CN105353614A - 一种变速恒频率双馈式双向潮汐发电机系统的控制方法 - Google Patents

Abstract

本发明公开了一种变速恒频率双馈式双向潮汐发电机系统的控制方法，其步骤如下：基于RBF神经网络非线性预测模型变速恒频率双馈式双向潮汐发电机系统的自适应PlD控制；建立基于遗传算法的逆变器，利用变学习的学习算法，在线自适应地调整学习速率；采用了双DSP数字信号处理器DSP28335作为核心处理器，采用非线性预测模型对整个系统进行在线辨识和预测的实时控制。本申请的动态响应快，超调小，稳态精度高，鲁棒性强，有较强的抗扰动能力，具有较好的控制效果。

Description

一种变速恒频率双馈式双向潮汐发电机系统的控制方法

技术领域

本发明属于潮汐发电机系统的技术领域，具体涉及一种变速恒频率双馈式双向潮汐发电机系统的控制方法。

背景技术

网络RBF控制的变速恒频率双馈式双向潮汐发电机系统，其特点是能够与传统的PID控制相结合构成神经网络自适应PID控制策略，应用于非线性严重的变速恒频率双馈式双向潮汐发电机系统，可实现对多变速恒频率双馈式双向潮汐发电机系统高性能的RTW实时控制。同时，神经网络所具有的非线性变换特性和高度的并行运算能力使得其适合建立非线性预测模型进行参数预测。通过对被控系统参数的预测，可提高系统的动态响应性能。由于能量密度和时空分布的不确定性和非线性，采用传统PID控制策略对于变速恒频率双馈式双向潮汐发电机的电压、电流、功率、电能的调度和微型电网的潮流控制已经产生了十分明显的局限性，因此采用先进的智能控制理论，对系统进行实时测控是一个优选的技术方案。

发明内容

本申请提供了一种变速恒频率双馈式双向潮汐发电机系统的控制方法，采用BP神经网络和RBF神经网络两个神经网络来分别构成神经网络NNC和神经网络NNI采用变学习速率的神经网络学习算法，学习速率随收敛过程误差的大小而自适应地进行调整，这可大大加快神经网络学习训练的收敛速度，进一步提高系统动态响应速度。

为了达到上述目的，本发明的技术方案是：一种变速恒频率双馈式双向潮汐发电机系统的控制方法，其步骤如下：

步骤一：基于RBF神经网络非线性预测模型变速恒频率双馈式双向潮汐发电机系统的自适应PlD控制；

步骤二：建立基于遗传算法的逆变器，利用变学习的学习算法，在线自适应地调整学习速率；

步骤三：采用了双DSP数字信号处理器DSP28335作为核心处理器，采用非线性预测模型对整个系统进行在线辨识和预测的实时控制。

所述基于RBF神经网络非线性预测模型变速恒频率双馈式双向潮汐发电机系统的自适应PlD控制的方法包括：采用BP神经网络和RBF神经网络两个神经网络来分别构成神经网络NNC和神经网络NNI，神经网络NNC进行自适应PID参数调节；神经网络NNI用来建立非线性预测模型进行参数预测。

所述PID控制的方法是：

假定在第k次迭代过程中，第J个控制器的偏差为：

e_J(k)＝r_J(k)-y_J(k)J＝1，2，3,N(1)

对于第J个控制器而言，其经典的增量数字PID控制算式可表示如下：

$u_J^{\·}\left(k\right)=u_J^{\·}(k-1)+W_{J1}\left(k\right)\·e_J\left(k\right)-W_{J2}\left(k\right)\·e_J(k-1)+W_{J3}\left(k\right)\·e_J(k-2)---\left(2\right)$

其中： $W_{J1}\left(k\right)=K_{PJ}+K_{IJ}\·T_s+\frac{K_{DJ}}{T_s};---\left(3\right)$

$W_{J2}\left(k\right)=K_{PJ}+2\·\frac{K_{DJ}}{T_s};---\left(4\right)$

$W_{J3}\left(k\right)=\frac{K_{DJ}}{T_s};---\left(5\right)$

在上式中，K_PJ、K_IJ、K_DJ分别为第J个神经网络PID调节器的比例、积分、微分系数，也是离散化变量；W_J1(k)、W_J2(k)、W_J3(k)分别为第J个神经网络PID的权值函数；T_s为控制采样周期。

所述神经网络NNC进行自适应PID参数调节的方法是：

将W_J0(k)、W_J1(k)、W_J2(k)视为依赖于系统运行状态的可调整系数时，可将式(2)描述为非线性函数，可以用神经网络NNC通过训练和学习来找到一个最佳控制规律；

神经网络NNC是1个3层BP神经网络，其数学表达式为：

u_J(k)＝f(u_J(k-1),W_J1(k),W_J2(k),W_J3(k),e_J(k),e_J(k-1),e_J(k-2))(6)

神经网络NNC有4个输入节点、6个隐层节点、3个输出节点；输入节点对应于所选的系统运行状态量，输出节点分别对应PID控制器的3个可调参数，W_J0(k)、W_J1(k)、W_J2(k)；由于PID控制器系数W_J0(k)、W_J1(k)、W_J2(k)不能为负值，所以输出层神经元的激发函数取非负的Sigmoid函数，而隐含层神经元的激发函数取正负对称的Sigmoid函数；选取第J个控制器的下列参数：

