CN114019791A - 光伏发电伺服系统的自适应神经网络动态面控制方法 - Google Patents

光伏发电伺服系统的自适应神经网络动态面控制方法 Download PDF

Info

Publication number
CN114019791A
CN114019791A CN202110940374.1A CN202110940374A CN114019791A CN 114019791 A CN114019791 A CN 114019791A CN 202110940374 A CN202110940374 A CN 202110940374A CN 114019791 A CN114019791 A CN 114019791A
Authority
CN
China
Prior art keywords
power generation
neural network
photovoltaic power
servo system
formula
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.)
Pending
Application number
CN202110940374.1A
Other languages
English (en)
Inventor
胡博
贺欢
于博
朱琳非
周桂平
王顺江
王建国
张秀宇
祝国强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anshan Power Supply Co Of State Grid Liaoning Electric Power Co
State Grid Corp of China SGCC
State Grid Liaoning Electric Power Co Ltd
Northeast Electric Power University
Original Assignee
Anshan Power Supply Co Of State Grid Liaoning Electric Power Co
State Grid Corp of China SGCC
Northeast Dianli University
State Grid Liaoning Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anshan Power Supply Co Of State Grid Liaoning Electric Power Co, State Grid Corp of China SGCC, Northeast Dianli University, State Grid Liaoning Electric Power Co Ltd filed Critical Anshan Power Supply Co Of State Grid Liaoning Electric Power Co
Priority to CN202110940374.1A priority Critical patent/CN114019791A/zh
Publication of CN114019791A publication Critical patent/CN114019791A/zh
Pending legal-status Critical Current

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

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

本发明提供一种基于离散时间的光伏发电伺服系统的自适应神经网络动态面控制方法，包括如下步骤：1)构造光伏发电伺服系统的数学模型；2)设计光伏发电伺服系统RBF神经网络逼近器，使其逼近得出步骤1)中光伏发电伺服系统模型内的未知函数；3)结合RBF神经网络逼近器设计出基于离散时间的光伏发电伺服系统自适应神经网络动态面控制器，引入磁滞量化器对控制信号进行幅值的量化。能够将RBF神经网络逼近器估计未知项；引入磁滞量化器对控制信号进行幅值的量化，提高了控制器抑制抖振的能力，实现数字控制，提高光伏发电伺服系统的抗干扰能力。

