CN105629730A - 一种基于神经网络滑模控制的upfc控制方法 - Google Patents

Abstract

本发明提出了一种基于神经网络滑模控制的UPFC控制方法，该方法利用针对并联侧和串联侧换流器，在矢量控制的基础上，构建了换流器并联侧和串联侧状态空间，采用径向基函数(RBF)神经网络算法，对隐含层节点中心、节点宽度和网络权值采用基于经典梯度下降算法的动量因子法进行调整，由RBF神经网络对滑模面进行调整，该方法能够实现滑动模态的全过程自适应控制，消除滑模控制对外部参数的敏感性，实现有功、无功功率的解耦控制，抑制在系统扰动时后的振荡，快速逼近系统运行的目标值，并且结构简单运行可靠，同时具有很好的适应性和鲁棒性。本发明弥补了国内在这一领域的空白，也为统一潮流控制器稳定控制系统的改进提供了必要的技术支持和有利参考。

Description

一种基于神经网络滑模控制的UPFC控制方法

技术领域

本发明涉及的是统一潮流控制器(UPFC)换流器的控制方法，属于电力电子控制技术领域，具体涉及的是一种基于神经网络滑模控制的UPFC控制方法。

背景技术

统一潮流控制器(UnifiedPowerFlowController，简称UPFC)的概念，最先是由L.Gyugyi等人于1992年提出，国外对UPFC研究较早，1998年世界上第一台装置，在美国地区的138kV的高压输电线路上成功运行，足以说明UPFC的硬件实现是完全可行的，目前工程运行良好。而我国起步较晚，1995年以后才开始研究。

统一潮流控制器(UPFC)作为一种串、并联混合型FACTS元件能够对受控输电线上的潮流分配和节点电压灵活进行控制，其基本组成模块静止同步补偿器(STATCOM)和静止同步串联补偿器(SSSC)以及中间的直流电容。统一潮流控制器(UPFC)既能在电力系统稳定方面实现潮流调节，合理控制有功功率、无功功率的流动，提高线路的输送能力，实现优化运行，又能在动态方面，通过快速无功吞吐，动态地支撑接入点的电压，提高系统电压稳定性，若适当控制，还可以改善系统阻尼，提高功角稳定性。

UPFC控制方法多种多样，主要控制方法包括：传统的PI控制、神经网络和模糊自适应控制、非线性控制、交叉解耦控制、协调控制等方法。如果缺乏对UPFC系统的有效控制措施，在交流系统发生故障或者扰动时有可能引起换流器的换相失败。若换相失败时间过长可能引起换流器闭锁，大量的功率将无法通过换流器进行传输，极有可能引起两侧交流系统的失稳。而如果控制措施得当，在交流系统发生故障后，通过既定的控制策略自动调节UPFC系统传输的有功和无功功率，减少换相失败的时间甚至防止发生换相失败，就可以充分利用UPFC系统调节的快速性，对交流系统进行紧急功率支援，或在故障后帮助交流系统快速恢复，减弱交流系统振荡，保证两侧电网安全稳定的运行。所以研究统一潮流控制器换流器的稳定控制方法，为统一潮流控制控制系统的工程应用提供技术支持和有利参考，具有巨大的经济价值和应用前景。

目前已经采用的UPFC换流器控制方法主要是基于经典PI控制理论，对系统数学建模的要求很高，不易得到满意的控制效果，而且鲁棒性不强。

发明内容

根据国内尚未有基于径向基函数(RBF)神经网络滑模变结构控制的实际工程的情况，并结合基于指数趋近律的滑模控本发明目的是提供一种基于神经网络滑模控制的UPFC控制方法，在系统运行点发生改变时和控制系统结构变化时进行仿真验证，结果表明该方法能够快速有效地控制受控输电线路的有功、无功功率，跟踪性能良好，提高系统在受到扰动后的稳定性，从而保证电网安全稳定运行。

