一种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。本发明专利技术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。

【技术实现步骤摘要】

本专利技术涉及有源电力滤波
，特别是一种可用于三相并联电压型有源电力滤波控制的，基于自适应RBF神经网络的有源电力滤波模糊神经网络控制方法。
技术介绍
随着电力电子技术的快速发展以及环境、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(20kHz以上)、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。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。这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，以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、畸变、三相不平衡等问题。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心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，RBF神经网络控制，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。所以，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。
技术实现思路
本专利技术要解决的技术问题为：基于自适应RBF神经网络技术，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。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心向量。RBF网络的自适应算法是在满足一定逼近精度的条件下，取尽可能少的中心向量，以保证网络有较好的泛化能力。本专利技术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，包括以下步骤：步骤一，建立具有扰动和误差的有源电力滤波器数学模型： x ·· = f a ( x ) + M u - - - ( 11 ) ]]>其中，x＝ik，k＝1,2,3，u＝dk；vk即v1，v2，v3为三相有源电力滤波器端电压；ik即i1,i2,i3为三相补偿电流；Lc是交流电感；Rc为直流侧电阻；vdc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： d k = c k - 1 3 Σ m = 1 3 c m - - - ( 5 ) ]]>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：步骤二，基于自适应RBF神经网络算法，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，为正定对角矩阵；e＝xd-x (12)对e求导得： e · = x · d - x · - - - ( 13 ) ]]>滑模面s为： s = e · + λ e - - - ( 14 ) ]]>有源电力滤波器的闭环系统误差方程可写为： 1 M s · = 1 M ( e · + λ e ) ′ = 1 M e ·· + λ 1 M e · = 1 M 本文档来自技高网...

【技术保护点】
一种有源电力滤波模糊神经网络控制方法，其特征是，包括以下步骤：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：x··=fa(x)+Mu---(11)]]>其中，x＝ik，k＝1,2,3，u＝dk；vk即v1，v2，v3为三相有源电力滤波器端电压；ik即i1,i2,i3为三相补偿电流；Lc是交流电感；Rc为直流侧电阻；vdc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：dk=ck-13Σm=13cm---(5)]]>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：步骤二，基于自适应RBF神经网络算法，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，为正定对角矩阵；e＝xd‑x      (12)对e求导得：e·=x·d-x·---(13)]]>定义滑模面s为：s=e·+λe---(14)]]>有源电力滤波器的闭环系统误差方程可写为：1Ms·=1M(e·+λe)′=1Me··+λ1Me·=1Mx··d-1Mx··+λ1Me·=1M(x··d+λe·)-1Mx··=1M(x··d+λe·)-1Mfa(x)-u=1M(x··d+λe·-fa(x))-u---(15)]]>定义李雅普诺夫函数为：V1=12MsTs---(16)]]>其中sT为s的转置；对V1求导可得：V·1=1MsTs·=sT[1M(x··d+λe·-fa(x))-u]---(17)]]>其中，定义非线性部分为：f=1Mx··d+λ1Me·-1Mfa(x)---(18)]]>为使设计控制器为：u=f^+K sgn(s)+As---(19)]]>其中为f的估计值，K＝diag(K11,…,Knn)，A＝diag(a1,…an)，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：V·1=-K||s||-sTAs≤-sTAs≤0---(20)]]>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；RBF神经网络被用于逼近系统的非线性部分f，估计值输出为：f^=ω^Tφ(e)---(21)]]>其中，为RBF神经网络的实时估计权值，为的转置，φ(e)＝[φ1(e),φ2(e)…φn(e)]T，n＝1，2，3…，φi(e)为高斯基函数i＝1，2，3…，跟踪误差e为RBF神经网络的输入；则非线性部分的理想输出为：f＝ω*Tφ(e)+ε       (22)其中，ε为重构误差，并且ε有界，有||ε||≤εN，εN为任意小的正常数，ω*为RBF神经网络的最佳权值；将式(21)带入式(19)，可得基于神经网络的控制器为：u=ω^Tφ(e)+K sgn(s)+As---(23)]]>定义李雅普诺夫函数V2为：V2=12MsTs+12ω~Tμ-1ω~---(24)]]>其中为RBF神经网络的权值估计误差，μ为常数；对V2求导得：V·2=1MsTs·-ω~Tμ-1ω^·=sT(ω*Tφ(e)+ϵ-u)-ω~Tμ-1ω^·---(25)]]>将式(23)代入式(25)，得：V·2=sT(ω*Tφ(e)+ϵ-As-ω^Tφ(e)-ϵNsgn(s))-ω~Tμ-1ω^·=-sTAs+sT(&ome...