Description

光伏发电伺服系统的自适应神经网络动态面控制方法
技术领域
本发明涉及光伏发电领域，特别涉及基于离散时间的光伏发电伺服系统的自适应神经 网络动态面控制方法。
背景技术
光伏发电技术由于其原理和结构简单，发电场建设周期短，运行维护成本低且可开发 地区广，已受到世界各国的重视，由于光伏板对日位置的追踪精度直接影响光伏发电效率， 因此需要设计性能优异的控制器。对于具有不确定性的光伏发电伺服系统，结合实际控制 需要，光伏发电伺服系统控制器的设计应满足如下需求：1)控制器应使得伺服系统跟踪 误差满足实际控制精度需要，2)控制器应具有较好的抗干扰能力，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，对于光伏发电伺服系统控制器的设计 都是基于连续时间的，而离散时间控制方法更接近实际工程应用。本设计将提出一种基于 离散时间的光伏发电伺服系统的自适应神经网络动态面控制方法，并引入磁滞量化器对控 制信号进行幅值的量化，实现数字控制，提高控制器抑制抖振的能力。
发明内容
为了克服背景技术中的不足，本发明提供一种基于离散时间的光伏发电伺服系统的自 适应神经网络动态面控制方法，能够提高光伏发电伺服系统的跟踪精度。
为了达到上述目的，本发明采用以下技术方案实现：
基于离散时间的光伏发电伺服系统的自适应神经网络动态面控制方法，包括如下步骤：
1)构造光伏发电伺服系统的数学模型；
2)设计光伏发电伺服系统RBF神经网络逼近器，使其逼近得出步骤1)中光伏发电伺服系统模型内的未知函数；
3)结合RBF神经网络逼近器设计出基于离散时间的光伏发电伺服系统自适应神经网 络动态面控制器，引入磁滞量化器对控制信号进行幅值的量化。
进一步地，步骤1)所述的光伏发电伺服系统的数学模型如公式所示：
Figure BDA0003214609760000021
其中i＝1,2，θir转子角度，viq为定子电压，iiq为定子电流，ωir为转子角速度，Ji为转 子惯量，TiL为负载转矩，fi为粘滞摩擦系数；式(1)中的系数定义如下：
Figure BDA0003214609760000022
式中，n,L1,L2,Lm,λ2s,R1,R2分别为极对数，定子电感，转子电感，互感，磁链，定子电 阻，转子电阻；
对系统模型进行规范化转换，令[θir ωir iiq]T＝[xi1 xi2 xi3]T，公式由以下表示：
Figure BDA0003214609760000023
其中gi，θi，βi为系统的未知参数，Δi(xi1,t)为系统不确定部分，yi为系统输出，ui为控制信号；
通过使用欧拉方法，可以得到基于离散时间的系统模型，如下：
Figure BDA0003214609760000024
进一步地，步骤2)所述的光伏发电伺服系统RBF神经网络逼近器为：
Figure BDA0003214609760000025
其中hi(x):Ωx→R为未知非线性函数，
Figure BDA0003214609760000026
为神经网络输入向量，
Figure BDA0003214609760000027
分 别为理想权值向量和隐含层高斯基函数向量，εi(x)为最优逼近误差；其中
Figure BDA0003214609760000028
有如下形式：
Figure BDA0003214609760000029
其中ci∈Rm为第i个基函数的中心，φ∈R为基函数宽度。
进一步地，步骤3)包括如下步骤：
第一步：步骤3)所述的磁滞量化器为：
Figure BDA0003214609760000031
其中δi＝(1-εi(t))/(1+εi(t)),0＜εi(t)＜1,
Figure BDA0003214609760000039
参数 ai(t)决定了死区的Qi(ui)的大小，εi(t)用来衡量定量密度，公式中，
Figure BDA00032146097600000310
是Qi的最新值，且
Figure BDA00032146097600000311
当t∈[0,Ti,1]，则有
Figure BDA00032146097600000312
当t∈[Ti,h,Ti,h+1]，
Figure BDA00032146097600000313
其中 Ti,h(h＝1,2,3…)，0＜Ti,1＜Ti,2＜Ti,3＜…≤+∞表示Qi(ui)转换的当前时间；
设ai(t)和εi(t)的最大值表示为
Figure BDA0003214609760000032
和
Figure BDA0003214609760000033
最小值表示为a i和ε i，可得
Figure BDA0003214609760000034
第二步：定义跟踪误差：
si1(k)＝yi(k)-yri(k) (8)
其中yri(k)为参考信号，根据式得：
Figure BDA0003214609760000035