为实现上述目的，本发明的技术方案如下：

一种基于神经网络滑模控制的UPFC控制方法，其步骤如下：

(1)利用矢量控制的方法和坐标变换的方法对已建立的系统数学模型进行解耦，从而得到便于滑模变结构控制的系统状态方程；

(2)采用基于指数趋近律的滑模变结构控制器，根据系统误差构造滑模切换函数，选择合适的滑模控制器参数；

(3)将切换函数作为RBF神经网络的输入，滑模控制器作为RBF神经网络的输出，构造基于高斯函数的RBF神经网络；

(4)设计神经网络的误差，选择神经网络的学习指标，采用随机梯度法加上动量修正项的方法，得到各个参数的修正公式；

(5)根据目标变量的物理含义选择合适的量测量计算并输出目标期望控制信号，并通过空间矢量控制(SVPWM)得到串联侧和并联侧换流器的触发信号。

本发明将基于指数趋近律的滑模变结构控制方法(基本结构为变结构控制系统)用于并联侧换流器、串联侧换流器控制中，构造基于高斯函数的径向基函数(RBF)神经网络对滑模控制器的输入进行学习，根据滑模切换时状态空间的误差采用随机梯度法加上动量修正项的方法自适应调整学习参数，在并联侧和串联侧换流器中采用该控制方法，同时具有有功、无功独立解耦和动态特性优良的优点，具有很好的适应性和鲁棒性，用以提高统一潮流控制器的并网稳定性，同时结构简单、易于实现。

附图说明

图1本发明的并联侧等值电路；

图2本发明的串联侧等值电路；

图3本发明的三层前向RBF神经网络；

图4本发明的基于RBF神经网络和指数趋近律的滑模控制器结构；

图5本发明的并联侧控制原理框图；

图6本发明的串联侧控制原理框图；

图7本发明的两机双线含UPFC输电系统拓扑结构；

图8本发明的系统运行点发生改变时直流电压响应情况；

图9本发明的系统运行点发生改变时RBF网络权值自适应参数变化情况；

图10本发明的控制结构改变时直流电压响应情况；

图11本发明的控制结构改变时RBF网络权值自适应参数变化情况。

具体实施

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

本发明的原理具体叙述如下：

(1)以滑模变结构控制为基础的干扰观测器需要在解耦的系统状态空间中进行控制，利用坐标变换分别建立两相旋转坐标系下并联侧和串联侧系统状态方程：

$\{\begin{array}{c}{L}_E{\stackrel{\·}{i}}_{Ed}=-R_E{i}_{Ed}+{\mathrm{\ωL}}_E{i}_{Eq}+u_{sd}-u_{1d}\\ L_E{\stackrel{\·}{i}}_{Eq}=-R_E{i}_{Eq}+{\mathrm{\ωL}}_E{i}_{Ed}+u_{sq}-u_{1q}\end{array}---\left(1\right)$

$\{\begin{array}{c}{L}_B{\stackrel{\·}{i}}_{Bd}=-R_B{i}_{Bd}+{\mathrm{\ωL}}_B{i}_{Bq}+u_{Bd}+u_{2d}\\ L_B{\stackrel{\·}{i}}_{Bq}=-R_B{i}_{Bq}-{\mathrm{\ωL}}_B{i}_{Bd}+u_{Bq}+u_{2q}\end{array}---\left(2\right)$

其中：i_Ed、i_Eq、i_Bq、i_Bd是状态变量，u_1d、u_1q、u_2d、u_2q是控制器输入。

L_E和R_E表示UPFC并联变压器以及所连接电抗的等效电感和电阻，i_Ed和i_Eq分别为UPFC并联侧输出电流坐标分量，u_sd和u_sq分别为电网送端母线电压，u_1d和u_1q为UPFC并联变流器的输出电压。

L_B和R_B分别表示UPFC串联变压器所连接电抗的等效电感和电阻，i_Bd和i_Bq分别表示线路及UPFC串联侧流过的电流坐标分量，u_2d和u_2q为UPFC串联变流器的输出电压，u_Bd和u_Bq分别为串联换流器的交流侧输出电压，ω表示角频率。

