CN102856910A - 基于多模型模糊神经网络pi的statcom控制方法 - Google Patents

Abstract

本发明涉及一种基于多模型模糊神经网络PI的STATCOM控制方法，其包括以下步骤：S1：根据配电系统负载侧接入不同冲击性负载后接入点电压U_pcc的降低幅值大小，将配电系统划分为三个模型M_i(i＝1,2,3)；S2：对于每个模型分别设计d轴PI控制器PI_di（i＝1,2,3）与q轴PI控制器PI_qi（i＝1,2,3）；S3：模糊神经网络模块包括模糊控制器和神经网络两个部分。通过模糊神经网络模块来整定M_i(i＝1,2,3)中d轴PI控制器PI_di（i＝1,2,3）与q轴PI控制器PI_qi（i＝1,2,3）的控制参数k_p、k_i。本发明的优越性在于：1.设计的PI控制器采用了多模型技术，该技术根据模型切换指标对PI参数进行了选择，使PI控制器能够适应接入点负载的变化；2.PI控制器参数k_p、k_i通过模糊神经网络进行整定得到，大大减少了人工PI参数整定带来的繁琐工作量。

Description

基于多模型模糊神经网络PI的STATCOM控制方法

技术领域

本发明涉及电力系统电能质量无功补偿中的静止同步补偿器，特别是涉及一种基于多模型模糊神经网络PI的STATCOM直接电压控制方法。

背景技术

静止同步补偿器(STATCOM)的目标之一是通过无功补偿实现接入点电压的稳定，从而达到改善电能质量的目的，相比传统的静止无功补偿器(SVC)，STATCOM具有更好的无功功率特性和电压稳定特性，在近年来逐渐成为研究的热点。

STATCOM的主要控制方法有双闭环PI控制法，但该方法所需PI控制器太多，难以实现。除此之外还有直接电压控制方法，该方法省去了双闭环控制中的电流内环，减少了PI控制器，使控制器的设计更为简单。然而，STATCOM具有非线性的特性，其等效参数在运行过程中会发生变化，仅仅依靠PI控制器难以满足电压控制的精度要求。

发明内容

针对配电系统接入的冲击性负载的不确定性，本发明提出了一种基于多模型模糊神经网路PI的STATCOM控制方法。该方法将多模型模糊神经网络技术应用到STATCOM直接电压控制法中，根据配电系统接入冲击性负载后接入点电压幅值的跌落范围建立多个模型。对于每个模型预先设定好相应的d轴PI控制器与q轴PI控制器，PI控制器参数k_p、k_i通过模糊神经网络模块进行整定得到，然后根据瞬时检测到的电压降低幅值切换PI参数。

本发明采取以下技术方案：

一种基于多模型模糊神经网络PI的STATCOM控制方法，包括以下步骤：

S1：根据配电系统负载侧接入不同冲击性负载后接入点电压U_pcc的降低幅值大小，将配电系统划分为三个模型M_i(i＝1,2,3)；

S2：对于每个模型分别设计d轴PI控制器PI_di（i＝1,2,3）与q轴PI控制器PI_qi（i=1,2,3）；

S3：模糊神经网络模块包括模糊控制器和神经网络两个部分。通过模糊神经网络模块来整定M_i(i＝1,2,3)中d轴PI控制器PI_di（i＝1,2,3）与q轴PI控制器PI_qi（i＝1,2,3）的控制参数k_p、k_i。

较佳地，所示步骤S3进一步包括：

S31：将给定电压

与实际输出电压U_dc/U_pcc的差值e_dc(k)/e_pcc(k)，和e_dc(k)/e_pcc(k)的导数

作为模糊控制的输入，通过模糊控制器得到相应的输出；

S32：将步骤S31中的输出作为BP神经网络的输入数据来训练神经网络，其中输入层具有3个神经元，输入层的输入为；

${\mathrm{input}}_i^{(2-1)}\left(k\right)=f_{k-1},i=\mathrm{1,2,3}---\left(4\right)$

其中f为输入层函数，k为输入变量；输入层的输出与输入相等，即:

