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
基于bp神经网络算法的最优虚拟谐波电阻控制方法 Download PDFInfo
- Publication number
- CN111431184B CN111431184B CN202010280186.6A CN202010280186A CN111431184B CN 111431184 B CN111431184 B CN 111431184B CN 202010280186 A CN202010280186 A CN 202010280186A CN 111431184 B CN111431184 B CN 111431184B
- Authority
- CN
- China
- Prior art keywords
- harmonic
- apf
- neural network
- virtual harmonic
- resistance
- 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
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/01—Arrangements for reducing harmonics or ripples
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Y02E40/20—Active power filtering [APF]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
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
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,ia、ib、ic为电网侧的三相电流,iLa、iLb、iLc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,uCa、uCb、uCc为PCC点(并网点)的三相电压,sa、sb、sc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,udc为APF直流侧的电容电压值,C为直流侧电容值,sa、sb、sc三相等效输入占空比统称为sk。
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,Rk为有源滤波器APF的虚拟谐波电阻,Rs为电源侧电阻,RL为非线性负载侧电阻,Isk为非线性负载注入电流,Usk为电源侧电压,XLk为非线性负载侧感抗,Xk为电源侧感抗。
从上式(2)很容易看出,当Rk越小,UCk也越小,即对PCC点的谐波电压抑制越强;当Rk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,Rk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,Ik为电源侧电流,其它参数含义同式(2),例如Usk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Rk与APF吸收的谐波功率Psk的关系如图3所示。由于随着虚拟谐波电阻值Rk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dpsk/dRk=(psk(i)-psk(i-1))/(Rk(i)-Rk(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=θk 0×xk 0+θk 1×xk 1+θk 2×xk 2 (5)
其中xk 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dpsk/dRk与理想值的误差e,xk 2为误差e的变化Δe=e(i)-e(i-1),xk 0为常系数,一般xk 0设置为1;θk 0、θk 1、θk 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Δkθ0、Δkθ1、Δkθ2:
式(8)中各边对应权值的表达式中运算符“=”为赋值符号;其中αk为任意次(k)谐波梯度下降系数,m为训练数据的组数,xk i为任意次(k)谐波第i组训练数据,Uk i为任意次(k)谐波第i组训练数据对应的输出,xk i0、xk i1、xk 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θk 0、θk 1、θk 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:
dpsk/dRk=(psk(i)-psk(i-1))/(Rk(i)-Rk(i-1))=0
其中Psk为APF吸收的谐波功率,Rk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=θk 0×xk 0+θk 1×xk 1+θk 2×xk 2
其中xk 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dpsk/dRk与理想值的误差e,xk 2为误差e的变化Δe=e(i)-e(i-1),xk 0为常系数;θk 0、θk 1、θk 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θk 0、θk 1、θk 2,直到最后达到控制系统期望的稳态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010280186.6A CN111431184B (zh) | 2020-04-10 | 2020-04-10 | 基于bp神经网络算法的最优虚拟谐波电阻控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010280186.6A CN111431184B (zh) | 2020-04-10 | 2020-04-10 | 基于bp神经网络算法的最优虚拟谐波电阻控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111431184A CN111431184A (zh) | 2020-07-17 |
CN111431184B true CN111431184B (zh) | 2021-07-16 |
Family
ID=71556136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010280186.6A Active CN111431184B (zh) | 2020-04-10 | 2020-04-10 | 基于bp神经网络算法的最优虚拟谐波电阻控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111431184B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112448392B (zh) * | 2020-11-09 | 2022-11-01 | 广西电网有限责任公司电力科学研究院 | 基于复数值神经网络的区域性电网谐波治理方法及装置 |
CN114156891B (zh) * | 2021-12-14 | 2024-04-09 | 海南电网有限责任公司 | 一种超高次谐波补偿控制方法 |
CN115603335A (zh) * | 2022-10-28 | 2023-01-13 | 国网江苏省电力有限公司电力科学研究院(Cn) | 一种集成有源阻尼功能的并网逆变器及控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091045A (zh) * | 2014-06-16 | 2014-10-08 | 华南理工大学 | 一种基于bp神经网络的空调长效性能预测方法 |
CN104113066A (zh) * | 2014-08-08 | 2014-10-22 | 哈尔滨同为电气股份有限公司 | 适用于电流定时比较控制的并联apf虚拟阻尼方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105932678B (zh) * | 2016-06-07 | 2018-07-06 | 湖南大学 | 一种电力感应滤波系统的虚拟阻抗综合控制方法 |
-
2020
- 2020-04-10 CN CN202010280186.6A patent/CN111431184B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091045A (zh) * | 2014-06-16 | 2014-10-08 | 华南理工大学 | 一种基于bp神经网络的空调长效性能预测方法 |
CN104113066A (zh) * | 2014-08-08 | 2014-10-22 | 哈尔滨同为电气股份有限公司 | 适用于电流定时比较控制的并联apf虚拟阻尼方法 |
Non-Patent Citations (1)
Title |
---|
基于神经网络的APF检测及控制策略研究;张学友;《中国优秀硕士学位论文全文数据库》;20110415;第26-50页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111431184A (zh) | 2020-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111431184B (zh) | 基于bp神经网络算法的最优虚拟谐波电阻控制方法 | |
Singh et al. | Back-propagation control algorithm for power quality improvement using DSTATCOM | |
TWI530082B (zh) | 可允許電感值變化之三相模組化多階換流器電流控制方法 | |
Ni et al. | Virtual impedance-based selective harmonic compensation (VI-SHC) PWM for current source rectifiers | |
CN109830966B (zh) | 三相四线制电能质量综合治理装置及其控制方法和系统 | |
CN104836464B (zh) | 一种vienna整流器直流侧中点电位平衡控制装置及方法 | |
CN103326386B (zh) | 一种基于电容电压的并网逆变器有源阻尼方法 | |
CN103560690A (zh) | 一种单相lcl型并网逆变器谐波阻尼控制方法 | |
CN104578182B (zh) | 一种低延时鲁棒功率下垂多环控制方法 | |
Kumar et al. | A simulation based case study for control of DSTATCOM | |
WO2012048518A1 (zh) | 针对四桥臂光伏逆变器中线臂控制模型的直流侧控制方法 | |
CN108306332B (zh) | 一种lcl型并网逆变系统及电流跟踪控制方法 | |
CN112186804B (zh) | 一种孤岛微电网母线电压不平衡和谐波补偿方法及系统 | |
CN111463785A (zh) | 抑制光伏逆变器集群谐振的有源阻尼器自适应控制方法 | |
CN111740575B (zh) | 一种基于最速下降法的逆变器模型参数自适应辨识方法 | |
Rong et al. | Output feedback control of single-phase UPQC based on a novel model | |
CN103296905A (zh) | 三相电压型功率因数校正变换器的自适应控制方法 | |
CN110266044B (zh) | 一种基于储能变流器的微电网并网控制系统及方法 | |
JP4017113B2 (ja) | 配電系統用アクティブフィルタ | |
CN113691155A (zh) | 基于pi和重复控制的单相逆变器控制方法、系统及逆变器 | |
CN112688338A (zh) | 一种基于锁频环稳态线性卡尔曼滤波的upqc电能质量补偿控制方法 | |
Penthia et al. | ANN controlled 4-leg VSC based DSTATCOM for power quality enhancement | |
CN109921422A (zh) | 基于单反馈神经网络的有源电力滤波器非奇异终端滑模控制方法 | |
CN117134354A (zh) | 并联型有源滤波器基于遗传算法的重复pi控制方法及模型 | |
CN113224963B (zh) | T型三电平电压型的逆变器的输出控制方法及相关设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |