[发明专利]一种风机虚拟惯量控制器的参数整定方法

摘要

一种风机虚拟惯量控制器的参数整定方法，包括两个迭代更新的设计步骤，第一个是定义各采样点的控制效果及累计控制效果评价网络通过风机系统反馈的状态信息采用梯度下降法进行权重更新；第二个是采用执行网络对控制量进行逼近，再根据比例积分结构更新控制器参数，执行网络通过风机系统反馈的状态信息采用梯度下降法进行权重更新；得优化后的虚拟惯量控制器参数，本参数整定方法可在风机控制器的在线运行中进行，无需停机就可以进行控制器的参数设计，无需风机的数学模型，降低了建立控制对象数学模型的难度，减少风机虚拟惯量控制器参数设计的难度和复杂度；对风机工作点、模型的变化具有自适应能力使风机虚拟惯量控制器始终保持最优性能。

主权项

1.一种风机虚拟惯量控制器的参数整定方法，其特征在于：包括如下步骤：步骤1：系统频率f和双馈风机转子转速w在输入基于DHDP的在线学习结构之前进行预处理，利用预处理算法将f和w转化为偏差量；步骤2：设风机虚拟惯量控制器的控制对象为：x(t+1)＝F(x(t),v(t))v(t)＝h(x(t),K)其中，t为离散时间，x(t)∈Rn为t时刻状态向量，v(t)∈Rn为t时刻控制向量，K∈Rl为控制器参数向量，F(x(t),v(t)):Rn×Rm→Rn为系统动态，h(x(t),K):Rn×Rl→Rm为控制策略，R为实数，n，m，l为空间维数，一般取值为正整数；步骤3：利用下式计算在风机虚拟惯量控制器的作用下控制对象在第t个采样点的控制效果：r(t)＝(rf(t)+rw(t)+ru(t))Δt根据上述计算结果，得到控制对象从第t个采样点开始的累积控制效果为：其中0＜α＜1为折扣因子；步骤4：建立一个以神经网络为逼近结构的评价网络，评价网络以状态x(t)和控制u(t)为输入，评价网络输出近似代价函数来逼近代价函数J(t)，J(t)应满足Bellman方程J(t‑1)＝r(t‑1)+αJ(t)；步骤5：建立一个以神经网络为逼近结构的执行网络，执行网络将输入的状态x(t)映射为输出u(t)，再根据一个比例‑积分结构更新控制器参数K(t+1)＝K(t)+ΔK(t)＝K(t)+Mu(t)其中K(0)为控制器的初始参数，M∈R+为调制因子，执行网络的目标是最小化评价网络估计的代价函数J(t)；步骤6：设虚拟惯量控制器参数更新的最大时步为tmax，若系统运行采样点t大于tmax，训练即可停止，进行步骤9，否则，采用当前虚拟惯量控制器参数对控制对象进行控制，采集控制对象的状态向量，进行步骤7；步骤7：更新评价网络的权重；步骤8：更新执行网络的权重；步骤9：输出当前控制器优化后参数K(t)。