${\mathrm{output}}_i^{(2-1)}\left(k\right)={\mathrm{input}}_i^{(2-1)}\left(k\right),i=\mathrm{1,2,3}---\left(5\right)$

S33：将步骤S32获得的输出量加权作为BP神经网络的隐含层的输入，并获得隐含层的输出，所述隐含层含有5个神经元，输入层到隐含层的权值为ω_ji，其中隐含层的输入为：

${\mathrm{input}}_j^{(2-2)}\left(k\right)=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ji}}{\mathrm{output}}_i^{(2-1)}\left(k\right),i=\mathrm{1,2,3};j=1,2...5---\left(6\right)$

隐含层的输出为：

${\mathrm{output}}_j^{(2-2)}\left(k\right)=f\left[{\mathrm{intput}}_j^{(2-1)}\left(k\right)\right],j=\mathrm{1,2}...5---\left(7\right)$

隐含层神经元的激励函数采用正负对称的Sigmoid函数

$f\left(x\right)=\frac{e^x-e^{-x}}{e^x+e^{-x}}---\left(8\right)$

S34：将步骤S33获得的输出量加权作为BP神经网络的输出层的输入，并获得输出层的输出，所述输出层具有2个神经元，隐含层到输出层的权值为ω_lj

其中输出层的输入为：

${\mathrm{input}}_l^{(2-3)}\left(k\right)=\underset{j=1}{\overset{5}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{lj}}{\mathrm{output}}_j^{(2-2)}\left(k\right),l=\mathrm{1,2};j=1,2...5---\left(9\right)$

输出层的输出为：

${\mathrm{output}}_l^{(2-3)}\left(k\right)=g\left[{\mathrm{intput}}_l^{(2-3)}\left(k\right)\right],l=\mathrm{1,2}---\left(10\right)$

其中输出层由于输出层对应的参数k_p、k_i非负，故激励函数取非负的Sigmoid函数：

$g\left(x\right)=\frac{e^x}{e^x+e^{-x}}---\left(11\right)$

S35：将步骤S34输出量作为PI控制器的参数k_p和k_i；

这里模糊神经网络选取的性能指标函数为：

$J=\frac{1}{2}{[r(k+1)-y(k+1)]}^2---\left(12\right)$

按照J的负梯度方向调整，附加一个使搜索能快速收敛的全局极小惯性系数，即：

$\mathrm{\Δ}{\mathrm{\ω}}_{\mathrm{lj}}(k+1)=-\mathrm{\η}\frac{\∂J}{\∂{\mathrm{\ω}}_{\mathrm{lj}}}+\mathrm{\α}{\mathrm{\ω}}_{\mathrm{lj}}\left(k\right),l=\mathrm{1,2};j=\mathrm{1,2}...5---\left(13\right)$

其中η是学习效率，α为惯性系数；

BP神经网络中的隐含层到输出层2-3的权值ω_lj为：

$\mathrm{\Δ}{\mathrm{\ω}}_{\mathrm{lj}}(k+1)=-\mathrm{\η\δ}{\mathrm{output}}_j^{(2-2)}\left(k\right)+\mathrm{\α}{\mathrm{\ω}}_{\mathrm{lj}}\left(k\right),l=\mathrm{1,2};j=\mathrm{1,2}...5---\left(14\right)$

其中,

$\mathrm{\δ}=e(k+1)\mathrm{sgn}\left[\frac{\∂y(k+1)}{\∂\mathrm{\Δu}\left(k\right)}\right]\frac{\∂\mathrm{\Δu}\left(k\right)}{{\∂\mathrm{output}}_l^{(2-3)}\left(k\right)}{g}^{\′}\left[\mathrm{int}{\mathrm{put}}_l^{(2-3)}\left(k\right)\right],l=\mathrm{1,2}---\left(15\right)$

其中,g'(x)=g(x)[1-g(x)]。

与现有技术相比，本发明的有益效果如下：

本发明由于采取以上技术方案，其具有以下优点：1.设计的PI控制器采用了多模型技术，该技术根据模型切换指标对PI参数进行了选择，使PI控制器能够适应接入点负载的变化；2.PI控制器参数k_p、k_i通过模糊神经网络进行整定得到，大大减少了人工PI参数整定带来的繁琐工作量。

