Ứng dụng lý thuyết mờ và mạng Nơron để thiết kế bộ điều khiển cho bộ điều tốc Turbine thủy lực

Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (338.54 KB, 7 trang )

(1)<div class='page_container' data-page=1>

ỨNG DỤNG LÝ THUYẾT MỜ VÀ MẠNG NƠRON ĐỂ THIẾT KẾ BỘ ĐIỀU

KHIỂN CHO BỘ ĐIỀU TỐC TURBINE THỦY LỰC

Nguyễn Đắc Nam*, Nguyễn Hồng Quang

Tóm tắt: Bài báo trình bày kết quả nghiên cứu sử dụng lý thuyết mạng nơron kết hợp với 
mạng mờ-nơron để nhận dạng trực tuyến và điều khiển hệ động học phi tuyến. Mơ hình nhận 
dạng là hệ mờ-nơron được huấn luyện bằng phương pháp gradient descent. Bộ điều khiển 
PID được thiết kế có cấu trúc dạng một nơron tuyến tính, trong đó ba trọng số kết nối của ba 
đầu vào nơron tương ứng là bộ ba thông số Kp, Ki và Kd của bộ điều khiển. Việc áp dụng giải 
thuật huấn luyện trực tuyến nơron này cho phép tự điều chỉnh thơng số bộ điều khiển thích 
nghi theo đối tượng. Kết quả mô phỏng trên hệ thủy lực-turbine phi tuyến cho thấy đáp ứng 
của đối tượng thỏa mãn các yêu cầu điều khiển như lượng quá điều chỉnh thấp, không dao 
động, thời gian quỏ nh.

Từ khóa: Mạng nơron mờ, Hệ thống turbine thñy lùc.

1. đặt vấn đề

Khi nhà máy thủy điện vận hành độc lập (không nối lưới) với hệ thống lưới điện chung
sự thay đổi của phụ tải điện làm cho tốc độ roto của máy phát thay đổi từ đó dẫn đến tần số
điện thay đổi. Sự thay đổi này có ảnh hưởng xấu đến chất lượng điện áp cung cấp cho các
hộ tiêu dùng. Việc duy trì sự ổn định tốc độ roto của máy phát vận hành độc lập với hệ
thống điện luôn là vấn đề được quan tâm. Bài báo nghiên cứu sự kết hợp giữa lý thuyết mờ
kết hợp mạng nơron (FNN-Fuzzy Neural Network) để nhận dạng trực tuyến đối tượng và
bộ điều khiển PID thích nghi nơ-ron để thiết kế bộ điều khiển cho đối tượng là hệ thống
turbine-máy phát thủy lực phi tuyến. Với phương pháp điều khiển được đề xuất, thông số
của bộ điều khiển PID sẽ được điều chỉnh thích nghi theo sự thay đổi của đối tượng trong
quá trình điều khiển.

2. cÊu tróc hƯ thèng ®iỊu khiĨn

Theo [1] sơ đồ điều khiển vịng kín của hệ thống được xây dựng như hình 1. Trong đó,
đối tượng điều khiển là hệ thống phi tuyến. Bộ nhận dạng khơng tham số mơ hình đối
tượng dùng mạng nơron mờ (FNNI) được huấn luyện trực tuyến trong q trình điều khiển
với tín hiệu đầu vào là tín hiệu điều khiển hiện tại u(k) và tín hiệu ra ở quá khứ



(

k



1)

.
Bộ điều khiển PID nơ-ron (NNC) sẽ được cập nhật trực tuyến 3 giá trị trọng số kết nối,
tương ứng là 3 tham số Kp, Ki và Kd của bộ điều khiển. Như vậy, bộ điều khiển PID sẽ tự

động điều chỉnh thích nghi với đối tượng.
2.1. Bộ nhận dạng trực tuyến đối tượng FNNI

a. CÊu tróc cđa FNNI

Bộ nhận dạng đối tượng được thực hiện bởi một mạng nơron-mờ nhiều lớp FNNI gồm 4
lớp: lớp vào gồm gồm 2 nơron, lớp mờ hóa gồm 6 nơron, lớp luật mờ gồm 9 nơron và lớp
ra gồm 1 nơron được minh họa như hình 2 [2].

