一种线性自抗扰控制器参数自整定方法

针对线性自抗扰控制器参数难于整定的问题,提出了一种基于动态响应过程时序数据挖掘的参数自整定算法. 算法以线性自抗扰控制器中线性误差反馈律的两个增益信号回路的动态响应为参数调整对象,通过改进变收缩系数的随机搜索算法进行参数整定,记录动态响应过程数据,基于关联关系挖掘得到控制参数调整策略应用于线性自抗扰控制器的参数自整定. 为验证本文提出的参数自整定方法的实际效果,以液压自动位置控制系统为控制对象,分别采用阶跃响应仿真和Monte Carlo实验进行对比研究. 结果表明,基于数据挖掘参数自整定的线性自抗扰控制器动态响应较好,鲁棒性较强,改进了变收缩系数随机搜索算法调整时间较长以及传统线性自抗扰控制器超调较大的缺点,是一种具有实用性的线性自抗扰控制器参数自整定方法.     

一种基于改进自抗扰控制器的风电机组变桨距控制策略

为了改善风电机组的恒功率输出区域的动态性能,提出了一种基于改进自抗扰控制器的变桨控制策略。当风速高于额定风速时,通过调节桨距角改变风机气动转矩,保证风机输出功率的稳定性。设计了一个改进的连续光滑的非线性函数,可有效提高系统的抗扰动能力。基于该非线性函数对传统自抗扰控制器做出了改进。仿真结果证明,改进自抗扰控制器的变桨距控制系统能够对桨距角进行精确调整并将输出功率快速稳定到额定值附近,具有较快的响应速度及较好的抗扰动能力。     

风速波动时基于UKF-DFNN的变桨距控制

针对风速大于额定风速时风速波动引起风电机组的功率波动及变桨距系统频繁启停的问题,提出基于无迹卡尔曼滤波(unscented Kalman filter,简称UKF)与动态模糊神经网络(dynamic fuzzy neural network,简称DFNN)相结合的变桨距控制策略.为了消除传统变桨距控制中风速作为输入信号时产生的时延,将风电机组转速及输出功率作为反馈输入量.利用UKF对反馈输入量进行实时滤波处理,且将滤波后的数据用DFNN动态调整其权重,得到精确的桨距角指令值.采用Matlab/Simulink构建仿真模型,将UKF-DFNN控制与模糊PID、径向基函数(radial basis function,简称RBF)神经网络控制进行对比分析.仿真结果表明:所提策略能提高风速波动时系统的鲁棒性、抑制桨距角的波动范围、输出稳定的功率.     

定桨距与变桨距两种风电机组在某地的功率曲线和发电量比较

在某地对定桨距及变浆距两种风电机组的功率曲线和发电量进行比较。变桨距风电机组的风能利用系数高,发电性能好,优越性比较明显。本文通过在某风电厂搜集了几十台风电机组的有关数据,重点对定桨距与变桨距两种风电机组的功率曲线和发电量进行了分析比较。     

一种基于滑模自抗扰控制器的风电机组变桨距控制策略

为了改善风力发电系统在恒功率区的性能,提出了一种基于滑模自抗扰控制器的变桨距控制策略.在高于额定风速的风况下,通过变桨控制器改变桨距角,保证风力发电机输出功率稳定在额定功率附近.通过MATLAB仿真软件对所提变桨距控制策略与PID控制策略对比,仿真结果表明:基于滑模自抗扰控制器的变桨距控制策略下的风力发电机组能够使输出...     

基于差分进化算法的旋转倒立摆线性自抗扰控制

为了提高旋转倒立摆系统的稳定控制性能,结合自抗扰控制器(ADRC)估计扰动并进行补偿的特点,提出一种带宽参数化的线性自抗扰控制方法(LADRC)。在倒立摆数学模型的基础上,采用线性扩张状态观测器(LESO)估计垂直摆杆角度,并以两个比例-微分控制器(PD)分别设计水平连杆和垂直摆杆的控制率。为了克服自抗扰控制器参数难以整定的问题,结合参数自适应差分进化算法和带宽概念进行控制器参数的寻优。硬件在环仿真结果表明,相比于PD控制器和线性二次型最优控制器(LQR),所整定的线性自抗扰控制器作用的倒立摆系统具有更好的响应和抗扰动能力。     

