CN111342477B - 一种双向优化bp神经网络滑模变结构的四阶电力***混沌控制方法 - Google Patents
一种双向优化bp神经网络滑模变结构的四阶电力***混沌控制方法 Download PDFInfo
- Publication number
- CN111342477B CN111342477B CN202010080833.9A CN202010080833A CN111342477B CN 111342477 B CN111342477 B CN 111342477B CN 202010080833 A CN202010080833 A CN 202010080833A CN 111342477 B CN111342477 B CN 111342477B
- Authority
- CN
- China
- Prior art keywords
- neural network
- sliding mode
- power system
- variable structure
- chaotic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 54
- 230000000739 chaotic effect Effects 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000006870 function Effects 0.000 claims abstract description 56
- 230000005284 excitation Effects 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 230000010355 oscillation Effects 0.000 claims abstract description 21
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 19
- 238000013178 mathematical model Methods 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 4
- 238000013016 damping Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 5
- 238000011160 research Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明是一种双向优化BP神经网络滑模变结构的四阶电力***混沌控制方法。本发明以四阶电力***混沌数学模型为基础,利用双向优化BP神经网络与滑模变结构控制相结合的控制方法对电力***混沌振荡进行控制。在神经网络中,本发明对算法正向使用的激励函数和反向使用的学习率分别作出了优化,进而有效抑制滑模变结构控制的抖振现象,使混沌振荡控制更为理想;相较于传统滑模变结构控制,本发明既保留了BP神经网络和滑模变结构控制的优良特性,又在克服神经网络假饱和现象、提高泛化能力以及合理加快学习过程的前提下,更有效地削弱了滑模变结构控制的抖振现象,使电力***混沌控制获得更好的效果。
Description
技术领域
本发明涉及四阶电力***混沌控制技术领域,是一种双向优化BP神经网络滑模变结构的四阶电力***混沌控制方法。
背景技术
随着大电网互联、远距离输电成为当代电网的发展趋势,电力***结构日益复杂。作为典型的非线性***,电力***自身的非线性在特定的情况下将发生混沌振荡,表现为一种非周期的无规则的低频振荡,同时,突发事件和不确定的因素也可能会导致***在运行过程中出现混沌振荡现象。当前,国内外均多次观测到低频振荡现象,其中混沌振荡带来的危害不容忽视。当电力***发生混沌振荡时,如果不能得到及时的抑制,互联***之间的稳定性将会降低,甚至容易引发严重的连锁事故,导致大规模停电,影响电力***正常运行的安全性和稳定性,造成经济损失乃至威胁人身安全。
目前,针对非线性***的控制的研究已经成为国内外研究的热点问题。在对混沌控制的不断探索中,人们积累了大量的宝贵经验。在众多控制方法中,滑模变结构控制法能够克服***的不确定性,对干扰和未建模动态具有很强的鲁棒性,尤其是对非线性***的控制具有良好的控制效果。除此之外,变结构控制***算法简单、响应速度快、对外界噪声干扰和参数摄动同样具有很强的鲁棒性的特点也是使滑模变结构控制法成为目前应用比较广泛的非线性***控制方法之一的原因。同时根据已有研究结论,该控制方法对电力***混沌振荡也有着较为理想的控制效果。
