CN105610162B - 一种有源电力滤波器自适应模糊滑模rbf神经网络控制方法 - Google Patents
一种有源电力滤波器自适应模糊滑模rbf神经网络控制方法 Download PDFInfo
- Publication number
- CN105610162B CN105610162B CN201610003062.7A CN201610003062A CN105610162B CN 105610162 B CN105610162 B CN 105610162B CN 201610003062 A CN201610003062 A CN 201610003062A CN 105610162 B CN105610162 B CN 105610162B
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- mfrac
- mover
- rbf neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 22
- 230000003767 neural control Effects 0.000 title abstract 2
- 238000013461 design Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims description 55
- 238000013178 mathematical model Methods 0.000 claims description 8
- 239000003990 capacitor Substances 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 abstract 3
- 230000004044 response Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000000696 magnetic material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/01—Arrangements for reducing harmonics or ripples
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/0285—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks and fuzzy logic
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/20—Active power filtering [APF]
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Power Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种有源电力滤波器自适应模糊滑模RBF神经网络控制方法,其特征在于,包括如下步骤:步骤1、建立有源电力滤波器的数学模型;步骤2、基于模糊滑模设计得到自适应模糊滑模RBF神经网络控制器,包括模糊自适应律和RBF神经网络自适应律;步骤3、根据自适应模糊滑模RBF神经网络控制器控制有源电力滤波器。能够对指令电流实时跟踪补偿、可靠性高、对参数变化鲁棒性高、稳定性高。
Description
技术领域
本发明涉及一种有源电力滤波器自适应模糊滑模RBF神经网络控制方法,尤其涉及一种基于模糊滑模的有源电力滤波器自适应模糊滑模RBF神经网络控制方法在三相并联电压型有源电力滤波器控制上的应用。
背景技术
自20世纪80年代以来,随着电力电子技术的快速发展以及环境、能源、社会和高效化的要求,电力电子设备和系统正朝着应用技术高频化(20kHz以上)、硬件结构集成模块化(单片集成模块、混合集成模块)等大方向发展。电力电子电能变换技术已在现代社会工业、生活中的方方面面得到了广泛应用。
然而随着作为电网的非线性和时变性负荷的电力电子装置的广泛应用,其带来的负面效应也变的日益明显和严峻。这类电力电子装置的开关特性在电网中会引起大量的谐波和次谐波分量,导致电力电路中电压和电流波形出现失真,其中电力电子装置代替传统磁性材料产生的非线性变化成为最主要的谐波源。另外,波动性、冲击性负荷在电力电路中不仅引发大量的高次谐波,而且会导致电路电压出现波动、畸变、三相不平衡等问题。
