基于神经网络的有源电力滤波器分数阶滑模控制方法、系统及存储介质技术方案

本发明专利技术公开了一种基于神经网络的有源电力滤波器分数阶滑模控制方法及系统，旨在解决现有技术中有源电力滤波器控制的稳定性、可靠性不足的技术问题。其包括：根据有源电力滤波器的控制模型设计对应的分数阶滑模模型，获得控制律；基于控制律构建双反馈模糊双隐层递归神经网络模型，获得最优等效控制项；根据最优等效控制项获得最优控制律，控制有源电力滤波器。本发明专利技术能够快速准确的进行电流补偿，具有良好的可靠性和稳定性。

【技术实现步骤摘要】
基于神经网络的有源电力滤波器分数阶滑模控制方法、系统及存储介质
本专利技术涉及一种基于神经网络的有源电力滤波器分数阶滑模控制方法、系统及存储介质，属于有源电力滤波器智能控制

技术介绍
在科学技术发展迅速的当下，电力电子设备的应用在电力系统中愈发的广泛，在此过程中，大量的电力电子设备会导致电力系统中的非线性负载逐渐增大，也带来了很大程度上的谐波污染。者不仅会逐渐加大电力系统的安全隐患，谐波还会造成电能的浪费，增加损耗，影响电气设备的正常运行，因此谐波治理近年来受到了越来越广泛的关注。在谐波治理的初期，许多常规的方法比如PID控制还能在一定程度上满足电网需求，但是，如今这些常规方法已经难以发挥良好的效果，在谐波治理的手段中，有源电力滤波器作为其中最为有效的方法，在谐波治理中起着举足轻重的作用。目前，国内外针对有源电力滤波器的控制方法大多因人而异，没有规范，其稳定性和可靠性无法保证，将智能控制与有源滤波器相结合来提升有源滤波器控制效果已经成为了大势所趋。
技术实现思路
为了解决现有技术中有源电力滤波器控制的稳定性、可靠性不足的问题，本专利技术提出了一种基于神经网络的有源电力滤波器分数阶滑模控制方法、系统及存储介质，利用神经网络处理非线性项的能力逼近等效控制项，令系统对模型精度的要求不需要太高，能够快速准确的进行电流补偿。为解决上述技术问题，本专利技术采用了如下技术手段：第一方面，本专利技术提出了一种基于神经网络的有源电力滤波器分数阶滑模控制方法，包括如下步骤：S1、根据有源电力滤波器的控制模型设计对应的分数阶滑模模型，获得控制律；S2、基于控制律构建双反馈模糊双隐层递归神经网络模型，获得最优等效控制项；S3、根据最优等效控制项获得最优控制律，控制有源电力滤波器。结合第一方面，进一步的，所述有源电力滤波器的控制模型的方程表示如下：其中，x为补偿电流ic，为x的二阶导数，R为交流侧电阻值，L为交流侧的等效电感，Us为电源电压，为Us的一阶导数，Udc为直流链路电压，为Udc的一阶导数，u为控制律，d(t)为连续可微的外部未知外部扰动之和，0＜d(t)＜D，D为d(t)的上界。结合第一方面，进一步的，分数阶滑模模型的构建方法包括如下步骤：定义分数阶滑模面：其中，s为滑模面，c为滑模系数，e为跟踪误差，e＝x-xr，xr为参考电流，α为分数阶滑模阶数；根据分数阶滑模面获得有源电力滤波器的控制律：u＝ueq+usw(3)其中，ueq为等效控制项，usw为切换控制项；切换控制项usw的表达式如下：其中，Kwsgn(s)为滑模面的切换项。结合第一方面，进一步的，双反馈模糊双隐层递归神经网络模型的神经网络结构如下：第一层：输入层，用于传递神经网络输入信号；第二层：模糊化层，用于利用高斯函数处理输入层输入的信号，实现模糊化操作；第三层：规则层，用于对模糊化层输出的信号进行模糊规则预处理；第四层：第一隐含层，用于利用非线性激活函数处理输入层输入的信号，进行特征初步提取；第五层：第二隐含层，用于利用非线性激活函数处理第一隐含层输出的信号，再次进行特征提取；第六层：结果层，用于对规则层输出的信号和第二隐含层输出的信号进行乘法操作；第七层：输出层，用于对结果层输出的信号进行加权求和处理，获得双反馈模糊双隐层递归神经网络的输出，并将当前时刻的输出作为下一时刻双反馈模糊双隐层递归神经网络的输入。结合第一方面，进一步的，双反馈模糊双隐层递归神经网络的输出为：其中，Y为双反馈模糊双隐层递归神经网络的输出，即为等效控制项ueq，Wj为神经网络的结果层到输出层的第j个节点的权值，W为所有Wj组成的权值向量，G表示神经网络结果层的输出向量，为结果层的第j个节点的输出值。结合第一方面，进一步的，基于最优逼近能力，通过双反馈模糊双隐层递归神经网络的迭代运算，获得最优等效控制项其中，W*为结果层的最佳权值向量，G*为最优等效控制项对应的神经网络结果层的输出向量；则等效控制项ueq的表达式如下：其中，ε为和ueq的误差，s,M*,σ*,W*,R*分别为最优等效控制项对应的最佳参数，为最佳外反馈权值向量，M*为模糊化层高斯函数的最佳中心向量，σ*为模糊化层高斯函数的最佳基宽向量，为第一隐含层非线性激活函数的最佳中心向量，为第一隐含层非线性激活函数的最佳基宽向量，为第二隐含层非线性激活函数的最佳中心向量，为第二隐含层非线性激活函数的最佳基宽向量，R*为最佳内反馈权值向量。结合第一方面，进一步的，最佳参数的学习策略如下：设等效控制项估计值的输出为：其中，为等效控制项估计值，分别为最佳参数M*,σ*,W*,R*的估计值；ueq和的误差为：其中，ε0为总积分近似误差，为结果层权值向量的误差，为结果层输出向量的误差。定义一个Lyapunov函数：其中，V表示Lyapunov函数，η1,η2,η3,η4,η5,η6,η7,η8,η9分别为最优参数W*,M*,σ*,R*的学习率，分别为最优参数M*,σ*,R*的误差；令V的一阶导数为0，获得最佳参数的自适应率：第二方面，本专利技术提出了一种基于神经网络的有源电力滤波器分数阶滑模控制系统，所述系统包括：分数阶滑模模块，用于根据有源电力滤波器的控制模型设计对应的分数阶滑模模型，获得控制律；神经网络模块，用于基于控制律构建双反馈模糊双隐层递归神经网络模型，获得最优等效控制项；有源电力滤波器控制模块，用于利用最优等效控制项控制有源电力滤波器。第三方面，本专利技术提出了一种基于神经网络的有源电力滤波器分数阶滑模控制系统，包括处理器及存储介质；所述存储介质用于存储指令；所述处理器用于根据所述指令进行操作以执行第一方面所述方法的步骤。第四方面，本专利技术提出了计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述方法的步骤。采用以上技术手段后可以获得以下优势：本专利技术提出了一种基于神经网络的有源电力滤波器分数阶滑模控制方法、系统及存储介质，利用分数阶滑模控制，与传统的滑模面相比，分数阶滑模既保留了其理论特性，即其三要素不变，同时分数阶滑模趋近律具有较好的平滑特性，且分数阶滑模控制律具有更好的抗干扰性和强鲁棒性，可以更准确的描述有源电力滤波器控制系统的动态特性和表征能力，提高系统的控制能力和控制精度，此外，分数阶滑模对于历史信息还具有一定的记忆性。本专利技术利用模糊神经网络和双隐层神经网络构建了一个双反馈模糊双隐层递归神经网络，该神经网络具有更好的处理非线性的能力，可以在降低计算复杂度的基础本文档来自技高网...

