采用误差反向传播的方法进行调整,以使被控对象的输出逼近期望的输出。定义误差函数为式中,和分别为被控对象期望输出和实际输出,为学习样本数。为了实现网络的自学习自适应控制过程,本文采用误差反传的方法来改变网络的连接权和隶属函数参数,参数训练的公式如下式中,为平滑因子,为学习速率,求出偏导数,便可以得到权值的调整式。首先采用误差反向传播法计算,然后利用阶梯度寻优算法来调节网络各参数。模糊神经网络控制在水轮机调节系统中的应用原稿。层节点的总数,其中为模糊分割数。模糊神经网络控制在水轮机调节系统中的应用原稿。在工作点附近线性化,并取标么值有式中为水轮机力矩对转速的偏导数为水轮机特性,见前节内容,又称水轮机自调节系数,为阻力矩包括负荷阻力矩和摩擦阻力矩等对转速的偏导数,又称发电机负荷自调节系数。为机组惯性时间常数,单位为。式中,为机组转动部分飞轮力矩,单位为,为机组额定转速,单位为,为机组额定出力,单位为。在计算发电机组惯性时间常数时,不但应包括发电机转动部分机械惯性,而且应包括水轮机转动部分包括大轴机械惯性和水轮机转轮区水体的机械惯性。即对于中高水头水轮发电机组,由于水体的机械惯性小,可忽略不计但对于低水头轴流水轮刘普寅,张汉江,吴孟达等,模糊神经网络理论研究综述模糊系统与数学,周春光,梁艳春,计算智能人工神经网络模糊系统进化计算吉林吉林大学出版社率超调量小。说明模糊神经网络控制的控制效果要优于传统的控制。这是因为模糊神经网络控制器可根据过渡过程情况自适应的改变网络推理中的参数和规则,使参数和规则随时适应水电机组的运行。在模糊神经网络控制器的设计过程中,网络的初始参数和学习参数的选取非常重要,包括模糊推理规则权系数高斯函数的中心矢量和宽度的初值等,如果这些参数选择不合适,在水电机组利用模糊神经网络控制时,就会导致逼近精度的降低,甚至造成模糊神经网络输出至发散。以上这些参数的优化研究将成为模糊神经网络能否在工业控制中得到应用的重要因素。结论由第节仿真试验结果可得,本文设计的模糊神经网络控制器结合模糊推理系统和神经网络各自的优势,设计规范,易于推广,有效地提高了网络学习的模糊神经网络控制在水轮机调节系统中的应用原稿算智能人工神经网络模糊系统进化计算吉林吉林大学出版社,陈舟,刁勤华,陈寿孙水力系统模型对电力系统低频振荡分析的影响清华大学学报,黄廷政,发电机模型及励磁参数对电网暂态稳定的影响,北京,华北电力大学,。摘要对于水轮机调节系统大波动过渡过程,经典控制策略难以达到电网调节要求。本文根据模糊控制与神经网络控制不依赖对象精确数学模型的特虑两个主要因素其为接力器的运动速度限制其为随动系统的总体延迟,即接力器输出响应与输入信号间在时间上的滞后,与国家标准规定的接力器不动时间有对应关系。随动系统输入端引入的纯延迟环节用于模拟系统的延迟特性,系统输出端引入的速度限制环节用于调整接力器向开启和关闭方向的最大运动速度,而积分器输出端的饱和非线性环节可以设臵接力器运动的最大和最小位臵。图引入接力器限速模型和纯延迟环节的随动系统仿真结果在上搭建水电机组仿真模型,根据上述理论,设计模糊神经网络控制器,网络模型采用上节给出的结构,网络为双输入系统,分别为频率的误差及其误差变化率,输入的模糊分割数都为,可得第层的节点数为,第层和第层的节点数为,通过设计,刘普寅,张汉江,吴孟达等,模糊神经网络理论研究综述模糊系统与数学,周春光,梁艳春,计性变结构变参数多输入多输出的复杂多变量的水机电相互耦合的综合系统,呈现出强烈的非最小相位特性,约束条件复杂。作为调速器的调节对象,与调速器共同构成了水轮机调节系统。水轮机调节系统的控制性能直接影响电力系统的安全和电能生产的质量。控制规律具有设计简单运行较稳定些工况控制效果好等优点,目前,仍然被广泛应用于水轮机调节系统。存在的问题是,水轮机在进行开机启动甩负荷等大波动过渡过程时,运行工况将进入小转速小开度或者大转速大开度等偏离初始工况的区域,此时满足初始工况计算的参数已不再适用。因此,寻求种更优更合理鲁棒性更强的控制方法具有至关重要的意义。在工作点附近线性化,并取标么值有式中为水轮机力矩对转速的偏导数为水轮机特性,见前节内容,又称水轮机自调节系数,为阻力矩包括负荷阻力矩和摩擦阻力矩等对转速的偏导数,又称发电机负荷自调节系数。为机组惯性时间常数,单位为。式中,为机组转动部分飞轮力矩,单位为,为机组额定转速,单位为,为机组额定出力,单位为。在计算发电机组惯性时间常数时,不但应包括发电机转动部分机械惯性,而且应包括水轮机转动部分包括大轴机械惯性和水轮机转轮区水体的机械惯性。即对于中高水头水轮发电机组,由于水体的机械惯性小,可忽略不计但对于低水头轴流水轮发电机组,水轮机转轮区水体的惯性和转动部分的机械惯性所占比例较大,不能忽略。