并联侧和串联侧等值电路图如图1和图2所示。

(2以并联侧为例，式(1)中状态空间是二阶的，为了简化控制将ωL_Ei_Eq+u_sd和-ωL_Ei_Ed+u_sq分别作为输入的前馈补偿，则i_Ed和i_Eq是解耦的，式(1)并联侧可以转化为两个一阶状态方程，设x₁＝i_Ed，x₂＝i_Eq，u₁＝(ωL_Ei_Eq+u_sd-u_1d)/L_E，u₂＝(-ωL_Ei_Ed+u_sq-u_1q)/L_E，则(1)可以转化成一阶系统状态空间方程：

$\left\{\begin{array}{c}{\stackrel{\·}{x}}_1=-{\mathrm{ax}}_1+u_1\\ {\stackrel{\·}{x}}_2=-{\mathrm{ax}}_2+u_2\end{array}\right.---\left(3\right)$

同并联侧的分析，可以建立串联侧系统状态空间方程：

$\{\begin{array}{c}{\stackrel{\·}{x}}_3=-{\mathrm{bx}}_3+u_3\\ {\stackrel{\·}{x}}_4=-{\mathrm{bx}}_4+u_4\end{array}---\left(4\right)$

其中：x₃＝i_Bd，x₄＝i_Bq，u₃＝(ωL_Bi_Bq+u_Bd+u_2d)/L_B，u₄＝(-ωL_Bi_Bd+u_Bq+u_2q)/L_B。

式(3)和式(4)的通用形式状态空间为

$\stackrel{\·}{x}=Ax+u---\left(5\right)$

其中：x∈R为状态变量，A＜0为系统参数。设x的位置指令为r，状态误差为e＝r-x

构造滑模控制器的切换函数

$\begin{array}{c}s=Ce\\ \stackrel{\·}{s}=-\mathrm{\ϵ}\mathrm{sgn}\left(s\right)-ks\end{array}---\left(6\right)$

其中：C,ε,k均为控制器参数并且满足C,ε,k＞0，采用合适的参数达到快速收敛的目的。

(3)构造三层前向神经网络，如图3所示，在RBF网络结构中，X＝[x₁,x₂,…x_n]^T为网络的输入向量。设RBF网络的径向基向量H＝[h₁,h₂,…h_m]^T，其中h_j为高斯基函数，

$h_j=\exp (-\frac{\left|\right|X-c_j|{|}^2}{2b_j^2}),j=1,2...m---\left(7\right)$

其中：m为隐含层神经元个数，网络第j个节点的中心向量c_j＝[c_j1,c_j2,…c_jm]^T

设网络的基宽向量为

B＝[b₁,b₂,…b_m]^T(8)

其中：b_j为节点j的基宽参数，b_j＞0。RBF网络的权向量为

W＝[w₁,w₂,…w_m]^T(9)

RBF网络的输出为

y_m＝w₁h₁+w₂h₂+…+w_mh_m(10)

将滑模控制器输入设计为RBF神经网络的输出

$u=\underset{j=1}{\overset{m}{\Σ}}{w}_j\exp (-\frac{\left|\right|s-c_j|{|}^2}{2b_j^2})---\left(11\right)$

(4)滑模控制器的控制目标定义网络误差E作为RBF神经网络的权值调整指标，

$E=s\stackrel{\·}{s}---\left(12\right)$

网络权值w_j调整方式为

${\mathrm{dw}}_j=-\mathrm{\η}\frac{\∂E}{\∂w_j}=-\mathrm{\η}\frac{\∂s\stackrel{\·}{s}}{\∂w_j}=-\mathrm{\η}\frac{\∂s\stackrel{\·}{s}}{\∂u}\frac{\∂u}{\∂w_j}---\left(13\right)$