滑模变结构控制通过选择切换平面使控制***状态在有限时间内到达切换平面,并沿着切换面到达控制目标。在该控制方法中,变结构控制***运动包括切换面外的趋近运动和切换面上的滑动运动两部分,当***进入滑动模态运动后将不再受到外部干扰与参数变化影响,具有完全鲁棒性。
但是,在实际滑模变结构控制***中,由于开关器件的时滞性及惯性等因素的影响,当***的状态到达滑模面后,不是保持在滑模面上作滑动运动,而是在滑模面附近做来回穿越运动,甚至产生极限环振荡,这种现象称为抖振现象。它有可能激励起***中未建模高频成分,引发***的高频震荡。因此,抑制或者消除这种抖振是滑模变结构控制中亟待被解决的重要问题。
当前,人们已经为解决滑模变结构控制***抖振的问题做出了许多努力并给出了一些较为有效的方案,但实际上收效并不大。随着智能控制的不断发展,神经网络的应用在计算机的助力下已成为当今国际上的热点研究方向,神经网络滑模变结构控制应运而生。目前,已有许多研究成果表明,将神经网络与滑模变结构控制相结合后,将有效削弱滑模变结构中的抖振现象。
神经网络的主要贡献在于提供了一种非线性静态映射,它能以任意精度逼进任意给定的非线性关系。基于BP算法的多层前馈神经网络(BP神经网络)作为应用非常广泛的神经网络之一,亦存在一些问题,譬如神经网络假饱和现象、泛化能力不够强、学习速度不理想等问题都将直接影响神经网络的应用效果,甚至在结合滑模变结构控制后无法解决后者的抖振问题,从而也将无法达到理想的控制混沌振荡的要求。
发明内容
本发明为实现双向优化BP神经网络滑模变结构的四阶电力***混沌控制,本发明提供了一种双向优化BP神经网络滑模变结构的四阶电力***混沌控制方法,本发明提供了以下技术方案:
一种双向优化BP神经网络滑模变结构的四阶电力***混沌控制方法,包括以下步骤:
步骤1:建立四阶电力***混沌数学模型,对四阶电力***混沌数学模型进行简化后建立受控***;
步骤2:确定***初始状态与目标平衡点,根据***初始状态和目标平衡点确定指数趋近律的系数与滑动超平面的关系函数;
步骤3:在整体选择Sigmoid激励函数的基础上,进行BP神经双向优化;
步骤4:根据步骤2中所述关系函数,选取神经网络单输入和单输出的数据样本,对双向优化BP神经网络进行训练;
步骤5:根据训练好的双向优化BP神经网络应用于滑模变结构中逼近步骤2中所述关系函数,控制四阶电力***中的混沌振荡。
优选地,所述步骤1具体为:
步骤1.1:通过下式表示四阶电力***混沌数学模型:
其中,δm为发电机功角,ωs为滑差角频率,δ为节点电压相角,U节点电压幅值,Q1为负荷无功功率,Pm为机械输入功率,dm为阻尼系数,M为惯性常数,m表示与发电机相关, Em为发电机电动势,E'0为网络瞬态电动势,Y'0为网络导纳参数,θ'0为网络阻抗角,Ym为发电机导纳参数,θm为发电机阻抗角,Q0为***恒定无功功率,T为四阶电力***化简负荷参数,Kqω、Kqv2为四阶电力***化简负荷无功参数,Kpv与Kpω为四阶电力***化简负荷有功参数,P0为***恒定有功功率,P1为负荷有功功率;
步骤1.2:对四阶电力***混沌数学模型进行简化后建立受控***,通过下式表示简化后的受控***:
其中,Ki和Hi为化简参数,ui为控制量,i=1,2,3,4。
优选地,选取***的初始状态,通过下式表示选取的***初始状态:
[δm,ωs,δ,U]=[0.3,0,0.2,0.97]
通过下式表示***目标平衡点:
确定指数趋近律,通过下式表示指数趋近律:
优选地,根据***初始状态和目标平衡点确定指数趋近律的系数与滑动超平面的关系函数,通过下式表示指数趋近律的系数与滑动超平面的关系函数:
优选地,所述步骤3具体为:
步骤3.1:进行正向优化,正向优化BP神经网络选取Sigmoid激励函数,通过下式表示 Sigmoid激励函数:
其中,f(x)为Sigmoid激励函数;
将隐藏在Sigmoid激励函数替换为具有logistic映射方程的激励函数,通过下式表示所述替换后的机理函数:
fc(x)=μx(1-x);
其中,μ为可变参数,x为输入变量;
步骤3.2:进行反向优化,优化学习率λ,通过下式表示优化后的学习率λ:
其中,α∈(1.1,1.3)为增强学习率系数,E(i)为目标函数,λ(i)为学习率,β∈(0.7,0.9)为减弱学习率系数。
本发明具有以下有益效果:
本发明在学习样本中添加噪声可以改善神经网络的泛化能力,本发明中使用的logistic 映射方程形式的激励函数具有混沌特性,混沌与噪声在性质与形式上有许多相似之处,因此 fc(x)的存在相当于在网络内部添加了噪声从而提高泛化能力。
本发明使用该控制去控制四阶电力***混沌振荡,理论上将在理想削弱变结构中的抖振的同时,也有效控制四阶电力***中的混沌振荡。
