光伏发电伺服系统的自适应神经网络动态面控制方法技术方案

本发明专利技术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，包括如下步骤：1)构造光伏发电伺服系统的数学模型；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；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。能够将RBF神经网络逼近器估计未知项；引入磁滞量化器对控制信号进行幅值的量化，提高了控制器抑制抖振的能力，实现数字控制，提高光伏发电伺服系统的抗干扰能力。力。力。

【技术实现步骤摘要】
光伏发电伺服系统的自适应神经网络动态面控制方法


[0001]本专利技术涉及光伏发电领域，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。

技术介绍

[0002]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。

技术实现思路

[0003]为了克服
技术介绍
中的不足，本专利技术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。
[0004]为了达到上述目的，本专利技术采用以下技术方案实现：
[0005]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：
[0006]1)构造光伏发电伺服系统的数学模型；
[0007]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；
[0008]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。
[0009]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，J
i
为转 子惯量，T
iL
为负载转矩，f
i
为粘滞摩擦系数；式(1)中的系数定义如下：
[0012][0013]式中，n,L1,L2,L
m
,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g
i
，θ
i
，β
i
为系统的未知参数，Δ
i
(x
i1
,t)为系统不确定部分，y
i
为系统输出，u
i
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h
i
(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，ε
i
(x)为最优逼近误差；其中有如下形式：
[0022][0023]其中c
i
∈R
m
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δ
i
＝(1
‑
ε
i
(t))/(1+ε
i
(t)),0＜ε
i
(t)＜1,参数 a
i
(t)决定了死区的Q
i
(u
i
)的大小，ε
i
(t)用来衡量定量密度，公式中，是Q
i
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Q
i
(u
i
)转换的当前时间；
[0028]设a
i
(t)和ε
i
(t)的最大值表示为和最小值表示为a
i
和ε
i
，可得
[0029][0030]第二步：定义跟踪误差：
[0031]s
i1
(k)＝y
i
(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]k
i1
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]s
i2
(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]h
i2
(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]k
i2
，λ
i2
和σ
i2
为正设计参数，令x
i3d...

【技术保护点】

【技术特征摘要】
1.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，其特征在于：包括如下步骤：1)构造光伏发电伺服系统的数学模型；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；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。2.根据权利要求1所述的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，其特征在于：步骤1)所述的光伏发电伺服系统的数学模型如公式所示：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，J
i
为转子惯量，T
iL
为负载转矩，f
i
为粘滞摩擦系数；式(1)中的系数定义如下：式中，n,L1,L2,L
m
,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；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：其中g
i
，θ
i
，β
i
为系统的未知参数，Δ
i
(x
i1
,t)为系统不确定部分，y
i
为系统输出，u
i
为控制信号；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：3.根据权利要求1所述的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，其特征在于：步骤2)所述的光伏发电伺服系统RBF神经网络逼近器为：其中h
i
(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，ε
i
(x)为最优逼近误差；其中有如下形式：其中c
i
∈R
m
为第i个基函数的中心，φ∈R为基函数宽度。
4.根据权利要求1所述的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，其特征在于：步骤3)包括如下步骤：第一步：步骤3)所述的磁滞量化器为：其中δ
i
＝(1
‑
ε
i
(t))/(1+ε
i
(t)),0＜ε
i
(t)＜1,参数a
i
(t)决定了死区的Q
i
(u
i
)的大小，ε
i
(t)用来衡量定量密度，公式中，是Q
i
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Q
i
(u
i
)转换的当前时间；设a
i
(t)和ε
i
(t)的最大值表示为和最小值表示为a
i
和ε
i
，可得第二步：定义跟踪误差：s
i1
(k)＝y
i
...

【专利技术属性】
技术研发人员：胡博，贺欢，于博，朱琳非，周桂平，王顺江，王建国，张秀宇，祝国强，
申请(专利权)人：国网辽宁省电力有限公司东北电力大学国家电网有限公司，
类型：发明
国别省市：