含光伏配电网的统一电能质量调节器谐波控制方法技术

本发明专利技术提供一种含光伏配电网的统一电能质量调节器谐波控制方法，利用UPQC实施，所述的UPQC包括信号采集模块、信号调理模块、微控制器和驱动电路模块，包括以下步骤：第一步，电压信号采集：采集配电网三相母线电压u

【技术实现步骤摘要】
含光伏配电网的统一电能质量调节器谐波控制方法
本专利技术涉及配电网谐波控制方法，具体涉及一种利用统一电能质量调节器对含光伏配电网的谐波控制方法。
技术介绍
电能质量控制技术的研究具有巨大的经济和社会效益，是电力研究领域中的一个热点。电压暂升、电压暂降、三相不平衡电压、谐波电压、无功电流、谐波电流、不平衡电流等电能质量问题的危害日趋严重。但目前现有的装置大都以并联或串联的方式接入系统，且只能解决部分电能质量问题。随着配电网结构和电力负荷成分的日趋复杂，各种电能质量问题在同一配电系统中或在同一用电负荷中同时出现的情况也会越来越多。如果在同一配电母线上既有电压敏感负荷又有非线性负荷和冲击负荷，就需要同时安装电压补偿装置和电流补偿装置。若针对每一种电能质量问题都单独采取一种类型的治理装置，将会大大增加治理成本，还会增加装置运行维护的复杂程度，并且各装置之间还存在着协调配合问题。统一电能质量控制器(UnifiedPowerQualityConditioner，简称UPQC)作为功能强大的电能质量综合补偿装置，其串联、并联单元可解耦后独立运行实现各自功能，也可联合运行实现统一的综合功能，近年来成为电能质量治理领域的研究热点。比如公开号为CN103326397A的中国专利文献涉及一种混合频率控制的统一电能质量控制器；公开号为CN204633344U的中国专利文献涉及一种具有不间断电源功能的统一电能质量调节器。然而，目前对统一电能质量控制器自身及其应用的研究大都基于传统的三相配电系统，而对于光伏等新能源并网的配电网研究较少。由于光伏等新能源具有随机性、间歇性等特点，并网后给传统配电网带来大量谐波污染，此时利用UPQC采用传统的控制方法对谐波污染进行控制效果不佳，因而，研究利用UPQC采用新的方法对含光伏的配电网中的谐波实施有效控制，显得十分必要。线性神经网络是一种简单的神经元网络，它可以由一个或多个线性神经元构成。1962年由美国斯坦福大学教授BerhardWidrow提出的自适应线性元件网络(AdaptiveLinearElement,Adaline)是线性神经网络最早的典型代表，它是一个由输入层和输出层构成的单层前馈型网络，它与感知机的不同之处在于其每个神经元的传输函数为线性函数，因此自适应线性神经网络的输出可以取任意值，而感知机的输出只能是1或0。线性神经网络采用由BerhardWidrow和MarcianHoff共同提出的一种新的学习规则。自适应线性神经网络的学习算法比感知机的学习算法的收敛速度和精度都有较大的提高。自适应线性神经网络主要用于函数逼近，信号检测，系统辨识，模式识别和控制等领域。自适应线性神经网络结构感知机，不同之处在于其每个神经元的传输函数为线性函数。对于具有M个输入、L个输出的线性神经网络。输出层的第i个神经元的输入总和neti为式中，wij为训练加权系数，xj为输入向量，M为输入层的节点数，θi为输出层神经元i的阈值；即输入的个数；输出层的第i个神经元的输出分别为：yi＝f(neti)；yi＝f(neti)为激活函数，它为线性函数的传输函数，自适应线性神经网络的学习采用Wideow-HOFF学习规则，在训练期间，不断用训练集中的每个模式对训练网络。当给定某一训练模式时，输出单元会产生一个实际输出向量，用期望输出与实际的输出之差来修正网络连接权值。如何将自适应线性神经网络与UPQC相结合，对含光伏的配电网中的谐波实施有效控制，是本领域技术人员感兴趣的问题。
技术实现思路
本专利技术的目的是：提供一种含光伏配电网的统一电能质量调节器谐波控制方法，该方法利用统一电能质量调节器实施，通过采用基于自适应线性神经网络整定PI控制参数的PI控制方法，对含光伏配电网的谐波进行有效控制。本专利技术的技术方案是：本专利技术的含光伏配电网的统一电能质量调节器谐波控制方法，利用UPQC实施，所述的UPQC包括信号采集模块、信号调理模块、微控制器和驱动电路模块，包括以下步骤：第一步，电压信号采集：UPQC的信号采集模块采集配电网三相母线电压ua,ub,uc和负载电流ia,ib,ic并发送给UPQC的信号调理模块；第二步，采集信号调理：UPQC的信号调理模块将信号采集模块发送的配电网三相母线电压ua,ub,uc和负载电流ia,ib,ic调理成微处理器能够接受的信号后，发送给微处理器；第三步，计算谐波补偿指令：①微控制器将三相负载电流ia、ib、ic经派克变换得到iα、iβ，变换公式如式(1)：②微控制器将iα、iβ根据瞬时功率理论计算出ip、iq，变换公式如式(2)：式中，ω为电网电压频率；③经低通截止频率为50HZ的LPF低通滤波得出ip、iq的基波正序分量ipf、iqf；④微控制器根据基波正序分量ipf、iqf，由Cωt逆变换以及派克变换C32的逆变换运算得出三相负载电流基波分量iaf、ibf、icf，然后与三相负载电流ia、ib、ic相减得出谐波补偿指令iah、ibh、ich，谐波补偿指令iah、ibh、ich简记为第四步，整定UPQC的PI控制参数(kp，ki)：设UPQC的PI控制器为增量式PI控制器，其控制误差为PI控制器的输出u(k)的变化量Δu(k)与e(k)有如式(5)所示关系：Δu(k)＝kp(e(k)-e(k-1))+kie(k)(5)式中，比例参数kp、积分参数ki为PI控制器所需整定的参数，微处理器采用自适应线性神经网络，通过以下具体步骤整定PI控制参数(kp，ki)：①初始化：线性神经网络输入为kp、ki两个参数，输出为优化后的kp、ki两个参数，训练样本数N＝100，加权系数wij取值范围为[0.1,20]，初始化所有的加权系数为最小的随机数；②提供训练集：对于参数kp，即x(1)，取值范围为[1,100]；对于参数ki，即x(2)，取值范围为[0.001,1]，对两个参数在取值范围内，通过随机按顺序赋值，提供100个训练样本，即给出100个输入向量x(1)，x(2)，100个期望的输出向量t(1)，t(2)；③计算输出层各神经元的输出：在训练网络的学习阶段，选择100个训练样本的中的一个样本p作用下的输入/输出模式对{xp}和{tp}，进行网络训练，输出层的第i个神经元在样本p的作用下的输入为：式中，wij为训练加权系数，取值为初始化的随机数；θi为输出层神经元i的阈值，初始取值为0.5，为样本p作用下的输入；输出层的第i个神经元的输出为：式中，f(·)为将网络的输入直接转为输出的线性激活函数，表达式为：④计算所有训练样本的期望值与实际值的误差：对于每一样本p的输入模式对的二次型误差函数为：式中，表示在样本p作用下的第i个神经元的期望输出；表示在样本p作用下的第i个神经元的实际输出，ei表示样本p期望输出与实际输出之间的误差；取PI控制的性能指标函数为J，其表达式为：kp，ki的调整算法采用梯度下降法：式中，Δkp为kp梯度变化量，Δki为ki梯度变化量；η为学习速率，α取值为1；⑤调整输出层的加权系数wij和阈值θi：根据梯度法，可得输出层的任意神经元i的加权系数修正公式为：根据式(10)与式(11)，故Δkp＝e(k)·Δwij·[e(k)-e(k-1)](13)Δki＝e(k)·Δwi本文档来自技高网...

