飞轮储能用混合磁轴承LM神经网络逆解耦控制器

飞轮储能用混合磁轴承lm神经网络逆解耦控制器
技术领域
1.本发明属于电力传动控制设备技术领域，涉及飞轮储能用混合磁轴承的解耦控制技术，具体是飞轮储能用混合磁轴承lm神经网络逆解耦控制器，适用于多变量、非线性、强耦合的飞轮储能用混合磁轴承的解耦控制。


背景技术：

2.目前主要的能量存储方式有化学储能、超导储能和物理储能。其中，飞轮储能是物理储能方式，因其储能密度高、使用寿命长、能量转换效率高等诸多优点成为新能源的焦点，并被成功应用于不间断电源、风力发电站等领域。传统的飞轮储能系统采用机械轴承作为支承装置，系统存在较大的摩擦损耗，转子的质量和转速都受到较大限制，并且需要周期性维护轴承。因为磁轴承具有的无摩擦、无需润滑、转子位移精度高、寿命长的优点导致其应用在飞轮储能中，飞轮储能用混合磁轴承是一个多输入多输出、强耦合、非线性的多变量系统，因此需要对系统进行线性化解耦控制才能保证系统稳定、精确运行。而通常的线性化解耦控制方法有：近似线性化法、微分几何法、解析逆系统法、神经网络逆等，其中近似线性化法只能对系统进行静态解耦，系统运行时存在的参数改变、临界转速、干扰及负载等因素会导致控制性能变差。微分几何法使用的数学工具比较抽象，计算复杂，不便推广应用。神经网络逆方法利用神经网络能以任意精度逼近非线性系统的特点建立系统逆模型，但神经网络本身存在收敛速度较慢，易陷入局部极小，权值调整受训练样本影响大的问题。
3.为了解决这些问题，中国专利申请号为201710511782.9的文献公开了一种“五自由度无轴承永磁同步电机模糊神经网络解耦控制器”，采用模糊神经网络结合动态预测对五自由度无轴承永磁同步电机进行解耦控制，但模糊神经网络方法对系统模型的精确性要求比较高，模型参数过多容易造成过拟合，推理学习速度慢并且网络初始值是随机选择的，对解耦效果影响较大，因此控制效果并不理想。


技术实现要素：

4.本发明的目的在于解决现有飞轮储能用混合磁轴承控制技术存在的问题，提出一种鲁棒性强、学习速度快的飞轮储能用混合磁轴承lm神经网络逆解耦控制器。
5.本发明飞轮储能用混合磁轴承lm神经网络逆解耦控制器采用的技术方案是：lm神经网络逆系统的输出端连接包含有飞轮储能用六极径向-轴向混合磁轴承的复合被控对象，两个动态预测模块的输出端均串接lm神经网络逆系统的输入端，第一个动态预测模块由第一、第二个串联支路组成，第二个动态预测模块由第三、第四、第五个串联支路和一个复合信号计算模块组成，每个所述的串联支路均由一个反馈校正模块、一个控制增量计算模块、一个预测值计算模块和一个最优值计算模块依次串接组成；第一个串联支路的输入是权值ω和参考权值ω
*
，输出是最优初始权值ωc；第二个串联支路的输入是阈值θ和参考阈值θ
*
，输出是最优初始阈值θc；第三个串联支路的输入是径向位移x和径向位移给定值x
*
，输出是最终径向位移预测值x
ac
(k 1)；第四个串联支路的输入是径向位移y和径向位移给定
值y
*
，输出是径向位移预测值y
ac
(k 1)；第五个串联支路的输入轴向位移z和轴向位移给定值z
*
，输出是轴向位移预测值z
ac
(k 1)；最终径向位移预测值x
ac
(k 1)、y
ac
(k 1)和最终轴向位移预测值z
ac
(k 1)作为复合信号计算模块的输入，复合信号计算模块计算出复合控制信号ja；lm神经网络逆系统以所述的最优初始权值ωc、最优初始阈值θc和复合控制信号ja作为输入，输出等效控制电流期望值i
z*
、i
x*
、i
y*
给复合被控对象。
6.进一步地，所述的第一个串联支路，其中的反馈校正模块将权值ω和参考权值ω
*
比较得到当前时刻k的权值误差e1(k)，采用权值误差e1(k)对k 1时刻的权值进行校正得到k 1时刻的校正权值ω’(k 1)，根据k 1时刻的权值ω’(k 1)移位设置k 1时刻的权值初始预测值权值初始预测值分别输入所述的控制增量计算模块和所述的预测值计算模块，所述的控制增量计算模块计算出权值控制增量δu
ω
(k)，所述的预测值计算模块根据权值初始预测值和权值控制增量δu