目前,国内主要采用无源滤波器处理电网中的谐波。然而无源滤波器的补偿特性单一,且易受到系统阻抗影响,引发谐振现象,放大谐波,进而烧毁补偿装置,而且仅能对特定谐波进行有效处理,人们逐渐将研究的重心转向有源电力滤波器。有源电力滤波器等净化电网产品是智能电网建设的标配产品,能实现谐波和无功动态补偿,响应快、受电网阻抗影响小、不易与电网阻抗发生谐振,既能补偿各次谐波,还可抑制闪变、补偿无功,补偿性能不受电网频率变化的影响,能有效抑制谐波污染,因此成为谐波治理的重要手段。
目前,国内外尚未形成系统的有源电力滤波器的先进控制理论体系,有源滤波器的建模方法因人而异,采用的控制方法也多种多样,导致系统的稳定性和可靠性较低。
发明内容
针对上述问题,本发明提供一种有源电力滤波器自适应模糊滑模RBF神经网络控制方法,能够对指令电流实时跟踪补偿、可靠性高、对参数变化鲁棒性高、稳定性高。
为实现上述技术目的,达到上述技术效果,本发明通过以下技术方案实现:
一种有源电力滤波器自适应模糊滑模RBF神经网络控制方法,其特征在于,包括如下步骤:
步骤1、建立有源电力滤波器的数学模型;
步骤2、基于模糊滑模设计得到自适应模糊滑模RBF神经网络控制器,包括模糊自适应律和RBF神经网络自适应律;
步骤3、根据自适应模糊滑模RBF神经网络控制器控制有源电力滤波器。
优选,针对三相三线制系统,有源电力滤波器的数学模型为:
式中,Lc是交流电感,Rc是直流侧电阻,ik是滤波器输出补偿电流,k=1,2,3,是ik的二阶导数,vk为三相有源电力滤波器端电压,vdc是直流侧电容电压,dk为开关状态函数,t是时间。
其中,步骤2中得到Lyapunov函数V1、V2和V3,其中:
式中,s是切换函数,sT为s的转置,是RBF神经网络权值,为的转置,其中,ω*为RBF神经网络的理想权值,为RBF神经网络的实时估计权值,μ为正常数,μ-1是μ的倒数,n=1,2,3…,是模糊系统理想参数和实时参数之间的误差,为模糊系统理想参数,为模糊系统的实时参数,是的转置;
根据Lyapunov稳定定理设计模糊自适应律和RBF神经网络自适应律:
模糊自适应律为:
其中,为模糊向量,为的一阶导数,si是切换函数。
RBF神经网络自适应律为:
其中,φ(x)=[φ1(x),φ2(x)…φn(x)]T,n=1,2,3…,为高斯基函数,Γ为常数。
本发明的有益效果是:
在基于模糊滑模的有源电力滤波器自适应模糊滑模RBF神经网络控制法中,自适应模糊滑模RBF神经网络控制器用来逼近有源电力滤波器中的非线性部分。自适应模糊控制器能够确保对指令电流的实时跟踪并加强系统的鲁棒性。可对有源电力滤波器进行有效、可靠的控制,在对系统参数未知的情况下,可以有效估计出系统的各项参数,并且保证系统全局的稳定性;在基于模糊滑模的有源电力滤波器自适应模糊滑模RBF神经网络控制器的设计的基础上,可逐步得到动态控制律和自适应律;在滑模控制的设计中主要是利用常规的滑模变结构控制,其能够克服系统的不确定性,对干扰具有很强的鲁棒性,尤其对非线性系统的控制具有很强的控制效果。
附图说明
图1是本发明具体实施例中有源电力滤波器的模型示意图;
图2是本发明一种有源电力滤波器自适应模糊滑模RBF神经网络控制方法的原理示意图;
图3是本发明的具体实施例中实际输出追踪期望曲线的时域响应曲线图;
图4是本发明的具体实施例中对电网电流进行补偿之后的时域响应曲线图。
其中,图1中的符号:
Vs1,Vs2,Vs3—三相电源电压;is1,is2,is3—三相电源电流;iL1,iL2,iL3—负载电流;v1,v2,v3—三相有源电力滤波器端电压;i1,i2,i3—三相补偿电流;Lc—交流电感;Rc—直流侧电阻;v1M,v2M,v3M,vMN—M点到a、b、c、N点的电压。
具体实施方式
下面结合附图和具体的实施例对本发明技术方案作进一步的详细描述,以使本领域的技术人员可以更好的理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
一种有源电力滤波器自适应模糊滑模RBF神经网络控制方法,主要包括如下三个步骤:
步骤1、建立有源电力滤波器的数学模型;
步骤2、基于模糊滑模设计得到自适应模糊滑模RBF神经网络控制器,包括模糊自适应律和RBF神经网络自适应律;
步骤3、根据自适应模糊滑模RBF神经网络控制器控制有源电力滤波器。
实际应用中,应用最广泛的是并联电压型有源电力滤波器,而三相的占多数,故本实施例针对三相三线制系统的情况进行详细说明。有源电力滤波器主要由三部分组成,分别是谐波电流检测模块、电流跟踪控制模块和补偿电流发生模块。如图1所示,其显示了有源电力滤波器的系统模型。
一、建立有源电力滤波器的数学模型:
有源电力滤波器的基本工作原理是,检测补偿对象的电压和电流,经指令电流运算电路计算得出补偿电流的指令信号i* c,该信号经补偿电流发生电路放大,得出补偿电流ic,补偿电流与负载电流中要补偿的谐波及无功等电流抵消,最终得到期望的电源电流。
根据电路理论和基尔霍夫定理可得到如下公式:
其中,v1,v2,v3分别为三相有源电力滤波器端电压,i1,i2,i3分别为三相补偿电流,Lc是交流电感,Rc是直流侧电阻,v1M,v2M,v3M,vMN为M点到a、b、c、N点的电压。
假设交流侧电源电压稳定,可以得到
并定义ck为开关函数,指示IGBT的工作状态,定义如下:
其中,k=1,2,3。
同时,vkM=ckvdc,所以(1)可改写为
我们定义dk为开关状态函数,定义如下:
则dk依赖于第k相IGBT的通断状态,是系统的非线性项,并有:
那么(4)可改写为:
定义:
那么:
那么可以将(7)改写成如下形式:
其中:u=dk
则式(11)为有源电力滤波器的数学模型,也即:
针对三相三线制系统,有源电力滤波器的数学模型为:
式中,Lc是交流电感,Rc是直流侧电阻,ik是滤波器输出补偿电流,k=1,2,3,是ik的二阶导数,vk为三相有源电力滤波器端电压,vdc是直流侧电容电压,dk为开关状态函数,t是时间。
二、基于模糊滑模设计得到自适应模糊滑模RBF神经网络控制器,包括模糊自适应律和RBF神经网络自适应律:
定义跟踪误差为:
e=xd-x (12)
对e求导得:
定义滑模面为:
定义李雅普诺夫函数为:
对V1求导可得:
其中,定义非线性部分为:
则式(16)可改为:
为使V1'≤0,设计控制器为:
其中为f的估计值,K=diag(K11,…,Knn),A=diag(a1,…an),n=1,2,3…,为元素为正常数的对角矩阵。
那么:
因此系统满足了李雅普诺夫稳定性理论条件,从而保证了系统的全局渐近稳定性。
RBF神经网络被用于逼近系统的非线性部分f,估计值输出为:
其中,为RBF神经网络的实时估计权值,为的转置,φ(x)=[φ1(x),φ2(x)…φn(x)]T,n=1,2,3…,为高斯基函数。
则非线性部分的理想输出为:
其中,ε为重构误差,并且ε有界,有||ε||≤εN,εN为任意小的正常数。
将式(21)带入式(19),可得基于神经网络的控制器为:
定义Lyapunov函数为:
对V2求导得:
将式(23)代入式(25),得:
设计自适应律为:
其中Γ为常数。
将式(27)代入式(26),可得:
其中:
利用模糊系统的输出ζ逼近整个滑模项εN sgn(s),则新的控制器为:
其中,ζ=[ζ1,…,ζi…,ζn]T,n=1,2,3…,ζi为ζ的子变量。
定义模糊系统的隶属度函数为:
则ζi可以写成:
其中,为可变参数,为模糊向量, 上限M是指隶属度函数的个数。
定义从而得到对εN的最优补偿输出为:
因此,存在一个ωi>0,使其满足
模糊系统理想参数和实时参数之间的误差为:
则:
定义Lyapunov函数为:
对V3求导可得:
设计自适应律为:
假设
其中,0≤γi≤1,则:
将式(41)代入式(38),得:
其中,γ=diag[γ1,…,γi…,γn],ai>γi,且仅当s=0时因此,整个系统是稳定的。从而可以验证用本文提出的基于模糊滑模的自适应神经网络控制方法设计的动态控制律,能很好地实现的实现对有源电力滤波器的电流的跟踪和补偿。
系统原理图如图2所示,得到的Lyapunov函数V1、V2和V3,其中:
式中,s是切换函数,sT为s的转置,是RBF神经网络权值,为的转置,其中,ω*为RBF神经网络的理想权值,为RBF神经网络的实时估计权值,μ为正常数,μ-1是μ的倒数,n=1,2,3…,是模糊系统理想参数和实时参数之间的误差,为模糊系统理想参数,为模糊系统的实时参数,是的转置;
根据Lyapunov稳定定理设计模糊自适应律和RBF神经网络自适应律,分别为:
模糊自适应律为:
其中,为模糊向量,为的一阶导数,si是切换函数。
RBF神经网络自适应律为:
其中,φ(x)=[φ1(x),φ2(x)…φn(x)]T,n=1,2,3…,为高斯基函数,Γ为常数。
三、根据自适应模糊滑模RBF神经网络控制器控制有源电力滤波器。
下面进行Matlab仿真实验。
结合有源电力滤波器的动态模型和模糊滑模控制的自适应模糊滑模RBF神经网络控制器的设计方法,通过Matlab/Simulink软件设计出主程序。
取五种隶属函数进行模糊化:m=exp[-(x+4-(i-1)*1.6)2],i=1,…,6.
