CN104836498B - 一种基于人工神经网络的自整定pid发电机控制系统 - Google Patents
一种基于人工神经网络的自整定pid发电机控制系统 Download PDFInfo
- Publication number
- CN104836498B CN104836498B CN201510188413.1A CN201510188413A CN104836498B CN 104836498 B CN104836498 B CN 104836498B CN 201510188413 A CN201510188413 A CN 201510188413A CN 104836498 B CN104836498 B CN 104836498B
- Authority
- CN
- China
- Prior art keywords
- output
- artificial neural
- neural network
- layer
- control
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P9/00—Arrangements for controlling electric generators for the purpose of obtaining a desired output
- H02P9/04—Control effected upon non-electric prime mover and dependent upon electric output value of the generator
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P9/00—Arrangements for controlling electric generators for the purpose of obtaining a desired output
- H02P9/008—Arrangements for controlling electric generators for the purpose of obtaining a desired output wherein the generator is controlled by the requirements of the prime mover
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明是一种基于人工神经网络的自整定PID发电机控制系统,该控制系统主要包括人工神经网络控制模块、PID控制模块、状态检测模块、执行模块和发电机输出模块,所述PID控制模块的控制参数Kp、Ki和Kd由人工神经网络控制模块自动整定。采用本发明技术方案,控制系统能够自动适应发电机状态或外部环境等系统参数的变化,大大提高了控制系统的鲁棒性和工作可靠性,并使控制精度大大提高,增加了发电机组的能源利用效率,减少了发动机尾气排放,降低了噪声和振动,此外,本发明控制系统采用了人工神经网络训练与识别控制分离的方式,大大降低了控制系统的成本,具有很高的性价比。
Description
技术领域
本发明是一种发电机控制系统,尤其是基于人工神经网络的自整定PID数码发电机智能控制系统及相应的方法。
背景技术
发电机组主要由发动机、发电机和电控系统组成,能将燃油的化学能转化为电能,具有广泛的应用,例如:应急用电、野外作业、灾害救治、户外生活及旅行、游艇及车辆自备电源、移动通讯基站等诸多场合。
在传统发电技术的基础上,采用多极永磁发电机的数码发电机组引入了电力电子技术,将发电机技术扩展为发电机电源技术, 实现了发电机的高性能化。数码发电机组中的核心部件是逆变控制器,逆变控制器是高速发动机电控系统和多级永磁发电机控制系统的集成,逆变控制器采用前级整流、后级逆变的A-D-A逆变方式,或者只采用整流和稳压技术,使得永磁发电机转速、气隙磁场与输出电压之间没有了直接的联系,发电机的转速及磁场变化不会再对输出电压造成大的直接性的波动,在高速发动机电子调速控制的配合下,能够在各种转速下将多极永磁发电机输出的三相中频交流电转换为电压稳定的单相工频交流电或直流电,大大提高了发电机组的能量密度、效率和输出技术指标。
电子调速的数码发电机组通常采用PID闭环控制系统对发动机进行控制,PID控制系统由比例单元P、积分单元I和微分单元D组成,PID控制器根据系统检测或操作偏差,通过Kp,Ki和Kd三个参数的设定,利用比例、积分和微分运算获得所需调节量以对系统进行反馈控制。由于PID控制器具有结构简单、成本低、鲁棒性强、可靠性高、为现场设计人员所熟悉等优点,目前绝大部分数码发电机组都采用PID闭环控制系统对发动机节气门开度进行实时控制,调速系统的最终控制目标是要让发动机输出的功率与发电机所加负载功率一致,使加、卸载时逆变控制器输出电压稳定,并且要保证发动机转速稳定,不能游车或熄火。但是常规PID控制有许多不完善之处,其中最主要的问题就是PID控制器Kp,Ki和Kd三个参数的整定问题,且一旦整定计算好后,在整个控制过程中这三个参数都是固定不变的,而实际中,由于发动机混合气燃烧做功过程非常复杂,尤其当发动机零部件状态加工制造误差较大时,将出现更为复杂的非线性时变系统特征,发动机输出扭矩和转速受多种因素影响而无法精确建模,在某种状态和环境下整定计算出的PID控制器参数,一旦工作环境或大批量生产时发电机组零部件状态发生变化,这些设定好的控制器参数就不适用了,常规PID控制系统就很难达到最佳的控制效果,数码发电机组容易出现熄火、游车和稳态转速偏差大等问题。
