应用于UPFC动力学模型的ANN-PID复合控制
3 ANN-PID复合控制器设计
3.1 神经网络控制概述
从控制的观点，可以把神经网络看作一个具有m 维向量输入和n维向量输出的非线性动力学系统，并通过一组状态方程和一组学习方程加以描述。状态方程描述每个神经元的兴奋或抑制水平与它的输入及输出通道 上的联结强度间的函数关系，而学习方程描述通道的联结强度应该不断地修正。神经网络就是通过修正这些联结强度进行学习，从而调整整个网络的输入输出关系。
图2 UPFC的三个控制回路
3.2 神经网络控制器设计及训练样本获取 我们使用BP网络及其误差反传学习算法，网络结构如图3所示： 在确定网络结构和学习算法以后，可以开始对网络进行离线训练。训练之前的样本获取是一项十分重要的工作。它决定了训练后的网络性能。样本获取的途径 因控制对象的不同而异本文的控制对象已给出确定的动力学模型。通常，对于有确定数学模型的控制对象并不适合采用人工神经网络控制。原因在于基 |
图3 BP神经网络结构 |
于精确数学模型的控制规律设计理论已相当成熟且应用广泛。但是，本文的控制对象具有多回路、强耦合、非线性的特点。作者曾采用PID控制，虽然也能使三个回路达到稳定，但由于耦合作用的存在和PID算法的局限性，导致了较大的超调量和较长的过渡过程。
PID控制性能差的原因在于暂态过程是一个“边解耦，边控制”的过程，而且PID的固有缺陷使它难以兼顾快速性和稳定性。这里使用BP神经网络主要目的是避开解耦过程，利用BP网络的非线性映射功能直接得出三个回路的控制量。训练样本获取方案如下：
输入矢量的形成：系统共三个回路，即三个被控量Q、V、Udc。输入矢量由被控量的偏差划分为七个档次经排列组合而得到。因此，输入矢量总数
目标矢量的形成：系统控制量分别为θ1、θ2、δ1。给定一个输入矢量(ΔQiΔViΔUdci)，通过PID算法可以得到稳态输出(θ1i、θ2i、δ1i)，这个稳态下的输出即为相应的目标矢量。作者采用这种方法获取目标矢量的主要原因是可以借助控制系统的仿真软件(MATLAB)方便地得到。
3.3 ANN-PID复合控制
利用BP 网络的映射功能形成控制量，虽然避开了多回路解耦过程，但由于是开环控制无法消除稳态误差。众所周知，PID控制用于小偏差线性系统时具有明显的优势。于 是，本文设计了ANN-PID复合控制的方法，即在大偏差范围内投入神经网络控制器，小偏差范围内切换到PID控制器。两个控制器的切换通过编程是很容易 实现的。
评论