CN106130030B - 一种四象限电流源换流器的无功功率控制方法及装置 - Google Patents
一种四象限电流源换流器的无功功率控制方法及装置 Download PDFInfo
- Publication number
- CN106130030B CN106130030B CN201610488175.0A CN201610488175A CN106130030B CN 106130030 B CN106130030 B CN 106130030B CN 201610488175 A CN201610488175 A CN 201610488175A CN 106130030 B CN106130030 B CN 106130030B
- Authority
- CN
- China
- Prior art keywords
- reactive power
- trigger angle
- neural network
- practical
- current source
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 claims description 90
- 238000012549 training Methods 0.000 claims description 31
- 210000002569 neuron Anatomy 0.000 claims description 10
- 210000005036 nerve Anatomy 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 230000009466 transformation Effects 0.000 abstract description 7
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 14
- 238000004590 computer program Methods 0.000 description 7
- 238000002347 injection Methods 0.000 description 7
- 239000007924 injection Substances 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- -1 PID compound Chemical class 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- HOWHQWFXSLOJEF-MGZLOUMQSA-N systemin Chemical compound NCCCC[C@H](N)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CC(O)=O)C(=O)OC(=O)[C@@H]1CCCN1C(=O)[C@H]1N(C(=O)[C@H](CC(O)=O)NC(=O)[C@H](CCCN=C(N)N)NC(=O)[C@H](CCCCN)NC(=O)[C@H](CO)NC(=O)[C@H]2N(CCC2)C(=O)[C@H]2N(CCC2)C(=O)[C@H](CCCCN)NC(=O)[C@H](CO)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](NC(=O)[C@H](C)N)C(C)C)CCC1 HOWHQWFXSLOJEF-MGZLOUMQSA-N 0.000 description 1
Classifications
-
- 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
- Y02E40/30—Reactive power compensation
Landscapes
- Control Of Electrical Variables (AREA)
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
Abstract
本发明提供了一种四象限电流源换流器的无功功率控制方法及装置，其中，该方法包括：获取四象限电流源换流器的参考无功功率和四象限电流源换流器的实际无功功率；根据参考无功功率获取第一触发角；根据实际无功功率与参考无功功率的差值获取第二触发角；通过调整第三触发角控制四象限电流源换流器的无功功率；其中，第三触发角包括第一触发角与第二触发角之和。通过本发明解决了现有技术中PID控制无法对四象限电流源换流器无功功率进行大范围控制，反馈线性化数学过程复杂以及仿射变换难以求解的问题，能够对无功功率进行全范围的控制调节，并能有效地应用于不同的场合。
Description
技术领域
