CN111766781A - 基于复合学习和dob的多机电力系统自适应动态面控制器 - Google Patents
基于复合学习和dob的多机电力系统自适应动态面控制器 Download PDFInfo
- Publication number
- CN111766781A CN111766781A CN202010373106.1A CN202010373106A CN111766781A CN 111766781 A CN111766781 A CN 111766781A CN 202010373106 A CN202010373106 A CN 202010373106A CN 111766781 A CN111766781 A CN 111766781A
- Authority
- CN
- China
- Prior art keywords
- error
- fuzzy logic
- power system
- dob
- derivative
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/10—Flexible AC transmission systems [FACTS]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了基于复合学习和DOB的多机电力系统自适应动态面控制器,控制器是基于以下步骤实现的:1)构造具有SVC装置的大型电力系统的数学模型;2)设计多机电力系统模糊逻辑系统逼近器,使其逼近得出步骤1)中多机电力系统模型内的未知函数;3)设计状态预测器,在更新律设计中加入预测误差,并引入补偿信号,将干扰观测器和模糊逻辑系统相结合,设计出基于复合学习和干扰观测器的多机电力系统自适应模糊动态面控制器。本发明所述控制器在更新律设计中加入了预测误差,并结合干扰观测器和模糊逻辑系统,对系统的广义扰动进行了估计,从而提高了逼近精度,在控制律的设计中引入了补偿信号,从而消除了在动态面方法中由于使用滤波器而产生的滤波误差。
Description
技术领域
本发明属于电力系统控制领域,尤其涉及基于复合学习和DOB的多机电力系统自适应动态面控制器。
背景技术
随着电网规模的不断扩大,现代电力系统逐渐形成了具有强耦合动态非线性特性的多机并联发电系统。由于多机电力系统的复杂性、强耦合特性,使得电力系统极易发生振荡、短路等故障,导致安全稳定运行变得困难。为了保证电力系统安全,需要提出更有效的控制策略,设计性能优异的控制器。对于具有不确定性的非线性电力系统,结合实际控制需要,多机系统励磁控制器的设计应满足如下需求:1)控制器应使得被控系统跟踪误差满足实际控制精度需要,即跟踪误差在预设范围内;2)控制器应具有较好的鲁棒性,以应对系统实际运行中受到的持续小干扰或突发故障(如三相短路故障)问题,并能够保证系统稳定;3)控制器设计简明,利于实时控制。在以前的工作中,考虑了系统的不确定性和外部干扰,在鲁棒性设计中广泛采用了神经网络(Neural Networks,NNs)或模糊逻辑系统(FuzzyLogic Systems,FLSs)。然而,这些工作通常只关注系统的渐进跟踪稳定性,而忽略了NNs/FLSs作为逼近器的工作原理和逼近器的精度。
发明内容
为了解决现有技术中存在的问题,本发明针对在大型电力系统存在不确定性和外部干扰的条件下,旨在提供一种能够提高控制系统输出跟踪精度的基于复合学习和干扰观测器(DOB)的多机电力系统自适应动态面控制器。
为实现上述目的,本发明提供了如下的技术方案:
基于复合学习和DOB的多机电力系统自适应动态面控制器,所述控制器是基于以下步骤实现的:
1)构造具有SVC装置的大型电力系统的数学模型;
2)设计多机电力系统模糊逻辑系统逼近器,使其逼近得出步骤1)中多机电力系统模型内的未知函数;
3)设计状态预测器,在更新律设计中加入预测误差,并引入补偿信号,将干扰观测器和模糊逻辑系统相结合,设计基于复合学习和DOB的多机电力系统自适应动态面控制器。
其中,步骤1)所述的具有SVC装置的大型电力系统的数学模型如公式(1)所示:
对系统模型进行规范化转换,令xi1=δi-δi0,xi2=ωi-ωi0,xi3=Pei-Pmi0,xi4=Vmi-Vrefi,其中Vmi是接入点电压,Vrefi是参考电压,公式(1)可以由以下两个子系统表示:
其中,δi是第i个发电机的功率角(rad);ωi是第i个发电机的转子转速(rad/s);ωi0=2πf0是同步机速度(rad/s);Pmi是机械功率,Pei是电功率;Di是阻尼常数;Hi是惯性常数;E'qi是第i个发电机的瞬时电动势;Td'0i是直轴瞬态短路时间常数;Qei是无功功率;hi(δ,ω)是多机互联的耦合项;ui是励磁设备的控制电压;BLi是SVC中的可调等效电纳;BCi是可调节等效电纳的初值;Bij是消除所有物理总线后,节点内部电纳矩阵的第i行第j列元素;Td0i是直轴瞬变短路时间常数(s);Tci是调节系统和SVC的时间常数(s);uBi是SVC的输入;di1是转子的位置限制转矩干扰;X2i是传输线路电抗;Xdi是发电机直轴电抗;X'di是发电机直轴瞬变电抗;XTi是变压器电抗。
步骤2)所述的多机电力系统模糊逻辑系统逼近器为:
Y=ωTψ(x) (5)
其中ω∈RM是可调权向量,ψ(x)=[ψ1(x),ψ2(x),…ψM(x)]T∈RM是模糊基函数向量;模糊基函数选择为:
f(x)=ω*Tψ(x)+ε*,x∈Ωx (7)
其中ε*是近似误差且满足|ε*|≤εM,ω*是最优权向量,ω*未知,需要设计自适应律在线估计。
步骤3)包括如下步骤:
第一步:定义跟踪误差:
ei1=xi1-yri (8)
将滤波器的补偿信号定义为:
其中qi1(0)=0,qi1,qi2是待设计的命令滤波器的补偿信号,
定义追踪补偿误差:
根据(12)和(13),Ei1的导数由下式得出:
第二步:用模糊逻辑系统逼近非线性函数
其中,为状态向量,是模糊逻辑系统的最优权向量,为系统模型(2)中的光滑未知连续函数,为模糊基函数,是广义扰动,di1是转子的位置限制转矩干扰,gi2为系统模型(2)中的未知参数,且△gi2=gi2-gi2N,εi2是逼近误差且|εi2|≤εM,
命令滤波器的补偿信号qi2可由以下方式定义:
其中,qi2(0)=0,qi3是待设计的命令滤波器的补偿信号;
定义追踪补偿误差为:
Ei3=ei3-qi3 (20)
对Ei2求导,并代入公式(17)和(18)可得:
为了获得模糊逻辑系统的复合学习,将预测误差定义为:
根据预测误差ei2p和追踪补偿误差Ei2,设计了基于复合学习的模糊逻辑系统的自适应更新律:
其中γvi2、γiz2和ci2是正设计参数,
设计干扰观测器:
设计控制律ui为:
命令滤波器的补偿信号qi3定义为:
其中,qi3(0)=0。
根据(32)和(33),可得追踪补偿误差Ei3的导数为:
定义预测误差:
根据预测误差ei3p和追踪补偿误差Ei3,设计模糊逻辑系统自适应更新律
γvi3,γiz3和ci3是正设计参数,
设计干扰观测器为:
其中Ki3是正设计参数,χi3是干扰观测器的辅助变量,
其中是状态变量,为模糊基函数,是模糊逻辑系统的最优权向量,εi4为逼近误差且|εi4|≤εM,是广义扰动且△gi4=gi4-gi4N,uBi是SVC设备的输入,和gi4分别为系统模型(3)中的光滑未知连续函数和未知参数,其中和为正参数,
定义追踪误差ei4=xi4-Vrefi,Vrefi为参考电压,设计控制律uBi为:
定义追踪补偿误差为Ei4=ei4-qi4,可得ei4的导数为:
定义命令滤波器的补偿信号:
其中,qi4(0)=0。由式(44)和(45),可得到Ei4的导数为:
定义预测误差:
根据预测误差ei4p,设计模糊逻辑系统自适应更新律:
其中,γvi4,γiz4和ci4是正设计参数,
设计干扰观测器:
其中,Ki4是正设计参数,χi4是干扰观测器的辅助变量,
本发明具有的有益效果为:
本发明所述的控制器能够将模糊逻辑系统的逼近性能估计未知项;在更新律设计中加入预测误差,并结合干扰观测器和模糊逻辑系统对系统的广义扰动进行估计,提高了逼近精度,模糊逻辑系统与模糊逻辑系统相结合构成复合估计,提高了控制器的控制精度。
附图说明
图1为双机电力系统的结构图;
图2为例1提出的本方法和一般神经网络自适应动态面法的功率角跟踪误差;
图3为例1提出的本方法和一般神经网络自适应动态面法的功率角的响应曲线;
图4为例1中发电机1的复合估计;
图5为例1中发电机2的复合估计;
图6为例1中转速的响应曲线;
图7为例1中电功率的响应曲线;
图8为例1中SVC设备的接入点电压响应曲线;
图9为例1中两个发电机的控制输入信号;
图10为例1中SVC设备的控制输入信号;
图11为例2中电功率角的响应曲线;
图12为例2中转速的响应曲线;
图13为例2中电功率的响应曲线;
图14为例2中SVC的接入点电压的响应曲线;
图15为例2中发电机1的复合估计;
图16为例2中发电机2的复合估计;
图17为例2中两个发电机的控制输入信号;
图18为例2中SVC设备的控制输入信号。
具体实施方式
基于复合学习和DOB的多机电力系统自适应动态面控制器,控制器是基于以下步骤实现的:
1)构造具有SVC装置的大型电力系统的数学模型;
所述的具有SVC装置的大型电力系统的数学模型如公式(1)所示:
hi(δ,ω)表示耦合项:
hi(δ,ω)的范围为:
其中,
且p1ij,p2ij为0或1的常数。
对系统模型进行规范化转换,令xi1=δi-δi0,xi2=ωi-ωi0,xi3=Pei-Pmi0,xi4=Vmi-Vrefi,其中Vmi是接入点电压,Vrefi是参考电压,公式(1)可以由以下两个子系统表示:
其中,δi是第i个发电机的功率角(rad);ωi是第i个发电机的转子转速(rad/s);ωi0=2πf0是同步机速度(rad/s);Pmi是机械功率,Pei是电功率;Di是阻尼常数;Hi是惯性常数;E'qi是第i个发电机的瞬时电动势;T′d0i是直轴瞬态短路时间常数;Qei是无功功率;hi(δ,ω)是多机互联的耦合项;ui是励磁设备的控制电压;BLi是SVC中的可调等效电纳;BCi是可调节等效电纳的初值;Bij是消除所有物理总线后,节点内部电纳矩阵的第i行第j列元素;Td0i是直轴瞬变短路时间常数(s);Tci是调节系统和SVC的时间常数(s);uBi是SVC的输入;di1是转子的位置限制转矩干扰;X2i是传输线路电抗;Xdi是发电机直轴电抗;X'di是发电机直轴瞬变电抗;XTi是变压器电抗。
2)设计多机电力系统模糊逻辑系统逼近器,使其逼近得出步骤1)中多机电力系统模型内的未知函数;
模糊逻辑系统由模糊规则、模糊化、推理机和去模糊组成,利用模糊规则,将输入向量U∈Rm映射到标量输出Y∈R上,其中模糊规则由以下形式的模糊“IF-THEN”规则集合构成:
其中ξ=[ξ1,ξ2,...,ξm]T∈U和Y分别是模糊逻辑系统的输入和输出;N为模糊规则数;和Cl,(l=1,...,N,k=1,...,m)分别是与模糊隶属度函数和相关的模糊集。通过单值模糊、基于模糊规则(8)的乘积推理机以及中心去模糊,模糊逻辑系统可以表示为:
Y=ωTψ(x) (9)
其中ω∈RM是可调权向量,ψ(x)=[ψ1(x),ψ2(x),…ψM(x)]T∈RM是模糊基函数向量;模糊基函数选择为:
模糊逻辑系统可以有效地逼近紧集内以较小的逼近误差逼近任意的连续非线性函数。模糊逻辑系统可以表示为:
3)设计状态预测器,在更新律设计中加入预测误差,并引入补偿信号,将干扰观测器和模糊逻辑系统相结合,设计出基于干扰观测器和复合学习模糊逻辑系统的多机电力系统的自适应动态面控制。本步骤包括如下步骤:
第一步:定义跟踪误差:
ei1=xi1-yri (12)
其中ki1是正设计参数,
将滤波器的补偿信号定义为:
其中qi1(0)=0,qi1,qi2是待设计的命令滤波器的补偿信号,
定义追踪补偿误差:
根据(16)和(17),可得Ei1的导数为:
第二步:用模糊逻辑系统逼近非线性函数
其中,为状态向量,是模糊逻辑系统的最优权向量,为系统模型(2)中的光滑未知连续函数,为模糊基函数,是广义扰动,di1是转子的位置限制转矩干扰,gi2为系统模型(5)中的未知参数,且Δgi2=gi2-gi2N,εi2是逼近误差且|εi2|≤εM,
命令滤波器的补偿信号qi2可由以下方式定义:
其中,qi2(0)=0,qi3是待设计的命令滤波器的补偿信号;
定义追踪补偿误差为:
Ei3=ei3-qi3 (24)
对Ei2求导,并代入公式(21)和(22)可得:
为了获得模糊逻辑系统的复合学习,将预测误差定义为:
根据预测误差ei2p和追踪补偿误差Ei2,设计了基于复合学习的模糊逻辑系统的自适应更新律:
其中γvi2、γiz2和ci2是正设计参数,
设计干扰观测器:
设计控制律ui为:
ei3的导数为:
命令滤波器的补偿信号qi3定义为:
其中,qi3(0)=0。
根据(36)和(37),可得到追踪补偿误差Ei3的导数为:
定义预测误差:
根据预测误差ei3p,设计模糊逻辑系统自适应更新律
γvi3,γiz3和ci3是正设计参数,
设计干扰观测器为:
其中Ki3是正设计参数,χi3是干扰观测器的辅助变量,
其中是状态变量,为模糊基函数,是模糊逻辑系统的最优权向量,εi4为逼近误差且|εi4|≤εM,是广义扰动且Δgi4=gi4-gi4N,uBi是SVC设备的输入,和gi4分别为系统模型(6)中的光滑未知连续函数和未知参数,其中和为正参数,
定义追踪误差ei4=xi4-Vrefi,Vrefi为参考电压,设计控制律uBi为:
定义追踪补偿误差为Ei4=ei4-qi4,可得到ei4的导数为:
定义命令滤波器的补偿信号:
其中,qi4(0)=0。
由式(48)和(49),可得到Ei4的导数为:
定义预测误差:
根据预测误差ei4p,设计模糊逻辑系统自适应更新律:
其中,γvi4,γiz4和ci4是正设计参数,
设计干扰观测器:
其中,Ki4是正设计参数,χi4是干扰观测器的辅助变量,
下面分析采用本方法的大型多机电力系统控制稳定性以及预设跟踪性能:
对于稳定性分析,选择Lyapunov函数:
其中,
根据式(18),(35),(47)和式(26),(39),(51)可得预测误差eijp的导数为:
V的导数为:
考虑以下的杨氏不等式:
通过选择参数使
其中r是正设计参数,那么,式(64)可以写为:
当V=p时,表明V≤p是不变集,即若V(0)≤p,则对于任意t≥0,有V(t)≤p。由不等式(61),因此
显然,闭环系统中的所有信号在紧集φ中都是有界的,这意味着通过调整参数ki1,ki2,ki3,ki4,ηi2,ηi3,ηi4,γiz2,γiz3,γiz4,ci2,ci3,ci4,Ki2,Ki3,Ki4可以使紧集φ任意小。换句话说,追踪误差ei1,ei4和预测误差ei2p,ei3p,ei4p可任意小。
接下来对本发明所述的方法进行仿真分析:
以含SVC设备的双机励磁控制系统为例,发电机的参数和传输线路如表1,双机电力系统结构图如图1,其中,图1中的双机电力系统结构为现有技术,本实施例不涉及对其的改进。其中,#1为发电机1;#2为发电机2,XT1、XT2为变压器电抗;XL1、XL2、XL13、XL23均表示传输线路电抗;Fault表示三相短路故障。表1电力负荷预测精度对比
第一台发电机 | 第二台发电机 | |
x<sub>1i</sub>(p.u.) | 0.1 | 0.2 |
x<sub>2i</sub>(p.u.) | 0.35 | 0.316 |
X'<sub>d∑i</sub>(p.u.) | 0.6967 | 0.5223 |
X<sub>d∑i</sub> | 1.4 | 1.5 |
x<sub>di</sub>(p.u.) | 0.982 | 1.121 |
x'<sub>di</sub>(p.u.) | 0.344 | 0.5326 |
T′<sub>d0i</sub>(p.u.) | 5 | 5.3 |
T<sub>d0i</sub>(p.u.) | 5 | 4.9 |
T<sub>ci</sub>(p.u.) | 2 | 2 |
E'<sub>qi</sub>(p.u.) | 1.059 | 1.130 |
H<sub>i</sub>(s) | 13 | 9 |
D<sub>i</sub>(p.u.) | 2 | 3 |
B<sub>Li</sub>(p.u.) | 1.55 | 1.55 |
B<sub>Ci</sub>(p.u.) | 0.5 | 0.53 |
在仿真中,最终控制器公式(13),(20),(35),(47)的设计参数选择为k11=11,k12=43,k13=200,k14=100,k21=11,k22=43,k23=200,k24=100;命令过滤器公式(14),(21)的时间参数选择为:τ12=τ22=0.05,τ13=τ23=0.005,预测的状态设计公式(27),(40),(52)的参数被选择为:η12=5,η13=2,η14=3,η22=5,η23=1,η24=3;更新律公式(28),(41),(53)的参数选择为:ci1=ci2=ci3=ci4=1,γiz2=10,γiz320,γiz4=1;干扰观测器设计公式(29),(42),(54)的参数选择为Ki2=0.01,Ki3=0.001,Ki4=0.001;设计参数选择为:Lfi2=10,Lfi3=2,Lfi4=10。
为了验证所提出方案的有效性,用图1中的SVC设备的两机励磁系统进行了仿真。实验将在两种不同的情况下进行:1)两台发电机之间的一条输电线路发生三相短路故障,2)电力系统运行点发生了变化,同时,对传统的不含干扰观测器和预测器的NNs方法进行了比较。此外,假设三相短路故障发生在两台发电机的一条输电线路上,且选择干扰信号作为平滑函数,di1=0.01cos(t)。
案例1:三相短路故障情况的仿真
在此案例中,假定三相电压短路故障发生在t=8.14s并且故障持续0.4秒。选择运行点为δ10=0.733rad,ω10=100.04πrad/s,Pm10=1.02p.u.,Vref1=1.08p.u.,δ20=0.740rad,ω20=100.05πrad/s,ω20=100.05πrad/s,Pm20=1.018p.u.,Vref2=1.00p.u.。
例1的仿真结果如图2-10所示。图2给出了所提方法(表示为DOB-CL)和一般神经网络自适应动态面法(表示为Error-NNs)的功率角跟踪误差。图3显示了功率角的响应曲线,可以看出这两种方法都可以跟踪参考功率角。然而,所提出的控制方法可以更好地抑制扰动,具有更好的稳态误差,而Error-NNs下的响应是振荡的。如图4和图5所示,与干扰观测器和模糊逻辑系统的复合估计可以更好地逼近基于复合学习的模糊逻辑系统的广义干扰通过设计添加预测误差的新型的更新律,验证了使用模糊逻辑系统与干扰观测器结合来估计广义干扰的有效性。图6、7显示了角速度和电功率的响应曲线。图8显示了SVC设备的接入点电压响应曲线。图9和10分别显示了两个发电机和两个SVC设备的控制输入信号。
案例2:对运行点变化时控制系统的响应
在此案例中,系统运行稳定,当t=8s时,平衡点(Equilibrium Point,EP)发生变化。平衡点EP1变为EP2,EP1,EP2的选择如下:
实验结果如图11-18所示,图11-14给出了系统状态的响应曲线,表明该方法具有更快的自适应能力和更好的跟踪性能。图15和图16表示了对未知信息Γi的估计,显然,所提出的方法利用模糊逻辑系统近似和干扰观测器扰动估计可以较好的跟踪未知信息。图17和图18分别是控制输入和SVC设备的输入。
本方法提出了基于复合学习和DOB的多机电力系统自适应动态面控制器。在更新律设计中加入了预测误差,并结合干扰观测器和模糊逻辑系统对系统的广义扰动进行了估计,从而提高了逼近精度。此外,在控制律的设计中引入了补偿信号,从而消除了在动态面控制中使用滤波器造成的滤波误差。
Claims (4)
1.基于复合学习和DOB的多机电力系统自适应动态面控制器,其特征在于:所述控制器是基于以下步骤实现的:
1)构造具有SVC装置的大型电力系统的数学模型;
2)设计多机电力系统模糊逻辑系统逼近器,使其逼近得出步骤1)中多机电力系统模型内的未知函数;
3)设计状态预测器,在模糊逻辑系统的更新律设计中加入预测误差,并引入补偿信号,将DOB和模糊逻辑系统相结合,即可设计出基于复合学习和DOB的多机电力系统自适应动态面控制器。
2.如权利要求1所述的多机电力系统自适应动态面控制器,其特征在于:步骤1)所述的具有SVC装置的大型电力系统的数学模型如公式(1)所示:
对系统模型进行规范化转换,令xi1=δi-δi0,xi2=ωi-ωi0,xi3=Pei-Pmi0,xi4=Vmi-Vrefi,其中Vmi是接入点电压,Vrefi是参考电压,公式(1)可以由以下两个子系统表示:
其中,δi是第i个发电机的功率角,rad;ωi是第i个发电机的转子转速,rad/s;ωi0=2πf0是同步机速度,rad/s;Pmi是机械功率,Pei是电功率;Di是阻尼常数;Hi是惯性常数;E'qi是第i个发电机的瞬时电动势;T′d0i是直轴瞬态短路时间常数;Qei是无功功率;hi(δ,ω)是多机互联的耦合项;ui是励磁设备的控制电压;BLi是SVC中的可调等效电纳;BCi是可调节等效电纳的初值;Bij是消除所有物理总线后,节点内部电纳矩阵的第i行第j列元素;Td0i是直轴瞬变短路时间常数;Tci是调节系统和SVC的时间常数;uBi是SVC的输入;di1是转子的位置限制转矩干扰;X2i是传输线路电抗;Xdi是发电机直轴电抗;X'di是发电机直轴瞬变电抗;XTi是变压器电抗。
4.如权利要求1所述的多机电力系统自适应动态面控制器,其特征在于:步骤3)包括如下步骤:
第一步:定义跟踪误差:
ei1=xi1-yri (8)
将滤波器的补偿信号定义为:
其中qi1(0)=0,qi1,qi2是待设计的命令滤波器的补偿信号,
定义追踪补偿误差:
根据(12)和(13),Ei1的导数由下式得出:
第二步:用模糊逻辑系统逼近非线性函数:
其中,为状态向量,是模糊逻辑系统的最优权向量,为系统模型(2)中的光滑未知连续函数,为模糊基函数,是广义扰动,di1是转子的位置限制转矩干扰,gi2为系统模型(2)中的未知参数,且△gi2=gi2-gi2N,εi2是逼近误差且|εi2|≤εM,
命令滤波器的补偿信号qi2可由以下方式定义:
其中,qi2(0)=0,qi3是待设计的命令滤波器的补偿信号;
定义追踪补偿误差为:
Ei3=ei3-qi3 (20)
对Ei2求导,并代入公式(17)和(18)可得:
为了获得模糊逻辑系统的复合学习,将预测误差定义为:
根据预测误差ei2p和追踪补偿误差Ei2,设计了基于复合学习的模糊逻辑系统的自适应更新律:
其中γvi2、γiz2和ci2是正设计参数,
设计DOB:
设计控制律ui为:
命令滤波器的补偿信号qi3定义为:
其中,qi3(0)=0;
根据(32)和(33),可得追踪补偿误差Ei3的导数为:
定义预测误差:
根据预测误差ei3p和追踪补偿误差Ei3,设计模糊逻辑系统自适应更新律:
γvi3,γiz3和ci3是正设计参数,
设计DOB为:
其中Ki3是正设计参数,χi3是DOB的辅助变量,
其中是状态变量,为模糊基函数,是模糊逻辑系统的最优权向量,εi4为逼近误差且|εi4|≤εM,是广义扰动且△gi4=gi4-gi4N,uBi是SVC设备的输入,和gi4分别为系统模型(3)中的光滑未知连续函数和未知参数,其中和为正参数,
定义追踪误差ei4=xi4-Vrefi,Vrefi为参考电压,设计控制律uBi为:
定义追踪补偿误差为Ei4=ei4-qi4,可得ei4的导数为
定义命令滤波器的补偿信号:
其中,qi4(0)=0;由式(44)和(45),可得到Ei4的导数为:
定义预测误差:
根据预测误差ei4p,设计模糊逻辑系统自适应更新律:
其中,γvi4,γiz4和ci4是正设计参数,
设计DOB为:
其中,Ki4是正设计参数,χi4是DOB的辅助变量,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010373106.1A CN111766781B (zh) | 2020-05-06 | 2020-05-06 | 基于复合学习和dob的多机电力系统自适应动态面控制器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010373106.1A CN111766781B (zh) | 2020-05-06 | 2020-05-06 | 基于复合学习和dob的多机电力系统自适应动态面控制器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111766781A true CN111766781A (zh) | 2020-10-13 |
CN111766781B CN111766781B (zh) | 2022-09-27 |
Family
ID=72719182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010373106.1A Active CN111766781B (zh) | 2020-05-06 | 2020-05-06 | 基于复合学习和dob的多机电力系统自适应动态面控制器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111766781B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112523944A (zh) * | 2020-12-29 | 2021-03-19 | 重庆邮电大学 | 一种风力发电机变桨系统自适应动态面控制方法 |
CN113867141A (zh) * | 2021-09-06 | 2021-12-31 | 国网辽宁省电力有限公司鞍山供电公司 | 带有svc的多机电力系统固定时间动态面高阶滑模控制器 |
CN114019791A (zh) * | 2021-08-17 | 2022-02-08 | 国网辽宁省电力有限公司鞍山供电公司 | 光伏发电伺服系统的自适应神经网络动态面控制方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933489A (zh) * | 2015-06-29 | 2015-09-23 | 东北电力大学 | 基于自适应神经模糊推理系统的风电功率实时高精度预测方法 |
CN106788052A (zh) * | 2016-11-30 | 2017-05-31 | 青岛大学 | 基于观测器的异步电机命令滤波误差补偿模糊控制方法 |
CN107065540A (zh) * | 2017-03-15 | 2017-08-18 | 东北电力大学 | 一种基于神经网络的自适应动态面分布控制方法 |
CN107607103A (zh) * | 2017-11-05 | 2018-01-19 | 西北工业大学 | 基于干扰观测器的mems陀螺仪复合学习控制方法 |
CN108388114A (zh) * | 2018-02-07 | 2018-08-10 | 中国航空工业集团公司西安飞机设计研究所 | 一种基于输出重定义的柔性机械臂复合控制方法 |
CN110401391A (zh) * | 2019-07-31 | 2019-11-01 | 青岛大学 | 异步电动机随机系统模糊自适应动态面控制方法 |
CN110401390A (zh) * | 2019-07-22 | 2019-11-01 | 青岛大学 | 基于观测器的永磁同步电机随机命令滤波模糊控制方法 |
CN110501909A (zh) * | 2019-09-09 | 2019-11-26 | 南京工程学院 | 基于扰动观测器的增强鲁棒特性的模糊预测控制方法 |
CN110501912A (zh) * | 2019-04-01 | 2019-11-26 | 东北电力大学 | 满足预设输出跟踪性能的多机电力系统自适应模糊动态面滑模控制方法 |
-
2020
- 2020-05-06 CN CN202010373106.1A patent/CN111766781B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933489A (zh) * | 2015-06-29 | 2015-09-23 | 东北电力大学 | 基于自适应神经模糊推理系统的风电功率实时高精度预测方法 |
CN106788052A (zh) * | 2016-11-30 | 2017-05-31 | 青岛大学 | 基于观测器的异步电机命令滤波误差补偿模糊控制方法 |
CN107065540A (zh) * | 2017-03-15 | 2017-08-18 | 东北电力大学 | 一种基于神经网络的自适应动态面分布控制方法 |
CN107607103A (zh) * | 2017-11-05 | 2018-01-19 | 西北工业大学 | 基于干扰观测器的mems陀螺仪复合学习控制方法 |
CN108388114A (zh) * | 2018-02-07 | 2018-08-10 | 中国航空工业集团公司西安飞机设计研究所 | 一种基于输出重定义的柔性机械臂复合控制方法 |
CN110501912A (zh) * | 2019-04-01 | 2019-11-26 | 东北电力大学 | 满足预设输出跟踪性能的多机电力系统自适应模糊动态面滑模控制方法 |
CN110401390A (zh) * | 2019-07-22 | 2019-11-01 | 青岛大学 | 基于观测器的永磁同步电机随机命令滤波模糊控制方法 |
CN110401391A (zh) * | 2019-07-31 | 2019-11-01 | 青岛大学 | 异步电动机随机系统模糊自适应动态面控制方法 |
CN110501909A (zh) * | 2019-09-09 | 2019-11-26 | 南京工程学院 | 基于扰动观测器的增强鲁棒特性的模糊预测控制方法 |
Non-Patent Citations (2)
Title |
---|
GUOQIANG ZHU.ETC: "《Adaptive fuzzy dynamic surface sliding mode control of large-scale power systems with prescribe output tracking performance》", 《ISA TRANSACTIONS》 * |
郑秋桐等: "《基于T—S模糊控制的步进电机抗干扰研究》", 《东华大学学报(自然科学版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112523944A (zh) * | 2020-12-29 | 2021-03-19 | 重庆邮电大学 | 一种风力发电机变桨系统自适应动态面控制方法 |
CN114019791A (zh) * | 2021-08-17 | 2022-02-08 | 国网辽宁省电力有限公司鞍山供电公司 | 光伏发电伺服系统的自适应神经网络动态面控制方法 |
CN113867141A (zh) * | 2021-09-06 | 2021-12-31 | 国网辽宁省电力有限公司鞍山供电公司 | 带有svc的多机电力系统固定时间动态面高阶滑模控制器 |
CN113867141B (zh) * | 2021-09-06 | 2024-02-06 | 国网辽宁省电力有限公司鞍山供电公司 | 带有svc的多机电力系统固定时间动态面高阶滑模控制器 |
Also Published As
Publication number | Publication date |
---|---|
CN111766781B (zh) | 2022-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111766781B (zh) | 基于复合学习和dob的多机电力系统自适应动态面控制器 | |
Boubzizi et al. | Comparative study of three types of controllers for DFIG in wind energy conversion system | |
CN110501912B (zh) | 满足预设输出跟踪性能的多机电力系统自适应模糊动态面滑模控制方法 | |
Djilali et al. | Real‐time neural sliding mode field oriented control for a DFIG‐based wind turbine under balanced and unbalanced grid conditions | |
CN107065540A (zh) | 一种基于神经网络的自适应动态面分布控制方法 | |
CN115250085B (zh) | 互补终端滑模速度控制方法、系统、设备及存贮介质 | |
Azeer et al. | Intelligent controllers for load frequency control of two-area power system | |
Li et al. | A nonlinear decoupling control approach using RBFNNI-based robust pole placement for a permanent magnet in-wheel motor | |
Soomro et al. | Wind energy integration: Dynamic modeling and control of DFIG based on super twisting fractional order terminal sliding mode controller | |
Qiu et al. | Robust control for a networked direct-drive linear motion control system: Design and experiments | |
Kanchanaharuthai et al. | An improved backstepping sliding mode control for power systems with superconducting magnetic energy storage system | |
Wanigasekara et al. | Design of dynamic fuzzy Q-learning controller for networked wind energy conversion systems | |
Yang et al. | Fractional-order sliding mode load frequency control and stability analysis for interconnected power systems with time-varying delay | |
CN111769544A (zh) | 一种配备svc的多机电力系统分布式数字控制器 | |
CN110176776B (zh) | 一种基于鲁棒自适应评价设计的静止无功补偿器控制方法 | |
Zhu et al. | Adaptive fuzzy dynamic surface control for multi-machine power system based on composite learning method and disturbance observer | |
CN110034562B (zh) | 一种静止同步补偿器与发电机励磁鲁棒协调的控制方法 | |
Sajjadi et al. | Participation factor-based adaptive model reduction for fast power system simulation | |
Venkatachalam et al. | LMI based stability analysis of non-linearly perturbed DC motor speed control system with constant and time-varying delays | |
Zhu et al. | Adaptive dynamic surface integral sliding mode fault-tolerant control for multimachine excitation systems with svc | |
Djilali et al. | Neural sliding mode control of a DFIG based wind turbine with measurement delay | |
Park et al. | Decentralized output-feedback controller for uncertain large-scale nonlinear systems using higher-order switching differentiator | |
Wang | Adaptive quantization control for multi-machine power system with SVC and unknown disturbance | |
Abdelhadi et al. | Improvement of the VSC-HVDC System Performances based on the Intelligent Controller | |
Tong | High-gain Output Feedback Control for Linear Stepping Motor Based on Fuzzy Approximation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |