基于模糊控制的交流调速系统

基于模糊控制的交流调速系统摘要：随着电力电子技术的开展,交流调速系统不但性能优于直流调速,而且本钱和维护费用较之更低,可靠性更高,因此,采用高效率经济型的交流变频调速系统是电机调速技术开展的新动向。然而,交流电动机是一个多变量、强耦合的复杂被控对象,并且存在着参数时变、非线性和不确定因素,传统的PID控制难以获得良好的控制性能。近年来,采用模糊控制成为解决此类问题的有效方法之一。关键词：模糊控制交流调速遗传算法第1章基于遗传算法的模糊神经网络控制的交流调速系统模糊神经网络兼具了模糊控制及神经网络二者的优点,既可以进行模糊推理,又具有学习和模式识别能力,利用模糊神经网络可以处理传统PID控制不能处理的控制情况[2-3]。传统的模糊神经网络需要一个参考网络,而参考网络的建立那么依赖于专家经验,当被控对象的参数和环境发生改变时，原先的网络可能就不太适用了[4]。本节设计了一种基于遗传算法的模糊神经网络控制器,通过再励学习的方式在线训练得到最优的网络参数,从而防止建立参考网络。将此控制器应用于交流调速系统中,获得了良好的控制性能。1.1.1方案说明该控制采用双闭环交流调速系统,其结构如图1-1-1所示。内环为电流环,外环为转速环。转速控制器采用模糊神经网络控制器,其输入为交流电机的转速误差(给定转速与实际转速之差)和转速误差变化率,而输出即为q轴电流,经过PWM逆变后即可实现对交流电机的矢量控制[5]。同时通过遗传算法进行在线学习,得到最优的神经网络参数。图1-1-1基于再励学习的模糊神经网络1.1.2控制器的设计原理基于再励学习的自适应模糊神经网络控制系统原理图如图1-1-2所示,该控制系统的学习采用基于值函数的再励学习方式,不依赖于参考模型。其中虚线框中的三个局部即是一个基于再励学习的模糊神经网络控制器,对其中各个局部的介绍如下:图1-1-2基于再励学习的模糊神经网络原理图(1)输入空间划分层用隶属函数划分输入空间,通过再励学习不断调整隶属函数的个数及其在输入空间上的分布,使得划分对应的网络结构到达最优。(2)控制规那么评价层N个模糊子集对应着N2条模糊规那么,每条规那么对应一个规那么权重。规那么权重表示本条规那么在控制量输出中所占的比重。再励学习的目的之一就是利用遗传算法不断调整规那么权重,使得规那么的应用和划分在当前网络结构下到达最优。(3)再励作用决策层由来自规那么评价层的每条规那么的权重加权得到网络的控制量U。当网络输出一个控制量作用于被控对象后,系统状态发生变化,同时产生一个内部再励信号R(表示奖励或惩罚)反响给网络,根据最大化奖励信号的原那么,选择下一时刻控制量输出。最后判断是否需要基于遗传算法的参数自学习对网络参数进行调整。1.1.3模糊神经网络的结构以二维输入、每个输入对应三个模糊子集的模糊神经网络为例介绍模糊神经网络,其根本结构图如图1-1-3所示,其中每一层节点的功能描述如下:第一层(输入):这一层中的每一个节点都是一个与输入变量相对应的输入节点,这些节点仅仅是将输入信号传到下一层。第二层(模糊化):这一层中的每一个节点作为第一层中输入变量的语言标识,即通过将输入带入各个隶属函数计算,明确规定一个输入属于一个模糊子集的程度的隶属值。为了获得较好的抗扰动性能,隶属函数一般选择三角形函数或高斯函数。第三层(推理):这一层中的每一个节点代表一条模糊逻辑规那么的前提条件局部,将第二层传来的信号进行模糊逻辑与运算,并输出运算结果,即这条规那么的开火度。在遗传算法中进行优化的就是该层的权重值μ。第四层(去模糊化输出):这一层作为解模糊器,只有一个节点。它将所有第三图1-1-3模糊神经网络结构图层的输入信号加权并通过映射获得最终推理结果,其中网络权重可以按照神经网络中介绍的学习规那么进行自学习优化。1.2基于遗传算法的参数自学习算法为了获得最优的网络权重,需要选择适宜的参数自学习算法对权重进行在线学习[6]。本文采用具有全局搜索能力的遗传算法,根据系统稳态误差对结果参数进行在线调整,使系统具有更好的稳态性能。