本发明涉及电力电子技术领域，具体涉及一种四象限电流源换流器的无功功率控制方法及装置。
背景技术
电流源换流器(Current Source Converter，简称为CSC)较电压源换流器(Voltage source converter，简称为VSC)来讲，前者可对换流器的输出电流进行直接控制并且因开关管具有单向流通特性而使其具有较高的可靠性。采用传统变换机理的四象限控制无功功率的CSC，交流电流中含有大量的谐波，在与电网连接处需要加装大量的滤波装置，增大了换流器的损耗、费用和占地面积。
新型四象限电流源换流器基于大容量、低损耗晶闸管器件及理想交直流变换技术，直流储能元件采用电抗器，交流侧无需缓冲吸收电容，具有四象限控制有功无功、大范围控制直流电压电流、可熄弧自恢复等优点，克服了LCC型晶闸管换流器不具备无功调节能力且消耗大量滞后无功、VSC型换流器容量相对较小且直流电压控制能力较差的缺点，在电网故障时具有优越的抗过流能力和动静态控制品质。
比例-积分-导数(proportion-integral-derivative，简称为PID)控制器控制方法因具有良好的稳定性、鲁棒性、算法简单的诸多优点，而使其成为应用最广的控制方法之一，在工程领域处处可见。传统的电流源换流器控制方法一般采用PID控制，但随着科技的日益进步，需控制的系统越来越复杂，PID控制显得捉襟见肘，尤其是其在处理非线性系统中的局限性，使传统的PID控制受到了质疑与挑战。
针对现有技术中，PID控制无法对四象限电流源换流器无功功率进行大范围控制，反馈线性化数学过程复杂以及仿射变换难以求解的问题，还未提出有效的解决方案。
发明内容
本发明提供了一种四象限电流源换流器的无功功率控制方法及装置，以至少解决现有技术中PID控制无法对四象限电流源换流器无功功率进行大范围控制，反馈线性化数学过程复杂以及仿射变换难以求解的问题。
根据本发明的一个方面，提供了一种四象限电流源换流器的无功功率控制方法，包括：获取四象限电流源换流器的参考无功功率和所述四象限电流源换流器的实际无功功率；根据所述参考无功功率获取第一触发角；根据所述实际无功功率与所述参考无功功率的差值获取第二触发角；通过调整第三触发角控制所述四象限电流源换流器的无功功率；其中，所述第三触发角包括所述第一触发角与所述第二触发角之和。
可选地，根据所述参考无功功率获取第一触发角包括：将所述参考无功功率输入至神经网络；通过所述神经网络输出所述第一触发角。
可选地，在将所述参考无功功率输入至神经网络之前，还包括：通过调节所述神经网络的权值系数训练所述神经网络，其中所述权值系数为所述神经网络不同层神经元之间的连接权值系数。
可选地，通过调节所述神经网络的权值系数训练所述神经网络包括：将多个实际无功功率分别输入至所述神经网络分别得到多个触发角；将所述多个触发角分别与多个预定触发角进行比较，得到比较结果，确定所述比较结果小于第一预定阈值。
可选地，根据所述实际无功功率与所述参考无功功率的差值获取第二触发角包括：将所述差值输入至比例-积分-微分控制器，通过所述比例-积分-微分控制器输出所述第二触发角。
可选地，通过调整第三触发角控制所述四象限电流源换流器的无功功率包括：在所述参考无功功率大于零，并且所述参考无功功率大于所述实际无功功率的情况下，减小所述第三触发角直至所述实际无功功率与所述参考无功功率的差值小于第二预定阈值；或者，在所述参考无功功率大于零，并且所述参考无功功率小于所述实际无功功率的情况下，增大所述第三触发角直至所述实际无功功率与所述参考无功功率的差值小于第三预定阈值；或者，在所述参考无功功率小于零，并且所述参考无功功率大于所述实际无功功率的情况下，增大所述第三触发角直至所述实际无功功率与所述参考无功功率的差值小于第四预定阈值；或者，在所述参考无功功率小于零，并且所述参考无功功率小于所述实际无功功率的情况下，减小所述第三触发角直至所述实际无功功率与所述参考无功功率的差值小于第五预定阈值。
可选地，所述神经网络包括：BP神经网络。
根据本发明的另一个方面，还提供了一种四象限电流源换流器的无功功率控制装置，包括：第一获取模块，用于获取四象限电流源换流器的参考无功功率和所述四象限电流源换流器的实际无功功率；第二获取模块，用于根据所述参考无功功率获取第一触发角；第三获取模块，用于根据所述实际无功功率与所述参考无功功率的差值获取第二触发角；控制模块，用于通过调整第三触发角控制所述四象限电流源换流器的无功功率；其中，所述第三触发角包括所述第一触发角与所述第二触发角之和。
可选地，所述第二获取模块包括：第一输入子模块，用于将所述参考无功功率输入至神经网络；第一输出子模块，用于通过所述神经网络输出所述第一触发角。
可选地，所述第二获取模块还包括：训练子模块，用于在所述第一输入子模块将所述参考无功功率输入至神经网络之前，通过调节所述神经网络的权值系数训练所述神经网络，其中所述权值系数为所述神经网络不同层神经元之间的连接权值系数。
