东北石油大学 电气信息工程学院 黑龙江 大庆 163318
摘要：本文提出了一种基于人工神经网络的感应电机节能控制器。经反向传播学习算法训练的多层神经网络可以克服电机在非满载状态下定子电压的变化及参数变化所带来的不必要的能量损耗。经过训练的神经网络可以在电机多种运行状态下操控电机电压以达到最有效率。经过MATLAB仿真表明所设计的系统具有良好的控制性能[1]。
关键词：人工神经网络；感应电机；节能；MATLAB；速度控制
0 引言
电动机是电能消耗的最大户，也是节电潜力最大的用户。在工业生产中电机是最重要的原动力设备，据统计电机用电量占总发电量的50%以上，所以解决电机耗能问题应该作为重中之重。在额定负载附近，电机的效率最高，通常都在80%以上，当负载下降之后，效率随之显著下降。而电机选型时是按照需要的最大负载和最坏情况下所需要的功率而定的，因而大多数情况下，电机运行在轻载或不均匀负载情况下，电机的运行效率都较低。因此，提高这些电机的运行效率，可以显著节省电能。本文提出的基于人工神经网络的感应电机节能控制器可有效解决上述问题，达到节能讲好的目的[2]。
1 能耗分析
感应电机在运行中会产生各种各样的损耗，这些损耗主要包括铁损耗、机械损耗、铜损耗及附加损耗，各个损耗的计算分别如下：
（4）附加损耗 附加损耗 包括附加铁损和附加铜损，附加损耗主要是由气隙谐波磁链相对于定子和转子铁芯表面转动而在定子和转子铁芯表面产生的损耗，以及由于定转子间齿槽相对移动、磁阻变化使齿内磁链脉动而在齿中产生的损耗之和；杂散铜耗是槽漏磁链引起导体中电流集服效应而使等效电阻增加所产生的损耗。这些损耗约占总损耗的10%-15%[3]。
2 人工神经网络
人工神经网络(ANN)是指计算机程序可以模仿人类大脑的工作进行开发。ANN的工作是将定子电压调整到一个最理想的水平，这样在各种负载情况下不定损耗就会减少，效率也会提高。人工神经网络实现的步骤如下：
1.通过现场实验收集ANN训练数据。ANN1的训练集由作为输入的 和作为输出的 组成。同样，负载电流、损失和效率作为第二个ANN(ANN2)的训练数据。这些数据在0到1的范围内。
2.创建一个前馈神经网络结构，包括输入层、隐藏层和输出层。初始化权重和选择学习速率。
3.在网络上执行训练,直到达到目标(训练指的是权重调整过程)。
4.使用测试数据验证训练网络(大约25%的收集样本用于测试)。
Levenberg-Marquardt算法是一种对于前馈神经网络有效的训练算法，被用于依照训练向量修改权重。对于连接K层节点和J层节点的权重，是由第N个点的权重的变化提供的：
(b)非满载情况下的 仿真波形
图2 非满载情况下各参数的仿真波形
参考文献
[1]Ye M, Lin T. Energy conservation for a motor grader by shifting the engine power curve based on fuzzy adaptive control[J]. Advances in Mechanical Engineering, 2015, 7(4):
[2]徐燕, 杨跃农. 异步电机相控优化节能控制技术分析[J]. 电机与控制应用, 2012, 39(11): 43-46.
[3]王宏. 异步电机的变频器节能控制运行研究[J]. 山东工业技术, 2016 (10): 77-78.
[4]于彪, 朱翚. 双电机可拓模糊PID同步控制策略的研究[J]. 上海电气技术, 2012, 1: 009.
论文作者:李道成,刘幸幸
论文发表刊物:《电力设备管理》2017年第7期
论文发表时间:2017/9/5
标签：神经网络论文; 电机论文; 负载论文; 定子论文; 权重论文; 节能论文; 效率论文; 《电力设备管理》2017年第7期论文;