摘  要： 將神經元自適應的控制模型與常規PID控制算法相結合，設計了一種自適應PID控制器，并將其應用于風力發電機試驗系統電源組的控制系統中。該控制器不僅結構簡單、參數易于整定，且具有較好的自適應和自學習功能。結果表明，應用神經元PID控制的風力發電機試驗系統的電源組控制系統能夠適應被控對象在較大范圍內的變化，具有較強的自適應性和優良的控制性能。

　　關鍵詞： 試驗系統；風力發電機；神經元自適應控制；PID控制

　　目前風力發電試驗系統所使用的電源控制系統，其調節對象具有時變性、多樣性、不確定性和非線性等特點，因此針對該試驗電源組控制系統難以建立精確的數學模型，而且試驗電源組控制系統的動態特性及運行參數依賴于它的運行環境與運行工況。由于其控制參數是在一定條件（如環境、工況等）下設定的，當條件發生變化時，原整定參數不再適應于當前對象的動態特性，以至于使控制品質下降。而常規的PID控制的參數是根據調節對象的數學模型來進行整定的，所以對于風力發電試驗系統電源組控制采用常規的PID控制器難以取得理想控制效果[1]。為了克服常規PID 控制存在的缺點，將神經元自適應PID控制器引入風力發電試驗系統電源組控制中。

　　本文是基于湖南省科技計劃項目——風力發電機智能綜合測控系統的研究，根據試驗過程要求自動實現試驗電源組各單元的控制，將神經元自適應PID控制用于電源組控制系統，以實現理想的控制效果。將神經元PID控制器的工程應用與仿真研究相結合，在實現神經元PID控制的優良性能的基礎之上，探索神經元自適應PID控制器參數的工程整定方法。

　　1 風力發電機試驗系統電源組控制系統

　　圖1所示為風力發電機試驗系統電源組的控制系統結構框圖，系統是由神經元自適應PID控制器、調節器、觸發器、執行機構、濾波、辨識環節、檢測電路、負載構成的一個閉環控制回路。

　　將給定信號（電壓、電流）的輸入值與負載電壓、電流檢測反饋值進行比較,為了消除給定輸入值與反饋值的誤差,將誤差送入神經元自適應控制器，由調節器產生的控制信號根據一定的算法來進行調整,發出電壓、電流信號給執行機構，以實現電壓（轉速）及電流閉環控制,無差調節。在電源組內部設置一個辨識環節，能有效辨識給定與輸出信號，從而實現輸出電流和輸出電壓（轉速）的穩定[2]。因此，由外部電網和負載波動等引起的電流變化，均可通過快速調節輸出電壓而保持輸出電流的穩定以及良好的調節性能。充分利用神經元自適應PID控制的自學習和自適應能力來克服負載的波動，從而實現電源組穩定、可靠地長期運行。

　　2 神經元自適應PID控制器設計

　　2.1 神經元自適應PID控制器的基本原理

　　在神經網絡控制中，單神經元是最基本的控制單元。神經元PID 控制器具有現場整定參數簡單、便于現場調試的重要特點, 能夠大大改善典型非線性時變對象的動態性能, 能夠適應過程的時變特性, 以保證控制系統在最佳狀態下運行[3]。

　　神經元自適應PID控制的結構如圖2所示。圖中轉換器的輸入反映被控過程及控制設定的狀態。設r(k)為設定值，y(k)為輸出值，誤差e(k)經轉換器轉換后成為神經元的輸入量x1(k)、x2(k)、x3(k)。利用神經元的在線調整功能，把神經網絡應用于PID控制系統中,以改善常規PID的控制性能[4-5]。

　　其增量式表示為：

　　由式(1)、(2)、(3)可知神經元控制器輸出的x1(k)、x2(k)、x3(k)即為PID調節器的比例、積分、微分輸入，而w1、w2、w3即為對應的加權系數[6-7]。神經元自適應PID控制器通過某種學習算法不斷更新修改加權系數，從而實現自動適應被控對象的狀態環境變化的自學習、自適應功能，所以神經元PID控制器也可稱為在線自適應PID控制器。

　　2.2 自適應控制規律

　　(1)一般神經元PID控制規律

　　本文采用的一般神經元自適應PID控制的控制規律為：

　　式(6)中，K為神經元比例系數，?濁P、?濁I、?濁D為比例、積分、微分的學習效率。對比例(P)、積分(I)、微分(D)分別采用不同的學習效率?濁P、?濁I、?濁D，以便對它們各自的權系數能根據需要分別進行調整。學習效率的取值可先由現場實驗或仿真來確定。