其中：η＞0为神经网络的学习率

由于 $\frac{\∂s\stackrel{\·}{s}}{\∂u}=s\frac{\∂\stackrel{\·}{s}}{\∂u}=-Cs,\frac{\∂u}{\∂w_j}=\exp (-\frac{\left|\right|s-c_j|{|}^2}{2b_j^2})$

则RBF网络权值学习算法为

${\mathrm{dw}}_j=\mathrm{\γ}s\exp (-\frac{\left|\right|s-c_j|{|}^2}{2b_j^2})={\mathrm{\γsh}}_j---\left(14\right)$

基于RBF神经网络和指数趋近律的滑模控制器结构如图4所示。

(5)根据目标变量的物理含义给出系统状态变量的期望值

$i_{Bd}^{*}=\frac{2}{3}\frac{P^{*}{u}_{2d}+Q^{*}{u}_{2q}}{{u_{2d}}^2+{u_{2q}}^2}$

$i_{Bq}^{*}=\frac{2}{3}\frac{P^{*}{u}_{2q}-Q^{*}{u}_{2q}}{{u_{2d}}^2+{u_{2q}}^2}$

并通过空间矢量控制(SVPWM)得到串联侧和并联侧换流器的触发信号，SVPWM技术已经较为成熟，此处不再赘述。并联侧和串联侧控制原理框图如图5和图6所示。

如图7为两机双线含UPFC输电系统拓扑结构。在MATLAB中建立电磁暂态仿真模型，根据以上控制方法搭建控制器模块及一次系统仿真模型，仿真中设置不同的扰动来校验控制器的稳定性。选择不同的系统运行情况进行电磁暂态仿真，扰动后系统响应情况如图8～11所示。

通过控制效果的对比可以看出：在系统控制结构和系统运行点不发生改变的情况下，基于神经网络滑模控制的UPFC控制方法相比传统的控制方法效果相当，都能对系统提供较大阻尼，快速达到控制目标期望值，提高系统的安全稳定性能；当在系统控制结构或系统运行点发生改变时，由于基于神经网络滑模控制的UPFC控制方法自适应的优点，所以基于神经网络滑模控制的UPFC控制方法的效果明显优于其他方法，说明基于神经网络滑模控制的UPFC控制方法对系统具有更好的适应性，鲁棒性较好，甚至在系统具有延迟以及系统模型结构和参数不确定的情况下也具有很好的控制效果。

本发明统一潮流控制器(UPFC)是作为第三代新型FACTS技术，可以分别或同时实现并联补偿、串联补偿、移相和端电压调节等4种基本控制功能。通过合理的控制策略，可以实现有功、无功功率的独立控制，提高线路的输送能力，实现系统的优化运行；另外，在动态特性上面，通过合理的无功补偿控制策略控制并网点电压，提高系统电压稳定性，辅以其他控制策略可以实现改善系统阻尼特性提高功角稳定性的功能，对整个电力系统的安全稳定运行具有重要的现实意义。

此外，本发明提出了基于神经网络滑模控制的UPFC控制方法，该方法利用针对并联侧和串联侧换流器，在矢量控制的基础上，构建了换流器并联侧和串联侧状态空间，采用径向基函数(RBF)神经网络算法，对隐含层节点中心、节点宽度和网络权值采用基于经典梯度下降算法的动量因子法进行调整，由RBF神经网络对滑模面进行调整，该方法能够实现滑动模态的全过程自适应控制，消除滑模控制对外部参数的敏感性，实现有功、无功功率的解耦控制，抑制在系统扰动时后的振荡，快速逼近系统运行的目标值，并且结构简单运行可靠，同时具有很好的适应性和鲁棒性。本成果弥补了国内在这一领域的空白，也为统一潮流控制器稳定控制系统的改进提供了必要的技术支持和有利参考。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (6)

