模糊神经网络PID在变压器风冷控制系统中的应用

郭 瑞，贾振国

(长春工程学院，长春 130012)

模糊神经网络PID在变压器风冷控制系统中的应用

郭 瑞，贾振国

(长春工程学院，长春 130012)

针对现有的大、中型变压器风冷控制系统中存在的问题，设计了一种基于模糊神经网络PID技术的变频调节风冷控制系统，通过模糊神经网络控制优化PID的控制参数，精确控制变频器的输出频率，使变压器的发热量与散热量实时平衡，以达到节能运行的目的。

变压器冷却；模糊神经网络；变频调节

0 前言

变压器在运行过程中，存在着铜损和铁损，这些损耗将转变为热量向外传递，使变压器绕组、铁芯和变压器油温升高。变压器的温升将影响它带负载的能力，并会加快变压器内电气绝缘件的老化，从而影响变压器的使用寿命。计算及运行实践证明，变压器最热点的温度维持在98 ℃以下，方能满足运行20 a的设计使用寿命。而温度每升高6 ℃，绝缘材料的老化寿命就减少一半，这就是所谓的老化6 ℃规则。因此，变压器的运行温度是决定变压器使用寿命的重要因素，为保证变压器运行温度不超过设计规定，必须采取有效的冷却方式。

目前，电力系统中运行的大中型油浸式变压器采用强迫油循环风冷却方式的占80%以上。而此种冷却方式的控制装置普遍采用继电接触控制模式对冷却器组的投入和退出进行控制，这种控制装置在运行过程中存在以下问题：

1)冷却器组采用温度硬触点控制方式，容易引起冷却器组的频繁投切；

2)冷却器组设定为运行、辅助、备用和停止4种固定工作状态，不能进行在线调整；

3)触点器件故障率较高，事故隐患大，控制精度低，无法保证变压器的正常使用寿命；

4)冷却器组定频运行且无节能运行的功能；

5)自动化水平低，无远程监控功能；

6)硬件接线复杂，运行维护工作量大。

针对上述问题，笔者研制了一种基于模糊神经网络PID技术的变频调节风冷控制系统。通过现地智能测温仪表，实时检测变压器顶层油温的变化，按照模糊神经网络PID的控制策略，调节变频器的输出频率，精确控制冷却风量，使变压器的发热量与散热量实时平衡，以保证变压器安全、经济、稳定地运行。

1 系统结构及工作原理

本系统以SIEMENS公司的S7—300系列PLC和ABB公司的ACS510系列变频器作为核心控制设备，系统结构如图1所示。

本系统采用工、变频双模的运行方式，其中工频运行模式是变频运行模式的备用。在变频运行模式下，PLC通过Modbus现场总线从现地智能测温仪表获取变压器顶层油温，综合温度偏差及偏差的变化率，采用模糊神经网络PID算法确定冷却器组最佳的运行频率，并通过Modbus现场总线将变频指令下达给变频器。顶层油温的主要测量设备采用自主研发的数字式多传感器智能测温仪表，PT100热电阻作为备用测温手段，以保证温度测量的准确性和可靠性。

同时，系统配置两台变频器。一台工作，一台备用，构成备用冗余的运行方式，对所有参与运行的冷却器的风扇电机进行同步变频控制，以保证系统安全、稳定地运行。

图1 变压器风冷控制系统结构原理图

2 基于PLC的模糊神经网络PID控制器的设计

变压器风冷控制系统是大惯性、大时滞、时变性及非线性的控制系统，很难建立精确的数学模型。常规的PID控制主要针对具有精确数学模型的控制对象，不能满足系统在不同条件下的自整定的要求；Fuzzy-PID控制易于获得专家知识，有较强的推理能力，对被控对象的时滞、时变及非线性具有一定的适应能力，但模糊规则及隶属度函数需要通过经验和数据获取，具有很强的主观性，使其缺乏完整性和一致性，且不具备自主学习的能力。本文在Fuzzy-PID控制的基础上，加入神经网络控制策略，利用神经网络的学习功能优化模糊控制规则和相应的隶属函数，克服人为选择模糊控制规则主观性较大的缺陷，进一步提高PID控制的自适应能力。

