一種電網(wǎng)諧波電流信號(hào)跟蹤控制方法
【專利摘要】本發(fā)明提供了一種電網(wǎng)諧波電流信號(hào)跟蹤控制方法，針對(duì)控制延時(shí)對(duì)系統(tǒng)產(chǎn)生的影響，以注入式混合的有源電力濾波器IHAPF作為研究對(duì)象，提出了基于延時(shí)補(bǔ)償?shù)闹C波電流信號(hào)跟蹤控制方法。該方法主要由改進(jìn)型smith預(yù)估器與神經(jīng)網(wǎng)絡(luò)PI控制組成。其中，改進(jìn)型smith預(yù)估器使系統(tǒng)的延時(shí)過程從控制的閉環(huán)內(nèi)部轉(zhuǎn)換到外部，從而減小控制延時(shí)對(duì)系統(tǒng)的影響。
【專利說明】
一種電網(wǎng)諧波電流信號(hào)跟蹤控制方法
技術(shù)領(lǐng)域
[0001 ]本發(fā)明涉及一種電網(wǎng)諧波電流信號(hào)跟蹤控制方法。
【背景技術(shù)】
[0002] 隨著電力電子設(shè)備在配電網(wǎng)中廣泛使用，企業(yè)配電網(wǎng)中的諧波污染問題日益嚴(yán) 重，每年給企業(yè)經(jīng)濟(jì)造成了巨大損失。而無源濾波器只能對(duì)各次諧波進(jìn)行濾除，且易與電網(wǎng) 產(chǎn)生諧振，已不能滿足對(duì)諧波抑制的要求。有源濾波器也是抑制諧波的一種重要手段，其原 理是從需要補(bǔ)償?shù)哪繕?biāo)中尋找到諧波電流，再由補(bǔ)償設(shè)備生成一個(gè)與該諧波大小相等而極 性反相的補(bǔ)償電流與諧波電流相互抵消。有源濾波器能夠?qū)Ω鞔沃C波進(jìn)行動(dòng)態(tài)補(bǔ)償，且響 應(yīng)周期短，從而在電網(wǎng)諧波濾除中得到廣泛應(yīng)用。但有源濾波器也存在容量小、結(jié)構(gòu)復(fù)雜以 及使用成本過高等缺點(diǎn)，為此很少單獨(dú)在配電網(wǎng)中使用。因此，通常情況下使用有源電力濾 波器與無源電力濾波器相互結(jié)合組成混合型有源電力濾波器，從而實(shí)現(xiàn)諧波濾除的目的。
[0003] 在有源電力濾波器中對(duì)電流精確跟蹤控制直接影響了濾波器整體性能，而評(píng)價(jià)系 統(tǒng)性能的兩個(gè)指標(biāo)是系統(tǒng)響應(yīng)速度和穩(wěn)態(tài)補(bǔ)償精度，針對(duì)提高濾波器性能廣大學(xué)者提出了 眾多方法。目前有源濾波設(shè)備多采用數(shù)字化的控制器，實(shí)現(xiàn)比較靈活，但存在延時(shí)現(xiàn)象，對(duì) 濾波器性能造成了嚴(yán)重影響，對(duì)于混合型有源濾波器由于其結(jié)構(gòu)特殊，延時(shí)對(duì)其影響相比 于單獨(dú)的有源濾波器更為嚴(yán)重。Smith預(yù)估控制隨著計(jì)算機(jī)的不斷發(fā)展，已經(jīng)成為解決工業(yè) 延時(shí)滯后的有效方法之一，simth預(yù)估計(jì)具有對(duì)設(shè)定值的改變響應(yīng)速度快，跟蹤精度高等優(yōu) 點(diǎn)。但是，Smith預(yù)估器對(duì)被控對(duì)象的數(shù)學(xué)模型要求較高，這一點(diǎn)在工程應(yīng)用中比較難實(shí)現(xiàn)， 此外傳統(tǒng)的Smith預(yù)估器受到參數(shù)的限制無法使系統(tǒng)趨于穩(wěn)定。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明所要解決的主要技術(shù)問題是提供一種電網(wǎng)諧波電流信號(hào)跟蹤控制方法，主 要由3T補(bǔ)償smith預(yù)估器與由PS0-BP神經(jīng)網(wǎng)絡(luò)對(duì)參數(shù)進(jìn)行優(yōu)化的PI控制器組成。31補(bǔ)償smith 預(yù)估器使系統(tǒng)延時(shí)過程中從控制的閉環(huán)內(nèi)部轉(zhuǎn)換到外部，從而減小控制延時(shí)對(duì)系統(tǒng)的影 響。
