CN107425517A - 一种配电网供电实时补偿稳定性优化控制系统的实现方法 - Google Patents

Abstract

本发明公开了一种配电网供电实时补偿稳定性优化控制系统的实现方法，包括如下步骤：确定RNNI、RNNC结构，对权值矩阵进行初始化，使用白噪声作为SVG的触发信号，采集系统输出作为训练数据，训练RNNI；设计PI控制器对SVG进行控制，并将系统的输入输出用于RNNC训练；使用训练好的RNNI、RNNC控制SVG，并给定期望输出；利用系统输出与期望输出之差，调整模型，使其学习SVG电力系统的动态特性；依据内模原理的误差传递特性完成控制器的训练；重复以上步骤直到获得理想的控制结果。本发明能够实现不同负荷状态下的快速无功补偿及电压调整，有很强的鲁棒性和一定的自适应能力；随着系统运行，神经网络能够继续学习系统的动态特性，将故障状态、随机负载变化反馈给控制器。

Description

一种配电网供电实时补偿稳定性优化控制系统的实现方法

技术领域

本发明涉及电力配电网安全控制技术领域，具体涉及一种配电网供电实时 补偿稳定性优化控制系统的实现方法。

背景技术

无功功率电源是电网的重要组成部分，而我国配网长期存在着结构规划不 合理，无功配置不科学的问题，几乎没有动态无功调节能力；因此，准确实时 的补偿配电系统无功已成为一个重要的研究方向。全控型电力电子器件的快速 发展为构建可测可控的新型智能电网，提高系统的稳定性提供了新的思路。

SVG是典型的电力电子设备，由三个基本功能模块构成：检测模块、控制运 算模块及补偿输出模块。其工作原理为由外部CT检测系统的电流信息，然后经 由控制芯片分析出当前的电流信息、如PF、S、Q等；然后由控制器给出补偿的 驱动信号，最后由电力电子逆变电路组成的逆变回路发出补偿电流。国际上最 先进的SVG产品是STATCOM---静止同步无功补偿器。SVG静止无功发生器采用可 关断电力电子器件(IGBT)组成自换相桥式电路，经过电抗器并联在电网上， 适当地调节桥式电路交流侧输出电压的幅值和相位，或者直接控制其交流侧电 流。迅速吸收或者发出所需的无功功率，实现快速动态调节无功的目的。作为有源形补偿装置，不仅可以跟踪冲击型负载的冲击电流，而且可以对谐波电流 也进行跟踪补偿。SVG具有良好的动态补偿能力，它由大功率IGBT构成可自换相 的桥式变流电路为核心，能够根据控制信号实现从感性无功到容性无功的快速 无差调节。由于电力系统是一个庞大的非线性系统，而且系统参数不固定，应 用传统的PI控制很难充分发挥SVG补偿瞬时无功的能力。

南京师范大学学报(工程技术版)在2011提出了一种电流双环控制方法， 外环为直流侧电容电压控制，内环采用电流控制，该方法对恒定负载补偿效果 好，但由于该控制方法中包含系统参数，而电力系统参数具有很大的不确定性， 使得控制器必须有很强的自适应性，实现难度大。

《四川电力技术》2012年公开了基于内模控制的静止同步补偿器研究，其 在双环控制的基础上，在电流内环引入内模控制结构，简化了参数设计，增强 了控制系统的鲁棒性；但在被控对象模型的建立上做了一定的近似等效，导致 结果存在误差。

发明内容

本发明是提供一种配电网供电实时补偿稳定性优化控制系统的实现方法， 能够实现不同负荷状态下的快速无功补偿及电压调整，有很强的鲁棒性和一定 的自适应能力；随着系统运行，神经网络能够继续学习系统的动态特性，将各 种故障状态、随机负载变化反馈给控制器。

