CN101882786A - 适用于高压系统的谐波与无功动态治理控制器及控制方法 - Google Patents

Abstract

本发明公开了一种适用于高压系统的谐波与无功动态治理控制器及控制方法。所述适用于高压系统的谐波与无功动态治理控制器包括工控机、信号检测与处理电路，谐振注入式混合有源电力滤波器、晶闸管控制电抗器、机械式投切电容器，谐振注入式混合有源电力滤波器治理电网谐波电流，晶闸管控制电抗器、机械式投切电容器实现实时动态的补偿无功功率。本发明能够实现对电网谐波电流及电网感性或容性无功功率的动态实时治理补偿，提高了有源电力滤波器电流跟踪控制精度，并提高了SVC无功补偿性能，在实现实时动态的补偿无功功率、治理电网谐波电流的同时，更好地保证了系统的稳定性。

Description

适用于高压系统的谐波与无功动态治理控制器及控制方法

技术领域

本发明涉及一种适用于高压系统的谐波与无功动态治理控制器及控制方法。

背景技术

随着经济社会的发展，配电系统的功率因数偏低与谐波污染等问题严重影响着电力企业及其他企业的经济效益，急需在配电网系统装设低成本大容量动态无功补偿和谐波治理装置。而静止无功补偿器，有源电力滤波器等无功补偿与谐波治理装置及其管理平台就成为目前研究的重点。

谐振注入式混合有源电力滤波器作为无功补偿和谐波治理的关键设备在电力系统中扮演着十分重要的角色，可以进行大容量的无功补偿和谐波动态治理，适用于高压系统。与SVC相比，有源电力滤波器只能补偿固定容量的无功功率，不具备SVC正负连续调节无功的能力，不能满足无功动态补偿的要求，而将SVC与源电力滤波器联合使用可以满足要求，但是两者的联合运行也带来了一个新的问题，就是如何使系统能够稳定运行，并具有较好的控制性能。

发明内容

针对现有技术存在的上述问题，本发明提供一种适用于高压系统的谐波与无功动态治理控制器及控制方法，实现对高压电网谐波电流及无功功率进行动态实时的治理补偿。

本发明解决上述技术问题的技术方案是：包括电压互感器、电流互感器、信号处理电路、工控机、MSC逻辑控制电路、TCR接口电路、PWM信号发生模块、MSC触发电路，TCR触发电路、光纤发送与接收模块、功率放大器及隔离电路、显示器、键盘，所述电压互感器、电流互感器的输出接到信号处理电路，信号处理电路的输出接工控机，工控机分别与MSC逻辑控制电路、有源电力滤波器控制器、TCR控制器、显示器、键盘相连，有源电力滤波器控制器内的PWM信号发生模块产生的PWM信号直接输入到第一光纤发送与接收模块，经光缆无失真传输到功率放大器及隔离电路，控制有源电力滤波器的电压型逆变器，MSC逻辑控制电路的控制信号通过MSC触发电路、输入到第二光纤发送与接收模块，经光缆无失真传输到MSC装置，控制MSC装置工作，TCR控制器输出的TCR脉冲信号经TCR接口电路送到TCR光纤发送与接收模块，再送到TCR触发电路控制晶闸管工作。

一种适用于高压系统的谐波与无功动态治理控制方法，包括下列步骤：

(1)用电压互感器、电流互感器分别检测电网母线三相电压u_a、u_b、u_c，三相电流i_a、i_b、i_c；静止无功补偿器输出电压u_svc；静止无功补偿器输出电流i_svc，以及TCR输出电流i_tcr，MSC输出电流i_msc；负载电流i_L；逆变器输出电流i_apf；

(2)将上述检测得到的电压、电流信号经滤波处理电路后送到工控机，计算出三相电压基波有效值U_rms、负载侧谐波电流i_Lh、TCR谐波电流i_tcrh；

(3)计算三相电压基波有效值U_rms与给定电压值U_ref差值U_e，差值经过PID控制器调节后得出SVC控制量导纳B_ref，其离散控制律如下式所示：

$B_{\mathrm{ref}}\left(k\right)=k_p^{\′}{U}_e\left(k\right)+k_i^{\′}\underset{i=0}{\overset{k}{\mathrm{\Σ}}}{U}_e\left(i\right)+k_d^{\′}(U_e\left(k\right)-U_e(k-1)),$

k′_p(k)＝k_p(a+k₁|ρ(k)|)，k′_i(k)＝k_i(b+k₂ρ(k))，k′_d(k)＝k_d(c+k₃|ρ(k)|)，

ρ(k)＝U_eN(k)×ΔU_eN(k)，U_eN(k)＝U_e(k)/(|U_ref(k)|+|U_rms(k)|)，ΔU_eN(k)＝U_eN(k)-U_eN(k-1)，