Lớp vào: Lớp này gồm 2 nơron có nhiệm vụ truyền các giá trị đầu vào đến lớp kế tiếp. Đầu
vào và đầu ra của các nơron ở lớp này được xác định như sau:

1 1

1 1 1

1 1

2 2 2

I

x

O

I

x

O















</div>
(2)<div class='page_container' data-page=2>

Lớp mờ hóa: Lớp này gồm 6 nơron, mỗi nơron thể hiện một hàm liên thuộc dạng Gauss với
tâm mij và độ rộng óij. Đầu vào và đầu ra của các nơron ở lớp mờ hóa được xác định trong

phương trình (2):

























2 2

1 1

1 1 1 1 1 2

2 2 2 2 2 2

1 2 1 1 2 2 2 2

11 12

2 2

1 1

1 1 3 2 2 1

2 2 2 2 2 2

3 2 3 3 4 2 4 4

13 2 1

2 2

1 1

2 1 5 2 21

2 2 2 2 2 2

5 2 5 5 6 2 6 6

22 2 3

; e x p (I ); ; e x p (I )

( ) ( )

; e x p (I ); ; e x p (I )

( ) ( )

; e x p (I ); ; e x p (I )

( ) ( )

O m O m

I O I O

O m O m

I O I O

O m O m

I O I O

 

  

      




 

     



 

     










(2)

Mỗi nút trên lớp mờ hóa có 2 tham số được tự động điều chỉnh trong quá trình huấn luyện
trực tuyến bộ nhận dạng FNNI, đó là mij và óij.

Lớp luật: Lớp này gồm 9 nơron. Đầu vào và đầu ra của các nơron ở lớp luật được xác định
như (3):

3 2 2 3 3 2 2 3 3 2 2 3 3 2 2 3

1 1 4 1 2 1 5 2 3 1 6 3 4 2 4 4

3 2 2 3 3 2 2 3 3 2 2 3 3 2 2 3

5 2 5 5 6 2 6 6 7 3 4 7 8 3 5 8

3 2 2 3

9 3 6 9

. ; . ; . ; . ;

I O O O I O O O I O O O I O O O

I O O O

        



       




 



(3)

Lớp ra: Gồm một nơron tuyến tính, đầu vào và đầu ra của các nơron ở lớp ra được xác định
như (4):

4 3 3 3 3 3 3 3 3 3

w

4,1 2

w

4,2 3

w

4,3 4

w

4,4 5

w

4,5 6

w

4,6 7

w

4,7 8

w

4,8 9

w

4,9

I



O



O



O



O



O



O



O



O



O

4
4

1 9

3
1

i

I

O





(4)

b. Tht to¸n hn lun trùc tuyÕn bé nhËn d¹ng FNNI

</div>
(3)<div class='page_container' data-page=3>

1( ) 1



( ) ˆ( )



2
2

E n  y n y n

(5)
Trong đó: n là số chu kỳ huấn luyện;

y

ˆ

là giá trị đầu ra của mạng nhận dạng FNNI; y
là giá trị đầu ra của đối tượng.

Sử dụng thuật toán lan truyền ngược cho q trình tự học và điều khiển với mục đích
để thay đổi trọng số liên kết và các thông số hàm liên thuộc của mạng bằng cách sử dụng
phép lặp theo các biểu thức trong (6):

1 1 1

ij ij ij ij

ij ij

E E E

w(n+1)=w(n)+ (- ); ( 1) ( ) (- ); ( 1) ( ) (- )
w

w m

m n m n n n

m











  

     

   (6)

Trong đó

  

w

,

m

,

 >0 là cỏc hng s hc.

Đặt

e n

1

( )

y n

( )

y n

( )

theo [6], thông số của từng lớp mạng ®ỵc cËp nhËt nh sau:
+ Träng sè cđa líp ra:w (4,i n1)w ( )4,i n 



we n O1( ) i3 (7)

+ T©m hàm liên thuộc lớp mờ hóa:

1
9

m 1 m 3

ij ij ij 1 4,n 2

ij ij

2[

]

(

1)

( )

( )w

(

)

i
n
n

O

m

E

m n

e n

O

m











































(8)
+ Độ rộng hàm liên thuộc lớp mờ hóa:

1 2

m 1 3

ij ij ij 1 4,n 3

ij ij

2[ ]

( 1) ( ) ( ) ( )w

( )

i
n
n

O m

E

n n n  e n O















   

     



 



(9)
2.2. Bé ®iỊu khiĨn nơron PID

a. Cấu trúc bộ điều khiển một nơron PID

Phương trình mơ tả bộ điều khiển PID có dạng:

0 0

1 ( )

. ( )

( )

t t

D p i d

I

de t

u t

K e t

e

d

T

K e t

K

e

d

K

T



dt



dt

























(10)

Trong đó: p

;

i

;

d D

I

K

K K

K

KT

T



;

e t

( )



x t

( )



y t

( )

là sai lệch giữa tín hiệu đặt
và đáp ứng hệ thống. Bộ điều khiển một nơron PID biểu diễn (10) có cấu trúc như hình 3:

Trong đó:

w w

1,1

,

1,2

,

w

1,3 là các trọng số kết nối của nơron cũng là bộ ba thông s Kp,

Ki, Kd của bộ điều khiển PID cần được điều chỉnh trực tuyến trong quá trình làm việc cđa

hƯ thèng.

b. Hn lun trùc tun bé ®iỊu khiĨn mét n¬ron PID

Mục đích của q trình huấn luyện bộ điều khiển một nơron PID là điều chỉnh bộ trọng
số

w , w ,w

11 12 13 của mạng để cực tiểu hóa hàm sai lệch:

( ) 1



( ) ( )

2
2

</div>
(4)<div class='page_container' data-page=4>

Hình 3. Cấu trúc bộ điều khiển PID mét n¬ron.

Bộ trọng số

w , w ,w1,1 1,2 1,3

được

xác định như sau:

1,1 1,1 1,1

w ( 1) w ( ) w ( )

p

K  t  t   t

(12)

1,2 1,2 1,2

w ( 1) w ( ) w ( )

i

K  t  t   t

(13)

1,3 1,3 1,3

w ( 1) w ( ) w ( )

d

K  t  t   t

(14)

1,1 1,2 1,3

w ( ), w ( ), w ( )t t t

là các

gradient được xác định theo các

biểu thức sau:

1,1

1,1 11

( ) ( ) ( ) ( ) ( )

w ( ) = ( ) ( )

w ( ) ( ) ( ) w ( ) ( )

kp E t kp E t y t u t kp y t

t e t e t

t y t u t t u t

          

      

      

 

(15)

1,2

1,2 1,2

( )

w ( )

( )

w ( )

( )

( ) w ( )

( )

ki

E t

ki

E t

y t

u t

ki

y t

t

e t

e t dt

t

y t

u t

t

u t



































 























(16)

1 ,3

1 ,3 1 ,3

( ) ( ) ( ) ( ) ( ) ( )

w ( ) ( )

w ( ) ( ) ( ) w ( ) ( )

k d E t k d E t y t u t k d y t d e t

t e t

t y t u t t u t d t

          

      

    

   

(1

7)

Víi



kp

,

 

ki

,

kd

là các hằng số học,

4 2

1 i

3 2

.

k

.

k

O

y

u

O

u









là độ nhạy của tín

hiệu ra với tín hiệu điều khiển.
2.3. Đối tượng điều khiển

Đối tượng điều khiển được
chọn để kiểm chứng giải thuật
điều khiển là hệ thống thủy
lực-turbine-máy phát đơn, vận hành
độc lập với hệ thống lưới điện
trong trường hợp phụ tải điện
thay đổi.

a. Mơ hình hệ thống thủy 
lực-turbine phi tuyến

Theo [4], mơ hình tốn hệ
thống thủy lực-turbine phi
tuyến khi tính đến tổn thất của
cột nước như hình 4. Trong đó
các đại lượng xác định trong hệ
đơn vị tương đối:

1 h



: Chiều cao cột nước tại turbine;

h

l: Tổn thất cột áp ;