设计虚拟控制律xi2d(k)为：
Figure BDA0003214609760000036
ki1为正设计参数，令xi2d(k)通过一阶低通滤波器，得到新的变量zi2(k+1)：
Figure BDA0003214609760000037
其中
Figure BDA0003214609760000038
bi2＝1-τfi2，τi2为滤波时间常数，Δt为采样时间；
第三步：定义第二个动态面误差：
si2(k)＝xi2(k)-zi2(k) (12)
根据式得：
Figure BDA0003214609760000041
用RBF神经网络逼近未知函数，令：
Figure BDA0003214609760000042
hi2(k)近似为：
Figure BDA0003214609760000043
其中，
Figure BDA0003214609760000044
和εi2(ξi2(k))分别是理想权值，基函数向量和最优逼近误差，满足
Figure BDA0003214609760000045
是NNs的输入向量；
设计虚拟控制律xi3d(k)和自适应律
Figure BDA0003214609760000046
为：
Figure BDA0003214609760000047
Figure BDA0003214609760000048
ki2，λi2和σi2为正设计参数，令xi3d(k)通过一阶滤波器，得到新的变量zi3(k+1)：
Figure BDA0003214609760000049
其中
Figure BDA00032146097600000410
bi3＝1-τfi3，τi3为滤波时间常数；
第四步：定义第三个误差面：
si3(k)＝xi3(k)-zi3(k) (19)
根据式得：
si3(k+1)＝(1+Δta2)xi3(k)+Δta1xi2(k)+ΔtβiQ(ui(k))-zi3(k+1) (20)
关于Q(ui(k))，令：
Figure BDA0003214609760000051
Figure BDA0003214609760000052
利用和定义的参数ιi1(k)和ιi2(k)，磁滞量化器用以下形式表示：
Q(ui(k))＝ιi1(k)ui(k)+ιi2(k) (23)
得关于Q(ui(k))的不等式：
Figure BDA0003214609760000053
|Q(ui(k))-ui(k)|＜a(k),if|ui(k)|＜a(k) (25)
根据式-及式，得：
Figure BDA0003214609760000054
Figure BDA0003214609760000055
将式代入得：
Figure BDA0003214609760000056
令：
Figure BDA0003214609760000057
其中，使用RBF神经网络逼近未知函数，hi3(k)可以近似为：
Figure BDA0003214609760000058
其中
Figure BDA0003214609760000059
和εi3(ξi3(k))分别是理想权值，基函数向量和最优逼近误差，满足
Figure BDA00032146097600000510
是NNs的输入向量；
设计控制律ui(k)和自适应律
Figure BDA00032146097600000511
Figure BDA0003214609760000061
Figure BDA0003214609760000062
ki3，λi3和σi3为正设计参数。
与现有技术相比，本发明的有益效果是：
本发明所述的方法能够将RBF神经网络逼近器估计未知项；引入磁滞量化器对控制信 号进行幅值的量化，提高了控制器抑制抖振的能力，实现数字控制，提高光伏发电伺服系 统的抗干扰能力。
附图说明
图1为本发明提出的方法和传统反步法的高度角跟踪性能及跟踪误差；
图2为本发明提出的方法和传统反步法的方位角跟踪性能及跟踪误差；
图3为本发明使用磁滞量化器和对数量化器的高度角量化控制信号；
图4为本发明使用磁滞量化器和对数量化器的方位角量化控制信号。
具体实施方式
以下结合附图对本发明提供的具体实施方式进行详细说明。
基于离散时间的光伏发电伺服系统的自适应神经网络动态面控制方法，包括如下步骤：
1)构造光伏发电伺服系统的数学模型；
所述的光伏发电伺服系统的数学模型如公式所示：
Figure BDA0003214609760000063
其中i＝1,2，θir转子角度，viq为定子电压，iiq为定子电流，ωir为转子角速度，Ji为转 子惯量，TiL为负载转矩，fi为粘滞摩擦系数；式(1)中的系数定义如下：
Figure BDA0003214609760000064
式中，n,L1,L2,Lm,λ2s,R1,R2分别为极对数，定子电感，转子电感，互感，磁链，定子电 阻，转子电阻；
对系统模型进行规范化转换，令[θir ωir iiq]T＝[xi1 xi2 xi3]T，公式可以由以下表示：
