CN102426293A - 基于神经网络最小方均根的apf谐波检测系统及检测方法 - Google Patents

Abstract

一种基于神经网络最小方均根的APF谐波检测系统，它包括指令电流运算模块、电流跟踪控制模块、驱动模块、主电路模块；其检测方法为检测信号、补偿信号、驱动跟踪、补偿电流；其优越性在于：①硬件装置设计简单、成本低廉、易于实现；②采用最小均方根谐波电流检测法能准确、实时地检测出电网中瞬态变化的谐波电流，保障了APF的补偿性能；③通过神经网络控制与最小均方根谐波电流检测方法配合，使控制器具有自学习能力；④控制器不需要预先进行训练，动态响应速度快、结构简单。

Description

基于神经网络最小方均根的APF谐波检测系统及检测方法

(一)技术领域：

本发明涉及谐波检测领域，尤其是一种基于神经网络(ArtificialNeural Networks，ANN)最小方均根的APF谐波检测系统及检测方法。

(二)背景技术：

有源电力滤波器(active power filter后称APF)是一种电力电子补偿系统，并接于电源和重要负荷之间，具有很好的动态性能和谐波特性。有源电力滤波器的谐波电流检测系统为有源电力滤波器控制系统进行精确补偿提供电流参考，是决定APF性能的关键。

目前APF中所使用的几种谐波电流检测方法中，基于瞬时无功功率理论的检测方法被公认为最成功的方法，理论上讲，该方法能实时检测出谐波和无功电流。但该方法存在电路结构发杂、计算量大、调整困难等缺点，且仅适用于三相电路。所以探讨新的谐波和无功电流的检测方法对APF的发展和推广具有重要的理论和实用意义。

(三)发明内容：

本发明的目的在于提出一种基于神经网络最小方均根的APF谐波检测系统及检测方法，它可以克服现有技术的不足，采用高性能的控制器和智能的控制方法以获得高精度的控制效果，大大简化了检测系统，提高了系统的可靠性，是一种精度高实时性好抗干扰能力强的检测系统及其工作方法，且很好的保证了有源电力滤波器对畸变电流检测的要求。

本发明的技术方案：一种基于神经网络最小方均根的APF谐波检测系统，包括含负载的电网，其特征在于它包括指令电流运算模块、电流跟踪控制模块、驱动模块、主电路模块；其中，所述指令电流运算模块的输入端与负载所在电网连接，其输出端连接电流跟踪控制模块的输入端；所述电流跟踪控制模块的输出端与驱动模块输入端连接；所述驱动模块输出端与主电路模块连接；所述主电路模块产生补偿电流注入电网以消除电网中的谐波。

所述指令电流运算模块包括定积分电路和电源周期延时电路；所述积分电路中的积分器采用运算放大器构成的模拟积分；所述电路电源周期延时电路采用音响放大电路中用于回声和混响的专用数字延时电路芯片。

所述电流跟踪控制模块和驱动模块采用常规电路组合。

所述主电路模块采用电压型PWM变流器电路，其每一桥臂均由一个IGBT和一个二极管反并联而成。

一种基于神经网络最小方均根的APF谐波检测方法，其特征在于包括以下步骤：

(1)指令电流运算模块检测计算电网电流，经指令电流运算电路计算得出补偿电流的指令信号；

(2)电流跟踪控制模块根据补偿电流的指令信号和实际补偿电流之间的相互关系，得出控制补偿电流发生电路中主电路各个器件通断的PWM信号；

(3)驱动模块将电流跟踪控制模块产生的PWM信号进行放大；

(4)PWM信号控制主电路中开关器件的通断产生期望的补偿电流。

所述步骤(1)中的电流检测计算过程由以下步骤构成：

①根据最小方均根的谐波电流检测原理，首先构造一个补偿电流函数，补偿电流i_c(t)的均方根值为I_rms：

$I_{\mathrm{rms}}=\sqrt{\frac{1}{T}{\∫}_{t-T}^t[{(A_1-A)}^2{\sin }^2\mathrm{wt}+{(B_1-B)}^2{\cos }^2\mathrm{wt}+{(\underset{n=2}{\overset{n}{\mathrm{\Σ}}}{A}_n\sin \mathrm{nwt}+B_n\cos \mathrm{nwt})}^2]\mathrm{dt}}$