随动系统模型对于真实的电液随动系统,当需要进步提高在较大扰动情形下的动态过程仿真精度时,还应考模糊神经网络学习算法利用上述设计的模糊神经网络对被控对象进行控制,设模糊神经网络的输出为控制量,被控对象的输出为,网络为单输出。网络学习按如下给出的方法。模糊神经网络的学习算法采用改进网络,网络参数采用误差反向传播的方法进行调整,以使被控对象的输出逼近期望的输出。定义误差函数为式中,和分别为被控对象期望输出和实际输出,为学习样本数。为了实现网络的自学习自适应控制过程,本文采用误差反传的方法来改变网络的连接权和隶属函数参数,参数训练的公式如下式中,为平滑因子,为学习速率,求出偏导数,便可以得到权值的调整式。首先采用误差反向传播法计算,然后利用阶梯度寻优算法来调节网络各参数。模糊神经网络控制在水轮机调节系统中的应用原稿。的方法进行调整,以使被控对象的输出逼近期望的输出。定义误差函数为式中,和分别为被控对象期望输出和实际输出,为学习样本数。为了实现网络的自学习自适应控制过程,本文采用误差反传的方法来改变网络的连接权和隶属函数参数,参数训练的公式如下式中,为平滑因子,为学习速率,求出偏导数,便可以得到权值的调整式。首先采用误差反向传播法计算,然后利用阶梯度寻优算法来调节网络各参数。反模糊化计算在模糊神经网络的第层进行,模糊规则被转换为输出论域,输出量的个数为。这里相当于输出规则的第个语言隶属函数的中心值。模糊神经网络的第层为输出层,应将控制量输出按照实际调整到适当区域。水轮机调节系统建模压力引水系统在水轮机调节系统中,引水管道可采用刚性水锤或弹,的模糊网络控制器,输出控制量来控制水电机组。为了检验模糊神经网络控制器的控制效果,本文进行了频率扰动和甩负荷工况试验,将模糊神经网络控制的结果与传统控制的控制结果进行了对比。图为频率给定上升上扰时模糊神经网络控制与控制对比图,图为甩负荷时模糊神经网络控制与控制对比图。图频率上扰时响应曲线图甩负荷时响应曲线总结出下述仿真结果对比表,表为频率上扰模糊神经网络控制与控制仿真结果对比表,表为甩负荷模糊神经网络控制与控制仿真结果对比表。表频率上扰模糊神经网络控制与控制仿真结果对比表表甩负荷模糊神经网络控制与控制仿真结果对比表从表可看出,对频率扰动和甩负荷过渡过程,模糊神经网络调节时间较短,稳定快,频,又称水轮机自调节系数,为阻力矩包括负荷阻力矩和摩擦阻力矩等对转速的偏导数,又称发电机负荷自调节系数。为机组惯性时间常数,单位为。式中,为机组转动部分飞轮力矩,单位为,为机组额定转速,单位为,为机组额定出力,单位为。在计算发电机组惯性时间常数时,不但应包括发电机转动部分机械惯性,而且应包括水轮机转动部分包括大轴机械惯性和水轮机转轮区水体的机械惯性。即对于中高水头水轮发电机组,由于水体的机械惯性小,可忽略不计但对于低水头轴流水轮发电机组,水轮机转轮区水体的惯性和转动部分的机械惯性所占比例较大,不能忽略。随动系统模型对于真实的电液随动系统,当需要进步提高在较大扰动情形下的动态过程仿真精度时,还应考算智能人工神经网络模糊系统进化计算吉林吉林大学出版社,陈舟,刁勤华,陈寿孙水力系统模型对电力系统低频振荡分析的影响清华大学学报,黄廷政,发电机模型及励磁参数对电网暂态稳定的影响,北京,华北电力大学,。摘要对于水轮机调节系统大波动过渡过程,经典控制策略难以达到电网调节要求。本文根据模糊控制与神经网络控制不依赖对象精确数学模型的特否在工业控制中得到应用的重要因素。结论由第节仿真试验结果可得,本文设计的模糊神经网络控制器结合模糊推理系统和神经网络各自的优势,设计规范,易于推广,有效地提高了网络学习的效率,具有很好的学习能力和逻辑推理能力,能较为准确的反映水电机组的特性,从而能够很好地控制水电机组,鲁棒性和稳定性较强,将其用于水电机组控制,具有实际的研究意义。参考文献,程远楚,水电机组智能控制策略与调速励磁协调控制的研究武汉,华中科技大学,魏守平,罗萍,张富强水轮机调节系统的适应式变参数控制水电能源科学,模糊神经网络控制在水轮机调节系统中的应用原稿性水锤。在低水头的电站中,引水管道不是很长,水击波长较小时,使用刚性水击,引水系统的传递函数为其中,为水轮机管道水流惯性时间常数,即以额定水头加速管道中水流到额定流量所需要的时间。当时,弹性水击较为符合实际情况,引水系统的传递函数为其中,为管路特性系数。水轮机模型水轮机的数学模型描述了水轮机的动态特性和静态特性,水轮机力矩和流量随导叶开度水头和转速等变化而变化的特性写成基本非线性表达式如下。模糊神经网络控制在水轮机调节系统中的应用原稿。反模糊化计算在模糊神经网络的第层进行,模糊规则被转换为输出论域,输出量的个数为。这里相当于输出规则的第个语言隶属函数的中心值。模糊神经网络的第层为输出层,应将控制量输出