本专利正是着眼于数码发电机组所采用的常规PID控制器的不足,利用人工神经网络的自学习功能自动整定PID控制器参数,将人的智能以非线性控制形式引入到控制器的设计中,从而将数码发电机组的常规PID控制器改进为智能PID控制器,使得在发电机组状态或工作环境等系统参数发生变化时,PID控制器的控制参数Kp,Ki和Kd能够随之自动调整,使系统在任何运行状态下均能得到远比传统PID控制更好的控制性能,大大提高了控制系统的鲁棒性和工作可靠性,并使控制精度大大提高,增加了发电机组的能源利用效率,减少了发动机尾气排放,降低了噪声和振动。此外本专利控制系统采用了人工神经网络训练与识别控制分离的方式,大大降低了控制系统的成本,具有很高的性价比。
发明内容
本发明的目的在于克服现有技术存在的问题,提供一种基于人工神经网络的自整定PID发电机控制系统。
为实现上述技术目的,达到上述技术效果,本发明通过以下技术方案实现:
一种基于人工神经网络的自整定PID发电机控制系统,该控制系统主要包括人工神经网络控制模块、PID控制模块、状态检测模块、执行模块和发电机输出模块,其中:
所述发电机输出模块将发电机输出的三相中频交流电转换为单相工频交流电/直流电并形成包含发电机输出电压和/或电流信息的输出信号yout,所述输出信号yout作为反馈信号与该控制系统的输入端相连;
所述输出信号yout与控制系统输入端的预设输入信号rin运算处理后得到偏差信号error,所述偏差信号error与PID控制模块的输入端相连;
所述状态检测模块对发动机状态和/或外部工作环境进行检测,并将检测到的状态信号连接传递到人工神经网络控制模块的输入端;
人工神经网络控制模块以该控制系统的内部信号和/或状态检测模块的输出信号作为输入向量,并在所述人工神经网络控制模块的输出端输出三个控制参数Kp、Ki和Kd,所述控制参数Kp、Ki和Kd作为PID控制模块中PID数学控制模型的控制参数;
所述PID控制模块根据所述偏差信号error,并通过所述的三个控制参数Kp,Ki和Kd的设定,利用比例、积分和微分运算以获得PID控制模块的输出信号u,所述输出信号u与执行模块的输入端相连。
进一步的,所述状态检测模块至少对发动机转速ω和环境温度T进行检测,并将检测到的转速ω信号和温度T信号连接传递到人工神经网络控制模块的输入端。
进一步的,所述人工神经网络控制模块的输入端还连接有预设输入信号rin,所述预设输入信号rin、输出信号yout、转速ω信号和温度T信号作为人工神经网络控制模块的输入向量,所述人工神经网络控制模块的输出端输出三个控制参数Kp、Ki和Kd。
进一步的,所述人工神经网络控制模块由人工神经网络BP算法的前向算法和经过训练的人工神经元构成。
进一步的,所述人工神经网络控制模块由计算机中经过训练的人工神经网络移植获得,其过程主要包括:
步骤1)在计算机中构建采用BP算法的人工神经网络和PID控制模块的数学控制模型,人工神经网络的输入向量包括:预设输入信号rin,输出信号yout、转速ω信号和温度T信号,输出向量包括:PID控制模块的三个控制参数Kp,Ki和Kd;
步骤2)以所获得的人工神经网络输出向量Kp,Ki和Kd作为PID数学控制模型的控制参数,在计算机上利用比例、积分和微分运算以获得PID控制模块的输出信号u,将此输出信号u与实际系统执行模块的步进电机相连,步进电机用来控制发动机节气门开度,以计算机PID控制模块的输出信号u对发动机的输出功率进行实时控制;
步骤3)以发电机组额定输出功率确定若干个检测和学习的稳态工况点,并在各工况点之间进行加载和卸载操作,当发电机运行在这些工况时,计算机上的控制系统程序将以控制周期相对应的时间间隔对输入信号rin,输出信号yout、发动机转速ω和环境温度T进行实时采样并存储,在各种环境温度下,通过对多台发电机组反复多次地改变运行工况,人工神经网络可以获得充分的训练样本;
步骤4)把采样得到的样本输入至计算机中的人工神经网络,对人工神经网络进行训练,训练完成后,把经过训练的人工神经元的结果输出为矩阵保存;
步骤5)把计算机中采用BP算法的人工神经网络前向算法和输出的人工神经元矩阵移植到实际控制系统的MCU芯片中。
进一步的,所述人工神经网络包括输入设定预处理、前向计算和误差反向传播;
所述输入设定预处理方式为:
1)对采样得到的训练样本数据进行归一化处理;
2)初始化权值和,是人工神经网络输入层和隐含层之间的权值,是人工神经网络隐含层和输出层之间的权值;
所述前向计算方式为:
1)人工神经网络隐含层第j个神经元的输入为:
,式中,m为输入层的神经元个数,代表输入层的第i个神经元的输入;
人工神经网络隐含层第j个神经元的输出为:
,
式中,f(x)是隐含层神经元的非线性映射函数,例如,Sigmoid型函数;
2)人工神经网络输出层第k个神经元的输入为:
,式中,q为隐含层的神经元个数,代表隐含层的第j个神经元的输出;
人工神经网络输出层第k个神经元的输出为:
,式中,g(x)是输出层神经元的非线性映射函数,例如,Sigmoid型函数;
3)定义第p个样本对应的误差函数:
,式中,为第p个样本对应的控制系统预设输入信号,为第p个样本对应的控制系统输出信号,为第p个样本对应的控制系统输出与输入的偏差信号;
所述误差反向传播方式为:
1)更新规则:各层均按梯度下降法调整权值,并附加一个使搜索快速收敛至全局极小的惯性项,学习速率为η,惯性系数为α,则有:
由样本p运算得到的隐含层到输出层之间的权值调整量为:
,式中,是误差函数对隐含层到输出层之间的权值的偏导数,
是样本p之前的样本对应的隐含层到输出层之间的权值调整量;
由样本p运算得到的输入层到隐含层之间的权值调整量为:
,式中,是误差函数对输入层到隐含层之间的权值的偏导数,是样本p之前的样本对应的输入层到隐含层之间的权值调整量;
2)更新权值:
由样本p运算得到的隐含层到输出层之间的权值为:
,式中,是样本p之前的样本对应的隐含层到输出层之间的权值;
由样本p运算得到的输入层到隐含层之间的权值为:
,式中,是样本p之前的样本对应的输入层到隐含层之间的权值。
进一步的,所述的采用BP算法的人工神经网络的输入层神经元个数m=4,隐含层的神经元个数q=7,输出层的神经元个数n=3。
进一步的,所述PID控制模块由比例单元P、积分单元I和微分单元D组成,PID控制模块根据所述偏差信号error,通过Kp,Ki和Kd三个控制参数的设定,利用比例、积分和微分运算以获得PID控制模块的输出信号u,PID控制的算法如下:
其中,u(t)是PID控制模块输出,t是时间变量,τ是积分变量,Kp,Ki和Kd是PID控制模块的三个控制参数,具体是:Kp是比例增益参数,Ki是积分增益参数,Kd是微分增益参数;
error(t)是偏差信号,其计算公式如下:
,
上式中,rin(t)是控制系统的预设输入信号,yout(t)是控制系统的输出信号,具体就是发电机输出模块的输出信号。
进一步的,所述执行模块至少包括一个步进电机,该步进电机根据PID控制模块的输出信号u控制发动机节气门的转角和转速,该步进电机通过对发动机节气门开度的实时控制来调节发动机的输出功率,在该发动机驱动下发电机输出模块向外输出三相中频交流电,输出的三相中频交流电接入发电机输出模块中。
本发明的有益效果是:
1.本发明通过人工神经网络的自学习与加权系数自调整来自动优化和整定PID控制模块的Kp,Ki和Kd三个控制参数,使得控制系统能够自动适应发电机状态或外部环境等系统参数的变化,确保系统在任何运行状态下均能得到远比传统PID控制更好的控制性能,大大提高了控制系统的鲁棒性和工作可靠性,并使控制精度大大提高,增加了发电机组的能源利用效率,减少了发动机尾气排放,降低了噪声和振动。
2.本发明采用人工神经网络数据训练与识别控制分离的方法,在计算机上利用大量样本数据对人工神经网络进行训练,然后将计算机上训练完成的人工神经网络移植到实际控制系统中,实际控制系统中的人工神经网络只承担识别发电机状态和外部环境的功能,大大降低了对实际控制系统的硬件性能要求,使控制系统的成本明显降低,具有很高的性价比。
附图说明
图1是本发明BP人工神经网络结构示意图;
图2是本发明实施例的BP人工神经网络结构示意图;
图3是基于人工神经网络的自整定PID数码发电机智能控制系统结构框图。
具体实施方式
下面将参考附图并结合实施例,来详细说明本发明。
参照图1所示,一种基于人工神经网络的自整定PID发电机控制系统,该控制系统的结构框图如图3所示,主要包括人工神经网络控制模块、PID控制模块、状态检测模块、执行模块和发电机输出模块。其中,PID控制模块的输出信号u用来控制执行模块,执行模块包括一个与发动机节气门相连的步进电机,该步进电机根据PID控制模块的输出信号u控制发动机节气门的转角和转速,通过对发动机节气门开度的实时控制来调节发动机的输出功率,在该发动机驱动下发电机输出模块向外输出相应的电能。
本实施例的发电机输出模块通过采用开关电源的整流、稳压和逆变技术,将发电机输出的三相中频交流电转换为电压稳定的单相工频交流电,当然也可以只采用整流和稳压技术,此时发电机将输出电压稳定的直流电。该发电机输出模块的输出信号yout包含发电机输出电压和/或电流信息,该输出信号yout作为反馈信号与控制系统的输入端相连,与控制系统的预设输入信号rin运算处理后可得到偏差信号error,所述偏差信号error与PID控制模块的输入端相连。
本实施例的PID控制模块由比例单元P、积分单元I和微分单元D组成,PID控制模块根据所述偏差信号error,通过Kp,Ki和Kd三个控制参数的设定,利用比例、积分和微分运算以获得PID控制模块的输出信号u,该输出信号u与执行模块的输入端相连,PID控制模块的控制算法如下:
其中,u(t)是PID控制模块输出,t是时间变量,τ是积分变量,Kp,Ki和Kd是PID控制模块的三个控制参数,具体是:Kp是比例增益参数,Ki是积分增益参数,Kd是微分增益参数;
error(t)是偏差信号,其计算公式如下:
,
上式中,rin(t)是控制系统的预设输入信号,yout(t)是控制系统的输出信号,具体就是发电机输出模块的输出信号。
本发明的控制系统特别之处在于,PID控制模块的三个控制参数Kp、Ki和Kd由人工神经网络控制模块作为输出向量输出,即该系统能够根据人工神经网络控制模块的输出自动设定PID控制模块的控制参数Kp,Ki和Kd。
如图1所示,本发明所采用的人工神经网络采用BP算法,该BP人工神经网络由输入层、隐含层和输出层构成三层网络结构,输入层和隐含层之间的权值为,隐含层和输出层之间的权值为,进入人工神经网络的信号经过神经元节点时,该节点的非线性映射函数会对该信号进行运算处理。
本实施例的状态检测模块对发动机转速ω和环境温度T进行检测,并将检测信号传送给人工神经网络控制模块的输入端。此外,控制系统的预设输入信号rin和输出信号yout都与人工神经网络控制模块的输入端相连。
图2是本发明实施例所采用的BP人工神经网络结构示意图,本发明实施例的BP人工神经网络输入层神经元个数m=4,分别为预设输入信号rin、输出信号yout、发动机转速ω和环境温度T;输出层神经元个数n=3,分别为PID控制模块的三控制参数Kp,Ki和Kd。隐含层神经元的个数q根据如下经验公式确定:
,式中a为1~10之间的常数。
适当增加隐含层神经元个数可以减少训练误差,本发明实施例隐含层的神经元个数为7,此时具有令人满意的控制效果。
本发明的人工神经网络控制模块由人工神经网络BP算法的前向算法和经过训练的人工神经元构成。由于BP人工神经网络的训练过程运算量很大,难以在嵌入式控制系统中实施,一般都需要采用计算机实现。因此,本发明将BP人工神经网络的训练和识别控制过程分离,先在计算机上根据采集到的样本对人工神经网络进行训练,训练完成后再将训练过的人工神经元矩阵移植到实际控制系统的MCU芯片中,本发明实际控制系统中的人工神经网络只需执行识别控制过程,这样对其硬件性能要求就大大降低了。
本发明BP人工神经网络训练过程主要包括:
(1)在计算机中构建采用BP算法的人工神经网络和PID控制模块的数学控制模型,所述人工神经网络的输入向量包括:控制系统的预设输入信号rin,发电机输出模块的输出信号yout、发动机转速ω信号和环境温度T信号,输出向量包括:PID控制模块的三个控制参数Kp,Ki和Kd。
(2)以所获得的人工神经网络输出向量Kp,Ki和Kd作为PID数学控制模型的控制参数,在计算机上利用比例、积分和微分运算以获得PID控制模块的输出信号u,将此输出信号u与实际系统执行模块的步进电机相连,步进电机用来控制发动机节气门开度,以计算机PID控制模块的输出信号u对发动机的输出功率进行实时控制。
(3)以发电机组额定输出功率的100%、75%、50%、25%、10%和0%作为6个检测和学习的稳态工况点,对各工况点之间进行加载和卸载组合,还可得到10种检测和学习的瞬态工况,当发电机运行在这些工况时,计算机上的控制系统程序将以控制周期相对应的时间间隔对输入信号rin,输出信号yout、发动机转速ω和环境温度T进行实时采样并存储,在各种环境温度下,通过对多台发电机组反复多次地改变运行工况,人工神经网络就可以获得充分的训练样本。
(4)把采样得到的样本输入至计算机中的人工神经网络,对人工神经网络进行训练,训练完成后,把经过训练的人工神经元的结果输出为矩阵保存。
(5)把计算机中采用BP算法的人工神经网络前向算法和输出的人工神经元矩阵移植到实际控制系统的MCU芯片中。
本实施例的BP神经网络的训练包括输入设定预处理、前向计算和误差反向传播。
本实施例的输入设定预处理为:
(1)对采样得到的训练样本数据进行归一化处理,使人工神经网络的输入信号数值处于-1到+1之间,目的是将不同参量去量纲化和缩小数值差别,并提高网络收敛速度。
(2)初始化权值和,是人工神经网络输入层和隐含层之间的权值,是人工神经网络隐含层和输出层之间的权值。
本实施例的前向计算为:
1)人工神经网络隐含层第j个神经元的输入为:
,式中,m为输入层的神经元个数,代表输入层的第i个神经元的输入;
人工神经网络隐含层第j个神经元的输出为:
,
式中,f(x)是隐含层神经元的非线性映射函数,例如,Sigmoid型函数;
2)人工神经网络输出层第k个神经元的输入为:
,式中,q为隐含层的神经元个数,代表隐含层的第j个神经元的输出;
人工神经网络输出层第k个神经元的输出为:
,式中,g(x)是输出层神经元的非线性映射函数,例如,Sigmoid型函数;
3)定义第p个样本对应的误差函数:
,式中,为第p个样本对应的控制系统预设输入信号,为第p个样本对应的控制系统输出信号,为第p个样本对应的控制系统输出与输入的偏差信号;
所述误差反向传播方式为:
1)更新规则:各层均按梯度下降法调整权值,并附加一个使搜索快速收敛至全局极小的惯性项,学习速率为η,惯性系数为α,则有:
由样本p运算得到的隐含层到输出层之间的权值调整量为:
,式中,是误差函数对隐含层到输出层之间的权值的偏导数,
是样本p之前的样本对应的隐含层到输出层之间的权值调整量;
由样本p运算得到的输入层到隐含层之间的权值调整量为:
,式中,是误差函数对输入层到隐含层之间的权值的偏导数,是样本p之前的样本对应的输入层到隐含层之间的权值调整量;
2)更新权值:
由样本p运算得到的隐含层到输出层之间的权值为:
,式中,是样本p之前的样本对应的隐含层到输出层之间的权值;
由样本p运算得到的输入层到隐含层之间的权值为:
,式中,是样本p之前的样本对应的输入层到隐含层之间的权值。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于人工神经网络的自整定PID发电机控制系统,该控制系统主要包括人工神经网络控制模块、PID控制模块、状态检测模块、执行模块和发电机输出模块,其特征在于:
所述发电机输出模块将发电机输出的三相中频交流电转换为单相工频交流电/直流电并形成包含发电机输出电压和/或电流信息的输出信号yout,所述输出信号yout作为反馈信号与该控制系统的输入端相连;
所述输出信号yout与控制系统输入端的预设输入信号rin运算处理后得到偏差信号error,所述偏差信号error与PID控制模块的输入端相连;
所述状态检测模块对发动机状态和/或外部工作环境进行检测,并将检测到的信号连接传递到人工神经网络控制模块的输入端;
所述人工神经网络控制模块以该控制系统的内部信号和/或状态检测模块的输出信号作为输入向量,并在所述人工神经网络控制模块的输出端输出三个控制参数Kp、Ki和Kd,所述控制参数Kp、Ki和Kd作为PID控制模块中PID数学控制模型的控制参数;
所述PID控制模块根据所述偏差信号error,并通过所述的三个控制参数Kp、Ki和Kd的设定,利用比例、积分和微分运算以获得PID控制模块的输出信号u,所述输出信号u与执行模块的输入端相连;
所述执行模块至少包括一个步进电机,该步进电机对发动机的节气门进行控制;
所述状态检测模块至少对发动机转速ω和/或环境温度T进行检测,并将检测到的转速ω信号和/或温度T信号连接传递到人工神经网络控制模块的输入端;
所述人工神经网络控制模块由人工神经网络BP算法的前向算法和经过训练的人工神经元构成;
所述人工神经网络控制模块由计算机中经过训练的人工神经网络移植获得,其过程主要包括:
步骤1)在计算机中构建采用BP算法的人工神经网络和PID控制模块的数学控制模型,人工神经网络的输入向量包括:预设输入信号rin,输出信号yout、转速ω信号和温度T信号,输出向量包括:PID控制模块的三个控制参数Kp,Ki和Kd;
步骤2)以所获得的人工神经网络输出向量Kp,Ki和Kd作为PID数学控制模型的控制参数,在计算机上利用比例、积分和微分运算以获得PID控制模块的输出信号u,将此输出信号u与实际系统执行模块的步进电机相连,步进电机用来控制发动机节气门开度,以计算机PID控制模块的输出信号u对发动机的输出功率进行实时控制;
步骤3)以发电机组额定输出功率确定若干个检测和学习的稳态工况点,并在各工况点之间进行加载和卸载操作,当发电机运行在这些工况时,计算机上的控制系统程序将以控制周期相对应的时间间隔对输入信号rin,输出信号yout、发动机转速ω和环境温度T进行实时采样并存储,在各种环境温度下,通过对多台发电机组反复多次地改变运行工况,人工神经网络可以获得充分的训练样本;
步骤4)把采样得到的样本输入至计算机中的人工神经网络,对人工神经网络进行训练,训练完成后,把经过训练的人工神经元的结果输出为矩阵保存;
步骤5)把计算机中采用BP算法的人工神经网络前向算法和输出的人工神经元矩阵移植到实际控制系统的MCU芯片中。
2.根据权利要求1所述的基于人工神经网络的自整定PID发电机控制系统,其特征在于,所述人工神经网络控制模块的输入端还连接有预设输入信号rin和输出信号yout,所述预设输入信号rin、输出信号yout、转速ω信号和温度T信号作为人工神经网络控制模块的输入向量,所述人工神经网络控制模块的输出端输出三个控制参数Kp、Ki和Kd。
3.根据权利要求1所述的基于人工神经网络的自整定PID发电机控制系统,其特征在于,所述在计算机中用来训练的人工神经网络包括输入设定预处理、前向计算和误差反向传播;
所述输入设定预处理方式为:
1)对采样得到的训练样本数据进行归一化处理;
2)初始化权值和,是人工神经网络输入层和隐含层之间的权值,是人工神经网络隐含层和输出层之间的权值;
所述前向计算方式为:
1)人工神经网络隐含层第j个神经元的输入为:
,式中,m为输入层的神经元个数,代表输入层的第i个神经元的输入;
人工神经网络隐含层第j个神经元的输出为:
,
式中,f(x)是隐含层神经元的非线性映射函数;
2)人工神经网络输出层第k个神经元的输入为:
,式中,q为隐含层的神经元个数,代表隐含层的第j个神经元的输出;
人工神经网络输出层第k个神经元的输出为:
,式中,g(x)是输出层神经元的非线性映射函数;
3)定义第p个样本对应的误差函数:
,式中,为第p个样本对应的控制系统预设输入信号,为第p个样本对应的控制系统输出信号,为第p个样本对应的控制系统输出与输入的偏差信号;
所述误差反向传播方式为:
1)更新规则:各层均按梯度下降法调整权值,并附加一个使搜索快速收敛至全局极小的惯性项,学习速率为η,惯性系数为α,则有:
由样本p运算得到的隐含层到输出层之间的权值调整量为:
,式中,是误差函数对隐含层到输出层之间的权值的偏导数,
是样本p之前的样本对应的隐含层到输出层之间的权值调整量;
由样本p运算得到的输入层到隐含层之间的权值调整量为:
,式中,是误差函数对输入层到隐含层之间的权值的偏导数,是样本p之前的样本对应的输入层到隐含层之间的权值调整量;
2)更新权值:
由样本p运算得到的隐含层到输出层之间的权值为:
,式中,是样本p之前的样本对应的隐含层到输出层之间的权值;
由样本p运算得到的输入层到隐含层之间的权值为:
,式中,是样本p之前的样本对应的输入层到隐含层之间的权值。
4.根据权利要求3所述的基于人工神经网络的自整定PID发电机控制系统,其特征在于,所述的采用BP算法的人工神经网络的输入层神经元个数m=4,隐含层的神经元个数q=7,输出层的神经元个数n=3。
5.根据权利要求1所述的基于人工神经网络的自整定PID发电机控制系统,其特征在于,所述PID控制模块由比例单元P、积分单元I和微分单元D组成,PID控制模块根据所述偏差信号error,通过Kp,Ki和Kd三个控制参数的设定,利用比例、积分和微分运算以获得PID控制模块的输出信号u,PID控制的算法如下:
其中,u(t)是PID控制模块输出,t是时间变量,τ是积分变量,Kp,Ki和Kd是PID控制模块的三个控制参数,具体是:Kp是比例增益参数,Ki是积分增益参数,Kd是微分增益参数;
error(t)是偏差信号,其计算公式如下:
,
上式中,rin(t)是控制系统的预设输入信号,yout(t)是控制系统的输出信号,具体就是发电机输出模块的输出信号。
6.根据权利要求1所述的基于人工神经网络的自整定PID发电机控制系统,其特征在于,所述步进电机根据PID控制模块的输出信号u控制发动机节气门的转角和/或转速,该步进电机通过对发动机节气门开度的实时控制来调节发动机的输出功率,在该发动机驱动下发电机向外输出三相中频交流电,输出的三相中频交流电接入发电机输出模块的输入端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510188413.1A CN104836498B (zh) | 2015-04-21 | 2015-04-21 | 一种基于人工神经网络的自整定pid发电机控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510188413.1A CN104836498B (zh) | 2015-04-21 | 2015-04-21 | 一种基于人工神经网络的自整定pid发电机控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104836498A CN104836498A (zh) | 2015-08-12 |
CN104836498B true CN104836498B (zh) | 2019-01-15 |
Family
ID=53814176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510188413.1A Active CN104836498B (zh) | 2015-04-21 | 2015-04-21 | 一种基于人工神经网络的自整定pid发电机控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104836498B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022144551A1 (en) * | 2020-12-31 | 2022-07-07 | ZF Automotive UK Limited | Motor control in an electric power steering |
WO2022144552A1 (en) * | 2020-12-31 | 2022-07-07 | ZF Automotive UK Limited | Steer by wire system for an automotive vehicle |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105278332A (zh) * | 2015-10-23 | 2016-01-27 | 盐城工业职业技术学院 | 一种基于soa的pmlsm进给系统pid参数优化方法 |
DE102016203855B4 (de) | 2016-03-09 | 2023-11-02 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zum Steuern eines technischen Systems anhand von Steuermodellen |