式中，k_p、k_i和k_d是利用Ziegler-Nichols方法得到的控制器参数的初始值；a、b、c为三个定常数；k₁、k₂和k₃为三个正常数，用来调整参数k′_p、k′_i和k′_d的值；ρ为增益调节因子；U_eN(k)＝U_e(k)/(|U_ref(k)|+|U_rms(k)|)，称为电压误差U_e(k)的归一化值；

(4)根据导纳B_ref分别计算出TCR、MSC补偿导纳B_tcr、B_msc，根据补偿导纳B_tcr控制TCR触发电路给出晶闸管触发脉冲，根据补偿导纳B_msc控制MSC触发电路给出电容器投切电平，使SVC补偿的无功符合期望值；

(5)计算负载谐波电流i_Lh、TCR谐波电流i_tcrh与逆变器输出电流i_apf的差值e；

(6)利用差值e得到有源电力滤波器的控制参考信号u为：

$u\left(s\right)=e\left(s\right)(K_P^{*}+\underset{h\∈N}{\mathrm{\Σ}}\frac{2K_h^{*}s}{s^2+{\left(h{\mathrm{\ω}}_m\right)}^2}),$

式中，N为系统需滤除的谐波次数的集合；分别是利用一个基于改进PSO-BP(particle swarm optimization and BP neural network)算法的神经网络寻优后的广义积分器的比例系数、h次谐波的积分系数；ω_m是基波频率；

(7)重复以上步骤，直到完全达到电网谐波的治理目标、无功的补偿目标。

本发明的技术效果在于：本发明采用一个改进的Ziegler-Nichols方法优化参数的PID控制器调节后得出SVC控制量导纳B_ref，根据B_ref分别计算出TCR、MSC补偿导纳B_tcr、B_msc，并控制TCR、MSC触发电路给出晶闸管触发脉冲、电容器投切电平，使SVC补偿的无功符合期望值，提高了SVC无功补偿性能。同时为了提高APF电流跟踪的精度，本发明提供一种改进的广义积分控制算法实现电网谐波电流的分频补偿。采用上述控制方法时的联合系统在实现实时动态的补偿无功功率、治理电网谐波电流的同时，更好地保证了系统的稳定性，大幅度提高系统的控制性能和电网谐波电流的补偿精度。下面结合附图和实施例对本发明作进一步的说明。

附图说明

图1是采用本发明的谐波与无功动态综合补偿系统的结构框图。

图2是本发明中控制器的结构图。

图3是本发明中TCR三相控制器与接口电路功能结构框图。

图4本发明的控制流程图。

具体实施方式

参见图1，图1为应用本发明的谐波与无功动态综合治理装置。它主要由谐振注入式混合有源电力滤波器、晶闸管控制电抗器、机械式投切电容器三部分组成。谐振注入式混合有源电力滤波器包括有源电力滤波器和无源滤波器组，A相注入支路由注入电容C_F、电感L₁、电容C₁串接组成单调谐滤波器，然后通过开关S₁接入电网，其中电感L₁、电容C₁串联组成A相基波谐振电路；电容C₅、电感L₅串联为单调谐滤波器，通过开关S₂接入电网；L_H、C_H和R_H组成二阶高通滤波器，通过开关S₃接入电网。RIHAPF的有源部分经LC滤波器滤波后，通过耦合变压器与基波谐振电路并联连接，再经注入电容C_F接入电网，另两相注入电路与A相联接相同。每相晶闸管控制电抗器由反并联的一对晶闸管与一个线性的空心电抗器相串联组成，三相晶闸管控制电抗器联接成△形并入电网；三相机械式投切电容器联接成Y形，分别通过可控的机械开关S_a、S_b、S_c并入电网中。