为解决上述技术问题，本发明采用的技术方案为：

一种配电网供电实时补偿稳定性优化控制系统的实现方法，包括如下步骤：

(1)确定RNNI、RNNC结构，对权值矩阵进行初始化，使用白噪声作为SVG的 触发信号，采集系统输出作为训练数据，训练RNNI；

(2)设计PI控制器对SVG进行控制，并将系统的输入输出用于RNNC训练；

(3)使用训练好的RNNI、RNNC控制SVG，并给定期望输出；

(4)利用系统输出与期望输出之差，调整模型，使其学习SVG电力系统的动态 特性；

(5)依据内模原理的误差传递特性完成控制器的训练；

(6)重复以上步骤直到获得理想的控制结果。

进一步的，所述RNNI结构的确定方法包括如下步骤：

RNNI结构分为输入层、隐含层和输出层，输入信号由参考输入的个数加上控制 信号构成；由内模原理可知，辨识器输出信号的个数应与被控对象维数相同， 定义和是隐含层中第j个神经元的输入和输出；输出层的神经元用下 标k表示，输入输出分别为和定义u(t)，x₁(t-1)，x₂(t-1)，x₃(t-1) 和x₄(t-1)为RNNI的输入；和是连接神经元的递归权重，为 隐含层内部连接权值，定义隐含层和输出层的关联权重，隐含层输入输 出的关系可表示为：

隐含层神经元的激活函数选用正负对称的sigmoid函数——双曲正切函数，由 于隐含层存在激活函数的作用，且输出层内部没有相互联系，所以输出层每个 神经元的输入等于输出，因此，仅有一个等式来表示：

权重的调整采用实时递归学习算法，首先定义目标函数E_I(t)为误差平方和函数：

权值和基于误差函数调整，计算时采用负梯度方向搜索，步骤如下： A、用0～1均匀分布的小随机数对权值矩阵W进行初始化，并选择一个收敛参数 ε>0，

B、计算E_I(t)为(4)式定义的误差函数；如果则停 止调整误差，否则，进行下一步；

C、依据公式来更新权值，为预先给定的学习率参数，X分别为I或R；

D、返回步骤(B)；

和的更新公式分别如下所示：

式中和计算公式如下：

进一步的，所述RNNC结构的确定方法包括如下步骤：

RNNC结构由输入层、隐含层和输出层构成；输入由给定的参考信号、辨识器的 输出和SVG控制信号的反馈构成，输出层只有一个神经元，输出即为SVG控制 信号，和分别定义为输入层第j个神经元的输入和输出，设RNNC 的输入为u(t)，x₁(t-1)，x₂(t-1)，x₃(t-1)和x₄(t-1)，输出层只有一个神经元， 它的输入为输出为u(t)，u(t)即为SVG控制信号，定义隐含层内部的递归权 重为连接隐含层与输出层的权重为

第一个隐含层第j个神经元的输入输出由下式确定：

RNNC的输出即为控制信号，因为输出层没有使用限幅函数，所以其输出等于输 入：

定义RNNC的误差函数为：

r_k(t),k＝1,...,mc为期望输出；

同样，基于最速下降法，权值由下式确定：

和是RNNC的学习率，偏导和由下式确定

本发明将将递归神经网络内模控制方法(IMC-RNN)应用于配电网动态无 功控制，神经网络在充分逼近任意复杂的非线性系统方面具有很大优势；系统 的不确定性可利用内模生成反馈信号得到抑制，并对负载变化的情况有很强的 抗干扰能力，改善了供电质量，适用于非线性系统。本发明能够实现不同负荷 状态下的快速无功补偿及电压调整，有很强的鲁棒性和一定的自适应能力；随 着系统运行，神经网络能够继续学习系统的动态特性，将各种故障状态、随机 负载变化反馈给控制器，展现了良好的应用前景。