US10509996B2 (en) * | 2016-05-17 | 2019-12-17 | Huawei Technologies Co., Ltd. | Reduction of parameters in fully connected layers of neural networks |
CN107968607B (zh) * | 2016-10-20 | 2019-10-08 | 重庆赛能软件技术有限公司 | 一种发电机励磁系统pid参数整定方法 |
CN106877746B (zh) * | 2017-03-21 | 2019-01-01 | 北京京东尚科信息技术有限公司 | 速度控制方法和速度控制装置 |
CN109586293A (zh) * | 2017-09-29 | 2019-04-05 | 西华大学 | 一种有源滤波器 |
CN109125830B (zh) * | 2018-07-23 | 2021-05-11 | 南京医科大学 | 一种适用于血液净化的智能辅助温控装置的控制方法 |
CN109343343A (zh) * | 2018-09-19 | 2019-02-15 | 广州大学 | 基于深度学习与深度神经网络的舵机控制系统及方法 |
US11177664B2 (en) | 2019-11-01 | 2021-11-16 | Caterpillar Inc. | System and method for dynamic voltage regulation of an engine on a variable frequency bus |
CN113635903B (zh) * | 2020-04-27 | 2023-02-28 | 北京福田康明斯发动机有限公司 | 一种车辆发动机的振动抑制方法、装置、存储介质及车辆 |
CN111752144B (zh) * | 2020-05-18 | 2023-06-06 | 首都经济贸易大学 | 循环涟漪纹波预测方法与智能控制系统 |
CN111654217B (zh) * | 2020-06-01 | 2023-09-22 | 河北建投能源科学技术研究院有限公司 | 基于电流控制的热网首站异步发电机组有功功率控制方法 |
CN111525863B (zh) * | 2020-06-02 | 2021-12-07 | 江苏朗晟激光科技有限公司 | 一种电机调速装置及其控制方法 |
CN115494896B (zh) * | 2022-11-17 | 2023-03-14 | 清华大学合肥公共安全研究院 | 一种激光器的升温控制方法、装置 |
CN117728735B (zh) * | 2024-02-02 | 2024-04-30 | 深圳市昱森机电有限公司 | 电机的驱动控制方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013176228A (ja) * | 2012-02-24 | 2013-09-05 | Inst Nuclear Energy Research Rocaec | ハイブリッドインテリジェントパワーコントロールシステム及び方法 |
CN103312249A (zh) * | 2013-07-09 | 2013-09-18 | 南昌航空大学 | 一种同步发电机自适应励磁控制方法 |
-
2015
- 2015-04-21 CN CN201510188413.1A patent/CN104836498B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013176228A (ja) * | 2012-02-24 | 2013-09-05 | Inst Nuclear Energy Research Rocaec | ハイブリッドインテリジェントパワーコントロールシステム及び方法 |
CN103312249A (zh) * | 2013-07-09 | 2013-09-18 | 南昌航空大学 | 一种同步发电机自适应励磁控制方法 |
Non-Patent Citations (3)
Title |
---|
小型数码发电机智能控制器的研发;陈仁武;《中国优秀博硕士学位论文全文数据库》;20120715;第16-55页 |
船舶发电机励磁系统人工神经网络控制研究;陈子顺;《中国优秀博硕士学位论文全文数据库》;20041215;第9-22页和第37页 |
船舶柴油发电机转速的BP-PID并行控制;丁森茂等;《船电技术》;20121231;第15-18页 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022144551A1 (en) * | 2020-12-31 | 2022-07-07 | ZF Automotive UK Limited | Motor control in an electric power steering |
WO2022144552A1 (en) * | 2020-12-31 | 2022-07-07 | ZF Automotive UK Limited | Steer by wire system for an automotive vehicle |
Also Published As
Publication number | Publication date |
---|---|
CN104836498A (zh) | 2015-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104836498B (zh) | 一种基于人工神经网络的自整定pid发电机控制系统 | |
Tian et al. | An ANFIS-based ECMS for energy optimization of parallel hybrid electric bus | |
CN106004865B (zh) | 基于工况识别的里程自适应混合动力汽车能量管理方法 | |
CN107590323B (zh) | 基于混合励磁六相爪极发电机的电磁、温升、机械、电子耦合系统的建模方法 | |
CN106788086B (zh) | 考虑输入饱和的异步电机命令滤波有限时间模糊控制方法 | |
CN106849793B (zh) | 一种电动汽车用永磁同步电机模糊神经网络控制系统 | |
CN106476629B (zh) | 一种基于empc的高速铁路受电弓的主动控制方法及系统 | |
Khuntia et al. | A comparative study of PI, IP, fuzzy and neuro-fuzzy controllers for speed control of DC motor drive | |
CN106788028B (zh) | 无轴承永磁同步电机强化学习控制器及其构造方法 | |
CN102509152A (zh) | 一种基于rbf神经网络的开关磁阻电机在线建模方法 | |
CN110429895A (zh) | 混合动力车用开关磁阻bsg优化线性控制器的构造方法 | |
CN110705174A (zh) | 一种五自由度磁悬浮电主轴转子位移自检测系统及方法 | |
CN105278332A (zh) | 一种基于soa的pmlsm进给系统pid参数优化方法 | |
CN109361333B (zh) | 在线惯量辨识方法、系统、电机控制器及可读存储器 | |
Nicola et al. | Improved performance of sensorless control for PMSM based on neuro-Fuzzy Speed Controller | |
Yan et al. | Hardware implementation of an AIS-based optimal excitation controller for an electric ship | |
CN106533313B (zh) | 电动汽车用永磁同步电机的极限学习机命令滤波控制方法 | |
CN106130425B (zh) | 混合动力车用开关磁阻bsg系统智能控制器的构造方法 | |
Xu | Control of DC adjustable speed electric vehicle based on PSO-PID algorithm optimization research | |
Elnaghi et al. | Adaptation of PI controller used with combination of perturbation and observation method and feedback method for DFIG | |
Osorio et al. | A supervised adaptive neuro-fuzzy inference system controller for a hybrid electric vehicle's power train system | |
CN115907117A (zh) | 一种基于深度学习和动态规划的混动无人机能量管理方法 | |
Sahoo et al. | A comprehensive analysis of induction motor direct torque control for electric vehicle applications | |
Ma et al. | Study on Intelligent Speed Control Algorithm for Diesel Engine | |
Cai et al. | Identification and control of PMSM using adaptive BP-PID neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |