本發(fā)明涉及一種有源電力濾波器控制方法，尤其涉及一種有源電力濾波器神經(jīng)網(wǎng)絡動態(tài)PID全局滑?？刂品椒ā?br>背景技術：
：隨著現(xiàn)代電力電子技術的大量推廣和應用，各種功率電子設備越來越多，諧波、無功、不平衡等對電力系統(tǒng)產(chǎn)生了很大的影響，嚴重影響了供電品質，降低了發(fā)電設備、用電設備的工作性能和使用壽命，甚至危及電力系統(tǒng)的安全性。目前主要采用外加濾波器的方式進行治理，濾波器分為無源濾波器和有源濾波器兩種。由于無源濾波器存在只能補償特定諧波等缺陷，所以現(xiàn)在對電能問題的治理研究主要集中在有源濾波器。有源濾波器能對頻率和幅值都變化的諧波進行跟蹤補償，不僅能補償各次諧波，還可抑制閃變，補償無功，同時濾波特性不受系統(tǒng)阻抗的影響，因此成為了廣泛研究和關注的熱點。目前有將各種先進控制方法應用到有源電力濾波器的控制當中，典型的有自適應控制和滑?？刂品椒?。這些先進方法一方面補償了建模誤差，另一方面實現(xiàn)了對有源電力濾波器的補償電流跟蹤控制。但自適應控制對外界擾動的魯棒性很低，易使系統(tǒng)變得不穩(wěn)定。由此可見，上述現(xiàn)有的有源電力濾波器在使用上，顯然仍存在有不便與缺陷，而亟待加以進一步改進。為了解決現(xiàn)有的有源電力濾波器在使用上存在的問題，相關廠商莫不費盡心思來謀求解決之道，但長久以來一直未見適用的設計被發(fā)展完成。技術實現(xiàn)要素：本發(fā)明的目的在于克服現(xiàn)有技術中的不足，提供一種有源電力濾波器神經(jīng)網(wǎng)絡動態(tài)PID全局滑?？刂品椒?，能夠提高有源電力濾波器系統(tǒng)在存在參數(shù)攝動和外界干擾情況下的補償電流跟蹤性能和系統(tǒng)魯棒性。為達到上述目的，本發(fā)明所采用的技術方案為：有源電力濾波器神經(jīng)網(wǎng)絡動態(tài)PID全局滑?？刂品椒ǎㄈ缦虏襟E：1)建立有源電力濾波器的數(shù)學模型；2)建立神經(jīng)網(wǎng)絡動態(tài)PID全局滑?？刂破?，基于神經(jīng)網(wǎng)絡動態(tài)PID全局滑?？刂圃O計控制律，將其作為有源電力濾波器的控制輸入；3)基于Lyapunov函數(shù)理論，設計自適應律，驗證所述神經(jīng)網(wǎng)絡動態(tài)PID全局滑?？刂破鞯姆€(wěn)定性。步驟1)的具體步驟如下：將有源電力濾波器在abc坐標系下的數(shù)學模型改寫成：di1dt=-RcLci1+v1Lc-vdcLcdn1di2dt=-RcLci2+v2Lc-vdcLcdn2di3dt=-RcLci3+v3Lc-vdcLcdn3dvdcdt=1C(2dn1+dn2)i1+1C(dn1+2dn2)i2]]>其中：v1、v2、v3是公共連接點的電壓,i1、i2、i3是有源電力濾波器的補償電流,C是直流側電容器,vdc是電容器C的電壓,Lc是交流側電感，Rc是等效電阻，dnk是開關狀態(tài)函數(shù)，k＝1,2,3；因此，考慮未知外界干擾和參數(shù)攝動時有源電力濾波器的數(shù)學模型可表示為：di1dt=-Rc1+ΔRLc1+ΔLi1+v1Lc1+ΔL-vdcLc1+ΔLdn1+g1di2dt=-Rc1+ΔRLc1+ΔLi2+v2Lc1+ΔL-vdcLc1+ΔLdn2+g2di3dt=-Rc1+ΔRLc1+ΔLi3+v3Lc1+ΔL-vdcLc1+ΔLdn3+g3dvdcdt=1C1+ΔC(2dn1+dn2)i1+1C1+ΔC(dn1+2dn2)i2+g4]]>進一步可改寫成：di1dt=-Rc1Lc1i1+v1Lc1-vdcLc1dn1+q1di2dt=-Rc1Lc1i2+v2Lc1-vdcLc1dn2+q2di3dt=Rc1Lc1i3+v3Lc1-vdcLc1dn3+q3dvdcdt=1C1(2dn1+dn2)i1+1C1(dn1+2dn2)i2+q4]]>其中，其中：G＝[g1g2g3g4]T為外界未知擾動向量，Lc1、Rc1和C1分別為系統(tǒng)參數(shù)的標稱值，ΔL、ΔR和ΔC分別為參數(shù)的變化量；為設計電流跟蹤控制器，考慮上式的前3個方程：di1dt=-Rc1Lc1i1+v1Lc1-vdcLc1dn1+q1di2dt=-Rc1Lc1i2+v2Lc1-vdcLc1dn2+q2di3dt=-Rc1Lc1i3+v3Lc1-vdcLc1dn3+q3]]>進一步地，將上式求導，得：i··1=Rc12Lc12i1+v·1Lc1-Rc1v1Lc12+Rc1vdcLc12dn1-vdcLc1d·n1+q·1-Rc1Lc1q1i··2=Rc12Lc12i2+v·2Lc1-Rc1v2Lc12+Rc1vdcLc12dn2-vdcLc1d·n2+q·2-Rc1Lc1q2i··3=Rc12Lc12i3+v·3Lc1-Rc1v3Lc12+Rc1vdcLc12dn3-vdcLc1d·n1+q·3-Rc1Lc1q3]]>在參數(shù)對稱的情況下，將多變量控制化為三個單變量控制簡化為一個單變量控制問題，表示為如下形式：x··=f(x)+bu+hk]]>其中，x為有源電力濾波器的補償電流，即i1、i2或i3，f(x)對應為或b對應為或hk對應為或u表示控制律；參數(shù)不確定性的上界被給出，即k＝1,2,3；其中δGSMC，δDGSMC分別是給定的被用作PID全局滑模和動態(tài)PID全局滑模系統(tǒng)的正常數(shù)。步驟2)的具體步驟如下：2-1)設計PID全局滑模面S(t)為：其中：e為跟蹤誤差，e＝x-yd，x為有源電力濾波器的補償電流，yd為有源電力濾波器的指令電流，f(t)是為了達到全局滑模面而設計的函數(shù)，λ1，λ2為滑模系數(shù)；τ表示積分時間；2-2)設計動態(tài)PID全局滑模面ζ(t)為：其中，λ3，λ4為滑模系數(shù)；2-3)設計神經(jīng)網(wǎng)絡動態(tài)PID全局滑?？刂坡墒褂性措娏V波器實際軌跡跟蹤上理想軌跡，控制律設計為：uqsRBFDGSMC=∫0tu·qsRBFDGSMC(τ)dτ]]>u·qsRBFDGSMC=1b[f··(t)+λ3f·(t)+λ4f(t)+y···d+(λ1+λ3)y··d-f·(x)-(λ1+λ3)f(x)-(λ1+λ3)bu-(λ2+λ1λ3+λ4)e·-(λ2λ3+λ1λ4)e-λ2λ4∫0te(τ)dτ-Γ^hk-Kvζ]]]>其中：為徑向基函數(shù)神經(jīng)網(wǎng)絡的實時權值，在線不斷更新；φ(x)＝[φ1(x),φ2(x)…φn(x)]T是高斯基函數(shù)；Kv為正常數(shù)。所述步驟2-1)中，f(t)函數(shù)滿足以下3個條件：a、b、t→∞時，f(t)→0；c、f(t)具有一階導數(shù)；其中，e0是跟蹤誤差的初始值，c為常數(shù)，所以將f(t)設計為：f(t)＝f(0)e-αt，α為常數(shù)。步驟2-3)中，采用徑向基函數(shù)神經(jīng)網(wǎng)絡來估計動態(tài)PID全局滑?？刂葡到y(tǒng)中的不確定項徑向基函數(shù)神經(jīng)網(wǎng)絡的輸出Y為：Y=W^Tφ(x),]]>其中，為徑向基函數(shù)神經(jīng)網(wǎng)絡的實時權值，在線不斷更新，φ(x)＝[φ1(x),φ2(x)…φn(x)]T是高斯基函數(shù)，n為神經(jīng)網(wǎng)絡輸出節(jié)點的個數(shù)。