遗传算法流程如图1-2-1所示,其中各步骤描述如下:(1)结合控制规律对种群进行初始化,随机产生30个染色体个体,每个染色体含有N2个参数,并采用实数编码方式对参数进行编码。(2)交叉概率设为Pc=0·8,变异概率设为Pm=0·01,适应度函数为fintness=ω*-ω(ω*,ω分别为电机的速度给定和实际速度),终止进化的条件为fintness<min,min为预置的稳态性能指标要求。(3)将30个染色体个体分别替代自适应模糊神经网络中网络权重进行控制,每一个体作用时间为0·5s,全部个体带入运行一次以后,将每一个体的适应度函数值进行排序,利用轮盘赌法选择最优的6个个体。(4)根据最优个体的适应度函数值判断是否满足进化终止条件,假设满足,那么执行步骤(6),假设不满足那么执行步骤(5)。(5)根据交叉、变异的概率对最优的6个个体进行交叉、变异操作,产生子代个体,替换种群中适应度最低的6个个体,形成新的种群,然后执行步骤(3)。设交图1-2-1遗传算法流程图叉的两个个体为chr1和chr2,a,b均为[0,1]上的随机数,那么交叉操作为:chr1′=a*chr1+(1-a)*chr2(1)chr2′=(1-b)*chr1+b*chr2(2)变异采用下式进行,其中δ为变异参数,r1,r2均为[01]上的随机数:chr=chr+δ-2lgr1/0·4323*sin(2πr2)(3)进化结束,将综合指标最正确的个体替换到自适应模糊神经网络的网络权重中,使系统稳定运行。1.3仿真及结果分析为了验证该控制器的性能及利用遗传算法对网络参数进行优化的可行性和有效性,论文基于Mat-lab软件进行了仿真。仿真中异步电机额定功率为5·5kW,额定电流为13A,额定转速为1500r/min,转动惯量为J0=0·02kgm2。神经网络的节点数直接决定了网络的性能,网络节点不同时,网络训练的时间,训练过程中的振荡以及负载改变时网络的响应速度,超调,振荡等都会有很大的区别,为了比拟这些区别,论文通过仿真实验来进行说明,实验中网络的节点数为Ne×Ne,下面分别以Ne为3,5,7时,以实验仿真结果来介绍当神经网络节点数不同时,控制器的控制效果的异同。首先对网络进行训练,训练时负载为空载,速度给定从0跳跃至1000r/min。仿真效果如图1-3-1所示,从图中可以看出,Ne=7时网络训练时间最短,仿真过程中波动最少;Ne=3时网络训练时间最长,曲线振动最大;而Ne=5的曲线性能那么介于上述两者之间。图1-3-1训练时电机的转速训练结束后,系统稳定时,再对网络进行测试,首先测试其应对速度给定改变时的网络性能,此时负载仍然为空载,速度给定在0·5s处由0跳跃至1000r/min,再在2·5s时由1000跳跃至-1000r/min,这相当于实际中的反转情况。仿真曲线如下列图1-3-2所示,从图中我们可以看到,Ne=3时曲线响应最慢,上升时间最长,而Ne=5,7时曲线的响应都非常快,图中两线几乎重叠了。图1-3-2速度给定改变时电机的转速再测试负载改变的情况,此时速度给定维持在1000r/min,负载在7s处从0改变为20Nm,从图1-3-3中我们可以看到Ne=3时曲线出现巨幅振荡,说明此时网络应对负载改变的能力很差,根本无能为力;而Ne=7时曲线振荡非常小,且能迅速稳定;Ne=5的曲线那么介于上述两者之间。1.4结论模糊神经网络能很好的解决传统PID控制所不能解决的问题,而利用遗传算法又能实现对网络参数的优化,仿真实验证明该控制器具有良好的控制效果,超图1-3-3负载改变时电机的转速调小,响应时间短,稳态输出可做到无静差。神经网络的节点数直接影响着网络的训练时间和系统的稳态性能,节点数越多,训练时间越短,稳态性能越好。基于再励学习的模糊神经网络控制器,改善了模糊神经网络控制器的控制效果,使其在电机负载改变时也能有较好的控制效果,从而扩大了模糊神经网络控制器的应用范围,使模糊神经网络控制器在控制领域能够发挥更大的优势,应用前景看好。第2章基于改良遗传算法优化的异步电机模型参考模糊自适应矢量控制系统2.1系统设计2.1.1基于模糊控制的模型参考自适应矢量控制调速系统模型参考自适应系统的根本结构如图2-1-1所示,其首要特征就是要有一个参考模型的辅助动态系统,其外部鼓励与可调系统相同,参考模型的输出与状态规定了一个给定的性能指标,根据参考模型的输出与可调系统的输出之偏差比拟给定的性能指标与所测的性能指标,从而采取一个自适应机构来修改可调系统的参数,或者产生一个辅助的输入信号,使得表示两个性能指标之差的泛函数到达极小[5]。图2-1-1模型参考自适应系统的根本结构根据电机在两相静止坐标系中的电压方程、磁链方程以及异步电机在两相静止坐标系的状态空间方程,可以得到两种形式的转子磁链模型[6]:〔1〕〔2〕式中:L1,L2,Lm———电机定子转子电感和互感;ωr———转子角速度;τ2———转子时间常数;σ=1-L2mL1L2。在式(1)中不包含电机转速信号ωr,而式(2)涉及到ωr,以式(1)为系统的参考模型,式(2)作为系统的可调模型,用参考模型和可调模型的状态误差产生一个适宜的自适应律,使得可调模型转速逼近真实的电机转速。设e=^ψα2ψβ2-ψα2^ψβ2,那么速度估计ωr=kωIe∫dt+kωPe+ωr(0),其中kωP,kωI分别为比例积分系数。异步电机模糊自适应速度辨识机构如图2-1-2所示,模糊自适应机构根据参考模型输出与被控可调模型输出之差及其变化率,产生一个模糊自适应信号,控制被控可调模型的输出趋于参考模型的输出。图2-1-3为模糊自适应机构的框图,其中e、ec为系统速度的偏差与偏差变化率;E、EC为模糊化处理后的偏差与偏差变化率,U为经模糊判决后的模糊控制器输出,在此为速度变化率Δωr。2.1.2基于改良遗传算法优化的模糊控制器的设计异步电机模糊自适应速度辨识系统中,^ωr=^ω(k-1)+Δ^ωr,为增量式输出控制,即uf(t)=uf(t-1)+Δuf。在这里将输入输出变量量化为7个模糊子集,分别用语言变量{负大(NB)、负中(NM),负小(NS),零(Z)、正小(PS)、正中(PM)、图2-1-2异步电机模糊自适应速度识别机构图2-1-3模糊自适应机构正大(PB)}表示。根据交流调速系统的性能指标,当误差较大时,控制量的变化尽快使误差减少,当误差较小时,考虑消除误差和保证系统的稳定性,防止产生超调和振荡,构造模糊控制器控制规那么表如表1,共有49条规那么。模糊关系为Ri=Fi(Ei×ECi)Ui,,i=1,2,…,49,Fi(Ei×ECi)表示Ei与ECi的笛卡尔乘积,采用加权平均法去模糊。所有模糊子集的隶属函数选为高斯函数:m(i)=exp{-[e(k)-c1(i)]2/[sigma1(i)]2},mf(i)=exp{-[Δe(k)-c2(i)]2/[sigma2(i)]2},mff(i)=exp{-[Δf-c3(i)]2/[sigma3(i)]2},(i=1,2,…,7),其中:m(i)为e的隶属函数,mf(i)为Δe的隶属函数,mff(i)为Δuf的隶属函数,c为高斯隶属函数的中心,sigma为高斯隶属函数的宽度。c,sigma的优劣直接影响控制规那么,为使它具有自学习、自适应能力,提高控制系统的稳定表2-1-1模糊控制器控制规那么表性、准确性和鲁棒性,笔者中采用改良的遗传算法(GA)对其进行优化。遗传算法是建立在自然选择和自然遗传学机理根底上的迭代自适应概率性搜索算法。它强调了重新组合和生物系统的其他运算,将所寻优参数的解表示成染色体形式(个体),将可能的解组成一染色体群,根据适者生存的原那么从群体中选择出适应性更强的个体进行复制、交叉等根本操作产生新的个体,直到满足性能要求时为止[7]。遗传算法计算机仿真过程如下:(1)初始化在参数空间随机产生一组群体,群体大小N的选取一般为染色体长度的2~3倍。(2)编码一般采用二进制编码,染色体的长度与所寻优参数的个数及参数取值范围有关。有时为了提高解码精度需进行论域转换。(3)复制。根据个体的适应度函数值来决定应复制的个体数,然后按适应度的大小进行排序。(4)进行交叉、变异操作。(5)返回步骤(2),直到所有的个体都到达要求为止。