附图说明

图1为配电系统接入冲击性负载时单相等效电路；

图2为模糊神经网络结构原理图；

图3为多模型模糊神经网路PI控制器框图；

图4a为传统PI控制方法接入点电压跌落11.7%时的补偿效果图；

图4b为本发明所采用的多模型模糊神经网络PI控制方法接入点电压跌落11.7%时的补偿效果图；

图5a为传统PI控制方法的接入点电压跌落17.6%时电压补偿效果图；

图5b为本发明所采用的多模型模糊神经网络PI控制方法的接入点电压跌落17.6%时电压补偿效果图；

图6为本发明一种基于多模型模糊神经网络PI的STATCOM控制方法的流程图。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

如图6，一种基于多模型模糊神经网络PI的STATCOM控制方法，包括下列步骤：

S1：根据配电系统负载侧接入不同冲击性负载后接入点电压U_pcc的降低幅值大小，将配电系统划分为三个模型M_i(i＝1,2,3)。如图1所示电路，包括：配电系统、STATCOM、负载。

参看图1可知，接入点电压变化的主要原因是由于负载的变化，图1中，U_S为电网电压(对应配电系统)，U_c为STATCOM的输出电压。U_pcc为接入点电压，Z_s为网侧等效阻抗，Z_f为连接变压器和输出滤波器的等效阻抗，Z_c为输出滤波电容等效阻抗，Z_L为冲击性负载接入前系统的等效负载，Z_Li为冲击性负载。

根据电路理论，可以得到：

$\frac{U_s-U_{\mathrm{pcc}}}{Z_s}=\frac{U_{\mathrm{pcc}}-U_c}{Z_f}+\frac{U_{\mathrm{pcc}}}{Z_c}+\frac{U_{\mathrm{pcc}}}{Z_L}+\frac{U_{\mathrm{pcc}}}{Z_{L1}}+\frac{U_{\mathrm{pcc}}}{Z_{L2}}+......+\frac{U_{\mathrm{pcc}}}{Z_{\mathrm{Li}}}---\left(1\right)$

即： $U_{\mathrm{pcc}}=\frac{\frac{U_s}{Z_S}+\frac{U_c}{Z_f}}{\frac{1}{Z_S}+\frac{1}{Z_f}+\frac{1}{Z_c}+\frac{1}{Z_L}+\frac{1}{Z_{L1}}+\frac{1}{Z_{L2}}+......+\frac{1}{Z_{\mathrm{Li}}}}---\left(2\right)$

记： $\stackrel{\‾}{Y}=\frac{1}{Z_s}+\frac{1}{Z_f}+\frac{1}{Z_c}+\frac{1}{Z_L}$

则有： $\left|U_{\mathrm{pcc}}\right|=\left|\frac{\frac{U_s}{Z_s}+\frac{U_c}{Z_f}}{\stackrel{\‾}{Y}+\frac{1}{Z_{\mathrm{Li}}}}\right|---\left(3\right)$

从式(3)中可以看出，当电网电压U_s，STATCOM输出电压U_c不变时，冲击性负载Z_Li的变化可以导致接入点电压U_pcc的变化，即冲击性负载Z_Li的大小决定了接入点电压U_pcc的幅值降低的幅度。因此，要适应冲击性负载的变化，维持接入点电压U_pcc的幅值保持恒定，可以通过调节STATCOM输出电压U_c的大小来实现。由此可以得到建立模型的基本原理就是根据接入点电压U_pcc的幅值降低的大小来划分模型。对于U_pcc降低较大的模型，采用较高的STATCOM输出电压Uc来使U_pcc保持恒定；而对于U_pcc降低较小的模型，则采用较低的STATCOM输出电压U_c来维持U_pcc的恒定。