通过调节这个补偿电流函数中基波电流的幅值A和B，使这个补偿电流的均方根值i_c(t)达到最小，从而确定出负载电流基波有功分量的幅值；

②从检测得到的负载电流中减去步骤①所得的基波有功分量，得到所需补偿的谐波和无功电流，这时A＝A₁为t时刻基波有功电流的幅值，B＝B₁为t时刻无功电流的幅值；

③设计前馈3层人工神经网络，实现最小均方根调节电路中从输入I_L(t)到输出基波有功分量幅值A的非线性映射；利用前馈多层人工神经网络能实现任意非线性映射的特点，设置输入层(即缓冲层)节点数为n，隐层节点为m，激活函数采用S型函数，输出层节点数为1，激活函数是线性函数；

④最小均方根调节人工神经网络输入信号的前向传播过程：

将I_L(t)在t时刻及之前的n个采样值作为神经网络的输入，经过正向运算，在神经网络的输出端得到待求的A值，设输入层输入电流向量为：

I_l(t_k)＝[i_L(t_k)，i_L(t_k-1)，L，i_L(t_k-n+1)]＝[i_L(t_k)，i_L(t_k-T_a)，L，i_L(t_k-(n-1)T_a]＝{i_L(t_k-jT_a)}

i＝0，1，Ln-1；

输入向量各元为t_k时刻以及以前的(n-1)个时刻的n个采样值，其中T_a为采样周期，则输入层和隐层间的链接权值矩阵为：

W₁＝{W_ij}j＝0，1，Lm-1；i＝0，1，Ln-1；

从而得，隐层第j号节点的输入为：

$I_j\left(t_k\right)=\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}[W_{\mathrm{ij}}\·i_L\left(t_{k-i}\right)]$ j＝0，1，Lm-1

隐层输出为：

O_j(t_k)＝f(I_j(t_k))j＝0，1，Lm-1其中 $f\left(x\right)=\frac{1-e^{-x}}{1+e^{-x}}$

输出层和隐层之间的权值向量为：

W₂＝{W_l}l＝0，1，Lm-1

则 $A=\underset{l=0}{\overset{m-1}{\mathrm{\Σ}}}[w_l.f\left(I_L\right)]$

这样便完成了ANN从I_L(t)到A变换正向运算；

⑤构造的补偿电流函数的平方和作为误差函数，即：

$E=\frac{1}{2}\underset{j=0}{\overset{n-1}{\mathrm{\Σ}}}{[i_L(t_k-j{T}_a)-A\sin w(t_k-j{T}_a)]}^2$

在P+1次叠代时，输出层到隐层之间权值调整公式可由最陡下降法导出：

$\mathrm{\Δ}{w_1}^{(p+1)}=-a{\mathrm{\δ}}^{\left(p\right)}\left(t_k\right){O_l}^{\left(p\right)}\left(t_k\right)$

式中 ${\mathrm{\δ}}^{\left(p\right)}\left(t_k\right)=\underset{j=0}{\overset{n-1}{\mathrm{\Σ}}}\left\{\right[i_L(t_k-j{T}_a)-A^{\left(p\right)}\sin w(t_k-j{T}_a)\left]\right[-\sin w(t_k-j{T}_a)\left]\right\}$ 和

是隐层中第l号神经元在P次叠代时的输出；a是输出层到隐层权值调节的学习因子；根据BP算法规则，在输出层到隐层权值调整的基础上，进行隐层到输入层的权值调整；

输入层中第i个神经元到隐层中第j个神经元的连接权值的调整量为：

$\mathrm{\Δ}{W_{\mathrm{ij}}}^{(p+1)}=-\mathrm{\η}\frac{\∂E}{\∂W_{\mathrm{ij}}}=-\mathrm{\η}\frac{\∂E}{\∂I_j}\·\frac{\∂E}{\∂W_{\mathrm{ij}}}=-\mathrm{\η}\frac{\∂E}{\∂A}\·\frac{\∂A}{\∂O_j}\·\frac{\∂O_j}{\∂I_j}\·\frac{\∂I_j}{\∂W_{\mathrm{ij}}}=-\mathrm{\η}\·{\mathrm{\δ}}^{\left(p\right)}\left(t_k\right)\·W_l^{\left(p\right)}\·f^{\′}\left[I_j\left(t_k\right)\right]\·i_L\left(t_{k-1}\right)$

式中η为输入层到隐层的权值学习因子；学习率一般取0～1之间的数；然后运用ANN中的误差反传算法，通过调节网络的链接权值，使误差函数达到最小，从而使补偿电流的均方根值达到最小，从而实现补偿电流有效值最小。

本发明的工作原理：基于最小均方根的谐波电流检测电路如图6，根据本发明提出的最小均方根谐波电流检测原理，非线性负载电流I_L(t)中谐波和无功电流检测问题首先转化为确定I_L(t)中基波有功电流幅值的为题，然后进一步转化为求指令电流均方根值的最小化问题。根据指令电流的均方根值达到最小时，设计谐波电流检测电路图5，其中正弦信号sinwt由锁相环电路得到，定积分电路由图7实现，积分器运用运算放大器构成的模拟积分电路。延时电路采用音响放大电路中用于回声和混响的专用数字延时电路芯片。

在分析比较现有的谐波和无功电流检测理论和方法基础上，本发明提出了一种基于APF输出的补偿电流有效值最小的谐波电流和无功电流检测方法，在“移动平均”理论基础上，提出一种建立“时变有效值”的概念，描述电网动态过程中电流有效值的变化。同时提出用神经网络实现的补偿电流有效值最小的谐波电流检测方法。

本发明的优越性在于：①硬件装置设计简单、成本低廉、易于实现；②采用最小均方根谐波电流检测法能准确、实时地检测出电网中瞬态变化的谐波电流，保障了APF的补偿性能；③通过神经网络控制与最小均方根谐波电流检测方法配合，使控制器具有自学习能力；④控制器不需要预先进行训练，动态响应速度快、结构简单。

(四)附图说明：

图1为本发明所涉基于神经网络最小方均根的APF谐波检测系统的结构框图；

图2为本发明所涉基于神经网络最小方均根的APF谐波检测系统中主电路模块的电路结构图；

图3为本发明所涉基于神经网络最小方均根的APF谐波检测系统中的实现最小方均根谐波和无功电流检测的电路结构框图。

图4为本发明所涉基于神经网络最小方均根的APF谐波检测系统中的基于最小方均根的APF电路。

图5为本发明所涉基于神经网络最小方均根的APF谐波检测系统中的基于最小方均根的谐波和无功电流检测电路。

图6为本发明所涉基于神经网络最小方均根的APF谐波检测系统中的基于最小方均根的谐波电流检测电路。

图7为本发明所涉基于神经网络最小方均根的APF谐波检测系统中的定积分实现电路图。

图8为本发明所涉基于神经网络最小方均根的APF谐波检测系统中的完成最小均方根的三层前馈神经网络结构图。

(五)具体实施方式：

实施例：一种基于神经网络最小方均根的APF谐波检测系统(见图1)，包括含负载的电网，其特征在于它包括指令电流运算模块、电流跟踪控制模块、驱动模块、主电路模块；其中，所述指令电流运算模块的输入端与负载所在电网连接，其输出端连接电流跟踪控制模块的输入端；所述电流跟踪控制模块的输出端与驱动模块输入端连接；所述驱动模块输出端与主电路模块连接；所述主电路模块产生补偿电流注入电网以消除电网中的谐波。

所述指令电流运算模块包括定积分电路(见图7)和电源周期延时电路；所述积分电路中的积分器采用运算放大器构成的模拟积分；所述电路电源周期延时电路采用音响放大电路中用于回声和混响的专用数字延时电路芯片。

所述电流跟踪控制模块和驱动模块采用常规电路组合。

所述主电路模块采用电压型PWM变流器电路(见图2)，其每一桥臂均由一个IGBT和一个二极管反并联而成。

一种基于神经网络最小方均根的APF谐波检测方法，其特征在于包括以下步骤：

(1)指令电流运算模块检测计算电网电流，经指令电流运算电路计算得出补偿电流的指令信号；

(2)电流跟踪控制模块根据补偿电流的指令信号和实际补偿电流之间的相互关系，得出控制补偿电流发生电路中主电路各个器件通断的PWM信号；

(3)驱动模块将电流跟踪控制模块产生的PWM信号进行放大；

(4)PWM信号控制主电路中开关器件的通断产生期望的补偿电流。

所述步骤(1)中的电流检测计算过程由以下步骤构成(图4、图5、图6)：

①根据最小方均根的谐波电流检测原理，首先构造一个补偿电流函数，补偿电流i_c(t)的均方根值为I_rms：(见图3)

$I_{\mathrm{rms}}=\sqrt{\frac{1}{T}{\∫}_{t-T}^t[{(A_1-A)}^2{\sin }^2\mathrm{wt}+{(B_1-B)}^2{\cos }^2\mathrm{wt}+{(\underset{n=2}{\overset{n}{\mathrm{\Σ}}}{A}_n\sin \mathrm{nwt}+B_n\cos \mathrm{nwt})}^2]\mathrm{dt}}$

通过调节这个补偿电流函数中基波电流的幅值A和B，使这个补偿电流的均方根值i_c(t)达到最小，从而确定出负载电流基波有功分量的幅值；

②从检测得到的负载电流中减去步骤①所得的基波有功分量，得到所需补偿的谐波和无功电流，这时A＝A₁为t时刻基波有功电流的幅值，B＝B₁为t时刻无功电流的幅值；(图3)

③设计前馈3层人工神经网络(如图8)，实现最小均方根调节电路中从输入I_L(t)到输出基波有功分量幅值A的非线性映射；利用前馈多层人工神经网络能实现任意非线性映射的特点，设置输入层(即缓冲层)节点数为n，隐层节点为m，激活函数采用S型函数，输出层节点数为1，激活函数是线性函数；

④最小均方根调节人工神经网络输入信号的前向传播过程：

将I_L(t)在t时刻及之前的n个采样值作为神经网络的输入，经过正向运算，在神经网络的输出端得到待求的A值，设输入层输入电流向量为：

I_l(t_k)＝[i_L(t_k)，i_L(t_k-1)，L，i_L(t_k-n+1)]＝[i_L(t_k)，i_L(t_k-T_a)，L，i_L(t_k-(n-1)T_a]＝{i_L(t_k-jT_a)}

i＝0，1，Ln-1；

输入向量各元为t_k时刻以及以前的(n-1)个时刻的n个采样值，其中T_a为采样周期，则输入层和隐层间的链接权值矩阵为：

W₁＝{W_ij}j＝0，1，Lm-1；i＝0，1，Ln-1；

从而得，隐层第j号节点的输入为：

$I_j\left(t_k\right)=\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}[W_{\mathrm{ij}}\·i_L\left(t_{k-i}\right)]$ j＝0，1，Lm-1

隐层输出为：

O_j(t_k)＝f(I_j(t_k))j＝0，1，Lm-1其中 $f\left(x\right)=\frac{1-e^{-x}}{1+e^{-x}}$

输出层和隐层之间的权值向量为：

W₂＝{W_l}l＝0，1，Lm-1

则 $A=\underset{l=0}{\overset{m-1}{\mathrm{\Σ}}}[w_l.f\left(I_L\right)]$

这样便完成了ANN从I_L(t)到A变换正向运算；

⑤构造的补偿电流函数的平方和作为误差函数，即：

$E=\frac{1}{2}\underset{j=0}{\overset{n-1}{\mathrm{\Σ}}}{[i_L(t_k-j{T}_a)-A\sin w(t_k-j{T}_a)]}^2$

在P+1次叠代时，输出层到隐层之间权值调整公式可由最陡下降法导出：

$\mathrm{\Δ}{w_1}^{(p+1)}=-a{\mathrm{\δ}}^{\left(p\right)}\left(t_k\right){O_l}^{\left(p\right)}\left(t_k\right)$

式中 ${\mathrm{\δ}}^{\left(p\right)}\left(t_k\right)=\underset{j=0}{\overset{n-1}{\mathrm{\Σ}}}\left\{\right[i_L(t_k-j{T}_a)-A^{\left(p\right)}\sin w(t_k-j{T}_a)\left]\right[-\sin w(t_k-j{T}_a)\left]\right\}$ 和

是隐层中第l号神经元在P次叠代时的输出；a是输出层到隐层权值调节的学习因子；根据BP算法规则，在输出层到隐层权值调整的基础上，进行隐层到输入层的权值调整；

输入层中第i个神经元到隐层中第j个神经元的连接权值的调整量为：

$\mathrm{\Δ}{W_{\mathrm{ij}}}^{(p+1)}=-\mathrm{\η}\frac{\∂E}{\∂W_{\mathrm{ij}}}=-\mathrm{\η}\frac{\∂E}{\∂I_j}\·\frac{\∂E}{\∂W_{\mathrm{ij}}}=-\mathrm{\η}\frac{\∂E}{\∂A}\·\frac{\∂A}{\∂O_j}\·\frac{\∂O_j}{\∂I_j}\·\frac{\∂I_j}{\∂W_{\mathrm{ij}}}=-\mathrm{\η}\·{\mathrm{\δ}}^{\left(p\right)}\left(t_k\right)\·W_l^{\left(p\right)}\·f^{\′}\left[I_j\left(t_k\right)\right]\·i_L\left(t_{k-1}\right)$

式中η为输入层到隐层的权值学习因子；学习率一般取0～1之间的数；然后运用ANN中的误差反传算法，通过调节网络的链接权值，使误差函数达到最小，从而使补偿电流的均方根值达到最小，从而实现补偿电流有效值最小。

Claims (5)

1.一种基于神经网络最小方均根的APF谐波检测系统，包括含负载的电网，其特征在于它包括指令电流运算模块、电流跟踪控制模块、驱动模块、主电路模块；其中，所述指令电流运算模块的输入端与负载所在电网连接，其输出端连接电流跟踪控制模块的输入端；所述电流跟踪控制模块的输出端与驱动模块输入端连接；所述驱动模块输出端与主电路模块连接；所述主电路模块产生补偿电流注入电网以消除电网中的谐波。

2.根据权利要求1中所述一种基于神经网络最小方均根的APF谐波检测系统，其特征在于所述指令电流运算模块包括定积分电路和电源周期延时电路；所述积分电路中的积分器采用运算放大器构成的模拟积分；所述电路电源周期延时电路采用音响放大电路中用于回声和混响的专用数字延时电路芯片。

3.根据权利要求1中所述一种基于神经网络最小方均根的APF谐波检测系统，其特征在于所述主电路模块采用电压型PWM变流器电路，其每一桥臂均由一个IGBT和一个二极管反并联而成。

4.一种基于神经网络最小方均根的APF谐波检测方法，其特征在于包括以下步骤：

(1)指令电流运算模块检测计算电网电流，经指令电流运算电路计算得出补偿电流的指令信号；

(2)电流跟踪控制模块根据补偿电流的指令信号和实际补偿电流之间的相互关系，得出控制补偿电流发生电路中主电路各个器件通断的PWM信号；

(3)驱动模块将电流跟踪控制模块产生的PWM信号进行放大；

(4)PWM信号控制主电路中开关器件的通断产生期望的补偿电流。

5.根据权利要求4中所述一种基于神经网络最小方均根的APF谐波检测方法，其特征在于所述步骤(1)中的电流检测计算过程由以下步骤构成：

①根据最小方均根的谐波电流检测原理，首先构造一个补偿电流函数，补偿电流i_c(t)的均方根值为I_rms：

$I_{\mathrm{rms}}=\sqrt{\frac{1}{T}{\∫}_{t-T}^t[{(A_1-A)}^2{\sin }^2\mathrm{wt}+{(B_1-B)}^2{\cos }^2\mathrm{wt}+{(\underset{n=2}{\overset{n}{\mathrm{\Σ}}}{A}_n\sin \mathrm{nwt}+B_n\cos \mathrm{nwt})}^2]\mathrm{dt}}$

通过调节这个补偿电流函数中基波电流的幅值A和B，使这个补偿电流的均方根值i_c(t)达到最小，从而确定出负载电流基波有功分量的幅值；

②从检测得到的负载电流中减去步骤①所得的基波有功分量，得到所需补偿的谐波和无功电流，这时A＝A₁为t时刻基波有功电流的幅值，B＝B₁为t时刻无功电流的幅值；(图3)