群体中适应度最高的染色体所表示的参数就是所要求的解[8]。基于改良遗传算法优化的模糊控制系统结构如图2-1-4所示。由于输入输出变量全部模糊化为7个模糊子集,每个模糊子集的隶属函数优化中心与宽度两个参数,因而所要寻优的参数共有42个。模糊控制器的输出量与输出隶属函数的宽度没有关系,即sigma3(i)不会影响模糊控制规那么,因此,GA与模糊逻辑控制器相融合时为了缩短迭代时间,可根据模糊输出这一特点将要寻优的42个参数减少为36个。这样可大大提高GA寻优效率,缩短寻优时间。图2-1-4基于改良遗传算法优化的模糊控制系统结构2.2仿真和实验2.2.1仿真采用MATLAB7.5对所建立的基于改良遗传算法优化的模型参考模糊自适应矢量控制系统进行仿真,仿真中对于使用改良遗传算法优化的模糊控制器采取S函数进行动态建模,其他环节使用PowerSystem工具箱中的模块,链接Simulink工具箱建立仿真框图进行仿真。在仿真过程中对电机参数进行如下设定,电机采用鼠笼式交流异步电动机,星形连接,极对数为2对,额定功率为1.7kW。定子电阻为4.1Ω,转子电阻为2.418Ω,机组转动惯量为0.02kg·m2,定子漏感0.035H,转子漏感0.032H,定转子互感0.51H,采用变步长的ode45算法,相对误差和绝对误差均取1×10-4。给定转速为常量120rad/s,电机空载起动运转,定子电流、转速和转矩波形如图2-2-1所示,从图中可以看出,电机能够平稳起动,并且迅速进入稳态。再以典型的提升机速度信号作为转速给定信号,仿真比拟给定转速、估计转速及实际转速信号,结果如图2-2-2所示。可以看出,估计转速对给定转速复现较好,根本重合,实际转速与估计转速在低速段有些许偏差,在恒速段有少许超调,在减速和低速停车段比拟吻合。图2-2-1定子电流、转速和转矩波形图2-2-2给定转速、估计转速及实际转速信号波形2.2.2实验本系统实验以传统的异步电机———直流发电机组和可调电阻器为主体,异步电机型号为YS-1JW7134,直流电机型号为ZX-32H,可调电阻器型号为BT2-120与ZB-120,测量仪器为FLUKE1965存储示波器100MHz。选用基于Tl(TexasInstru-ments)公司的DSPTMS32OF240为控制芯片,系统控制回路可划分为MS320F240EVM板、数字接口板以及模拟接口板3局部,模拟接口板主要完成电机物理量的采样、测速和系统保护等功能,数字接口板主要完成参数设定、信息显示和通信桥梁等功能,TMS320F240EVM板是控制回路的关键,通过数字接口板与PC机一起完成各种计算和事件处理等功能。考察电机在稳定运行时系统对突加、减负载的响应特性和电机空载时对系统进行正、反向速度给定控制的动态特性。实验波形如图2-2-3~图2-2-5所示。图2-2-3与图2-2-4分别表示转速、定子电流在额定转速情况下,突加、突减负载的动态响应曲线。从图中可以看出,从空载快速变化到满载,转速的变化非常微弱,其幅度变化在1.7%内,最大的过渡时间约为265ms。因此,本系统具有较高的抗负载扰动能力。图2-2-5为系统在额定转速(空载)时突然改变转向情况下的转速、定子电流的动态响应曲线。由于限幅及摩擦力的作用,转速的超调约为5%,过渡时间约为600ms,由此可知系统能快速响应速度给定的变化。图2-2-3系统突加负载时转速、定子电流的响应曲线图2-2-4系统突减负载时转速、定子电流的响应曲线a)额定转速下，正转改为反转b〕额定转速下，反转改为正转图2-2-5额定转速下改变转向时速度、定子电流的响应曲线2.3结论仿真和实验结果说明,该方法能准确估算电机转速,具有良好的动态跟踪性能,模糊控制器具有自调整自学习能力,采用遗传算法对其参数进行在线优化,为无速度传感器异步电机矢量调速系统提供了一种新的控制方法。结束语以上介绍了两种基于遗传算法的模糊神经网络控制的交流调速系统。另外，直接转矩控制技术是继矢量控制技术之后，在交流调速领域迅速开展的一种新兴控制技术。它采用空间矢量分析的