟滞逆模型进行补偿，再利用CMAC模型在线快速学习适应的能力，结合PID控制器降低跟踪控制时的误差和扰动，从而实现GMA的精密控制。通过MATLAB建立了CMAC前馈逆补偿控制器和CMAC-PID复合控制模型，最后通过仿真实验验证所提方法的有效性。结果表明，提出的利用CMAC神经网络逼近的迟滞模型具有令人满意的精度，在CMAC-PID复合控制方案的作用下，系统的期望位移与实际位移相对误差值最大值仅2.39%,平均相对误差值不到0.5%。说明该控制策略能适应控制对象的非线性变化，有效地提高GMA的跟踪精度。     

基于遗传算法的FUZZY+CMAC优化设计

针对模糊控制器甲的参数与CMAC权值的调整及学习很困难的问题,采用改进的遗传算法对模糊控制器和CMAC神经网络的比例因子和连接权值进行寻优,把模糊控制、CMAC和遗传算法的优点结合起来,设计了基于改进遗传算法的FUZZY＋CMAC控制系统,给出了系统的整体结构和各部分的控制设计。仿真结果表明,该控制系统具有超调量小和实时性强的特点。     

采用复合控制的直流力矩电机摩擦补偿

针对陀螺漂移测试转台直流力矩电机系统中存在的非线性动态摩擦和负载扰动,为提高转台位置跟踪精确度,采用复合控制方法进行摩擦补偿研究.在转台直流电机系统中,电机模型采用简化的二阶线性直流电机模型,摩擦模型采用摩擦参数为非一致性变化的动态摩擦模型.补偿方法包含一个参数自适应律和CMAC神经网络,用于估计未知模型参数、辨识位置周期摩擦扰动并给与补偿.仿真结果表明,复合控制补偿方法保证了闭环系统全局稳定性和对期望位置信号的渐进跟踪,提高了转台位置跟踪精确度.     

基于CMAC和PID的HVDC系统直流有源滤波器的复合控制研究

高压直流系统直流侧有源滤波器的控制器设计直接影响其谐波抑制效果而常规的有源滤波器的控制器难以实现复杂动态环境下的非线性实时控制。因此,提出了一种新的控制策略——小脑模型神经网络(Cerebella Model Articulation Controller,CMAC)和PID的复合控制策略。该控制策略能够实现时被控对象的逆动态模型,同时保证系统能有效地抑制扰动,具有足够的稳定性。Simulink仿真结果证实了文章所提出的控制策略是可行的。     

混合系统CMAC直接逆模型控制

CMAC神经网络是一种具有线性结构、算法简单的局部逼近网络.考虑混合系统中参数不确定等因素影响,研究了一类混合系统的CMAC神经网络控制器的设计,采用直接逆模型控制方式,不仅可以缩短网络训练时间,而且实现了一类混合系统的快速跟踪控制.理论分析和仿真结果均表明该控制策略对于混合系统控制的有效性.     

模糊CMAC神经网络控制系统及混合学习算法

针对CMAC神经网络和模糊控制的特性,给出了一种能反映人脑认知的模糊性和连续性的模糊CMAC神经网络控制器,该控制器采用高斯函数作为模糊隶属函数,利用神经网络实现模糊推理并可对隶属函数进行实时调整,从而使其具有学习和自适应能力。讨论了这种控制器的混合学习算法,即先采用混沌算法离线优化,再采用BP梯度算法在线调整,并推导了变形Elmam网络的系统辨识算法。对电厂锅炉主蒸汽温度控制的仿真结果表明了此控制器及其学习算法的可行性和有效性。     

基于小波神经网络PID的永磁同步电机转速控制

提出了基于小波神经网络PID的永磁同步电机(PMSM)转速控制策略。根据系统运行参数的变化,采用三层前馈式人工神经网络,基于梯度下降纠正误差法在线训练实时更新PID参数值。采用小波神经网络和增量式PID共同构成转速环控制器。建立PMSM数学模型,设计PMSM速度环控制器,构建S函数,对控制算法进行仿真试验,验证了该控制算法的先进性。试验结果表明,所提控制策略比传统PID转速控制具有更好的动态性能和抗干扰能力。     

基于RBF神经网络的智能负载控制策略研究

本文在电力弹簧的数学模型和控制电路的基础上,提出了一种基于RBF神经网络的智能负载控制方法,利用RBF神经网络算法可以有效弥补传统PI控制器参数固定,无法更改的缺点。通过对控制器参数实时在线调整,可以有效地减少智能负载失稳情况,从而确保系统母线电压稳定。最后,在MATLAB/Simulink的仿真环境中进行仿真验证,结果表明：与传统PI控制下的智能负载相比,本文所提的控制方法具有更强的调节性能。     

Avoiding singularities in recurrent neural control for induction motors

In this paper, a master–slave synchronization scheme based on parameter identification is proposed to overcome the controller singularity problem that appears when linearization‐like techniques are applied in indirect adaptive neural control, like Neural Block Control (NBC). Such a synchronization strategy requires an identifier‐like recurrent neural network and an adaptive law to update the neural weights. The proposed adaptive law prevents both, specific adaptive weights zero‐crossing and the ‘parameter drift’ phenomenon. NBC consists of two tasks; synchronizing an identifier‐like recurrent neural network (slave) with the plant (master) and controlling the system based on the slave model. The effectiveness of the synchronization law is tested using NBC for controlling the angular speed and magnetic flux magnitude of an induction motor. Usingit a priori knowledge about the real plant, a high‐order recurrent neural network is proposed as the slave system. Based on the slave neural model, a discontinuous control law is derived, which combines Block Control and Sliding Modes. NBC with the proposed synchronization strategy is tested via simulations, comparing results with a standard parameters adaptive law. Copyright © 2011 John Wiley & Sons, Ltd.