System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于永磁同步发电机,涉及一种双向耦合分数阶永磁同步发电机大型网络的神经网络最优预设时间控制方法。
技术介绍
1、当前,随着经济社会的发展,保证电力供应的稳定可靠是现代许多国家面临的一项非常复杂且关键的任务。另一方面,为了满足电力需求的显著增长并有望实现碳中和,众多绿色能源中的风能在发电战略中发挥着至关重要的作用。永磁同步发电机作为风电场的核心部件之一,具有运行可靠、功率密度高、效率高等独特优势,广泛应用于高速发电。然而,局部风速、发电机温度、磁场、邻居耦合强度和工作负载等内外部因素的变化会引发永磁同步发电机输出的高频振荡。如果这些非线性动力学扩展到风电场的局部或整个网络,那么相关损失是不可弥补的。同时,如何进一步提高现有永磁同步发电机的综合性能是一个永恒的课题。因此,在预先设定的性能范围内,对双向耦合永磁同步发电机的大型网络进行精确建模、分析复杂度动力学并提出神经最优规定时间控制方案是有意义和有挑战的。
2、对于基于永磁同步发电机的风力涡轮机系统,大多数研究结果的建模和控制都集中在单个或孤立整数阶永磁同步发电机上。对于非线性系统,分数阶微积分可以提供比整数阶微积分更精确的系统模型和更大的设计自由度。基于此,一些研究人员将永磁同步发电机扩展到分数阶领域。作为代表,si等人讨论了风力涡轮机分数阶永磁同步发电机的建模、非线性动态分析和控制。luo等人研究了耦合分数阶永磁同步发电机的动态分析和模糊定时最优同步控制。narayanan等人提出了一种基于分数阶永磁同步发电机的风力涡轮机系统的mittag-lefler同
3、众所周知,实际风力和风向随时可能发生变化。除了灵敏的尾叶使风轮始终对准风向外,在短时间内实现预先设定的跟踪精度对于永磁同步发电机网络在背风中安全运行和高效发电也至关重要。对预设时间控制的日益关注促使许多研究人员从事相应研究。其中wang等人实现了具有单向通信交互的多个不确定机械系统的容错有限时间一致性。然而,它们仅限于整数阶规定的时间控制,这属于分数阶微积分的一个特殊工况,并且双向耦合分数阶永磁同步发电机大型网络与所涉及的非线性系统之间存在巨大的差异。此外,其设定时间和跟踪精度取决于初始条件和其它参数。
4、为了正确处理此类永磁同步发电机网络的未知动力学,将模糊逻辑专家知识与神经网络的自学习相结合的模糊神经网络是解决这一问题的最佳选择。现有文献报道了许多优于一般模糊神经网络的一型和二型模糊神经网络。然而,当超混沌系统和大型网络中存在高维非线性函数时,这种逼近器不可避免地面临着精度低等挑战。基于永磁同步发电机的风力发电机组系统的安全性和经济性对发电站日常运行至关重要。不考虑安全要求的传统最优控制显然不适合当代风电场。
技术实现思路
1、有鉴于此,本专利技术的目的在于提供一种双向耦合分数阶永磁同步发电机大型网络的神经网络最优预设时间控制方法。
2、为达到上述目的,本专利技术提供如下技术方案:
3、一种双向耦合分数阶永磁同步发电机大型网络的神经网络最优预设时间控制方法,包括以下步骤:
4、s1:根据风电场的实际布局,建立具有临近节点和耦合强度的双向耦合分数阶永磁同步发电机大型网络的数学模型;
5、s2:基于反演控制的框架构造三型模糊神经网络;
6、s3:设计前馈神经网络预设时间控制器,基于所述三型模糊神经网络去处理系统未知项和混沌振荡,并通过延迟约束函数实现在预设时间内达到预设跟踪精度;
7、s4:设计反馈安全最优控制器,结合障碍函数转换,基于演员-评论家模糊神经网络设计自适应动态规划方法来达到安全和最优要求。
8、进一步,所述双向耦合分数阶永磁同步发电机大型网络的数学模型建模如下:
9、永磁同步发电机包括电磁和机械部件两个储能部件,单个孤立分数阶永磁同步发电机的数学模型写为:
10、
11、其中α,j,tt,ωr和b分别表示分数阶系数、系统惯性、涡轮机扭矩、转子速度和粘性摩擦系数,id和iq表示d轴和q轴定子电流,p和φ表示三相永磁同步发电机中永磁体的极对数和磁通量,t,l,rs,vd和vq分别代表时间、电感、定子电阻、d轴和q轴定子电压;表示以原点为起点的分数阶α>0的caputo导数;
12、定义新变量x1=lωr/rs,x2=plφiq/brs和x3=plφid/brs,孤立分数阶永磁同步发电机的归一化模型描述为:
13、
14、其中μ=-pφ2/brs,σ=3lb/2jrs,ρ=bl/jrs,x1,x2,x3,uq,ud,tl分别表示归一化角速度、q轴电流、d轴电流、q轴电压、d轴电压和负载转矩;σ,ρ和μ表示系统参数;
15、风力发电站由输电系统和一定数量的风力涡轮发电机组成,建立由多个永磁同步发电机组成的网络,其中每个永磁同步发电机都以一定的耦合强度局部耦合到相邻节点,每个节点都包含该网络的双向耦合分数阶永磁同步发电机;双向耦合分数阶永磁同步发电机大型网络的数学模式表示为:
16、
17、其中n和κ表示网络节点的数量和相邻节点的数量。
18、进一步,在所述双向耦合分数阶永磁同步发电机大型网络的数学模型中,对于可微函数,caputo分数导数定义为:
19、
20、其中表示euler-gamma函数满足n-1<α<n且
21、对任何连续函数fi(t),i=1,2在时间区间有0<α<1,存在等式
22、
23、定义最小的性能成本函数为
24、
25、其中s,u*和分别为系统状态、最优控制输入和n阶正矩阵,
26、进一步,步骤s2所述基于反演控制的框架构造三型模糊神经网络,包括以下步骤:
27、s21:获取输入信号如χi,i=1,…,n,每个神经元接收输入信号并直接传递到下一层;
28、s22:神经元将输入信号转换为隶属度函数来描述模糊语言术语;计算右侧和左侧的上/下隶属函数为:
29、
30、
31、
32、
33、其中和表示右侧的上下隶属度函数,和表示左侧的上下隶属度函数,和αk,k=1,...,n表示隶属度函数和水平分层的中心,和表示右侧和左侧的宽度,wr和wl表示隶属度函数的宽度,且表示输入χi的第j个隶属度函数;
<本文档来自技高网...【技术保护点】
1.一种双向耦合分数阶永磁同步发电机大型网络的神经网络最优预设时间控制方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的双向耦合分数阶永磁同步发电机大型网络的神经网络最优预设时间控制方法,其特征在于:所述双向耦合分数阶永磁同步发电机大型网络的数学模型建模如下:
3.根据权利要求2所述的双向耦合分数阶永磁同步发电机大型网络的神经网络最优预设时间控制方法,其特征在于:在所述双向耦合分数阶永磁同步发电机大型网络的数学模型中,对于可微函数,Caputo分数导数定义为:
4.根据权利要求3所述的双向耦合分数阶永磁同步发电机大型网络的神经网络最优预设时间控制方法,其特征在于:步骤S2所述基于反演控制的框架构造三型模糊神经网络,包括以下步骤:
5.根据权利要求4所述的双向耦合分数阶永磁同步发电机大型网络的神经网络最优预设时间控制方法,其特征在于:将三型模糊神经网络的变换写为
6.根据权利要求5所述的双向耦合分数阶永磁同步发电机大型网络的神经网络最优预设时间控制方法,其特征在于:所述前馈神经网络预设时间控制器设计步骤如下:
>7.根据权利要求6所述的双向耦合分数阶永磁同步发电机大型网络的神经网络最优预设时间控制方法,其特征在于:所述反馈安全最优控制器的设计步骤如下:
...【技术特征摘要】
1.一种双向耦合分数阶永磁同步发电机大型网络的神经网络最优预设时间控制方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的双向耦合分数阶永磁同步发电机大型网络的神经网络最优预设时间控制方法,其特征在于:所述双向耦合分数阶永磁同步发电机大型网络的数学模型建模如下:
3.根据权利要求2所述的双向耦合分数阶永磁同步发电机大型网络的神经网络最优预设时间控制方法,其特征在于:在所述双向耦合分数阶永磁同步发电机大型网络的数学模型中,对于可微函数,caputo分数导数定义为:
4.根据权利要求3所述的双向耦合分数阶永磁同步发电机大型网络的...
【专利技术属性】
技术研发人员:罗绍华,谢永真,张亚,张钧星,陈中,
申请(专利权)人:贵州大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。