今日頭條
官方微信
官方抖音
案例頻道
一、概述
隨著現(xiàn)代電力電子裝置的發(fā)展，其應用范圍越來越廣，所應用的場合也越來越復雜。由于電力電子裝置所控制的對象越來越復雜，各種不確定因素和種種難以描述的非線性特性存在，使得基于傳統(tǒng)控制的對象模型越來越難得建立；再者人們對電力電子裝置輸出控制要求的日益提高，越來越要求控制的智能化和寬適應能力。神經(jīng)網(wǎng)絡源于對人腦信息處理機制的模擬，具有很強的適應復雜環(huán)境的能力和多目標控制的自學習能力，并具有良好的非線性函數(shù)逼近能力。因此神經(jīng)網(wǎng)絡控制策略能解決逆變系統(tǒng)中的常規(guī)控制策略無法解決的許多問題，理論上來說可以設計出一個與系統(tǒng)數(shù)學模型無關的，自學習、自適應的魯棒性好動態(tài)響應快的智能控制系統(tǒng)。神經(jīng)網(wǎng)絡的這些特性為我們解決現(xiàn)代電力電子裝置控制上的種種難題提供了一條很好的途徑。
近十幾年來，人工神經(jīng)網(wǎng)絡在控制領域中的研究也取得了很大的進展。人工神經(jīng)網(wǎng)絡能夠通過自身的學習過程了解系統(tǒng)的結(jié)構、參數(shù)、不確定性和非線性，并給出系統(tǒng)所需的控制規(guī)律，由它構成的控制器具有很強的魯棒性。
單神經(jīng)元是神經(jīng)網(wǎng)絡最基本的單元，在神經(jīng)網(wǎng)絡控制中，單神經(jīng)元是最基本的控制部件。因此，由單個神經(jīng)元構成的控制器引起了控制界的廣泛興趣。神經(jīng)元控制器結(jié)構簡單，自學習、自組織能力強，分布式存儲，并行結(jié)構運算，可以調(diào)和系統(tǒng)動、靜態(tài)間的矛盾，對對象模型精度要求不高，且抗干擾能力強，故實際應用較多。
神經(jīng)網(wǎng)絡對于復雜不確定問題的自適應能力,可以用作控制系統(tǒng)的補償環(huán)節(jié)和自適應環(huán)節(jié);神經(jīng)網(wǎng)絡對任意非線性關系的描述能力,可以用于非線性系統(tǒng)的辨識和控制;神經(jīng)網(wǎng)絡的快速優(yōu)化計算能力,可用于復雜控制問題的優(yōu)化計算;神經(jīng)網(wǎng)絡的分布式存儲能力及并行處理和合成能力,可用作復雜控制系統(tǒng)中的信息轉(zhuǎn)換接口。
結(jié)合上述特性，控制中對神經(jīng)網(wǎng)絡的使用大致分為下面幾類：
1. 神經(jīng)網(wǎng)絡與反饋聯(lián)合控制：
神經(jīng)網(wǎng)絡需要一個過程來根據(jù)訓練樣本進行學習，學習完成后，網(wǎng)絡才能用于控制系統(tǒng)，因此在學習階段采用與神經(jīng)網(wǎng)絡控制器相并聯(lián)的常規(guī)控制器來改善系統(tǒng)的初始響應，提高系統(tǒng)魯棒性。
2. 神經(jīng)網(wǎng)絡PID控制：
PID調(diào)節(jié)概念清晰、方法簡便、調(diào)節(jié)容易，可靠性好，與神經(jīng)網(wǎng)絡的自學習自組織功能相結(jié)合，利用神經(jīng)網(wǎng)絡來在線整定PID調(diào)節(jié)器參數(shù)，可以提高控制器對系統(tǒng)和環(huán)境的適應能力和控制效果。
3. 神經(jīng)網(wǎng)絡自校正控制：
神經(jīng)網(wǎng)絡自校正控制是利用神經(jīng)網(wǎng)絡的良好的逼近能力，在被控系統(tǒng)參數(shù)變化的情況下，自動調(diào)整控制器參數(shù)，消除擾動的影響。
4. 神經(jīng)網(wǎng)絡模型參考自適應控制：
非線性系統(tǒng)的神經(jīng)網(wǎng)絡模型參考自適應控制系統(tǒng)在結(jié)構上與線性系統(tǒng)的模型參考自適應系統(tǒng)相同。只是對象的辨識模型為神經(jīng)網(wǎng)絡。
5. 神經(jīng)網(wǎng)絡滑?？刂疲?/STRONG>
神經(jīng)網(wǎng)絡具有良好的學習能力，引入滑?？刂坪螅梢栽诓淮_定的環(huán)境下通過自學習來改進滑模開關曲線，進而改善控制效果。