A

t



1.2

: Hệ số turbine

1 q



: Lưu lượng nước qua turbine;

q

nl



0.1

: Lưu lượng nước khi khơng tải

1

m

P



: C«ng st cơ trên trục turbine; fp 0.001: Hệ số tổn hao cét ¸p do ma s¸t

</div>
(5)<div class='page_container' data-page=5>

0.01

D : Hệ số giảm trấn;

T

e=0.146 (s) Thời gian truyền sóng áp lùc



 : Biến thiên tốc độ

b. Mơ hình máy phát điện độc lập

Theo [6], phương trình hàm truyền đạt giữa chuyển động cơ học của máy phát với phụ
tải độc lập được xác định như (18) :



P

m

 

P

e





T s

m



D

m







(18)

Trong đó: Tm =8.8 (s) là hằng số cơ khí của hệ turbine-máy phát;

D

m



0.2

là h s

giảm trấn tỉ lệ với giá phụ tải và hệ số nhạy cảm với tần số.

c. Mô hình bộ điều tốc điện-thủy lực

Theo [3], sau khi tổng hợp thông số bộ điều khiển mạch vịng vị trí theo phương pháp
gnas điểm cực, mạch vịng điều khiển được xấp xỉ về khâu qn tính bậc nhất như (19):

1

vt

a

G

T s





(19)

Trong đó Ta= 0.35 (s) là hằng số thời gian đáp ứng của mạch vịng vị trí.

3. KẾT QUẢ VÀ THẢO LUẬN

Các hằng số tốc độ học của bộ nhận dạng được chọn bằng nhau giữa các lớp, nghĩa là:

0.1

m  w













, hằng số tốc độ học của của bộ điều khiển nơron PID được chọn là

0.0025

kp ki kd













; các thông số ban đầu của bộ nhận dạng gồm có tâm, độ rộng
của hàm liên thuộc lớp mờ hóa, trọng số liên kết ở lớp ra được xác định bằng phương pháp
thử nghiệm:

m =[0.1 0.2; 0.3 0.4; 0.5 0.6];



=[0.2 0.2; 0.2 0.2; 0.2 0.2]; w4=[0 1 1 1 1 1 1 1 1];

C¸c hằng số tốc độ học, träng số liên kết ban đầu có nh hng n kh năng hội tụ

của giải thuật huấn luyện trực tuyÕn gradient descent. Nếu tốc độ học lớn, thời gian huấn
luyện nhanh nhưng khả năng hội tụ kh«ng được đảm bảo v ngược lại.

Sử dụng phần mềm Matlab-simulink mô phỏng để kiểm chứng ưu điểm của phương pháp
điều khiển đã đề xuất với giả thiết hệ thống đang làm việc ổn định thì phụ tải điện thay đổi
đột ngột (tại thời điểm t = 300s thì phụ tải điện giảm 10% so với định mức và tại t= 600s
tải lại trở về định mức) như hình 5 so sánh với trường hợp sử dụng bộ điều khiển PID
truyền thống. Kết quả đáp ứng tốc độ cho trờn hỡnh 6.

</div>
(6)<div class='page_container' data-page=6>

Bảng1

. Giá trị các thông số điều khiển và nhận dạng ở trạng thái xác lập.

Thông

số

PID

NNC

Thông

sè

PID

NNC

Th«ng

sè

PID

NNC

Th«ng

sè

PID

NNC

K

2.5

2.624 m

18.83 

91.11 W

4,1

-0.5127

K

0.08 0.06767

m

1.555 

-4,72

W

4,2

0.4255

K

2

2.016 m

9.18 

-36,95

W

4,3

0.2951

t

(s)

90

20 m

5.547 

9,273

W

4,4

1.44 1



%

2.5

2 m

4.132 

-10,68

W

4,5

1.463 m

1.707 

158,5

W

4,6

1.447 W

4,7

1.657 W

4,8

1.684 W

4,9

1.71 4. KÕT LUËN

Bài báo đã đề xuất một bộ điều khiển thơng minh mà ở đó mơ hình của đối tượng được
nhận dạng trực tuyến bởi một mạng nơron mờ FNNI. Từ bộ nhận dạng FNNI, thơng tin

Hình 5

. Phụ tải điện thay đổi đột ngột.