参见图2，图2为本发明的结构框图。其中PWM信号发生模块实为在有源电力滤波器控制器(DSP)的一部分。母线三相电压u_a、u_b、u_c，静止无功补偿器输出电压u_svc；三相电流i_a、i_b、i_c；静止无功补偿器输出电流i_svc；负载电流i_L；逆变器输出电流i_apf，分别经过电压、电流互感器检测后通过信号处理电路进行滤波处理，得出相对应的小信号，输入到工控机中。工控机计算出负载谐波电流i_Lh值、TCR谐波电流i_tcrh值、三相电压基波有效值U_rms，同时以各种图形、曲线的形式展示出来，其中以负载谐波电流i_Lh、TCR谐波电流i_tcrh作为参考值。利用计算得到的期望负载谐波电流i_Lh、期望TCR谐波电流i_tcrh与逆变器输出电流i_apf作差，给定电压值U_ref与三相电压基波有效值U_rms作差，根据差值由工控机计算得出有源电力滤波器、MSC、TCR的控制信号(TCR系统为触发角信号)。工控机将MSC控制信号通过以太网传送给MSC逻辑控制电路，将有源电力滤波器与TCR控制信号输入到DSP控制器。输入到有源电力滤波器与TCR控制器的信号由四块DSP处理，分别产生PWM信号，三相TCR脉冲信号。最后，PWM信号直接通过光纤发送与接收模块后经光缆无失真传输到现场，而MSC逻辑控制电路的控制信号与TCR脉冲信号分别通过MSC触发电路、TCR接口电路后输入到光纤发送与接收模块后经光缆无失真传输到现场，其中通过功率放大和隔离电路控制RIHAPF的电压型逆变器，直接通过开关控制MSC装置，通过TCR触发电路控制晶闸管，从而实现对电网谐波的综合治理以及无功的动态补偿。此外，在TCR系统中，DSP控制器在接收到工控机发出的晶闸管触发角信号并将其转换为触发脉冲信号之后，发出检测脉冲信号，用于检测TCR系统的工作状态，TCR触发电路收到检测信号后，进行状态检测，检测完后，将检测信号转换为脉冲发送至TCR控制器作为回报信号，TCR控制器接收检测脉冲并作出相应判断，同时将判断结果通过以太网传送到工控机，达到对整个TCR系统进行监控的目的。

参见图3，图3为图2中的TCR控制器及TCR接口电路控制框图，TCR控制器由三块TMS320C28335DSP控制器为核心构成，接口电路也为三个，为介绍的方便，此处只介绍其中某一相的接口电路，另外两相TCR接口电路的功能相同。其中，TCR接口电路由状态锁存、回报信号电平转换电路、控制信号电平转换电路、中断产生电路、过零信号检测电路组成。这三块DSP分别与三块接口电路连接，对TCR系统的三相晶闸管进行控制管理。在TCR触发阶段，工控机将计算得到的晶闸管触发角度通过以太网传送给TCR控制器(DSP)作为输入信号。接口电路中的过零信号检测电路对SVC连接点的电网电压进行检测，其主要由变送器、π型滤波电路与LM393比较器组成。信号处理电路出来的电网电压信号输入到接口电路中，当TCR连接点的电网电压过零时，比较器输出高电平输入到TCR控制器中，TCR控制器在收到过零信号后，根据工控机传来的三相晶闸管角度信号将其转换为触发双脉冲，输出至控制信号电平转换电路，将幅值为3.3V的信号转换为5V信号，然后经过如图所示的光纤发送模块转换为光信号，通过光缆传输到TCR触发电路的光纤接收模块将光信号转换为电信号，从而对晶闸管进行控制。在发出触发双脉冲之后，TCR控制器又向TCR触发电路依次发出若干系统状态检测信号，对系统的工作状态进行检测。TCR触发电路中的光纤发送模块将检测到的脉冲信号发送到低压侧的光纤接收模块，而后将信号输入到TCR接口电路，信号输入到接口电路后由状态锁存电路将回报的脉冲信号进行锁存，与此同时，回报的信号输入到接口电路中的中断产生电路，这些信号通过或门相或之后，输入到回报信号电平转换电路，转换为3.3V信号，最后输入到TCR控制器中，由于同时回报的信号可能会有几路，只要一个通道有信号，都会使中断产生电路输出为高电平，产生中断，TCR控制器收到中断信号后，扫描各个输入通道，进行相应处理。TCR控制器在处理完中断之后，将状态锁存电路清零，等待下一次中断的产生。TCR控制器对信号进行分类处理，如果在设定的时间中，没有收到相应的回报信号，TCR控制器将产生上报信号，并将信号通过以太网发送到上位机，进行处理。

参见图4，图4为本发明的控制框图。图中U_ref(k)是系统在第k个时刻的给定电压值，U_rms(k)是基波电压有效值；i_Lh(k)是负载谐波电流，i_tcrh(k)是TCR产生的谐波电流，i_apf(k)是逆变器实际输出电流。给定电压U_ref(k)与U_rms(k)的差值U_e(k)作为电压控制器的输入。其中，电压控制器由一个改进的Ziegler-Nichols方法寻优的PID控制器(Improved Ziegler-NicholsOptimization PID Controller，IZNOPID)构成，其具体功能描述为：首先获得基波电压有效值U_rms(k)与给定电压值U_ref(k)的差值U_e(k)，U_e(k)经过标准化变换后得到U_eN(k)，而U_eN(k)经过z^-1作用后可以得到其前一时刻的电压误差值U_eN(k-1)，然后对U_eN(k)与U_eN(k-1)进行乘积作用以得到增益调节因子ρ(k)，ρ(k)则用于调节ZNPID(Ziegler-Nichols PID)控制器的参数。以电网谐波电流(i_Lh(k)+i_tcrh(k))与逆变器输出电流i_apf(k)的差值e(k)作为改进的广义积分控制器的输入，u是有源电力滤波器控制器的输出，u经过高频三角载波调制后得出PWM信号，控制电压型逆变器开关器件IGBT的通断，对谐波进行综合治理。

