CN101635553A - 应用于发电机励磁与汽门系统的综合智能解耦控制方法 - Google Patents

Abstract

本发明公开了一种应用于发电机励磁与汽门系统的综合智能解耦控制方法，其特征在于：针对发电机端电压和功角两个变量，分别计算期望值与实际值的误差，设计一种新的综合智能解耦控制器，该控制器由模糊逻辑控制器、神经元PID控制器及解耦补偿器三个部分组成，并给出了该控制器的具体结构、参数设置和参数学习训练算法。该综合智能控制器可以同时调节发电机励磁与汽门系统，控制器输入量为2个：发电机端电压的误差、功角的误差，本发明中的控制器根据设定的控制规则和控制参数，以2个控制输出量分别作用于励磁和汽门系统。本发明能解决发电机励磁与汽门系统综合控制中的强非线性、时变、耦合等难题，获得良好的控制效果。

Description

应用于发电机励磁与汽门系统的综合智能解耦控制方法

技术领域

本发明属于发电机励磁与汽门系统的控制技术领域，特指一种应用于发电机励磁与汽门系统的综合智能解耦控制方法。

背景技术

现有技术中，电力系统运行的安全稳定性问题，即动态安全可靠性问题，是电力系统运行的重要问题，一直深受国内外同行专家的重视，并进行了大量的研究和实验工作。改善与提高电力系统稳定性的主要手段是采用新型电力设备及控制方式。大型发电机组是电力系统运行中的关键设备，其有效控制有利于电力系统的稳定、安全、经济运行，也是改善电力系统暂态稳定性的一种有效环节。励磁控制结合汽门调节的综合控制是大型发电机组控制的一种主要趋势，对于提高电力系统的稳定性和运行质量有重大影响。

汽轮发电机励磁系统和汽门系统是一个典型的多变量、非线性、强耦合、不确定的复杂系统，设计简单、有效的综合控制器既是一件十分必要、又具有一定难度的工作。发电机组综合控制中要解决机组大范围运行、工况和参数不断变化、多变量之间耦合、强非线性等实际问题。

汽轮发电机励磁与汽门系统的综合控制作为改善电力系统暂态稳定性的有效措施，长期以来一直受到重视。现有的综合控制器的设计方法(线性或非线性的)虽已取得了一些研究成果，但大都依赖于被控系统的精确数学模型和具体参数。由于汽轮发电机组励磁与汽门系统具有明显的非线性，较复杂的结构，参数的不确定性以及运行方式的持续不断变化，都使其难以用精确数学模型和具体参数进行准确的描述。现有的综合控制器的设计方法在系统的数学模型不准确或具体参数未知时将难以实施，从而导致控制效果将很难保证，存在一定的局限性，这在一定程度上限制了这些设计方法的实际工程应用。

因而，需要更好的对于发电机励磁与汽门系统的控制方法，才能较好地调节发动机组的运行工况，改善电力系统暂态稳定性，保证电力系统的安全经济稳定运行。

发明内容

本发明所要解决的技术问题是提供一种应用于发电机励磁与汽门系统的综合智能解耦控制方法，以对发电机励磁与汽门系统这一复杂的被控对象获得良好的控制效果。

为实现上述目的，本发明的技术方案为：

一种应用于发电机励磁与汽门系统的综合智能解耦控制方法，其特征在于，由模糊逻辑控制器、神经元PID控制器及解耦补偿器三个部分依次连接对发电机励磁与汽门系统进行控制；

所述的模糊逻辑控制器包括第一模糊逻辑控制器和第二模糊逻辑控制器；所述的神经元PID控制器包括第一神经元PID控制器和第二神经元PID控制器；针对发电机端电压和功角两个变量，分别计算期望值与实际值的误差，分别作为第一模糊逻辑控制器和第二模糊逻辑控制器的输入量，第一模糊逻辑控制器和第二模糊逻辑控制器的输出量分别作为第一神经元PID控制器和第二神经元PID控制器的输入量，第一神经元PID控制器和第二神经元PID控制器的输出值送入解耦补偿器，由解耦补偿器输出得到2个实际输出控制量：励磁电压控制量和汽门开度控制量，以此控制发电机励磁与汽门系统。