步驟3)中Lyapunov函數(shù)V(ζ(t))設計為：V(ζ(t))=12(ζ(t)2+1rW~TW~)]]>所述自適應律設計為：其中，r是學習速率，是神經(jīng)網(wǎng)絡中的實時權值向量，W為理想的網(wǎng)絡權值向量，是被估計的權值向量的誤差，與現(xiàn)有技術相比，本發(fā)明所達到的有益效果是：神經(jīng)網(wǎng)絡動態(tài)PID全局滑?？刂葡到y(tǒng)由動態(tài)PID全局滑模控制器和神經(jīng)網(wǎng)絡不確定估計器構成，全局滑模控制能克服傳統(tǒng)滑?？刂浦械竭_模態(tài)不具有魯棒性的缺點，加快系統(tǒng)響應，使系統(tǒng)在響應的全過程都具有魯棒性。本發(fā)明在滑模面的設計中引入積分項來抑制穩(wěn)態(tài)誤差和增強魯棒性，并且動態(tài)滑?？刂瓶梢詼p少抖振現(xiàn)象，因此，PID全局滑模和動態(tài)滑模的結合可以同時發(fā)揮各自的優(yōu)點，提高滑?？刂葡到y(tǒng)的瞬態(tài)特性和魯棒性并減少滑模變結構控制中存在的抖振。對于未知的不確定性，加入神經(jīng)網(wǎng)絡來逼近不確定項，將滑模控制的切換項轉化為連續(xù)的神經(jīng)網(wǎng)絡輸出，進一步削弱了滑?？刂浦械亩墩瘳F(xiàn)象，避免了IGBT誤動作，優(yōu)化了系統(tǒng)性能。附圖說明圖1為本發(fā)明有源電力濾波器的結構圖。圖2為本發(fā)明徑向基函數(shù)神經(jīng)網(wǎng)絡系統(tǒng)結構圖。圖3為本發(fā)明神經(jīng)網(wǎng)絡全局滑?？刂葡到y(tǒng)的原理圖。圖4為本發(fā)明負載電流曲線。圖5為本發(fā)明電源電流曲線。圖6為本發(fā)明補償電流跟蹤曲線。圖7為本發(fā)明補償電流跟蹤誤差曲線。圖8為本發(fā)明神經(jīng)網(wǎng)絡動態(tài)PID全局滑模控制下頻譜分析圖.具體實施方式下面結合附圖對本發(fā)明作進一步描述。以下實施例僅用于更加清楚地說明本發(fā)明的技術方案，而不能以此來限制本發(fā)明的保護范圍。有源電力濾波器神經(jīng)網(wǎng)絡動態(tài)PID全局滑模控制方法，如圖3所示，包括如下步驟：1、建立有源電力濾波器動力學方程根據(jù)電路理論和基爾霍夫電壓定律可以得到有源電力濾波器在abc坐標系下的數(shù)學模型：di1dt=-RcLci1+v1Lc-vdcLcdn1di2dt=-RcLci2+v2Lc-vdcLcdn2di3dt=-RcLci3+v3Lc-vdcLcdn3dvdcdt=1C(2dn1+dn2)i1+1C(dn1+2dn2)i2---(1)]]>其中：v1、v2、v3是公共連接點的電壓,i1、i2、i3是有源電力濾波器的補償電流,C是直流側電容器,vdc是電容器C的電壓,Lc是交流側電感,Rc是等效電阻。dnk是開關狀態(tài)函數(shù)，k＝1,2,3。有源電力濾波器在實際運行中不僅會受到外界各種未知擾動的影響，并且在使用過程中注入電感和濾波電容等系統(tǒng)元件會逐漸老化，即參數(shù)存在攝動。為了提高系統(tǒng)對外界擾動和參數(shù)攝動的魯棒性，有必要在系統(tǒng)模型中考慮這些影響。因此考慮未知外界干擾和參數(shù)攝動時有源電力濾波器的數(shù)學模型可表示為：di1dt=-Rc1+ΔRLc1+ΔLi1+v1Lc1+ΔL-vdcLc1+ΔLdn1+g1di2dt=-Rc1+ΔRLc1+ΔLi2+v2Lc1+ΔL-vdcLc1+ΔLdn2+g2di3dt=-Rc1+ΔRLc1+ΔLi3+v3Lc1+ΔL-vdcLc1+ΔLdn3+g3dvdcdt=1C1+ΔC(2dn1+dn2)i1+1C1+ΔC(dn1+2dn2)i2+g4---(2)]]>其中：G＝[g1g2g3g4]T為外界未知擾動向量，Lc1、Rc1和C1分別為系統(tǒng)參數(shù)的標稱值，ΔL、ΔR和ΔC分別為參數(shù)的變化量。為了便于分析，式(2)可改寫成：di1dt=-Rc1Lc1i1+v1Lc1-vdcLc1dn1+q1di2dt=-Rc1Lc1i2+v2Lc1-vdcLc1dn2+q2di3dt=Rc1Lc1i3+v3Lc1-vdcLc1dn3+q3dvdcdt=1C1(2dn1+dn2)i1+1C1(dn1+2dn2)i2+q4---(3)]]>其中，為設計電流跟蹤控制器，考慮(3)的前3個方程：di1dt=-Rc1Lc1i1+v1Lc1-vdcLc1dn1+q1di2dt=-Rc1Lc1i2+v2Lc1-vdcLc1dn2+q2di3dt=-Rc1Lc1i3+v3Lc1-vdcLc1dn3+q3---(4)]]>進一步地，將(4)求導得i··1=Rc12Lc12i1+v·1Lc1-Rc1v1Lc12+Rc1vdcLc12dn1-vdcLc1d·n1+q·1-Rc1Lc1q1i··2=Rc12Lc12i2+v·2Lc1-Rc1v2Lc12+Rc1vdcLc12dn2-vdcLc1d·n2+q·2-Rc1Lc1q2i··3=Rc12Lc12i3+v·3Lc1-Rc1v3Lc12+Rc1vdcLc12dn3-vdcLc1d·n1+q·3-Rc1Lc1q3---(5)]]>可以看到，雖然這是一個多輸入多輸出系統(tǒng)，但是‘1’,‘2’,‘3’三相之間并沒有相互耦合項，所以在電流控制系統(tǒng)的設計過程中可以將此多變量控制化為三個單變量控制，而在參數(shù)對稱的情況下，更可以簡化為一個單變量控制問題。為簡單起見，將其表示為如下形式：x··=f(x)+bu+hk---(6)]]>其中，x為i1、i2或i3，f(x)為或b為或hk為或u表示控制律。參數(shù)不確定性的上界被給出，即k＝1,2,3；其中δGSMC，δDGSMC分別是給定的被用作PID全局滑模和動態(tài)PID全局滑模系統(tǒng)的正常數(shù)。2、建立有源電力濾波器神經(jīng)網(wǎng)絡動態(tài)PID全局滑?？刂破?，設計控制律，將其作為有源電力濾波器儀的控制輸入；設位置指令為yd，則誤差為e＝x-yd(7)PID全局滑模面設計為：S=e·+λ1e+λ2∫0te(τ)dτ-f(t)---(8)]]>其中，λ1，λ2是正常數(shù)，表示滑模系數(shù)；τ表示積分時間；f(t)是為了達到全局滑模面而設計的函數(shù)，f(t)滿足以下3個條件:(1)(2)t→∞時，f(t)→0(3)f(t)具有一階導數(shù)。其中，e0是跟蹤誤差的初始值，c為常數(shù)；所以可將f(t)設計為：f(t)＝f(0)e-αt(9)其中：α為常數(shù)。對滑模面S求導得：S·=e··+λ1e·+λ2e-f·(t)=x··-y··d+λ1e·+λ2e-f·(t)=f(x)+bu+hk-y··d+λ1e·+λ2e-f·(t)---(10)]]>令得到等效控制律：ueqGSMC=1b[y··d+f·(t)-f(x)-λ1e·-λ2e-hk]---(11)]]>如果不確定性存在，名義模型控制器不能保證系統(tǒng)性能，為了消除不可測的擾動的影響，加入控制輸入uh(t)，使得t>0時，S(t)＝0。