CN106406090B - 基于模糊反演的有源电力滤波器fnn控制方法 - Google Patents

Abstract

本发明公开了基于模糊反演的有源电力滤波器FNN控制方法，包括如下步骤：设计有源电力滤波器数学模型；设计有源电力滤波器的反演控制器和滑模面；设计有源电力滤波器的模糊神经网络控制器及其自适应律；设计有源电力滤波器的模糊控制器及其自适应律。本发明的优点在于：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；在基于模糊反演控制的有源电力滤波器模糊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；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。

Description

基于模糊反演的有源电力滤波器FNN控制方法

技术领域

本发明属于有源电力滤波技术领域，特别是一种可用于三相并联电压型有源电力滤波控制的，特别涉及一种基于模糊反演的有源电力滤波器FNN控制方法。

背景技术

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，由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，以致电力电路中电压和电流波形出现失真，当下趋势是电力电子装置代替传统磁性材料非线性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，国内依然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，面临许多亟待研究解决的问题。有源滤波器的建模方法因人而异，采用的控制方法多种多样，缺乏系统的稳定性证明，迄今为止，存在的专利虽然都从不同的侧面对有源电力滤波器控制展开研究，但尚未有自适应控制，模糊控制，反演控制，模糊神经网络控制和李雅普洛夫理论对有源电力滤波器进行控制和动态补偿。所以，有源电力滤波器的研究具有重要的科研意义和广阔的市场前景。

发明内容

发明目的：本发明提供一种基于模糊反演控制的有源电力滤波器自适应模糊神经网络(FNN)的控制方法，抑制外界的未知扰动和误差对有源电力滤波器系统性能的影响，并针对反演控制律设计的不足之处，采用模糊神经网络系统逼近未知的非线性函数，并利用模糊逻辑系统来消除滑模面带来的抖动问题，其在应对参数变化时的鲁棒性高、可靠性高、稳定性高、并且对指令电流实现实时跟踪补偿。

技术方案：为实现上述目的，本发明采用的技术方案为：

基于模糊反演的有源电力滤波器FNN控制方法，包括如下步骤：

步骤(A)根据电路理论和基尔霍夫定理建立具有扰动和误差的有源电力滤波器数学模型；

步骤(B)设计有源电力滤波器的反演控制器和滑模面；

步骤(C)设计有源电力滤波器的模糊神经网络控制器及其自适应律，构成自适应模糊神经网络控制器；

步骤(D)设计有源电力滤波器的模糊控制器及其自适应律，构成自适应模糊控制器；

其中，虚拟控制量和滑模面串联，再串联与自适应模糊控制器并联的自适应模糊神经网络控制器，最后串联有源电力滤波器输出并反馈到虚拟控制量构成闭环电路。

进一步，所述步骤(A)有源电力滤波器数学模型的动力学方程为：

其中，x₁＝i_k，u＝d_k；k＝1,2,3，i_k即i₁，i₂，i₃为三相补偿电流；

其中，u＝d_k；R_c为直流侧电阻；L_c是交流电感；k＝1,2,3，v_k即v₁，v₃为三相有源电力滤波器端电压，i_k即i₁,i₂,i₃为三相补偿电流；v_dc为电容电压；d_k是开关状态函数；为x₁的导数，为x₂的导数，为x₁的二阶导数。