Figure BDA0003214609760000071
其中gi，θi，βi为系统的未知参数，Δi(xi1,t)为系统不确定部分，yi为系统输出，ui为 控制信号；
通过使用欧拉方法，可以得到基于离散时间的系统模型，如下：
Figure BDA0003214609760000072
2)设计光伏发电伺服系统RBF神经网络逼近器，使其逼近得出步骤1)中光伏发电伺服系统模型内的未知函数；
光伏发电伺服系统RBF神经网络逼近器为：
Figure BDA0003214609760000073
其中hi(x):Ωx→R为未知非线性函数，
Figure BDA0003214609760000074
为神经网络输入向量，
Figure BDA0003214609760000075
分 别为理想权值向量和隐含层高斯基函数向量，εi(x)为最优逼近误差；其中
Figure BDA0003214609760000076
有如下形式：
Figure BDA0003214609760000077
其中ci∈Rm为第i个基函数的中心，φ∈R为基函数宽度。
3)结合RBF神经网络逼近器设计出基于离散时间的光伏发电伺服系统自适应神经网 络动态面控制器，引入磁滞量化器对控制信号进行幅值的量化。
本步骤包括如下步骤：
第一步：步骤3)所述的磁滞量化器为：
Figure BDA0003214609760000081
其中δi＝(1-εi(t))/(1+εi(t)),0＜εi(t)＜1,
Figure BDA00032146097600000814
参数 ai(t)决定了死区的Qi(ui)的大小，εi(t)用来衡量定量密度，公式中，
Figure BDA0003214609760000083
是Qi的最新值，且
Figure BDA0003214609760000084
当t∈[0,Ti,1]，则有
Figure BDA0003214609760000085
当t∈[Ti,h,Ti,h+1]，
Figure BDA0003214609760000086
其中 Ti,h(h＝1,2,3…)，0＜Ti,1＜Ti,2＜Ti,3＜…≤+∞表示Qi(ui)转换的当前时间；
设ai(t)和εi(t)的最大值表示为
Figure BDA0003214609760000087
和
Figure BDA0003214609760000088
最小值表示为a i和ε i，可得：
Figure BDA0003214609760000089
第二步：定义跟踪误差：
si1(k)＝yi(k)-yri(k) (8)
其中yri为参考信号，根据式得：
Figure BDA00032146097600000810
设计虚拟控制律xi2d(k)为：
Figure BDA00032146097600000811
ki1为正设计参数，令xi2d(k)通过一阶低通滤波器，得到新的变量zi2(k+1)：
Figure BDA00032146097600000812
其中
Figure BDA00032146097600000813
bi2＝1-τfi2，τi2为滤波时间常数，Δt为采样时间。
第三步：定义第二个动态面误差：
si2(k)＝xi2(k)-zi2(k) (12)
根据式得：
Figure BDA0003214609760000091
用RBF神经网络逼近未知函数，令：
Figure BDA0003214609760000092
hi2(k)可以近似为：
Figure BDA0003214609760000093
其中，
Figure BDA0003214609760000094
和εi2(ξi2(k))分别是理想权值，基函数向量和最优逼近误差，满足
Figure BDA0003214609760000095
是NNs的输入向量； 设计虚拟控制律xi3d(k)和自适应律
Figure BDA0003214609760000096
为
Figure BDA0003214609760000097
Figure BDA0003214609760000098
ki2，λi2和σi2为正设计参数，令xi3d(k)通过一阶滤波器，得到新的变量zi3(k+1)：
Figure BDA0003214609760000099
其中
Figure BDA00032146097600000910
bi3＝1-τfi3，τi3为滤波时间常数；
第四步：定义第三个误差面：
si3(k)＝xi3(k)-zi3(k) (19)
根据式得：
si3(k+1)＝(1+Δta2)xi3(k)+Δta1xi2(k)+ΔtβiQ(ui(k))-zi3(k+1) (20)
关于Q(ui(k))，令：
Figure BDA00032146097600000911
Figure BDA0003214609760000101
利用和定义的参数ιi1(k)和ιi2(k)，磁滞量化器可以用以下形式表示：