附图说明

下面结合附图对本发明作进一步描述：

图1是本发明SVG控制系统结构图；

图2是本发明RNNI的结构示意图；

图3是本发明RNNC的结构示意图；

图4是本发明SVG主电路仿真图；

图5是本发明第一部分神经内模控制器结构图；

图6是本发明第二部分神经内模控制器结构图；

图7为本发明恒定感性负载时SVG投入前a相电压和电流波形图；

图8为本发明恒定感性负载时SVG投入后a相电压和电流波形图；

图9为本发明恒定感性负载时SVG投入后功率因数图；

图10为本发明恒定感性负载时SVG投入后谐波畸变度图；

图11为本发明恒定容性负载时SVG投入前a相电压和电流波形图，

图12为本发明恒定容性负载时SVG投入后a相电压和电流波形图；

图13为本发明恒定容性负载时SVG投入后功率因数图；

图14为本发明恒定容性负载时SVG投入后谐波畸变度图；

图15为本发明负载突变时SVG投入前a相电压和电流波形图；

图16为本发明负载突变时SVG投入后a相电压和电流波形图；

图17为本发明负载突变时SVG投入后功率因数图；

图18为本发明负载突变时SVG直流侧电容电压图；

图19为本发明负载突变时SVG输出电流与系统电压图。

具体实施方式

下面结合图1至图6对本发明技术方案进一步展示，具体实施方式如下：

实施例一

如图1至图3所示：本实施例提供了一种配电网供电实时补偿稳定性优化控制 系统的实现方法，包括如下步骤：

(1)确定RNNI、RNNC结构，对权值矩阵进行初始化，使用白噪声作为SVG的 触发信号，采集系统输出作为训练数据，训练RNNI；

(2)设计PI控制器对SVG进行控制，并将系统的输入输出用于RNNC训练；

(3)使用训练好的RNNI、RNNC控制SVG，并给定期望输出；

(4)利用系统输出与期望输出之差，调整模型，使其学习SVG电力系统的动态 特性；

(5)依据内模原理的误差传递特性完成控制器的训练；

(6)重复以上步骤直到获得理想的控制结果。

进一步的，所述RNNI结构的确定方法包括如下步骤：

RNNI结构分为输入层、隐含层和输出层，输入信号由参考输入的个数加上控制 信号构成；由内模原理可知，辨识器输出信号的个数应与被控对象维数相同， 定义和是隐含层中第j个神经元的输入和输出；输出层的神经元用下 标k表示，输入输出分别为和定义u(t)，x₁(t-1)，x₂(t-1)，x₃(t-1) 和x₄(t-1)为RNNI的输入；和是连接神经元的递归权重，为 隐含层内部连接权值，定义隐含层和输出层的关联权重，隐含层输入输 出的关系可表示为：

隐含层神经元的激活函数选用正负对称的sigmoid函数——双曲正切函数，由 于隐含层存在激活函数的作用，且输出层内部没有相互联系，所以输出层每个 神经元的输入等于输出，因此，仅有一个等式来表示：

权重的调整采用实时递归学习算法，首先定义目标函数E_I(t)为误差平方和函数：

权值和基于误差函数调整，计算时采用负梯度方向搜索，步骤如下： A、用0～1均匀分布的小随机数对权值矩阵W进行初始化，并选择一个收敛参数 ε>0，

B、计算E_I(t)为(4)式定义的误差函数；如果则停 止调整误差，否则，进行下一步；

C、依据公式来更新权值，为预先给定的学习率参数，X分别为I或R；

D、返回步骤(B)；

和的更新公式分别如下所示：

式中和计算公式如下：

进一步的，所述RNNC结构的确定方法包括如下步骤：

RNNC结构由输入层、隐含层和输出层构成；输入由给定的参考信号、辨识器的 输出和SVG控制信号的反馈构成，输出层只有一个神经元，输出即为SVG控制 信号，和分别定义为输入层第j个神经元的输入和输出，设RNNC 的输入为u(t)，x₁(t-1)，x₂(t-1)，x₃(t-1)和x₄(t-1)，输出层只有一个神经元， 它的输入为输出为u(t)，u(t)即为SVG控制信号，定义隐含层内部的递归权 重为连接隐含层与输出层的权重为

第一个隐含层第j个神经元的输入输出由下式确定：

RNNC的输出即为控制信号，因为输出层没有使用限幅函数，所以其输出等于输 入：

定义RNNC的误差函数为：

r_k(t),k＝1,...,mc为期望输出；

同样，基于最速下降法，权值由下式确定：

和是RNNC的学习率，偏导和由下式确定

本发明设计的SVG控制系统结构如图1所示，是一种对象——正模型—— 逆控制系统；其中NNI为SVG及电网的内部模型(正模型),NNC是神经网络控 制器(逆系统),它根据输出的变化、补偿点电压和内部模型输出的偏差等,确定 该时刻的触发信号，从而调整SVG向电网输送或吸收的无功功率,实现补偿点 电压按电网运行的要求实时调整的目的。这里，递归神经网络不仅用来进行系 统辨识，还用来生成SVG控制信号。

