光伏发电伺服系统的自适应神经网络动态面控制方法与流程

1.本发明涉及光伏发电领域，特别涉及基于离散时间的光伏发电伺服系统的自适应神经 网络动态面控制方法。


背景技术：

2.光伏发电技术由于其原理和结构简单，发电场建设周期短，运行维护成本低且可开发 地区广，已受到世界各国的重视，由于光伏板对日位置的追踪精度直接影响光伏发电效率， 因此需要设计性能优异的控制器。对于具有不确定性的光伏发电伺服系统，结合实际控制 需要，光伏发电伺服系统控制器的设计应满足如下需求：1)控制器应使得伺服系统跟踪 误差满足实际控制精度需要，2)控制器应具有较好的抗干扰能力，能够保证系统稳定；3) 控制器设计简明，利于实时控制。在以前的工作中，对于光伏发电伺服系统控制器的设计 都是基于连续时间的，而离散时间控制方法更接近实际工程应用。本设计将提出一种基于 离散时间的光伏发电伺服系统的自适应神经网络动态面控制方法，并引入磁滞量化器对控 制信号进行幅值的量化，实现数字控制，提高控制器抑制抖振的能力。


技术实现要素：

3.为了克服背景技术中的不足，本发明提供一种基于离散时间的光伏发电伺服系统的自 适应神经网络动态面控制方法，能够提高光伏发电伺服系统的跟踪精度。
4.为了达到上述目的，本发明采用以下技术方案实现：
5.基于离散时间的光伏发电伺服系统的自适应神经网络动态面控制方法，包括如下步骤：
6.1)构造光伏发电伺服系统的数学模型；
7.2)设计光伏发电伺服系统rbf神经网络逼近器，使其逼近得出步骤1)中光伏发电 伺服系统模型内的未知函数；
8.3)结合rbf神经网络逼近器设计出基于离散时间的光伏发电伺服系统自适应神经网 络动态面控制器，引入磁滞量化器对控制信号进行幅值的量化。
9.进一步地，步骤1)所述的光伏发电伺服系统的数学模型如公式所示：
[0010][0011]
其中i＝1,2，θ
ir
转子角度，v
iq
为定子电压，i
iq
为定子电流，ω
ir
为转子角速度，ji为转 子惯量，t
il
为负载转矩，fi为粘滞摩擦系数；式(1)中的系数定义如下：
[0012][0013]
式中，n,l1,l2,lm,λ
2s
,r1,r2分别为极对数，定子电感，转子电感，互感，磁链，定子电 阻，转子电阻；
[0014]
对系统模型进行规范化转换，令[θ
ir ω
ir i
iq
]
t
＝[x
i1 x
i2 x
i3
]
t
，公式由以下表示：
[0015][0016]
其中gi，θi，βi为系统的未知参数，δi(x
i1
,t)为系统不确定部分，yi为系统输出，ui为控制信号；
[0017]
通过使用欧拉方法，可以得到基于离散时间的系统模型，如下：
[0018][0019]
进一步地，步骤2)所述的光伏发电伺服系统rbf神经网络逼近器为：
[0020][0021]
其中hi(x):ω
x
→
r为未知非线性函数，为神经网络输入向量，分 别为理想权值向量和隐含层高斯基函数向量，εi(x)为最优逼近误差；其中有如下形式：
[0022][0023]
其中ci∈rm为第i个基函数的中心，φ∈r为基函数宽度。
[0024]
进一步地，步骤3)包括如下步骤：
[0025]
第一步：步骤3)所述的磁滞量化器为：
[0026][0027]
其中δi＝(1-εi(t))/(1 εi(t)),0＜εi(t)＜1,参数 ai(t)决定了死区的qi(ui)的大小，εi(t)用来衡量定量密度，公式中，是qi的最新值，且当t∈[0,t
i,1
]，则有当t∈[t
i,h
,t
i,h 1
]，其中 t
i,h
(h＝1,2,3
…
)，0＜t
i,1
＜t
i,2
＜t
i,3
＜
…
≤ ∞表示qi(ui)转换的当前时间；
[0028]
设ai(t)和εi(t)的最大值表示为和最小值表示为ai和εi，可得
[0029]
[0030]
第二步：定义跟踪误差：
[0031]si1
(k)＝yi(k)-y
ri
(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0032]
其中y
ri
(k)为参考信号，根据式得：
[0033][0034]
设计虚拟控制律x
i2d
(k)为：
[0035][0036]ki1
为正设计参数，令x
i2d
(k)通过一阶低通滤波器，得到新的变量z
i2
(k 1)：
[0037][0038]
其中b
i2
＝1-τ
fi2
，τ
i2
为滤波时间常数，δ
t
为采样时间；
[0039]
第三步：定义第二个动态面误差：
[0040]si2
(k)＝x
i2
(k)-z
i2
(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0041]
根据式得：
[0042][0043]
用rbf神经网络逼近未知函数，令：
[0044][0045]hi2