　　(2)改進的神經元自適應PID控制規律

　　神經元PID參數的在線學習修正主要與 e(k)、?駐e(k)及神經元比例系數K有關，因此可將神經元自適應PID控制算法中的加權系數學習修正部分及比例系數K進行修改，即將其中式(4)中的xi(k)改為e(k)+?駐e(k)，由式(4)可知神經元的比例系數K為一常數，為了抑制較大擾動量的影響(負載的突加與突卸時)，將K設定為一個隨e(k)和?駐e(k)變化的變量，當誤差較大時K值也較大，當誤差較小且接近穩定時K值較小，這時K值對系統的穩定性影響較小。對上述控制規律稍加修改后的算法如下：

　　采用上述改進的控制規律，權系數的在線修正就不完全是根據神經網絡學習原理，而是參考現場實際經驗來制定的。比例系數K不再是一個恒定值，而是一個隨誤差變化的變量，有利于提高系統的穩定性。

　　3 仿真分析

　　對于風力發電機試驗系統電源組的控制系統，其負載的種類很多，有的結構和工作過程相當復雜，其內部不止一個狀態變量，要準確描述其數學模型比較困難，且階次很高。但是在實際分析問題時，沒有必要用到特別復雜的高階次的數學模型，而且通過仿真說明采用低階次的近似簡單數學模型不僅實用，且能得到比較滿意的仿真結果。因此本文選取的負載被控對象為二階系統

　　在對常規PID仿真中，取常規PID參數為：Kp=0.10，Ki=0.01，Kd=0.10，采樣時間Ts=1 ms。在對一般神經元自適應PID仿真中，取學習效率?濁p=0.40，?濁i=0.35，?濁d=0.40，K=0.052，采樣時間Ts同為1 ms。采用一般神經元自適應PID控制與常規PID控制算法仿真對比結果如圖3所示，誤差跟蹤曲線對比如圖4所示。

　　由圖3、圖4可知，神經元自適應PID控制器的控制性能要優于常規PID控制器，能夠對參數在線自適應調整以實現良好的控制效果，較常規PID控制器的快速性、穩定性好，且沒有超調，可以達到理想的控制效果。而采用改進控制規律的神經元自適應PID控制根據實際情況，取a=0.12、?琢=0.2、?茁=0.3，其余參數保持不變，其與常規PID控制算法仿真對比結果如圖5所示，圖6所示為其誤差曲線比較。

　　由圖5、圖6可以看出，改進控制規律的神經元自適應PID控制要優于一般的神經元PID控制，其快速性更好，可以使系統更快地趨于穩定，減少了系統的誤差，具有良好的控制性能。在不同情況下，試驗系統的電源組需要帶不同的負載，其傳遞機構的傳遞函數或者負載主電路發生變化時，只要改變增益K的初始值以及對應于誤差的權值?琢、?茁就可以獲得理想的效果，較一般的神經元PID控制器與常規PID控制器調節起來更加方便實用。

　　仿真結果表明：常規PID控制效果雖然具有調節方便、結構簡單等優點，但是其控制難以達到理想的效果，尤其是當對象為非線性時，通常會出現調節時間過長的弱點；而神經元自適應PID控制具有優于常規PID控制的控制效果。

　　本文提出的神經元自適應PID控制器具有結構簡單、控制算法簡單易懂、實現方便等特點，既保持了常規PID控制的優點，又有很強的自學習智能特性，將其應用于風力發電機試驗系統電源組的控制系統中，以其良好的自適應性，可以自學習地對PID參數進行實時調整。試驗過程實現了對系統各單元的自動控制，達到了節能最佳的目的，電源的波形及各項指標符合國家標準，達到了理想的控制效果。

　　參考文獻

　　[1] 李作軍.基于DSP的變頻電源數字化控制技術的研究[D].武漢：武漢理工大學，2008.

　　[2] 李小英，匡宇國.模糊自適應整定PID-FS在整流電源中的應用[J].電力電子技術，2007，41(2)：63-65.

　　[3] LIN W M，HONG C M.Fuzzy neural network output maximization control for sensorless wind energy conversion system[J].Energy，2010，35(2)：592-601．

　　[4] 王迎旭，沈學軍.神經元自適應PID控制器在機組控制中的應用[J].控制工程，2004，11(2)：206-208.

　　[5] 張學燕.神經網絡自適應PID控制器的研究與仿真[D].貴陽：貴州大學，2008.

　　[6] 劉金琨.先進PID控制MATLAB仿真[M].北京：電子工業出版社，2004.

　　[7] 王迎旭，劉國繁，伍萍輝.基于神經網絡的自適應PID控制器及其應用[J].電力電子技術，2004，38(2)：89-91.