在神经网络中,本发明对算法正向使用的激励函数和反向使用的学习率分别作出了优化,进而有效抑制滑模变结构控制的抖振现象,使混沌振荡控制更为理想;相较于传统滑模变结构控制,本发明既保留了BP神经网络和滑模变结构控制的优良特性,又在克服神经网络假饱和现象、提高泛化能力以及合理加快学习过程的前提下,更有效地削弱了滑模变结构控制的抖振现象,使电力***混沌控制获得更好的效果。
附图说明
图1是双向优化BP神经网络学习流程图;
图2是双向优化BP神经网络离线训练流程图;
图3是双向优化BP神经网络滑模控制***结构图;
图4是电力***等值电路。
具体实施方式
以下结合具体实施例,对本发明进行了详细说明。
具体实施例一:
本发明提供一种双向优化BP神经网络滑模变结构的四阶电力***混沌控制方法,包括以下步骤:
步骤1:建立四阶电力***混沌数学模型,对四阶电力***混沌数学模型进行简化后建立受控***;
根据图4所示,步骤1所述的四阶电力***混沌数学模型为:
其中发电机功角δm,滑差角频率ωs,节点电压相角δ,节点电压幅值U,负荷无功功率Q1和机械输入功率Pm,dm为阻尼系数,M为惯性常数,m表示与发电机相关,Em为发电机电动势,E'0为网络瞬态电动势,Y'0为网络导纳参数,θ'0为网络阻抗角,Ym为发电机导纳参数,θm为发电机阻抗角,Q0为***恒定无功功率,T为四阶电力***化简负荷参数,Kqω、Kqv2为四阶电力***化简负荷无功参数,Kpv与Kpω为四阶电力***化简负荷有功参数,P0为***恒定有功功率,P1为负荷有功功率。
进一步的,对步骤1中的数学模型进行参数化简并建立受控***:
ui为控制量,i=1,2,3,4。
步骤2:确定***初始状态与目标平衡点,根据***初始状态和目标平衡点确定指数趋近律的系数与滑动超平面的关系函数;
进一步的,根据步骤2得到指数趋近律:
当(s1-0.3366)<0时,根据高数知识解得:
同理,当其他情况时η关于s的函数为:
步骤3:在整体选择Sigmoid激励函数的基础上,进行BP神经双向优化;
对于变结构控制,控制量由两部分组成,一部分是趋近滑模面过程中的趋近控制量usv,另一部分是***在滑模面上运动的等效控制量ueq,而产生抖振的原因在于趋近控制量,因此,选取双向优化BP神经网络进行上述关系函数逼近,其学习流程图如图1所示。正向上,在传统BP神经网络上选取激励函数为Sigmoid函数,其形式为:
进一步的,将隐藏层中少数Sigmoid激励函数替换为具有logistic映射方程形式的激励函数,logistic映射方程是典型的非线性动力学离散混沌映射***,参数x∈(0,1),当 3.5699...<μ≤4时,***处于混沌状态。替换后的激励函数可表示为:
fc(x)=μx(1-x)
其中,μ为可变参数,一般μ取值3.5699...<μ≤4,x为输入变量。
由于神经网络自身具有自适应性和容错性,因此改变隐藏层中少数激励函数,并不会对神经网络自身产生很大影响。使用Sigmoid函数作为激励函数,神经网络中可能存在“假饱和现象”的问题,即权值无法顺利调整而导致学习过程收敛很慢甚至无法收敛(权值变化量Δω≈0)。由于添加了具有混沌特性的fc(x),因此即便网络中其他神经元的激励函数进入饱和区,整个网络在fc(x)的作用下也仍具有很强的权值调节能力(个别权值变化量Δωc较大),从而使整个网络脱离假饱和现象。当前,已有成果表明,在学习样本中添加噪声可以改善神经网络的泛化能力。本发明中使用的logistic映射方程形式的激励函数具有混沌特性,混沌与噪声在性质与形式上有许多相似之处,因此fc(x)的存在相当于在网络内部添加了噪声从而提高泛化能力。另外,虽然fc(x)与Sigmoid激励函数形式不同,但其输入量取值范围与 Sigmoid激励函数相同,都在0和1之间,这也是用fc(x)做优化的重要原因。
采用传统BP算法时,学习率λ是定值,若该值过大,在加快学习速度的同时可能会在学习过程中产生震荡;若该值过小,保证了稳定性却忽略了学习速度。因此在反向上,优化学习率λ根据目标函数对其的梯度进行自适应调整的原则,该算法描述如下:
其中α∈(1.1,1.3)为增强学习率系数,β∈(0.7,0.9)为减弱学习率系数,E(i)为目标函数,λ(i)为学习率。
步骤4:根据步骤2中所述关系函数,选取神经网络单输入和单输出的数据样本,对双向优化BP神经网络进行训练;
步骤5:根据训练好的双向优化BP神经网络应用于滑模变结构中逼近步骤2中所述关系函数,控制四阶电力***中的混沌振荡。
进一步的,如图2所示,通过步骤2的趋近律系数η关于滑模面s的关系函数,在合理范围内选取足够多的两者的神经网络单输入-单输出的数据样本,离线训练双向优化BP神经网络。再将得到的训练好的神经网络应用于滑模变结构控制中,如图3所示,使用该控制去控制四阶电力***混沌振荡,理论上将在理想削弱变结构中的抖振的同时,也有效控制四阶电力***中的混沌振荡。