Q(ui(k))＝ιi1(k)ui(k)+ιi2(k) (23)
可得关于Q(ui(k))的不等式：
Figure BDA0003214609760000102
|Q(ui(k))-ui(k)|＜a(k),if|ui(k)|＜a(k) (25)
根据式-及式，可得：
Figure BDA0003214609760000103
Figure BDA0003214609760000104
将式代入可得：
Figure BDA0003214609760000105
令：
Figure BDA0003214609760000106
其中，使用RBF神经网络逼近未知函数，hi3(k)可以近似为：
Figure BDA0003214609760000107
其中
Figure BDA0003214609760000108
和εi3(ξi3(k))分别是理想权值，基函数向量和最优逼近误差，满足
Figure BDA0003214609760000109
是NNs的输入向量； 设计控制律ui(k)和自适应律
Figure BDA00032146097600001010
Figure BDA00032146097600001011
Figure BDA00032146097600001012
ki3，λi3和σi3为正设计参数。
下面分析采用本方法的光伏发电伺服系统控制稳定性。
对于稳定性分析，选择Lyapunov函数
Figure BDA0003214609760000111
其中
Figure BDA0003214609760000112
Vi(k)的一阶前向差分为：
Figure BDA0003214609760000113
考虑以下的杨氏不等式：
Figure BDA0003214609760000114
Figure BDA0003214609760000115
Figure BDA0003214609760000116
Figure BDA0003214609760000117
Figure BDA0003214609760000118
在此基础上，进一步得到ΔVi(k)：
Figure BDA0003214609760000121
其中，
Figure BDA0003214609760000122
Figure BDA0003214609760000123
通过选择参数使：
Figure BDA0003214609760000124
Figure BDA0003214609760000125
Figure BDA0003214609760000126
Figure BDA0003214609760000127
Figure BDA0003214609760000128
当
Figure BDA0003214609760000129
ΔVi(k)≤0，整个闭环系统是最终一致有 界稳定的。
接下来对本发明所述的方法进行仿真分析：
表1伺服电机参数
Figure BDA00032146097600001210
高度角控制系统参数：
Figure BDA0003214609760000131
β1＝0.145；方位角控制系统参数：
Figure BDA0003214609760000132
β2＝0.13，
Figure BDA0003214609760000133
Figure BDA0003214609760000134
选取参考信号：yr1＝sin(0.1t)，yr2＝cos(0.1t)。
在仿真中，控制器公式的设计参数选择为：
k11＝0.05,k12＝0.0007,k13＝0.075,k21＝0.045,k22＝0.0001,k23＝0.075；
一阶滤波器公式的时间参数选择为：
τ12＝τ22＝0.0006,τ13＝τ23＝0.0006；
自适应律设计公式的参数被选择为：
λ12＝λ13＝1.25,σ12＝σ13＝0.75,λ22＝λ23＝0.9，σ22＝σ23＝0.5；
为了验证所提出方案的有效性，对光伏发电伺服系统进行了仿真。
仿真结果如图1-4所示。图1-2给出了所提方法和传统反步法的高度角和方位角的跟 踪性能以及跟踪误差。图3-4显示了使用磁滞量化器和对数量化器的高度角和方位角的量 化控制信号，可以看出所提出的控制方法具有更小的稳态误差，而使用的磁滞量化器具有 较好的抑制抖振的能力。
本方法提出了一种基于离散时间的光伏发电伺服系统的自适应神经网络动态面控制 方法。使用RBF神经网络对系统的未知函数进行了逼近，使用动态面控制方法简化了控制 器的设计，降低了算法的复杂度。此外，引入磁滞量化器对控制信号进行量化，从而提高 了控制器抑制抖振的能力，实现了数字控制。
以上实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的 操作过程，但本发明的保护范围不限于上述的实施例。上述实施例中所用方法如无特别说 明均为常规方法。

Claims (4)

1.基于离散时间的光伏发电伺服系统的自适应神经网络动态面控制方法，其特征在于：包括如下步骤：
1)构造光伏发电伺服系统的数学模型；
2)设计光伏发电伺服系统RBF神经网络逼近器，使其逼近得出步骤1)中光伏发电伺服系统模型内的未知函数；
3)结合RBF神经网络逼近器设计出基于离散时间的光伏发电伺服系统自适应神经网络动态面控制器，引入磁滞量化器对控制信号进行幅值的量化。
2.根据权利要求1所述的基于离散时间的光伏发电伺服系统的自适应神经网络动态面控制方法，其特征在于：步骤1)所述的光伏发电伺服系统的数学模型如公式所示：
Figure FDA0003214609750000011
其中i＝1,2，θir转子角度，viq为定子电压，iiq为定子电流，ωir为转子角速度，Ji为转子惯量，TiL为负载转矩，fi为粘滞摩擦系数；式(1)中的系数定义如下：
Figure FDA0003214609750000012
式中，n,L1,L2,Lm,λ2s,R1,R2分别为极对数，定子电感，转子电感，互感，磁链，定子电阻，转子电阻；
对系统模型进行规范化转换，令[θir ωir iiq]T＝[xi1 xi2 xi3]T，公式由以下表示：
Figure FDA0003214609750000014
其中gi，θi，βi为系统的未知参数，Δi(xi1,t)为系统不确定部分，yi为系统输出，ui为控制信号；
通过使用欧拉方法，可以得到基于离散时间的系统模型，如下：
Figure FDA0003214609750000021
3.根据权利要求1所述的基于离散时间的光伏发电伺服系统的自适应神经网络动态面控制方法，其特征在于：步骤2)所述的光伏发电伺服系统RBF神经网络逼近器为：
Figure FDA0003214609750000022
其中hi(x):Ωx→R为未知非线性函数，
Figure FDA0003214609750000023
为神经网络输入向量，
Figure FDA0003214609750000024
分别为理想权值向量和隐含层高斯基函数向量，εi(x)为最优逼近误差；其中
Figure FDA0003214609750000025
有如下形式：
Figure FDA0003214609750000026
其中ci∈Rm为第i个基函数的中心，φ∈R为基函数宽度。
4.根据权利要求1所述的基于离散时间的光伏发电伺服系统的自适应神经网络动态面控制方法，其特征在于：步骤3)包括如下步骤：
第一步：步骤3)所述的磁滞量化器为：
Figure FDA0003214609750000027
其中δi＝(1-εi(t))/(1+εi(t)),0＜εi(t)＜1,
Figure FDA0003214609750000028
参数ai(t)决定了死区的Qi(ui)的大小，εi(t)用来衡量定量密度，公式中，
Figure FDA00032146097500000215
是Qi的最新值，且
Figure FDA0003214609750000029
当t∈[0,Ti,1]，则有
Figure FDA00032146097500000210
当t∈[Ti,h,Ti,h+1]，
Figure FDA00032146097500000211
其中Ti,h(h＝1,2,3…)，0＜Ti,1＜Ti,2＜Ti,3＜…≤+∞表示Qi(ui)转换的当前时间；
设ai(t)和εi(t)的最大值表示为
Figure FDA00032146097500000212
和
Figure FDA00032146097500000213
最小值表示为a i和ε i，可得
Figure FDA00032146097500000214
第二步：定义跟踪误差：
si1(k)＝yi(k)-yri(k) (8)
其中yri(k)为参考信号，根据式得：
Figure FDA0003214609750000031
设计虚拟控制律xi2d(k)为：
Figure FDA0003214609750000032
ki1为正设计参数，令xi2d(k)通过一阶低通滤波器，得到新的变量zi2(k+1)：
Figure FDA0003214609750000033
其中
Figure FDA0003214609750000034
bi2＝1-τfi2，τi2为滤波时间常数，Δt为采样时间；
第三步：定义第二个动态面误差：
si2(k)＝xi2(k)-zi2(k) (12)
根据式得：
Figure FDA0003214609750000035
用RBF神经网络逼近未知函数，令：
Figure FDA0003214609750000036
hi2(k)近似为：
Figure FDA0003214609750000037
其中，
Figure FDA0003214609750000038
和εi2(ξi2(k))分别是理想权值，基函数向量和最优逼近误差，满足
Figure FDA0003214609750000039
是NNs的输入向量；
设计虚拟控制律xi3d(k)和自适应律
Figure FDA00032146097500000310
为：
Figure FDA00032146097500000311
Figure FDA0003214609750000041
ki2，λi2和σi2为正设计参数，令xi3d(k)通过一阶滤波器，得到新的变量zi3(k+1)：
Figure FDA0003214609750000042
其中
Figure FDA0003214609750000043
bi3＝1-τfi3，τi3为滤波时间常数；
第四步：定义第三个误差面：
si3(k)＝xi3(k)-zi3(k) (19)
根据式得：
si3(k+1)＝(1+Δta2)xi3(k)+Δta1xi2(k)+ΔtβiQ(ui(k))-zi3(k+1) (20)
关于Q(ui(k))，令：
Figure FDA0003214609750000044
Figure FDA0003214609750000045
利用和定义的参数ιi1(k)和ιi2(k)，磁滞量化器用以下形式表示：
Q(ui(k))＝ιi1(k)ui(k)+ιi2(k) (23)
得关于Q(ui(k))的不等式：
Figure FDA0003214609750000046
|Q(ui(k))-ui(k)|＜a(k),if|ui(k)|＜a(k) (25)
根据式-及式，得：
Figure FDA0003214609750000047
Figure FDA0003214609750000048
将式代入得：
Figure FDA0003214609750000051
令：
Figure FDA0003214609750000052
其中，使用RBF神经网络逼近未知函数，hi3(k)可以近似为：
Figure FDA0003214609750000053
其中
Figure FDA0003214609750000054
和εi3(ξi3(k))分别是理想权值，基函数向量和最优逼近误差，满足
Figure FDA0003214609750000055
是NNs的输入向量；
设计控制律ui(k)和自适应律
Figure FDA0003214609750000056
Figure FDA0003214609750000057
Figure FDA0003214609750000058
ki3，λi3和σi3为正设计参数。
CN202110940374.1A 2021-08-17 2021-08-17 光伏发电伺服系统的自适应神经网络动态面控制方法 Pending CN114019791A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110940374.1A CN114019791A (zh) 2021-08-17 2021-08-17 光伏发电伺服系统的自适应神经网络动态面控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110940374.1A CN114019791A (zh) 2021-08-17 2021-08-17 光伏发电伺服系统的自适应神经网络动态面控制方法

Publications (1)

Publication Number Publication Date
CN114019791A true CN114019791A (zh) 2022-02-08

Family

ID=80054339

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110940374.1A Pending CN114019791A (zh) 2021-08-17 2021-08-17 光伏发电伺服系统的自适应神经网络动态面控制方法

Country Status (1)

Country Link
CN (1) CN114019791A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117193009A (zh) * 2023-10-07 2023-12-08 东北电力大学 光伏电板伺服系统的有限时间命令滤波控制方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109245645A (zh) * 2018-11-08 2019-01-18 贵州大学 一种永磁同步电机混沌系统自适应动态面控制方法
GB2572458A (en) * 2018-03-28 2019-10-02 Huaiyin Inst Technology An adaptive sliding-mode control method of the permanent magnet synchronous motor based on dynamic surface technology
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
CN111142386A (zh) * 2020-01-08 2020-05-12 浙江机电职业技术学院 一种基于非均匀量化的不确定多智能体系统一致性控制方法
CN111766781A (zh) * 2020-05-06 2020-10-13 东北电力大学 基于复合学习和dob的多机电力系统自适应动态面控制器
CN111769544A (zh) * 2020-05-06 2020-10-13 东北电力大学 一种配备svc的多机电力系统分布式数字控制器
CN111766889A (zh) * 2020-05-06 2020-10-13 东北电力大学 基于输出反馈的四旋翼自适应动态面滑模控制器

