作 者：黃文婷 宋穩(wěn)力
1 引言
在現(xiàn)代工業(yè)社會中，電能的大部分都消耗在了各種電機上，而電機面對的一大問題，就是起動問題。眾所周知，交流電機直接起動沖擊電流大(額定電流的5至7倍)，對電機、負載，甚至對供電線路都會造成大的損害；同時，在實際運用中，基于安全因素的考慮，通常在電機的參數(shù)選擇上，會留有較大的裕量，從而導致電機大部分情況下處于輕載運行狀態(tài)，運行效率極低。因此，能夠使起動過程沒有瞬態(tài)沖擊，又能充分利用電機的過載能力的起動設備就顯得格外重要。目前較普遍的控制設備有兩種，一種是軟起動器，一種是變頻調速設備，但是后者由于成本比較昂貴，不如前者使用廣泛。
軟起動器通過改變電機的端子電壓來控制電機的起動、停止速度，與此同時，還能控制設備所受到的電氣、機械應力，并且在輕載場合達到節(jié)能的目的。但是，由于觸發(fā)角
是關于負載和速度的非線性函數(shù)，根據期望的電機轉矩、轉速來計算出觸發(fā)角
的值從而改變電壓的過程非常復雜。有的方案采用了電流外環(huán)、電壓內環(huán)的雙閉環(huán)調節(jié)[1]，有的則采用了速度反饋閉環(huán)的控制方案[2]，還有的則采用功率因數(shù)角反饋的閉環(huán)控制[3]，這些方案的共同點是都需要各種傳感器。本文提出的基于bp神經網絡的軟起動器控制策略是開環(huán)的，不需要任何速度或者電壓傳感器，最多僅僅需要一個電流傳感器來反映過流故障。
2 軟起動器
圖1 軟起動器拓撲圖
軟起動器拓撲結構如圖1所示，這其實一個交流調壓電路，通過改變晶閘管的觸發(fā)角
來改變電機的定子電壓，以控制電機起動速度、起動電流、起動轉矩和起動電壓的變化曲線。按照經典的調壓電路控制理論，圖1中的六個晶閘管必須按照一定的先后次序觸發(fā)，而且至少有兩個非同相晶閘管同時導通，以保證負載電流能夠形成環(huán)路。其觸發(fā)脈沖按圖中晶閘管標號1至6的順序依次滯后60°電角度。
運用matlab軟件simubbbb中power system模塊，對三相交流異步電機軟起動器的進行建模以及仿真，其結構框圖如圖2所示。
圖2 軟起動器仿真結構框圖
電機的參數(shù)設為10kw、220v、50hz，極對數(shù)為2，定轉子端的標么值參數(shù)分別為：
rs=0.0401p.u rr=0.0377p.u ls=lr=1.0349p.u
通過仿真可以得出觸發(fā)角
負載轉矩、電機轉速三者的關系。其關系曲線如圖3所示，觸發(fā)角
分別取0至π中以
為步長的13個值，由關系曲線圖可以發(fā)現(xiàn)，前三個值，即0至
范圍內的關系曲線幾乎重合在一起，在這個范圍內觸發(fā)角的改變對轉速是沒有影響的，這也驗證了參考文獻[5]中關于觸發(fā)角小于或者等于負載阻抗角時，電流連續(xù)，軟起動器輸出端電壓值、電磁轉矩以及轉速都保持不變的結論。仿真所得的1200組數(shù)據保存后作為bp神經網絡訓練當中所使用的樣本。
圖3 不同觸發(fā)角條件下轉矩與轉差率的關系曲線
3 bp神經網絡控制
bp網絡是一種多層前饋型神經網絡，其神經元的傳遞函數(shù)是s型函數(shù)，它可以實現(xiàn)從輸入到輸出的任意非線性映射。由于權值的調整采用反向傳播(back propagation)學習算法，因而稱其為bp網絡。這種神經網絡結構已經被證明可以在有限樣本、任意精度條件下逼近任意函數(shù)[4]。通過學習，相信該模型可以非常出色的模擬觸發(fā)角
為精確地計算晶閘管觸發(fā)角
構造的bp神經網絡結構如圖4所示。這是一個兩層神經網絡，其輸入量是二維的，即電機轉速與轉矩。第一層(隱層)有s1個神經元，傳遞函數(shù)是tansig；第二層(輸出層)是s2個神經元，傳遞函數(shù)是線性的。訓練函數(shù)選取基于數(shù)值最優(yōu)化理論的polak-ribiere 共軛梯度法進行訓練仿真，其訓練函數(shù)為traingcgb，一維搜索方法選擇‘srchcha’方法。由此形成了初始化待訓練的神經網絡。
圖4 兩層bp網絡結構
這個網絡的訓練過程，是通過使用在前面的電機軟起動仿真中得出的1200組樣本(輸入向量p，即電機轉速與轉矩，以及相應的期望輸出向量，即晶閘管觸發(fā)角
)，來使這個神經網絡學習訓練，通過不斷地調整權值與閾值，使該神經網絡的表現(xiàn)函數(shù)達到最小。這里的表現(xiàn)函數(shù)選取為網絡輸出與期望輸出的均方差msa。
4 神經網絡仿真及結果
訓練過程如圖5(a)所示，經過114次對權值閾值的修改，該神經網絡模型在精度上達到了0.49%，即已經完成了對1200組樣本精確有效的函數(shù)逼近。
對該模型的重新驗證如圖5(b)所示，用該模型對任意輸入的轉矩與轉速所得的觸發(fā)角
值，從圖5中可以看出，兩者十分接近，即該神經網絡模型非常精確的完成了對觸發(fā)角
的運算。
圖5 bp神經網絡仿真結果
5 結束語
本文介紹了一種基于bp神經網絡控制的軟起動器控制策略，通過在仿真中獲得的數(shù)據來訓練一個二層的bp神經網絡，使之能夠在任意轉矩、轉速的條件下精確的得出觸發(fā)角。該控制策略采用開環(huán)控制、方法簡單，并且減少了在傳感器等反饋元件上的投入，大大降低了成本。
仿真結果表明，該神經網絡的訓練非常成功，所得的驗證數(shù)據與實際數(shù)據的誤差小，工作精度也達到了要求，結果令人滿意，很好的解決了在頻繁變化的負載條件下難以實時、準確的調整觸發(fā)角的問題，具有很高的實用價值。
：鞏經理
：13915946763
：南京塞姆泵業(yè)有限公司