进一步，所述开关状态函数d_k为：

其中，c_k为开关函数，指示IGBT的工作状态，k＝1,2,3。

进一步，所述步骤(B)中设计有源电力滤波器的反演控制器，包括以下步骤：

步骤(B1)，构造虚拟控制函数和滑模面；

步骤(B2)，设计反演控制律；

其中，所述虚拟控制函数为：

式中，c₁是一个非零正实数；z₁＝x₁-z_d，z_d为指令电流信号，x₁＝i_k为补偿电流； 是z_d的一阶导数，为跟踪误差，是x₁的一阶导数；

其中，所述滑模面为：s＝z₂＝x₂-α₁；其中，z₂＝x₂-α₁，α₁为虚拟控制量，

其中，所述反演控制律为：

式中，η、c₂为大于零的正常数，s为滑模面，sgn(s)是符号函数。

进一步，所述步骤(C)设计有源电力滤波器的模糊神经网络控制器及其自适应律；

其中，基于李雅普诺夫设计的模糊神经网络的自适应参量ψ的自适应算法为：η为大于零的正常数，z₂＝x₂-α₁；

自适应模糊神经网络控制器为：

式中，为模糊神经网络系统的输出，φ(x)为模糊神经网络向量，ψ为自适应参量，ψ^T为ψ的转置。

进一步，所述步骤(D)设计有源电力滤波器的模糊控制器及其自适应律，其中，基于李雅普诺夫设计的模糊自适应参量θ的自适应算法为：

自适应模糊控制器的控制律为：

式中，y为模糊系统的输出， 为模糊神经网络向量，θ为自适应参量，θ^T为θ的转置，所述控制律u用于输入有源电力滤波器，消除谐波，减少误差。

有益效果：与现有技术相比，本发明具有以下优点：

在基于模糊反演控制的有源电力滤波器模糊神经网络控制方法中，自适应模糊神经网络控制是用来逼近有源电力滤波器中的非线性部分，模糊控制用于消除滑模面带来的抖动。该控制策略能够确保对指令电流的实时跟踪并加强系统的鲁棒性。该系统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；在基于模糊反演控制的有源电力滤波器模糊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；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。

附图说明

图1为本发明的具体实施例中有源电力滤波器的模型示意图；

图2为本发明一种基于模糊反演控制的有源电力滤波器模糊神经网络控制方法的原理示意图；

图3为A相指令电流和补偿电流跟踪波形图；

图4为本发明的具体实施例中对电网电流进行补偿之后的电源电流波形图。

具体实施方式

基于模糊反演的有源电力滤波器FNN控制方法，其特征在于：包括如下步骤：步骤(A)根据电路理论和基尔霍夫定理建立具有扰动和误差的有源电力滤波器数学模型；步骤(B)设计有源电力滤波器的反演控制器和滑模面；步骤(C)设计有源电力滤波器的模糊神经网络控制器及其自适应律，构成自适应模糊神经网络控制器；步骤(D)设计有源电力滤波器的模糊控制器及其自适应律，构成自适应模糊控制器；

其中，虚拟控制量和滑模面串联，再串联与自适应模糊控制器并联的自适应模糊神经网络控制器，最后串联有源电力滤波器输出并反馈到虚拟控制量构成闭环电路。

前述的基于模糊反演的有源电力滤波器FNN控制方法，所述步骤(A)有源电力滤波器数学模型的动力学方程为：

其中，x₁＝i_k，u＝d_k；k＝1,2,3，i_k即i₁，i₂，i₃为三相补偿电流；

其中，u＝d_k；R_c为直流侧电阻；L_c是交流电感；k＝1,2,3，v_k即v₁，v₃为三相有源电力滤波器端电压，i_k即i₁,i₂,i₃为三相补偿电流；v_dc为电容电压；d_k是开关状态函数；为x₁的导数，为x₂的导数，为x₁的二阶导数。

前述的基于模糊反演的有源电力滤波器FNN控制方法，所述开关状态函数d_k为：

其中，c_k为开关函数，指示IGBT的工作状态，k＝1,2,3。

前述的基于模糊反演的有源电力滤波器FNN控制方法，所述步骤(B)中设计有源电力滤波器的反演控制器，包括以下步骤：

步骤(B1)，构造虚拟控制函数和滑模面；

步骤(B2)，设计反演控制律；

其中，所述虚拟控制函数为：

式中，c₁是一个非零正实数；z₁＝x₁-z_d，z_d为指令电流信号，x₁＝i_k为补偿电流； 是z_d的一阶导数，为跟踪误差，是x₁的一阶导数；

其中，所述滑模面为：s＝z₂＝x₂-α₁；其中，z₂＝x₂-α₁，α₁为虚拟控制量，

其中，所述反演控制律为：

式中，η、c₂为大于零的正常数，s为滑模面，sgn(s)是符号函数。

前述的基于模糊反演的有源电力滤波器FNN控制方法，所述步骤(C)设计有源电力滤波器的模糊神经网络控制器及其自适应律；

其中，基于李雅普诺夫设计的模糊神经网络的自适应参量ψ的自适应算法为：η为大于零的正常数，z₂＝x₂-α₁；

自适应模糊神经网络控制器为：

式中，为模糊神经网络系统的输出，φ(x)为模糊神经网络向量，ψ为自适应参量，ψ^T为ψ的转置；

前述的基于模糊反演的有源电力滤波器FNN控制方法，所述步骤(D)设计有源电力滤波器的模糊控制器及其自适应律，其中，基于李雅普诺夫设计的模糊自适应参量θ的自适应算法为：

