分数阶PID混合算法的水轮机调速系统优化控制与建模分析
发布时间：2021-10-11 20:31
为深入研究水轮机调速系统的非线性动态特征,分析水轮机在负荷波动时调速系统对水轮机转速、出力及输出电压电流波形的控制情况,提出一种采用混合算法（BP-FOA）的分数阶PID（FOPID）双目标函数控制系统;并利用Matlab平台建立了能够反映动态负荷变化及发电机情况的水轮机模型,使其更具实际适应性。仿真及实例分析表明,经混合算法优化后的水轮机调速器在调节性能与鲁棒性上均有一定的提升,同时亦为水轮机动态模型建模提供了借鉴。
【文章来源】：水电能源科学. 2020,38(02)北大核心
【文章页数】：5 页
【部分图文】：
BP-FOA算法流程图
水轮机系统是一个复杂的非线性系统，由于调速系统在水轮机的调节系统中所占的重要地位，着重进行了关于调速系统的优化建模，同时建立了更贴合实际的水轮机发电机模型共同构成了水轮机综合性模型（图2）。根据实例分析，取水轮机调速系统传递参数（表1）作为仿真算例，由于水轮机组的转速特性，对调速系统设置了转速±0.001(pu）的死区，其中水轮机发电机部分参数见表2。表2中Pn为额定功率，Vn为额定线电压，Fn为额定频率，P为磁极对数，H为惯性系数，d轴同步电抗Xd，瞬态电抗X′d和次瞬态电抗X″d,q轴瞬态电抗X′q（仅当圆形转子）和次瞬态电抗X″q，最后是泄漏电抗X1,Wref为额定转速，Vref额定励磁电压。
根据实际运行工况，对比了常规PID控制器、FOPID控制器、FOA算法自适应PID控制器、BP神经网络自适应PID控制器及BP-FOA混合算法控制的FOPID双目标函数控制器在不同工况下水轮机调速情况的仿真。设置水轮机组开始带40%负荷运行，在40s时投入35%负荷，实现满负荷运行，仿真时间80s。测试不同控制器下的水轮机调速系统在负载扰动情况下的调速性与稳定性。其结果对比见图3（由于水轮机频率死区的存在，最终频率稳定在50±0.05 Hz）。相比于常规的PID控制器，FOPID控制器由于可控参数的增多，在调节时间与超调量两个方面均优于经典PID控制器；采用FOA算法和BP神经网络算法的自适应PID控制对比PID和FOPID控制的调速时间、超调量明显减少，但以上四种控制都具有系统震荡次数多的缺陷；采用混合果蝇算法（BP-FOA）控制的双目标FOPID优化控制器进一步减少了调节时间和超调量同时大幅度减少了震荡次数。图4为负荷稳定状态下水轮机各控制方案仿真结果对比。由图4可知，相同kp、ki、kd时FOPID控制器比PID控制器调速性能高8%左右；对于加入全局寻优能力强的FOA算法由于对参数的寻优，相比对PID控制器的调速效果提升30%左右，将调速时间控制在12s以内；加入BP神经网络算法的PID控制由于算法的深度学习和计算能力，进一步优化参数，将调速时间控制在6.5s以内；经BPFOA混合算法控制的双目标FOPID控制器将调速时间减少到4s以内，且仅调2次就达到了稳定状态。
【参考文献】：
期刊论文
[1]基于神经网络的轴流转桨式水轮机传递系数[J]. 刘冬,黄建荧,王昕,黄一冲,熊祺,肖志怀. 水利学报. 2018(08)
[2]抽水蓄能机组空载工况分数阶PID调节控制[J]. 许颜贺,周建中,薛小明,夏鑫,裴翔羽,李超顺. 电力系统自动化. 2015(18)
博士论文
[1]水轮机调节系统的参数辨识与控制策略研究[D]. 陈志环.华中科技大学 2017
本文编号：3431194
【文章来源】：水电能源科学. 2020,38(02)北大核心
【文章页数】：5 页
【部分图文】：
BP-FOA算法流程图
水轮机系统是一个复杂的非线性系统，由于调速系统在水轮机的调节系统中所占的重要地位，着重进行了关于调速系统的优化建模，同时建立了更贴合实际的水轮机发电机模型共同构成了水轮机综合性模型（图2）。根据实例分析，取水轮机调速系统传递参数（表1）作为仿真算例，由于水轮机组的转速特性，对调速系统设置了转速±0.001(pu）的死区，其中水轮机发电机部分参数见表2。表2中Pn为额定功率，Vn为额定线电压，Fn为额定频率，P为磁极对数，H为惯性系数，d轴同步电抗Xd，瞬态电抗X′d和次瞬态电抗X″d,q轴瞬态电抗X′q（仅当圆形转子）和次瞬态电抗X″q，最后是泄漏电抗X1,Wref为额定转速，Vref额定励磁电压。
根据实际运行工况，对比了常规PID控制器、FOPID控制器、FOA算法自适应PID控制器、BP神经网络自适应PID控制器及BP-FOA混合算法控制的FOPID双目标函数控制器在不同工况下水轮机调速情况的仿真。设置水轮机组开始带40%负荷运行，在40s时投入35%负荷，实现满负荷运行，仿真时间80s。测试不同控制器下的水轮机调速系统在负载扰动情况下的调速性与稳定性。其结果对比见图3（由于水轮机频率死区的存在，最终频率稳定在50±0.05 Hz）。相比于常规的PID控制器，FOPID控制器由于可控参数的增多，在调节时间与超调量两个方面均优于经典PID控制器；采用FOA算法和BP神经网络算法的自适应PID控制对比PID和FOPID控制的调速时间、超调量明显减少，但以上四种控制都具有系统震荡次数多的缺陷；采用混合果蝇算法（BP-FOA）控制的双目标FOPID优化控制器进一步减少了调节时间和超调量同时大幅度减少了震荡次数。图4为负荷稳定状态下水轮机各控制方案仿真结果对比。由图4可知，相同kp、ki、kd时FOPID控制器比PID控制器调速性能高8%左右；对于加入全局寻优能力强的FOA算法由于对参数的寻优，相比对PID控制器的调速效果提升30%左右，将调速时间控制在12s以内；加入BP神经网络算法的PID控制由于算法的深度学习和计算能力，进一步优化参数，将调速时间控制在6.5s以内；经BPFOA混合算法控制的双目标FOPID控制器将调速时间减少到4s以内，且仅调2次就达到了稳定状态。
【参考文献】：
期刊论文
[1]基于神经网络的轴流转桨式水轮机传递系数[J]. 刘冬,黄建荧,王昕,黄一冲,熊祺,肖志怀. 水利学报. 2018(08)
[2]抽水蓄能机组空载工况分数阶PID调节控制[J]. 许颜贺,周建中,薛小明,夏鑫,裴翔羽,李超顺. 电力系统自动化. 2015(18)
博士论文
[1]水轮机调节系统的参数辨识与控制策略研究[D]. 陈志环.华中科技大学 2017
本文编号：3431194
本文链接：https://www.wllwen.com/kejilunwen/shuiwenshuili/3431194.html