自适应参数取r=10000。电源电压Vs1=Vs2=Vs3=220V,f=50Hz。非线性负载的电阻40Ω,电感5mH。补偿电路电感10mH,电容100μF。0.04S(S代表秒)时补偿电路接入开关闭合,有源滤波器开始工作,并在0.1S和0.2S时接入一个相同的额外的非线性负载。
实验的结果如图3、图4所示:
图3是实际输出追踪期望曲线的时域响应曲线图,可以看到0.04s,有源电力滤波器刚开始工作时就具有较好的快速响应,0.1s和0.2s增加非线性负载后偏差能在一个周期趋于稳定,整体来看补偿电流能很好的跟踪上指令电流,偏差也在合理的范围内。因此自适应模糊滑模RBF神经网络控制作为电流跟踪控制的效果得到了明显的验证。
图4是电网电流进行补偿之后的时域响应曲线图,我们可以看到当有源电力滤波器开始工作以后,电流在0.05s就迅速接近正弦波,0.1s和0.2s增加负载以后,电流也能达到很好的响应速度,最后稳定在正弦波。经计算机仿真计算后,0.06s时,电流谐波的畸变率从0s的27.14%变为2.95%,0.16s时,负载电流的谐波畸变率为26.33%,而经补偿后电源电流的谐波畸变率仅为1.65%。因此采用自适应模糊滑模RBF神经网络控制的补偿电流控制方法的有源电力滤波器不仅能很好的消除由非线性负载产生的谐波,并且稳定性也满足了较高的要求。实验结果证明了自适应模糊反演跟踪控制具有较好的快速响应和鲁棒性,提高了系统的动静态性能。
本发明应用于有源电力滤波器的基于模糊滑模控制的自适应模糊滑模RBF神经网络控制方法,该方法对有源电力滤波器进行有效、可靠的控制,在对系统参数未知的情况下,可以有效估计出系统的各项参数,并且保证系统全局的稳定性;在基于模糊滑模的有源电力滤波器自适应模糊滑模RBF神经网络控制器的设计的基础上,可逐步得到动态控制律和自适应律;在滑模控制的设计中主要是利用常规的滑模变结构控制,其能够克服系统的不确定性,对干扰具有很强的鲁棒性,对非线性系统具有很强的控制效果;自适应模糊滑模RBF神经网络控制器用来逼近有源电力滤波器中的非线性部分。自适应模糊控制器能够确保对指令电流的实时跟踪并加强系统的鲁棒性。本发明能够确保对指令电流的实时跟踪,并且加强系统的动态性能,提高系统鲁棒性以及对参数变化不敏感。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或者等效流程变换,或者直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (3)
1.一种有源电力滤波器自适应模糊滑模RBF神经网络控制方法,其特征在于,
包括如下步骤:
步骤1、建立有源电力滤波器的数学模型;
步骤2、基于模糊滑模设计得到自适应模糊滑模RBF神经网络控制器,包括模糊自适应律和RBF神经网络自适应律;
步骤3、根据自适应模糊滑模RBF神经网络控制器控制有源电力滤波器;
其中,针对三相三线制系统,有源电力滤波器的数学模型为:
<mrow>
<msub>
<mover>
<mi>i</mi>
<mo>&CenterDot;&CenterDot;</mo>
</mover>
<mi>k</mi>
</msub>
<mo>=</mo>
<mfrac>
<msubsup>
<mi>R</mi>
<mi>c</mi>
<mn>2</mn>
</msubsup>
<msubsup>
<mi>L</mi>
<mi>c</mi>
<mn>2</mn>
</msubsup>
</mfrac>
<msub>
<mi>i</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<mfrac>
<msub>
<mi>R</mi>
<mi>c</mi>
</msub>
<msubsup>
<mi>L</mi>
<mi>c</mi>
<mn>2</mn>
</msubsup>
</mfrac>
<msub>
<mi>v</mi>
<mi>k</mi>
</msub>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>L</mi>
<mi>c</mi>
</msub>
</mfrac>
<mfrac>
<mrow>
<msub>
<mi>dv</mi>
<mi>k</mi>
</msub>
</mrow>
<mrow>
<mi>d</mi>
<mi>t</mi>
</mrow>
</mfrac>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>R</mi>
<mi>c</mi>
</msub>
<msubsup>
<mi>L</mi>
<mi>c</mi>
<mn>2</mn>
</msubsup>
</mfrac>
<msub>
<mi>v</mi>
<mrow>
<mi>d</mi>
<mi>c</mi>
</mrow>
</msub>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>L</mi>
<mi>c</mi>
</msub>
</mfrac>
<mfrac>
<mrow>
<msub>
<mi>dv</mi>
<mrow>
<mi>d</mi>
<mi>c</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mi>d</mi>
<mi>t</mi>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<msub>
<mi>d</mi>
<mi>k</mi>
</msub>
</mrow>
式中,Lc是交流电感,Rc是直流侧电阻,ik是滤波器输出补偿电流,k=1,2,3,是ik的二阶导数,vk为三相有源电力滤波器端电压,vdc是直流侧电容电压,dk为开关状态函数,t是时间;
步骤2中得到Lyapunov李雅普诺夫函数V1、V2和V3,其中:
<mrow>
<msub>
<mi>V</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<mi>b</mi>
</mrow>
</mfrac>
<msup>
<mi>s</mi>
<mi>T</mi>
</msup>
<mi>s</mi>
</mrow>
<mrow>
<msub>
<mi>V</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<mi>b</mi>
</mrow>
</mfrac>
<msup>
<mi>s</mi>
<mi>T</mi>
</msup>
<mi>s</mi>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mover>
<mi>&omega;</mi>
<mo>~</mo>
</mover>
<mi>T</mi>
</msup>
<msup>
<mi>&mu;</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mover>
<mi>&omega;</mi>
<mo>~</mo>
</mover>
</mrow>
<mrow>
<msub>
<mi>V</mi>
<mn>3</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<mi>b</mi>
</mrow>
</mfrac>
<msup>
<mi>s</mi>
<mi>T</mi>
</msup>
<mi>s</mi>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mover>
<mi>&omega;</mi>
<mo>~</mo>
</mover>
<mi>T</mi>
</msup>
<msup>
<mi>&mu;</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mover>
<mi>&omega;</mi>
<mo>~</mo>
</mover>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<msubsup>
<mover>
<mi>&theta;</mi>
<mo>~</mo>
</mover>
<msub>
<mi>k</mi>
<mi>i</mi>
</msub>
<mi>T</mi>
</msubsup>
<msub>
<mover>
<mi>&theta;</mi>
<mo>~</mo>
</mover>
<msub>
<mi>k</mi>
<mi>i</mi>
</msub>
</msub>
<mo>)</mo>
</mrow>
</mrow>
式中,s是切换函数,sT为s的转置,是RBF神经网络权值误差,为的转置,其中,ω*为RBF神经网络的理想权值,为RBF神经网络的实时估计权值,μ为正常数,μ-1是μ的倒数,n=1,2,3…,是模糊系统理想参数和实时参数之间的误差,为模糊系统理想参数,为模糊系统的实时参数,是的转置;
根据Lyapunov稳定定理设计模糊自适应律和RBF神经网络自适应律。
2.根据权利要求1所述的一种有源电力滤波器自适应模糊滑模RBF神经网络控制方法,其特征在于,模糊自适应律为:
<mrow>
<msub>
<mover>
<mover>
<mi>&theta;</mi>
<mo>~</mo>
</mover>
<mo>&CenterDot;</mo>
</mover>
<msub>
<mi>k</mi>
<mi>i</mi>
</msub>
</msub>
<mo>=</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&psi;</mi>
<msub>
<mi>k</mi>
<mi>i</mi>
</msub>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中,为模糊向量,为的一阶导数,si是切换函数。
3.根据权利要求1所述的一种有源电力滤波器自适应模糊滑模RBF神经网络控制方法,其特征在于,RBF神经网络自适应律为:
<mrow>
<mover>
<mover>
<mi>&omega;</mi>
<mo>^</mo>
</mover>
<mo>&CenterDot;</mo>
</mover>
<mo>=</mo>