[0005] 為了解決上述的技術(shù)問題，本發(fā)明提供了一種電網(wǎng)諧波電流信號(hào)跟蹤控制方法， 包括如下依序步驟：
[0006] 1)將電網(wǎng)中諧波電流ih經(jīng)過l/G〇轉(zhuǎn)變?yōu)橹C波電壓信號(hào)Uh;所述Go為逆變器的輸入 電流i。和輸出電壓U。之間的傳遞函數(shù)；
[0007] 2)以所述諧波電壓信號(hào)Uh為控制目標(biāo)，將所述諧波電壓信號(hào)Uh經(jīng)過改進(jìn)的Smith預(yù) 估器和逆變器;所述改進(jìn)的Smith預(yù)估器包括由PS0-BP神經(jīng)網(wǎng)絡(luò)對(duì)參數(shù)進(jìn)行優(yōu)化的PI控制 器與一個(gè)31補(bǔ)償Smith預(yù)估器;并滿足如下關(guān)系式：
[0009] 其中，Ue為諧波電壓信號(hào)Uh與逆變器輸出電壓Uc的差值;G: :'(.v)、G〕(.v)分別為PS0- BP神經(jīng)網(wǎng)絡(luò)優(yōu)化的PI控制器的傳遞函數(shù)、辨識(shí)后的逆變器傳遞函數(shù);d為過渡量;u為PI控制 器輸出電壓信號(hào)；
[0010] 從而可得逆變器的輸出電壓Uc與諧波電壓信號(hào)Uh兩者之間的傳遞函數(shù)為：
[0012] 所述由PS0-BP神經(jīng)網(wǎng)絡(luò)優(yōu)化的PI控制器的算法流程如下：
[0013] 1)根據(jù)注入式混合的有源電力濾波器的具體運(yùn)行狀態(tài)，結(jié)合神經(jīng)網(wǎng)絡(luò)輸入、輸出 樣本集，建立神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，將神經(jīng)元之間所有的連接權(quán)值和閾值編碼成實(shí)數(shù)向量 表示種群中的個(gè)體粒子；
[0014] 2)初始化粒子的初始位置、速度、慣性系數(shù)w，學(xué)習(xí)因子(^、(^^(^、(^，，規(guī)定最大 迭代次數(shù)；
[0015] 3)根據(jù)輸入、輸出樣本，利用BP網(wǎng)絡(luò)的前向算法
[0016] A u(t) =kp(ue(t)-Ue(t-l) )+kiUe(t)
[0017] 以及粒子群算法尋優(yōu)誤差函數(shù)
[0019]計(jì)算出每個(gè)粒子適應(yīng)度函數(shù)值，并將每個(gè)粒子的最好位置作為其歷史最佳位置， 開始迭代；
[0020]其中，輸出節(jié)點(diǎn)分別對(duì)應(yīng)PI控制器中的參數(shù)kP、ki;
[0021 ] 4)利用PS0-BP算法的4個(gè)迭代公式
[0022] A wij(t) = (w-1) (wij(t)-wij(t-l) )+r7 ic7 i(wij(b)-wij(t) )+r7 2c7 2(wij(B)-Wij (t))
[0023] A wii(t) = (w-1) (wii(t)-wn(t-l) )+rici(wii(b)-wn(t) )+r2C2(wn(B)-wn(t)) _4] #(，+ 〇=€(，)+制 Y(…)十 -!- w/(. W)+ w/;(r)) rnn^l ：，(^ + W+ 1 (r + 0+ ^U，- W- - 0! +(p)- (?0)+ Vi(u;.(5)- %(0)