200 300 400 500 600 700 800

0.8
0.85
0.9
0.95
1
1.05

Thoi gian (s)

i di

en (pu

)

200 300 400 500 600 700 800

0.8
0.85
0.9
0.95
1
1.05

Thoi gian (s)

c do

(pu

)

</div>
(7)<div class='page_container' data-page=7>

Jacobian được tính tốn để cung cấp cho giải thuật gradient descent áp dụng để huấn luyện
trực tuyến bộ điều khiển PID một nơron.

Các tham số của bộ điều khiển PID được tính tốn dưới dạng bộ trọng số của một nơron
tuyến tính ba đầu vào và được điều chỉnh thích nghi trong q trình điều khiển. Kết quả mơ
phỏng trên mơ hình hệ thống turbine thủy lực phi tuyến cho thấy bộ điều khiển đã đáp ứng
được các yêu cầu khắc khe về chất lượng điều khiển hệ thống. Bước phát triển tiếp theo của
nghiên cứu này là áp dụng bộ điều khiển đã đề xuất vào mơ hình thật, đồng thời khảo sát

tính bền vững của hệ dưới tác động ca nhiu.

TàI liệu tham khảo

[1]. Nguyễn Chí Ngôn, Đặng Tín iều khiển PID một nơron thích nghi dựa trên bộ nhận 
dạng mạng nơron mờ håi qui ¸p dơng cho hƯ thanh vµ bãng”, T¹p chÝ Khoa häc
2011:20a 159-168- Đại học Cần Thơ.

[2]. Nguyễn Trọng Thuần, Điều khiĨn logic vµ øng dơng”, NXB khoa häc vµ kü tht, Hµ
Néi, 2009.

[3]. Ngun Hång Quang, Nghiên cứu chế tạo thiết bị điều khiển nhúng ứng dụng cho các 
trạm thủy điện, 2013

[4]. Working Group on Prime Mover and Energy Supply Models for System Dynamic
Performance Studies, “Hydraulic turbine and turbine control models for system 
dynamic studies”.

[5]. F. P. deMello and C. Concordia, “Concepts of Synchronous Machine Stability as 
Affected by Excitation Control”, IEEE Transaction on Power Apparatus and Systems,
PAS-88, pp. 316-329, 1969.

[6]. Lee C.H. and C.C. Teng, 2000. Identification and Control of Dynamic Systems using
Recurrent Fuzzy Neural Networks. IEEE Trans. Fuzzy Systems. Vol.8, No.4, pp.349.

abstract

APPLICATIONS FUZZY THEORY AND NEURAL NETWORK PID CONTROLLER
DESIGN FOR HYDRAULIC TURBINE GOVERNOR

This paper presents the results using a fuzzy algorithm combined with fuzzy-neural network 
online identification and nonlinear control system. Identification model is fuzzy neural networks and 
also trained by an online learning algorithm using the Gradient Descent method. The PID controller 
is constructed as a linear neuron that three input weights of neuron work as three parameters Kp, Ki 
and Kd of the PID controller. Applying an online learnning algorithm for this neuron allow 
self-tuning the PID controller adapting to behaviors of system dynamics. Simulation results on the 
hydraulic-turbine system indicates that the system response satisfies the control performance small 
overshoot, zero error steady-state, and obtaining the rise time within 20 seconds.

Ứng dụng lý thuyết mờ và mạng Nơron để thiết kế bộ điều khiển cho bộ điều tốc Turbine thủy lực

<b>ỨNG DỤNG LÝ THUYẾT MỜ VÀ MẠNG NƠRON ĐỂ THIẾT KẾ BỘ ĐIỀU </b>

<b>KHIỂN CHO BỘ ĐIỀU TỐC TURBINE THỦY LỰC </b>



(

<i>k</i>



1)

<i>I</i>

<i>x</i>

<i>O</i>

<i>I</i>

<i>x</i>

<i>O</i>











































w

w

w

w

w

w

w

w

w

<i>I</i>



<i>O</i>



<i>O</i>



<i>O</i>



<i>O</i>



<i>O</i>



<i>O</i>



<i>O</i>



<i>O</i>



<i>O</i>

<i>I</i>

<i>O</i>

<i>O</i>









<i>y</i>

ˆ













  

,