③设计前馈3层人工神经网络(如图8)，实现最小均方根调节电路中从输入I_L(t)到输出基波有功分量幅值A的非线性映射；利用前馈多层人工神经网络能实现任意非线性映射的特点，设置输入层(即缓冲层)节点数为n，隐层节点为m，激活函数采用S型函数，输出层节点数为1，激活函数是线性函数；

④最小均方根调节人工神经网络输入信号的前向传播过程：

将I_L(t)在t时刻及之前的n个采样值作为神经网络的输入，经过正向运算，在神经网络的输出端得到待求的A值，设输入层输入电流向量为：

I_l(t_k)＝[i_L(t_k)，i_L(t_k-1)，L，i_L(t_k-n+1)]＝[i_L(t_k)，i_L(t_k-T_a)，L，i_L(t_k-(n-1)T_a]＝{i_L(t_k-jT_a)}

i＝0，1，Ln-1；

输入向量各元为t_k时刻以及以前的(n-1)个时刻的n个采样值，其中T_a为采样周期，则输入层和隐层间的链接权值矩阵为：

W₁＝{W_ij}j＝0，1，Lm-1；i＝0，1，Ln-1；

从而得，隐层第j号节点的输入为：

$I_j\left(t_k\right)=\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}[W_{\mathrm{ij}}\·i_L\left(t_{k-i}\right)]$ j＝0，1，Lm-1

隐层输出为：

O_j(t_k)＝f(I_j(t_k))j＝0，1，Lm-1其中 $f\left(x\right)=\frac{1-e^{-x}}{1+e^{-x}}$

输出层和隐层之间的权值向量为：

W₂＝{W_l}l＝0，1，Lm-1

则 $A=\underset{l=0}{\overset{m-1}{\mathrm{\Σ}}}[w_l.f\left(I_L\right)]$

这样便完成了ANN从I_L(t)到A变换正向运算；

⑤构造的补偿电流函数的平方和作为误差函数，即：

$E=\frac{1}{2}\underset{j=0}{\overset{n-1}{\mathrm{\Σ}}}{[i_L(t_k-j{T}_a)-A\sin w(t_k-j{T}_a)]}^2$

在P+1次叠代时，输出层到隐层之间权值调整公式可由最陡下降法导出：

$\mathrm{\Δ}{w_1}^{(p+1)}=-a{\mathrm{\δ}}^{\left(p\right)}\left(t_k\right){O_l}^{\left(p\right)}\left(t_k\right)$

式中 ${\mathrm{\δ}}^{\left(p\right)}\left(t_k\right)=\underset{j=0}{\overset{n-1}{\mathrm{\Σ}}}\left\{\right[i_L(t_k-j{T}_a)-A^{\left(p\right)}\sin w(t_k-j{T}_a)\left]\right[-\sin w(t_k-j{T}_a)\left]\right\}$ 和

是隐层中第l号神经元在P次叠代时的输出；a是输出层到隐层权值调节的学习因子；根据BP算法规则，在输出层到隐层权值调整的基础上，进行隐层到输入层的权值调整；

输入层中第i个神经元到隐层中第j个神经元的连接权值的调整量为：

$\mathrm{\Δ}{W_{\mathrm{ij}}}^{(p+1)}=-\mathrm{\η}\frac{\∂E}{\∂W_{\mathrm{ij}}}=-\mathrm{\η}\frac{\∂E}{\∂I_j}\·\frac{\∂E}{\∂W_{\mathrm{ij}}}=-\mathrm{\η}\frac{\∂E}{\∂A}\·\frac{\∂A}{\∂O_j}\·\frac{\∂O_j}{\∂I_j}\·\frac{\∂I_j}{\∂W_{\mathrm{ij}}}=-\mathrm{\η}\·{\mathrm{\δ}}^{\left(p\right)}\left(t_k\right)\·W_l^{\left(p\right)}\·f^{\′}\left[I_j\left(t_k\right)\right]\·i_L\left(t_{k-1}\right)$

式中η为输入层到隐层的权值学习因子；学习率一般取0～1之间的数；然后运用ANN中的误差反传算法，通过调节网络的链接权值，使误差函数达到最小，从而使补偿电流的均方根值达到最小，从而实现补偿电流有效值最小。

Images