[0026]式中，w為慣性系數(shù)，mdPr/、以為o-l的隨機(jī)數(shù)，b是粒子本身目前所找到的最 優(yōu)解的節(jié)點(diǎn)，稱為個(gè)體極值點(diǎn)，B是整個(gè)種群目前所找到的最優(yōu)解的節(jié)點(diǎn)，稱為全局極值點(diǎn)； sgn(x)為符號(hào)函數(shù)，0為學(xué)習(xí)步長(zhǎng)；
[0029]對(duì)粒子的速度和位置進(jìn)行更新，搜索出粒子最佳位置。
[0030]檢驗(yàn)符合結(jié)束條件，當(dāng)前位置或最大迭代次數(shù)達(dá)到預(yù)定的誤差要求時(shí)，則停止迭 代，輸出神經(jīng)網(wǎng)絡(luò)的最終權(quán)值和閾值，即PI控制器的參數(shù)kP、ki;
[0031 ] 辨識(shí)后的逆變器傳遞函數(shù)巧的表達(dá)式如下：
[0033] 所述PS0-BP神經(jīng)網(wǎng)絡(luò)優(yōu)化的PI控制器的傳遞函數(shù)表達(dá)式如下：
[0035]其中，匕為控制器增益，Ti為控制器積分時(shí)間。
[0036] 從而得到：
[0038]以ITAE為準(zhǔn)則的二階最佳極點(diǎn)方程為
[0039] s1 + 2w,0 + wft = 0
[0040] 其中，亀為無阻尼振蕩的頻率，|為阻尼比;選定Wn的工程方法是根據(jù)所要求的閉環(huán) 響應(yīng)的過渡時(shí)間tr，有：
[0042] 可以得到逆變器的傳遞函數(shù)和PI控制器中參數(shù)之間的數(shù)學(xué)表達(dá)式，為：
[0045] 相較于現(xiàn)有技術(shù)，本發(fā)明的技術(shù)方案具備以下有益效果：
[0046] 本發(fā)明提供的一種基于延時(shí)補(bǔ)償?shù)碾娋W(wǎng)諧波電流信號(hào)跟蹤控制方法，主要由31補(bǔ) 償smith預(yù)估器與由PS0-BP神經(jīng)網(wǎng)絡(luò)對(duì)參數(shù)進(jìn)行優(yōu)化的PI控制器組成。31補(bǔ)償smith預(yù)估器 使系統(tǒng)延時(shí)過程中從控制的閉環(huán)內(nèi)部轉(zhuǎn)換到外部，從而減小控制延時(shí)對(duì)系統(tǒng)的影響。通過 PS0-BP算法對(duì)PI控制器參數(shù)進(jìn)行優(yōu)化處理。由ITAE準(zhǔn)則建立smith預(yù)估器與PI控制參數(shù)之 間的數(shù)學(xué)表達(dá)式，由此關(guān)系和神經(jīng)網(wǎng)絡(luò)優(yōu)化的方法得到兩種控制器的最優(yōu)參數(shù)。最后對(duì)本 文提出的方法進(jìn)行了仿真驗(yàn)證，仿真結(jié)果表明與傳統(tǒng)方法相比本文方法具有更好動(dòng)態(tài)響應(yīng) 特性和更高的穩(wěn)態(tài)補(bǔ)償精度。
【附圖說明】
[0047]圖1為IHAPF的結(jié)構(gòu)示意圖；
[0048]圖2為IHAPF的諧波單相等效電路；
[0049] 圖3為傳統(tǒng)的諧波電流控制方法；
[0050] 圖4為改進(jìn)后的諧波電壓控制方法；
[0051]圖5本發(fā)明優(yōu)選實(shí)施例的跟蹤控制框圖；
[0052]圖6為傳統(tǒng)PI控制算法下的補(bǔ)償仿真波形圖；
[0053]圖7為本發(fā)明優(yōu)選實(shí)施例的補(bǔ)償仿真波形圖；
[0054] 圖8未采用本發(fā)明算法的電流波形圖；
[0055] 圖9為采用了本發(fā)明算法的電流波形圖。
【具體實(shí)施方式】
[0056] 以下結(jié)合附圖及實(shí)施例對(duì)本發(fā)明進(jìn)行進(jìn)一步的詳細(xì)說明。
[0057] IHAPF結(jié)構(gòu)如圖1所示，主要由無功補(bǔ)償電容器、基波諧振支路、電壓型逆變器、不 可控整流電路等組成。
[0058]如圖2所示的IHAPF的諧波單相等效電路，負(fù)載被看作諧波電流源ih，uc、ic分別為 逆變器的輸出電壓與輸入電流，i s為電網(wǎng)中諧波電流。
[0059] 為了對(duì)圖2中的諧波電流進(jìn)行濾除，可將逆變器中的輸出電流控制為：
[0060] ic = -ih (1)
[0061 ] 則有
[0062] is = 〇 (2)
[0063] 傳統(tǒng)的電流控制方法如圖3所示，其中Go為與之間的傳遞函數(shù)，控制器采用傳 統(tǒng)的PI控制方法進(jìn)行控制。
[0064]由圖2,傳遞函數(shù)Go可表示為：
(3)
[0066]結(jié)合式(1)、（2)、（3)可得：
[0069] 其中Uh為負(fù)載的諧波電流ih經(jīng)過傳遞函數(shù)l/Go輸出的電壓信號(hào)一一諧波電壓信 號(hào)。
[0070] 由于傳遞函數(shù)Go階數(shù)較高，在極點(diǎn)配置上比較難實(shí)現(xiàn)。因此本文結(jié)合(4)式將諧波 電壓信號(hào)作為控制目標(biāo)，并考慮到IHAPF系統(tǒng)中存在延時(shí)現(xiàn)象從而影響了電流跟蹤控制，則 (5) 實(shí)際的電壓信號(hào)跟蹤控制框圖如圖4所示。
[0071]圖4中，uc、-uh之間的傳遞函數(shù)為：
[0073] 式中，y為IHAPF系統(tǒng)的控制延時(shí)，Gc(s)為傳遞函數(shù)，GP(s)為電壓型逆變器的傳遞 函數(shù)。由式(5)可以看出在方程中包含了延時(shí)項(xiàng)，此延時(shí)項(xiàng)會(huì)對(duì)系統(tǒng)的穩(wěn)定性與控制性能造 成影響。
[0074] 因此，本實(shí)施例針對(duì)延時(shí)對(duì)IHAPF系統(tǒng)的控制能夠產(chǎn)生影響，提出了 一種基于改進(jìn) 的Smith預(yù)估器電流補(bǔ)償方案?？刂瓶驁D如圖5所示，改進(jìn)的Smith預(yù)估器主要由PS0-BP神經(jīng) 網(wǎng)絡(luò)對(duì)參數(shù)進(jìn)行優(yōu)化的PI控制器與一個(gè)補(bǔ)償Smith預(yù)估器組成。
[0075] 由圖5可以得到如下關(guān)系式：
(6 )
[0077]綜合(6)式，可以簡(jiǎn)化得： j "G;; (.s')(1 - e。M 。。78 丨《 y 卡;(，))丨 (7)
[0079] 由上式可得：
[0080] iihG, (.v) = U, e" ifjr (-V)) ' + U, e"G (.v) ( g )
[0081] 從而可得逆變器的輸出電壓u。與參考電壓信號(hào)uh兩者之間的傳遞函數(shù)為：
(9 )
[0083]由上式可以看出，在閉環(huán)系統(tǒng)的特征方程中，既不包含（"也不包含eT'說明該系 統(tǒng)能夠有效的消除延時(shí)對(duì)系統(tǒng)造成的不良影響。而在上式分子部分有e^s，表明Uc比Uh滯后 了 I從而與諧波的電壓信號(hào)大小相等、極性相反，起到了式(4)的控制效果。
[0084] PS0-BP神經(jīng)網(wǎng)絡(luò)實(shí)質(zhì)就是通過改進(jìn)粒子群算法的種群搜索功能對(duì)BP神經(jīng)網(wǎng)絡(luò)的 權(quán)值與閾值進(jìn)行配置，使其達(dá)到最優(yōu)。