以上所述仅是一种双向优化BP神经网络滑模变结构的四阶电力***混沌控制方法的优选实施方式,一种双向优化BP神经网络滑模变结构的四阶电力***混沌控制方法的保护范围并不仅局限于上述实施例,凡属于该思路下的技术方案均属于本发明的保护范围。应当指出,对于本领域的技术人员来说,在不脱离本发明原理前提下的若干改进和变化,这些改进和变化也应视为本发明的保护范围。
Claims (5)
1.一种双向优化BP神经网络滑模变结构的四阶电力***混沌控制方法,其特征是:包括以下步骤:
步骤1:建立四阶电力***混沌数学模型,对四阶电力***混沌数学模型进行简化后建立受控***;
步骤2:确定***初始状态与目标平衡点,根据***初始状态和目标平衡点确定指数趋近律的系数与滑动超平面的关系函数;
步骤3:在整体选择Sigmoid激励函数的基础上,进行BP神经双向优化;
步骤4:根据步骤2中所述关系函数,选取神经网络单输入和单输出的数据样本,对双向优化BP神经网络进行训练;
步骤5:根据训练好的双向优化BP神经网络应用于滑模变结构中逼近步骤2中所述关系函数,控制四阶电力***中的混沌振荡;
所述步骤1具体为:
步骤1.1:通过下式表示四阶电力***混沌数学模型:
其中,δm为发电机功角,ωs为滑差角频率,δ为节点电压相角,U节点电压幅值,Q1为负荷无功功率,Pm为机械输入功率,dm为阻尼系数,M为惯性常数,m表示与发电机相关,Em为发电机电动势,E'0为网络瞬态电动势,Y′0为网络导纳参数,θ'0为网络阻抗角,Ym为发电机导纳参数,θm为发电机阻抗角,Q0为***恒定无功功率,T为四阶电力***化简负荷参数,Kqω、Kqv2为四阶电力***化简负荷无功参数,Kpv与Kpω为四阶电力***化简负荷有功参数,P0为***恒定有功功率,P1为负荷有功功率;
步骤1.2:对四阶电力***混沌数学模型进行简化后建立受控***,通过下式表示简化后的受控***:
其中,Kd和Hd为化简参数,ui为控制量,i=1,2,3,4。
5.根据权利要求1所述的一种双向优化BP神经网络滑模变结构的四阶电力***混沌控制方法,其特征是:所述步骤3具体为:
步骤3.1:进行正向优化,正向优化BP神经网络选取Sigmoid激励函数,通过下式表示Sigmoid激励函数:
其中,f(x)为Sigmoid激励函数;
将隐藏在Sigmoid激励函数替换为具有logistic映射方程的激励函数,通过下式表示所述替换后的机理函数:
fc(x)=μx(1-x);
其中,μ为可变参数,x为输入变量;
步骤3.2:进行反向优化,优化学习率λ,通过下式表示优化后的学习率λ:
其中,α∈(1.1,1.3)为增强学习率系数,E(i)为目标函数,λ(i)为学习率,β∈(0.7,0.9)为减弱学习率系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010080833.9A CN111342477B (zh) | 2020-02-05 | 2020-02-05 | 一种双向优化bp神经网络滑模变结构的四阶电力***混沌控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010080833.9A CN111342477B (zh) | 2020-02-05 | 2020-02-05 | 一种双向优化bp神经网络滑模变结构的四阶电力***混沌控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111342477A CN111342477A (zh) | 2020-06-26 |
CN111342477B true CN111342477B (zh) | 2022-02-18 |
Family
ID=71185798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010080833.9A Expired - Fee Related CN111342477B (zh) | 2020-02-05 | 2020-02-05 | 一种双向优化bp神经网络滑模变结构的四阶电力***混沌控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111342477B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111817297B (zh) * | 2020-07-10 | 2023-07-21 | 山东科技大学 | 一种抑制含有励磁限制的四阶电力***混沌振荡的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496945B (zh) * | 2011-12-07 | 2014-01-29 | 天津理工大学 | 四阶混沌电力***的无源控制方法 |