可选地，所述训练子模块还包括：获取单元，用于将多个实际无功功率分别输入至所述神经网络分别得到多个触发角；确定单元，用于将所述多个触发角分别与多个预定触发角进行比较，得到比较结果，确定所述比较结果小于第一预定阈值。
可选地，所述第三获取模块包括：第二输入子模块，用于将所述差值输入至比例-积分-微分控制器；第二输出子模块，用于通过所述比例-积分-微分控制器输出所述第二触发角。
可选地，所述控制模块包括：第一控制子模块，用于在所述参考无功功率大于零，并且所述参考无功功率大于所述实际无功功率的情况下，减小所述第三触发角直至所述实际无功功率与所述参考无功功率的差值小于第二预定阈值；或者，第二控制子模块，用于在所述参考无功功率大于零，并且所述参考无功功率小于所述实际无功功率的情况下，增大所述第三触发角直至所述实际无功功率与所述参考无功功率的差值小于第三预定阈值；或者，第三控制子模块，用于在所述参考无功功率小于零，并且所述参考无功功率大于所述实际无功功率的情况下，增大所述第三触发角直至所述实际无功功率与所述参考无功功率的差值小于第四预定阈值；或者，第四控制子模块，用于在所述参考无功功率小于零，并且所述参考无功功率小于所述实际无功功率的情况下，减小所述第三触发角直至所述实际无功功率与所述参考无功功率的差值小于第五预定阈值。
可选地，所述神经网络包括：BP神经网络。
通过本发明，采用获取四象限电流源换流器的参考无功功率和四象限电流源换流器的实际无功功率；根据参考无功功率获取第一触发角；根据实际无功功率与参考无功功率的差值获取第二触发角；通过调整第三触发角控制四象限电流源换流器的无功功率；其中，第三触发角包括第一触发角与第二触发角之和。解决了现有技术中PID控制无法对四象限电流源换流器无功功率进行大范围控制，反馈线性化数学过程复杂以及仿射变换难以求解的问题，通过利用神经网络与PID控制器复合对四象限电流源换流器进行无功功率的控制，能够对无功功率进行全范围的控制调节，并能有效地应用于不同的场合。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的四象限电流源换流器的无功功率控制方法的流程图；
图2是根据本发明实施例的四象限电流源换流器的拓扑图；
图3是根据本发明实施例的四象限电流源换流器BP神经网络与PID复合控制结构款图；
图4是根据本发明实施例的BP神经网络结构图；
图5是根据本发明实施例的四象限电流源换流器无功功率阶跃响应仿真曲线图；
图6是根据本发明实施例的四象限电流源换流器无功功率连续控制阶跃响应仿真曲线图；
图7是根据本发明实施例的四象限电流源换流器的无功功率控制装置的一个结构框图；
图8是根据本发明实施例的第二获取模块的一个结构框图；
图9是根据本发明实施例的第二获取模块的另一个结构框图；
图10是根据本发明实施例的训练子模块的结构框图；
图11是根据本发明实施例的第三获取模块的结构框图；
图12是根据本发明实施例的控制模块的结构框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
神经网络控制模拟人体内部神经元的工作机理，可以同时处理多输入多输出的系统，且可足够模拟及其复杂的非线性系统，尤其是强大的学习能力和适应不确定的系统。神经网络控制方法的众多优点使其成为当代智能控制理论中的重要篇章。
在本实施例中提供了一种四象限电流源换流器的无功功率控制方法，图1是根据本发明实施例的四象限电流源换流器的无功功率控制方法的流程图，如图1所示，该流程包括如下步骤：
步骤S11，获取四象限电流源换流器的参考无功功率和四象限电流源换流器的实际无功功率；
步骤S12，根据参考无功功率获取第一触发角，优选地，将参考无功功率输入至神经网络，通过神经网络输出第一触发角；
步骤S13，根据实际无功功率与参考无功功率的差值获取第二触发角，优选地，将该差值输入至比例-积分-微分控制器，通过比例-积分-微分控制器输出第二触发角；
步骤S14，通过调整第三触发角控制该四象限电流源换流器的无功功率；其中，第三触发角为第一触发角与第二触发角之和。
通过上述步骤，利用神经网络与比例-积分-微分控制器PID控制器复合对四象限电流源换流器进行无功功率的控制。神经网络对系统逆模型的逼近程度较高，能够实现四象限电流源换流器系统的前馈控制，PID控制器则用来消除系统误差，最终实现电压电流以及有功无功功率的精确控制。将神经网络输出的触发角作为系统总触发角的一部分，将PID控制器输出的触发角作为系统总触发角的另一部分，通过调节系统总触发角，进而达到控制无功功率的目的，解决了现有技术中仅仅采用PID控制无法对四象限电流源换流器无功功率进行大范围控制，反馈线性化数学过程复杂以及仿射变换难以求解的问题，通过利用神经网络与PID控制器复合对四象限电流源换流器进行无功功率的控制，能够对无功功率进行全范围的控制调节，并能有效地应用于不同的场合。
本可选实施例涉及的控制方法是针对基于直流纹波注入技术的四象限电流源换流器而言，利用了本换流器使晶闸管强迫关断实现-180°～180°变化的特点。基于隔离变压器的四象限电流源换流器如图2所示，主要由三相三绕组隔离变压器，一对并联的晶闸管三相全桥电路以及注入拓扑构成。四象限电流源换流器三相三绕组变压器采用Y-Y-D1连接，通过两组三相桥连接直流注入电路，通过控制直流电路的注入电流，对交流侧的输出电流进行调制。例如，采用12脉波直流注入电流源换流器，其中包括主变压器，两组晶闸管三相全桥，直流注入电路，其中变压器与交流侧相连，晶闸管三相全桥起到交直流变换作用。直流侧接入大电感负载，使得直流电流波形为恒定的直线。直流注入电路将恒定的直流电流调制成两路多阶梯波电流，分别注入两个三相全桥中，从而在交流侧合成谐波含量很小的近似正弦波形。
上述神经网络可以是多种形式的神经网络，在一个可选实施例中，可以包括应用较为广泛的BP神经网络。
如图3所示，换流器控制系统由BP神经网络与PID控制器并联而成，BP神经网络具有良好的非线性逼近能力，用作系统的前馈控制器，逼近换流器动态逆模型；PID控制器则用作系统反馈控制，用来消除由BP神经网络逼近精度不够带来的误差，同时具有消除系统扰动，增强系统稳定性的作用。
为了提高神经网络对四象限电流源换流器逆模型的逼近程度，在一个可选实施例中，将参考无功功率输入至神经网络，输出第一触发角之前，对神经网络进行训练，需要说明的是，可以通过多种方式对神经网络进行训练，例如，通过调节该神经网络的权值系数训练该神经网络；其中，该权值系数为神经网络不同层神经元之间的连接权值系数。即，神经网络的训练就是对权值系数的训练，权值系数的训练到一定程度，神经网络便可以逼近系统逆模型了。
在一个可选实施例中，将多个实际无功功率分别输入至神经网络分别得到多个触发角，将多个触发角分别与多个预定触发角进行比较，得到比较结果，确定该比较结果小于第一预定阈值，从而可以使得训练之后的神经网络对系统的逼近程度更高，实现对系统的比较精确的前馈控制。
具体地，按上述方法建立BP神经网络，并对BP神经网络进行离线训练。训练步骤如下：
步骤1：在实验或者仿真中，随机给定四象限电流源换流器触发角，利用无功功率测量模块测得换流器交流侧的无功功率，得到一组训练样本{Q1，α1}；
步骤2：在0～360°之间随机改变触发角的大小，采集1000对训练样本数据{Q1，α1}～{Q1000，α1000}；
步骤3：利用步骤2中给出的1000组样本数据，以采集的无功功率为训练数据输入，采集的触发角为训练数据的参考输出，采用Levenberg-Marquardt算法对BP神经网络进行离线训练；
步骤4：将步骤2中的1000对训练数据的每一个输入Q(k)输入到神经网络中，得到神经网络的输出yout(k)，再根据神经网络的参考输出yref(k)＝α(k)，计算性能指标函数的值，即神经网络计算输出与参考输出之差的平方均值；k为周期数；
步骤5：若步骤4中1000组数据所得所有E(k)均小于0.01，则训练完成，否则，返回步骤1重新开始。
本可选实施例所提到的BP神经网络结构如图4所示，包括1个输入节点，5个隐层节点，1个输出节点，是一个三层BP神经网络。BP神经网络各部分参数如下所示：
(1)BP神经网络输入层输入为在实际的系统中输入为参考无功功率Q；
(2)隐含层活化函数f(x)取Sigmoid函数f(x)＝tanh(x)，网络隐含层的输入与输出分别为和其中，代表隐含层权值系数，上标(1)(2)(3)各代表输入、隐含和输出层；
(3)输出层输入为输出层输出为由于系统触发角α在0～360°之间变化，始终大于或等于0，因此取非负的logsig函数作为输出活化函数为g(x)＝1/(1+ex)，在实际的系统中，BP神经网络的输出为系统触发角α；
(4)取性能指标函数为其中，yref(k)为系统参考输出触发角，yout(k)为神经网络计算输出，该函数是用作训练使评估神经网络逼近效果的性能指标，训练中，当E(k)的值小于0.01时，可认为神经网络对四象限电流源换流器逆系统的逼近已经达到一定精度，可以结束训练；
(5)权值系数的更新使用Levenberg-Marquardt算法，即其中，J为误差函数对权值向量微分的Jacobian矩阵，μ为是可以自行调节的非负数，为原有的权值，为更新后的权值。
权值系数是不同层神经元之间的连接权值系数，例如，中，就是权值，下一层神经元的值等于上一层所有神经元乘相应的权值系数的总和。权值系数有一个设定的初始值，然后经过(5)中所提公式在训练中一步一步更新。
按上述方法建立并训练了神经网络之后，再建立系统的控制器，如图3所示，控制器的结构与控制过程特征在于：
(1)换流器参考无功值Qref作为系统的输入rin(k)，连接到BP神经网络的输入，神经网络输出为un(k)，是系统总触发角的一部分；
(2)通过无功测量模块测得换流器交流侧实际输出无功功率Q，Q与换流器参考值Qref之差为输出误差error(k)，输出误差连接到PID控制器的输入端；
(3)PID控制器根据输入误差产生触发角变量Δα，经过将Δα大小限制在-5°～+5°之间的继电环节，输出总触发角的另一部分up(k)；