实施例二

如图4至图6所示：其与实施例一的区别在于：

本实施例提供在MATLAB/Simulink仿真平台中搭建含SVG电力系统模型，来对 本发明方案进行验证，模型为图4，是SVG主电路仿真图，电网电压设置为三相 对称正弦电压，相电压为220V，频率为50Hz,直流侧电容为2000。神经内模控 制器IMC-RNN如图5和图6所示，RNNI、RNNC由M文件编写，并使用S函数生 成模块。

首先在恒定感性负载时进行仿真：

图7为未投入SVG前电网侧a相电压和电流的波形，由于系统带感性负载，电 流相位滞后系统电压相位；功率因数为0.66。

图8、图9、图10为投入SVG补偿无功后网侧相电压和电流波形、系统功率因 数以及其总谐波失真，从图中可以看出，投入SVG后，网侧无功电流得到很好 地补偿，系统等同带纯电阻负载；且调整时间极短(不足1/4周期)。补偿后功 率因数维持在1，且谐波畸变度仅为1.37％，符合电网要求。

然后在恒定容性负载时进行仿真：

图11为接恒定容性负载网侧电压电流波形，补偿前电网需提供容性无功，功率 因数仅为0.745；投入SVG补偿后，电压电流经过短暂调整达到同相位；功率因 数可以很好地维持在1，无功得到补偿，SVG投入前a相电压和电流波形图，

图12为SVG投入后a相电压和电流波形图，

图13为SVG投入后功率因数图，

图14为SVG投入后谐波畸变度图。

最后在负载突变时进行仿真：

由图15可看出，在0.1s之前，负载为感性，0.1s时负载性质发生转变，仿真 结果表明，补偿后网侧电流为纯有功电流，过渡过程不到一个周期，直流侧电 压能够很快恢复到给定值，SVG输出电流很快由感性转变为容性，SVG投入前a 相电压和电流波形图；

图16为SVG投入后a相电压和电流波形图；

图17为SVG投入后功率因数图；

图18为SVG直流侧电容电压图；

图19为SVG输出电流与系统电压图。

补偿前后表对比如下：

由上述数据可知，①补偿恒定负载时，可对感性或容性无功进行很好地补 偿，并能滤除谐波，补偿后功率因数稳定在1，总谐波失真小于国家标准5％； ②当负载发生突变时，补偿装置能快速跟踪负载变化，发出满足需要的无功； 调节时间小于0.02s，并能维持直流侧电压稳定。基于上述分析，证明了基于递 归神经网络内模控制的配电网电压无功综合控制器的可行性和有效性。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，本领 域普通技术人员对本发明的技术方案所做的其他修改或者等同替换，只要不脱 离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (3)

1.一种配电网供电实时补偿稳定性优化控制系统的实现方法，其特征在于：包括如下步骤：

(1)确定RNNI、RNNC结构，对权值矩阵进行初始化，使用白噪声作为SVG的触发信号，采集系统输出作为训练数据，训练RNNI；

(2)设计PI控制器对SVG进行控制，并将系统的输入输出用于RNNC训练；

(3)使用训练好的RNNI、RNNC控制SVG，并给定期望输出；

(4)利用系统输出与期望输出之差，调整模型，使其学习SVG电力系统的动态特性；

(5)依据内模原理的误差传递特性完成控制器的训练；

(6)重复步骤(1)至步骤(5)直到获得理想的控制结果。

2.如权利要求1所述的配电网供电实时补偿稳定性优化控制系统的实现方法，其特征在于：所述RNNI结构的确定方法包括如下步骤：

RNNI结构分为输入层、隐含层和输出层，输入信号由参考输入的个数加上控制信号构成；定义和是隐含层中第j个神经元的输入和输出；输出层的神经元用下标k表示，输入输出分别为和定义u(t)，x₁(t-1)，x₂(t-1)，x₃(t-1)和x₄(t-1)为RNNI的输入；和是连接神经元的递归权重，为隐含层内部连接权值，定义隐含层和输出层的关联权重，隐含层输入输出的关系可表示为：

<mrow> <msubsup> <mi>I</mi> <mi>j</mi> <mn>1</mn> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>I</mi> <mi>j</mi> <mn>1</mn> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>+</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>m</mi> <mi>I</mi> </msub> </munderover> <msubsup> <mi>W</mi> <mrow> <mi>j</mi> <mi>i</mi> </mrow> <mi>R</mi> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <msubsup> <mi>O</mi> <mi>i</mi> <mn>1</mn> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>,</mo> <mi>j</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <msub> <mi>m</mi> <mi>I</mi> </msub> </mrow>

<mrow> <msubsup> <mi>O</mi> <mi>j</mi> <mn>1</mn> </msubsup> <mo>=</mo> <mi>f</mi> <mrow> <mo>(</mo> <msubsup> <mi>I</mi> <mi>j</mi> <mn>1</mn> </msubsup> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>=</mo> <mi>tanh</mi> <mrow> <mo>(</mo> <msubsup> <mi>I</mi> <mi>j</mi> <mn>1</mn> </msubsup> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>,</mo> </mrow>

j＝1,...,m_I

隐含层神经元的激活函数选用正负对称的sigmoid函数——双曲正切函数，有一个等式来表示：

<mrow> <msubsup> <mi>O</mi> <mi>k</mi> <mn>2</mn> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>I</mi> <mi>k</mi> <mn>2</mn> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>m</mi> <mi>I</mi> </msub> </munderover> <msubsup> <mi>W</mi> <mrow> <mi>k</mi> <mi>j</mi> </mrow> <mi>O</mi> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <msubsup> <mi>O</mi> <mi>j</mi> <mn>1</mn> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>,</mo> <mi>k</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <msub> <mi>n</mi> <mi>I</mi> </msub> </mrow>

权重的调整采用实时递归学习算法，首先定义目标函数E_I(t)为误差平方和函数：

<mrow> <msub> <mi>E</mi> <mi>I</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>n</mi> <mi>I</mi> </msub> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>k</mi> </msub> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>-</mo> <msubsup> <mi>O</mi> <mi>k</mi> <mn>2</mn> </msubsup> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow>

权值和基于误差函数调整，计算时采用负梯度方向搜索，步骤如下：

A、用0～1均匀分布的小随机数对权值矩阵W进行初始化，并选择一个收敛参数ε>0，

B、计算E_I(t)为(4)式定义的误差函数；如果则停止调整误差，否则，进行下一步；

C、依据公式来更新权值，为预先给定的学习率参数，X分别为I或R；

D、返回步骤(B)；

和的更新公式分别如下所示：

<mrow> <msubsup> <mi>W</mi> <mrow> <mi>j</mi> <mi>i</mi> </mrow> <mi>R</mi> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>W</mi> <mrow> <mi>j</mi> <mi>i</mi> </mrow> <mi>R</mi> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>+</mo> <msubsup> <mi>&amp;Delta;W</mi> <mrow> <mi>j</mi> <mi>i</mi> </mrow> <mi>R</mi> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>W</mi> <mrow> <mi>j</mi> <mi>i</mi> </mrow> <mi>R</mi> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>-</mo> <msubsup> <mi>&amp;eta;</mi> <mi>I</mi> <mi>R</mi> </msubsup> <mfrac> <mrow> <mo>&amp;part;</mo> <msub> <mi>E</mi> <mi>I</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;part;</mo> <msubsup> <mi>W</mi> <mrow> <mi>j</mi> <mi>i</mi> </mrow> <mi>R</mi> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow>

<mrow> <msubsup> <mi>W</mi> <mrow> <mi>k</mi> <mi>j</mi> </mrow> <mi>O</mi> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>W</mi> <mrow> <mi>k</mi> <mi>j</mi> </mrow> <mi>O</mi> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>+</mo> <msubsup> <mi>&amp;Delta;W</mi> <mrow> <mi>k</mi> <mi>j</mi> </mrow> <mi>O</mi> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>W</mi> <mrow> <mi>k</mi> <mi>j</mi> </mrow> <mi>O</mi> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>-</mo> <msubsup> <mi>&amp;eta;</mi> <mi>I</mi> <mi>O</mi> </msubsup> <mfrac> <mrow> <mo>&amp;part;</mo> <msub> <mi>E</mi> <mi>I</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;part;</mo> <msubsup> <mi>W</mi> <mrow> <mi>k</mi> <mi>j</mi> </mrow> <mi>O</mi> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow>