【技术保护点】
一种含光伏配电网的统一电能质量调节器谐波控制方法，利用UPQC实施，所述的UPQC包括信号采集模块、信号调理模块、微控制器和驱动电路模块，其特征在于，包括以下步骤：第一步，电压信号采集：UPQC的信号采集模块采集配电网三相母线电压u

【技术特征摘要】
1.一种含光伏配电网的统一电能质量调节器谐波控制方法，利用UPQC实施，所述的UPQC包括信号采集模块、信号调理模块、微控制器和驱动电路模块，其特征在于，包括以下步骤：第一步，电压信号采集：UPQC的信号采集模块采集配电网三相母线电压ua,ub,uc和负载电流ia,ib,ic并发送给UPQC的信号调理模块；第二步，采集信号调理：UPQC的信号调理模块将信号采集模块发送的配电网三相母线电压ua,ub,uc和负载电流ia,ib,ic调理成微处理器能够接受的信号后，发送给微处理器；第三步，计算谐波补偿指令：①微控制器将三相负载电流ia、ib、ic经派克变换得到iα、iβ，变换公式如式(1)：②微控制器将iα、iβ根据瞬时功率理论计算出ip、iq，变换公式如式(2)：式中，ω为电网电压频率；③经低通截止频率为50HZ的LPF低通滤波得出ip、iq的基波正序分量ipf、iqf；④微控制器根据基波正序分量ipf、iqf，由Cωt逆变换以及派克变换C32的逆变换运算得出三相负载电流基波分量iaf、ibf、icf，然后与三相负载电流ia、ib、ic相减得出谐波补偿指令iah、ibh、ich，谐波补偿指令iah、ibh、ich简记为第四步，整定UPQC的PI控制参数(kp，ki)：设UPQC的PI控制器为增量式PI控制器，其控制误差为PI控制器的输出u(k)的变化量Δu(k)与e(k)有如式(5)所示关系：Δu(k)＝kp(e(k)-e(k-1))+kie(k)(5)式中，比例参数kp、积分参数ki为PI控制器所需整定的参数，微处理器采用自适应线性神经网络，通过以下具体步骤整定PI控制参数(kp，ki)：①初始化：线性神经网络输入为kp、ki两个参数，输出为优化后的kp、ki两个参数，训练样本数N＝100，加权系数wij取值范围为[0.1,20]，初始化所有的加权系数为最小的随机数；②提供训练集：对于参数kp，即x(1)，取值范围为[1,100]；对于参数ki，即x(2)，取值范围为[0.001,1]，对两个参数在取值范围内，通过随机按顺序赋值，提供100个训练样本，即给出100个输入向量x(1)，x(2)，100个期望的输出向量t(1)，t(2)；③计算输出层各神经元的输出：在训练网络的学习阶段，选择100个训练样本的中的一个样本p作用下的输入/输出模式对{xp}和{tp}，进行网络训练，输出层的第i个神经元在样本p的作用下的输入为：式中，wij为训练加权系数，取值为初始化的随机数；θi为输出层神经元i的阈值，初始取值为0.5，为样本p作用下的输入；输出层的第i个神经元的输出为：式中，f(·)为将网络的输入直接转为输出的线性激活函数，表达式为：

【专利技术属性】
技术研发人员：倪福银，刘建军，张伟，许霖，王琪，李正明，
申请(专利权)人：国网江苏省电力公司常州供电公司，国网江苏省电力公司，国家电网公司，
类型：发明
国别省市：江苏,32