日本在线www-日本在线播放一区-日本在线不卡免费视频一区-日本在线不卡视频-成人影院久久久久久影院-成人影院一区二区三区

    一、概述

    隨著現代電力電子裝置的發展，其應用范圍越來越廣，所應用的場合也越來越復雜。由于電力電子裝置所控制的對象越來越復雜，各種不確定因素和種種難以描述的非線性特性存在，使得基于傳統控制的對象模型越來越難得建立；再者人們對電力電子裝置輸出控制要求的日益提高，越來越要求控制的智能化和寬適應能力。神經網絡源于對人腦信息處理機制的模擬，具有很強的適應復雜環境的能力和多目標控制的自學習能力，并具有良好的非線性函數逼近能力。因此神經網絡控制策略能解決逆變系統中的常規控制策略無法解決的許多問題，理論上來說可以設計出一個與系統數學模型無關的，自學習、自適應的魯棒性好動態響應快的智能控制系統。神經網絡的這些特性為我們解決現代電力電子裝置控制上的種種難題提供了一條很好的途徑。

    近十幾年來，人工神經網絡在控制領域中的研究也取得了很大的進展。人工神經網絡能夠通過自身的學習過程了解系統的結構、參數、不確定性和非線性，并給出系統所需的控制規律，由它構成的控制器具有很強的魯棒性。

    單神經元是神經網絡最基本的單元，在神經網絡控制中，單神經元是最基本的控制部件。因此，由單個神經元構成的控制器引起了控制界的廣泛興趣。神經元控制器結構簡單，自學習、自組織能力強，分布式存儲，并行結構運算，可以調和系統動、靜態間的矛盾，對對象模型精度要求不高，且抗干擾能力強，故實際應用較多。

    神經網絡對于復雜不確定問題的自適應能力,可以用作控制系統的補償環節和自適應環節;神經網絡對任意非線性關系的描述能力,可以用于非線性系統的辨識和控制;神經網絡的快速優化計算能力,可用于復雜控制問題的優化計算;神經網絡的分布式存儲能力及并行處理和合成能力,可用作復雜控制系統中的信息轉換接口。

    結合上述特性，控制中對神經網絡的使用大致分為下面幾類：

    1. 神經網絡與反饋聯合控制：

    神經網絡需要一個過程來根據訓練樣本進行學習，學習完成后，網絡才能用于控制系統，因此在學習階段采用與神經網絡控制器相并聯的常規控制器來改善系統的初始響應，提高系統魯棒性。

    2. 神經網絡PID控制： 

    PID調節概念清晰、方法簡便、調節容易，可靠性好，與神經網絡的自學習自組織功能相結合，利用神經網絡來在線整定PID調節器參數，可以提高控制器對系統和環境的適應能力和控制效果。

    3. 神經網絡自校正控制：

    神經網絡自校正控制是利用神經網絡的良好的逼近能力，在被控系統參數變化的情況下，自動調整控制器參數，消除擾動的影響。

    4. 神經網絡模型參考自適應控制：

    非線性系統的神經網絡模型參考自適應控制系統在結構上與線性系統的模型參考自適應系統相同。只是對象的辨識模型為神經網絡。

    5. 神經網絡滑模控制：

    神經網絡具有良好的學習能力，引入滑模控制后，可以在不確定的環境下通過自學習來改進滑模開關曲線，進而改善控制效果。

    6. 神經網絡模糊控制：

    神經網絡模糊控制利用神經網絡進行學習，模糊控制器進行似然推理，使得輸出的控制信號平滑，同時加快了學習速度。

    7. 神經網絡專家系統控制：

    專家系統是一種知識性表達，適用于邏輯推理，神經網絡則反映的是一種輸入輸出的數學映射關系，長于直覺推理，把二者結合起來，發揮各自的優勢，可以產生更好的控制效果。

    8. 完全神經網絡控制：

    完全神經網絡控制包括神經網絡反饋控制，神經網絡自適應控制，神經網絡非線性控制等，它的特點是其辨識，估計，計算，控制等都由神經網絡完成，其形式多種多樣應用范圍較廣。

    目前，由于缺乏相應的神經網絡計算機的硬件支持，通常利用串行方法來模擬神經網絡機制解決實時控制問題，由于計算量大，計算速度限制，在實際應用中還有許多問題需要解決。而隨著FPGA等大規模集成電路技術的進步，純硬件化的專用神經網絡芯片的實現將使現有的神經網絡算法的實現煥然一新。

    二、神經網絡在電力電子裝置中的應用

    神經網絡在電力電子裝置控制中的應用研究起步較晚，多用于故障診斷，在基于神經網絡的電力電子裝置的控制上多偏于理論分析。在電力電子裝置系統控制研究上根據目前文獻顯示，這方面工作尚處于起步階段，研究較少。