本发明设定了3个模型M_i(i＝1,2,3)。

S2：对于每个模型分别设计d轴PI控制器PI_di（i＝1,2,3）与q轴PI控制器PI_qi（i＝1,2,3），如表1所示：

表1模型的划分

模型	电压跌落幅值	模糊神经网络PI控制器组
			Ml	5%-10%Upcc	PIdl，PIq1
M2	11%-15%Upcc	PId2，PIq2
			M3	16%-20%Upcc	PId3，PIq3

S3：模糊神经网络模块包括模糊控制器和神经网络两个部分。通过模糊神经网络模块来整定M_i(i＝1,2,3)中d轴PI控制器PI_di（i＝1,2,3）与q轴PI控制器PI_qi（i＝1,2,3）的控制参数k_p、k_i，步骤如下：

S31：将给定电压

与实际输出电压U_dc/U_pcc的差值e_dc(k)/e_pcc(k)，和e_dc(k)/e_pcc(k)的导数作为模糊控制的输入，通过模糊控制器得到相应的输出，所述模糊控制器规则如表2所示：

表2模糊控制器规则表

其中，e代表指令电压

与实际输出电压U_dc/U_pcc的差值e_dc(k)/e_pcc(k)，ec代表e_dc(k)/e_pcc(k)的导数

NB代表“负大”、NM代表“负中”、NS代表“负小”、0代表“零”、PS代表“正小”、PM代表“正中”、PB代表“正大”。

S32：将步骤S31中的输出作为BP神经网络的输入数据来训练神经网络，其中输入层2-1具有3个神经元，输入层2-1的输入为；

${\mathrm{input}}_i^{(2-1)}\left(k\right)=f_{k-1},i=\mathrm{1,2,3}---\left(4\right)$

其中f为输入层函数，k为输入变量。输入层2-1的输出与输入相等，即:

${\mathrm{output}}_i^{(2-1)}\left(k\right)={\mathrm{input}}_i^{(2-1)}\left(k\right),i=\mathrm{1,2,3}---\left(5\right)$

S33：将步骤S32获得的输出量加权作为隐含层2-2的输入，并获得隐含层2-2的输出，所述隐含层2-2含有5个神经元，输入层2-1到隐含层2-2的权值为ω_ji，其中隐含层的输入为：

${\mathrm{input}}_j^{(2-2)}\left(k\right)=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ji}}{\mathrm{output}}_i^{(2-1)}\left(k\right),i=\mathrm{1,2,3};j=1,2...5---\left(6\right)$

隐含层2-2的输出为：

${\mathrm{output}}_j^{(2-2)}\left(k\right)=f\left[{\mathrm{intput}}_j^{(2-1)}\left(k\right)\right],j=\mathrm{1,2}...5---\left(7\right)$

隐含层2-2神经元的激励函数采用正负对称的Sigmoid函数

$f\left(x\right)=\frac{e^x-e^{-x}}{e^x+e^{-x}}---\left(8\right)$

S34：将步骤S33获得的输出量加权作为2-3的输入，并获得输出层2-3的输出，所述输出层2-3具有2个神经元，隐含层2-2到输出层2-3的权值为ω_lj

其中输出层2-3的输入为：

${\mathrm{input}}_l^{(2-3)}\left(k\right)=\underset{j=1}{\overset{5}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{lj}}{\mathrm{output}}_j^{(2-2)}\left(k\right),l=\mathrm{1,2};j=1,2...5---\left(9\right)$

输出层2-3的输出为：

${\mathrm{output}}_l^{(2-3)}\left(k\right)=g\left[{\mathrm{intput}}_l^{(2-3)}\left(k\right)\right],l=\mathrm{1,2}---\left(10\right)$

其中输出层由于输出层对应的参数k_p、k_i非负，故激励函数取非负的Sigmoid函数：

$g\left(x\right)=\frac{e^x}{e^x+e^{-x}}---\left(11\right)$

S35：将步骤S34输出量作为PI控制器的参数k_p和k_i。

这里模糊神经网络选取的性能指标函数为：

$J=\frac{1}{2}{[r(k+1)-y(k+1)]}^2---\left(12\right)$

按照J的负梯度方向调整，附加一个使搜索能快速收敛的全局极小惯性系数，即：

$\mathrm{\Δ}{\mathrm{\ω}}_{\mathrm{lj}}(k+1)=-\mathrm{\η}\frac{\∂J}{\∂{\mathrm{\ω}}_{\mathrm{lj}}}+\mathrm{\α}{\mathrm{\ω}}_{\mathrm{lj}}\left(k\right),l=\mathrm{1,2};j=\mathrm{1,2}...5---\left(13\right)$