2.1 模糊神经网络PID的系统结构

图2为模糊神经网络PID结构框图。将变压器顶层油温的实测值y(t)与设定值r(t)的偏差e(t)和偏差变化率ec(t)作为模糊神经网络模块的输入，通过模糊神经网络计算PID控制器的参数KP、KI、KD，并将PID控制器的输出值u(t)送至变频器中，精确控制冷却器组的风扇转速，使变压器的发热量与散热量达到实时平衡；同时利用神经网络的学习能力，在线修正模糊规则及隶属度函数，优化PID的调节参数，提高控制性能。

图2 模糊神经网络PID结构框图

2.2 模糊神经网络控制器的设计

本文采用模糊RBF神经网络，RBF(径向基函数)神经网络因其结构简单、良好的逼近能力、快速的收敛速度以及具备和模糊推理系统的函数等价性而逐渐成为一种被广泛用于实现模糊规则提取和模糊推理的网络模型。

2.2.1 模糊RBF神经网络结构

模糊RBF神经网络的结构如图3所示，该网络由4层构成，分别为输入层、模糊化层、模糊推理层、输出层。输入层为温度偏差e和偏差变化率ec两个变量，输出层为PID控制器的参数KP、KI、KD3个变量。输入量e与ec的基本论域为(-3，3)，模糊子集E、EC选为{NB、NM、NS、ZO、PS、PM、PB}，模糊RBF神经网络采用2-7-7-3结构形式。

图3 模糊RBF神经网络结构图

1)第1层：输入层。本层有2个节点构成，此层的输入变量为温度偏差e和偏差变化率ec，本层中各节点直接与输入变量连接，并将输入量传递给下一层。输入函数：x1=e；x2=ec；激活函数为f1(x)=x；因此该层的输出为x1和x2。

2)第2层：模糊化层。本层由7个节点构成，将输入变量模糊化，并利用隶属度函数分别计算出2个输入变量在7个模糊子集中的隶属程度。此层采用高斯函数作为隶属函数，可表示为

(1)

式中：cij、bij分别为第i个输入变量第j个模糊集合的隶属函数的均值和标准差；f1(i)为第i个输入变量；i=1，2；j=1，2，…，7。

3)第3层：模糊推理层。本层由7个节点构成，每个节点表示一条模糊规则，其作用是将两个输入量所对应的模糊量与模糊规则进行匹配，实现模糊运算，已完成由模糊规则到输出空间的映射，每个节点的输出为该节点所有输入信号的乘积，即：

(2)

4)第4层：输出层。本层由3个节点构成，分别为KP、KI、KD整定结果，输出函数为：

(3)

式中：w(i,j)为组成输出节点与第3层各节点的连接权矩阵，i为1、2、3。

2.2.2 模糊RBF神经网络的学习算法

本文采用delta规则来修订可调参数，定义目标函数为：

式中：rin(k)表示网络的实际输出；yout(k)表示网络的理想输出；k为迭代步骤；rin(k)-yout(k)为每一个迭代步骤的控制误差。

网络权值的学习算法如下：

式中η为学习速率。

输出层的权值：

wj(k)=wj(k-1)+Δwj(k)+∂[wj(k-1)-wj(k-2)]，

式中∂为学习动量因子。

2.3 控制算法的PLC实现

本文采用SIEMENS公司的S7—300 PLC来实现模糊神经网络PID的控制算法。S7—300 PLC是模块化微型PLC系统，指令执行速度快，并可以高效率地使用浮点运算和复数运算功能。