CN105629730B (zh) * | 2016-01-12 | 2018-03-27 | 江苏省电力公司电力科学研究院 | 一种基于神经网络滑模控制的upfc控制方法 |
-
2020
- 2020-02-05 CN CN202010080833.9A patent/CN111342477B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN111342477A (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112817231B (zh) | 一种具有强鲁棒性的机械臂高精度跟踪控制方法 | |
Berenji et al. | A convergent actor-critic-based FRL algorithm with application to power management of wireless transmitters | |
CN113110055B (zh) | 时滞切换***的自适应事件触发输出反馈控制方法及*** | |
CN112327627A (zh) | 基于复合学习的非线性切换***自适应滑模控制方法 | |
Sambariya et al. | Robust power system stabilizer design for single machine infinite bus system with different membership functions for fuzzy logic controller | |
CN109494721A (zh) | 一种适用于含柔性多状态开关的配电网分布式自适应控制方法 | |
CN113919217B (zh) | 自抗扰控制器自适应参数整定方法及装置 | |
CN111342477B (zh) | 一种双向优化bp神经网络滑模变结构的四阶电力***混沌控制方法 | |
CN104085265A (zh) | 一种馈能悬架自适应离线神经网络逆控制***及方法 | |
CN114509949A (zh) | 一种机器人预定性能的控制方法 | |
CN113469332A (zh) | 基于模糊神经的虚拟同步发电机惯量阻尼自适应控制方法 | |
Fu et al. | Adaptive finite-time event-triggered control of marine surface vehicles with prescribed performance and output constraints | |
CN104852639A (zh) | 基于神经网络的永磁同步电机参数自整定速度控制器 | |
Wen et al. | Adaptive fuzzy-neural tracking control for uncertain nonlinear discrete-time systems in the NARMAX form | |
CN116231679A (zh) | 一种基于深度强化学习的自适应虚拟同步机控制方法 | |
CN117452827B (zh) | 一种欠驱动无人艇轨迹跟踪控制方法 | |
Lyu et al. | Fuzzy control based virtual synchronous generator for self-adaptative control in hybrid microgrid | |
CN110535396A (zh) | 基于bp神经网络的表面式永磁同步电机模型预测控制方法 | |
Sun et al. | Event-triggered intelligent critic control with input constraints applied to a nonlinear aeroelastic system | |
Mahmud | Neural network based PID control analysis | |
CN115981149A (zh) | 基于安全强化学习的高超声速飞行器最优控制方法 | |
CN108089442B (zh) | 一种基于预测函数控制与模糊控制的pi控制器参数自整定方法 | |
CN110176776A (zh) | 一种基于鲁棒自适应评价设计的静止无功补偿器控制方法 | |
CN112147900B (zh) | 全状态约束电力***的有限时间自适应模糊跟踪控制方法 | |
TW202009628A (zh) | 適用於即時線上環境的太陽能電池最大功率追蹤方法及系統 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220218 |
|
CF01 | Termination of patent right due to non-payment of annual fee |