论文部分内容阅读
神经网络逆控制方法是一种不依赖于被控系统精确模型、应用广泛的非线性控制方法。但是该方法在具体应用时还存在一些问题有待解决,主要是当被控系统的参数发生较大变化等不确定性时,神经网络逆对被控系统的逆系统的逼近性能会变差,往往导致不能获得满意的闭环控制性能。针对神经网络逆控制方法存在的不足,在国家自然科学基金项目(神经网络逆系统测量理论及其应用研究,项目号:60574097)的资助下,本文着重开展了神经网络逆控制方法的改进研究,提出了基于在线学习的神经网络逆控制方法,在此基础上,论文将所提方法应用于电力系统关键元件--同步发电机的非线性控制中,并对相关结果进行了分析和比较。本文的主要研究内容和取得的成果如下:
1.针对一类SISO非线性可逆系统提出了一种神经网络逆在线学习方法。针对相对阶a≤2且输出的各阶导数均可测的一类SISO非线性可逆系统,在神经网络逆离线训练的基础上,提出了一种基于基函数思想的神经网络逆在线学习方法,基于Lyapunov稳定性理论设计了神经网络逆的在线学习算法,证明了神经网络逆在线学习的收敛性。所提方法提高了神经网络逆对不确定非线性系统的逆系统的逼近性能。
2.提出了基于扩张状态观测器的改进的神经网络逆在线学习方法。考虑到一般情况下神经网络逆在线学习时所需的输出的各阶导数难以在线准确获取的难题,针对具有任意相对阶的一类SISO非线性可逆系统提出了基于扩张状态观测器(ESO)的改进的神经网络逆在线学习方法。将神经网络逆系统与被控系统组成的复合伪线性系统与理想的线性系统之间的误差视为复合伪线性系统的扰动,便将复合伪线性系统转化为含有扰动的线性系统。在此基础上,设计了ESO对复合伪线性系统的状态与扰动进行在线估计,解决了被控系统输出的各阶导数和复合伪线性系统的扰动的实时在线获取问题,从而解决了神经网络逆在线学习时训练样本获取的难题和基于神经网络逆系统的反馈控制器设计的难题,并在离线训练的基础上在线训练神经网络逆进一步提高了神经网络逆的逼近性能。在此基础上,将所提方法推广到MIMO非线性可逆系统的控制中。
3.提出了基于神经网络逆系统的自适应补偿控制方法。针对一类SISO非线性可逆系统提出了基于神经网络逆系统的自适应补偿控制方法。分析了神经网络逆与被控系统组成的复合伪线性系统与理想的线性系统之间的误差,设计了RBF神经网络对此误差进行在线估计,并在伪控制量的设计中对其进行补偿。基于Lyapunov稳定性理论设计了RBF神经网络的在线学习算法,证明了RBF神经网络的收敛性和闭环系统的稳定性。在此基础上,将所提方法推广到MIMO非线性可逆系统的控制中。最后,将所提出的基于神经网络逆系统的自适应补偿控制方法与改进的神经网络逆在线学习方法进行了比较,指出了其各自的优缺点和适用的场合。
4.研究了相关控制方法在电力系统元件分散控制中的应用。针对电力系统中的关键元件:同步发电机组,分别基于本文所提出的神经网络逆在线学习方法研究了多机系统中同步发电机励磁控制问题,基于改进的神经网络逆在线学习方法研究了多机系统中同步发电机励磁控制问题与励磁汽门综合控制问题,基于神经网络逆系统的自适应补偿控制方法研究了多机系统中同步发电机励磁汽门综合控制问题,并基于MATLAB软件进行了数值仿真,结果验证了本文所提方法的有效性。