混流式水轮机调节系统的非线性状态预测与稳定控制研究

摘要

水资源是重要的可再生清洁资源，优先发展水电已成世界共识。随着水电事业的高速发展，全球单机容量70万千瓦以上的水轮发电机组，超过一半在中国。如此庞大的水轮发电机组，使电站系统在运行的稳定、安全性方面面临更高要求。由水轮机、发电机、调速器、发电机端口侧电力负荷、引水系统构成的水轮机调节系统，是集水、机、电于一体，具有多种典型运行工况的复杂非线性系统。其运行正常与否，将对水轮发电机组甚至整个电网系统的安全可靠产生重大影响。生产实践中国内外大中型水轮发电机组均存在不同程度的稳定性问题。因此，对水轮机调节系统进行稳定性分析和有效控制对水电站的安全运行具有重要意义。而水轮机调节系统状态预测是稳定性控制的前提和基础。 本文以在国内外应用最广泛的混流式水轮机调节系统为研究对象，对其非线性预测与稳定性控制中的关键问题开展研究，主要工作与研究结论如下： （1）研究了混流式水轮机调节系统RBF预测。鉴于RBF神经网络在非线性时间序列预测方面的优异性和相空间重构有效地信息提取功能，将RBF神经网络预测模型与相空间重构相结合，研究混流式水轮机调节系统的时间序列状态预测模型。首先运用龙格-库塔法求解水轮机的非线性方程组，得到混沌时间序列，并运用庞加莱截面法验证其混沌特性。其次采用两参数单独求取的估值法和两参数同时求取的扩展法分别求取混流式水轮机调节系统运行状态时间序列相空间重构的两个重要参数，即嵌入维数和延迟时间。最后建立了RBF神经网络单步和多步预测模型，将估值法和扩展法求取的嵌入维数和延迟时间分别代入单步和多步预测模型中，并分析了估值法和扩展法获得的不同嵌入维数和延迟时间情况下对混流式水轮机调节系统运行状态的预测效果。数值仿真结果表明RBF神经网络模型对混流式水轮机调节系统具有良好的预测效果。 （2）研究了混流式水轮机调节系统遗传小波神经网络预测。鉴于BP神经网络良好的多输入并行处理和非线性映射能力，但训练速度慢且容易陷入局部最小值，小波理论对信号良好的时频局部特性和变焦能力，遗传算法优良的全局优化特点，在建立的水轮机调节系统BP神经网络预测模型的基础上，提出了激活函数斜率自适应预测神经网络，并用小波元代替神经元构建小波神经网络，通过遗传算法优化小波神经网络各层的权值、阈值、激活函数斜率系数、伸缩和平移参数，得到了既有全局优化搜索，又有良好局部优化求解性能的遗传小波神经网络预测模型。通过仿真发现遗传小波神经网络对BP神经网络的优化效果明显，具有更高的预测精度和收敛速度，可以有效解决针对混流式水轮机调节系统状态复杂，普通神经网络预测模型训练速度慢，容易陷入局部极小值的问题。 （3）研究了基于聚类经验模态和遗传支持向量机的混流式水轮机调节系统非线性预测。考虑到通过应用聚类经验模态分解，可将非线性、非平稳信号分解为特征尺度各异的平稳窄带信号，遗传支持向量机可以解决小样本下的复杂系统建模问题，且具有泛化能力强、全局最优的特点，提出了基于聚类经验模态分解和遗传支持向量机相结合的水轮机调节系统预测新方法。首先，将离散的混流式水轮机调节系统采样数据通过三次样条插值拟合成平滑曲线，再利用聚类经验模态分解的时空滤波特性，得到反映数据趋势的固有模态和剩余分量。其次，基于噪声辅助信号处理技术，将小幅度白噪声均衡信号加入到模态分解中，有效地解决了分解过程人为因素影响和模态混叠问题。将聚类经验模态分解处理后的固有模态分量作为样本分别输入到GA-SVM模型中，选取遗传算法优化的最佳核函数和参数后对各模态进行预测，通过叠加所有分量预测结果得到总体预测结果。数值仿真发现，GA-SVM预测模型通过赋予每组样本数据不同的误差权系数，使其具有更好的泛化性能和预测精度。 （4）研究了混流式水轮机调节系统的有限时间终端滑模控制方法。考虑到在实际运行中，混流式水轮机调节系统经常受到电力系统负荷变化的影响，在建立的非线性混流式水轮机调节系统模型的基础上引入了随机扰动。为了克服传统滑模面设计中出现的奇异问题，基于Lyapunov稳定性定理和有限时间引理，运用终端滑模控制策略，为混流式水轮机调节系统设计了一个新颖的鲁棒终端滑模控制器，试验结果表明系统能够在有限时间内快速地实现稳定，验证了所提出控制策略的有效性。鉴于分数阶系统相比整数阶系统更能描述实际的物理过程，给出了混流式水轮机调节系统的分数阶数学模型。不同于整数阶系统，分数阶系统稳定性理论发展尚未成熟完善。在证明系统稳定性方面，提出应用频率分布模型将分数阶模型转化为等价的整数阶模型的方法。最后基于滑模控制策略，为混流式水轮机调节系统设计了分数阶鲁棒终端滑模控制器。并通过数值模拟验证了其在控制分数阶混流式水轮机调节系统稳定性方面的有效性。 （5）研究了混流式水轮机调节系统非线性模糊预测函数控制方法。由于混流式水轮机调节系统具有非最小相位、非线性及强耦合特点，运用T-S模糊模型对含有随机扰动的参数不确定整数阶混流式水轮机调节系统进行描述，结合并行分布补偿技术提出了相应的控制律。通过Lyapunov稳定性定理对提出的状态反馈控制器控制的效果进行了证明，根据线性矩阵不等式，对增益矩阵进行了求解。采用模糊神经网络解耦的方法解除系统间的耦合，使线性化后的混流式水轮机调节系统由多变量系统转化为了单变量系统。对于非最小相位系统，为了保证其控制性能，提出了零点配置的方法，并分析了可进行零点配置系统的特性及零点配置的合理性。结合所提出的T-S模糊控制和预测函数控制方法，提出了混流式水轮机调节系统的适宜非线性模糊预测函数控制方法，为相关水电站系统的稳定控制提供了借鉴。