基于BP神经网络的三轴增稳云台自抗扰控制

针对三轴增稳云台伺服系统非线性特性,以及PD控制抗扰能力差,自抗扰控制器由于参数众多而导致整定过程耗时且费力的缺陷,本文利用BP神经网络的全局逼近能力和自我学习能力,将其与自抗扰控制器组成复合控制器,对自抗扰控制器的所有关键参数进行自整定寻优,应用于含Stribeck摩擦模型的三轴增稳云台伺服系统。仿真结果表明:该方法用于自动整定参数可行有效,与PD控制和参数固定的常规自抗扰控制器相比,具有更高的控制精度和更强的抗扰能力,对提高增稳云台的性能具有较好的应用价值。     

基于遗传粒子群算法风电机组变速与变桨系统PI控制器设计

为了提升风电机组的控制精度并降低关键承载部件的载荷情况,通过遗传粒子群方法研究了变速与变桨系统PI控制器的设计。首先,采用泰勒级数将风电机组线性化展开为状态空间方程。然后通过提取输入、输出和平衡点分别构建变速与变桨系统的数学模型。其次,分别采用Routh法和最小二乘法将变速与变桨系统辨识为低阶惯性系统和惯性时延系统。然后分别基于时间加权绝对误差积分准则和Chien-Hrones-Reswick法整定变速与变桨系统PI控制参数。最后,采用帕累托方法分配控制目标的权重关系并基于遗传粒子群算法优化变速与变桨系统PI控制参数,进而采用最小二乘法将其分别与风速和桨距角拟合构建自适应PI控制。结果表明：在变速控制中能够有效提升输出功率并抑制塔架顶部侧向振动;在变桨控制中能够有效平抑输出功率和发电机转速波动并降低叶片根部载荷情况。可见通过遗传粒子群方法设计的变速与变桨系统PI控制器具有良好的有效性和适用性。     

基于径向基神经网络的主动前轮转向自抗扰控制

为研究复杂环境下车辆主动前轮转向系统（AFS）稳定性问题,提出一种基于RBF神经网络的主动前轮转向自抗扰控制（ADRC）方法,通过设计RBF神经网络结构采用梯度下降法达到自抗扰控制器参数整定的目的,改善ADRC参数多整定耗时且控制效果难以保持最优的不足;针对车辆AFS定传动比的不足,设计固定横摆角速度增益的理想变传动比规则。结果表明,基于RBF神经网络的ADRC策略能够较好的实现动态跟踪主动前轮转向理想横摆角速度,同时相比ADRC抗干扰量提高了25.8%,有效抑制了横摆角速度的振荡幅值。可见该方法提高了理想横摆角速度的跟踪能力,改善了车辆的可控性和稳定性并具有良好控制精度。     

重型电动轮自卸车自抗扰传动控制

分析了电动轮自卸车传动控制系统的特点,提出了电动轮自卸车自抗扰传动控制,设计了基于遗传算法参数整定的自抗扰传动控制系统.仿真结果表明,自抗扰控制器完全能够满足系统控制要求,且比同样采用遗传算法参数整定的PID控制具有更强的抗扰能力和鲁棒性.     

用BP网进行变速风力发电机组控制分析

传统的控制需要精确的风力发电机的数学模型,而因为空气动力学的不确定性和电力电子的复杂性,使风力机系统精确模型难以建立,特别是在风速突变以及有扰动存在时,风力机的控制和分析很复杂;为了克服这一困难,用神经网对变速风力发电机组进行控制;设计功率系数曲线的BP网模型及最佳桨距角的BP网模型,在低风速时跟随风速获得最大功率系数,高风速时保持功率最大并在允许范围内.在MATLAB环境下给出了用BP网对变速风力发电机控制的仿真模型和仿真结果,显示采用神经网控制器控制有很好的抗风速突然波动的作用,能有效地抑制扰动.     

基于权系数法的功率和载荷协同控制策略

针对大型风机在高风速区由风剪切效应引起的输出功率波动和叶轮不平衡载荷,从功率和载荷两个维度出发,以NREL公司的5MW陆基风机为对象,提出一种基于权系数法的功率和载荷双目标协同的独立变桨控制策略。首先,以遗传算法优化的PID作为主控制器,通过风轮转速反馈得到统一变桨距角;其次,根据方位角反馈得到各桨叶的动态权系数,以此调整各桨叶的桨距角;最后,将叶根挥舞力矩反馈给模糊PID控制器得到载荷影响下的桨距角微调量,并对桨距角进行修正。通过FAST和Matlab/Simulink平台联合仿真,将所提控制策略与统一变桨距控制和独立变桨PI控制对比分析。结果表明,所提控制策略能有效地将输出功率稳定在额定功率附近,并且对于降低风轮不平衡载荷具有显著效果。     

并网风力机中基于变桨距角的神经网络控制方法

针对并网风力机的运行特性,在其传动系统和发电机的动态模型基础上设计控制器.当外界风速较大,提出采用基于神经网络的风力机叶片桨距角控制器抑制多余的风能进入发电系统,维持风力发电机馈送到电网的功率稳定;当风速较低时,风力机转速需要跟随风速变化,调整叶片桨距角处于捕捉最大风能位置处,保证风力机的风能转换效率最优,提高其运行效率.仿真结果验证了该控制方法的有效性.     

基于DDPG算法的风力发电机变桨距控制研究

风电机组模型的不确定性以及风速等外部干扰严重影响风电机组输出功率的稳定性,基于准确风机参数的传统控制策略难以满足系统控制需求。因此,本文提出一种基于DDPG算法的风机变桨距控制器。借助强化学习仅需与环境交互无需建模的优势,以风机模型为训练环境,功率为奖励目标,变桨角度为输出,采用深度神经网络搭建Actor-Critic单元,训练最优变桨策略。采用阶跃、低湍流、高湍流三种典型风况对算法进行检测。仿真结果表明,不同风况下基于DDPG算法控制器的控制精度、超调量、调节时间等性能均优于传统比例-积分-微分控制器效果。     

基于神经网络的PWM整流器矢量控制研究

建立电压型PWM整流器的一般数学模型,运用坐标变换技术得到其在两相旋转dq坐标系下的数学模型,并采用SVPWM整流器的双闭环控制系统。针对PI控制器参数整定困难的问题,利用神经网络的自学习功能,设计一种基于BP神经网络的PI控制器,实现PI控制器的参数自整定。最后利用MATLAB提供的电力系统工具箱构建PWM整流器的滞环控制系统和矢量控制系统的仿真模型进行仿真实验对比。仿真结果表明,基于BP神经网络的矢量控制系统超调量被抑制,系统鲁棒性增强。     

双馈风力发电机组协调多目标非线性控制

为平抑双馈风力发电机组额定风速以上的转速和功率波动,基于协调无源性方法,提出一种同时考虑桨距角和转子励磁控制的协调控制策略。首先,在分析风力机特性和双馈感应发电机基本电磁关系的基础上,给出风力发电机组桨距角调节、转子励磁控制的四阶系统非线性模型。特别对风能利用系数进行了关于桨距角的多项式拟合,并对拟合的不确定性建模,确保了模型的准确性。其次,由Lyapunov方法设计前两阶鲁棒控制器,得到桨距角控制输入,再用协调无源性方法设计励磁控制部分,使得整个系统达到反馈无源,既保证了系统的鲁棒性,又保证了整个系统的渐近稳定性。最后,通过仿真验证了控制策略的控制效果,并与其他控制策略进行了比较,验证了该控制策略的有效性。     

电液负载模拟器神经网络辨识器及控制器设计

针对传统控制方法无法解决飞机舵机电液负载模拟器受多余力等非线性因素严重干扰的问题,给出了一种基于神经网络辨识器及控制器的复合控制结构,结合了神经网络系统辨识与自适应实时控制的工作特点。根据电液负载模拟器控制结构及工作原理,采用BP神经网络辨识器在线辨识,获得系统辨识模型以替代理论数学模型。然后,采用Adaline神经网络控制器实时控制,利用系统误差信号与BP神经网络反向递归计算Adaline网络权值调整信息,获得系统控制参数,实现复合控制器的有效监督与智能控制。最后利用MATLAB进行实验验证,仿真结果表明：该方法能够提高系统控制精度,多余力消扰率达92%;并且可以有效模拟飞机舵机所受力载荷的变化情况,实现系统指令信号快速、准确、稳定的加载。     

基于BP神经网络的静液压变速器控制研究

静液压变速器(HST)的操控性是农用车辆性能提升的关键,采用一种基于BP(back propagation)神经网络的新型控制策略,对HST马达输出转速的动态特性进行研究.基于变量泵—定量马达静液压传动系统的数学模型,首先对比研究了传统PID控制、模糊控制以及BP神经网络控制3种方法的控制效果,结果表明:与传统PID控制和模糊控制相比,BP神经网络控制能有效抑制系统超调量并降低马达转速波动,减小系统达到稳态的调节时间,具有良好的鲁棒性.基于此,提出采用BP神经网络控制方法对具有更大马达转速变化范围的变量泵—变量马达传动系统进行调查,研究结果表明,在对变量泵、变量马达分段控制中,该方法能实现较稳定的切换效果;在不同的负载等效转动惯量下,马达转速均能达到稳定状态,且由负载引起的转速波动也得到降低.研究结果表明,BP神经网络控制方法对变量泵—变量马达传动系统具有潜在的控制优势.