(4)换流器总触发角α＝u(k)＝un(k)+up(k)，连接到换流器的触发角输入端；
(5)通过以上控制过程得到一组新的BP神经网络训练参数{Q，un(k)}，根据上述可选实施例所提训练步骤，对神经网络进行训练，以达到越来越精确的控制效果。
上述步骤S14涉及到通过调整第三触发角控制四象限电流源换流器的无功功率，在一个可选实施例中，在参考无功功率大于零，并且参考无功功率大于实际无功功率的情况下，减小第三触发角直至实际无功功率与参考无功功率的差值小于第二预定阈值。在另一个可选实施例中，在参考无功功率大于零，并且参考无功功率小于实际无功功率的情况下，增大第三触发角直至实际无功功率与参考无功功率的差值小于第三预定阈值。在另一个可选实施例中，在参考无功功率小于零，并且参考无功功率大于实际无功功率的情况下，增大第三触发角直至实际无功功率与参考无功功率的差值小于第四预定阈值。在另一个可选实施例中，在参考无功功率小于零，并且参考无功功率小于实际无功功率的情况下，减小第三触发角直至实际无功功率与参考无功功率的差值小于第五预定阈值。通常情况下，系统触发角在+90°附近，当无功功率参考值大于实际值时，无功功率随触发角的增大而减小，需要减小触发角，当无功功率参考值小于实际值时，需要增大触发角。系统触发角在-90°附近，当无功功率参考值大于实际值时，需要增大触发角，当无功功率参考值小于实际值时，需要减小触发角。
按照上述方法建立和训练控制器，并在Simulink中进行仿真验证，仿真结果如图5～图6所示。
图5第一条曲线四象限电流源换流器无功功率阶跃响应仿真曲线，第二条曲线为A相电压电流仿真曲线。在0～0.8s内，无功功率参考值变化了11次，仿真结果表明，实测无功功率可以快速跟随参考值的变化，在2个电源周期内可以调整到参考值，并且没有稳态误差，因此，本可选实施例所提出的控制策略对无功功率控制具有良好的动态与稳态相应特性。
图6第一条曲线四象限电流源换流器无功功率连续控制响应仿真曲线，第二条曲线A相电压电流仿真曲线。在0～4s内，无功功率参考值以2rad/s的速度呈正弦规律变化。仿真结果表明，实测无功功率值能跟参考值的变化，并且没有稳态误差。
实施例2
在本实施例中还提供了一种四象限电流源换流器的无功功率控制装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图7是根据本发明实施例的四象限电流源换流器的无功功率控制装置的一个结构框图，如图7所示，该装置包括：第一获取模块71，用于获取四象限电流源换流器的参考无功功率和四象限电流源换流器的实际无功功率；第二获取模块72，用于根据参考无功功率获取第一触发角；第三获取模块73，用于根据实际无功功率与参考无功功率的差值获取第二触发角；控制模块74，用于通过调整第三触发角控制四象限电流源换流器的无功功率；其中，第三触发角包括第一触发角与第二触发角之和。
图8是根据本发明实施例的第二获取模块的结构框图，如图8所示，第二获取模块72包括：第一输入子模块721，用于将该参考无功功率输入至神经网络；第一输出子模块722，用于通过该神经网络输出该第一触发角。
图9是根据本发明实施例的第二获取模块的另一个结构框图，如图9所示，第二获取模块72还包括：训练子模块723，用于在第一输入子模块将参考无功功率输入至神经网络之前，通过调节该神经网络的权值系数训练该神经网络，其中该权值系数为该神经网络不同层神经元之间的连接权值系数。
图10是根据本发明实施例的训练子模块的结构框图，如图10所示，训练子模块723还包括：获取单元7231，用于将多个实际无功功率分别输入至神经网络分别得到多个触发角；确定单元7232，用于将该多个触发角分别与多个预定触发角进行比较，得到比较结果，确定该比较结果小于第一预定阈值。
图11是根据本发明实施例的第三获取模块的结构框图，如图11所示，第三获取模块73包括：第二输入子模块732，用于将该差值输入至比例-积分-微分控制器；第二输出子模块733，用于通过该比例-积分-微分控制器输出该第二触发角。
图12是根据本发明实施例的控制模块的结构框图，如图12所示，控制模块74还包括：第一控制子模块741，用于在参考无功功率大于零，并且参考无功功率大于该实际无功功率的情况下，减小第三触发角直至实际无功功率与该参考无功功率的差值小于第二预定阈值；或者，第二控制子模块742，用于在参考无功功率大于零，并且参考无功功率小于实际无功功率的情况下，增大第三触发角直至实际无功功率与参考无功功率的差值小于第三预定阈值；或者，第三控制子模块743，用于在参考无功功率小于零，并且参考无功功率大于该实际无功功率的情况下，增大第三触发角直至实际无功功率与参考无功功率的差值小于第四预定阈值；或者，第四控制子模块744，用于在参考无功功率小于零，并且参考无功功率小于实际无功功率的情况下，减小第三触发角直至实际无功功率与参考无功功率的差值小于第五预定阈值。