uh(t)被設計為：uh(t)＝δGSMCsgn(S(t))，其中：|hk|≤δGSMC所以總的全局滑?？刂坡稍O計為：uqsGSMC=1b[y··d+f·(t)-f(x)-λ1e·-λ2e-δGSMCsgn(S)]---(12)]]>滑模系統(tǒng)可能需要一些額外的動力來提高系統(tǒng)穩(wěn)定性和滑模穩(wěn)定性并獲取所需的系統(tǒng)響應。為了減少抖振現(xiàn)象，我們通過加入一個動態(tài)變量來獲得一個分層的滑動面從而設計了一個動態(tài)全局滑?？刂葡到y(tǒng)。動態(tài)全局滑模面設計為：ζ(S(t))=S·(t)+λ3S(t)+λ4∫0tS(τ)dτ---(13)]]>其中，λ3，λ4是正常數(shù)，表示滑模系數(shù)；對滑模面S求二階導得：S··(t)=f·(x)+bu·+h·k-y···d+λ1e··+λ2e·-f··(t)---(14)]]>對滑模面ζ求導得：ζ·(S(t))=S··(t)+λ3S·(t)+λ4S(t)=f·(x)+bu·+h·k-y···d+λ1e··+λ2e·-f··(t)+λ3[f(x)+bu+hk-y··d+λ1e·+λ2e-f·(t)]+λ4[e·+λ1e+λ2∫0te(τ)dτ-f(t)]=f·(x)+(λ1+λ3)f(x)-f··(t)-λ3f·(t)-λ4f(t)-y···d-(λ1+λ3)y··d+bu·+(λ1+λ3)bu+(λ2+λ1λ3+λ4)e·+(λ2λ3+λ1λ4)e+λ2λ4∫04e(τ)dτ+h·k+(λ1+λ3)hk---(15)]]>令得：ueqDGSMC=∫0tu·eqDGSMC(τ)dτ---(16)]]>u·eqDGSMC=1b[f··(t)+λ3f·(t)+λ4f(t)+y···d+(λ1+λ3)y··d-f·(x)-(λ1+λ3)f(x)(3-13)-(λ1+λ3)bu-(λ2+λ1λ3+λ4)e·-(λ2λ3+λ1λ4)e-λ2λ4∫0te(τ)dτ-h·k-(λ1+λ3)hk]---(17)]]>進一步得到：uqsDGSMC=∫0tu·qsDGSMC(τ)dτ---(18)]]>u·qsDGSMC=1b[f··(t)+λ3f·(t)+λ4f(t)+y···d+(λ1+λ3)y··d-f·(x)-(λ1+λ3)f(x)-(λ1+λ3)bu-(λ2+λ1λ3+λ4)e·-(λ2λ3+λ1λ4)e-λ2λ4∫0te(τ)dτ-δDGSMCsgn(ζ(S(t)))]---(19)]]>從動態(tài)全局滑?？刂坡?18)，(19)可以明顯地看出仍然需要一個大的切換增益來保證軌跡在動態(tài)滑模面上，并且它的值在實際應用中也是不確定的。此外，雖然通過動態(tài)滑模的方法減少了抖振現(xiàn)象達到了實際的控制效果，但是理想的切換控制是很難實現(xiàn)的。針對這些問題，提出一種神經(jīng)網(wǎng)絡不確定性估計器來逼近未知的非線性時變函數(shù)。一個徑向基神經(jīng)網(wǎng)絡的結構如圖2所示。其中，x是神經(jīng)網(wǎng)絡的輸入，Y是神經(jīng)網(wǎng)絡的輸出，W＝[W1,W2...Wn]T為權重向量，φ(x)＝[φ1(x),φ2(x)...φn(x)]T是高斯基函數(shù)，φj(x)＝g(||x-cj||/σj)，j＝1,2…n，n表示神經(jīng)網(wǎng)絡輸出節(jié)點的個數(shù)。徑向基函數(shù)神經(jīng)網(wǎng)絡控制器的輸出是：有源電力濾波器神經(jīng)網(wǎng)絡動態(tài)PID全局滑模控制系統(tǒng)結構圖如圖3所示。