X_J＝[r_J(k),y_J(k),e_J(k),1](7)

第J个神经网络NNC输入层节点的输出为

$\begin{array}{cc}{O}_{Jj}^{\left(1\right)}\left(k\right)=x_{Jj}\left(k\right)& j=1,2,\mathrm{....},M\end{array}---\left(8\right)$

式中：为输入层的输出节点；M为输入变量的个数；

神经网络NNC的隐含层输入、输出为

$\left\{\begin{array}{c}{n}_{Ji}^{\left(2\right)}\left(k\right)=\underset{j=1}{\overset{M}{\Σ}}{w}_{ij}^{\left(2\right)}\left(k\right)\·O_{Jj}^{\left(1\right)}\left(k\right)\\ O_{Ji}^{\left(2\right)}\left(k\right)=f\left(n_{Ji}^{\left(2\right)}\right(k\left)\right),i=1,2,\mathrm{...}Q\end{array}\right.---\left(9\right)$

式中：为隐含层权系数；f(·)为激发函数，

f(·)＝tanhx＝(e^x-e^-x)/(e^x+e^-x)；(10)

上角标(1)、(2)、(3)分别对应的输入层、隐含层、输出层；

第J个神经网络NNC的输出层的输入、输出为

$\left\{\begin{array}{c}{n}_{Jl}^{\left(3\right)}\left(k\right)=\underset{i=1}{\overset{Q}{\Σ}}{w}_{jl}^{\left(3\right)}{O}_{Ji}^{\left(2\right)}\left(k\right)\\ O_{Jl}^{\left(3\right)}\left(k\right)=g\left(n_{Jl}^{\left(3\right)}\right(k\left)\right),l=1,2,3\\ O_{J1}^{\left(3\right)}\left(k\right)=W_{J1}\left(k\right)\\ O_{J2}^{\left(2\right)}\left(k\right)=W_{J2}\left(k\right)\\ O_{J3}^{\left(3\right)}\left(k\right)=W_{J3}\left(k\right)\end{array}\right.---\left(11\right)$

式中，为输出层权系数，激发函数为：

g(·)＝(1+tanh(x))/2＝e^x/(e^x-e^-x)(12)

假定取第J个NNC的性能指标函数为二次型函数为：

$J_J\left(k\right)=\frac{1}{2}{\left(r_J\right(k)-y_J(k\left)\right)}^2---\left(13\right)$

式中：r_J(k)为系统参考输入；y_J(k)为系统的输出。

用最速下降法修正网络的权系数，即按J_J(k)，对权系数的负梯度方向搜索调整，并附加1个使搜索快速收敛全局最小的惯性项，则有：

$w_{lj}^{\left(3\right)}\left(k\right)=w_{lj}^{\left(3\right)}(k-1)+\mathrm{\η}\left(k\right)\·\frac{\∂J_J\left(k\right)}{\∂w_{lj}^{\left(3\right)}\left(k\right)}+\mathrm{\α}\·{\mathrm{\Δw}}_{lj}^{\left(3\right)}(k-1)---\left(14\right)$

式中：η(k)为学习速率，α为惯性系数；

$\begin{array}{c}\frac{\∂J_J\left(k\right)}{\∂w_{lj}^{\left(3\right)}\left(k\right)}=\frac{\∂J_J\left(k\right)}{\∂y\left(k\right)}\·\frac{\∂y\left(k\right)}{\∂u\left(k\right)}\·\frac{\∂u\left(k\right)}{\∂O_l^{\left(3\right)}\left(k\right)}\·\\ \frac{\∂O_l^{\left(3\right)}\left(k\right)}{\∂n_l^{\left(3\right)}\left(k\right)}\·\frac{\∂n_l^{\left(3\right)}\left(k\right)}{\∂w_{lj}^{\left(3\right)}\left(k\right)}\end{array}---\left(15\right)$

由于未知，为得到较好的控制效果，应采用预测模型的预测输出值来代替

由式(15)可以求得

$\left\{\begin{array}{c}\frac{\∂u\left(k\right)}{\∂{O_1}^{\left(3\right)}\left(k\right)}=e\left(k\right)-e(k-e)\\ \frac{\∂u\left(k\right)}{\∂{O_2}^{\left(3\right)}\left(k\right)}=e\left(k\right)\\ \frac{\∂u\left(k\right)}{\∂{O_3}^{\left(3\right)}\left(k\right)}=e\left(k\right)-2e(k-1)+e(k-2)\end{array}\right.---\left(16\right)$

因此可得神经网络NNC输出层的权系数计算公式为

式中g′[*]＝g(x)[1-g(x)]

依据上述推算方法，可得隐含层权系数的计算公式为

$\left\{\begin{array}{c}{{\mathrm{\Δw}}_{ij}}^{\left(2\right)}\left(k\right)=\mathrm{\η}\left(k\right){{\mathrm{\δ}}_i}^{\left(2\right)}{O_j}^{\left(1\right)}\left(k\right)+{{\mathrm{\α\Δw}}_{ij}}^{\left(2\right)}(k-1)\\ {{\mathrm{\δ}}_i}^{\left(2\right)}=f^{\′}\[{n_i}^{\left(2\right)}\left(k\right)\]\underset{l=1}{\overset{3}{\Σ}}{{\mathrm{\δ}}_l}^{\left(3\right)}{w_{li}}^{\left(3\right)}\left(k\right)\\ i=1,2,\mathrm{3...},Q\end{array}\right.---\left(18\right)$