可选地，该神经网络包括：BP神经网络。
上述各个模块的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
综上所述，通过本发明提供的一种四象限电流源换流器的无功功率控制方法及装置，基于四象限电流源换流器的结合了基于BP神经网络与PID的复合非线性控制方法，通过对BP神经网络的离线训练以及接入系统的在线学习，使BP神经网络对系统逆模型的逼近程度不断提高。BP神经网络实现了系统的前馈控制，PID控制器则用来消除系统误差，最终实现电压电流以及有功无功功率的精确控制。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (12)
1.一种四象限电流源换流器的无功功率控制方法，其特征在于，包括：
获取四象限电流源换流器的参考无功功率和所述四象限电流源换流器的实际无功功率；
根据所述参考无功功率获取第一触发角；
根据所述实际无功功率与所述参考无功功率的差值获取第二触发角；
通过调整第三触发角控制所述四象限电流源换流器的无功功率；其中，所述第三触发角包括所述第一触发角与所述第二触发角之和；
所述通过调整第三触发角控制所述四象限电流源换流器的无功功率包括：
在所述参考无功功率大于零，并且所述参考无功功率大于所述实际无功功率的情况下，减小所述第三触发角直至所述实际无功功率与所述参考无功功率的差值小于第二预定阈值；或者，
在所述参考无功功率大于零，并且所述参考无功功率小于所述实际无功功率的情况下，增大所述第三触发角直至所述实际无功功率与所述参考无功功率的差值小于第三预定阈值；或者，
在所述参考无功功率小于零，并且所述参考无功功率大于所述实际无功功率的情况下，增大所述第三触发角直至所述实际无功功率与所述参考无功功率的差值小于第四预定阈值；或者，
在所述参考无功功率小于零，并且所述参考无功功率小于所述实际无功功率的情况下，减小所述第三触发角直至所述实际无功功率与所述参考无功功率的差值小于第五预定阈值。
2.根据权利要求1所述的方法，其特征在于，根据所述参考无功功率获取第一触发角包括：
将所述参考无功功率输入至神经网络；
通过所述神经网络输出所述第一触发角。
3.根据权利要求2所述的方法，其特征在于，在将所述参考无功功率输入至神经网络之前，还包括：
通过调节所述神经网络的权值系数训练所述神经网络，其中所述权值系数为所述神经网络不同层神经元之间的连接权值系数。
4.根据权利要求3所述的方法，其特征在于，通过调节所述神经网络的权值系数训练所述神经网络包括：
将多个实际无功功率分别输入至所述神经网络分别得到多个触发角；
将所述多个触发角分别与多个预定触发角进行比较，得到比较结果，确定所述比较结果小于第一预定阈值。
5.根据权利要求1所述的方法，其特征在于，根据所述实际无功功率与所述参考无功功率的差值获取第二触发角包括：
将所述差值输入至比例-积分-微分控制器；
通过所述比例-积分-微分控制器输出所述第二触发角。
6.根据权利要求2至4中任一所述的方法，其特征在于，所述神经网络包括：
BP神经网络。
7.一种四象限电流源换流器的无功功率控制装置，其特征在于，包括：
第一获取模块，用于获取四象限电流源换流器的参考无功功率和所述四象限电流源换流器的实际无功功率；
第二获取模块，用于根据所述参考无功功率获取第一触发角；
第三获取模块，用于根据所述实际无功功率与所述参考无功功率的差值获取第二触发角；
控制模块，用于通过调整第三触发角控制所述四象限电流源换流器的无功功率；其中，所述第三触发角包括所述第一触发角与所述第二触发角之和；
所述控制模块包括：
第一控制子模块，用于在所述参考无功功率大于零，并且所述参考无功功率大于所述实际无功功率的情况下，减小所述第三触发角直至所述实际无功功率与所述参考无功功率的差值小于第二预定阈值；或者，
第二控制子模块，用于在所述参考无功功率大于零，并且所述参考无功功率小于所述实际无功功率的情况下，增大所述第三触发角直至所述实际无功功率与所述参考无功功率的差值小于第三预定阈值；或者，
第三控制子模块，用于在所述参考无功功率小于零，并且所述参考无功功率大于所述实际无功功率的情况下，增大所述第三触发角直至所述实际无功功率与所述参考无功功率的差值小于第四预定阈值；或者，
第四控制子模块，用于在所述参考无功功率小于零，并且所述参考无功功率小于所述实际无功功率的情况下，减小所述第三触发角直至所述实际无功功率与所述参考无功功率的差值小于第五预定阈值。
8.根据权利要求7所述的装置，其特征在于，所述第二获取模块包括：
第一输入子模块，用于将所述参考无功功率输入至神经网络；
第一输出子模块，用于通过所述神经网络输出所述第一触发角。
9.根据权利要求8所述的装置，其特征在于，所述第二获取模块还包括：
训练子模块，用于在所述第一输入子模块将所述参考无功功率输入至神经网络之前，通过调节所述神经网络的权值系数训练所述神经网络，其中所述权值系数为所述神经网络不同层神经元之间的连接权值系数。