所述的第一模糊逻辑控制器和第二模糊逻辑控制器均采用下表所述的模糊推理规则：

表中PB、PM、PS、ZO、NS、NM、NB分别代表7个模糊语言变量值：正大、正中、正小、零、负小、负中、负大；隶属函数均采用三角形函数，模糊推理均采用Madami规则，去模糊化均采用加权平均法。

所述的第一神经元PID控制器的控制算法为：

$v_1\left(k\right)=v_1(k-1)+k_1\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{w}_i^{\′}\left(k\right)x_i\left(k\right);$

$w_i^{\′}\left(k\right)=w_i\left(k\right)/\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{w}_i\left(k\right);$

式中x₁(k)＝f₁(k)；

x₂(k)＝f₁(k)-f₁(k-1)；

x₃(k)＝f₁(k)-2f₁(k-1)+f₁(k-2)；

其中v₁(k)表示第一神经元PID控制器的输出值，w_i(k)表示权值，k₁为设定的一个比例系数，f₁(k)为第一模糊逻辑控制器的输出值；

第一神经元PID控制器的学习算法为：

w₁(k+1)＝w₁(k)+η_Pe₁(k)v₁(k)x₁(k)；

w₂(k+1)＝w₂(k)+η_Ie₁(k)v₁(k)x₂(k)；

w₃(k+1)＝w₃(k)+η_De₁(k)v₁(k)x₃(k)；

其中式中η_P，η_I，η_D为学习率，e₁(k)为发电机端电压的误差；

所述的第二神经元PID控制器的控制算法为：

$v_2\left(k\right)=v_2(k-1)+k_2\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{w}_i^{\′}\left(k\right)x_i\left(k\right);$

$w_i^{\′}\left(k\right)=w_i\left(k\right)/\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{w}_i\left(k\right);$

式中x₁(k)＝f₂(k)；

x₂(k)＝f₂(k)-f₂(k-1)；

x₃(k)＝f₂(k)-2f₂(k-1)+f₂(k-2)；

其中v₂(k)表示第二神经元PID控制器的输出值，w_i(k)表示权值，k₂为设定的一个比例系数，f₂(k)为第二模糊逻辑控制器的输出值。

第二神经元PID控制器的学习算法为：

w₁(k+1)＝w₁(k)+η_Pe₂(k)v₂(k)x₁(k)；

w₂(k+1)＝w₂(k)+η_Ie₂(k)v₂(k)x₂(k)；

w₃(k+1)＝w₃(k)+η_De₂(k)v₂(k)x₃(k)；

其中式中η_P，η_I，η_D为学习率，e₂(k)为发电机功角的误差。

所述的解耦补偿器的表达式为：

$\left[\begin{array}{c}{u}_1\left(k\right)\\ u_2\left(k\right)\end{array}\right]=\left[\begin{array}{cc}{b}_{11}& b_{21}\\ b_{12}& b_{22}\end{array}\right]\left[\begin{array}{c}{v}_1\left(k\right)\\ v_2\left(k\right)\end{array}\right];$

式中b_ij表示解耦权系数，v₁(k)、v₂(k)分别表示第一神经元PID控制器和第二神经元PID控制器的输出值，u₁(k)、u₂(k)分别表示励磁电压控制量和汽门开度控制量；