(k)近似为：
[0046][0047]
其中，和ε
i2
(ξ
i2
(k))分别是理想权值，基函数向量和最优逼近误差，满足 是nns的输入向量；
[0048]
设计虚拟控制律x
i3d
(k)和自适应律为：
[0049][0050][0051]ki2
，λ
i2
和σ
i2
为正设计参数，令x
i3d
(k)通过一阶滤波器，得到新的变量z
i3
(k 1)：
[0052][0053]
其中b
i3
＝1-τ
fi3
，τ
i3
为滤波时间常数；
[0054]
第四步：定义第三个误差面：
[0055]si3
(k)＝x
i3
(k)-z
i3
(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19)
[0056]
根据式得：
[0057]si3
(k 1)＝(1 δ
t
a2)x
i3
(k) δ
t
a1x
i2
(k) δ
t
βiq(ui(k))-z
i3
(k 1)
ꢀꢀꢀꢀ
(20)
[0058]
关于q(ui(k))，令：
[0059][0060][0061]
利用和定义的参数ι
i1
(k)和ι
i2
(k)，磁滞量化器用以下形式表示：
[0062]
q(ui(k))＝ι
i1
(k)ui(k) ι
i2
(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(23)
[0063]
得关于q(ui(k))的不等式：
[0064][0065]
|q(ui(k))-ui(k)|＜a(k),if|ui(k)|＜a(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(25)
[0066]
根据式-及式，得：
[0067][0068][0069]
将式代入得：
[0070][0071]
令：
[0072][0073]
其中，使用rbf神经网络逼近未知函数，h
i3
(k)可以近似为：
[0074][0075]
其中和ε
i3
(ξ
i3
(k))分别是理想权值，基函数向量和最优逼近误差，满足 是nns的输入向量；
[0076]
设计控制律ui(k)和自适应律
[0077][0078][0079]ki3
，λ
i3
和σ
i3
为正设计参数。
[0080]
与现有技术相比，本发明的有益效果是：
伺服系统模型内的未知函数；
[0100]
光伏发电伺服系统rbf神经网络逼近器为：
[0101][0102]
其中hi(x):ω
x
→
r为未知非线性函数，为神经网络输入向量，分 别为理想权值向量和隐含层高斯基函数向量，εi(x)为最优逼近误差；其中有如下形式：
[0103][0104]
其中ci∈rm为第i个基函数的中心，φ∈r为基函数宽度。
[0105]
3)结合rbf神经网络逼近器设计出基于离散时间的光伏发电伺服系统自适应神经网 络动态面控制器，引入磁滞量化器对控制信号进行幅值的量化。
[0106]
本步骤包括如下步骤：
[0107]
第一步：步骤3)所述的磁滞量化器为：
[0108][0109]
其中δi＝(1-εi(t))/(1 εi(t)),0＜εi(t)＜1,参数 ai(t)决定了死区的qi(ui)的大小，εi(t)用来衡量定量密度，公式中，是qi的最新值，且 当t∈[0,t
i,1
]，则有当t∈[t
i,h
,t
i,h 1
]，其中 t
i,h
(h＝1,2,3
…
)，0＜t
i,1
＜t
i,2
＜t
i,3
＜
…
≤ ∞表示qi(ui)转换的当前时间；
[0110]
设ai(t)和εi(t)的最大值表示为和最小值表示为ai和εi，可得：
[0111][0112]
第二步：定义跟踪误差：
[0113]si1
(k)＝yi(k)-y
ri
(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0114]
其中y
ri
为参考信号，根据式得：
[0115][0116]
设计虚拟控制律x
i2d
(k)为：
[0117]
[0118]ki1
为正设计参数，令x
i2d
(k)通过一阶低通滤波器，得到新的变量z
i2
(k 1)：
[0119][0120]
其中b
i2
＝1-τ
fi2
，τ
i2
为滤波时间常数，δ
t
为采样时间。
[0121]
第三步：定义第二个动态面误差：
[0122]si2
(k)＝x
i2
(k)-z
i2
(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0123]
根据式得：
[0124][0125]
用rbf神经网络逼近未知函数，令：
[0126][0127]hi2
(k)可以近似为：
[0128][0129]
其中，和ε
i2
(ξ
i2
