[论文解读] Neural Stabilization/Excitation Control of a High-Order Power System by Adaptive Feedback Linearization

Kingsley Fregene, D. Kennedy|ArXiv.org|Jul 11, 2000

Power System Optimization and Stability参考文献 13被引用 5

一句话总结

本文提出了一种针对高阶（7阶）同步电机/无限大系统电力系统的神经自适应反馈线性化励磁控制器，采用两个神经网络识别系统动态并实现实时反馈线性化。与基于简化阶数模型的解析控制器相比，该控制器在电压跟踪方面表现出更优的性能，控制能量更低，且对参数变化和扰动具有更强的鲁棒性。

ABSTRACT

This paper discusses the systematic design of an adaptive feedback linearizing neurocontroller for a high-order model of the synchronous machine/infinite bus power system. The power system is first modelled as an input-output nonlinear discrete-time system approximated by two neural networks. The approach allows a simple linear pole-placement controller (which is itself not a neural network) to be designed. The control law is specified such that the controller adaptively calculates an appropriate feedback linearizing control law at each sampling instant by utilizing plant parameter estimates provided by the neural system model. The control system also adapts itself on-line. This avoids the requirement for exact knowledge of the power system dynamics and full state measurement as well as other difficulties associated with implementing analytical input-output feedback linearizing control for a complex power system model. Furthermore, a departure is made from the `ad hoc' manner in which many neural controllers have been designed for power systems; the approach used here has foundations in control theoretic concepts of adaptive feedback linearization and pole-placement control design. Simulation results demonstrate the performance of this controller for a representative example of a single-machine/infinite bus power system configuration under various operational conditions.

研究动机与目标

• 解决解析反馈线性化在高阶电力系统中的局限性，其要求精确的模型知识和完整的状态测量。
• 克服传统控制器在系统参数漂移或动态未建模时鲁棒性差的问题。
• 开发一种控制框架，实现实时自适应与用户指定的闭环动态特性，而无需依赖精确的系统模型。
• 通过基于神经网络的系统辨识方法，展示在电压跟踪、功角振荡阻尼和扰动抑制方面性能的提升。

提出的方法

• 利用两个多层神经网络将7阶电力系统建模为非线性离散时间输入-输出系统，实现系统辨识。
• 采用Levenberg-Marquardt优化算法以批处理模式训练和自适应调整神经网络权重，以实现更快收敛和更高精度。
• 在每个采样瞬间，利用训练好的神经网络模型在线估计系统参数，以计算反馈线性化控制律。
• 基于估计的参数设计线性极点配置控制器，实现用户指定的闭环动态特性与稳定的参考信号跟踪。
• 通过基于死区的更新规则实现在线权重自适应，以提高对参数漂移和未建模动态的鲁棒性。
• 通过神经网络近似替代复杂的数学映射，避免对解析反馈线性化的依赖。

实验结果

研究问题

• RQ1 基于神经网络的系统辨识方法是否能在仅具备极少模型知识的条件下，有效替代高阶电力系统中的解析反馈线性化？
• RQ2 在参数变化和扰动条件下，神经自适应控制器与解析反馈线性化控制器的性能相比如何？
• RQ3 在线神经网络权重自适应在不降低响应速度的前提下，能在多大程度上提升控制器的鲁棒性？
• RQ4 所提出的控制器是否能以更低的控制能量实现比传统解析控制器更精确的电压跟踪？
• RQ5 控制器在不同运行条件和系统扰动下是否能保持对功角振荡的有效阻尼？

主要发现

• 神经控制器在参考电压阶跃变化时实现了接近零的稳态跟踪误差，性能与解析控制器相当。
• 神经控制器所需的控制能量显著低于解析控制器，尤其在瞬态响应期间，降低数个数量级。
• 在跟踪过程中，神经控制器表现出更少的高频振荡，而解析控制器由于未建模动态导致明显的谐波分量。
• 在惯性参数H降低50%（从9.5降至4.75）的情况下，神经控制器保持了与额定情况相似且稳定的跟踪动态，而解析控制器因模型失配而性能下降。
• 在机械功率输入下降33.4%后，系统迅速恢复，两个控制器均成功将端电压恢复至额定水平，并保持对转子角振荡的有效阻尼。
• 在线权重自适应在数个采样周期内即显著降低了系统输出误差，证实自适应过程不会减慢整体控制响应速度。