图4中，静止无功补偿器电压控制主要过程为：

获得基波电压有效值U_rms(k)与给定电压值U_ref(k)的差值U_e(k)，U_e(k)通过IZNOPID控制算法得出静止无功补偿器控制量B_ref，如式(1)所示

$B_{\mathrm{ref}}=k_p^{\′}{U}_e\left(k\right)+k_i^{\′}\underset{i=0}{\overset{k}{\mathrm{\Σ}}}{U}_e\left(i\right)+k_d^{\′}(U_e\left(k\right)-U_e(k-1)),$

k′_p(k)＝k_p(a+k₁|ρ(k)|)，k′_i(k)＝k_i(b+k₂ρ(k))，k′_d(k)＝k_d(c+k₃|ρ(k)|)，(1)

式中，静止无功补偿器控制量B_ref为IZNOPID控制器的输出；k_p、k_i和k_d是利用Ziegler-Nichols方法得到的控制器参数的初始值，且U_e(k)＝U_ref(k)-U_rms(k)，ΔU_e(k)＝U_e(k)-U_e(k-1)；a、b、c为三个定常数；k₁、k₂和k₃为三个正常数，用来调整参数k′_p、k′_i和k′_d的值；ρ(k)为增益调节因子，定义为

ρ(k)＝U_eN(k)×ΔU_eN(k)，                 (2)

其中，U_eN(k)＝U_e(k)/(|U_ref(k)|+|U_rms(k)|)，        (3)

称为电压误差U_e(k)的标准化值，且ΔU_eN(k)＝U_eN(k)-U_eN(k-1)。

根据静止无功补偿器控制量B_ref，利用公式(4)可得到TCR、MSC各自导纳B_tcr、B_msc，其大小分别决定了TCR导通角度的大小和MSC投入的数量；B_tcr经过导纳-角度函数变换成弧度(晶闸管的导通角)控制了感性无功投入电网的多少；B_msc经过MSC逻辑控制器输出高电平或低电平，来控制电容器投入电网的个数。

$\left\{\begin{array}{c}{B}_{\mathrm{ref}}=(1-\frac{B_{\mathrm{msc}}}{B_{\mathrm{\σ}}})B_{\mathrm{msc}}+(1-\frac{2B_{\mathrm{msc}}+B_L}{B_{\mathrm{\σ}}})B_{\mathrm{tcr}}\\ B_{\mathrm{msc}}=m{B}_C\end{array}\right.,---\left(4\right)$

式中，B_σ为变压器电纳(这里看作理想变压器)取值为1；m＝1，2……为电容器投入个数；N_c为单个电容器对应的导纳。

有源电力滤波器电流跟踪控制主要过程为：

利用电网谐波电流(i_Lh(k)+i_tcrh(k))与逆变器输出电流i_apf(k)的差值e(k)作为有源电力滤波器控制器的输入，计算得到有源电力滤波器的控制参考信号u，其s域内表达式为：

$u=e\left(s\right)(K_P^{*}+\underset{h\∈N}{\mathrm{\Σ}}\frac{2K_h^{*}s}{s^2+{\left(h{\mathrm{\ω}}_m\right)}^2}),$

式中，N为系统需滤除的谐波次数的集合；分别是利用一个基于改进PSO-BP(particle swarm optimization and BP neural network)算法的神经网络寻优后的广义积分器的比例系数、h次谐波的积分系数；ω_m是基波频率。广义积分控制器的输出信号u经过高频三角载波调制后得出PWM信号，控制电压型逆变器开关器件IGBT的通断，对谐波进行综合治理。

