摘 要：提出用神經(jīng)網(wǎng)絡控制器實現(xiàn)大偏差范圍內(nèi)的解耦控制，由PID控制實現(xiàn)小偏差時的快速穩(wěn)定并消除靜差。這種復合控制方法應用于UPFC的動力學模型收到了良好的效果。
關鍵詞：UPFC；BP網(wǎng)絡；解耦控制 TM761；TM743；TP2733
0 引 言
在UPFC 應用研究中普遍使用了UPFC的輸出模型。眾所周知，UPFC的輸出模型只是穩(wěn)態(tài)下的等效電路。它不反映UPFC的動力學性質。凡是基于UPFC輸出模型 的應用研究都忽略了UPFC的內(nèi)部運動過程，這顯然不夠精確，或者說以這種研究方法認識UPFC帶有很大局限性。文獻［1］提出的UPFC建模方法所建模 型是動力學模型。從控制工程的角度看，UPFC裝置本身是一個較為復雜的非線性動力學系統(tǒng)，研究其控制方法對裝置開發(fā)和應用都非常必要。
1 UPFC的主電路及其動力學模型
1.1 UPFC的主電路
為了討論問題方便采用圖1所示主電路結構(實際電路結構可能考慮到降低諧波含量而采用多重化技術，但原理相同。)
圖1 UPFC主電路簡圖
1.2 UPFC的動力學模型
串聯(lián)支路的回路方程：
 |
并聯(lián)支路的回路方程
 |
 |
||
式中的Lj、Rj是根據(jù)戴維南定理得出的串聯(lián)變壓器輸出阻抗(注意：Lj、Rj在圖1中沒有標出)。另一方面，再由能量守恒可知，直流側電容的充放電過程決定于UPFC兩側有功的不平衡性，有：
 |
|
|
|||
 |
|
 |
|
式(1)、(2)、(3)、(4)構成了UPFC裝置的動力學模型。
2 UPFC的控制回路
UPFC裝置本身包括三個控制回路，在這三個回路基礎上增加網(wǎng)絡方程和發(fā)電機方程即可得到含UPFC的系統(tǒng)數(shù)學模型(注：本文只研究UPFC裝置內(nèi)部三個基本控制回路，若還要關注系統(tǒng)，只需在此基礎上增加相應方程)。
由圖2可見(見下頁)，UPFC裝置的控制系統(tǒng)包括三個控制回路?？刂苹芈?的作用是實時補償輸電線路無功功率(標幺制下的無功電流Iq)；控制回路2的作用是維持直流連接電容電壓Udc恒定；控制回路3的作用是調節(jié)串聯(lián)變壓器輸出電壓V。不難看出，控制回路2與另外兩個控制回路存在耦合作用。因此，若三個控制回路均采用PID控制邏輯很難得到滿意的控制效果。作者設計的神經(jīng)網(wǎng)絡(ANN)與PID的復合控制規(guī)律取得了良好的效果。
3 ANN-PID復合控制器設計
3.1 神經(jīng)網(wǎng)絡控制概述
從控制的觀點，可以把神經(jīng)網(wǎng)絡看作一個具有m 維向量輸入和n維向量輸出的非線性動力學系統(tǒng)，并通過一組狀態(tài)方程和一組學習方程加以描述。狀態(tài)方程描述每個神經(jīng)元的興奮或抑制水平與它的輸入及輸出通道 上的聯(lián)結強度間的函數(shù)關系，而學習方程描述通道的聯(lián)結強度應該不斷地修正。神經(jīng)網(wǎng)絡就是通過修正這些聯(lián)結強度進行學習，從而調整整個網(wǎng)絡的輸入輸出關系。
圖2 UPFC的三個控制回路
|
3.2 神經(jīng)網(wǎng)絡控制器設計及訓練樣本獲取 我們使用BP網(wǎng)絡及其誤差反傳學習算法，網(wǎng)絡結構如圖3所示： 在確定網(wǎng)絡結構和學習算法以后，可以開始對網(wǎng)絡進行離線訓練。訓練之前的樣本獲取是一項十分重要的工作。它決定了訓練后的網(wǎng)絡性能。樣本獲取的途徑 因控制對象的不同而異本文的控制對象已給出確定的動力學模型。通常，對于有確定數(shù)學模型的控制對象并不適合采用人工神經(jīng)網(wǎng)絡控制。原因在于基 |
圖3 BP神經(jīng)網(wǎng)絡結構 |
于精確數(shù)學模型的控制規(guī)律設計理論已相當成熟且應用廣泛。但是，本文的控制對象具有多回路、強耦合、非線性的特點。作者曾采用PID控制，雖然也能使三個回路達到穩(wěn)定，但由于耦合作用的存在和PID算法的局限性，導致了較大的超調量和較長的過渡過程。
PID控制性能差的原因在于暫態(tài)過程是一個“邊解耦，邊控制”的過程，而且PID的固有缺陷使它難以兼顧快速性和穩(wěn)定性。這里使用BP神經(jīng)網(wǎng)絡主要目的是避開解耦過程，利用BP網(wǎng)絡的非線性映射功能直接得出三個回路的控制量。訓練樣本獲取方案如下：
輸入矢量的形成：系統(tǒng)共三個回路，即三個被控量Q、V、Udc。輸入矢量由被控量的偏差劃分為七個檔次經(jīng)排列組合而得到。因此，輸入矢量總數(shù)
目標矢量的形成：系統(tǒng)控制量分別為θ1、θ2、δ1。給定一個輸入矢量(ΔQiΔViΔUdci)，通過PID算法可以得到穩(wěn)態(tài)輸出(θ1i、θ2i、δ1i)，這個穩(wěn)態(tài)下的輸出即為相應的目標矢量。作者采用這種方法獲取目標矢量的主要原因是可以借助控制系統(tǒng)的仿真軟件(MATLAB)方便地得到。
3.3 ANN-PID復合控制
利用BP 網(wǎng)絡的映射功能形成控制量，雖然避開了多回路解耦過程，但由于是開環(huán)控制無法消除穩(wěn)態(tài)誤差。眾所周知，PID控制用于小偏差線性系統(tǒng)時具有明顯的優(yōu)勢。于 是，本文設計了ANN-PID復合控制的方法，即在大偏差范圍內(nèi)投入神經(jīng)網(wǎng)絡控制器，小偏差范圍內(nèi)切換到PID控制器。兩個控制器的切換通過編程是很容易 實現(xiàn)的。
4 仿真研究
圖4-1 回路2的PID控制 圖4-2 回路2的ANN-PID復合控制
圖4-3 回路1的PID控制 圖4-4 回路1的ANN-PID復合控制
圖4-5 回路3的PID控制 圖4-6 回路3的ANN-PID復合控制
由仿真結果可以看出，單獨使用PID控制時回路間的耦合作用使動態(tài)響應曲線有超調和多個極點導致了快速性、穩(wěn)定性較差；ANN-PID復合控制則表現(xiàn)出良好的解耦控制效果，三個控制回路的動態(tài)性能都有顯著改善。