一种有源电力滤波模糊神经网络控制方法
【专利摘要】本发明公开了一种有源电力滤波器模糊神经网络控制方法，其结合了自适应控制、RBF神经网络控制和模糊神经网络控制原理，在应用时，首先建立具有扰动和误差的有源电力滤波器的数学模型；其次基于自适应RBF神经网络设计得到模糊神经网络控制器。本发明能够确保对指令电流的实时跟踪，并且加强系统的动态性能，提高系统鲁棒性以及对参数变化不敏感；通过设计滑模变结构控制系统保证有源电力滤波器沿着滑模轨迹运行，其能够克服系统的不确定性，对干扰具有很强的鲁棒性，对非线性系统具有很强的控制效果；设计自适应RBF神经网络控制器用来逼近有源电力滤波器中的非线性部分；设计模糊神经网络控制器能够确保对指令电流的实时跟踪并加强系统的鲁棒性。
【专利说明】
-种有源电力滤波模糊神经网络控制方法
技术领域
[0001] 本发明设及有源电力滤波技术领域，特别是一种可用于=相并联电压型有源电力 滤波控制的，基于自适应RB巧巾经网络的有源电力滤波模糊神经网络控制方法。
【背景技术】
[0002] 随着电力电子技术的快速发展W及环境、能源、社会和高效化的要求，电力电子设 备和系统正朝着应用技术高频化(20曲zW上）、硬件结构集成模块化(单片集成模块、混合 集成模块)等大方向发展。电力电子电能变换技术已在现代社会工业、生活中的方方面面得 到了广泛应用。
[0003] 然而随着作为电网的非线性和时变性负荷的电力电子装置的广泛应用，由其带来 的负面效应也变的日益明显和严峻。运类电力电子装置的开关特性在电网中会引起大量的 谐波和次谐波分量，W致电力电路中电压和电流波形出现失真，当下趋势是电力电子装置 代替传统磁性材料非线性成为最主要的谐波源。另外，波动性、冲击性负荷在电力电路中不 仅引发大量的高次谐波，而且会导致电路电压出现波动、崎变、=相不平衡等问题。
[0004] 目前，国内依然主要采用无源滤波器处理电网中的谐波。然而无源滤波器的补偿 特性单一，且易受到系统阻抗影响，引发谐振现象，放大谐波，进而烧毁补偿装置，而且仅能 对特定谐波进行有效处理，人们逐渐将研究的重屯、转向有源电力滤波器。有源电力滤波器 等净化电网产品是智能电网建设的标配产品，能实现谐波和无功动态补偿，响应快，受电网 阻抗影响小，不易与电网阻抗发生谐振;既能补偿各次谐波，还可抑制闪变、补偿无功，补偿 性能不受电网频率变化的影响，能有效抑制谐波污染，因此成为谐波治理的重要手段。目 前，国内外尚未形成系统的有源电力滤波器的先进控制理论体系，面临许多亟待研究解决 的问题。有源滤波器的建模方法因人而异，采用的控制方法多种多样，缺乏系统的稳定性证 明，迄今为止，存在的专利虽然都从不同的侧面对有源电力滤波器控制展开研究，但尚未有 自适应控制，RB巧巾经网络控制，模糊神经网络控制和李雅普洛夫理论对有源电力滤波器进 行控制和动态补偿。所W，有源电力滤波器的研究具有重要的科研意义和广阔的市场前景。
【发明内容】
[0005] 本发明要解决的技术问题为:基于自适应RB巧申经网络技术，实现有源电力滤波模 糊神经网络的控制，其在应对参数变化时的鲁棒性高、可靠性高、稳定性高、对指令电流实 时跟踪补偿。
[0006] 径向基函数(Radial Basis Function,RBF)神经网络为现有技术，其具有结构简 单，学习速度快等优点，在函数逼近、系统辨识、模式识别等领域具有广泛应用。构造 RBF网 络的关键是合理选取径向基函数的数量和中屯、向量。RBF网络的自适应算法是在满足一定 逼近精度的条件下，取尽可能少的中屯、向量，W保证网络有较好的泛化能力。
[0007] 本发明采取的技术方案具体为:一种有源电力滤波模糊神经网络控制方法，包括 W下步骤：
[0008] 步骤一，建立具有扰动和误差的有源电力滤波器数学模型：
[0009]
…、
[0010] 其中，X二 ik,k= 1,2,3,
[0011] Vk即Vl，V2，V3为S相有源电力滤波器端电压；ik即il，i2，i3为S相补偿电流;Lc是交 流电感;R。为直流侧电阻；vd。为电容电压;dk为开关状态函数，依赖于第k相IGBT的通断状 态：
[0012] 尚
[0013] 上式中Ck为开关函数，指示有源电力滤波器中各IGBT的工作状态：
[0014]
(巧
[001引步骤二，基于自适应RB巧巾经网络算法，得至贿源电力滤波模糊神经网络控制器的 控制律和自适应律；
[0016] 定义Xd为参考电流，e为跟踪误差，A G W W为正定对角矩阵；
[0017] G = Xd-X (12)
[001引对e求导得：
[0019] e =.x^. -X (i3)
[0020] 滑模面S为：
[00別] = (14)
[0022] 有源电力滤波器的闭环系统误差方程可写为：
[0023]
(巧)
[0024] 定义李雅普诺夫函数为：
[0025]
片句：
[0026] 其中sT为S的转置；
[0027] 对Vi求导可得：
[002引 （17)
[0029] 其中，定义非线性部分为：
[0030]
(化)
[0031] 为使巧< 0，设计控制器为：
[0032]
(19)
[003；3] 其中/为f的估计值，K = diag化11,…，Knn)，A = diag(ai,...an)，为元素为正常数的 对角矩阵，Sgn(S)为符号函数。
[0034] 那么将式(19)和式(18)代入式(17)可得：
[0035]
(撕)
[0036] 因此系统满足了李雅普诺夫稳定性理论条件，从而保证了系统的全局渐近稳定 性；
[0037] RB巧巾经网络被用于逼近系统的非线性部分f，估计值输出为：
[00：3 引
01)
[0039] 其中，谅为RB巧巾经网络的实时估计权值，妒为(0的转置，(He) = [ d) 1(e)，(62 (e)…4)。(6)^，11=1，2,3-'，(1)1(6)为高斯基函数1 = 1，2,3-'，跟踪误差6为邸巧巾经网络的 输入；
[0040] 则非线性部分的理想输出为：
[0041 ] f= (e)+e (22)
[0042] 其中，e为重构误差，并且e有界，有I |e| |《EN，eN为任意小的正常数，巧申经 网络的最佳权值；
[0043] 将式(21)带入式(19)，可得基于神经网络的控制器为：
[0044]
(23)
[0045] 定义李雅普诺夫函数V2为：
[0046]
(24)
[0047] 其中?为R邸神经网络的权值估计误差，:摄=? -适，y为常数；
[004引对V2求导得：
[0049；
(25)
[0050] 将式(23)代入式(25)，得： 陶] 口码
[0052] 设计自适应律为：
[0053]
(27)
[0化4]其中r为常数。
[0055] 将式(27)代入式(26)，可得：
[0化6]
(28)
[0化7] 当K>eN，f^ <0;恨据Barbalat定理，则随着时间的增长，S趋近于0,所W可W得出 在控制律(23)和自适应律(27)的作用下，整个有源电力滤波器的闭环系统是稳定的。
[0058] 由于模糊神经网络融合了基于人类的专家经验模糊逻辑及RB巧申经网络快速的非 线性学习能力，从而不仅可W快速逼近参数未知的非线性系统模型。因此鉴于模糊神经网 络的上述优点，克服了有源电力滤波器系统中未知参数W及幅值变化对控制器精度的影 响。
[0059] 进一步的，考虑到模糊神经网络具有良好的非线性逼近能力，为了使得整个系统 的性能更加优秀，本发明在神经网络的基础上增加模糊神经网络实现进一步的控制。即采 用模糊神经网络系统的输出y逼近整个滑模项EN Sgn(S),其逼近式的模型为：
[0060]
(29)
[0061] 其中：W*为未知的理想参数矩阵；Eb为逼近误差，满足|&|《东点是正整数;设y为y* 的估计值，得到对EN Sgn(S)的最优补偿输出为：
[0062]
(30)
[0063] 式中，W为r的估计值，定义估计误差为：砍=W" -r,
[0064] 则新的控制器为：
[00化]
削
[006引其中，y = Lyi，。'，yi。'，yn]T，y功y的子变量。
[0067]为克服APF系统中未知参数W及幅值变化对控制器精度的影响，自适应律设计为： [006引
（32).
[0069] 其中，WiGRNXi, RNXi 为 NXl 的实数矩阵，，W=[Wl;W2;W3]GRNX3;ru>〇,〇i>〇,〇《 丫 1<1为设计参数;其中OiWi是为了提高控制器的鲁棒性，保证r的有界；
[0070] 贝IJAPF系统在控制律式(31)及自适应律式(32)的作用下，可保证闭环控制系统的 渐进稳定。为了验证控制律式(31)对整个系统的稳定性作用，继续定义Lyapunov函数为：
[0071]
[0072] 对V3求导可得：
[0082] 从式（38)可W看出：Si(t)，是一致有界的，S i ( t )收敛于区间
[0073] 削
[0074]
[0075] 所）
[0076] l.5护^式(35)可重写为：
[0077]
[007引
[0079]
[0080] 豆条件：
[0081]
，由李雅诺夫函数稳定性理论可得闭环系统是渐进稳定的。
[0083] 有益效果
[0084] 在基于自适应RB巧巾经网络的有源电力滤波器模糊神经网络控制方法中，自适应 RBF神经网络控制是用来逼近有源电力滤波器中的非线性部分。模糊神经网络控制策略能 够确保对指令电流的实时跟踪并加强系统的鲁棒性。该系统对有源电力滤波器进行有效、 可靠的控制，在对系统参数未知的情况下，可W有效估计出系统的各项参数，并且保证系统 全局的稳定性;在基于自适应RB巧巾经网络的有源电力滤波器模糊神经网络控制器的设计 的基础上，可逐步得到动态控制律和自适应律;本发明能够确保对指令电流的实时跟踪，并 且加强系统的动态性能，提高系统鲁棒性W及对参数变化不敏感。
【附图说明】
[0085] 图巧本发明的具体实施例中有源电力滤波器的模型示意图；其中，Vsl，Vs2，Vs3- S相电源电压；isl，is2，is3-S相电源电流；iLl，iL2，iL3-负载电流;Vl，V2，V3-;相有源电 力滤波器端电压；il，i2，i3-S相补偿电流；Lc-交流电感；Rc-直流侧电阻；V1M，V2M，V3M， VMN一M点到a、b、C、N点的电压；
[0086] 图2为本发明一种基于自适应RB巧巾经网络的有源电力滤波器模糊神经网络控制 方法的原理示意图；
[0087] 图3为A相指令电流和补偿电流跟踪波形图；
[0088] 图4为本发明的具体实施例中对电网电流进行补偿之后的电源电流波形图。
【具体实施方式】
[0089] W下结合附图对本发明进一步详细说明，W使本领域的技术人员可W更好的理解 本发明并能予W实施，但所举实施例不作为对本发明的限定。
[0090] 本实施例基于自适应RB巧巾经网络的有源电力滤波器模糊神经网络控制方法，包 括如下步骤：
[0091] (1)建立具有扰动和误差的有源电力滤波器的数学模型；
[0092] (2)基于自适应RB巧巾经网络设计得到模糊神经网络控制器的控制律和自适应律；
[0093] (3)进行仿真实验得到目标系统。
[0094] W下对各步骤进行分别详述：
[00M] -、建立有源电力滤波器的数学模型：
[0096] 本发明主要研究应用最广泛的并联电压型有源电力滤波器。实际应用中，用于= 相的占多数，故主要研究用于=相=线制系统的情况。
[0097] 有源电力滤波器主要由=部分组成，分别是谐波电流检测模块、电流跟踪控制模 块和补偿电流发生模块。如图1所示，其显示了有源电力滤波器的系统模型。
[0098] 有源电力滤波器的基本工作原理是，谐波电流检测模块检测补偿对象的电压和电 流，经指令电流运算电路计算得出补偿电流的指令信号ic*，c = l，2,3,该信号经补偿电流发 生电路放大，得出补偿电流iE，c = l，2,3,补偿电流与负载电流中要补偿的谐波及无功等电 流抵消，最终得到期望的电源电流。
[0099] 根据电路理论和基尔霍夫定理可得到如下公式：
[0100]
妨
[0101] 其中，乂1，乂2，乂3为；相有源电力滤波器端电压山42 43为；相补偿电流山是交流 电感;Rc是直流侧电阻；VlM，V2M，V3M，WN是M点至Ija、b、C、N点的电压。
[0102] 假设交流侧电源电压稳定，可W得到
[0103]
(2)
[0104] 定义Ck为开关函数，指示有源电力滤波器中各IGBT的工作状态：
[0105]
[0106] 其中，k = l，2,3。
[0107] 同时，VkM=CkVdc,所W(I)可改写为
[010引
（4)
[0109] 我们定义dk为开关状态函数，且：
[0110]
(5)
[0111] 则dk依赖于第k相IGBT的通断状态，是系统的非线性项。
[0120] 那么X的二阶导数文为：
[0112] 、'山
[0113] 巧）
[0114]
[0115] 巧
[0116] :
[0117]
[011 引
[0119] (>-))
[0121]
[0122]
[0123] I)
[0124]
[0125] 则式(11)即为有源电力滤波器的数学模型。
[01%]二、基于自适应RB巧巾经网络控制的模糊神经网络控制器：
[0127] 本发明模糊神经网络控制器的控制原理主要是，先利用滑模控制使整个系统沿着 切换面运行，从而消除有源电力滤波器系统的不确定性，增加其鲁棒性。然后利用RB巧申经 网络控制对系统的非线性部分进行逼近，RB巧巾经网络的权值由设计的自适应律在线调整， 最后利用模糊神经网络对系统的切换项进行逼近，用于消除系统带来的抖振，从而得出所 设计系统的控制器。
[0128] 针对有源电力滤波器的数学模型，定义X为实际电流，Xd为参考电流，S为滑膜面，e 为跟踪误差，A e WSx'为正定对角矩阵；
[01巧]定义跟踪误差为：
[0130] G = Xd-X
[0131] (12)
[0132] 对e求导得；
[0133] e(H)
[0134] 定义滑模面为：
[0135] S^e + Ae (14)
[0136] 有源电力滤波器的闭环系统误差方程可写为：
[0137]
(15)
[0138] 定义李雅普诺夫函数为：
[0139] (16)
[0145] 为使巧空0 ,设计控制器为：
[0140]
[0141]
[0142] (17)：
[0143]
[0144] (18)
[0146]
(^19)
[0147] 其中/为f的估计值，K = diag化11，…，Knn)，A = diag(ai，'''an)，为元素为正常数的 对角矩阵，Sgn(S)为符号函数。
[014引 那么胳式（19)巧式（18)化入式（17)可得：
[0149]
(20)
[0150] 因此系统满足了李雅普诺夫稳定性理论条件，从而保证了系统的全局渐近稳定 性。
[0151] RB巧巾经网络被用于逼近系统的非线性部分f，估计值输出为：
[0152]
(21)
[015引其中，遂为RB巧申经网络的实时估计权值，歡为热的转置，(He) = [ (61(6), (62 (e)…4)。(6)^，11=1，2,3-，，(1)1(6)为高斯基函数1 = 1，2,3-，，跟踪误差6为邸巧巾经网络的 输入；
[0154] 则非线性部分的理想输出为：
[0155] f= 〇*> (e)+e (22)
[0156] 其中，e为重构误差，并且e有界，有I |e| |《EN，eN为任意小的正常数，CO*为RB巧申经 网络的最佳权值，为勺转置。
[0157] 将式(21)带入式(19)，可得基于神经网络的控制器为：
[015引
（23)
[0159] 定义Lyapunov函数为：
[0160]
枠0
[0161 ]其中谅为R邸神经网络的权值估计误差，凉=0 ―?。