其中η是学习效率，α为惯性系数。

BP神经网络中的隐含层2-2到输出层2-3的权值ω_lj为：

$\mathrm{\Δ}{\mathrm{\ω}}_{\mathrm{lj}}(k+1)=-\mathrm{\η\δ}{\mathrm{output}}_j^{(2-2)}\left(k\right)+\mathrm{\α}{\mathrm{\ω}}_{\mathrm{lj}}\left(k\right),l=\mathrm{1,2};j=\mathrm{1,2}...5---\left(14\right)$

其中

$\mathrm{\δ}=e(k+1)\mathrm{sgn}\left[\frac{\∂y(k+1)}{\∂\mathrm{\Δu}\left(k\right)}\right]\frac{\∂\mathrm{\Δu}\left(k\right)}{{\∂\mathrm{output}}_l^{(2-3)}\left(k\right)}{g}^{\′}\left[\mathrm{int}{\mathrm{put}}_l^{(2-3)}\left(k\right)\right],l=\mathrm{1,2}---\left(15\right)$

其中,g'(x)=g(x)[1-g(x)]

配电系统运行时，当冲击性负载接入后，多模型控制器检测U_pcc跌落值得范围，并选择相应模型，d轴、q轴PI控制器参数k_p和k_i由上述模糊神经网络模块进行整定以达到理想的控制效果，使接入点电压U_pcc保持稳定。其控制框图如图3所示。

当冲击性负载接入后，接入点电压发生跌落，跌落幅度为11.7%，传统PI方法和本发明中的多模型模糊神经网络PI控制方法补偿效果如图4a和图4b所示；跌落幅度为17.6%，传统PI方法和本发明中的多模型模糊神经网络PI控制方法补偿效果如图5a和图5b所示，图4a，图4b以及图5a和图5b的横坐标为仿真时间，纵坐标为U_pcc。可以看到，无论从补偿速度还是补偿精度，本发明所采用的基于多模型模糊神经网络PI的STATCOM控制方法具有一定的优越性。

本实施例的方法采用直接电压控制法，PI控制器采用多模型方法来进行设计，且PI控制器参数k_p、k_i通过模糊神经网络进行整定得到。它能够根据接入负载的变化，以接入点电压幅值的跌落范围作为模型的切换指标，对于不同的接入负载选择相应的PI控制器参数，以适应负载的变化，从而保证接入点电压的稳定。

本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (2)

1.一种基于多模型模糊神经网络PI的STATCOM控制方法，其特征在于，包括以下步骤：

S1：根据配电系统负载侧接入不同冲击性负载后接入点电压U_pcc的降低幅值大小，将配电系统划分为三个模型M_i(i＝1,2,3)；

S2：对于每个模型分别设计d轴PI控制器PI_di（i＝1,2,3）与q轴PI控制器PI_qi（i=1,2,3）；

S3：模糊神经网络模块包括模糊控制器和神经网络两个部分；通过模糊神经网络模块来整定M_i(i＝1,2,3)中d轴PI控制器PI_di（i＝1,2,3）与q轴PI控制器PI_qi（i＝1,2,3）的控制参数k_p、k_i。

2.如权利要求1所述的一种基于多模型模糊神经网络PI的STATCOM控制方法，其特征在于，所示步骤S3进一步包括：

S31：将给定电压

与实际输出电压U_dc/U_pcc的差值e_dc(k)/e_pcc(k)，和e_dc(k)/e_pcc(k)的导数

作为模糊控制的输入，通过模糊控制器得到相应的输出；

S32：将步骤S31中的输出作为BP神经网络的输入数据来训练神经网络，其中输入层具有3个神经元，输入层的输入为；

${\mathrm{input}}_i^{(2-1)}\left(k\right)=f_{k-1},i=\mathrm{1,2,3}---\left(4\right)$