ω
(k)计算出最终预测值ω(k 1)，最终预测值ω(k 1)输入所述的最优值计算模块，所述的最优值计算模块输出权值最优解ωc：其余四个串联支路的原理与第一个串联支路雷同。
7.更进一步地，所述的k 1时刻的校正权值ω’(k 1)＝ω
*
σe1(k)，所述的权值初始预测值所述的权值控制增量所述的最终预测值所述的权值最优解ωc＝α|ω(k 1)| (1-α)ω2(k 1)；α为优化因子，取值范围为0～1；σ为反馈校正系数，取0.55；s为移位系数；i＝0,1,
…
,k；di为误差系数；a为增量系数，取值范围为0～1。
8.本发明采用上述技术方案后的优点在于：
9.1、本发明结合动态预测、lm神经网络控制和逆系统的各自优势，实现飞轮储能用混合磁轴承三个自由度间的独立精确控制，克服系统参数摄动、扰动及负载变化带来的控制性能下降的问题，使系统具有优良的动静态特性。
10.2、采用动态预测模块优化lm神经网络的初始权值和阈值，减小初始权值阈值选择对神经网络训练的影响，实时调整神经网络系统的权值矩阵，结合lm神经网络学习能力好、收敛速度快的优点，提高神经网络的训练精度和泛化能力，提高在线神经网络逆模块的精确度，实现各输出间的动态解耦控制。
11.3、lm算法是gauss-newton法的改进形式，既有gauss-newton法的局部特性，又具有梯度法的全局特性，引入正则化减少神经网络模型参数数量，使lm神经网络的泛化能力、逼近精度与收敛速度有了较大提高。采用lm算法滚动优化策略，而非全局一次优化，能及时弥补由于模型畸变、干扰等因素引起的不确定性，提高算法的实时性，训练神经网络至精度达到0.002，动态性能较好。
12.4、相比较标准bp神经网络逆解耦控制器，本发明不需要计算目标函数的hessian矩阵，极大地减少了计算复杂度，提高了收敛速度，解决了hessian矩阵在求解过程中不可逆的问题，能在保证控制性能的前提下有效提高控制器的实时性。将飞轮储能用混合磁轴承这一非线性、强耦合系统解耦为二阶位置伪线性系统，可以利用成熟的线性控制理论对飞轮储能用混合磁轴承进行精确、高性能控制。
附图说明
13.图1是本发明飞轮储能用混合磁轴承lm神经网络逆解耦控制器的结构框图；
14.图2是图1中复合被控对象的等效果示意框图；
15.图3是图1中lm神经网络逆系统的结构框图；
16.图4是图1中第一个动态预测模块的结构框图；
17.图5是图1中第二个动态预测模块的结构框图；
18.图中，1.复合被控对象；2.飞轮储能用六极径向-轴向混合磁轴承；3.直流功率放大器；4.扩展的电流滞环三相功率逆变器；5.lm神经网络逆系统；41.clark变换；42.电流滞环三相功率逆变器；51.lm神经网络模型；52.二阶差分处理器；61.动态预测模块；62.动态预测模块；611、615、621、624、627.反馈校正模块；612、616、622、625、628.控制增量计算模块；613、617、623、626、629.预测值计算模块；614、618.最优值计算模块；620.复合信号计算模块。
具体实施方式
19.如图1所示，本发明飞轮储能用混合磁轴承lm神经网络逆解耦控制器由两个动态预测模块61、61和一个lm神经网络逆系统5组成，两个动态预测模块61、61的输出端均串接lm神经网络逆系统5的输入端，lm神经网络逆系统5的输出端连接包含了飞轮储能用六极径向-轴向混合磁轴承2的复合被控对象1。
20.复合被控对象1的输出是飞轮储能用六极径向-轴向混合磁轴承的径向位移x，y和轴向位移z。第一个动态预测模块61的输入是随机的权值ω和阈值θ以及参考权值ω
*
和参考阈值θ
*
，输出的是最优初始权值ωc和最优初始阈值θc。第二个动态预测模块62的输入是径向位移x，y、轴向位移z以及径向位移给定值x
*
，y
*
、轴向位移给定值z
*
，输出是复合控制信号ja。lm神经网络逆系统51的输入是所述的最优初始权值ωc、最优初始阈值θc和复合控制信号ja，输出是等效控制电流期望值i
z*
、i
x*
、i
y*
。