式中，f′[·]＝[1-f²(x)]/2。

所述神经网络NNI用来建立非线性预测模型进行参数预测的方法是：建立发电机系统用一个MISO非线性系统来描述

y(k)＝f[u(k-1),y(k-1),y(k-2)](19)；

采用1个具有3个输入节点、5个隐含层节点和1个输出节点的3层RBF神经网络NNI作为非线性被控对象一多三相水轮发电机的非线性预测模型；

选取X＝[u(k-1),y(k-1),y(k-2)]^T为非线性预测模型神经网络NNI的输入向量，构成神经网络NNI的RBF神经网络的径向基向量H＝[h₁,h₂,...,h_j,...,h_m]^T，其中，高斯基函数

$\begin{array}{cc}{h}_j\left(x\right)=\exp (-\frac{\left|\right|X-Cj|{|}^2}{2{b_j}^2})& j=1,2,\mathrm{...},m\end{array}---\left(20\right)$

式中：C_j为j节点的中心矢量，C_j＝[c_j1,c_j2,...,c_ji,...,c_jn]^T；其中，i＝l，2..，n；b_j为节点的基宽度参数，且为大于零的数；

RBF神经网络NNI的输出为

式中，W_j为隐含层神经元与输出层神经元的连接权；

神经网络NNI的性能指标函数取为二次型函数：

$J_1=\frac{1}{2}{\[y\left(k\right)-y_m\left(k\right)\]}^2---\left(22\right)$

式中：y(k)为系统输出；y_m(k)为神经网络辨识输出；

根据梯度下降法，输出权、节点中心及节点基宽参数的迭代算法为

w_j(k)＝w_j(k-1)+η′(k)[y(k)-y_m(k)]h_j+α′[w_j(k-1)-w_j(k-2)](23)

${\mathrm{\Δb}}_j=\[y\left(k\right)-y_m\left(k\right)\]w_j{h}_j\frac{\left|\right|x-C_j|{|}^2}{{b_j}^3}---\left(24\right)$

b_j(k)＝b_j(k-1)η′(k)Δb_j+α′[b_j(k-1)-b_j(k-2)](25)

${\mathrm{\Δc}}_{ji}=\[y\left(k\right)-y_m\left(k\right)\]w_j\frac{x_j-c_{ji}}{{b_j}^2}---\left(26\right)$

c_ji(k)＝c_ji(k-1)+η′(k)Δc_ji+α′[c_ji(k-1)-c_ji(k-2)](27)

式中：η′(k)为学习速率；α′为惯性系数；

被控对象的输出对控制输入的导数算法为

$\frac{\∂y\left(k\right)}{\∂u\left(k\right)}\≈\frac{\∂{\hat{y}}_m\left(k\right)}{\∂u\left(k\right)}=\underset{j=1}{\overset{m}{\Σ}}{w}_j{h}_j\frac{c_{ji}-x_1}{{b_j}^2}---\left(28\right)$

式中x₁＝u(k)。

本发明的有益效果：采用BP神经网络和RBF神经网络两个神经网络来分别构成神经网络NNC和神经网络NNI，神经网络NNC进行自适应PID参数调节；神经网络NNI用来建立非线性预测模型进行参数预测；为进一步加快神经网络的学习收敛速度，采用变学习速率的神经网络学习算法，学习速率随收敛过程误差的大小而自适应地进行调整，这可大大加快神经网络学习训练的收敛速度，进一步提高系统动态响应速度。实验结果表明，本申请的动态响应快，超调小，稳态精度高，鲁棒性强，有较强的抗扰动能力，具有较好的控制效果。

附图说明

图1为本发明变速恒频率双馈式双向潮汐发电机系统的结构示意图。

图2为本发明神经网络NNC自适应PID参数调节的原理框图。

图3为本发明神经网络NNC叠加输出的原理图。

图4为本发明神经网络NNC的训练和学习的框图。

图5为本发明DSP实现调试的过程。

图6为本发明核心处理器的工作过程。

具体实施方式

下面通过附图和实施例具体描述一下本发明。

一种变速恒频率双馈式双向潮汐发电机系统的控制方法，变速恒频率双馈式双向潮汐发电机系统一个实施例如图1所示，其步骤如下：

步骤一：基于RBF神经网络非线性预测模型变速恒频率双馈式双向潮汐发电机系统的自适应PlD控制。

基于RBF神经网络非线性预测模型变速恒频率双馈式双向潮汐发电机系统的自适应PlD控制的方法包括：采用BP神经网络和RBF神经网络两个神经网络来分别构成神经网络NNC和神经网络NNI，神经网络NNC进行自适应PID参数调节；神经网络NNI用来建立非线性预测模型进行参数预测。

为了适应大多数现代被控对象具有的不确定性、非线性和时变性，应采用变参数的自适应PID控制策略。将人工神经网络与PID控制律相结合，充分发挥神经网络的自适应、非线性映射能力和学习能力可形成一种自适应能力很强的参数可调的神经网络PID控制策略。为了提高被控系统的响应速度，对于神经网络控制系统来说，一般需要对被控系统的特性进行辨识，因被控对象的非线性特性，故建立基于神经网络的非线性预测模型。应用RBF神经网络实现的非线性预测模型，具有收敛速度快、可避免收敛于局部极值点且网络结构简洁的优点，因而可提高系统的动态响应特性。