其中f为输入层函数，k为输入变量；输入层的输出与输入相等，即:

${\mathrm{output}}_i^{(2-1)}\left(k\right)={\mathrm{input}}_i^{(2-1)}\left(k\right),i=\mathrm{1,2,3}---\left(5\right)$

S33：将步骤S32获得的输出量加权作为BP神经网络的隐含层的输入，并获得隐含层的输出，所述隐含层含有5个神经元，输入层到隐含层的权值为ω_ji，其中隐含层的输入为：

${\mathrm{input}}_j^{(2-2)}\left(k\right)=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ji}}{\mathrm{output}}_i^{(2-1)}\left(k\right),i=\mathrm{1,2,3};j=1,2...5---\left(6\right)$

隐含层的输出为：

${\mathrm{output}}_j^{(2-2)}\left(k\right)=f\left[{\mathrm{intput}}_j^{(2-1)}\left(k\right)\right],j=\mathrm{1,2}...5---\left(7\right)$

隐含层神经元的激励函数采用正负对称的Sigmoid函数

$f\left(x\right)=\frac{e^x-e^{-x}}{e^x+e^{-x}}---\left(8\right)$

S34：将步骤S33获得的输出量加权作为BP神经网络的输出层的输入，并获得输出层的输出，所述输出层具有2个神经元，隐含层到输出层的权值为ω_lj

其中输出层的输入为：

${\mathrm{input}}_l^{(2-3)}\left(k\right)=\underset{j=1}{\overset{5}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{lj}}{\mathrm{output}}_j^{(2-2)}\left(k\right),l=\mathrm{1,2};j=1,2...5---\left(9\right)$

输出层的输出为：

${\mathrm{output}}_l^{(2-3)}\left(k\right)=g\left[{\mathrm{intput}}_l^{(2-3)}\left(k\right)\right],l=\mathrm{1,2}---\left(10\right)$

其中输出层由于输出层对应的参数k_p、k_i非负，故激励函数取非负的Sigmoid函数：

$g\left(x\right)=\frac{e^x}{e^x+e^{-x}}---\left(11\right)$

S35：将步骤S34输出量作为PI控制器的参数k_p和k_i；

这里模糊神经网络选取的性能指标函数为：

$J=\frac{1}{2}{[r(k+1)-y(k+1)]}^2---\left(12\right)$

按照J的负梯度方向调整，附加一个使搜索能快速收敛的全局极小惯性系数，即：

$\mathrm{\Δ}{\mathrm{\ω}}_{\mathrm{lj}}(k+1)=-\mathrm{\η}\frac{\∂J}{\∂{\mathrm{\ω}}_{\mathrm{lj}}}+\mathrm{\α}{\mathrm{\ω}}_{\mathrm{lj}}\left(k\right),l=\mathrm{1,2};j=\mathrm{1,2}...5---\left(13\right)$

其中η是学习效率，α为惯性系数；

BP神经网络中的隐含层到输出层2-3的权值ω_lj为：

$\mathrm{\Δ}{\mathrm{\ω}}_{\mathrm{lj}}(k+1)=-\mathrm{\η\δ}{\mathrm{output}}_j^{(2-2)}\left(k\right)+\mathrm{\α}{\mathrm{\ω}}_{\mathrm{lj}}\left(k\right),l=\mathrm{1,2};j=\mathrm{1,2}...5---\left(14\right)$

其中,

$\mathrm{\δ}=e(k+1)\mathrm{sgn}\left[\frac{\∂y(k+1)}{\∂\mathrm{\Δu}\left(k\right)}\right]\frac{\∂\mathrm{\Δu}\left(k\right)}{{\∂\mathrm{output}}_l^{(2-3)}\left(k\right)}{g}^{\′}\left[\mathrm{int}{\mathrm{put}}_l^{(2-3)}\left(k\right)\right],l=\mathrm{1,2}---\left(15\right)$

其中,g'(x)=g(x)[1-g(x)]。

Images