10.根据权利要求9所述的装置，其特征在于，所述训练子模块包括：
获取单元，用于将多个实际无功功率分别输入至所述神经网络分别得到多个触发角；
确定单元，用于将所述多个触发角分别与多个预定触发角进行比较，得到比较结果，确定所述比较结果小于第一预定阈值。
11.根据权利要求7所述的装置，其特征在于，所述第三获取模块包括：
第二输入子模块，用于将所述差值输入至比例-积分-微分控制器；
第二输出子模块，通过所述比例-积分-微分控制器输出所述第二触发角。
12.根据权利要求8至10中任一所述的装置，其特征在于，所述神经网络包括：
BP神经网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610488175.0A CN106130030B (zh) | 2016-06-29 | 2016-06-29 | 一种四象限电流源换流器的无功功率控制方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610488175.0A CN106130030B (zh) | 2016-06-29 | 2016-06-29 | 一种四象限电流源换流器的无功功率控制方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106130030A CN106130030A (zh) | 2016-11-16 |
| CN106130030B true CN106130030B (zh) | 2019-01-08 |
Family
ID=57284323
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610488175.0A Active CN106130030B (zh) | 2016-06-29 | 2016-06-29 | 一种四象限电流源换流器的无功功率控制方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106130030B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110336313B (zh) * | 2019-07-11 | 2022-07-12 | 南方电网科学研究院有限责任公司 | 一种触发角的校正方法、装置、设备及介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102364801A (zh) * | 2011-05-04 | 2012-02-29 | 国网电力科学研究院 | 抽水蓄能机组励磁系统四象限无功功率控制方法 |
-
2016
- 2016-06-29 CN CN201610488175.0A patent/CN106130030B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102364801A (zh) * | 2011-05-04 | 2012-02-29 | 国网电力科学研究院 | 抽水蓄能机组励磁系统四象限无功功率控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| "电流注入式HVDC换流器功率控制方法的研究";赵建阳等;《高电压技术》;20150731;第41卷(第7期);第2421-2427页 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106130030A (zh) | 2016-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109861202B (zh) | 一种柔性互联配电网动态优化调度方法及系统 | |
| CN104578045B (zh) | 独立直流微网智能功率分配方法 | |
| CN113113928B (zh) | 基于深度强化学习的柔直系统直流母线电压控制方法及装置 | |
| CN109962495B (zh) | 一种超低频振荡扰动源定位及抑制方法 | |
| Farahani | Intelligent control of SVC using wavelet neural network to enhance transient stability | |
| CN104993494B (zh) | 一种基于四象限电力电子变流器的电机模拟装置及方法 | |
| CN110149066A (zh) | 一种基于模型控制预测的mmc桥臂电流控制方法及系统 | |
| CN105978373A (zh) | 实现微电网稳定的三相逆变器逆推滑模控制方法及系统 | |
| CN110912137A (zh) | 一种计及交流潮流的柔性配电网运行域模型构建方法 | |