所述PID控制的方法是：假定在第k次迭代过程中，第J个控制器的偏差为：

e_J(k)＝r_J(k)-y_J(k)J＝1，2，3,N(1)

对于第J个控制器而言，其经典的增量数字PID控制算式可表示如下：

$u_J^{\·}\left(k\right)=u_J^{\·}(k-1)+W_{J1}\left(k\right)\·e_J\left(k\right)-W_{J2}\left(k\right)\·e_J(k-1)+W_{J3}\left(k\right)\·e_J(k-2)---\left(2\right)$

其中： $W_{J1}\left(k\right)=K_{PJ}+K_{IJ}\·T_s+\frac{K_{DJ}}{T_s};---\left(3\right)$

$W_{J2}\left(k\right)=K_{PJ}+2\·\frac{K_{DJ}}{T_s};---\left(4\right)$

$W_{J3}\left(k\right)=\frac{K_{DJ}}{T_s};---\left(5\right)$

在上式中，K_PJ、K_IJ、K_DJ分别为第J个神经网络PID调节器的比例、积分、微分系数，也是离散化变量；W_J1(k)、W_J2(k)、W_J3(k)分别为第J个神经网络PID的权值函数；T_s为控制采样周期。

如图2、图3和图4所示，所述神经网络NNC进行自适应PID参数调节的方法是：

将W_J0(k)、W_J1(k)、W_J2(k)视为依赖于系统运行状态的可调整系数时，可将式(2)描述为非线性函数，可以用神经网络NNC通过训练和学习来找到一个最佳控制规律；

神经网络NNC是1个3层BP神经网络，其数学表达式为：

u_J(k)＝f(u_J(k-1),W_J1(k),W_J2(k),W_J3(k),e_J(k),e_J(k-1),e_J(k-2))(6)

神经网络NNC有4个输入节点、6个隐层节点、3个输出节点；输入节点对应于所选的系统运行状态量，输出节点分别对应PID控制器的3个可调参数，W_J0(k)、W_J1(k)、W_J2(k)；由于PID控制器系数W_J0(k)、W_J1(k)、W_J2(k)不能为负值，所以输出层神经元的激发函数取非负的Sigmoid函数，而隐含层神经元的激发函数取正负对称的Sigmoid函数；选取第J个控制器的下列参数，第J个NNC神经网络的输入量：

X_J＝[r_J(k),y_J(k),e_J(k),1](7)

第J个神经网络NNC输入层节点的输出为

$\begin{array}{cc}{O}_{Jj}^{\left(1\right)}\left(k\right)=x_{Jj}\left(k\right)& j=1,2,\mathrm{....},M\end{array}---\left(8\right)$

式中：为输入层的输出节点；M为输入变量的个数。

神经网络NNC的隐含层输入、输出为

$\left\{\begin{array}{c}{n}_{Ji}^{\left(2\right)}\left(k\right)=\underset{j=1}{\overset{M}{\Σ}}{w}_{ij}^{\left(2\right)}\left(k\right)\·O_{Jj}^{\left(1\right)}\left(k\right)\\ O_{Ji}^{\left(2\right)}\left(k\right)=f\left(n_{Ji}^{\left(2\right)}\right(k\left)\right),i=1,2,\mathrm{...}Q\end{array}\right.---\left(9\right)$

式中：为隐含层权系数；f(·)为激发函数，

f(·)＝tanhx＝(e^x-e^-x)/(e^x+e^-x)；(10)

上角标(1)、(2)、(3)分别对应的输入层、隐含层、输出层。

第J个神经网络NNC的输出层的输入、输出为

$\left\{\begin{array}{c}{n}_{Jl}^{\left(3\right)}\left(k\right)=\underset{i=1}{\overset{Q}{\Σ}}{w}_{jl}^{\left(3\right)}{O}_{Ji}^{\left(2\right)}\left(k\right)\\ O_{Jl}^{\left(3\right)}\left(k\right)=g\left(n_{Jl}^{\left(3\right)}\right(k\left)\right),l=1,2,3\\ O_{J1}^{\left(3\right)}\left(k\right)=W_{J1}\left(k\right)\\ O_{J2}^{\left(2\right)}\left(k\right)=W_{J2}\left(k\right)\\ O_{J3}^{\left(3\right)}\left(k\right)=W_{J3}\left(k\right)\end{array}\right.---\left(11\right)$

式中，为输出层权系数，激发函数为：

g(·)＝(1+tanh(x))/2＝e^x/(e^x-e^-x)(12)

假定取第J个NNC的性能指标函数为二次型函数为：

$J_J\left(k\right)=\frac{1}{2}{\left(r_J\right(k)-y_J(k\left)\right)}^2---\left(13\right)$

式中：r_J(k)为系统参考输入；y_J(k)为系统的输出。

用最速下降法修正网络的权系数，即按J_J(k)，对权系数的负梯度方向搜索调整，并附加1个使搜索快速收敛全局最小的惯性项，则有：

$w_{lj}^{\left(3\right)}\left(k\right)=w_{lj}^{\left(3\right)}(k-1)+\mathrm{\η}\left(k\right)\·\frac{\∂J_J\left(k\right)}{\∂w_{lj}^{\left(3\right)}\left(k\right)}+\mathrm{\α}\·{\mathrm{\Δw}}_{lj}^{\left(3\right)}(k-1)---\left(14\right)$

式中：η(k)为学习速率，α为惯性系数；

$\begin{array}{c}\frac{\∂J_J\left(k\right)}{\∂w_{lj}^{\left(3\right)}\left(k\right)}=\frac{\∂J_J\left(k\right)}{\∂y\left(k\right)}\·\frac{\∂y\left(k\right)}{\∂u\left(k\right)}\·\frac{\∂u\left(k\right)}{\∂O_l^{\left(3\right)}\left(k\right)}\·\\ \frac{\∂O_l^{\left(3\right)}\left(k\right)}{\∂n_l^{\left(3\right)}\left(k\right)}\·\frac{\∂n_l^{\left(3\right)}\left(k\right)}{\∂w_{lj}^{\left(3\right)}\left(k\right)}\end{array}---\left(15\right)$

由于未知，为得到较好的控制效果，应采用预测模型的预测输出值来代替

由式(15)可以求得

$\left\{\begin{array}{c}\frac{\∂u\left(k\right)}{\∂{O_1}^{\left(3\right)}\left(k\right)}=e\left(k\right)-e(k-1)\\ \frac{\∂u\left(k\right)}{\∂{O_2}^{\left(3\right)}\left(k\right)}=e\left(k\right)\\ \frac{\∂u\left(k\right)}{\∂{O_3}^{\left(3\right)}\left(k\right)}=e\left(k\right)-2e(k-1)+e(k-2)\end{array}\right.---\left(16\right)$

因此可得神经网络NNC输出层的权系数计算公式为

式中g′[*]＝g(x)[1-g(x)]

依据上述推算方法，可得隐含层权系数的计算公式为

$\left\{\begin{array}{c}{{\mathrm{\Δw}}_{ij}}^{\left(2\right)}\left(k\right)=\mathrm{\η}\left(k\right){{\mathrm{\δ}}_i}^{\left(2\right)}{O_j}^{\left(1\right)}\left(k\right)+{{\mathrm{\α\Δw}}_{ij}}^{\left(2\right)}(k-1)\\ {{\mathrm{\δ}}_i}^{\left(2\right)}=f^{\′}\[{n_i}^{\left(2\right)}\left(k\right)\]\underset{l=1}{\overset{3}{\Σ}}{{\mathrm{\δ}}_l}^{\left(3\right)}{w_{li}}^{\left(3\right)}\left(k\right)\\ i=1,2,\mathrm{3...},Q\end{array}\right.---\left(18\right)$

式中，f′[·]＝[1-f²(x)]/2。

所述神经网络NNI用来建立非线性预测模型进行参数预测的方法是：建立发电机系统用一个MISO非线性系统来描述

y(k)＝f[u(k-1),y(k-1),y(k-2)](19)；

采用1个具有3个输入节点、5个隐含层节点和1个输出节点的3层RBF神经网络NNI作为非线性被控对象一多三相水轮发电机的非线性预测模型；

选取X＝[u(k-1),y(k-1),y(k-2)]^T为非线性预测模型神经网络NNI的输入向量，构成神经网络NNI的RBF神经网络的径向基向量H＝[h₁,h₂,...,h_j,...,h_m]^T，其中，高斯基函数

$\begin{array}{cc}{h}_j\left(x\right)=\exp (-\frac{\left|\right|X-Cj|{|}^2}{2{b_j}^2})& j=1,2,\mathrm{...},m\end{array}---\left(20\right)$

式中：C_j为j节点的中心矢量，C_j＝[c_j1,c_j2,...,c_ji,...,c_jn]^T；其中，i＝l，2..，n；b_j为节点的基宽度参数，且为大于零的数；

RBF神经网络NNI的输出为

式中，W_j为隐含层神经元与输出层神经元的连接权；

神经网络NNI的性能指标函数取为二次型函数：

$J_1=\frac{1}{2}{\[y\left(k\right)-y_m\left(k\right)\]}^2---\left(22\right)$

式中：y(k)为系统输出；y_m(k)为神经网络辨识输出；

根据梯度下降法，输出权、节点中心及节点基宽参数的迭代算法为

w_j(k)＝w_j(k-1)+η′(k)[y(k)-y_m(k)]h_j+α′[w_j(k-1)-w_j(k-2)](23)

${\mathrm{\Δb}}_j=\[y\left(k\right)-y_m\left(k\right)\]w_j{h}_j\frac{\left|\right|x-C_j|{|}^2}{{b_j}^3}---\left(24\right)$

b_j(k)＝b_j(k-1)η′(k)Δb_j+α′[b_j(k-1)-b_j(k-2)](25)

${\mathrm{\Δc}}_{ji}=\[y\left(k\right)-y_m\left(k\right)\]w_j\frac{x_j-c_{ji}}{{b_j}^2}---\left(26\right)$

c_ji(k)＝c_ji(k-1)+η′(k)Δc_ji+α′[c_ji(k-1)-c_ji(k-2)](27)

式中：η′(k)为学习速率；α′为惯性系数。

被控对象的输出对控制输入的导数算法为

$\frac{\∂y\left(k\right)}{\∂u\left(k\right)}\≈\frac{\∂{\hat{y}}_m\left(k\right)}{\∂u\left(k\right)}=\underset{j=1}{\overset{m}{\Σ}}{w}_j{h}_j\frac{c_{ji}-x_1}{{b_j}^2}---\left(28\right)$