自适应模糊控制器的控制律为：

式中，y为模糊系统的输出， 为模糊神经网络向量，θ为自适应参量，θ^T为θ的转置，所述控制律u用于输入有源电力滤波器，消除谐波，减少误差。

下面结合实施例对本发明作更进一步的说明。

如图所示，其中，V_s1,V_s2,V_s3—三相电源电压；i_s1,i_s2,i_s3—三相电源电流；i_L1,i_L2,i_L3—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；L_c—交流电感；R_c—直流侧电阻；v_1M,v_2M,v_3M,v_MN—M点到a、b、c、N点的电压；

本实施例基于模糊反演控制的有源电力滤波器模糊神经网络(FNN)控制方法，包括如下步骤：根据电路理论和基尔霍夫定理建立具有扰动和误差的有源电力滤波器数学模型的动力学方程；设计有源电力滤波器的反演控制器；设计有源电力滤波器的模糊神经网络控制器；设计有源电力滤波器的模糊控制器；最后，对于上述数学模型进行仿真实验得到目标系统的控制结果。以下对各步骤进行分别详述：

根据电路理论和基尔霍夫定理建立具有扰动和误差的有源电力滤波器数学模型的动力学方程：

本发明主要研究应用最广泛的并联电压型有源电力滤波器。实际应用中，用于三相的占多数，故主要研究用于三相三线制系统的情况。

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。

有源电力滤波器的基本工作原理是，谐波电流检测模块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 ^*，c＝1,2,3，该信号经补偿电流发生电路放大，得出补偿电流i_c，c＝1,2,3，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为三相有源电力滤波器端电压；i₁,i₂,i₃为三相补偿电流；L_c是交流电感；R_c是直流侧电阻；v_1M,v_2M,v_3M,v_MN是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c_k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，v_kM＝c_kv_dc，所以(1-1)可改写为

我们定义d_k为开关状态函数，定义如下：

则d_k依赖于第k相IGBT的通断状态，是系统的非线性项。并有

那么(1-4)可改写为

定义

那么

则：

那么可以将(1-7)改写成如下形式

其中，u＝d_k；

则方程式(11)为一种基于模糊反演控制的有源电力滤波器模糊神经网络控制器设计的基础。

设计有源电力滤波器的反演控制器：有源电力滤波器反演控制器的设计包括两步骤，步骤一，构造虚拟控制函数和滑膜面；步骤二，设计实际的控制律。

步骤一，定义跟踪误差为：

z₁＝x₁-z_d (1-12)

其中z_d为指令电流信号。

所以

选择虚拟控制量：

其中，c₁是一个非零正实数。

定义第一个李雅普诺夫函数：

则：

取z₂＝x₂-α₁，则：

如果z₂＝0，那么设滑动面为：

s＝z₂ (1-18)

步骤二，定义第二个李雅普诺夫函数：

因为：

则：

为使设计控制器为：

其中，η，c₂为大于零的正常数；则：

通过控制律(1-22)的设计，使得系统满足了李雅普诺夫稳定性理论条件，从而保证系统的渐进稳定性。

设计有源电力滤波器的模糊神经网络控制器。因为式(1-22)中的f(x)未知，故采用模糊神经网络系统来逼近非线性项f(x)，从而能够保证系统的全局稳定性。

模糊神经网络的输出为：

模糊神经网络的最优输出：

f＝ψ^*Tφ(x)+ε (1-25)

其中，ψ^*为最优自适应参数，ψ^*T为ψ^*的转置，ε为逼近误差，满足 为最小逼近误差的上界。

定义第三个李雅普诺夫函数：

其中η为正常数。则：

设计控制器为：

将(1-28)代入(1-27)得：

设计自适应律：

将式(1-30)代入(1-29)得：

如果

通过控制律(1-28)和自适应律(1-30)的设计，使得系统满足了李雅普诺夫稳定性理论条件，从而保证系统的全局稳定性。

设计有源电力滤波器的模糊控制器，因为式(1-22)中的sgn(s)会带来有源电力滤波器系统的抖动等问题，因此采用模糊系统y来消除有源电力滤波器系统的抖动。具体步骤为：

