雙饋發電系統的神經網絡轉速辨識
李嵐，喻明江
(太原理工大學電氣與動力工程學院，山西太原030024)
摘要：根據雙饋發電機的數學模型，建立了基于模型參考自適應系統(MRAs)的參考模型和可調模型。利用后項差分法推導基于神經網絡的MRAs可調模型，并用兩層神經網絡實現可調模型中的磁鏈運算，通過誤差反傳算法對兩層神經網絡進行訓練，得出雙饋發電機的辨識轉速。仿真結果表明：基于神經網絡的MRAs辨識轉速能反映實際轉速，且辯識精度得到了有效提高。
關鍵詞：模型參考自適應系統；神經網絡；可調模型；轉速辨識；雙饋發電系統
中圖分類號：TM 921.41 文獻標志碼：A文章編號：1673—6540(2010)06一0023—04
0 引言
無速度傳感器雙饋發電系統轉速的準確辨識對高性能的矢量控制非常重要。目前，雙饋發電系統轉速辨識常采用模型參考自適應系統(ModelReference Adaptive system，MRAS)。文獻[1]以靜止“α-β兩相坐標系轉子磁鏈的電壓模型作為參考模型、電流模型作為可調模型，仿真結果驗證了所提策略的正確性；文獻[2]利用小信號模型分析和設計了MRAs觀測器，穩態和動態試驗證明了所提方法的有效性。但是，I~IRAS在低速和動態情況下轉速辨識精度會相應下降[3,4]；另外，自適應控制是一種基于數學模型的控制方法，電機參數的時變性也會給轉速辨識帶來一定誤差，影響系統的控制精度。
人工神經網絡經過嚴格的訓練后，具有對非線性系統進行辨識的能力，利用人工神經網絡對雙饋發電機轉速進行辨識，能使神經網絡較準確地反映電機轉速。本文根據雙饋發電機的數學模型，建立了基于MRAs的參考模型和可調模型，利用后項差分法推導了基于神經網絡的MRAs可調模型，并用兩層神經網絡實現可調模型中的磁鏈運算，通過誤差反傳算法對兩層神經網絡進行訓練，得出雙饋發電機的辨識轉速。對雙饋發電系統進行了仿真，結果表明：基于神經網絡的MRAs辨識轉速能反映實際轉速，且辨識精度得到了有效提高。
1 轉速辨識模型
模型參考自適應系統的基本結構如圖1所示。參考模型和可調模型(自適應模型)被相同的外部輸入所激勵，X和X分別是參考模型和可調模型的狀態矢量。參考模型用其狀態x規定了一個給定的性能指標，該性能指標與測得的可調模型性能X比較后，將其差值矢量e輸入自適應機構，由自適應機構來修正可調模型的參數，使得其狀態X能夠快速而穩定地逼近x，使差值趨于零[5]．
雙饋發電機定子繞組采用發電機慣例、轉子繞組采用電動機慣例的情況下，兩相靜止α-β坐標系下，電壓、磁鏈基本方程為
式中：uas，ubs,uar,ubr——定、轉子電壓的α,β軸分量；
ias,ibs,iar,ibr——定、轉子電流的αβ軸分量；
Ψas,Ψbs,Ψar,Ψbr——定、轉子磁鏈的α、β軸分量；
Rs、Rr——定、轉子繞組電阻；
Ls、Lr—αβ坐標系下兩相定、轉子繞組的自感；
Lm——α,β坐標系下同軸定、轉子繞組間的等效互感；
ωr——轉子角速度；
p——微分算子。
根據式(1)、(2)，可得到兩種形式的轉子磁鏈模型：
式(3)不含辨識值，將其作為參考模型，由它表示的電機狀態與實際相符，即轉子磁鏈是準確的；式(4)含有辨識值ωr，將其作為可調模型，在該模型中，假定電機參數是不變的，ωr是可調參數，即需要辨識的參數，由可調模型可估計出轉子磁鏈。
2基于神經網絡的轉速辨識可調模
將式(3)作為轉速辨識參考模型，用一個神經網絡來構造式(4)所表示的可調模型。
|