[0085]該算法具有自適應(yīng)學(xué)習(xí)、并行分布處理和較強(qiáng)的魯棒性和容錯(cuò)性等特點(diǎn)，而且具 有更好的收斂速度和泛化能力，防止其陷入局部最優(yōu)值，較之傳統(tǒng)方法優(yōu)化PI控制器參數(shù) 有著更好的控制效果，因此，本文根據(jù)IHAPF的具體運(yùn)行狀態(tài)，選擇神經(jīng)網(wǎng)絡(luò)的輸入層為3個(gè) 節(jié)點(diǎn)，隱含層為5個(gè)節(jié)點(diǎn)，輸出層為2個(gè)節(jié)點(diǎn)。
[0086]網(wǎng)絡(luò)的輸入層輸入為：
[0087] .v'/i|(r) = .v/(7 = 1,2,3) (1〇)
[0088]輸入層3個(gè)節(jié)點(diǎn)分別對(duì)應(yīng)于IHAPE系統(tǒng)中的指令諧波電壓Uh，逆變器實(shí)際輸出電壓 Uc以及兩者之間的差值Ue，X(1)(t)為輸入層樣本集，t為網(wǎng)絡(luò)的訓(xùn)練次數(shù)，也稱學(xué)習(xí)增益，下 文中亦是此含義。
[0089]網(wǎng)絡(luò)隱含層的輸入以及輸出為
[0090] ?^2l(〇 = S'it2l-V/,〇,'3!(^)= /'(/?t/；-!(r))(/ = i,2,...,5) M (11)
[0091] 其中wf為輸入層到隱含層的連接權(quán)值，net(2)(t)為隱含層輸入樣本集，0(2)(t)為 隱含層輸出樣本集，f(x)為激勵(lì)函數(shù)，采用正負(fù)對(duì)稱的Sigmoid函數(shù)為：
(12 )
[0093]同理，網(wǎng)絡(luò)輸出層的輸入以及輸出為：
[0094] nef'Ht) = ^ vv;f )〇'2,(r), 〇f]{t) = g(netf](t%l = 1,2) (13)
[0095] <9丨(."(今=々"，= & (】4 )
[0096] 其中為隱含層到輸出層的連接權(quán)值，net(3)(t)為輸出層輸入樣本集，0(3)⑴為 輸出層層輸出樣本集，g(x)為激勵(lì)函數(shù)，采用非負(fù)的Sigmoid函數(shù)為：
(15)
[0098]式中，輸出節(jié)點(diǎn)分別對(duì)應(yīng)PI控制器中的參數(shù)kP、ki;
[0099] PI控制器的控制輸出為
[0100] A u(t) =kp(ue(t)-Ue(t-l) )+kiUe(t) (16)
[0101] 其中 Ue = -UhHc。
[0102] 粒子群筧法尋優(yōu)誤差琢丨數(shù)為
(17)
[0104] 本文在傳統(tǒng)的BP算法的基礎(chǔ)上，引入粒子群算法對(duì)網(wǎng)絡(luò)權(quán)值調(diào)整進(jìn)行了改進(jìn)，最 終使得PI控制器參數(shù)kP、k^確定得到優(yōu)化。輸入層到隱含層以及隱含層到輸出層的網(wǎng)絡(luò)權(quán) 值的修正量分別為：
[0105] KwijO^-WiXtD+rSc^Wij ⑶-Wij(t)) (18)
[0106] A wii(t) = (w-l)(wii(t)-wii(t-l))+rici(wii(b)-wii(t))+r2C2(wii(B)-wii(t)) (19)
[0107] 式中，w為慣性系數(shù)，C1、(32和(/ i、(/ 2為群體認(rèn)知系數(shù)，也稱為學(xué)習(xí)因子，n adPr 'i、，2為0-1的隨機(jī)數(shù)，b是粒子本身目前所找到的最優(yōu)解的節(jié)點(diǎn)，稱為個(gè)體極值點(diǎn)，B是整個(gè) 種群目前所找到的最優(yōu)解的節(jié)點(diǎn)，稱為全局極值點(diǎn)。
[0108]傳統(tǒng)BP算法采用誤差反向傳播來調(diào)整連接權(quán)值，按照梯度下降法進(jìn)行修正，在此 算法的基礎(chǔ)上結(jié)合式（18)、（ 19)，即得到PS0-BP權(quán)值修正算法：
[_]化以卜])=#(，)+抑3)巧，+ 1)+('卜1)(43)(，)-<)(卜1)) + u'//(/))+ {b)- ''//(z)) (20)
[0110]其中 Sgn(x)為符號(hào)函數(shù)，e為學(xué)習(xí)步長(zhǎng)。
, + 1) = +1)+ (w--1))
[0111] +^('1}/(^)-'1；;(〇)+/：^(' 1}/(5)-'1//(/)) ( 21 )
[0112] 其中妒)=/'M2)(〇)|^W)(f) |3為學(xué)習(xí)步長(zhǎng)。
[0113] 改進(jìn)型PSO-BP神經(jīng)網(wǎng)絡(luò)優(yōu)化PI控制器的算法流程如下：
[0114]根據(jù)IHAPF的具體運(yùn)行狀態(tài)，結(jié)合神經(jīng)網(wǎng)絡(luò)輸入、輸出樣本集，建立神經(jīng)網(wǎng)絡(luò)的預(yù) 測(cè)模型，將神經(jīng)元之間所有的連接權(quán)值和閾值編碼成實(shí)數(shù)向量表示種群中的個(gè)體粒子。 [0115]初始化粒子的初始位置、速度、慣性系數(shù)w，學(xué)習(xí)因子(^、(^和^^^規(guī)定最大迭 代次數(shù)等。
[0116] 根據(jù)輸入、輸出樣本，利用BP網(wǎng)絡(luò)的前向算法（16)和粒子群算法尋優(yōu)誤差函數(shù) (17)計(jì)算出每個(gè)粒子適應(yīng)度函數(shù)值，并將每個(gè)粒子的最好位置作為其歷史最佳位置，開始 迭代。
[0117] 利用PS0-BP算法的4個(gè)迭代公式（18)、（19)、（20)、（21)式對(duì)粒子的速度和位置進(jìn) 行更新，搜索出粒子最佳位置。
[0118] 檢驗(yàn)符合結(jié)束條件，當(dāng)前位置或最大迭代次數(shù)達(dá)到預(yù)定的誤差要求時(shí)，則停止迭 代，輸出神經(jīng)網(wǎng)絡(luò)的最終權(quán)值和閾值，即PI控制器的參數(shù)k P、lu，否則轉(zhuǎn)至3執(zhí)行。
[0119] JT補(bǔ)償smith預(yù)估器參數(shù)是不可知的，本文利用ITAE準(zhǔn)則建立JT補(bǔ)償smith預(yù)估器參 數(shù)與PI控制器參數(shù)之間的關(guān)系表達(dá)式，從而實(shí)現(xiàn)參數(shù)的有效辨識(shí)。
[0120] 對(duì)電壓型逆變器進(jìn)行建模后得到表達(dá)式：
(22)
[0122] 式中，kirw為傳遞函數(shù)的過程增益常數(shù)，Tirw為慣性常數(shù)。
[0123] 因 IHAPF的延時(shí)性，被控對(duì)象的傳遞函數(shù)為：
(23)
[0125] 本文通過改進(jìn)PS0-BP神經(jīng)網(wǎng)絡(luò)方法優(yōu)化處理PI控制器的參數(shù)，得到經(jīng)改進(jìn)后的PI 控制器傳遞函數(shù)，表達(dá)式如下：
(24)
[0127] 其中，匕為控制器增益，Ti為控制器積分時(shí)間。
[0128] 將式(23)、（ 24)代入到式(9)中可得： (25)
[0130]以ITAE為準(zhǔn)則的二階最佳極點(diǎn)方程為
[0131] s2 + 2wn^s + w； = Q (26:.).