    目前完全神經網絡控制的電力電子裝置還處于實驗階段，文獻[1]給出了一種基于DSP的完全神經網絡控制的逆變器控制方案。它針對傳統的基于最優消諧波理論的逆變器,采用了一種全新的神經網絡控制器。當系統工作時,由基于DSP的在線神經網絡實時調節逆變器輸出電壓的大小；同時各功率管的開關角由另一個神經網絡通過最優PWM最優開關角的擬合,由DSP直接計算出來。整個控制系統具有結構簡單、反應靈敏、調壓精確、輸出電能質量高,控制系統全數字化的特點。

    在其電壓控制網絡框圖中，電壓調節環實質上是一個單神經元。文獻[1]中所設計的CVCF逆變器，要求在不同負載性質下都要有恒定的電壓Uo輸出，而不同的負載對電壓基波取用需求不同，若按常規控制就要求控制器實時計算出不同負載模型下控制器內濾波器參數，而為了獲得負載參數，需要加入大量的負載電流及相位檢測環節。

    由于神經網絡對光滑非線性函數具有的任意逼近能力,它適合控制各種非線性問題,所以這個問題可以由各種在線自適應神經網絡控制系統解決,無需在線辨識對象的參數,只要實時檢測對象的實際輸出并與期望輸出相比較,就可在線調節并形成自適應的閉環控制系統。

    文獻[2]提出了一種將傳統PID算法和神經網絡算法結合的新型復合控制算法，并將其應用于直流調速系統。

    該設計保持傳統雙閉環控制方法的優越性,將神經元網絡理論應用于直流調速系統時,仍采用雙閉環結構而電流環(內環)仍采用傳統的PI調節器并校正成典型Ｉ型系統,以提高系統響應時快速性和限流的必要性,轉速環(外環)則采用神經元PID控制器,以提高其魯棒性。采用單神經元PID控制器的雙閉環直流調速系統結構。單神經元PID控制器的參數設計主要是選擇控制器的比例因子ｋ、學習速率η、權重初值、采樣周期等參數,它們對學習和控制效果有一定的影響。這種復合控制的算法采用了邊學習邊控制的方式，充分利用了神經元的自學功能,在運行中根據被控對象特性的變化,對神經元的權重值進行在線調整,使得整個系統具有良好的自適應能力。結果證明,這種控制方法能夠有效地克服傳統雙閉環控制存在的不足,只要選擇適當的學習速率、比例因子、權重初值,就可使系統在允許負載下保持無靜差,無超調的優良性能。

    SVPWM是一種廣泛應用的電力電子裝置控制技術，它通過對8個開關函數的組合使逆變器輸出具有較小的脈動轉矩，較低的諧波成分，并且具有較高的直流電壓利用率，并且適合于數字化實現。但是其運算復雜，需進行主、輔矢量判定．輸出序列組合．以及查表等過程，占據DSP大量時間且精度較差。文獻[3]提出了一種基于Kononen網絡的SVPWM快速算法，可快速判定主輔矢量，確定輸出序列和求解出作用時間。

    Kohonen網絡由一個全互連的神經元陣列組成；外部輸入模式出現時，網絡的每個神經元都同時工作。網絡采用“贏者通吃”的競爭學習機制、完成對復雜模式的分類過程、并在回復模式時、按一定權來分配模式間的關系。對于SVPWM的計算，由于8個開關函數已經將合成矢量的位置劃分為6個區間，也就相當于6個模式已經確定，省去了分類訓練的過程。而主矢量則是每個模式下競爭的勝者，次大的就是輔矢量。這種方式實現的SVPWM可以由純硬件電路實現，極大的節省了DSP運算資源。

    還有的文獻（文獻[4]）提出了基于RBF網絡的電機控制系統。它利用RBF網絡進行電機定子電壓電流和逆變器開關導通角之間的非線性映射，實現了無傳感器控制。

    目前的神經網絡算法實現，多是基于軟件的串行模擬算法，這種實現方式計算量大，實時性差。而新一代的大規模集成器件FPGA的出現給我們提供了并行算法實現的可能。文獻[5]對基于FPGA的硬件神經網絡算法實現進行了詳細的介紹。

    三、小結及展望

    綜合目前檢索到的文獻和資料，神經網絡在電力電子裝置中的應用還處于初步階段。其算法的實現直接影響到它的應用。而且在實時控制中，神經網絡的應用還是不如傳統控制成熟。但是它強大的非線性處理能力有著極大的吸引力。將其與傳統控制結合構成的復合控制器將是未來控制的一個新的亮點。

    參考文獻：

    [1]基于DSP的逆變器神經網絡控制. 沈忠亭,嚴仰光. 電力電子技術.2002.10：50－53

    [2]神經網絡與PID結合的直流調速系統自適應控制.項云瑋.機電工程.1999.6：37－39

    [3]基于神經網絡的一種快速SVPWM算法. 林平，蔡驪.電氣自動化.2001.6：7-9

    [4]基于自適應徑向基函數神經網絡的無刷直流電機直接電流控制. 夏長亮等.中國電機工程學報.2003.6.第23卷：123－127

    [5]FPGA implementation of a pulse density neural network with learning ability using simultaneous perturbation. Yutaka Maeda and Toshiki Tada. IEEE TRANSACTIONS ON NEURAL NETWORKS, VOL. 14, NO. 3, MAY 2003：688-695