6. 神經(jīng)網(wǎng)絡模糊控制：
神經(jīng)網(wǎng)絡模糊控制利用神經(jīng)網(wǎng)絡進行學習，模糊控制器進行似然推理，使得輸出的控制信號平滑，同時加快了學習速度。
7. 神經(jīng)網(wǎng)絡專家系統(tǒng)控制：
專家系統(tǒng)是一種知識性表達，適用于邏輯推理，神經(jīng)網(wǎng)絡則反映的是一種輸入輸出的數(shù)學映射關系，長于直覺推理，把二者結(jié)合起來，發(fā)揮各自的優(yōu)勢，可以產(chǎn)生更好的控制效果。
8. 完全神經(jīng)網(wǎng)絡控制：
完全神經(jīng)網(wǎng)絡控制包括神經(jīng)網(wǎng)絡反饋控制，神經(jīng)網(wǎng)絡自適應控制，神經(jīng)網(wǎng)絡非線性控制等，它的特點是其辨識，估計，計算，控制等都由神經(jīng)網(wǎng)絡完成，其形式多種多樣應用范圍較廣。
目前，由于缺乏相應的神經(jīng)網(wǎng)絡計算機的硬件支持，通常利用串行方法來模擬神經(jīng)網(wǎng)絡機制解決實時控制問題，由于計算量大，計算速度限制，在實際應用中還有許多問題需要解決。而隨著FPGA等大規(guī)模集成電路技術的進步，純硬件化的專用神經(jīng)網(wǎng)絡芯片的實現(xiàn)將使現(xiàn)有的神經(jīng)網(wǎng)絡算法的實現(xiàn)煥然一新。
二、神經(jīng)網(wǎng)絡在電力電子裝置中的應用
神經(jīng)網(wǎng)絡在電力電子裝置控制中的應用研究起步較晚，多用于故障診斷，在基于神經(jīng)網(wǎng)絡的電力電子裝置的控制上多偏于理論分析。在電力電子裝置系統(tǒng)控制研究上根據(jù)目前文獻顯示，這方面工作尚處于起步階段，研究較少。
目前完全神經(jīng)網(wǎng)絡控制的電力電子裝置還處于實驗階段，文獻[1]給出了一種基于DSP的完全神經(jīng)網(wǎng)絡控制的逆變器控制方案。它針對傳統(tǒng)的基于最優(yōu)消諧波理論的逆變器,采用了一種全新的神經(jīng)網(wǎng)絡控制器。當系統(tǒng)工作時,由基于DSP的在線神經(jīng)網(wǎng)絡實時調(diào)節(jié)逆變器輸出電壓的大??；同時各功率管的開關角由另一個神經(jīng)網(wǎng)絡通過最優(yōu)PWM最優(yōu)開關角的擬合,由DSP直接計算出來。整個控制系統(tǒng)具有結(jié)構簡單、反應靈敏、調(diào)壓精確、輸出電能質(zhì)量高,控制系統(tǒng)全數(shù)字化的特點。
在其電壓控制網(wǎng)絡框圖中，電壓調(diào)節(jié)環(huán)實質(zhì)上是一個單神經(jīng)元。文獻[1]中所設計的CVCF逆變器，要求在不同負載性質(zhì)下都要有恒定的電壓Uo輸出，而不同的負載對電壓基波取用需求不同，若按常規(guī)控制就要求控制器實時計算出不同負載模型下控制器內(nèi)濾波器參數(shù)，而為了獲得負載參數(shù)，需要加入大量的負載電流及相位檢測環(huán)節(jié)。
由于神經(jīng)網(wǎng)絡對光滑非線性函數(shù)具有的任意逼近能力,它適合控制各種非線性問題,所以這個問題可以由各種在線自適應神經(jīng)網(wǎng)絡控制系統(tǒng)解決,無需在線辨識對象的參數(shù),只要實時檢測對象的實際輸出并與期望輸出相比較,就可在線調(diào)節(jié)并形成自適應的閉環(huán)控制系統(tǒng)。
文獻[2]提出了一種將傳統(tǒng)PID算法和神經(jīng)網(wǎng)絡算法結(jié)合的新型復合控制算法，并將其應用于直流調(diào)速系統(tǒng)。