式中x₁＝u(k)。

基于RBF神经网络非线性预测模型变速恒频率双馈式双向潮汐发电机系统的自适应PlD控制的方法的特点是能够与传统的PID控制相结合构成神经网络自适应PID控制策略，应用于非线性严重的多一种变速恒频率双馈式双向潮汐发电机系统，可实现对多一种变速恒频率双馈式双向潮汐发电机系统的高性能控制。同时，神经网络所具有的非线性变换特性和高度的并行运算能力使得其适合建立非线性预测模型进行参数预测。通过对被控系统参数的预测，可提高系统的动态响应性能。该文采用两个神经网络.BP神经网络和RBF神经网络来分别构成神经网络NNC和神经网络NNI。神经网络NNC进行自适应PID参数调节；神经网络NNI用来建立非线性预测模型进行参数预测。为进一步加快神经网络的学习收敛速度，该文采用变学习速率的神经网络学习算法，学习速率随收敛过程误差的大小而自适应地进行调整，这可大大加快神经网络学习训练的收敛速度，进一步提高系统动态响应速度。实验结果表明，系统的动态响应快，超调小，稳态精度高，鲁棒性强，有较强的抗扰动能力，具有较好的控制效果。

本发明将人工神经网络与PID控制律相结合，充分发挥神经网络的自适应、非线性映射能力和学习能力可形成一种自适应能力很强的参数可调的神经网络PID控制策略。为提高被控系统的响应速度，对于神经网络控制系统来说，一般需要对被控系统的特性进行辨识，因被控对象的非线性特性，故建立基于神经网络的非线性预测模型。应用RBF神经网络实现的非线性预测模型，具有收敛速度快、可避免收敛于局部极值点且网络结构简洁的优点，因而可提高系统的动态响应特性。

步骤二：建立基于遗传算法的逆变器，利用变学习的学习算法，在线自适应地调整学习速率。

为加快收敛速度，本文采用变学习速率的学习算法，根据收敛过程中误差的大小，在线自适应地调整式(14)学习速率η(k)的大小。

为提高系统的性能，采用非线性预测模型对式(15)中的进行在线辨识和预测。

步骤三：采用了双DSP数字信号处理器DSP28335作为核心处理器，采用非线性预测模型对整个系统进行在线辨识和预测的实时控制。

但是，采用现代智能控制理论后，对于嵌入式控制系统和微处理器系统的运算能力和硬件资源将提出更高的要求，必须采用新型的数字信号处理器DSP28335作为核心处理器，对于系统的控制变量进行高速的测控。如图5所示，基于模型的DSP算法实现模型调试与自动生成代码，PC机实时仿真，通过RS232接口与核心处理器相连接，核心处理器通过光耦合隔离接口与驱动电路相连接，驱动电路与功率模块与负载、电源相连接，电源、功率模块与负载与核心处理器相连接。驱动电路与功率模块将负载信号检测传送至核心处理器。

如图6所示，设计定义，利用MATLAB进行算法研究与分析，通过Simulink进行系统建模与仿真，通过RTW参数设置TIC200DSP模块进行实时代码生成，利用C工程文件实现CCS编译、链接，利用可执行文件进行28335目标板下载运行实时代码验证，从而实现在线辨识和预测的实时控制。

为减小在线运算量并提高初始响应特性，对神经网络进行了离线训练。离线训练完成后，控制系统投入在线训练和在线控制，通过在线训练可克服系统参数变化对控制性能的影响，提高系统的鲁棒性，系统根据检测误差进行在线控制，以消除误差并达到高控制性能。这既优化了神经网络的初始参数，又大大减少了在线计算量，提高了控制系统的实时性。

本发明采用两个神经网络BP神经网络和RBF神经网络来分别构成神经网络NNC和神经网络NNI，神经网络NNC进行自适应PID参数调节；神经网络NNI用来建立非线性预测模型进行参数预测。为进一步加快神经网络的学习收敛速度，该文采用变学习速率的神经网络学习算法，学习速率随收敛过程误差的大小而自适应地进行调整，这可大大加快神经网络学习训练的收敛速度，进一步提高系统动态响应速度。实验运用基于DSP28335的RTW实时控制，实验结果表明，系统的动态响应快，超调小，稳态精度高，鲁棒性强，有较强的抗扰动能力，具有较好的控制效果。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种变速恒频率双馈式双向潮汐发电机系统的控制方法，其特征在于，其步骤如下：

步骤一：基于RBF神经网络非线性预测模型变速恒频率双馈式双向潮汐发电机系统的自适应PlD控制；

步骤二：建立基于遗传算法的逆变器，利用变学习的学习算法，在线自适应地调整学习速率；

步骤三：采用了双DSP数字信号处理器DSP28335作为核心处理器，采用非线性预测模型对整个系统进行在线辨识和预测的实时控制。

2.根据权利要求1所述的变速恒频率双馈式双向潮汐发电机系统的控制方法，其特征在于，所述基于RBF神经网络非线性预测模型变速恒频率双馈式双向潮汐发电机系统的自适应PlD控制的方法包括：采用BP神经网络和RBF神经网络两个神经网络来分别构成神经网络NNC和神经网络NNI，神经网络NNC进行自适应PID参数调节；神经网络NNI用来建立非线性预测模型进行参数预测。

