模糊聚类在水轮发电机模糊神经励磁控制器设计中的应.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 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，从而验证了该方法的有效性。 关键词：模糊C均值聚类 模糊神经控制 水轮发电机 励磁系统 传统的励磁控制器普遍采用PID+PSS的控制策略，已呈现出一些不足之处，因而许多电力系统工程技术人员和专家都在寻求新的励磁控制方法。尤其是近年来随着模糊控制技术和神经网络控制技术的飞速发展，不少学者开始研究将这两种控制理论相结合，探索其在电力系统控制中的应用。与模糊控制系统相比，模糊神经网络虽然可以利用样本数据和网络学习能力克服由于有限的专家经验而导致的模糊规则不完备，但同样面临模糊规则获取困难的问题。本文探讨将模糊C均值聚类方法(FCM)用于水轮发电机模糊神经励磁控制器的设计中，以解决模糊输入空间划分和初始模糊规则获取的问题。 1 模糊C均值聚类 模糊C均值聚类(FCM)［1,2］与有名的K均值聚类不同之处在于，它用隶属度来表示每个数据点属于某个聚类的程度。FCM把n个向量xi(i=1,2,…,n)分为c个模糊组，并求每组的聚类中心，使得非相似性指标的目标函数达到最小。 设目标函数为： (1) 其中 (2) uij∈［0,1］，表示第j个数据点隶属于第i个聚类中心的程度；ci为模糊组i的聚类中心， 6 7 8 9 10 11 12 Sdij=||ci-xj||为第i个聚类中心与第j个数据点间的欧几里德距离；m∈［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。 6 7 8 9 10 11 12 LOR: black; LINE-HEIGHT: 180%; FONT-FAMILY: 宋体图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,y的隶属度，al style=LINE-HEIGHT: 180%; TEXT-ALIGN: center align=center 图2 Sugeno模糊系统 由此可见，图1中隶属函数层相当于图2中的模糊化计算，将输入变量模糊化(x→μx,y→μy)；模糊推理层相当于图2中的模糊规则匹配运算(μx,μy→wi)，得到模糊决策(∑wici)；归一化层则相当于图2中的模糊输出归一化计算。 3 系统仿真 6 7 8 9 10 11 12 宋体水轮发电机模糊励磁控制器是将发电机出口电压偏差E和电压偏差变化率dE作为模糊输入，因此，模糊神经励磁控制器亦可采用上述两个作为输入量，利用模糊C均值数据聚类方法得到初始模糊规则。励磁系统仿真模型采用IEEE-Ⅰ型连续动作的励磁系统［4］，结构如图3所示，其中，1为电压测量环节传递函数，2为励磁装置传递函数，3为励磁装置饱和效应环节，4为同步发电机传递函数，5为励磁稳定环节传递函数。调节器采用模型神经网络实现。 图3 励磁系统仿真模型 Ⅰ型励磁系统仿真参数值如下所示：Tr=0.05s，Vrmax=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