【技术保护点】
1.一种基于神经网络的有源电力滤波器分数阶滑模控制方法，其特征在于，包括如下步骤：/nS1、根据有源电力滤波器的控制模型设计对应的分数阶滑模模型，获得控制律；/nS2、基于控制律构建双反馈模糊双隐层递归神经网络模型，获得最优等效控制项；/nS3、根据最优等效控制项获得最优控制律，控制有源电力滤波器。/n

【技术特征摘要】
1.一种基于神经网络的有源电力滤波器分数阶滑模控制方法，其特征在于，包括如下步骤：
S1、根据有源电力滤波器的控制模型设计对应的分数阶滑模模型，获得控制律；
S2、基于控制律构建双反馈模糊双隐层递归神经网络模型，获得最优等效控制项；
S3、根据最优等效控制项获得最优控制律，控制有源电力滤波器。


2.根据权利要求1所述的一种基于神经网络的有源电力滤波器分数阶滑模控制方法，其特征在于，所述有源电力滤波器的控制模型的方程表示如下：



其中，x为补偿电流ic，为x的二阶导数，R为交流侧电阻值，L为交流侧的等效电感，Us为电源电压，为Us的一阶导数，Udc为直流链路电压，为Udc的一阶导数，u为控制律，d(t)为连续可微的外部未知外部扰动之和，0＜d(t)＜D，D为d(t)的上界。


3.根据权利要求2所述的一种基于神经网络的有源电力滤波器分数阶滑模控制方法，其特征在于，分数阶滑模模型的构建方法包括如下步骤：
定义分数阶滑模面：



其中，s为滑模面，c为滑模系数，e为跟踪误差，e＝x-xr，xr为参考电流，α为分数阶滑模阶数；
根据分数阶滑模面获得有源电力滤波器的控制律：
u＝ueq+usw
其中，ueq为等效控制项，usw为切换控制项；
切换控制项usw的表达式如下：



其中，Kwsgn(s)为滑模面的切换项。


4.根据权利要求3所述的一种基于神经网络的有源电力滤波器分数阶滑模控制方法，其特征在于，双反馈模糊双隐层递归神经网络模型的神经网络结构如下：
第一层：输入层，用于传递神经网络输入信号；
第二层：模糊化层，用于利用高斯函数处理输入层输入的信号，实现模糊化操作；
第三层：规则层，用于对模糊化层输出的信号进行模糊规则预处理；
第四层：第一隐含层，用于利用非线性激活函数处理输入层输入的信号，进行特征初步提取；
第五层：第二隐含层，用于利用非线性激活函数处理第一隐含层输出的信号，再次进行特征提取；
第六层：结果层，用于对规则层输出的信号和第二隐含层输出的信号进行乘法操作；
第七层：输出层，用于对结果层输出的信号进行加权求和处理，获得双反馈模糊双隐层递归神经网络的输出，并将当前时刻的输出作为下一时刻双反馈模糊双隐层递归神经网络的输入。


5.根据权利要求4所述的一种基于神经网络的有源电力滤波器分数阶滑模控制方法，其特征在于，双反馈模糊双隐层递归神经网络的输出为：



其中，Y为双反馈模糊双隐层递归神经网络的输出，即为等效控制项ueq，Wj为神经网络的结果层到输出层的第j个节点的权值，W为所有Wj组成的权值向量，G表示神经网络结果层的输出向量，为...

【专利技术属性】
技术研发人员：卓捷，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