基于元认知模糊神经网络的有源电力滤波器反演控制方法技术

本发明专利技术公开了一种基于元认知模糊神经网络的有源电力滤波器反演控制方法，包括以下过程：S1，建立有源电力滤波器动力学方程，S2，设计控制律为：

【技术实现步骤摘要】
基于元认知模糊神经网络的有源电力滤波器反演控制方法
本专利技术涉及有源电力滤波器控制
，具体涉及一种基于元认知模糊神经网络的有源电力滤波器反演控制方法。
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滤波器。有源滤波器能对频率和幅值都变化的谐波进行跟踪补偿，不仅能补偿各次谐波，还可抑制闪变，补偿无功，同时滤波特性不受系统阻抗的影响，因此成为了广泛研究和关注的热点。目前有将各种先进控制方法应用到有源电力滤波器的控制当中，典型的有自适应控制和反演控制方法。这些先进方法一方面补偿了建模误差，另一方面实现了对有源电力滤波器的补偿电流跟踪控制。但自适应控制对外界扰动的鲁棒性很低，易使系统变得不稳定。由此可见，上述现有的有源电力滤波器在使用上，显然仍存在有不便与缺陷，而亟待加以进一步改进。为了解决现有的有源电力滤波器在使用上存在的问题，相关厂商莫不费尽心思来谋求解决之道，但长久以来一直未见适用的设计被发展完成。
技术实现思路
本专利技术的目的在于克服现有技术中的不足，提出了一种基于元认知模糊神经网络的有源电力滤波器反演控制方法，能够提高有源电力滤波器系统在存在参数摄动和外界干扰情况下的补偿电流跟踪性能和系统鲁棒性。为解决上述技术问题，本专利技术提供了一种基于元认知模糊神经网络的有源电力滤波器反演控制方法，其特征是，包括以下过程：S1，建立有源电力滤波器动力学方程为：其中，z1为i1、i2或i3，z2为或f(x)为或B为或hk为或u表示控制律，hk为有界的集总不确定，v1,v2,v3为公共连接点处电压，i1,i2,i3为滤波器输出补偿电流，vdc为直流侧电容电压，Lc为交流侧电感，Rc为交流侧等效电阻；Lc1、Rc1分别为系统参数Lc、Rc的标称值；S2，设计控制律，以控制有源电力滤波器；设计控制律为：其中，为未知部分f(x)的估计值，Yd为指令电流，K为正常数，sgn(e)为符号函数，c1为非零正常数，c2为大于零的正常数，跟踪误差e1＝z1-Yd，e2＝z2-α1，为利用元认知模糊神经网络逼近f(x)获得的估计值，为实时权值，为规则层的输出，T表示转置。优选的，建立有源电力滤波器动力学方程的过程为：有源电力滤波器在abc坐标系下的数学模型为：其中：C是直流侧电容器的电容值，t为时间，dnk是开关状态函数，n＝0,1,2,...,7，k＝1,2,3；考虑未知外界干扰和参数摄动时有源电力滤波器的数学模型可表示为：其中：G＝[g1g2g3g4]T为外界未知扰动向量，Lc1、Rc1和C1分别为系统参数的标称值，ΔL、ΔR和ΔC分别为参数的变化量；式(10)可改写成：其中，考虑式(11)的前3个方程：将上式求导得：将式(12)表示为如下形式：其中，x为i1、i2或i3，f(x)为或B为或hk为或u表示控制律，hk为有界的集总不确定，即存在未知常数H>0，使得|hk|≤H；定义两个新变量z1为i1、i2或i3，z2为或则(13)可以写成优选的，开关状态函数dnk，定义为：上式中n为开关模式，k为相数，开关函数ck，指示有源电力滤波器中IGBT开关的工作状态，定义为：其中，k＝1,2,3。优选的，元认知模糊神经网络采用四层网络结构，各层分别为：输入层、隶属度函数层、规则层和输出层。优选的，元认知模糊神经网络中：第一层：输入层输入层的各个节点直接与输入量的各个分量连接，将输入量传到下一层e1..ei..en代表元认知模糊神经网络的输入，有n个输入，第i个输入是ei为跟踪偏差向量中的元素；第二层：隶属度函数层采用高斯型函数作为隶属函数，和(i＝1,...,n,j＝1,...,Npi)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，表示隶属度函数，即便于计算，采用Npi表示隶属度函数的单独个数，并且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，则即其中代表隶属度函数的总个数；第三层：规则层该层采用模糊推理机制，而且每个节点的输出为该节点所有输入信号的乘积，即式中，φk(k＝1,...,l)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，在这里取为单位向量，l是规则层的总数目；第四层：输出层输出层的每个节点yo(o＝1,...,No)的输出为该节点所有输入信号的和；表示规则层和输出层之间的连接权矩阵，则进一步地，定义元认知模糊神经网络控制器的输出是：Y＝[y1y2…yl]＝WT·Φ＝W1φ1+W2φ2+...+Wlφl。特别的，元认知模糊神经网络还包括数据学习和数据删除两种自我调节策略：首先是数据学习策略，元认知模糊神经网络的数据学习过程涉及到最接近当前输入数据的规则的在线演化和参数更新。模糊规则是根据以下条件逐步确定的，即||ei||>Ea且ψ<Es；其中ψ是球面势能，表示输入数据的新颖性，由如下式子给出：其中，Es和Ea是新颖性和添加阈值，Ea可按照如下式子进行自我调节，Ea＝δEa+(1-δ)||ei||(28)其中||ei||表示跟踪误差；δ表示斜率因子；当需要加入一个新的模糊规则(第(l+1)条规则)时，其参数初始化为，其中κ是预先给定的模糊规则的重叠参数；当||ei||>El时，调整规则参数。阈值El也是根据跟踪误差进行自我调节的，由如下式子给出，El＝δEl+(1-δ)||ei||(30)在学习过程中，某一条规则对输出的贡献度可能会降低。在这种情况下，应从规则库中删除无关紧要的规则以避免过度计算；第q条规则的贡献度由如下式子给出：βq＝Φq|eiWq|,i＝1,...,n(31)其中，n代表输入的维数；如果第q条规则对输入的贡献度低于阈值Ep则删除这一条规则；然后是数据删除策略，具体的是，当前跟踪误差与上一次神经网络迭代计算过程误差接近时，无需更新网络参数，避免过度学习，降低计算负担。与现有技术相比，本专利技术所达到的有益效果是：本专利技术为降低算法复杂度引入元认知方法对模糊神经网络结构进行在线调整，根据跟踪误差设计规则增加、参数更新和规则删减算法动态调整模糊神经网络结构，避免过度学习并改善逼近性能。同时，当前跟踪误差与上一次神经网络迭代过程误差接近时，无需更新网络参数，降低计算负担，为算法在有源电力滤波器的实际运用提供技术支撑。附图说明图1为现有有源电力滤波器的结构图；图2为元认知模糊神经网络结构图；图3为本专利技术控制系统的原理图；图4为有源电力滤波器采用本专利技术方法进行控制的MATLAB仿真结果。具体实施方式下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。在电网应用中，三相交流电的应用占多数，所以本专利技术主要研究用于三相三线制系统的情况。如图1为现有三相三线并联电压型有源电力滤波器的基本电路拓扑结构图，vs1,vs2,vs3本文档来自技高网...