而b_ij的学习调整公式为：

b_ij(k+1)＝b_ij(k)+λ_ij(r_i(k)-y_i(k))k_ijv_j(k)；

式中i＝1，2，j＝1，2，λ_ij为优化步长，k_ij为静态增益，其定义为k_ij＝dy_i/du_j；r_i(k)表示期望值，y_i(k)表示实际值。

本发明具有的有益效果：

与现有技术相比，本发明的优点就在于：

1、综合运用了模糊逻辑控制器、神经元PID控制器和解耦补偿器，无需发电机励磁与汽门系统的精确数学模型，控制器的结构也比较简单，可以达到非线性解耦控制的目标。

2、该综合智能控制器的参数设置和学习训练都比较容易实现，通过离线和在线学习之后就可以直接应用于实际控制，无需再调整控制参数。

附图说明

图1是汽轮发电机励磁与汽门系统的综合控制结构框图；

图2是本发明的发电机励磁与汽门系统的一种综合智能解耦控制系统结构；

图3为本发明的实施流程。

图中标号说明：1-励磁机，2-发电机，3-电力系统，4-TV，5-TA，6-中压调节气阀，7-高压调节气阀，8-汽轮机，9-再热器，10-过热器，11-锅炉汽包

具体实施方式

实施例1

以下将结合附图和具体实施例对本发明做进一步详细说明。

1、确定控制器的结构。

将神经网络与模糊逻辑结合起来设计智能控制器，既可以使模糊逻辑控制器具有自学习的能力，又可以赋予神经网络推理归纳的能力，同时还能够使网络的结构、权值具有明确的物理意义，使得网络的设计和初始化都十分容易。本发明中将模糊逻辑控制器与神经元PID控制器相结合，并增加了一个解耦补偿器，从而设计一种用于发电机励磁与汽门系统的综合智能解耦控制器，该控制器的结构如附图2所示。

附图2所示的模糊神经元解耦控制系统由2个模糊控制器、2个神经元PID控制器和解耦补偿器构成。模糊控制中知识的抽取和表达比较方便，它能将操作者或专家的控制经验和知识表示成语言变量描述的控制规则，然后用这些控制规则去控制系统。因此，模糊控制特别适用于数学模型不精确，复杂的非线性、时变对象的控制。神经元PID控制可以通过在线学习，根据对象参数发生变化时对系统输出性能的影响来调整连接权值，改变网络中比例、积分、微分作用的强弱，使系统具有较好的动态和静态特性，也可以克服模糊控制器规则不精确的缺陷。针对非线性和耦合情况比较严重的发电机励磁与汽门系统，为改善解耦效果，在神经元PID控制器与发动机组之间串入了一个解耦补偿器。

在附图2中，V_d，δ_d分别为发电机端电压和功角的期望值，V，δ分别为发电机端电压和功角的实际测量值，e₁为发电机端电压的误差，e₂为发电机功角的误差，ec₁、ec₂分别为e₁、e₂的变化率，f₁，f₂分别为2个模糊逻辑控制器输出值，v₁，v₂分别为2个神经元PID控制器输出值，u₁和u₂为输出控制量，分别为励磁电压控制量、汽门开度控制量。

2控制规则和控制参数的设计和学习训练

附图2中的2个模糊逻辑控制器(FLC1和FLC2)均采用双输入单输出的结构，输入量分别是e₁和ec₁、e₂和ec₂。模糊逻辑控制器设计控制规则时只考虑单变量的影响，不考虑其它变量之间的影响。这里设置2个模糊逻辑控制器的控制规则表如表1所示：表中PB、PM、PS、ZO、NS、NM、NB分别代表7个模糊语言变量值：正大、正中、正小、零、负小、负中、负大。隶属函数采用三角形函数，模糊推理采用Madami规则，去模糊化采用加权平均法，实际应用于控制时就采用直接查表的方式得到控制量，因而也不需要再学习训练或者调整。

表1  模糊控制规则表

神经元PID控制器可以克服表1所示的模糊控制规则不精确的缺陷，神经元PID控制器是通过对加权系数的调整来实现自适应功能，权系数的调整是按有监督的Hebb学习规则实现，输出偏差信号作为教师信号。

所述的第一神经元PID控制器的控制算法为：

$v_1\left(k\right)=v_1(k-1)+k_1\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{w}_i^{\′}\left(k\right)x_i\left(k\right)---\left(1\right)$

$w_i^{\′}\left(k\right)=w_i\left(k\right)/\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{w}_i\left(k\right)---\left(2\right)$

式中x₁(k)＝f₁(k)；x₂(k)＝f₁(k)-f₁(k-1)；x₃(k)＝f₁(k)-2f₁(k-1)+f₁(k-2)；其中v₁(k)表示第一神经元PID控制器的输出值，w_i(k)表示权值，k₁为设定的一个比例系数，f₁(k)为第一模糊逻辑控制器的输出值。

第一神经元PID控制器的学习算法为：

w₁(k+1)＝w₁(k)+η_Pe₁(k)v₁(k)x₁(k)            (3)

w₂(k+1)＝w₂(k)+η_Ie₁(k)v₁(k)x₂(k)            (4)

w₃(k+1)＝w₃(k)+η_De₁(k)v₁(k)x₃(k)            (5)

其中式中η_P，η_I，η_D为学习率，e₁(k)为发电机端电压的误差。

所述的第二神经元PID控制器的控制算法为：

$v_2\left(k\right)=v_2(k-1)+k_2\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{w}_i^{\′}\left(k\right)x_i\left(k\right)---\left(6\right)$

$w_i^{\′}\left(k\right)=w_i\left(k\right)/\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{w}_i\left(k\right)---\left(7\right)$

式中x₁(k)＝f₂(k)；x₂(k)＝f₂(k)-f₂(k-1)；x₃(k)＝f₂(k)-2f₂(k-1)+f₂(k-2)；其中v₂(k)表示第二神经元PID控制器的输出值，w_i(k)表示权值，k₂为设定的一个比例系数，f₂(k)为第二模糊逻辑控制器的输出值。

第二神经元PID控制器的学习算法为：

w₁(k+1)＝w₁(k)+η_Pe₂(k)v₂(k)x₁(k)            (8)

w₂(k+1)＝w₂(k)+η_Ie₂(k)v₂(k)x₂(k)            (9)

w₃(k+1)＝w₃(k)+η_De₂(k)v₂(k)x₃(k)                (10)

其中式中η_P，η_I，η_D为学习率，e₂(k)为发电机功角的误差。

考虑到发电机励磁与汽门系统是一个耦合的非线性关系，这里在神经元PID输出之后增加了一个解耦补偿器，其原理是通过对不同神经元PID的加权来衡量相互间的耦合关联作用。即：

$\left[\begin{array}{c}{u}_1\left(k\right)\\ u_2\left(k\right)\end{array}\right]=\left[\begin{array}{cc}{b}_{11}& b_{21}\\ b_{12}& b_{22}\end{array}\right]\left[\begin{array}{c}{v}_1\left(k\right)\\ v_2\left(k\right)\end{array}\right]---\left(11\right)$

式中b_ij表示解耦权系数，v₁(k)、v₂(k)分别表示第一神经元PID控制器和第二神经元PID控制器的输出值，u₁(k)、u₂(k)分别表示励磁电压控制量和汽门开度控制量。

而b_ij的初始值取0-1之间的随机数，并由下面的梯度下降算法来调整参数值：

b_ij(k+1)＝b_ij(k)+λ_ij(r_i(k)-y_i(k))k_ijv_j(k)            (12)

式中i＝1，2，j＝1，2，λ_ij为优化步长，k_ij为静态增益，其定义为k_ij＝dy_i/du_j；r_i(k)表示期望值，y_i(k)表示实际值。

这样，依据模糊逻辑控制器、神经元PID控制器和解耦补偿器的相互补充就可以实现发电机励磁与汽门系统的智能解耦控制。这里将本发明的实施过程用附图3来说明。

Claims (4)

1.一种应用于发电机励磁与汽门系统的综合智能解耦控制方法，其特征在于，由模糊逻辑控制器、神经元PID控制器及解耦补偿器三个部分依次连接对发电机励磁与汽门系统进行控制；

所述的模糊逻辑控制器包括第一模糊逻辑控制器和第二模糊逻辑控制器；所述的神经元PID控制器包括第一神经元PID控制器和第二神经元PID控制器；针对发电机端电压和功角两个变量，分别计算期望值与实际值的误差，分别作为第一模糊逻辑控制器和第二模糊逻辑控制器的输入量，第一模糊逻辑控制器和第二模糊逻辑控制器的输出量分别作为第一神经元PID控制器和第二神经元PID控制器的输入量，第一神经元PID控制器和第二神经元PID控制器的输出值送入解耦补偿器，由解耦补偿器输出得到2个实际输出控制量：励磁电压控制量和汽门开度控制量，以此控制发电机励磁与汽门系统。