用于优化广义积分控制器参数的神经网络采用3层前向BP网络。其中神经网络的输入层(j)节点数为P＝7，网络输入为第k个时刻的电容直流侧电压给定值U_c(k)、电容电压实际值U₁(k)及两者的误差E₀(k)、系统参考电压U_ref(k)、系统电压基波有效值U_rms(k)及两者的误差U_e(k)，即输入[x₁，x₂，x₃，x₄，x₅，x₆，x₇]＝[U_c(k)，U₁(k)，E₀(k)，U_ref(k)，U_rms(k)，U_e(k)，1]。输出层神经元数目根据研究对象的实际情况而定，例如系统需滤除的谐波次数集合为{2，5，7，11，13，17，19}，则输出层(l)神经元数目取M＝8，网络输出分别对应广义积分器的比例系数K_p、h次谐波积分系数K₂、K₅、K₇、K₁₁、K₁₃、K₁₇、K₁₉。隐含层(i)神经元数目可以根据经验公式来确定，为：

a是[1，10]之间的常数。

电网谐波电流(i_Lh(k)+i_tcrh(k))与逆变器实际输出电流i_apf(k)的差值e(k)，e(k)＝(i_Lh(k)+i_tcrh(k))-i_apf(k)。性能指标函数定义为

$J=\frac{1}{2}{[i_{\mathrm{Lh}}\left(k\right)+i_{\mathrm{tcrh}}\left(k\right)-i_{\mathrm{apf}}\left(k\right)]}^2.---\left(5\right)$

对在[-1，1]范围内随机产生网络权值矩阵的第K(K＝1，2，……，10，可视为第K个粒子。10为可能的神经网络结构的数目，可视为粒子群中所有粒子的数目)个网络，都采用一种基于变学习率的改进BP网络权值学习算法进行训练，该算法是在基本BP神经网络学习算法上对学习率进行了修改，学习率β(k)随e(k)的大小而自适应的进行调整，为

q(k)＝q(k-1)+lgsgn[|Δe(k)|-q(k-1)|Δ²e(k)|]，Δe(k)＝e(k)-e(k-1)，Δ²e(k)＝e(k)-2e(k-1)+e(k-2)，式中，0.025≤c≤0.05，0.05≤l≤0.1，sgn表示符号函数。当全部样本每训练完一次后，按式(7)计算n₁个训练样本误差E₁和n₂个检验样本的误差E₂：

$E_1=\frac{1}{n_1}\underset{p_1=1}{\overset{n_1}{\mathrm{\Σ}}}{(i_{\mathrm{apf}{p}_1}\left(k\right)-(i_{\mathrm{Lh}{p}_1}\left(k\right)+i_{\mathrm{tcrh}{p}_1}\left(k\right)))}^2,$

$E_2=\frac{1}{n_2}\underset{p_2=1}{\overset{n_2}{\mathrm{\Σ}}}{(i_{\mathrm{apf}{p}_2}\left(k\right)-(i_{\mathrm{Lh}{p}_2}\left(k\right)+i_{\mathrm{tcrh}{p}_2}\left(k\right)))}^2,---\left(7\right)$

式中，n₁和n₂分别为训练样本数目和检验样本数目；

为从逆变器输出电流i_apf(k)中取出的第p₁个训练样本电流值，为从检测出的谐波电流中取出的第p₁个训练样本电流值；

为从逆变器输出电流i_apf(k)中取出的第p₂个检验样本电流值，

为从检测出的谐波电流信号中取出的第p₂个检验样本电流值。

PSO(particle swarm optimization)算法的速度迭代公式可以另写为(8)式：

Δv_ij(k)＝v_ij(k+1)-wv_ij(k)＝r₁c₁(pbest_ij-x_ij(k))+r₂c₂(gbest_j-x_ij(k))，(8)

式中，x_i(k)＝(x_i1(k)，x_i2(k)，……，x_ij(k))为在j维空间中第i个粒子所处的位置；v_i(k)＝(v_i1(k)，v_i2(k)，……，v_ij(k))为第i个粒子具有的速度；Pbest_i＝(pbest_i1，pbest_i2，……，pbest_ij)为第i个粒子所处的最佳位置；gbest为全体所有粒子经过的最佳位置；r₁，r₂为0～1的随机数；w为惯性系数，惯性系数的引入使PSO可以调节算法的全局与局部寻优能力，通常采用线性惯性权值；c₁，c₂为加速度权重，为正常数。

若将神经网络的权值视为PSO算法中粒子的速度，则在网络训练中，相继两次权值的改变可视为粒子速度的改变。因此类比(8)式，网络权值的修正量可按(9)式计算：

Δw_li(k)＝r₁c₁(wbest_li-w_li(k))+r₂c₂(wgbest_li-w_li(k))，

Δw_ij(k)＝r₁′c₁′(wbest_ij-w_ij(k))+r₂′c₂′(wgbest_ij-w_ij(k))，   (9)

