模糊聚类在水轮发电机模糊神经励磁控制器设计中的应用论文.docVIP

　　模糊聚类在水轮发电机模糊神经励磁控制器设计中的应用论文 摘要：本文提出了一种利用模型C均值聚类技术对模糊神 经励磁控制器的初始参数和结构进行辨识的建模方法。结合水轮发电机励磁系统，本文首先 利用模糊聚类方法对PID励磁调节器样本数据进行聚类分析，得出模糊神经励磁控制器的模 糊划 分和模糊规则，然后根据模糊划分和模糊规则建立模糊励磁调节器的初始模型，再通过参数 在线辨识得到最终的调节器模型，最后得用数字仿真，对得到的调节器模型进行了系统阶跃 响应分析，并与PID调节器进行了控制性能比较.freel∈［1,∞)是一个加权指数。 构造拉格朗日乘子，建立新的目标函数如下： (3) 对所有输入参量求导，使原目标函数达到最小的必要条件为： (4) (5) FCM迭代过程如下：(1)随机初始化c个数据聚类中心。(2)用式(5)计算U阵。(3)用式(4)计算c个新的聚类中心ci,i=1,…,c。(4)根据式(1)计算目标函数，若小于某个确定的阈值，或相对上次目标函数改变量小于某个阈值，则算法停止，否则，返回步骤二。 2 模糊神经网络 模糊神经网络综合利用了模糊系统的规则可解释性和神经网络自适应学习的特点，来解决非线性系统的建模与控制。典型的Sugeno型两输入单输出模糊神经网络结构如图1所示。 图1 模糊神经网络 等价Sugeno(TSK)模糊模型［3］如图2所示。，其中，x，y为系统模糊输入变量，Ai,Bi分别为输入变量x,y的隶属函数，μx,μy分别为x,.freelax=1.0，Vrmin=-1.0，Te=0.5s，Ke=-0.05，Se=0.074，Tfl=0.8s，Kf=0.08。 同步发电机模型采用简化模型，此时可认为发电机机端电压的稳态幅值与转子励磁电压成线性关系而不考虑其饱和特性。发电机的动态响应可用一阶惯性环节来表示，参数如图3中环节4所示。 图4 调节器输入输出样本数据 仿真步骤：(1)利用上述励磁系统仿真模型，调节器采用PID调节，调节器参数采取经验值，获取100对调节器输入输出数据(E,dE,y)如图4所示(均为归一化数值)，其中，y为调节器输出。(2)随机初始化聚类中心，利用上述模糊C均值聚类算法对得到的数据对进行聚类分析，得到输入输出向量聚类中心，更改几次初始聚类中心位置，重新聚类。分析比较得到的聚类结果，确定最终聚类结果(C1，C2，C3)即为模糊神经网络初始模糊规则的中心。分别用模糊C均值聚类算法得到10和25个聚类中心，如图5所示(均为归一化数值)。用得到的10个聚类中心(见表1)构造输入输出初始模糊划分，即可得到10条初始模糊规则，模糊隶属函数采用高斯函数，参数ui为聚类中心，初始δi取值为0.2。(3)根据得到的模糊规则构造模糊神经网络调节器后，利用图1所示系统仿真模型以及BP算法对该网络进行在线参数辨识。经辨识调整后的模糊隶属函数参数见表2。对照表1与表2，不难发现用模糊C均值聚类得到的输入空间初始模糊划分在网络训练后变化不大，而利用输入空间等距离划分在网络训练后隶属函数参数调整很大。因此，用此种方法比利用输入空间等距离划分具有训练收敛速度快、精度高的优点。(4)利用得到的模糊神经励磁控制器对图3励磁系统进行仿真，仿真软件采用SIMULINK3.0，并与常规PID控制系统进行了比较，其阶跃响应曲线如图6所示，图中，横坐标为仿真时间，纵坐标为发电机机端电压： 图5 聚类中心分布 表1 聚类结果 序号 E DE y 序号 E DE y 1 2 3 4 5 0.01 0 -0.169 -0.162 -0.136 0 0.148 0.037 -0.152 0.209 0 0.011 -0.136 -0.138 -0.103 6 7 8 9 10 -0.019 -0.128 0.924 0.617 0.202 0.261 -0.290 -0.351 -0.687 -0.929 -0.002 -0.117 0.778 0.476 0.131 表2 调整后的模糊输入隶属函数参数 隶属函数 E dE 隶属函数 E dE ui δi ui δi ui δi ui δi MF1 MF2 MF3 MF4 MF5 -0.006 0.000 -0.171 -0.167 -0.137 0.207 0.207 0.207 0.204 0.206 -0.001 0.148 0.037 -0.154 0.208 0.249 0.248 0.244 0.244 0.248 MF6 MF7 MF8 MF9 MF10 -0.019 -0.117 0.880 0.715 0.203 0.20 7 0.212 0.224 0.273