目录

论文说明

声明

第一章 绪论

1.1选题目的和意义

1.2 国内外研究概况

1.2.1 状态预测研究现状

1.2.2 典型控制策略研究现状

1.3 论文主要内容

第二章 混流式水轮机调节系统多步RBF扩展预测

2.1水轮机调节系统数学模型

2. 2.1相空间重构基本理论

2.2.2重构延迟时间τ的确定

2.2.3重构嵌入维数m的确定

2.3 RBF神经网络预测模型

2.3.1 RBF神经网络模型

2.3.2模型的评价指标和预测步骤

2.3.3 单步预测

2.3.4 多步预测

2.4 本章小结

第三章 基于遗传小波神经网络的混流式水轮机调节系统非线性状态预测

3.1.1 BP神经网络结构

3.1.2 BP神经网络模型

3.2 自适应BP神经网络预测模型

3.2.1 双边自适应预测模型

3.2.2 单边自适应预测模型

3.2.3自适应BP神经网络预测仿真

3.3 小波BP神经网络预测模型

3.3.1 小波神经网络基本原理

3.3.2 小波神经网络模型

3.4.1 遗传算法基本原理

3.4.2 遗传算法优化小波神经网络

3.4.3遗传小波神经网络预测仿真

3.5 本章小结

第四章 基于EEMD和遗传支持向量机的混流式水轮机调节系统非线性状态预测

4.1.1 聚类经验模态分解模型

4.1.2 聚类经验模态分解仿真

4.2 遗传支持向量机预测模型

4.2.1支持向量机基本理论

4.2.2支持向量分类机

4.2.3支持向量回归机

4.2.4支持向量机模型优化与实现

4.3 仿真结果及分析

4.3.1水轮机调节系统状态预测

4.3.2滩坑水电站机组下导X向摆度预测

4.4 本章小结

第五章 混流式水轮机调节系统的鲁棒终端滑模控制

5.1.1 水轮机调节系统的时域分析

5.1.2滑模面及控制器设计

5.1.3仿真结果及分析

5.2分数阶水轮机调节系统的控制

5.2.1分数阶微积分基础知识

5.2.2分数阶水轮机调节系统模型

5.2.3时频域转化

5.2.4 分数阶控制器设计

5.2.5仿真结果及分析

5.3本章小结

第六章 混流式水轮机调节系统的模糊预测函数控制

6.1 水轮机调节系统的模糊控制

6.1.1 T-S模糊模型及并行分布补偿控制

6.1.2区间矩阵理论

6.1.3水轮机调节系统的T-S模糊控制器设计

6.1.4数值模拟

6.2.1模糊线性化

6.2.2模糊神经网络(FNN)解耦

6.2.3模糊预测函数控制器设计

6.2.4数值仿真

6.3 本章小结

第七章 结论与展望

7.1 结论

7.2 创新点

7.3 不足之处及展望

参考文献

致谢

个人简历