21.结合图2所示的复合被控对象1，其由轴向的一个直流功率放大器3、径向的扩展的电流滞环三相功率逆变器4以及飞轮储能用六极径向-轴向混合磁轴承2组成，直流功率放大器3和扩展的电流滞环三相功率逆变器4的输出端串接六极径向-轴向混合磁轴承2的输入端。扩展的电流滞环三相功率逆变器4由径向的一个clark逆变换41与电流滞环三相功率逆变器42串联组成。飞轮储能用六极径向-轴向混合磁轴承2的径向等效控制电流期望值i
x*
、i
y*
经clark逆变换41变换为三相电流期望值i
a*
、i
b*
、i
c*
，电流滞环三相功率逆变器42跟踪三相电流期望值，输出飞轮储能用六极径向-轴向混合磁轴承2的径向控制电流ia、ib、ic。直流功率放大器3根据轴向控制电流期望值i
z*
输出飞轮储能用六极径向-轴向混合磁轴承2的轴向控制电流iz，因此，复合被控对象1的输入为等效控制电流期望值i
x*
、i
y*
、i
z*
，输出为轴向和径向的位移z、x、y。
22.分析飞轮储能用六极径向-轴向混合磁轴承2的磁路，建立理想状态下飞轮储能用六极径向-轴向混合磁轴承2的数学模型。飞轮储能用六极径向-轴向混合磁轴承2的数学模型是一个6阶微分矩阵方程，其相对向量阶为{2,2,2}。可由interactor算法验证。因此，六极径向-轴向混合磁轴承2是可逆的，即右逆系统是存在的。
23.如图3所示，根据复合被控对象1的阶数可知，用lm神经网络模型51加一个二阶差
分处理器52就能建立复合被控对象1的逆模型，即lm神经网络逆系统5可由一个二阶差分处理器52与一个lm神经网络模型51串联组成。用随机信号作为复合被控对象1的激励信号，采集输入输出数据，充分获得复合被控对象1的动静态特性，预测计算输出位移z、x、y及其一阶及二阶导数，再对数据进行归一化处理，得到lm神经网络模型51的训练样本。选取能充分反映复合被控对象1动静态特性的3000组训练样本，以z、x、y的复合控制信号及其一阶、二阶导数作为lm神经网络模型51的输入，以复合被控对象1的输入i
z*
、i
x*
、i
y*
作为基于lm神经网络模型51的期望输出，采用第一个动态预测模块61优化lm神经网络模型51的初始权值和阈值，lm神经网络模型51采用lm算法滚动优化，滚动优化的目标函数其中，i
r*
为k 1时刻参考输出值，i
p
为k 1时刻预测输出值，u(k)为k时刻的控制量、u(k-1)为k-1时刻的控制量，||
·
||2都是l2正则化范数形式，λ是正则化参数，取值范围为0～1，采用正则化限制网络中权值大小，训练至精度达到0.002，获得lm神经网络模型51，lm神经网络拓扑结构包括输入层、隐含层和输出层，选择双曲正切s型tansig函数作为隐含层节点转移函数，设定线性purelin函数作为输出层节点转移函数，设定levenbrg-marquardt(lm)的trainlm函数作为lm神经网络算法的训练函数。
24.将二阶差分处理器52的输入端连接第二个动态预测模块62的输出端，二阶差分处理器52的输入是复合控制信号ja，输出是复合控制信号ja及其一阶、二阶差分信号第一个动态预测模块61的输出端连接lm神经网络模型51输入端，将第一个动态预测模块61输出的最优初始权值ωc、阈值θc和复合控制信号ja及其一阶、二阶差分信号共同输入至lm神经网络模型51，进行逆系统回归训练，输出等效控制电流期望值i
x*
、i
y*
、i
z*
至复合被控对象1。
25.二阶差分处理器52对输入的复合控制信号ja进行处理，处理方法如下：k时刻的复合控制信号ja的一阶差分信号由k-4时刻的复合控制信号ja(k-4)、k-3时刻的复合控制信号ja(k-3)、k-1时刻的复合控制信号ja(k-1)和k时刻的复合控制信号ja(k)计算得到，计算公式是：k时刻的复合控制信号ja的二阶差分信号由k-4时刻的复合控制信号ja(k-4)、k-3时刻的复合控制信号ja(k-3)、k-2时刻的复合控制信号ja(k-2)、k-1时刻的复合控制信号ja(k-1)和k时刻的复合控制信号ja(k)计算得到，计算公式是：
26.如图4所示，第一个动态预测模块61由两个反馈校正模块611、615、两个控制增量计算模块612、616、两个预测值计算模块613、617和两个最优值计算模块614、618组成。其中，由一个反馈校正模块611、615、一个控制增量计算模块612、616、一个预测值计算模块613、617、一个最优值计算模块614、618分别依次串接组成两个串联支路，分别第一个、第二个串联支路。两个最优值计算模块614、618的输出端均连接lm神经网络逆系统5的输入端，即第一个、第二个串联支路的输出端均连接lm神经网络逆系统5的输入端。第一个串联支路的输入是权值ω和参考权值ω
*
，输出是最优初始权值ωc。第二个串联支路的输入是阈值θ
和参考阈值θ
*
，输出是最优初始阈值θc。
27.以第一个串联支路为例：第一个反馈校正模块611以权值ω和参考权值ω
*
为输入，将权值ω和参考权值ω
*
比较，得到当前时刻k的权值误差e1(k)＝ω
*-ω，采用权值误差e1(k)对下一时刻即k 1时刻的权值进行校正，按下式计算得到k 1时刻的校正权值ω’(k 1)：
28.ω’(k 1)＝ω
*
σe1(k)，
29.式中，σ为反馈校正系数，根据实际控制效果取0.55。
30.根据k 1时刻的权值ω’(k 1)移位设置k 1时刻的权值初始预测值
[0031][0032]
式中，s为移位系数，根据实际控制效果确定。在k 1时刻预测时，k 2为第一个预测值输出，而需要得到k 1时刻开始的值，故需要乘一个移位系数将其进行移位。
[0033]
将经校正和移位后的权值初始预测值分别输入第一个控制增量计算模块612和第一个预测值计算模块613中，权值初始预测值作为第一个预测值计算模块613的第一个输入。第一个控制增量计算模块612采用权值初始预测值来计算权值控制增量δu
ω
(k)，权值控制增量δu
ω
(k)的大小为k时刻的历史误差和：
[0034][0035]
其中，i＝0,1,
…
,k，di为误差系数，根据实际控制效果确定。
[0036]
本发明引入控制增量δu
ω
(k)使得动态预测控制不仅利用当前和过去的偏差值，还预测未来的偏差值，使得在线优化的被控变量与期望值偏差最小。
[0037]
第一个控制增量计算模块612将控制增量δu
ω
(k)输入第一个预测值计算模块613中，作为预测值计算模块613的第二个输入，第一个预测值计算模块613计算出最终预测值ω(k 1)：
[0038][0039]
其中，a为增量系数，取值范围为0～1，可根据实际控制效果确定。
[0040]
最终预测值ω(k 1)输入第一个最优值计算模块614，得到权值最优解ωc：
[0041]
ωc＝α|ω(k 1)| (1-α)ω2(k 1)，
[0042]
α为优化因子，取值范围为0～1，α越大，系统鲁棒性越强，但控制的快速性变差，具体数值需根据实际控制效果确定。
[0043]
第二个串联支路和第一个串联支路的原理类似，所不同的仅是输入和输出值不同。第二个反馈校正模块615与第二个反馈校正模块611类似，第二个反馈校正模块615以阈值θ和参考阈值θ
*
为输入，输出k 1时刻的阈值θ’(k 1)，阈值θ’(k 1)分别输入到第二个控制增量计算模块616和第二个预测值计算模块617中，第二个控制增量计算模块616计算出阈值控制增量δu
θ
(k)，阈值控制增量δu
θ
(k)输入第二个预测值计算模块617中，经第二个预测值计算模块617计算得到最终阈值预测值θ(k 1)，最终阈值预测值θ(k 1)输入第二个最优值计算模块618，得到阈值最优解θc。
[0044]
将权值最优解ωc和阈值最优解θc输入至lm神经网络逆系统5进行训练。
[0045]
如图5所示，第二个动态预测模块62由三个反馈校正模块621、624、627、三个控制增量计算模块622、625、628、三个预测值计算模块623、626、629以及一个复合信号计算模块620组成。由其中的一个反馈校正模块621、624、627、一个控制增量计算模块622、625、628、一个预测值计算模块623、626、629分别依次串接组成一个串联支路，因此有三个串联支路，分别为第三个、第四个、第五个串联支路。三个预测值计算模块623、626、629的输出端均连接一个复合信号计算模块620的输入端，即第三个、第四个、第五个这三个串联支路的输出端均连接一个复合信号计算模块620的输入端，复合信号计算模块620的输出端连接神经网络逆系统5。