(k))分别是理想权值，基函数向量和最优逼近误差，满足 是nns的输入向量； 设计虚拟控制律x
i3d
(k)和自适应律为
[0130][0131][0132]ki2
，λ
i2
和σ
i2
为正设计参数，令x
i3d
(k)通过一阶滤波器，得到新的变量z
i3
(k 1)：
[0133][0134]
其中b
i3
＝1-τ
fi3
，τ
i3
为滤波时间常数；
[0135]
第四步：定义第三个误差面：
[0136]si3
(k)＝x
i3
(k)-z
i3
(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19)
[0137]
根据式得：
[0138]si3
(k 1)＝(1 δ
t
a2)x
i3
(k) δ
t
a1x
i2
(k) δ
t
βiq(ui(k))-z
i3
(k 1)
ꢀꢀꢀꢀ
(20)
[0139]
关于q(ui(k))，令：
[0140][0141]
[0142]
利用和定义的参数ι
i1
(k)和ι
i2
(k)，磁滞量化器可以用以下形式表示：
[0143]
q(ui(k))＝ι
i1
(k)ui(k) ι
i2
(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(23)
[0144]
可得关于q(ui(k))的不等式：
[0145][0146]
|q(ui(k))-ui(k)|＜a(k),if|ui(k)|＜a(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(25)
[0147]
根据式-及式，可得：
[0148][0149][0150]
将式代入可得：
[0151][0152]
令：
[0153][0154]
其中，使用rbf神经网络逼近未知函数，h
i3
(k)可以近似为：
[0155][0156]
其中和ε
i3
(ξ
i3
(k))分别是理想权值，基函数向量和最优逼近误差，满足 是nns的输入向量； 设计控制律ui(k)和自适应律
[0157][0158][0159]ki3
，λ
i3
和σ
i3
为正设计参数。
[0160]
下面分析采用本方法的光伏发电伺服系统控制稳定性。
[0161]
对于稳定性分析，选择lyapunov函数
[0162][0163]
其中
[0164]
[0165]vi
(k)的一阶前向差分为：
[0166][0167]
考虑以下的杨氏不等式：
[0168][0169][0170][0171][0172][0173]
在此基础上，进一步得到δvi(k)：
[0174][0175]
其中，
[0176][0177]
通过选择参数使：
[0178][0179][0180][0181]
[0182][0183]
当δvi(k)≤0，整个闭环系统是最终一致有 界稳定的。
[0184]
接下来对本发明所述的方法进行仿真分析：
[0185]
表1伺服电机参数
[0186][0187]
高度角控制系统参数：β1＝0.145；方位角控制系统参数：β2＝0.13，＝0.13，选取参考信号：y
r1
＝sin(0.1t)，y
r2
＝cos(0.1t)。
[0188]
在仿真中，控制器公式的设计参数选择为：
[0189]k11
＝0.05,k
12
＝0.0007,k
13
＝0.075,k
21
＝0.045,k
22
＝0.0001,k
23
＝0.075；
[0190]
一阶滤波器公式的时间参数选择为：
[0191]
τ
12
＝τ
22
＝0.0006,τ
13
＝τ
23
＝0.0006；
[0192]
自适应律设计公式的参数被选择为：
[0193]
λ
12
＝λ
13
＝1.25,σ
12
＝σ
13
＝0.75,λ
22
＝λ
23
＝0.9，σ
22
＝σ
23
＝0.5；
[0194]
为了验证所提出方案的有效性，对光伏发电伺服系统进行了仿真。
[0195]
仿真结果如图1-4所示。图1-2给出了所提方法和传统反步法的高度角和方位角的跟 踪性能以及跟踪误差。图3-4显示了使用磁滞量化器和对数量化器的高度角和方位角的量 化控制信号，可以看出所提出的控制方法具有更小的稳态误差，而使用的磁滞量化器具有 较好的抑制抖振的能力。
[0196]
本方法提出了一种基于离散时间的光伏发电伺服系统的自适应神经网络动态面控制 方法。使用rbf神经网络对系统的未知函数进行了逼近，使用动态面控制方法简化了控制 器的设计，降低了算法的复杂度。此外，引入磁滞量化器对控制信号进行量化，从而提高 了控制器抑制抖振的能力，实现了数字控制。
[0197]
以上实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的 操作过程，但本发明的保护范围不限于上述的实施例。上述实施例中所用方法如无特别说 明均为常规方法。