基于模糊控制的交流调速系统.doc

基于模糊控制的交流调速系统 摘 要： 随着电力电子技术的发展,交流调速系统不但性能优于直流调速,而且成本和维护费用较之更低,可靠性更高,因此,采用高效率经济型的交流变频调速系统是电机调速技术发展的新动向。然而,交流电动机是一个多变量、强耦合的复杂被控对象,并且存在着参数时变、非线性和不确定因素,传统的PID控制难以获得良好的控制性能。近年来,采用模糊控制成为解决此类问题的有效方法之一。 关键词：模糊控制 交流调速 遗传算法 第1章 基于遗传算法的模糊神经网络控制的交流调速系统 模糊神经网络兼具了模糊控制及神经网络二者的优点,既可以进行模糊推理,又具有学习和模式识别能力,利用模糊神经网络可以处理传统PID控制不能处理的控制情况[2-3]。传统的模糊神经网络需要一个参考网络,而参考网络的建立则依赖于专家经验,当被控对象的参数和环境发生改变时，原先的网络可能就不太适用了[4]。 本节设计了一种基于遗传算法的模糊神经网络控制器,通过再励学习的方式在线训练得到最优的网络参数,从而避免建立参考网络。将此控制器应用于交流调速系统中,获得了良好的控制性能。 1.1模糊神经网络控制方案 1.1.1 方案说明 该控制采用双闭环交流调速系统,其结构如图1-1-1所示。内环为电流环,外环为转速环。转速控制器采用模糊神经网络控制器,其输入为交流电机的转速误差(给定转速与实际转速之差)和转速误差变化率,而输出即为q轴电流,经过PWM逆变后即可实现对交流电机的矢量控制[5]。同时通过遗传算法进行在线学习,得到最优的神经网络参数。 图1-1-1　基于再励学习的模糊神经网络 1.1.2　控制器的设计原理 基于再励学习的自适应模糊神经网络控制系统原理图如图1-1-2所示,该控制系统的学习采用基于值函数的再励学习方式,不依赖于参考模型。其中虚线框中的三个部分即是一个基于再励学习的模糊神经网络控制器,对其中各个部分的介绍如下: 图1-1-2　基于再励学习的模糊神经网络原理图 (1)输入空间划分层 用隶属函数划分输入空间,通过再励学习不断调整隶属函数的个数及其在输入空间上的分布,使得划分对应的网络结构达到最优。 (2)控制规则评价层 N个模糊子集对应着N2条模糊规则,每条规则对应一个规则权重。规则权重表示本条规则在控制量输出中所占的比重。再励学习的目的之一就是利用遗传算法不断调整规则权重,使得规则的应用和划分在当前网络结构下达到最优。 (3)再励作用决策层 由来自规则评价层的每条规则的权重加权得到网络的控制量U。当网络输出一个控制量作用于被控对象后,系统状态发生变化,同时产生一个内部再励信号R(表示奖励或惩罚)反馈给网络,根据最大化奖励信号的原则,选择下一时刻控制量输出。最后判断是否需要基于遗传算法的参数自学习对网络参数进行调整。 1.1.3　模糊神经网络的结构 以二维输入、每个输入对应三个模糊子集的模糊神经网络为例介绍模糊神经网络,其基本结构图如图1-1-3所示,其中每一层节点的功能描述如下: 第一层(输入):这一层中的每一个节点都是一个与输入变量相对应的输入节点,这些节点仅仅是将输入信号传到下一层。 第二层(模糊化):这一层中的每一个节点作为第一层中输入变量的语言标识,即通过将输入带入各个隶属函数计算,明确规定一个输入属于一个模糊子集的程度的隶属值。为了获得较好的抗扰动性能,隶属函数一般选择三角形函数或高斯函数。 第三层(推理):这一层中的每一个节点代表一条模糊逻辑规则的前提条件部分,将第二层传来的信号进行模糊逻辑与运算,并输出运算结果,即这条规则的开火度。在遗传算法中进行优化的就是该层的权重值μ。 第四层(去模糊化输出):这一层作为解模糊器,只有一个节点。它将所有第三 图1-1-3　模糊神经网络结构图 层的输入信号加权并通过映射获得最终推理结果,其中网络权重可以按照神经网络中介绍的学习规则进行自学习优化。 1.2 基于遗传算法的参数自学习算法 为了获得最优的网络权重,需要选择合适的参数自学习算法对权重进行在线学习[6]。本文采用具有全局搜索能力的遗传算法,根据系统稳态误差对结果参数进行在线调整,使系统具有更好的稳态性能。遗传算法流程如图1-2-1所示,其中各步骤描述如下: (1)结合控制规律对种群进行初始化,随机产生30个染色体个体,每个染色体含有N2个参数,并采用实数编码方式对参数进行编码。 (2)交叉概率设为Pc=0·8,变异概率设为Pm=0·01,适应度函数为fintness=ω*-ω(ω*,ω分别为电机的速度给定和实际速度),终止进化的条件为fintnessmin, min为预置的稳态性能指标要求。 (3)将30个染色体个体分别替代自适应模糊神经网络中网络权重进行控制,每一个体作用时间为0·5 s,全部个体