<mi>&Gamma;</mi>
<mi>&phi;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<msup>
<mi>s</mi>
<mi>T</mi>
</msup>
</mrow>
其中,φ(x)=[φ1(x),φ2(x)…φn(x)]T,n=1,2,3…,为高斯基函数,Γ为常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610003062.7A CN105610162B (zh) | 2016-01-04 | 2016-01-04 | 一种有源电力滤波器自适应模糊滑模rbf神经网络控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610003062.7A CN105610162B (zh) | 2016-01-04 | 2016-01-04 | 一种有源电力滤波器自适应模糊滑模rbf神经网络控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105610162A CN105610162A (zh) | 2016-05-25 |
CN105610162B true CN105610162B (zh) | 2018-03-20 |
Family
ID=55989793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610003062.7A Expired - Fee Related CN105610162B (zh) | 2016-01-04 | 2016-01-04 | 一种有源电力滤波器自适应模糊滑模rbf神经网络控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105610162B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105977981B (zh) * | 2016-06-24 | 2018-11-09 | 河海大学常州校区 | 一种有源电力滤波器模糊神经网络控制方法 |
CN106374488B (zh) * | 2016-09-13 | 2018-12-25 | 河海大学常州校区 | 基于分数阶终端滑模的有源电力滤波器afnn控制方法 |
CN106406090B (zh) * | 2016-09-13 | 2019-06-04 | 河海大学常州校区 | 基于模糊反演的有源电力滤波器fnn控制方法 |
CN107147120B (zh) * | 2017-06-29 | 2020-01-07 | 河海大学常州校区 | 有源电力滤波器rbf双神经网络自适应滑模控制方法 |
CN107453362A (zh) * | 2017-09-19 | 2017-12-08 | 河海大学常州校区 | 基于神经网络的有源电力滤波器反演全局滑模模糊控制法 |
CN108199600B (zh) * | 2018-01-18 | 2019-10-22 | 扬州大学 | 一种全桥逆变器的自适应动态面控制器 |
CN108599667B (zh) * | 2018-04-02 | 2021-04-09 | 江苏理工学院 | 开关磁阻电机的控制方法和系统 |
CN108681245B (zh) * | 2018-05-14 | 2020-12-29 | 哈尔滨理工大学 | 一种解决实际升力受限的减摇鳍控制器 |
CN109061299A (zh) * | 2018-06-15 | 2018-12-21 | 南京邮电大学 | 一种基于径向基函数神经网络的电力系统谐波检测方法 |
CN110676855B (zh) * | 2019-09-30 | 2023-10-31 | 贵州电网有限责任公司 | 一种配电网无功电压控制参数智能优化调整方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200513002A (en) * | 2003-09-26 | 2005-04-01 | Cai-Fu Wu | Single-phase active power filter with nonlinear load |
CN102856904A (zh) * | 2012-09-26 | 2013-01-02 | 河海大学常州校区 | 基于模糊逼近的有源滤波器自适应模糊滑模控制方法 |
CN103066603A (zh) * | 2013-01-25 | 2013-04-24 | 河海大学常州校区 | 三相并联型有源滤波器的自适应rbf神经滑模控制方法 |
-
2016
- 2016-01-04 CN CN201610003062.7A patent/CN105610162B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200513002A (en) * | 2003-09-26 | 2005-04-01 | Cai-Fu Wu | Single-phase active power filter with nonlinear load |