[0132] 其中，Wn為無阻尼振蕩的頻率，〖為阻尼比。其中選定Wn的工程方法[11]是根據(jù)所要 求的閉環(huán)響應(yīng)的過渡時(shí)間tr，有：
(27 )
[0134] 通過對(duì)比式（25)與（26)可以得到逆變器的傳遞函數(shù)和PI控制器中參數(shù)之間的數(shù) 學(xué)表達(dá)式，為：
(2B) (29 )
[0137] 通過式(28)、（29)可以得到電壓型逆變器的具體參數(shù)大小，從而實(shí)現(xiàn)smith預(yù)估器 模型的辨識(shí)。
[0138] 為了驗(yàn)證本文所提方法的有效性，將本文的方法應(yīng)用到IHAPF系統(tǒng)中并進(jìn)行了仿 真分析，并將本文所提算法與傳統(tǒng)PI算法進(jìn)行仿真對(duì)比，仿真參數(shù)為：電源電壓為AC380V/ 50HZ；
[0139] 等效電感Ls = ImH;注入電容Cf= 1 OOyF;基波支路的電感1^ = 40mH，電容Q = 249y F，品質(zhì)因數(shù)Q = 50;輸出濾波電感L〇 = 0.5mH，輸出濾波電容C〇 = 24.1yF，等效電阻R〇 = 0.09 Q 〇PS0-BP 算法中的參數(shù)為：加權(quán)因子w = 0 ? 4，c = 0.03，L = 0.03，ci = C2 = 2，c/i = c/2 = 1.4〇
[0140] 圖6-7為負(fù)載發(fā)生變化時(shí)采用不同方法下電流仿真波形，從圖中可以看出在Is時(shí) 負(fù)載發(fā)生變化，傳統(tǒng)的PI控制方法下電流經(jīng)過3.5個(gè)時(shí)間周期才能慢慢的趨于穩(wěn)定。而采用 本文的方法下僅需要1.5個(gè)時(shí)間周期電流波形便能趨于穩(wěn)定。
[0141] 為了進(jìn)一步證明本文所提算法的有效性，進(jìn)行了相關(guān)實(shí)驗(yàn)研究。圖8-9為采用本文 算法對(duì)電流補(bǔ)償前后的電流波形圖，由圖可以看出治理后的波形相比治理之前有了很大提 高，波形幾乎接近于正弦波形。
[0142] 以上所述，僅為本發(fā)明較佳的【具體實(shí)施方式】，但本發(fā)明的保護(hù)范圍并不局限于此， 任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換， 都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)該以權(quán)利要求的保護(hù)范圍 為準(zhǔn)。
【主權(quán)項(xiàng)】
1. 一種電網(wǎng)諧波電流信號(hào)跟蹤控制方法，其特征在于包括如下依序步驟： 1) 將電網(wǎng)中諧波電流ih經(jīng)過l/Go轉(zhuǎn)變?yōu)橹C波電壓信號(hào)Uh;所述Go為逆變器的輸入電流ic 和輸出電壓Uc之間的傳遞函數(shù)； 2) 以所述諧波電壓信號(hào)Uh為控制目標(biāo)，將所述諧波電壓信號(hào)Uh經(jīng)過改進(jìn)的Smith預(yù)估器 