定义模糊系统的隶属度函数为：

则模糊的输出为：

其中，θ为自适应参数参数，θ^T为θ的转置，为模糊向量，上限M是指隶属度函数的个数。

定义最优自适应参数θ*，从而模糊的最优输出为：

其中e为逼近误差，|e|≤e_N，e_N为最小逼近误差的上界。

因此，存在一个ω>0，使其满足

模糊系统理想参数和实时参数之间的误差为：

定义第四个李雅普诺夫函数

则：

设计控制律为：

将式(1-40)代入(1-39)：

设计自适应律：

其中η为任意常数。将式(1-43)和(1-42)代入式(1-41)得：

假设

其中，0≤γ≤1，则

将式(1-46)代入式(1-44)，得：

其中，c₂>γ，且仅当s＝0时因此，整个系统是稳定的。

Matlab仿真实验：结合有源电力滤波器的动态模型和自适应模糊控制的自适应模糊神经网络控制器的设计方法，通过Matlab/Simulink软件设计出主程序。

模糊神经网络自适应参数取eta＝50000。非线性负载的电阻40Ω，电感5mH。电源电压V_s1＝V_s2＝V_s3＝220V,f＝50Hz。补偿电路电感10mH，电容100μF。0.04S时补偿电路接入开关闭合，有源滤波器开始工作，并在0.1S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为A相补偿电流和指令电流跟踪波形图，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。因此基于自适应RBF神经网络的模糊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电源电流波形图，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24.70％变为3.06％,0.16s时,负载电流的补偿后电源电流的谐波畸变率仅为1.23％。因此采用基于模糊反演的自适应模糊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。实验结果证明了基于模糊反演的自适应模糊神经网络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。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.基于模糊反演的有源电力滤波器FNN控制方法，其特征在于：包括如下步骤：

步骤(A)根据电路理论和基尔霍夫定理建立具有扰动和误差的有源电力滤波器数学模型；

步骤(B)设计有源电力滤波器的反演控制器和滑模面；

步骤(C)设计有源电力滤波器的模糊神经网络控制器及其自适应律，构成自适应模糊神经网络控制器；

步骤(D)设计有源电力滤波器的模糊控制器及其自适应律，构成自适应模糊控制器；

其中，虚拟控制量和滑模面串联，再串联与自适应模糊控制器并联的自适应模糊神经网络控制器，最后串联有源电力滤波器输出并反馈到虚拟控制量构成闭环电路；

所述步骤(B)中设计有源电力滤波器的反演控制器，包括以下步骤：

步骤(B1)，构造虚拟控制函数和滑模面；

步骤(B2)，设计反演控制律；

其中，所述虚拟控制函数为：

式中，c₁是一个非零正实数；z₁＝x₁-z_d，z_d为指令电流信号，x₁＝i_k为补偿电流； 是z_d的一阶导数，为跟踪误差，是x₁的一阶导数；

其中，所述滑模面为：s＝z₂＝x₂-α₁；其中，z₂＝x₂-α₁，α₁为虚拟控制量，

其中，所述反演控制律为：

式中，η、c₂为大于零的正常数，s为滑模面，sgn(s)是符号函数，R_c为直流侧电阻；L_c是交流电感；v_k即v₁，v₂，v₃为三相有源电力滤波器端电压；v_dc为电容电压，k＝1,2,3，i_k即i₁，i₂，i₃为三相补偿电流。

2.根据权利要求1所述的基于模糊反演的有源电力滤波器FNN控制方法，其特征在于：所述步骤(A)有源电力滤波器数学模型的动力学方程为：

其中，x₁＝i_k，u＝d_k；

其中，u＝d_k；d_k是开关状态函数；为x₁的导数，为x₂的导数，为x₁的二阶导数。

3.根据权利要求2所述的基于模糊反演的有源电力滤波器FNN控制方法，其特征在于：所述开关状态函数d_k为：

其中，c_k为开关函数，指示IGBT的工作状态。

4.根据权利要求1所述的基于模糊反演的有源电力滤波器FNN控制方法，其特征在于：所述步骤(C)设计有源电力滤波器的模糊神经网络控制器及其自适应律；

其中，基于李雅普诺夫设计的模糊神经网络的自适应参量ψ的自适应算法为：η为大于零的正常数，z₂＝x₂-α₁；

自适应模糊神经网络控制器为：

式中，为模糊神经网络系统的输出，φ(x)为模糊神经网络向量，ψ为自适应参量，ψ^T为ψ的转置。

5.根据权利要求1所述的基于模糊反演的有源电力滤波器FNN控制方法，其特征在于：所述步骤(D)设计有源电力滤波器的模糊控制器及其自适应律，其中，基于李雅普诺夫设计的模糊自适应参量θ的自适应算法为：

自适应模糊控制器的控制律为：

式中，y为模糊系统的输出， 为模糊神经网络向量，θ为自适应参量，θ^T为θ的转置，所述控制律u用于输入有源电力滤波器，消除谐波，减少误差。