CN111431184B - 基于bp神经网络算法的最优虚拟谐波电阻控制方法 - Google Patents

Abstract

本发明涉及有源滤波器APF的控制领域，为基于BP神经网络算法的最优虚拟谐波电阻控制方法，包括以下步骤：S1、设计基于最优虚拟谐波电阻的BP神经网络，最优虚拟谐波电阻使有源滤波器APF吸收的谐波功率最大；S2、将设计好的BP神经网络，加入有源滤波器APF，以控制有源滤波器APF运行在最优虚拟谐波电阻值处。本发明通过采集不同虚拟谐波电阻时PCC点的电压和电流，得到训练数据，基于BP神经网络算法，不断更新APF运行时的开关管PWM波形，当BP神经网络输出与上一次相比满足误差要求时，APF运行在最优虚拟谐波电阻值处，从而使得APF从电网最大程度地吸收谐波功率。

Description

基于BP神经网络算法的最优虚拟谐波电阻控制方法

技术领域

本发明涉及有源滤波器(Active Power Filter，APF)的控制领域，具体为基于BP神经网络算法的最优虚拟谐波电阻控制方法。

背景技术

传统的电力有源滤波器APF具有很明显的缺点：首先其需要安装在负载附近，另外其补偿对象固定单一。

虚拟谐波电阻是通过控制逆变器输出的谐波电流，使得输出谐波电流相位和电网电压相位一致，从而吸收电网的谐波功率。虚拟谐波电阻值大小对系统的影响如下：当虚拟谐波电阻较小时，可以较大程度地降低并网点电压的畸变率，此时吸收的谐波功率较大；当虚拟谐波电阻值继续下降直至为零时，理想情况下，并网点电压的畸变率则会一直下降直至为零，此时吸收的谐波功率会先上升再下降直至为零。另外，逆变器的容量有限以及考虑到电网系统的稳定性问题，一直降低虚拟谐波电阻值并不是最优的策略。

发明内容

为解决现有技术所存在的技术问题，本发明提供基于BP神经网络算法的最优虚拟谐波电阻控制方法，通过采集不同虚拟谐波电阻时PCC点(Point of Common Coupling，公共连接点，也叫并网点)的电压和电流，得到训练数据，基于BP神经网络算法，不断更新APF运行时的开关管PWM波形，当BP神经网络输出与上一次相比满足误差要求时，APF运行在最优虚拟谐波电阻值处，从而使得APF从电网最大程度地吸收谐波功率。

本发明采用以下技术方案来实现：基于BP神经网络算法的最优虚拟谐波电阻控制方法，包括以下步骤：

S1、设计基于最优虚拟谐波电阻的BP神经网络，最优虚拟谐波电阻使有源滤波器APF吸收的谐波功率最大；

S2、将设计好的BP神经网络，加入有源滤波器APF，以控制有源滤波器APF运行在最优虚拟谐波电阻值处。

在优选的实施例中，步骤S2包括：

S21、首先APF以虚拟谐波电阻方式运行；

S22、检测PCC点处的电压、电流，经过FFT傅里叶变换分析得到各次谐波电压、各次谐波电流，然后改变各次虚拟谐波电阻的阻值，继续测量PCC点处的各次谐波电压、各次谐波电流，将各次谐波电压、谐波电流数据进行相关的数据处理得到训练数据，输入给BP神经网络；

S23、给定虚拟谐波电阻初始值，启动加入了BP神经网络的APF；

S24、再次检测PCC点处的电压、电流，经过BP神经网络得到新的输出值，然后经过正弦化处理得到PWM发生器的调制波，最后通过载波调制得到具体的PWM脉冲信号，作用于电网系统；

S25、判断BP神经网络的输出与上一次相比是否满足误差要求，如果此时BP神经网络的输出与上一次相比不满足误差要求，返回步骤S24；否则，判断此时APF已经运行在最优虚拟谐波电阻值处。

本发明与现有技术相比，具有如下优点和有益效果：

本发明首先通过检测并网点的各次谐波电压、谐波电流，通过BP神经网络算法不断更改作用于逆变器的各次电流，最终使得有源滤波器APF运行在最优虚拟谐波电阻处，即其值等于电网等效阻抗的模值，从而使得逆变器最大程度地从电网吸收谐波功率。

附图说明

图1为电力有源滤波器APF接入电网的结构框图；

图2为电网任意次(k)谐波等效电路图；

图3为虚拟谐波电阻与谐波功率的关系曲线图；

图4为基于最优虚拟谐波电阻的BP神经网络控制框图；

图5为基于BP神经网络算法的APF整体控制流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

本发明提供了基于BP神经网络算法的最优虚拟谐波电阻控制方法，主要包括电力有源滤波器APF的数学模型、虚拟谐波电阻值对系统的影响分析、基于最优虚拟谐波电阻的BP神经网络算法提出、电力有源滤波器APF的整体控制过程，具体如下：

一、建立电力有源滤波器APF的数学模型

根据图1，建立电力有源滤波器APF在abc三相坐标系下的数学模型：

其中，L为电力有源滤波器APF的滤波电感，i_a、i_b、i_c为电网侧的三相电流，i_La、i_Lb、i_Lc为流入非线性负荷的三相电流，R为APF滤波电感的寄生电阻，u_Ca、u_Cb、u_Cc为PCC点(并网点)的三相电压，s_a、s_b、s_c分别为电力有源滤波器APF的a相、b相、c相的等效输入占空比，u_dc为APF直流侧的电容电压值，C为直流侧电容值，s_a、s_b、s_c三相等效输入占空比统称为s_k。

二、分析虚拟谐波电阻值对电网系统的影响

当电力有源滤波器采用虚拟谐波电阻运行时，图1可以简化成图2所示的任意次(k)谐波等效电路图。本步骤包括：

1)分析虚拟谐波电阻值对PCC点谐波电压的影响

根据图2，利用频域分析法与叠加定理可以得到PCC点任意次(用k代表)的谐波电压为：

其中s代表拉氏算子，ω代表基波角频率，R_k为有源滤波器APF的虚拟谐波电阻，R_s为电源侧电阻，R_L为非线性负载侧电阻，I_sk为非线性负载注入电流，U_sk为电源侧电压，X_Lk为非线性负载侧感抗，X_k为电源侧感抗。

从上式(2)很容易看出，当R_k越小，U_Ck也越小，即对PCC点的谐波电压抑制越强；当R_k为0时，此时谐波电压也为0，达到了最好的谐波电压抑制效果，但是考虑到逆变器的容量有限以及控制系统的稳定性问题，R_k不必太低，只要能使谐波电压达到标准即可。

2)分析虚拟谐波电阻值对有源滤波器APF吸收谐波功率的影响

通过对式(2)进行化简，可以得到PCC点任意次(k)谐波电压的有效值，如下式所示：

其中，I_k为电源侧电流，其它参数含义同式(2)，例如U_sk为电源侧电压。即APF以虚拟谐波电阻运行时，其吸收的任意次(k)谐波功率为：

用MATLAB可以得出虚拟谐波电阻R_k与APF吸收的谐波功率P_sk的关系如图3所示。由于随着虚拟谐波电阻值R_k的一直增大，其吸收的谐波功率是先增加后减小，所以存在一个虚拟谐波电阻值使得APF吸收的谐波功率最大，即存在最优虚拟谐波电阻值，如图3所示。

三、设计基于最优虚拟谐波电阻的BP神经网络

由于APF以虚拟谐波电阻运行时其P-R曲线是非线性的，所以在任何外界条件下达到最优虚拟谐波电阻时，有dp_sk/dR_k＝(p_sk(i)－p_sk(i－1))/(R_k(i)－R_k(i－1))＝0，BP神经网络的神经元输入I采用线性回归进行分析，其具体表达式如下：

I＝θ^k ₀×x^k ₀+θ^k ₁×x^k ₁+θ^k ₂×x^k ₂ (5)

其中x^k ₁表示APF运行在任意次(k)虚拟谐波电阻时吸收的谐波功率对该次谐波电阻的导数dp_sk/dR_k与理想值的误差e，x^k ₂为误差e的变化Δe＝e(i)-e(i-1)，x^k ₀为常系数，一般x^k ₀设置为1；θ^k ₀、θ^k ₁、θ^k ₂分别为各边对应的权值。BP神经网络正是不断修正各边对应的权值，直到最后达到控制系统期望的稳态，具体修正方法采用的是梯度下降法，下面会有具体说明。

神经元输出U采用激励函数G(x)，这里取Sigmoid函数作为G(x)，其表达式如下式(6)所示，其中n为输出作用系数，取决于控制系统的运行方式：

即：

本实施例中，神经网络的神经元个数取为1个，即单层神经元。采用梯度下降法得到权值的更新值，其表达式如下，设各边对应权值所改变的值分别为Δ^kθ₀、Δ^kθ₁、Δ^kθ₂：

式(8)中各边对应权值的表达式中运算符“＝”为赋值符号；其中α^k为任意次(k)谐波梯度下降系数，m为训练数据的组数，x^k _i为任意次(k)谐波第i组训练数据，U^k _i为任意次(k)谐波第i组训练数据对应的输出，x^k _i0、x^k _i1、x^k _i2分别为任意次(k)谐波第i组训练数据的输入x₀、x₁、x₂。

其控制原理图如图4所示，其中数据处理包括上一节功率的计算，功率对电阻的偏导数计算，以及误差的计算。其具体过程为：首先通过数据处理得到神经元的输入，包括误差e、误差的变化Δe，然后利用式(5)和式(7)得到BP神经网络的输入I和输出U，再通过BP神经网络算法得到权值θ^k ₀、θ^k ₁、θ^k ₂的更新值，即得到更新后的权值，再利用更新后的权值得到新的输出U，然后将其经过正弦化处理得到PWM发生器的调制波，最后通过载波调制得到具体的PWM脉冲信号作用于APF，一直循环反复，直到APF运行在最优虚拟谐波电阻值处。

四、将设计好的BP神经网络，加入有源滤波器APF，以控制有源滤波器APF运行在最优虚拟谐波电阻值处。电力有源滤波器APF的整体控制过程如图5所示，具体如下：

1、首先APF以正常虚拟谐波电阻方式运行。此时虚拟谐波电阻值未达到最优值。

2、检测PCC点处的电压、电流，经过FFT(傅里叶变换)分析得到各次谐波电压、各次谐波电流，然后改变各次虚拟谐波电阻的阻值，继续测量PCC点处的各次谐波电压、各次谐波电流，将各次谐波电压、谐波电流数据进行相关的数据处理得到训练数据，输入给BP神经网络。

3、设定一个初始虚拟谐波电阻，即给定虚拟谐波电阻初始值，启动加入了BP神经网络的APF。

4、采集数据并进行数据处理：再次检测PCC点处的电压、电流，经过BP神经网络得到新的输出值，然后经过正弦化处理得到PWM发生器的调制波，最后通过载波调制得到具体的PWM脉冲信号，作用于电网系统。

5、判断BP神经网络的输出与上一次相比是否满足误差要求，如果此时BP神经网络的输出与上一次相比不满足误差要求，返回步骤4；否则，判断此时APF已经运行在最优虚拟谐波电阻值处。

6、如果电网系统运行方式发生变化，适当更改输出作用系数n，返回步骤2，再次使得APF运行在最优虚拟谐波电阻值处。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (5)

1.基于BP神经网络算法的最优虚拟谐波电阻控制方法，其特征在于，包括以下步骤：

S1、设计基于最优虚拟谐波电阻的BP神经网络，最优虚拟谐波电阻使有源滤波器APF吸收的谐波功率最大；

S2、将设计好的BP神经网络，加入有源滤波器APF，以控制有源滤波器APF运行在最优虚拟谐波电阻值处；

步骤S2包括：

S21、首先APF以虚拟谐波电阻方式运行；

S22、检测PCC点处的电压、电流，经过FFT傅里叶变换分析得到各次谐波电压、各次谐波电流，然后改变各次虚拟谐波电阻的阻值，继续测量PCC点处的各次谐波电压、各次谐波电流，将各次谐波电压、谐波电流数据进行相关的数据处理得到训练数据，输入给BP神经网络；

S23、给定虚拟谐波电阻初始值，启动加入了BP神经网络的APF；

S24、再次检测PCC点处的电压、电流，经过BP神经网络得到新的输出值，然后经过正弦化处理得到PWM发生器的调制波，最后通过载波调制得到具体的PWM脉冲信号，作用于电网系统；

S25、判断BP神经网络的输出与上一次相比是否满足误差要求，如果此时BP神经网络的输出与上一次相比不满足误差要求，返回步骤S24；否则，判断此时APF已经运行在最优虚拟谐波电阻值处。

2.根据权利要求1所述的最优虚拟谐波电阻控制方法，其特征在于，步骤S2还包括步骤：

S26、如果电网系统运行方式发生变化，适当更改输出作用系数n，返回步骤S22，再次使得APF运行在最优虚拟谐波电阻值处。

3.根据权利要求1所述的最优虚拟谐波电阻控制方法，其特征在于，步骤S1中APF以虚拟谐波电阻运行时其P-R曲线是非线性的，在任何外界条件下达到最优虚拟谐波电阻时，有：

dp_sk/dR_k＝(p_sk(i)－p_sk(i－1))/(R_k(i)－R_k(i－1))＝0

其中P_sk为APF吸收的谐波功率，R_k为虚拟谐波电阻值；

BP神经网络的输入I采用线性回归进行分析，表达式如下：

I＝θ^k ₀×x^k ₀+θ^k ₁×x^k ₁+θ^k ₂×x^k ₂

其中x^k ₁表示APF运行在任意次k的虚拟谐波电阻时吸收的谐波功率对该次虚拟谐波电阻的导数dp_sk/dR_k与理想值的误差e，x^k ₂为误差e的变化Δe＝e(i)-e(i-1)，x^k ₀为常系数；θ^k ₀、θ^k ₁、θ^k ₂分别为各边对应的权值；

BP神经网络的输出U采用激励函数G(x)，表达式如下：

其中n为输出作用系数，取决于控制系统的运行方式。

4.根据权利要求3所述的最优虚拟谐波电阻控制方法，其特征在于，采用梯度下降法不断修正各边对应的权值θ^k ₀、θ^k ₁、θ^k ₂，直到最后达到控制系统期望的稳态。

5.根据权利要求4所述的最优虚拟谐波电阻控制方法，其特征在于，设各边对应权值所改变的值分别为Δ^kθ₀、Δ^kθ₁、Δ^kθ₂；采用梯度下降法得到权值的更新值，其表达式如下：

其中α^k为任意次k谐波梯度下降系数，m为训练数据的组数，x^k _i为任意次谐波第i组训练数据，U^k _i为任意次谐波第i组训练数据对应的输出，x^k _i0、x^k _i1、x^k _i2分别为任意次谐波第i组训练数据的输入x₀、x₁、x₂。

Images