[0046]
第三个、第四个、第五个串联支路的原理第一个串联支路的原理雷同。第三个串联支路以径向位移x和径向位移给定值x
*
为输入，以最终径向位移预测值x
ac
(k 1)为输出。径向位移x和径向位移给定值x
*
输入第三个反馈校正模块621中，经校正和移位得到下一时刻k 1时刻的径向位移初始预测值再经第三个控制增量计算模块622计算得到径向位移控制增量δu
x
(k)，径向位移控制增量δu
x
(k)和径向位移初始预测值共同输入第三个预测值计算模块623中，第三个预测值计算模块623计算出最终径向位移预测值x
ac
(k 1)。同理，第四个反馈校正模块624以径向位移y和径向位移给定值y
*
为输入，第五个反馈校正模块627以轴向位移z和轴向位移给定值z
*
为输入；第四个反馈校正模块624输出k 1时刻的径向位移初始预测值第五个反馈校正模块627输出k 1时刻的轴向位移初始预测值第四个控制增量计算模块625输出径向位移控制增量δuy(k)，第五个控制增量计算模块628输出轴向位移控制增量δuz(k)；第四个预测值计算模块626计算出最终径向位移预测值y
ac
(k 1)，第五个预测值计算模块629计算出最终轴向位移预测值z
ac
(k 1)。
[0047]
最终径向位移预测值x
ac
(k 1)、y
ac
(k 1)和最终轴向位移预测值z
ac
(k 1)作为复合信号计算模块620的输入，复合信号计算模块620对输入的三个预测值进行处理，得到复合控制信号ja：
[0048][0049]
其中α1、α2为优化系数，α1、α2的取值范围是0～1，可根据实际控制效果确定。
[0050]
复合信号计算模块620输出复合控制信号ja输至lm神经网络逆系统5。
[0051]
本发明首先建立图2所示的复合被控对象1，再建立图3所示的lm神经网络逆系统5，对lm神经网络逆系统5中的lm神经网络模型51进行学习训练，选取不同相位、频率的正弦信号作为输入来充分激励lm神经网络逆系统5，实时采样飞轮储能用六极径向-轴向混合磁轴承2的3000组输入(ia,ib,ic,iz)和输出(x,y,z)数据以训练lm神经网络模型51。学习训练过程如下：通过传感器采集复合被控对象1的两个径向位移{x,y}、一个轴向位移z。然后通过在线计算控制增量δu(k)求出径向位移{x,y}和轴向位移z的复合控制信号ja，并同时对复合控制信号ja采用数值差分求其一阶差分信号与二阶差分信号，接着对信号做归一化处理，组成lm神经网络逆系统5的输入信号训练样本，以电流阶跃信号(i
z*
,i
x*
,i
y*
)作为lm神经网络逆系统5的输出训练样本。使用梯度下降法及gauss-newton法的结合来调节lm神经网络模型51的权值和阈值大小，用实际值和网络期望值间差值的均方差最小为目标，误差目标函数值减小时降低阻尼系数使lm算法接近gauss-newton法，误差目标函数值增大时升高阻尼系数使lm算法接近梯度下降法，利用lm算法在线滚动优化，每一时刻实现的是静态
优化，全局看是动态优化，从而提高训练精度和加快收敛速度，经过265步训练后，误差为0.0015满足设定的精度要求。然后，建立图4和图5所示的两个动态预测模块61、62，在每个采样时刻，都要对实际输出和预测输出进行修正，然后再进行新的优化，随时刻变化在线优化，反复进行，使得模型预测近乎准确的与实际被控过程相符，从而提高lm神经网络模型51训练精度。最后，将两个动态预测模块61、62同时与lm神经网络逆系统5串联，将lm神经网络逆系统5与复合被控对象1串联，即可构造成本发明飞轮储能用混合磁轴承lm神经网络逆解耦控制器，实现对飞轮储能用六极径向-轴向混合磁轴承2的解耦控制，如图1所示。