該設計保持傳統(tǒng)雙閉環(huán)控制方法的優(yōu)越性,將神經(jīng)元網(wǎng)絡理論應用于直流調(diào)速系統(tǒng)時,仍采用雙閉環(huán)結(jié)構而電流環(huán)(內(nèi)環(huán))仍采用傳統(tǒng)的PI調(diào)節(jié)器并校正成典型Ｉ型系統(tǒng),以提高系統(tǒng)響應時快速性和限流的必要性,轉(zhuǎn)速環(huán)(外環(huán))則采用神經(jīng)元PID控制器,以提高其魯棒性。采用單神經(jīng)元PID控制器的雙閉環(huán)直流調(diào)速系統(tǒng)結(jié)構。單神經(jīng)元PID控制器的參數(shù)設計主要是選擇控制器的比例因子ｋ、學習速率η、權重初值、采樣周期等參數(shù),它們對學習和控制效果有一定的影響。這種復合控制的算法采用了邊學習邊控制的方式，充分利用了神經(jīng)元的自學功能,在運行中根據(jù)被控對象特性的變化,對神經(jīng)元的權重值進行在線調(diào)整,使得整個系統(tǒng)具有良好的自適應能力。結(jié)果證明,這種控制方法能夠有效地克服傳統(tǒng)雙閉環(huán)控制存在的不足,只要選擇適當?shù)膶W習速率、比例因子、權重初值,就可使系統(tǒng)在允許負載下保持無靜差,無超調(diào)的優(yōu)良性能。
SVPWM是一種廣泛應用的電力電子裝置控制技術，它通過對8個開關函數(shù)的組合使逆變器輸出具有較小的脈動轉(zhuǎn)矩，較低的諧波成分，并且具有較高的直流電壓利用率，并且適合于數(shù)字化實現(xiàn)。但是其運算復雜，需進行主、輔矢量判定．輸出序列組合．以及查表等過程，占據(jù)DSP大量時間且精度較差。文獻[3]提出了一種基于Kononen網(wǎng)絡的SVPWM快速算法，可快速判定主輔矢量，確定輸出序列和求解出作用時間。
Kohonen網(wǎng)絡由一個全互連的神經(jīng)元陣列組成；外部輸入模式出現(xiàn)時，網(wǎng)絡的每個神經(jīng)元都同時工作。網(wǎng)絡采用“贏者通吃”的競爭學習機制、完成對復雜模式的分類過程、并在回復模式時、按一定權來分配模式間的關系。對于SVPWM的計算，由于8個開關函數(shù)已經(jīng)將合成矢量的位置劃分為6個區(qū)間，也就相當于6個模式已經(jīng)確定，省去了分類訓練的過程。而主矢量則是每個模式下競爭的勝者，次大的就是輔矢量。這種方式實現(xiàn)的SVPWM可以由純硬件電路實現(xiàn)，極大的節(jié)省了DSP運算資源。
還有的文獻（文獻[4]）提出了基于RBF網(wǎng)絡的電機控制系統(tǒng)。它利用RBF網(wǎng)絡進行電機定子電壓電流和逆變器開關導通角之間的非線性映射，實現(xiàn)了無傳感器控制。
目前的神經(jīng)網(wǎng)絡算法實現(xiàn)，多是基于軟件的串行模擬算法，這種實現(xiàn)方式計算量大，實時性差。而新一代的大規(guī)模集成器件FPGA的出現(xiàn)給我們提供了并行算法實現(xiàn)的可能。文獻[5]對基于FPGA的硬件神經(jīng)網(wǎng)絡算法實現(xiàn)進行了詳細的介紹。
三、小結(jié)及展望
綜合目前檢索到的文獻和資料，神經(jīng)網(wǎng)絡在電力電子裝置中的應用還處于初步階段。其算法的實現(xiàn)直接影響到它的應用。而且在實時控制中，神經(jīng)網(wǎng)絡的應用還是不如傳統(tǒng)控制成熟。但是它強大的非線性處理能力有著極大的吸引力。將其與傳統(tǒng)控制結(jié)合構成的復合控制器將是未來控制的一個新的亮點。
參考文獻：
[1]基于DSP的逆變器神經(jīng)網(wǎng)絡控制. 沈忠亭,嚴仰光. 電力電子技術.2002.10：50－53
[2]神經(jīng)網(wǎng)絡與PID結(jié)合的直流調(diào)速系統(tǒng)自適應控制.項云瑋.機電工程.1999.6：37－39
[3]基于神經(jīng)網(wǎng)絡的一種快速SVPWM算法. 林平，蔡驪.電氣自動化.2001.6：7-9
[4]基于自適應徑向基函數(shù)神經(jīng)網(wǎng)絡的無刷直流電機直接電流控制. 夏長亮等.中國電機工程學報.2003.6.第23卷：123－127
[5]FPGA implementation of a pulse density neural network with learning ability using simultaneous perturbation. Yutaka Maeda and Toshiki Tada. IEEE TRANSACTIONS ON NEURAL NETWORKS, VOL. 14, NO. 3, MAY 2003：688-695
北京市公安局海淀分局備案號：11010802023656號