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
GB2572458A (en) * 2018-03-28 2019-10-02 Huaiyin Inst Technology An adaptive sliding-mode control method of the permanent magnet synchronous motor based on dynamic surface technology
CN109245645A (zh) * 2018-11-08 2019-01-18 贵州大学 一种永磁同步电机混沌系统自适应动态面控制方法
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
CN111142386A (zh) * 2020-01-08 2020-05-12 浙江机电职业技术学院 一种基于非均匀量化的不确定多智能体系统一致性控制方法
CN111766781A (zh) * 2020-05-06 2020-10-13 东北电力大学 基于复合学习和dob的多机电力系统自适应动态面控制器
CN111769544A (zh) * 2020-05-06 2020-10-13 东北电力大学 一种配备svc的多机电力系统分布式数字控制器
CN111766889A (zh) * 2020-05-06 2020-10-13 东北电力大学 基于输出反馈的四旋翼自适应动态面滑模控制器

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张秀宇: "塔式光热电站定日镜的鲁棒自适应控制算法", 《中国电机工程学报》, vol. 39, pages 203 - 212 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117193009A (zh) * 2023-10-07 2023-12-08 东北电力大学 光伏电板伺服系统的有限时间命令滤波控制方法及系统
CN117193009B (zh) * 2023-10-07 2024-04-09 东北电力大学 光伏电板伺服系统的有限时间命令滤波控制方法及系统

Similar Documents

Publication Publication Date Title
Østergaard et al. Estimation of effective wind speed
Sierra-García et al. Improving wind turbine pitch control by effective wind neuro-estimators
CN111969597B (zh) 带有svc的多机无穷大电力系统动态面积分滑模控制器
Deng et al. An effective wind speed estimation based extended optimal torque control for maximum wind energy capture
CN112838797B (zh) 基于改进指数趋近律的永磁同步电机模糊滑模控制方法
Dang et al. Model predictive control for maximum power capture of variable speed wind turbines
CN111142404A (zh) 一种基于压电陶瓷驱动的微定位平台及其建模与控制方法
CN114019791A (zh) 光伏发电伺服系统的自适应神经网络动态面控制方法
CN101997471A (zh) 基于pid预测函数的励磁控制方法
CN111769544B (zh) 一种配备svc的多机电力系统分布式数字控制器
CN111290263A (zh) 一种改进的基于rbfnn及bas的pid最优化控制算法
Elnaggar et al. L1 adaptive Fuzzy control of wind energy conversion systems via variable structure adaptation for all wind speed regions
CN112737435A (zh) 一种基于t-s模糊滑模控制的步进电机抗干扰系统
Anbalagan et al. Fuzzy membership-function-dependent design of aperiodic sample-data control scheme for nonlinear PMSG-based WECS with quantization measurements via refined looped Lyapunov functional
CN112343770B (zh) 一种基于观测器的风力发电机最佳转速有限时间跟踪控制方法
CN113346810A (zh) 速度和电流双闭环模糊控制的pmsm无传感器控制方法
JPH077285B2 (ja) プラント制御装置
Shen et al. HOSMD and neural network based adaptive super-twisting sliding mode control for permanent magnet synchronous generators
CN115081246A (zh) 基于滑模技术的分数阶导数估计方法
CN113741469A (zh) 一种用于机电系统含预定性能和死区输入约束的输出反馈轨迹跟踪控制方法
Zoubaa et al. Fractional order sliding mode control of wind turbines based on wind speed estimator
Zheng et al. A fractional order controller design based on bode’s ideal transfer function and bode’s ideal cut-off ideas
CN112000017B (zh) 一种分数阶水轮机调节系统的全局镇定控制方法
CN110889780A (zh) 基于bls和双层smc的风电机组保性能最大风能捕获方法
CN117193009B (zh) 光伏电板伺服系统的有限时间命令滤波控制方法及系统

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