1.基于神经网络滑模控制的UPFC控制方法，其特征在于，其包括以下步骤：

(1)利用矢量控制的方法和坐标变换的方法对已建立的系统数学模型进行解耦，从而得到便于滑模变结构控制的系统状态方程；

(2)采用基于指数趋近律的滑模变结构控制器，根据系统误差构造滑模切换函数，选择滑模控制器参数；

(3)将切换函数作为RBF神经网络的输入，滑模控制器输入作为RBF神经网络的输出，构造基于高斯函数的RBF神经网络；

(4)设计神经网络的误差，选择神经网络的学习指标，采用随机梯度法加上动量修正项的方法，得到各个参数的修正公式；

(5)根据目标变量的物理含义测量计算并输出系统状态变量的目标期望值作为控制信号，并通过空间矢量控制得到串联侧和并联侧换流器的触发信号。

2.根据权利要求书1所述的基于神经网络滑模控制的UPFC控制方法，其特征在于，所述步骤(1)中，以滑模变结构控制为基础的干扰观测器需要在解耦的系统状态空间中进行控制，利用坐标变换方法分别建立两相旋转坐标系下并联侧和串联侧系统状态方程分别如下：

$\left\{\begin{array}{c}{L}_E{\stackrel{\·}{i}}_{Ed}=-R_E{i}_{Ed}+{\mathrm{\ωL}}_E{i}_{Eq}+u_{sd}-u_{1d}\\ L_E{\stackrel{\·}{i}}_{Eq}=-R_E{i}_{Eq}-{\mathrm{\ωL}}_E{i}_{Ed}+u_{sq}-u_{1q}\end{array}\right.---\left(1\right)$

$\left\{\begin{array}{c}{L}_B{\stackrel{\·}{i}}_{Bd}=-R_B{i}_{Bd}+{\mathrm{\ωL}}_B{i}_{Bq}+u_{Bd}-u_{2d}\\ L_B{\stackrel{\·}{i}}_{Bq}=-R_B{i}_{Bq}-{\mathrm{\ωL}}_B{i}_{Bd}+u_{Bq}+u_{2q}\end{array}\right.---\left(2\right)$

其中：i_Ed、i_Eq、i_Bq、i_Bd是状态变量，u_1d、u_1q、u_2d、u_2q是控制器输入；

L_E和R_E表示UPFC并联变压器以及所连接电抗的等效电感和电阻，i_Ed和i_Eq分别为UPFC并联侧输出电流坐标分量，u_sd和u_sq分别为电网送端母线电压，u_1d和u_1q为UPFC并联变流器的输出电压；

L_B和R_B分别表示UPFC串联变压器所连接电抗的等效电感和电阻，i_Bd和i_Bq分别表示线路及UPFC串联侧流过的电流坐标分量，u_2d和u_2q为UPFC串联变流器的输出电压，u_Bd和u_Bq分别为串联换流器的交流侧输出电压，ω表示角频率；

将ωL_Ei_Eq+u_sd和-ωL_Ei_Ed+u_sq分别作为输入的前馈补偿，则i_Ed和i_Eq是解耦的，利用矢量控制的方法分别建立并联侧和串联侧一阶系统状态空间方程分别如下：

$\left\{\begin{array}{c}{\stackrel{\·}{x}}_1=-{\mathrm{ax}}_1+u_1\\ {\stackrel{\·}{x}}_2=-{\mathrm{ax}}_2+u_2\end{array}\right.---\left(3\right)$

$\left\{\begin{array}{c}{\stackrel{\·}{x}}_3=-{\mathrm{bx}}_3+u_3\\ {\stackrel{\·}{x}}_4=-{\mathrm{bx}}_4+u_4\end{array}\right.---\left(4\right)$

其中，x₁＝i_Ed，x₂＝i_Eq，u₁＝(ωL_Ei_Eq+u_sd-u_1d)/L_E，u₂＝(-ωL_Ei_Ed+u_sq-u_1q)/L_E，x₃＝i_Bd，x₄＝i_Bq，u₃＝(ωL_Bi_Bq+u_Bd+u_2d)/L_B，u₄＝(-ωL_Bi_Bd+u_Bq+u_2q)/L_B。

