水轮机控制系统的辨识与融合控制策略研究

发布时间：2021-01-15 10:28

　　目前水电站的装机容量日益扩大化,电站的安全稳定运行也成为技术人员首要关注的问题,因此对水轮机控制系统进行有效的辨识与控制显得尤其重要。针对常规PID控制,将滑模控制、神经网络控制、滑模控制、遗传算法等智能控制理论引入水轮机控制系统中。本文的主要工作如下:（1）针对水轮机控制系统的复杂性、时变性,研究了非线性自回归神经网络对水轮机控制系统的整体辨识。首先,针对大量缺失、异常、不完整的数据,通过导入MySQL数据库,用Python语言对其进行预处理,提高了辨识数据的准确性;其次,针对动态神经网络结构复杂,权值较多等问题,采用改进的L-M算法,加快了网络训练的速度;最后,将其与BP、RBF等静态神经网络辨识进行了对比,结果表明,动态神经网络辨识精度高,泛化性能好。（2）针对中高水头环境下,传统的PID控制并不能自适应调整PID控制参数问题,研究了模糊神经网络自适应PID控制算法。首先,将神经PID与传统PID控制进行了对比,说明了神经网络自学习能力强特点;其次,采用Fuzzy和PID分别控制以及Fuzzy-PID复合控制,验证了模糊控制具有很好的推理能力,但控制精度较低;结合几种算法优缺点,... 

【文章来源】：湖北工业大学湖北省

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

各章关系结构图

其中，统计建模是指给被控对象一个激励信号，对输入的数据和输出数据运用一定的辨识算法，从而可以辨识出系统的模型或者形参；机理建模是据系统的内部属性，运用物理学、力学转化成可用数学表达的理论知识，继而导出该系统的模型。从下节开始，本文将逐步分析系统各个环节的结构特征，合先验知识搭建水轮机控制系统的数学模型。

根据输入输出关系，对控制系统进行整体辨识。图 2.3 水轮机系统仿真框图2.3.1 BP 网络辨识网络中隐含层节点数的确定是一个难点。如果隐含层数过多，网络的处理能力也相应变强，但伴随着训练时间和所需训练样本变得复杂。可由经验公式( m + n )+ a > L或根据输入节点的 1.2 至 1.5 倍选择节点数。本文对于水轮机控制系统在节点数设置为 25，迭代次数设置为 500，训练目标设置为 0.001。为了方便，本文只选取该网络的辨识误差仿真图。对 BP 神经网络进行设计和训练，BP 神经网络频率上扰 10%时，水轮机控制系统经过 250 次训练后满足要求。图 2.4 频率上扰 10%变化时 BP 网络辨误差

【参考文献】：
期刊论文
[1]基于滑模控制的感应耦合电能传输系统输出电压控制研究[J]. 罗博,陈丽华,李勇,麦瑞坤.  电工技术学报. 2017(23)
[2]基于混沌粒子群算法的水轮机调速系统参数辨识及建模试验[J]. 冯雁敏,王湛,张雪源,张恩博,刘春林.  长江科学院院报. 2016(08)
[3]水轮机水门、励磁与电气制动系统非线性综合控制[J]. 李啸骢,郑涛,梁志坚,徐俊华.  电力自动化设备. 2016(07)
[4]轴流式水轮机叶片几何参数对水轮机运行范围的影响[J]. 赵亚萍,廖伟丽,阮辉,李志华,罗兴锜.  水力发电学报. 2014(05)
[5]混流式水轮机尾水管近壁湍流特性和流场结构研究[J]. 郭涛,张立翔.  农业机械学报. 2014(09)
[6]水轮机三种调节模式稳定性比较研究[J]. 郭文成,杨建东,杨威嘉.  水力发电学报. 2014(04)
[7]抽水蓄能电站上游调压室设置条件的探讨[J]. 郭文成,杨建东,杨威嘉,单新健.  水力发电学报. 2014(04)
[8]水轮发电机组励磁与水门协调控制设计[J]. 汪旎,刘辉,陈武晖,孙欣.  电工技术学报. 2013(07)
[9]基于外部存档的并行遗传算法在水轮机调速器参数优化中的应用[J]. 唐正茂,马士虎,解德.  中国电机工程学报. 2012(28)
[10]神经网络模糊PID在水轮机调速系统中的应用[J]. 王华强,石亚娟,王健波.  合肥工业大学学报(自然科学版). 2012(09)

博士论文
[1]水轮发电机及其调速系统的参数辨识方法与控制策略研究[D]. 寇攀高.华中科技大学 2012
[2]水轮机调节系统控制策略及模型辨识方法研究[D]. 王淑青.华中科技大学 2006
[3]梯级引水式电站机组控制系统优化研究[D]. 张江滨.西安理工大学 2006
[4]水力机组非线性控制策略及其工程应用研究[D]. 方红庆.河海大学 2005

硕士论文
[1]基于神经网络PID控制的水轮机调节系统研究[D]. 邢鹏飞.华北水利水电大学 2017



本文编号：2978737