和逆變器;所述改進(jìn)的Smith預(yù)估器包括由PSO-BP神經(jīng)網(wǎng)絡(luò)對(duì)參數(shù)進(jìn)行優(yōu)化的PI控制器與 一個(gè)η補(bǔ)償Smith預(yù)估器;并滿足如下關(guān)系式：其中，Ue為諧波電壓信號(hào)Uh與逆變器輸出電壓Uc的差值;分別為PS 0-BP神 經(jīng)網(wǎng)絡(luò)優(yōu)化的PI控制器的傳遞函數(shù)、辨識(shí)后的逆變器傳遞函數(shù);d為過渡量;u為PI控制器輸 出電壓信號(hào)； 從而可得逆變器的輸出電壓Uc與諧波電壓信號(hào)Uh兩者之間的傳遞函數(shù)為：所述由PSO-BP神經(jīng)網(wǎng)絡(luò)優(yōu)化的PI控制器的算法流程如下： 1) 根據(jù)注入式混合的有源電力濾波器的具體運(yùn)行狀態(tài)，結(jié)合神經(jīng)網(wǎng)絡(luò)輸入、輸出樣本 集，建立神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，將神經(jīng)元之間所有的連接權(quán)值和閾值編碼成實(shí)數(shù)向量表示 種群中的個(gè)體粒子； 2) 初始化粒子的初始位置、速度、慣性系數(shù)w，學(xué)習(xí)因子(^、(^和"：^^^規(guī)定最大迭代 次數(shù)； 3) 根據(jù)輸入、輸出樣本，利用BP網(wǎng)絡(luò)的前向算法 Δ u(t) = kp(Ue(t)-Ue(t-l) )+kiUe(t) 以及粒子群算法尋優(yōu)誤差函數(shù)計(jì)算出每個(gè)粒子適應(yīng)度凼數(shù)值，開將母?jìng)€(gè)敉于的最奸位宣作為其歷史最佳位置，開始 迭代； 其中，輸出節(jié)點(diǎn)分別對(duì)應(yīng)PI控制器中的參數(shù)kP、ki; 4) 利用PSO-BP算法的4個(gè)迭代公式式中，《為慣性系數(shù)，mdPr/、r/為0-1的隨機(jī)數(shù)，b是粒子本身目前所找到的最優(yōu)解 的節(jié)點(diǎn)，稱為個(gè)體極值點(diǎn)，B是整個(gè)種群目前所找到的最優(yōu)解的節(jié)點(diǎn)，稱為全局極值點(diǎn)；對(duì)粒子的速度和位置進(jìn)行更新，搜索出粒子最佳位置。 檢驗(yàn)符合結(jié)束條件，當(dāng)前位置或最大迭代次數(shù)達(dá)到預(yù)定的誤差要求時(shí)，則停止迭代，輸 出神經(jīng)網(wǎng)絡(luò)的最終權(quán)值和閾值，即PI控制器的參數(shù)kP、ki。
【文檔編號(hào)】H02J3/01GK105846431SQ201610397740
【公開日】2016年8月10日
【申請(qǐng)日】2016年6月6日
【發(fā)明人】莊建煌, 陳晶騰, 周靜, 陳炳貴, 王銳鳳, 李萌鋒, 王普專, 黃少敏, 陳永華
【申請(qǐng)人】國(guó)網(wǎng)福建省電力有限公司, 國(guó)家電網(wǎng)公司, 國(guó)網(wǎng)福建省電力有限公司莆田供電公司