3.根据权利要求书2所述的基于神经网络滑模控制的UPFC控制方法，其特征在于，所述步骤(2)中，滑模切换函数为：

s＝Ce(6)

$\stackrel{\·}{s}=-\mathrm{\ϵ}\mathrm{sgn}\left(s\right)-ks$

其中：C,ε,k均为控制器参数并且满足C,ε,k＞0，s、分别表示滑模切换函数和一阶滑模切换函数导数。

4.根据权利要求书3所述的基于神经网络滑模控制的UPFC控制方法，其特征在于，所述步骤(3)中，构造基于高斯函数的三层RBF神经网络，在RBF网络结构中，X＝[x₁,x₂,…x_n]^T为网络的输入向量；

设RBF网络的径向基向量H＝[h₁,h₂,…h_m]^T，其中h_j为高斯基函数，

$h_j=\exp (-\frac{\left|\right|X-c_j|{|}^2}{2b_j^2}),j=1,2...m---\left(7\right)$

其中：m为隐含层神经元个数，网络第j个节点的中心向量c_j＝[c_j1,c_j2,…c_jm]^T

设网络的基宽向量为

B＝[b₁,b₂,…b_m]^T(8)

其中：b_j为节点j的基宽参数，b_j＞0；RBF网络的权向量为：

W＝[w₁,w₂,…w_m]^T(9)

RBF网络的输出为：

y_m＝w₁h₁+w₂h₂+…+w_mh_m(10)

将滑模控制器输入作为RBF神经网络的输出滑为：

$u=\underset{j=1}{\overset{m}{\Σ}}{w}_j\exp (-\frac{\left|\right|s-c_j|{|}^2}{2b_j^2})---\left(11\right).$

5.根据权利要求书3所述的基于神经网络滑模控制的UPFC控制方法，其特征在于，所述步骤(4)中，得到各个参数的修正公式方法如下；

滑模控制器的控制目标定义网络误差E作为RBF神经网络的权值调整指标：

$E=s\stackrel{\·}{s}---\left(12\right)$

网络权值w_j调整方式为：

${\mathrm{dw}}_j=-\mathrm{\η}\frac{\∂E}{\∂w_j}=-\mathrm{\η}\frac{\∂s\stackrel{\·}{s}}{\∂w_j}=-\mathrm{\η}\frac{\∂s\stackrel{\·}{s}}{\∂u}\frac{\∂u}{\∂w_j}---\left(13\right)$

其中：η＞0为神经网络的学习率；

由于 $\frac{\∂s\stackrel{\·}{s}}{\∂u}=s\frac{\∂\stackrel{\·}{s}}{\∂u}=-Cs,$ $\frac{\∂u}{\∂w_j}=\exp (-\frac{\left|\right|s-c_j|{|}^2}{2b_j^2})$

则RBF网络权值学习算法为：

${\mathrm{dw}}_j=\mathrm{\γ}s\exp (-\frac{\left|\right|s-c_j|{|}^2}{2b_j^2})={\mathrm{\γsh}}_j---\left(14\right).$

6.根据权利要求书3所述的基于神经网络滑模控制的UPFC控制方法，其特征在于，所述步骤(5)中，根据目标变量的物理含义测量计算并输出系统状态变量的目标期望值为：

$i_{Bd}^{*}=\frac{2}{3}\frac{P^{*}{u}_{2d}+Q^{*}{u}_{2q}}{{u_{2d}}^2+{u_{2q}}^2}$

$i_{Bq}^{*}=\frac{2}{3}\frac{P^{*}{u}_{2q}-Q^{*}{u}_{2q}}{{u_{2d}}^2+{u_{2q}}^2}$

其中，分别代表线路及UPFC串联侧流过的电流坐标分量的目标值，P^*、Q^*分别代表线路流过有功和无功功率目标值。