| CN107103147A (zh) | 一种面向功率特性的uhvdc简化仿真模型 | |
| CN111654052A (zh) | 基于动态相量法的柔直换流器建模装置及方法 | |
| CN104037766B (zh) | 三相并联型有源滤波器的自适应神经反演控制方法 | |
| CN115313399A (zh) | 一种风光储新能源场站无功协调控制方法及系统 | |
| Banaei et al. | Dynamic stability enhancement of power system based on a typical unified power flow controllers using imperialist competitive algorithm | |
| CN103441499A (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 | |
| CN108039720A (zh) | 一种交直流混联系统最大输电能力的确定方法和装置 | |
| CN108347057B (zh) | 一种lcc-mmc混合直流电网交替迭代潮流计算方法 | |
| CN106130030B (zh) | 一种四象限电流源换流器的无功功率控制方法及装置 | |
| Opathella et al. | Intelligent wind generator models for power flow studies in PSS® E and PSS® SINCAL | |
| CN109787258B (zh) | 一种V/v牵引供电系统负序电流的控制系统及方法 | |
| CN104466979A (zh) | 一种输电网无功优化调控系统及方法 | |
| CN107508313A (zh) | 一种微电网并离网控制方法及装置 | |
| CN105140957B (zh) | 基于风电场和光伏电站聚合模型的机电振荡模式估算方法 | |
| CN104184165B (zh) | 一种适用于无主控中心的光伏发电机组协同控制方法 | |
| CN103701119B (zh) | 一种基于无功功率调整的不收敛潮流数据的处理方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 102209 Beijing City, the future of science and Technology City Binhe Road, No. 18, No. Applicant after: Global energy Internet Institute, Inc. Applicant after: State Grid Zhejiang Electric Power Company Applicant after: State Grid Corporation of China Address before: 102211 Beijing city Changping District Xiaotangshan town big East Village Road No. 270 Applicant before: GLOBAL ENERGY INTERCONNECTION RESEARCH INSTITUTE Applicant before: State Grid Zhejiang Electric Power Company Applicant before: State Grid Corporation of China |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 102209 18 Riverside Avenue, Changping District science and Technology City, Beijing Co-patentee after: State Grid Zhejiang Electric Power Company Patentee after: Global energy Internet Institute, Inc. Co-patentee after: State Grid Corporation of China Address before: 102209 18 Riverside Avenue, Changping District science and Technology City, Beijing Co-patentee before: State Grid Zhejiang Electric Power Company Patentee before: Global energy Internet Institute, Inc. Co-patentee before: State Grid Corporation of China |