模糊神经网络的算法程序采用STEP7编程软件中的S7—SCL语言。S7—SCL是一种结构控制语言，属于高级编程语言的一种，特别适用于复杂的算法和算术功能的编程。利用S7—SCL编写的算法程序，通过SCL编译器形成模糊神经网络功能块，被STEP7编程软件灵活调用，PID的控制程序可直接调用编程软件STEP7软件包中的PID功能模块FB41，调节参数由模糊神经网络的程序计算后给出。模糊神经网络控制算法子程序流程如图4所示。

图4 模糊神经网络控制算法子程序流程图

3 模糊神经网络PID控制器的Matlab仿真

使用Matlab的Simulink仿真时，通过常规PID与模糊神经网络PID阶跃响应曲线的比较，表明系统采用模糊神经网络PID算法具有更好的动、静态特性和自适应性，对突加的外部的扰动具有良好的抗扰动能力。

图5 PID与模糊神经网络PID在阶跃响应曲线

4 运行试验数据及结果分析

4.1 运行试验数据

环境温度25 ℃，变压器顶层油温的设定值为45 ℃，模拟变压器负荷40%，此时变频器输出频率为35.5 Hz。模拟变压器负荷的改变，则变压器的顶层油温将偏离设定值，在模糊神经网络PID控制器的调节下，变频器的输出频率将稳定在某一定值，具体的试验数据见表1。调节过程中温度与频率之间的关系曲线如图6。

4.2 试验结果分析

由图6可知，模糊神经网络PID具有良好的动态特性，能够快速跟踪变压器顶层油温的变化，调节时间短，无超调，变频器输出频率平滑稳定，变压器上层油温控制在规定的范围内。

表1 模糊变频试验数据

图6 不同负荷下的温度与频率之间的关系曲线

5 结语

本文将模糊神经网络PID控制和变频控制引入变压器风冷控制系统中，精确控制冷却风量，保证变压器的发热量与散热量的实时平衡，降低变压器冷却系统自身能耗，以达到节能运行的目的。同时，使用变频器对所有的冷却器组进行统一变频控制，可减少冷却器组的投切次数，避免各冷却器组的运行时间不均，有效降低冷却器组风扇电机启动时的冲击电流，延长冷却器组使用寿命，保证变压器的安全、经济、稳定的运行。

[1] 黎贤钛.电力变压器冷却系统设计[M].杭州：浙江大学出版社，2009.

[2] 贾振国.Fuzzy-PID变频技术在变压器冷却控制中的应用[J].电气时代，2012(1)：66-67.

[3] 张弘.基于模糊-RBF神经网络优化的PID控制[J].西安邮电学院学报，2007，12(5)：79-81.

[4] 刘昆，颜钢锋.基于模糊RBF神经网络的函数逼近[J].计算机工程，2001，27(2)：70-71.

[5] 欧阳磊，黄友锐，黄宜庆.基于模糊RBF神经网络的PID及其应用[J].计算机工程，2008，33(24)：231-233.

[6] 张利军，张宇.基于PLC的模糊神经网络算法的工程应用[J].工业控制与应用，2008，27(12)：27-30.

TheApplicationofAFuzzyNeuralNetworkPIDinTransformerAir-cooledControlSystem

GUO Rui，et al.

(ChangchunInstituteofTechnology，Changchun130012，China)

In the view of the problems existed in the large and middle transformer air-cooled control system，a variable-frequency regulating air-cooled control system based on fuzzy neural network PID technology has been designed.PID technology optimally controlled parameters by fuzzy neural network can precisely control the output frequency of frequency inverter.In this way，the real-time thermal balance can be made between the calorific value and heat dissipating value of the transformer to achieve energy-saving operation.

transformer cooling；fuzzy neural network；inverter control

10.3969/j.issn.1009-8984.2017.03.012

2017-08-01

住房和城乡建设部2014年科学技术项目计划(2014-K8-064，2014-K1-067)吉林省科技发展计划项目(20150204044SF)吉林省科技发展计划项目(20160204019SF)

郭瑞(1979-)，男(汉)，吉林通化，助理研究员 主要研究电厂微机监控及智能化仪器仪表。

TP273.4

A

1009-8984(2017)03-0049-04