式中，v_li(k)为输出层与隐含层的连接权值，w_ij(k)为隐含层与输入层的连接权值；wbest_1i和wbest_ij为第K个网络所经历的历史上具有最小样本检验误差E₂时的网络权值，E₂为由(7)式计算得到的n₂个检验样本的方均误差；wgbest_1i和wgbest_ij为10个群体网络中历史上具有最小样本检验误差E₂时的权值；c₁、c₂和c₁′、c₂′的意义与公式(8)中的c₁、c₂相同；r₁、r₂和r₁′、r₂′的意义与公式(8)中的r₁、r₂相同。

利用改进的RP网络权值学习算法进行训练，每训练完一次后，综合考虑改进BP算法与PSO算法的共同效果，就是在改进BP网络权值学习算法的右边，分别加上由式(9)表示的权值改变量，故综合得到新的网络权值学习算法见式(10)和(11)：

$\left\{\begin{array}{c}{w}_{\mathrm{li}}^{\left(3\right)}(k+1)=w_{\mathrm{li}}^{\left(3\right)}\left(k\right)+\mathrm{\β}{\mathrm{\δ}}_l^{\left(3\right)}{O}_i^{\left(2\right)}\left(k\right)++r_1{c}_1({\mathrm{wbest}}_{\mathrm{li}}^{\left(3\right)}-w_{\mathrm{li}}^{\left(3\right)}\left(k\right))+r_2{c}_2({\mathrm{wgbest}}_{\mathrm{li}}^{\left(3\right)}-w_{\mathrm{li}}^{\left(3\right)}\left(k\right))\\ {\mathrm{\δ}}_l^{\left(3\right)}=e\left(k\right)\mathrm{sgn}\left(\frac{\∂\left(i_{\mathrm{apf}}\right)}{\∂u\left(k\right)}\right)\frac{\∂u\left(k\right)}{\∂O_l^{\left(3\right)}\left(k\right)}{g}^{\′}\left({\mathrm{net}}_l^{\left(3\right)}\left(k\right)\right)\end{array}\right.,---\left(10\right)$

$\left\{\begin{array}{c}{w}_{\mathrm{ij}}^{\left(2\right)}(k+1)=w_{\mathrm{ij}}^{\left(2\right)}\left(k\right)+\mathrm{\β}{\mathrm{\δ}}_i^{\left(2\right)}{x}_j^{\left(1\right)}\left(k\right)+r_1^{\′}{c}_1^{\′}({\mathrm{wbest}}_{\mathrm{ij}}^{\left(2\right)}-w_{\mathrm{ij}}^{\left(2\right)}\left(k\right))+r_2^{\′}{c}_2^{\′}({\mathrm{wgbest}}_{\mathrm{ij}}^{\left(2\right)}-w_{\mathrm{ij}}^{\left(2\right)}\left(k\right))\\ {\mathrm{\δ}}_i^{\left(2\right)}{=f}^{\′}\left({\mathrm{net}}_i^{\left(2\right)}\left(k\right)\right)\underset{l=1}{\overset{8}{\mathrm{\Σ}}}{\mathrm{\δ}}_l^{\left(3\right)}{w}_{\mathrm{li}}^{\left(3\right)}\left(k\right)\end{array}\right.,---\left(11\right)$

式中，上角标(1)、(2)、(3)分别代表输入层、隐含层和输出层，例如

表示输入层的第j个神经元的输入；β是(6)式中的变学习率；sgn表示符号函数；u(k)表示图4中广义积分器在第k个时刻的输出。网络隐含层的第i个神经元的输入、输出分别为

网络输出层的输入、输出分别为

……，

输出层激励函数g与隐含层激励函数f均采用Sigmoid函数。

Claims (4)

1.一种适用于高压系统的谐波与无功动态治理控制器，其特征在于：包括电压互感器、电流互感器、信号处理电路、工控机、MSC逻辑控制电路、TCR接口电路、PWM信号发生模块、MSC触发电路，TCR触发电路、光纤发送与接收模块、功率放大器及隔离电路、显示器、键盘，所述电压互感器、电流互感器的输出接到信号处理电路，信号处理电路的输出接工控机，工控机分别与MSC逻辑控制电路、有源电力滤波器控制器、TCR控制器、显示器、键盘相连，有源电力滤波器控制器内的PWM信号发生模块产生的PWM信号直接输入到第一光纤发送与接收模块，经光缆无失真传输到功率放大器及隔离电路，控制有源电力滤波器的电压型逆变器，MSC逻辑控制电路的控制信号通过MSC触发电路、输入到第二光纤发送与接收模块，经光缆无失真传输到MSC装置，控制MSC装置工作，TCR控制器输出的TCR脉冲信号经TCR接口电路送到TCR光纤发送与接收模块，再送到TCR触发电路控制晶闸管工作。

2.根据权利要求1的所述适用于高压系统的谐波与无功动态治理控制器，其特征在于：所述TCR接口电路由状态锁存电路、回报信号电平转换电路、控制信号电平转换电路、中断产生电路、过零信号检测电路组成，过零信号检测电路的输入端与信号处理电路相接，其输出端与TCR控制器相接，状态锁存电路、中断产生电路的一端与回报信号电平转换电路相连，另一端与TCR光纤发送与接收模块相连，、控制信号电平转换电路，回报信号电平转换电路的另一端与TCR控制器相接，控制信号电平转换电路串接于TCR控制器和TCR光纤发送与接收模块之间。

3.一种适用于高压系统的谐波与无功动态治理控制器的控制方法，包括以下步骤：

(1)用电压互感器、电流互感器分别检测电网母线三相电压u_a、u_b、u_c；静止无功补偿器输出电压u_svc；三相电流i_a、i_b、i_c、静止无功补偿器输出电流i_svc，以及TCR输出电流i_tcr，MSC输出电流i_msc；负载电流i_L；逆变器输出电流i_apf；

(2)将上述检测得到的电压、电流信号经滤波处理电路后送到工控机，计算出三相电压基波有效值U_rms、负载侧谐波电流i_Lh、TCR谐波电流i_tcrh；

(3)计算三相电压基波有效值U_rms与给定电压值U_ref差值U_e，差值经过PID控制器调节后得出SVC控制量导纳B_ref，其离散控制律如下式所示：

$B_{\mathrm{ref}}=k_p^{\′}{U}_e\left(k\right)+k_i^{\′}\underset{i=0}{\overset{k}{\mathrm{\Σ}}}{U}_e\left(i\right)+k_d^{\′}(U_e\left(k\right)-U_e(k-1)),$

k′_p(k)＝k_p(a+k₁|ρ(k)|)，k′_i(k)＝k_i(b+k₂ρ(k))，k′_d(k)＝k_d(c+k₃|ρ(k)|)，ρ(k)＝U_eN(k)×ΔU_eN(k)，U_eN(k)＝U_e(k)/(|U_ref(k)|+|U_rms(k)|)，ΔU_eN(k)＝U_eN(k)-U_eN(k-1)，式中，k_p、k_i和k_d是利用Ziegler-Nichols方法得到的控制器参数的初始值；a、b、c为三个定常数；k₁、k₂和k₃为三个正常数，用来调整参数k′_p、k′_i和k′_d的值；ρ为增益调节因子；U_eN(k)＝U_e(k)/(|U_ref(k)|+|U_rms(k)|)，称为电压误差U_e(k)的归一化值；

(4)根据导纳B_ref分别计算出TCR、MSC补偿导纳B_tcr、B_msc，根据补偿导纳B_tcr控制TCR触发电路给出晶闸管触发脉冲，根据补偿导纳B_msc控制MSC触发电路给出电容器投切电平，使SVC补偿的无功符合期望值；

(5)计算负载谐波电流i_Lh、TCR谐波电流i_tcrh与逆变器输出电流i_apf的差值e；

(6)利用差值e得到有源电力滤波器的控制参考信号u为：

$u\left(s\right)=e\left(s\right)(K_P^{*}+\underset{h\∈N}{\mathrm{\Σ}}\frac{2K_h^{*}s}{s^2+{\left(h{\mathrm{\ω}}_m\right)}^2}),$

式中，N为系统需滤除的谐波次数的集合；

分别是利用一个基于改进PSO-BP(particle swarm optimization and BP neural network)算法的神经网络寻优后的广义积分器的比例系数、h次谐波的积分系数；ω_m是基波频率；

(7)重复以上步骤，直到完全达到电网谐波的治理目标、无功的补偿目标。

4.根据权利要求3所述的适用于高压系统的谐波与无功动态治理控制器的控制方法，所述步骤6中

计算步骤如下：

利用电网谐波电流(i_Lh(k)+i_tcrh(k))与逆变器实际输出电流i_apf(k)的差值信号e(k)，采用一个3层前向BP神经网络对广义积分器的比例系数、h次谐波的积分系数进行自适应在线调整；