3.根据权利要求2所述的变速恒频率双馈式双向潮汐发电机系统的控制方法，其特征在于，所述PID控制的方法是：

假定在第k次迭代过程中，第J个控制器的偏差为：

e_J(k)＝r_J(k)-y_J(k)J＝1，2，3,N(1)

对于第J个控制器而言，其经典的增量数字PID控制算式可表示如下：

$u_J^{\·}\left(k\right)=u_J^{\·}(k-1)+W_{J1}\left(k\right)\·e_J\left(k\right)-W_{J2}\left(k\right)\·e_J(k-1)+W_{J3}\left(k\right)\·e_J(k-2)---\left(2\right)$

其中： $W_{J1}\left(k\right)=K_{PJ}+K_{IJ}\·T_s+\frac{K_{DJ}}{T_s};---\left(3\right)$

$W_{J2}\left(k\right)=K_{PJ}+2\·\frac{K_{DJ}}{T_s};---\left(4\right)$

$W_{J3}\left(k\right)=\frac{K_{DJ}}{T_s};---\left(5\right)$

在上式中，K_PJ、K_IJ、K_DJ分别为第J个神经网络PID调节器的比例、积分、微分系数，也是离散化变量；W_J1(k)、W_J2(k)、W_J3(k)分别为第J个神经网络PID的权值函数；T_s为控制采样周期。

4.根据权利要求3所述的变速恒频率双馈式双向潮汐发电机系统的控制方法，其特征在于，所述神经网络NNC进行自适应PID参数调节的方法是：

将W_J0(k)、W_J1(k)、W_J2(k)视为依赖于系统运行状态的可调整系数时，可将式(2)描述为非线性函数，可以用神经网络NNC通过训练和学习来找到一个最佳控制规律；

神经网络NNC是1个3层BP神经网络，其数学表达式为：

u_J(k)＝f(u_J(k-1),W_J1(k),W_J2(k),W_J3(k),e_J(k),e_J(k-1),e_J(k-2))(6)

神经网络NNC有4个输入节点、6个隐层节点、3个输出节点；输入节点对应于所选的系统运行状态量，输出节点分别对应PID控制器的3个可调参数，W_J0(k)、W_J1(k)、W_J2(k)；由于PID控制器系数W_J0(k)、W_J1(k)、W_J2(k)不能为负值，所以输出层神经元的激发函数取非负的Sigmoid函数，而隐含层神经元的激发函数取正负对称的Sigmoid函数；选取第J个控制器的下列参数：

X_J＝[r_J(k),y_J(k),e_J(k),1](7)

第J个神经网络NNC输入层节点的输出为

$O_{Jj}^{\left(1\right)}\left(k\right)=x_{Jj}\left(k\right),j=1,2,\mathrm{....},M---\left(8\right)$

式中：为输入层的输出节点；M为输入变量的个数；

神经网络NNC的隐含层输入、输出为

$\left\{\begin{array}{c}{n}_{Ji}^{\left(2\right)}\left(k\right)=\underset{j=1}{\overset{M}{\Σ}}{w}_{ij}^{\left(2\right)}\left(k\right)\·O_{Jj}^{\left(1\right)}\left(k\right)\\ O_{Ji}^{\left(2\right)}\left(k\right)=f\left(n_{Ji}^{\left(2\right)}\right(k\left)\right),i=1,2,...Q\end{array}\right.---\left(9\right)$

式中：为隐含层权系数；f(·)为激发函数，

f(·)＝tanhx＝(e^x-e^-x)/(e^x+e^-x)；(10)

上角标(1)、(2)、(3)分别对应的输入层、隐含层、输出层；

第J个神经网络NNC的输出层的输入、输出为

$\left\{\begin{array}{c}{n}_{Jl}^{\left(3\right)}\left(k\right)=\underset{i=1}{\overset{Q}{\Σ}}{w}_{jl}^{\left(3\right)}{O}_{Ji}^{\left(2\right)}\left(k\right)\\ O_{Jl}^{\left(3\right)}\left(k\right)=g\left(n_{Jl}^{\left(3\right)}\right(k\left)\right),l=1,2,3\\ O_{J1}^{\left(3\right)}\left(k\right)=W_{J1}\left(k\right)\\ O_{J2}^{\left(3\right)}\left(k\right)=W_{J2}\left(k\right)\\ O_{J3}^{\left(3\right)}\left(k\right)=W_{J3}\left(k\right)\end{array}\right.---\left(11\right)$

式中，为输出层权系数，激发函数为：

g(·)＝(1+tanh(x))/2＝e^x/(e^x-e^-x)(12)

假定取第J个NNC的性能指标函数为二次型函数为：

$J_J\left(k\right)=\frac{1}{2}{\left(r_J\right(k)-y_J(k\left)\right)}^2---\left(13\right)$

式中：r_J(k)为系统参考输入；y_J(k)为系统的输出；

用最速下降法修正网络的权系数，即按J_J(k)，对权系数的负梯度方向搜索调整，并附加1个使搜索快速收敛全局最小的惯性项，则有：

$w_{lj}^{\left(3\right)}\left(k\right)=w_{lj}^{\left(3\right)}(k-1)+\mathrm{\η}\left(k\right)\·\frac{\∂J_J\left(k\right)}{\∂w_{lj}^{\left(3\right)}\left(k\right)}+\mathrm{\α}\·{\mathrm{\Δw}}_{lj}^{\left(3\right)}(k-1)---\left(14\right)$

式中：η(k)为学习速率，α为惯性系数；

$\begin{array}{c}\frac{\∂J_J\left(k\right)}{\∂w_{lj}^{\left(3\right)}\left(k\right)}=\frac{\∂J_J\left(k\right)}{\∂y\left(k\right)}\·\frac{\∂y\left(k\right)}{\∂u\left(k\right)}\·\frac{\∂u\left(k\right)}{\∂O_l^{\left(3\right)}\left(k\right)}\·\\ \frac{\∂O_l^{\left(3\right)}\left(k\right)}{\∂n_l^{\left(3\right)}\left(k\right)}\·\frac{\∂n_l^{\left(3\right)}\left(k\right)}{\∂w_{lj}^{\left(3\right)}\left(k\right)}\end{array}---\left(15\right)$

由于未知，为得到较好的控制效果，应采用预测模型的预测输出值来代替

由式(15)可以求得

$\left\{\begin{array}{c}\frac{\∂u\left(k\right)}{\∂{O_1}^{\left(3\right)}\left(k\right)}=e\left(k\right)-e(k-1)\\ \frac{\∂u\left(k\right)}{\∂{O_2}^{\left(3\right)}\left(k\right)}=e\left(k\right)\\ \frac{\∂u\left(k\right)}{\∂{O_3}^{\left(3\right)}\left(k\right)}=e\left(k\right)-2e(k-1)+e(k-2)\end{array}\right.---\left(16\right)$

因此可得神经网络NNC输出层的权系数计算公式为

式中g′[*]＝g(x)[1-g(x)]

依据上述推算方法，可得隐含层权系数的计算公式为

$\left\{\begin{array}{c}{{\mathrm{\Δw}}_{ij}}^{\left(2\right)}\left(k\right)=\mathrm{\η}\left(k\right){{\mathrm{\δ}}_i}^{\left(2\right)}{O_j}^{\left(1\right)}\left(k\right)+{{\mathrm{\α\Δw}}_{ij}}^{\left(2\right)}\left(k-1\right)\\ {{\mathrm{\δ}}_i}^{\left(2\right)}=f^{\′}\[{n_i}^{\left(2\right)}\left(k\right)\]\underset{l=1}{\overset{3}{\Σ}}{{\mathrm{\δ}}_l}^{\left(3\right)}{w_{li}}^{\left(3\right)}\left(k\right)\\ i=1,2,3...,Q\end{array}\right.---\left(18\right)$

式中，f′[·]＝[1-f²(x)]/2。

5.根据权利要求4所述的变速恒频率双馈式双向潮汐发电机系统的控制方法，其特征在于，所述神经网络NNI用来建立非线性预测模型进行参数预测的方法是：建立发电机系统用一个MISO非线性系统来描述

y(k)＝f[u(k-1),y(k-1),y(k-2)](19)；

采用1个具有3个输入节点、5个隐含层节点和1个输出节点的3层RBF神经网络NNI作为非线性被控对象一多三相水轮发电机的非线性预测模型；

选取X＝[u(k-1),y(k-1),y(k-2)]^T为非线性预测模型神经网络NNI的输入向量，构成神经网络NNI的RBF神经网络的径向基向量H＝[h₁,h₂,...,h_j,...,h_m]^T，其中，高斯基函数

$h_j\left(x\right)=\exp (-\frac{\left|\right|X-Cj|{|}^2}{2{b_j}^2}),j=1,2,...,m---\left(20\right)$

式中：C_j为j节点的中心矢量，C_j＝[c_j1,c_j2,...,c_ji,...,c_jn]^T；其中，i＝l，2..，n；b_j为节点的基宽度参数，且为大于零的数；

RBF神经网络NNI的输出为

式中，W_j为隐含层神经元与输出层神经元的连接权；

神经网络NNI的性能指标函数取为二次型函数：

$J_1=\frac{1}{2}{\[y\left(k\right)-y_m\left(k\right)\]}^2---\left(22\right)$

式中：y(k)为系统输出；y_m(k)为神经网络辨识输出；

根据梯度下降法，输出权、节点中心及节点基宽参数的迭代算法为

w_j(k)＝w_j(k-1)+η′(k)[y(k)-y_m(k)]h_j+α′[w_j(k-1)-w_j(k-2)](23)

${\mathrm{\Δb}}_j=\[y\left(k\right)-y_m\left(k\right)\]w_j{h}_j\frac{\left|\right|x-C_j|{|}^2}{{b_j}^3}---\left(24\right)$

b_j(k)＝b_j(k-1)η′(k)Δb_j+α′[b_j(k-1)-b_j(k-2)](25)

${\mathrm{\Δc}}_{ji}=\[y\left(k\right)-y_m\left(k\right)\]w_j\frac{x_j-c_{ji}}{{b_j}^2}---\left(26\right)$

c_ji(k)＝c_ji(k-1)+η′(k)Dc_ji+α′[c_ji(k-1)-c_ji(k-2)](27)

式中：η′(k)为学习速率；α′为惯性系数；

被控对象的输出对控制输入的导数算法为

$\frac{\∂y\left(k\right)}{\∂u\left(k\right)}\≈\frac{\∂{\hat{y}}_m\left(k\right)}{\∂u\left(k\right)}=\underset{j=1}{\overset{m}{\Σ}}{w}_j{h}_j\frac{c_{ji}-x_1}{{b_j}^2}---\left(28\right)$

式中x₁＝u(k)。