基于在線學習的神經網絡逆控制方法及其在電力系統(tǒng)中的應用研究.pdf

1、神經網絡逆控制方法是一種不依賴于被控系統(tǒng)精確模型、應用廣泛的非線性控制方法。但是該方法在具體應用時還存在一些問題有待解決,主要是當被控系統(tǒng)的參數發(fā)生較大變化等不確定性時,神經網絡逆對被控系統(tǒng)的逆系統(tǒng)的逼近性能會變差,往往導致不能獲得滿意的閉環(huán)控制性能。針對神經網絡逆控制方法存在的不足,在國家自然科學基金項目(神經網絡逆系統(tǒng)測量理論及其應用研究,項目號:60574097)的資助下,本文著重開展了神經網絡逆控制方法的改進研究,提出了基于在線

2、學習的神經網絡逆控制方法,在此基礎上,論文將所提方法應用于電力系統(tǒng)關鍵元件--同步發(fā)電機的非線性控制中,并對相關結果進行了分析和比較。本文的主要研究內容和取得的成果如下:
　　 1.針對一類SISO非線性可逆系統(tǒng)提出了一種神經網絡逆在線學習方法。針對相對階a≤2且輸出的各階導數均可測的一類SISO非線性可逆系統(tǒng),在神經網絡逆離線訓練的基礎上,提出了一種基于基函數思想的神經網絡逆在線學習方法,基于Lyapunov穩(wěn)定性理論設計了神

3、經網絡逆的在線學習算法,證明了神經網絡逆在線學習的收斂性。所提方法提高了神經網絡逆對不確定非線性系統(tǒng)的逆系統(tǒng)的逼近性能。
　　 2.提出了基于擴張狀態(tài)觀測器的改進的神經網絡逆在線學習方法。考慮到一般情況下神經網絡逆在線學習時所需的輸出的各階導數難以在線準確獲取的難題,針對具有任意相對階的一類SISO非線性可逆系統(tǒng)提出了基于擴張狀態(tài)觀測器(ESO)的改進的神經網絡逆在線學習方法。將神經網絡逆系統(tǒng)與被控系統(tǒng)組成的復合偽線性系統(tǒng)與理想

4、的線性系統(tǒng)之間的誤差視為復合偽線性系統(tǒng)的擾動,便將復合偽線性系統(tǒng)轉化為含有擾動的線性系統(tǒng)。在此基礎上,設計了ESO對復合偽線性系統(tǒng)的狀態(tài)與擾動進行在線估計,解決了被控系統(tǒng)輸出的各階導數和復合偽線性系統(tǒng)的擾動的實時在線獲取問題,從而解決了神經網絡逆在線學習時訓練樣本獲取的難題和基于神經網絡逆系統(tǒng)的反饋控制器設計的難題,并在離線訓練的基礎上在線訓練神經網絡逆進一步提高了神經網絡逆的逼近性能。在此基礎上,將所提方法推廣到MIMO非線性可逆系統(tǒng)

5、的控制中。
　　 3.提出了基于神經網絡逆系統(tǒng)的自適應補償控制方法。針對一類SISO非線性可逆系統(tǒng)提出了基于神經網絡逆系統(tǒng)的自適應補償控制方法。分析了神經網絡逆與被控系統(tǒng)組成的復合偽線性系統(tǒng)與理想的線性系統(tǒng)之間的誤差,設計了RBF神經網絡對此誤差進行在線估計,并在偽控制量的設計中對其進行補償?；贚yapunov穩(wěn)定性理論設計了RBF神經網絡的在線學習算法,證明了RBF神經網絡的收斂性和閉環(huán)系統(tǒng)的穩(wěn)定性。在此基礎上,將所提方法推

6、廣到MIMO非線性可逆系統(tǒng)的控制中。最后,將所提出的基于神經網絡逆系統(tǒng)的自適應補償控制方法與改進的神經網絡逆在線學習方法進行了比較,指出了其各自的優(yōu)缺點和適用的場合。
　　 4.研究了相關控制方法在電力系統(tǒng)元件分散控制中的應用。針對電力系統(tǒng)中的關鍵元件:同步發(fā)電機組,分別基于本文所提出的神經網絡逆在線學習方法研究了多機系統(tǒng)中同步發(fā)電機勵磁控制問題,基于改進的神經網絡逆在線學習方法研究了多機系統(tǒng)中同步發(fā)電機勵磁控制問題與勵磁汽門綜