(1)根据研究对象的实际情况确定神经网络的结构，输入层(j)节点数为P＝7；输出层神经元数目根据研究对象的实际情况而定，例如系统需滤除的谐波次数集合为{2，5，7，11，13，17，19}，则输出层(l)神经元数目取M＝8；隐含层(i)神经元数目可以根据经验公式来确定，为：

a是[1，10]之间的常数；

(2)确定神经网络的输入与输出。网络输入为第k个时刻的电容直流侧电压给定值U_c(k)、电容电压实际值U₁(k)及两者的误差E₀(k)、系统参考电压U_ref(k)、系统电压基波有效值U_rms(k)及两者的误差U_e(k)，即输入[x₁，x₂，x₃，x₄，x₅，x₆，x₇]＝[U_c(k)，U₁(k)，E₀(k)，U_ref(k)，U_rms(k)，U_e(k)，1]。网络输出分别对应广义积分器的比例系数K_p、h次谐波积分系数K₂、K₅、K₇、K₁₁、K₁₃、K₁₇、K₁₉；

(3)电网谐波电流(i_Lh(k)+i_tcrh(k))与逆变器实际输出电流i_apf(k)的差值e(k)，e(k)＝(i_Lh(k)+i_tcrh(k))-i_apf(k)。性能指标函数定义为

$J=\frac{1}{2}{[i_{\mathrm{Lh}}\left(k\right)+i_{\mathrm{tcrh}}\left(k\right)-i_{\mathrm{apf}}\left(k\right)]}^2;$

神经网络权值的调节过程采用结合了传统BP算法与粒子群算法优点的PSO-BP综合算法；网络权值调整公式如下：

$\left\{\begin{array}{c}{w}_{\mathrm{li}}^{\left(3\right)}(k+1)=w_{\mathrm{li}}^{\left(3\right)}\left(k\right)+\mathrm{\β}{\mathrm{\δ}}_l^{\left(3\right)}{O}_i^{\left(2\right)}\left(k\right)++r_1{c}_1({\mathrm{wbest}}_{\mathrm{li}}^{\left(3\right)}-w_{\mathrm{li}}^{\left(3\right)}\left(k\right))+r_2{c}_2({\mathrm{wgbest}}_{\mathrm{li}}^{\left(3\right)}-w_{\mathrm{li}}^{\left(3\right)}\left(k\right))\\ {\mathrm{\δ}}_l^{\left(3\right)}=e\left(k\right)\mathrm{sgn}\left(\frac{\∂\left(i_{\mathrm{apf}}\right)}{\∂u\left(k\right)}\right)\frac{\∂u\left(k\right)}{\∂O_l^{\left(3\right)}\left(k\right)}{g}^{\′}\left({\mathrm{net}}_l^{\left(3\right)}\left(k\right)\right)\end{array}\right.,$

$\left\{\begin{array}{c}{w}_{\mathrm{ij}}^{\left(2\right)}(k+1)=w_{\mathrm{ij}}^{\left(2\right)}\left(k\right)+\mathrm{\β}{\mathrm{\δ}}_i^{\left(2\right)}{x}_j^{\left(1\right)}\left(k\right)+r_1^{\′}{c}_1^{\′}({\mathrm{wbest}}_{\mathrm{ij}}^{\left(2\right)}-w_{\mathrm{ij}}^{\left(2\right)}\left(k\right))+r_2^{\′}{c}_2^{\′}({\mathrm{wgbest}}_{\mathrm{ij}}^{\left(2\right)}-w_{\mathrm{ij}}^{\left(2\right)}\left(k\right))\\ {\mathrm{\δ}}_i^{\left(2\right)}{=f}^{\′}\left({\mathrm{net}}_i^{\left(2\right)}\left(k\right)\right)\underset{l=1}{\overset{8}{\mathrm{\Σ}}}{\mathrm{\δ}}_l^{\left(3\right)}{w}_{\mathrm{li}}^{\left(3\right)}\left(k\right)\end{array}\right.;$

式中，w_li(k)为输出层与隐含层的连接权值，w_ij(k)为隐含层与输入层的连接权值；上角标(1)、(2)、(3)分别代表输入层、隐含层和输出层，例如表示输入层的第j个神经元的输入；β是变学习率；r₁，r₂，r₁′，r₂′为0～1的随机数；w为惯性系数，惯性系数的引入使PSO可以调节算法的全局与局部寻优能力，通常采用线性惯性权值；c₁，c₂，c₁′，c₂′为加速度权重，为正常数；wbest_1i和wbest_ij为第K个网络所经历的历史上具有最小样本检验误差时的网络权值；wgbest_1i和wgbest_ij为10个群体网络中历史上具有最小样本检验误差时的网络权值；sgn表示符号函数；u(k)表示广义积分器在第k个时刻的输出；网络隐含层的第i个神经元的输入、输出分别为

网络输出层的输入、输出分别为

……，

输出层激励函数g与隐含层激励函数f均采用Sigmoid函数。

Images