式中和计算公式如下：

<mrow> <mfrac> <mrow> <mo>&amp;part;</mo> <msub> <mi>E</mi> <mi>I</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;part;</mo> <msubsup> <mi>W</mi> <mrow> <mi>k</mi> <mi>j</mi> </mrow> <mi>O</mi> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>=</mo> <mo>-</mo> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>k</mi> </msub> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>-</mo> <msubsup> <mi>O</mi> <mi>k</mi> <mn>2</mn> </msubsup> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>)</mo> </mrow> <msubsup> <mi>O</mi> <mi>j</mi> <mn>1</mn> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow>

<mrow> <mfrac> <mrow> <mo>&amp;part;</mo> <msub> <mi>E</mi> <mi>I</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;part;</mo> <msubsup> <mi>W</mi> <mrow> <mi>j</mi> <mi>i</mi> </mrow> <mi>R</mi> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>=</mo> <mo>-</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>n</mi> <mi>I</mi> </msub> </munderover> <mtable> <mtr> <mtd> <mrow> <mo>&amp;lsqb;</mo> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>k</mi> </msub> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>-</mo> <msubsup> <mi>O</mi> <mi>k</mi> <mn>2</mn> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <msubsup> <mi>W</mi> <mrow> <mi>k</mi> <mi>j</mi> </mrow> <mi>O</mi> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>)</mo> <mo>.</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msup> <mrow> <mo>(</mo> <msubsup> <mi>O</mi> <mi>j</mi> <mn>1</mn> </msubsup> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>)</mo> <msubsup> <mi>O</mi> <mi>j</mi> <mn>1</mn> </msubsup> <mo>(</mo> <mi>t</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> <mo>&amp;rsqb;</mo> <mo>.</mo> </mrow> </mtd> </mtr> </mtable> </mrow>

3.如权利要求1所述的配电网供电实时补偿稳定性优化控制系统的实现方法，其特征在于：所述RNNC结构的确定方法包括如下步骤：

RNNC结构由输入层、隐含层和输出层构成；输入由给定的参考信号、辨识器的输出和SVG控制信号的反馈构成，输出层只有一个神经元，输出即为SVG控制信号，和分别定义为输入层第j个神经元的输入和输出，设RNNC的输入为u(t)，x₁(t-1)，x₂(t-1)，x₃(t-1)和x₄(t-1)，输出层只有一个神经元，它的输入为输出为u(t)，u(t)即为SVG控制信号，定义隐含层内部的递归权重为连接隐含层与输出层的权重为

第一个隐含层第j个神经元的输入输出由下式确定：

<mrow> <msubsup> <mi>S</mi> <mi>j</mi> <mn>1</mn> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>S</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>+</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>m</mi> <mi>c</mi> </msub> </munderover> <msubsup> <mi>V</mi> <mrow> <mi>j</mi> <mi>i</mi> </mrow> <mi>R</mi> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <msubsup> <mi>T</mi> <mi>j</mi> <mn>1</mn> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>,</mo> <mi>j</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <msub> <mi>m</mi> <mi>c</mi> </msub> </mrow>

<mrow> <msubsup> <mi>T</mi> <mi>j</mi> <mn>1</mn> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>f</mi> <mrow> <mo>(</mo> <msubsup> <mi>S</mi> <mi>j</mi> <mn>1</mn> </msubsup> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <msup> <mi>e</mi> <mrow> <msubsup> <mi>S</mi> <mi>j</mi> <mn>1</mn> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> </msup> <mo>-</mo> <msup> <mi>e</mi> <mrow> <mo>-</mo> <msubsup> <mi>S</mi> <mi>j</mi> <mn>1</mn> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> </msup> </mrow> <mrow> <msup> <mi>e</mi> <mrow> <msubsup> <mi>S</mi> <mi>j</mi> <mn>1</mn> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> </msup> <mo>+</mo> <msup> <mi>e</mi> <mrow> <mo>-</mo> <msubsup> <mi>S</mi> <mi>j</mi> <mn>1</mn> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> </msup> </mrow> </mfrac> </mrow>