2.根据权利要求1所述的应用于发电机励磁与汽门系统的综合智能解耦控制方法，其特征在于，所述的第一模糊逻辑控制器和第二模糊逻辑控制器均采用下表所述的模糊推理规则：

表中PB、PM、PS、ZO、NS、NM、NB分别代表7个模糊语言变量值：正大、正中、正小、零、负小、负中、负大；隶属函数均采用三角形函数，模糊推理均采用Madami规则，去模糊化均采用加权平均法。

3.根据权利要求1所述的应用于发电机励磁与汽门系统的综合智能解耦控制方法，其特征在于，所述的第一神经元PID控制器的控制算法为：

$v_1\left(k\right)=v_1(k-1)+k_1\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{w}_i^{\′}\left(k\right)x_i\left(k\right);$

$w_i^{\′}\left(k\right)=w_i\left(k\right)/\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{w}_i\left(k\right);$

式中x₁(k)＝f₁(k)；

x₂(k)＝f₁(k)-f₁(k-1)；

x₃(k)＝f₁(k)-2f₁(k-1)+f₁(k-2)；

其中v₁(k)表示第一神经元PID控制器的输出值，w_i(k)表示权值，k₁为设定的一个比例系数，f₁(k)为第一模糊逻辑控制器的输出值；

第一神经元PID控制器的学习算法为：

w₁(k+1)＝w₁(k)+η_Pe₁(k)v₁(k)x₁(k)；

w₂(k+1)＝w₂(k)+η_Ie₁(k)v₁(k)x₂(k)；

w₃(k+1)＝w₃(k)+η_De₁(k)v₁(k)x₃(k)；

其中式中η_P，η_I，η_D为学习率，e₁(k)为发电机端电压的误差；

所述的第二神经元PID控制器的控制算法为：

$v_2\left(k\right)=v_2(k-1)+k_2\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{w}_i^{\′}\left(k\right)x_i\left(k\right);$

$w_i^{\′}\left(k\right)=w_i\left(k\right)/\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{w}_i\left(k\right);$

式中x₁(k)＝f₂(k)；

x₂(k)＝f₂(k)-f₂(k-1)；

x₃(k)＝f₂(k)-2f₂(k-1)+f₂(k-2)；

其中v₂(k)表示第二神经元PID控制器的输出值，w_i(k)表示权值，k₂为设定的一个比例系数，f₂(k)为第二模糊逻辑控制器的输出值。

第二神经元PID控制器的学习算法为：

w₁(k+1)＝w₁(k)+η_Pe₂(k)v₂(k)x₁(k)；

w₂(k+1)＝w₂(k)+η_Ie₂(k)v₂(k)x₂(k)；

w₃(k+1)＝w₃(k)+η_De₂(k)v₂(k)x₃(k)；

其中式中η_P，η_I，η_D为学习率，e₂(k)为发电机功角的误差。

4、根据权利要求1所述的应用于发电机励磁与汽门系统的综合智能解耦控制方法，其特征在于，所述的解耦补偿器的表达式为：

$\left[\begin{array}{c}{u}_1\left(k\right)\\ u_2\left(k\right)\end{array}\right]=\left[\begin{array}{cc}{b}_{11}& b_{21}\\ b_{12}& b_{22}\end{array}\right]\left[\begin{array}{c}{v}_1\left(k\right)\\ v_2\left(k\right)\end{array}\right];$

式中b_ij表示解耦权系数，v₁(k)、v₂(k)分别表示第一神经元PID控制器和第二神经元PID控制器的输出值，u₁(k)、u₂(k)分别表示励磁电压控制量和汽门开度控制量；

而b_ij的学习调整公式为：

b_ij(k+1)＝b_ij(k)+λ_ij(r_i(k)-y_i(k))k_ijv_j(k)；

式中i＝1，2，j＝1，2，λ_ij为优化步长，k_ij为静态增益，其定义为k_ij＝dy_i/du_j；r_i(k)表示期望值，y_i(k)表示实际值。

Images