[0162] 对V2求导得：
[0163] ;)
[0164]
[01化] (茹)
[0166]
[0167]
[016 引
[0169]
[0170] (28)
[0171] 所W当K>eN，K<0。根据Barbalat定理，我们能够知道随着时间的增长，s趋近与 0,所W可W得出在控制律(23)和自适应律(27)的作用下，整个有源电力滤波器的闭环系统 是稳定的。
[0172] 由于模糊神经网络融合了基于人类的专家经验模糊逻辑及RB巧巾经网络快速的非 线性学习能力，从而不仅可W快速逼近参数未知的非线性系统模型。因此鉴于模糊神经网 络的上述优点，克服了有源电力滤波器系统中未知参数W及幅值变化对控制器精度的影 响。
[0173] 考虑到模糊神经网络具有良好的非线性逼近能力，用模糊神经网络系统的输出y 逼近整个滑模项EN Sgn(S),则其逼近式的模型为：
[0174]
(29)
[0175] 其中:胖*为未知的理想参数矩阵；6 6为逼近误差，满足仁|=^￡，5是正整数。设7为7* 的估计值。从而得到对EN Sgn(S)的最优补偿输出为：
[0176]
(30；
[0177] 巧甲，W刃F的巧计值，定义估计误差为:r=沪-r。
[0178] 则新的控制器为：
[0179] u=f-^y + As 巧 1)
[0180] 其中，y = [yi，。'，yr。，yn]T，y功y的子变量。
[0181] 为克服APF系统中未知参数W及幅值变化对控制器精度的影响，自适应律设计为：
[0182] 以;二化斯） (32)
[0183] 其中，WiGRNXi, RNXi 为 NXl 的实数矩阵，，W=[Wl;W2;W3]GRNX3;ru>〇,〇i>〇,〇《 丫 1<1为设计参数;其中OiWi是为了提高控制器的鲁棒性，保证巧的有界。
[0184]定理:APF系统在控制律式(31)及自适应律式(32)的作用下，可保证闭环控制系统 的渐进稳定。
[01化]定义Lyapunov函数为：
[0186] 33)
[0187]
[01 则 （34)
[0189]
[0190] 巧巧
[0191] 0.5沪，式(35)可重写为：
[0192] (狱）
[0193]
[0194]
[0195] 面条件：
[0196]
[0197] 从式（3 8 )可W看出：S 1 ( t )，皮,(/)是一致有界的，S 1 ( t )收敛于区间
白Lyapunov稳定性理论可得闭环系统是渐进稳定的。
[019引 S、Matlab仿真实验：
[0199]结合有源电力滤波器的动态模型和自适应RB巧巾经网络控制的模糊神经网络控制 器的设计方法，通过Mat lab/Simul ink软件设计出主程序。
[0200] 自适应参数取r=10000。电源电压Vsi = Vs2 = Vs3 = 220V，f = 50Hz。非线性负载的电 阻40Q，电感5恤。补偿电路电感10恤，电容100iiFD〇.04S时补偿电路接入开关闭合，有源滤 波器开始工作，并在0.1 S时接入一个相同的额外的非线性负载。
[0201] 实验的结果如图3、图4所示。图3为A相补偿电流和指令电流跟踪波形图，可W看到 0.04s，有源电力滤波器刚开始工作时就具有较好的快速响应，0.1s增加非线性负载后偏差 能在一个周期趋于稳定，整体来看补偿电流能很好的跟踪上指令电流，偏差也在合理的范 围内。因此基于自适应RB巧巾经网络的模糊神经网络控制作为电流跟踪控制的效果得到了 明显的验证。图4是电网电流进行补偿之后的电源电流波形图，我们可W看到当有源电力滤 波器开始工作W后，电流在0.05s就迅速接近正弦波，0.1 s增加负载W后，电流也能达到很 好的响应速度，最后稳定在正弦波。经计算机仿真计算后，0.06s时，电流谐波的崎变率从Os 的27.14%变为2 = 1.95%，0.12s时，负载电流的谐波崎变率为26.33%，而经补偿后电源电 流的谐波崎变率仅为1.45%。因此采用基于自适应RB巧巾经网络的模糊神经网络控制的补 偿电流控制方法的有源电力滤波器不仅能很好的消除由非线性负载产生的谐波，并且稳定 性也满足了较高的要求。实验结果证明了自适应模糊反演跟踪控制具有较好的快速响应和 鲁棒性，提高了系统的动静态性能。
【主权项】
1. 一种有源电力滤波模糊神经网络控制方法，其特征是，包括W下步骤： 步骤一，建立具有扰动和误差的有源电力滤波器数学模型，即：(11) 其中，X = ik，k=l,2,3:Vk即VI，V2，V3为Ξ相有源电力滤波器端电压；ik即il，i2，i3为Ξ相补偿电流;Lc是交流电 感;R。为直流侧电阻;vd。为电容电压;dk为开关状态函数，依赖于第k相IGBT的通断状态：(S) 上式中ck为开关函数，指示有源电力滤波器中各IGBT的工作状态：(句 步骤二，基于自适应RB巧巾经网络算法，得到有源电力滤波模糊神经网络控制器的控制 律和自适应律； 定义xd为参考电流，e为跟踪误差，A e-、妒X''为正定对角矩阵；其中sT为S的转置； 对Vi求导可得：其中/为f的估计值，K = diag化11,…，Κηη)，A = diag(ai,…曰。），为元素为正常数的对角 矩阵，sgn(s)为符号函数； 那么将式(19)和式(18)代入式(17)可得：m 因此系统满足了李雅普诺夫稳定性理论条件，从而保证了系统的全局渐近稳定性； RB巧巾经网络被用于逼近系统的非线性部分f，估计值输出为：(21) 其中，益为RB巧申经网络的实时估计权值，款'为?的转置，Φ (e) = [ Φ 1 (e)，Φ 2 (e)…Φ η (6)^，11=1，2,3-，，(1)1(6)为高斯基函数1 = 1，2,3-，，跟踪误差6为邸巧巾经网络的输入； 则非线性部分的理想输出为：(22) 其中，ε为重构误差，并且ε有界，有I |ε| |《εΝ，εΝ为任意小的正常数，ω*为RB巧巾经网络 的最佳权值； 将式(21)带入式(19)，可得基于神经网络的控制器为：其中?为R邸神经网络的权值估计误差，凉=δ； - a，μ为常数； 对V2求导得：设计自适应律为：(27) 其中Γ为常数。 将式(27)代入式(26)，可得：(28) 当K>εN，?^:如；根据Barbalat定理，贝麵着时间的增长，S趋近于0,所W可W得出在控 制律(23)和自适应律(27)的作用下，整个有源电力滤波器的闭环系统是稳定的。2.根据权利要求1所述的方法，其特征是，步骤二采用模糊神经网络系统的输出y逼近 整个滑模项εν sgn(s)，其逼近式的模型为：其中:W*为未知的理想参数矩阵；Eb为逼近误差，满足点是正整数;设y为y*的估 计值，得到对εν sgn(S)的最优补偿输出为：(30) 式中，W为r的估计值，定义估计误差为:# = 1^4 - W。 则新的控制器为：(31) 其中，y=[yi，…，yi…，yn]T，yi为y的子变量。 为克服APF系统中未知参数W及幅值变化对控制器精度的影响，自适应律设计为：(32) 其中，WieRNxi，RNxi为NX1 的实数矩阵，，W=[Wl;W2;W3]eRNX3;ηi〉o,Oi〉o,o《丫i<l为 设计参数;其中OlWi是为了提高控制器的鲁棒性，保证巧的有界； 贝1JAPF系统在控制律式(31)及自适应律式(32)的作用下，可使得闭环控制系统的渐进 稳定。
【文档编号】H02J3/01GK105977981SQ201610474567
【公开日】2016年9月28日
【申请日】2016年6月24日
【发明人】王腾腾, 雷单单, 曹頔, 费峻涛
【申请人】河海大学常州校区