是系統(tǒng)集總的不確定項，神經(jīng)網(wǎng)絡用來逼近未知函數(shù)未知函數(shù)可以被參數(shù)化為一個理想的徑向基函數(shù)神經(jīng)網(wǎng)絡輸出與有界的網(wǎng)絡重構誤差函數(shù)：其中，W表示理想網(wǎng)絡權值，ε為神經(jīng)網(wǎng)絡重構誤差。在理想網(wǎng)絡權值下，神經(jīng)網(wǎng)絡重構誤差最小，且一致有界，|ε|≤εb，εb為很小的正數(shù)。因此，設計控制率為：uqsRBFDGSMC=∫0tu·qsRBFDGSMC(τ)dτ---(20)]]>u·qsRBFDGSMC=1b[f··(t)+λ3f·(t)+λ4f(t)+y···d+(λ1+λ3)y··d-f·(x)-(λ1+λ3)f(x)-(λ1+λ3)bu-(λ2+λ1λ3+λ4)e·-(λ2λ3+λ1λ4)e-λ2λ4∫0te(τ)dτ-Γ^hk-Kvζ]---(21)]]>其中，為徑向基函數(shù)神經(jīng)網(wǎng)絡的實時權值，在線不斷更新。Kv為正常數(shù)。3、基于lyapunov函數(shù)理論，設計自適應律，驗證系統(tǒng)的穩(wěn)定性；定義如下李雅普諾夫函數(shù)：V(ζ(S(t)))=12(ζ2+1rW~TW~)---(22)]]>其中，r是一個正常數(shù)，表示學習率，估計權重向量誤差，可以表示為W~=W-W^---(23)]]>當系統(tǒng)收斂，W將保持為一個常數(shù)。因此，存在那么顯然，V(ζ(S(t)))是正定的標量，對它求導并代入得V·(ζ(S(t)))=ζ·ζ·+1rW~TW~·=ζ[h·k+(λ1+λ3)hk-Γ^hk-Kvζ]+1rW~TW~·=ζ[WTφ(x)+ϵ-W^φ(x)-Kvζ]+1rW~TW~·=ζW~φ(x)+1rW~TW~·+ζϵ-Kvζ2---(24)]]>選擇一個自適應律：W^·=-W~·=-rζφ(x)---(25)]]>即V·(ζ(S(t)))=ϵζ-Kvζ2≤|ζ|(|ϵ|-Kv|ζ|)≤|ζ|(|ϵb|-Kv|ζ|)≤0---(26)]]>的半負定性證明了有源電力濾波器神經(jīng)網(wǎng)絡動態(tài)PID全局滑?？刂葡到y(tǒng)的穩(wěn)定性。最后，為了驗證上述理論的可行性，在Matlab下進行了仿真實驗。仿真結果驗證了神經(jīng)網(wǎng)絡動態(tài)PID全局滑?？刂品椒ǖ男Ч?。仿真中選取的系統(tǒng)參數(shù)見下表。仿真中，有源電力濾波器神經(jīng)網(wǎng)絡動態(tài)PID控制器中參數(shù)選取如下：λ1＝λ2＝λ3＝λ4＝100000,KV＝5000000,r＝100。全局項中的α＝130。實驗的結果如圖4至圖8所示，圖4為負載電流曲線，圖5為電源電流曲線，從圖中可以看出電路中存在著大量的諧波，經(jīng)過有源電力濾波器補償后電源電流近似正弦波，從圖8頻譜分析圖可知電源電流THD僅為1.90％，證明了系統(tǒng)具有較高的補償性能。圖6和圖7分別是補償電流跟蹤曲線和跟蹤誤差曲線，從中也可以看出采用提出的控制方法使補償電流很好的跟蹤上指令電流，跟蹤誤差在合理的范圍之內。仿真結果驗證了本發(fā)明方法的有效性。以上所述僅是本發(fā)明的優(yōu)選實施方式，應當指出，對于本
技術領域：
的普通技術人員來說，在不脫離本發(fā)明技術原理的前提下，還可以做出若干改進和變形，這些改進和變形也應視為本發(fā)明的保護范圍。當前第1頁1 2 3