基于终端滑模的有源电力滤波器模糊神经网络控制方法技术

本发明专利技术公开了基于终端滑模的有源滤波器自适应模糊神经网络控制方法，首先，建立含有扰动和建模误差的有源电力滤波器动力学模型，然后基于非奇异反演终端滑模控制策略保证对指令电流的跟踪控制，进行基于终端滑模的自适应模糊神经网络控制策略，克服了非奇异反演终端滑模控制策略需要系统精确信息的缺点，进一步提高了系统鲁棒性。基于终端滑模的自适应模糊神经网络控制策略采用模糊神经网络结构来逼近非奇异反演终端滑模控制器，并且基于投影算法和李雅普诺夫稳定性理论设计参数的自适应律确保了参数有界和闭环系统稳定性。仿真实验验证了所提出策略的正确性和有效性。

【技术实现步骤摘要】
基于终端滑模的有源电力滤波器模糊神经网络控制方法
本专利技术专利属于有源电力滤波技术，特别涉及一种基于终端滑模的有源电力滤波器自适应模糊神经网络控制方法。
技术介绍
随着现代电力电子技术的大量推广和应用，各种功率电子设备越来越多，谐波、无功、不平衡等对电力系统产生了很大的影响，严重影响了供电品质，降低了发电设备、用电设备的工作性能和使用寿命，甚至危及电力系统的安全性。目前主要采用外加滤波器的方式进行治理，滤波器分为无源滤波器和有源电力滤波器两种。由于无源滤波器存在只能补偿特定谐波等缺陷，所以现在对电能问题的治理研究主要集中在有源电力滤波器。由于难以获得被控对象精确的数学模型，传统的控制方案难以达到理想的控制效果。滑模变结构控制不需要被控对象精确地数学模型，并对一类有界干扰及参数变化具有很强的鲁棒性；反演设计方法对带有参数严格反馈形式的非线性系统提供了递推的步骤从而保证了系统的全局稳定性；非奇异终端滑模控制不仅使控制系统具有有限时间收敛的优点，而且避免了控制量趋向于无穷大产生奇异点的问题；自适应模糊神经网络系统结合了模糊系统的逻辑推理能力及神经网络的自学习能力，使它既具备强大的结构性知识表达能力，又具备自身参数调整优化的能力，从而在许多多变量、非线性强且自身数学描述不易得到的复杂系统的控制中被广泛应用。但是，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，但尚未有应用自适应模糊神经网络和非奇异终端滑模控制理论对有源电力滤波器进行电流跟踪控制和动态补偿。
技术实现思路
为了抑制外界未知扰动和建模误差对有源电力滤波器系统性能的影响，提出一种基于终端滑模的自适应模糊神经网络控制方法，克服了非奇异反演终端滑模控制策略需要系统精确信息的缺点，进一步提高了系统鲁棒性。基于终端滑模的自适应模糊神经网络控制策略采用模糊神经网络结构来逼近非奇异反演终端滑模控制律，并且基于投影算法和Lyapunov稳定性理论设计参数自适应律确保了参数有界和闭环系统稳定性。本专利技术采用的技术方案为：S1，根据电路理论和基尔霍夫定理建立有源电力滤波器非线性模型；S2，利用反演方法和非奇异终端滑模控制方法设计非奇异反演终端滑模控制器，使补偿电流实时跟踪指令电流，达到消除谐波的目的；S3，采用四层模糊神经网络结构，进行基于终端滑模的自适应模糊神经网络控制，从而克服非奇异反演终端滑模控制策略需要系统精确信息的缺点，进一步提高了系统鲁棒性。具体地，步骤S1具体包括以下步骤，考虑外界干扰的影响，假设外界未知扰动向量为G＝[gdgq]T，建立有源电力滤波器数学模型为(表示二阶求导，表示一阶求导)，其中，x＝[idiq]T,||H||≤D，D为正常数，ω为电源电压基波分量的角频率，即d、q轴的旋转角速度；dnd、dnq为dq坐标系下的开关状态函数；id、iq为dq坐标系下的补偿电流；vd、vq为dq坐标系下的公共连接点PCC处电压，Lc为电感，Rc为电阻，vdc为直流侧电容电压。具体地，步骤S2具体包括以下步骤，201，定义z1＝x，则步骤S1有源电力滤波器数学模型改写为：设输出方程为Y＝z1，定义跟踪误差为e1＝Y-Yd，其中位置指令为Yd，且Yd具有二阶导数；202，选取虚拟控制量其中c1为非零正常数；定义偏差e2＝z2-α1，并且定义非奇异终端滑模面为式中，λ1＞0为常数，p1,p2为奇数，1＜p2/p1＜2；203，根据设定的李雅普诺夫函数产生非奇异反演终端滑模控制器模型UBTSC＝u1+u2，其中具体地，步骤S3具体包括以下步骤，301，建立四层模糊神经网络结构：第一层：输入层所述输入层层的各个节点与输入量的各个分量连接，将输入量传到第二层；第二层：模糊化层采用高斯型函数作为隶属函数，代表跟踪偏差向量e1中的元素，和分别是第i个输入变量第j个模糊集合的隶属函数的中心向量和基宽，其中i＝1,...,n，j＝1,...,Npi；表示隶属函数；采用Npi表示隶属度函数的单独个数，定义自适应参数向量b和c分别代表高斯型隶属度函数所有的基宽和中心向量的集合，则：其中代表隶属度函数的总个数；第三层：规则层规则层采用模糊推理机制，规则层的每个节点的输出为该节点所有输入信号的乘积，则式中，lk表示规则层的第k个输出，代表模糊化层和规则层之间的连接权矩阵，为单位向量，其中k＝1,...,Ny，Ny为规则层的总数目，表示隶属度函数；第四层：输出层输出层的节点代表输出变量，输出层的每个节点yo的输出为该节点所有输入信号的和，其中o＝1,...,No，则表示规则层和输出层之间的连接权矩阵；进一步地，定义模糊神经网络的输入输出关系为：其中，302，根据设定李雅普诺夫函数分别得到权值、中心向量以及基宽的自适应律为：其中，Si为S中的元素，βi为β中的元素，σω,σb,σc为正常数，是的估计值，是ωi的最优值；其中r1、r2、r3分别为设定的正常数，为l*的估计值，l*为l的最优值。由上说明的技术方案可以看出本专利技术的有益效果在：本专利技术针对有源电力滤波器系统性能受外界未知扰动和建模误差影响的问题，提出一种基于终端滑模的自适应模糊神经网络控制策略。该控制策略不仅保证了有源电力滤波器对参考电流信号的渐进跟踪，而且克服了非奇异反演终端滑模控制策略需要系统精确信息的缺点，进一步提高了系统鲁棒性。基于该控制策略的有源电力滤波器在负载突变，不平衡负载和不平衡电源电压的情况下，能够有效消除电网中的谐波电流，并且和传统滑模控制，非奇异反演终端滑模控制相比，能够改善系统的动态性能指标，如电流跟踪能力和总谐波因数，进一步确保了系统在复杂电网环境下实时进行谐波补偿的能力。进一步地，本专利技术基于终端滑模的自适应模糊神经网络控制策略采用模糊神经网络结构来逼近非奇异反演终端滑模控制器，并且基于投影算法和李雅普诺夫稳定性理论设计参数的自适应律确保了参数有界和闭环系统稳定性。仿真实验验证了所提出策略的正确性和有效性。附图说明图1为本实施例并联型APF的主电路结构；图2为非奇异反演终端滑模控制器框图；图3为基于终端滑模的自适应模糊神经控制器框图；图4(a)为负载电流；图4(b)为负载电流的频谱分析；图5(a)为采用滑模控制的电源电流；图5(b)为采用滑模控制的电源电流的频谱分析；图6(a)为采用非奇异反演终端滑模控制的电源电流；图6(b)为采用非奇异反演终端滑模控制的电源电流频谱分析；图7为采用滑模控制的APF仿真结果；图8为采用非奇异反演终端滑模控制的APF仿真结果；图9为采用基于终端滑模的自适应模糊神经控制的APF仿真结果；图10为采用滑模控制的APF仿真结果；图11为采用非奇异反演终端滑模控制的APF仿真结果；图12为采用基于终端滑模的自适应模糊神经控制的APF仿真结果；图13为采用滑模控制的APF仿真结果；图14为采用非奇异反演终端滑模控制的APF仿真结果；图15为采用基于终端滑模的自适应模糊神经控制的APF仿真结果；其中，图1中的符号：vs1,vs2,vs3——三相电源电压；is1,is2,is3——三相电源电流；iL1,iL2,iL3——负载电流；v1,v2,v3——三相有源电力滤波器端电压；i1,i2,i3——三相补偿电流；v1M,v2M,v3M,vMN——M点到a、b、c、本文档来自技高网...