【技术保护点】
1.基于元认知模糊神经网络的有源电力滤波器反演控制方法，其特征是，包括以下过程：S1，建立有源电力滤波器动力学方程为：

【技术特征摘要】
1.基于元认知模糊神经网络的有源电力滤波器反演控制方法，其特征是，包括以下过程：S1，建立有源电力滤波器动力学方程为：其中，z1为i1、i2或i3，z2为或f(x)为或B为或u表示控制律，hk为有界的集总不确定，v1,v2,v3为公共连接点处电压，i1,i2,i3为滤波器输出补偿电流，vdc为直流侧电容电压，Lc为交流侧电感，Rc为交流侧等效电阻；Lc1、Rc1分别为系统参数Lc、Rc的标称值；S2，设计控制律，以控制有源电力滤波器；设计控制律为：其中，为未知部分f(x)的估计值，Yd为指令电流，K为正常数，sgn(e)为符号函数，c1为非零正常数，c2为大于零的正常数，跟踪误差e1＝z1-Yd，e2＝z2-α1，为利用元认知模糊神经网络逼近f(x)获得的估计值，元认知模糊神经网络的为实时权值，为元认知模糊神经网络中规则层的输出，T表示转置。2.根据权利要求1所述的基于元认知模糊神经网络的有源电力滤波器反演控制方法，其特征是，建立有源电力滤波器动力学方程的过程为：有源电力滤波器在abc坐标系下的数学模型为：其中：C是直流侧电容器的电容值，t为时间，dnk是开关状态函数，n＝0,1,2,...,7，k＝1,2,3；考虑未知外界干扰和参数摄动时有源电力滤波器的数学模型可表示为：其中：G＝[g1g2g3g4]T为外界未知扰动向量，Lc1、Rc1和C1分别为系统参数的标称值，ΔL、ΔR和ΔC分别为系统参数的变化量；式(10)可改写成：其中，考虑式(11)的前3个方程：将上式求导得：将式(12)表示为如下形式：其中，x为i1、i2或i3，f(x)为或B为或hk为或u表示控制律，hk为有界的集总不确定；定义两个新变量z1为i1、i2或i3，z2为或则(13)可以写成3.根据权利要求2所述的基于元认知模糊神经网络的有源电力滤波器反演控制方法，其特征是，开关状态函数dnk...

【专利技术属性】
技术研发人员：侯世玺，袁杉杉，费峻涛，储云迪，
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