CN102856904A (zh) * | 2012-09-26 | 2013-01-02 | 河海大学常州校区 | 基于模糊逼近的有源滤波器自适应模糊滑模控制方法 |
CN103066603A (zh) * | 2013-01-25 | 2013-04-24 | 河海大学常州校区 | 三相并联型有源滤波器的自适应rbf神经滑模控制方法 |
Non-Patent Citations (2)
Title |
---|
Neural network-based model reference adaptive control of active power filter based on sliding mode approach;Yunmei Fang et al.;《IECON 2015 - 41st Annual Conference of the IEEE Industrial Electronics Society》;20151112;第31-36页 * |
新型三相三线制模糊滑模控制并联有源滤波器设计;江全才等;《电力系统保护与控制》;20140401;第42卷(第7期);第128-133页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105610162A (zh) | 2016-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105610162B (zh) | 一种有源电力滤波器自适应模糊滑模rbf神经网络控制方法 | |
CN106374488B (zh) | 基于分数阶终端滑模的有源电力滤波器afnn控制方法 | |
CN107147120B (zh) | 有源电力滤波器rbf双神经网络自适应滑模控制方法 | |
CN102856904B (zh) | 基于模糊逼近的有源滤波器自适应模糊滑模控制方法 | |
CN108923430B (zh) | 有源电力滤波器神经网络终端滑模控制方法及计算设备 | |
CN101847873B (zh) | 一种新型有源滤波器的非线性控制方法 | |
CN104135003B (zh) | 一种基于自抗扰和重复控制的有源电力滤波器控制方法 | |
CN103296905B (zh) | 三相电压型功率因数校正变换器的自适应控制方法 | |
Cao et al. | Adaptive fractional fuzzy sliding mode control for three-phase active power filter | |
CN107069723B (zh) | 有源电力滤波器分数阶PIλ及自抗扰混合控制方法 | |
CN105610163A (zh) | 基于分数阶的有源电力滤波器自适应模糊滑模控制方法 | |
CN103293963B (zh) | 有源电力滤波器自适应模糊反演跟踪控制方法 | |
Singh et al. | A review on Shunt active power filter control strategies | |
CN103441499B (zh) | 三相并联型有源滤波器的线性化反馈神经滑模控制方法 | |
CN109921422B (zh) | 基于单反馈神经网络的有源电力滤波器非奇异终端滑模控制方法 | |
CN103311930A (zh) | 有源滤波器的模糊pi参数自整定反馈线性化滑模控制方法 | |
CN106406090B (zh) | 基于模糊反演的有源电力滤波器fnn控制方法 | |
Chang et al. | Real-time implementation of grey fuzzy terminal sliding mode control for PWM DC–AC converters | |
CN106374490B (zh) | 基于动态面模糊滑模控制的有源电力滤波器控制方法 | |
CN105977981B (zh) | 一种有源电力滤波器模糊神经网络控制方法 | |
Cheng et al. | Fuzzy logic design of self-tuning switching power supply | |
CN110350546B (zh) | 一种单相有源电力滤波器控制方法 | |
CN106099928B (zh) | 一种有源电力滤波器反演滑模自适应模糊控制方法 | |
Memon et al. | Estimation of compensation current reference using fuzzy logic controller for three-phase hybrid active power filter | |
Sebasthirani et al. | PERFORMANCE ENHANCEMENT OF SHUNT ACTIVE POWER FILTER WITH FUZZY AND HYSTERESIS CONTROLLERS. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180320 Termination date: 20210104 |