【技术特征摘要】
1.一种有源电力滤波模糊神经网络控制方法，其特征是，包括以下步骤：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： x ·· = f a ( x ) + M u - - - ( 11 ) ]]>其中，x＝ik，k＝1,2,3，u＝dk；vk即v1，v2，v3为三相有源电力滤波器端电压；ik即i1,i2,i3为三相补偿电流；Lc是交流电感；Rc为直流侧电阻；vdc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： d k = c k - 1 3 Σ m = 1 3 c m - - - ( 5 ) ]]>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：步骤二，基于自适应RBF神经网络算法，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，为正定对角矩阵；e＝xd-x (12)对e求导得： e · = x · d - x · - - - ( 13 ) ]]>定义滑模面s为： s = e · + λ e - - - ( 14 ) ]]>有源电力滤波器的闭环系统误差方程可写为： 1 M s · = 1 M ( e · + λ e ) ′ = 1 M e ·· + λ 1 M e · = 1 M x ·· d - 1 M x ·· + λ 1 M e · = 1 M ( x ·· d + λ e · ) - 1 M x ·· = 1 M ( x ·· d + λ e · ) - 1 M f a ( x ) - u = 1 M ( x ·· d + λ e · - f a ( x ) ) - u - - - ( 15 ) ]]>定义李雅普诺夫函数为： V 1 = 1 2 M s T s - - - ( 16 ) ]]>其中sT为s的转置；对V1求导可得： V · 1 = 1 M s T s · = s T [ 1 M ( x ·· d + λ e · - f a ( x ) ) - u ] - - - ( 17 ) ]]>其中，定义非线性部分为： f = 1 M x ·· d + λ 1 M e · - 1 M f a ( x ) - - - ( 18 ) ]]>为使设计控制器为： u = f ^ + K sgn ( s ) + A s - - - ( 19 ) ]]>其中为f的估计值，K＝diag(K11,…,Knn)，A＝diag(a1,…an)，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： V · 1 = - K | | s | | - s T A s ≤ - s T A s ≤ 0 - - - ( 20 ) ]]>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；RBF神经网络被用于逼近系统的非线性部分f，估计值输出为： f ^ = ω ^ T φ ( e ) - - - ( 21 ) ]]>其中，为RBF神经网络的实时估计权值，为的转置，φ(e)＝[φ1(e),φ2(e)…φn(e)]T，n＝1，2，3…，φi(e)为高斯基函数i＝1，2，3…，跟踪误差e为RBF神经网络的输入；则非线性部分的理想输出为：f＝ω*Tφ(e)+ε (22)其中，ε为重构误差，并且ε有界，有||ε||≤εN，εN为任意小的正常数，ω*为RBF神经网络的最佳权值；将式(21)带入式(19)，可得基于神经网络的控制器为： u = ω ^ T φ ( e ) + K sgn ( s ) + A s - - - ( 23 ) ]]>定义李雅普诺夫函数V2为： V 2 = 1 2 M s T s + 1 2 ω ~ T μ - 1 ω ~ - - - ( 24 ) ]]>其中为RBF神经网络的权值估计误差，μ为常数；对V2求导得： V ...

【专利技术属性】
技术研发人员：王腾腾，雷单单，曹頔，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