RNNC的输出即为控制信号，因为输出层没有使用限幅函数，所以其输出等于输入：

<mrow> <mi>u</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mi>S</mi> <mn>2</mn> </msup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>m</mi> <mi>c</mi> </msub> </munderover> <msubsup> <mi>V</mi> <mi>j</mi> <mi>O</mi> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <msubsup> <mi>T</mi> <mi>j</mi> <mn>1</mn> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow>

定义RNNC的误差函数为：

<mrow> <msub> <mi>E</mi> <mi>C</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>m</mi> <mi>c</mi> </msub> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>r</mi> <mi>k</mi> </msub> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>-</mo> <msub> <mi>x</mi> <mi>k</mi> </msub> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow>

r_k(t),k＝1,...,mc为期望输出；

同样，基于最速下降法，权值由下式确定：

<mrow> <msubsup> <mi>V</mi> <mrow> <mi>j</mi> <mi>i</mi> </mrow> <mi>R</mi> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>V</mi> <mrow> <mi>j</mi> <mi>i</mi> </mrow> <mi>R</mi> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>-</mo> <msubsup> <mi>&amp;eta;</mi> <mi>C</mi> <mi>R</mi> </msubsup> <mfrac> <mrow> <mo>&amp;part;</mo> <msub> <mi>E</mi> <mi>C</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;part;</mo> <msubsup> <mi>V</mi> <mrow> <mi>j</mi> <mi>i</mi> </mrow> <mi>R</mi> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow>

<mrow> <msubsup> <mi>V</mi> <mi>j</mi> <mi>O</mi> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>V</mi> <mi>j</mi> <mi>O</mi> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>-</mo> <msubsup> <mi>&amp;eta;</mi> <mi>C</mi> <mi>O</mi> </msubsup> <mfrac> <mrow> <mo>&amp;part;</mo> <msub> <mi>E</mi> <mi>C</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;part;</mo> <msubsup> <mi>V</mi> <mi>j</mi> <mi>O</mi> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow>

和是RNNC的学习率，偏导和由下式确定

<mrow> <mfrac> <mrow> <mo>&amp;part;</mo> <msub> <mi>E</mi> <mi>C</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;part;</mo> <msubsup> <mi>V</mi> <mi>j</mi> <mi>O</mi> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>=</mo> <mo>-</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>m</mi> <mi>c</mi> </msub> </munderover> <mtable> <mtr> <mtd> <mrow> <mo>&amp;lsqb;</mo> <mrow> <mo>(</mo> <msub> <mi>r</mi> <mi>k</mi> </msub> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>x</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>)</mo> <msubsup> <mi>W</mi> <mrow> <mi>k</mi> <mn>1</mn> </mrow> <mi>O</mi> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>.</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mo>(</mo> <msubsup> <mi>O</mi> <mi>j</mi> <mn>1</mn> </msubsup> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>)</mo> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>&amp;rsqb;</mo> <msubsup> <mi>T</mi> <mi>j</mi> <mn>1</mn> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mrow>

<mrow> <mfrac> <mrow> <mo>&amp;part;</mo> <msub> <mi>E</mi> <mi>C</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>&amp;part;</mo> <msubsup> <mi>V</mi> <mrow> <mi>j</mi> <mi>i</mi> </mrow> <mi>R</mi> </msubsup> </mrow> </mfrac> <mo>=</mo> <mo>-</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>m</mi> <mi>c</mi> </msub> </munderover> <mtable> <mtr> <mtd> <mrow> <mo>&amp;lsqb;</mo> <mrow> <mo>(</mo> <msub> <mi>r</mi> <mi>k</mi> </msub> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>x</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>)</mo> <msubsup> <mi>W</mi> <mrow> <mi>k</mi> <mn>1</mn> </mrow> <mi>O</mi> </msubsup> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msup> <mrow> <mo>(</mo> <msubsup> <mi>O</mi> <mi>j</mi> <mn>1</mn> </msubsup> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> <mo>.</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msubsup> <mi>V</mi> <mi>j</mi> <mi>O</mi> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mo>(</mo> <msubsup> <mi>T</mi> <mi>j</mi> <mn>1</mn> </msubsup> <msup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>)</mo> </mrow> <msubsup> <mi>T</mi> <mi>j</mi> <mn>1</mn> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> <mo>.</mo> </mrow> 3