随着社会经济的高速发展, 人们的生活得到了良好的改善, 导致对于电力的需求的也愈来愈多。所以电力电气节能化对于现代人们的生活是极为重要的。而电力电气控制阀作为我们生活中处处可用的电力电气器件, 对它的电压节能化会很大程度上提高电力电气总体的节能化水平。所以电力电气控制阀的电压控制与电力系统的节能特性是密切相关, 密切联系的。我们所作的一切优化性控制都要以节能化为最终目标。

就当前控制形式而言, 对于电压电气控制阀的电压节能控制大多是以阀门的开关控制作为研究对象进行研究设计。但是, 由于电压电气控制阀复杂的结构特性, 导致在对它内部进行电压输送和控制时, 总是受到内部结构各种各样的干扰, 从而无法正常的进行电压的供给和传输, 长时间下来不仅达不到良好的控制效果和节能效果, 还会对电力电气设备的寿命带来影响。

对于这种问题, 我们提出采用先进的控制算法对其进行优化控制。基于多层去噪神经网络的先进控制方法是一种极其有效的控制手法。他通过建立一个去除干扰和噪声的控制环境的数学模型, 并进行仿真与实验从而消除电压控制过程中产生的误差与影响。最后将这种先进的控制算法运用到电力电气控制阀的电压控制中, 来达到电力电气节能化目的。

在利用传统的电压控制方法对电力电气控制阀的电压进行控制的过程中, 由于电力电气控制阀的内部结构繁密复杂, 所以电压在传送输运过程中会受到这些繁杂器件的干扰影响, 造成或大或小的模糊误差。这些误差使电压在输送中产生波动。正是由于电压波动使电力电气控制阀无法正常的良好的工作运行, 进而影响整个电力过程中的能耗量, 使电力系统无法达到节能化的目的与标准。所以为了改善这一现象, 控制或者是减小这些模糊误差的产生, 我们决定设置一个参数E来表示电力电气控制阀在工作过程中的电压波动误差。借此建立一个关于模糊误差的数学模型, 研究电压波动误差产生的原因, 并根据相应的参数计算对其进行良好的控制。在建立数学模型时, 我们首先将参数E具体的带入到实际的电力电气控制阀的控制过程中, 将工作过程中产生的电压波动误差量设置为参数E (t) , 将电压波动率设置为Ec (t) , 同时设置一个可控制变量参数K。对此建立数学模型。可得:E=KE (t) ;Ec=KEc (t) 。分别表示电压波动误差和电压波动率。在电力电气控制阀工作过程中, 一旦受到内部结构干扰和影响产生波动误差信号时, 我们设置一个参数U来表示电压控制的结果。对其建立数学模型:U=βE+ (1-β) EC。这里β为电压波动幅度系数, 一般设为1, 但一旦在控制过程中, 电压变化较大的情况出现时, 则可用这种数学模型来进行误差的测量与计算。但是在这种波动状态下, 电压和误差之间是不稳定的。同样, 我们在电力电气控制阀工作时对其中电压控制的数据进行收集整理的过程中, 也一定会出现数据基数大, 计算整理困难的情况出现。这时我们可以将这些在控制过程中产生的波动与变化, 用Δkp、Δki、Δkd等参数来表示。同时选定 (-1, 1) 作为这些变化量的活动区间, 对其进行限制分类。之后采用模糊子集的计算方法, 根据参数的数值设置相应的模糊控制标准, 在对这些变化的参数套用设定好的规则, 并根据其变化规律选择一个最合适的控制方法, 以此在参数计算控制方面尽量减少电力电气控制阀工作过程中出现的电压波动。

为了达到这种电力电气的节能化效果, 我们采用多层神经网络的先进控制手法, 并应用于电力电气控制阀的电压控制中。由于, 电力电气控制阀受到各种因素的影响, 致使它的电压变化总是波动的, 没有具体的线性规律而言, 属于非线性变化, 而神经网络控制算法的输入和输出是线性关系的。所以在实际控制运算过程中, 我们便可将参数带入神经网络控制的线性运算中, 将它的输入输出线性值作为最优节能控制函数, 达到电力电气节能化的目的。如图1为电力电气控制阀电压控制神经网络的结构。

在建立好参数的数学模型以及选择控制方法后, 接下来我们就利用电力电子器件进行实验仿真。在选择实验设备的过程中, 我们需要结合电力电气控制阀的结构特性进行选择, 这里我们选择的电压值范围是10～30v, 并用51单片机作为实验的处理器。同时在实验仿真过程中, 我们电力电气控制阀的电压需在可控的范围内, 然后将我们的参数模型和控制算法带入实验中进行仿真和分析。对电力电压控制阀的电压控制节能化进行了有效的验证。

电力系统的节能化对于高速发展的我国是极为重要的。而基于多层神经网络的先进控制算法在电力电气控制阀的电压节能化上又有着良好的效果。所以我国应大力重视这一方面的研究, 将电力节能化作为发展重点。