【技术保护点】
基于终端滑模的有源电力滤波器模糊神经网络控制方法，其特征在于，包括以下步骤，S1，建立有源电力滤波器数学模型；S2，利用反演方法和非奇异终端滑模控制方法，建立非奇异反演终端滑模控制器模型；S3，采用四层模糊神经网络结构，进行基于终端滑模的自适应模糊神经网络控制。

【技术特征摘要】
1.基于终端滑模的有源电力滤波器模糊神经网络控制方法，其特征在于，包括以下步骤，S1，建立有源电力滤波器数学模型；S2，利用反演方法和非奇异终端滑模控制方法，建立非奇异反演终端滑模控制器模型；S3，采用四层模糊神经网络结构，进行基于终端滑模的自适应模糊神经网络控制；所述步骤S1具体包括以下步骤，考虑外界干扰的影响，假设外界扰动向量为G＝[gdgq]T，建立有源电力滤波器数学模型为其中，x＝[idiq]T,||H||≤D，D为正常数，ω为电源电压基波分量的角频率，即d、q轴的旋转角速度；dnd、dnq为dq坐标系下的开关状态函数；id、iq为dq坐标系下的补偿电流；vd、vq为dq坐标系下的公共连接点PCC处电压，Lc为电感，Rc为电阻，vdc为直流侧电容电压。2.根据权利要求1所述的基于终端滑模的有源电力滤波器模糊神经网络控制方法，其特征在于，所述步骤S2具体包括以下步骤，201，定义z1＝x，则步骤S1有源电力滤波器数学模型为：表示一阶求导设输出方程为Y＝z1，定义跟踪误差为e1＝Y-Yd，其中位置指令为Yd，且Yd具有二阶导数；202，选取虚拟控制量其中c1为非零正常数；定义偏差e2＝z2-α1，并且定义非奇异终端滑模面为式中，λ1＞0为常数，p1,p2为奇数，1＜p2/p1＜2；203，根据设定的李雅普诺夫函数产生非奇异反演终端滑模控制器模型UBTSC＝u1+u2，其中3.根据权利要求2所述的基于终端滑模的有源电力滤波器模糊神经网络控制方法，其特征在于，所述步骤S3具体包括以下步骤，301，建立四层模糊神经网络结构：第一层：输入层所述输入层层的各个节点与输入量的各个分量连接，将输入量传到第二层；第二层：模糊化层采用高斯型函数作为隶属函数，代表跟踪偏差向量e1中的元素，和分别是第i个输入变量第j个模糊集合的隶属函数的中心向量和基宽，其中i＝1,...,n，j＝1,...,Npi；表示隶属函数；采用Npi表示隶属度函数的单独个数，定义自适应参数向量b和c分别代表高斯型隶属度函数所有的基宽和中心向量的集合，则：其中代表隶属度函数的总个数；第三层：规则层规则层采用模糊推理机制，规则层的每个节点的输出为该节点所有输入信号的乘积，则式中，lk表示规则层的第k个...

【专利技术属性】
技术研发人员：侯世玺，费峻涛，
申请(专利权)人：河海大学常州校区，
类型：发明
国别省市：江苏;32