CN112257338A - 有源滤波器的自反馈递归模糊神经网络预测控制方法 - Google Patents

有源滤波器的自反馈递归模糊神经网络预测控制方法 Download PDF

Info

Publication number
CN112257338A
CN112257338A CN202011102769.6A CN202011102769A CN112257338A CN 112257338 A CN112257338 A CN 112257338A CN 202011102769 A CN202011102769 A CN 202011102769A CN 112257338 A CN112257338 A CN 112257338A
Authority
CN
China
Prior art keywords
layer
neural network
self
control
prediction
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.)
Granted
Application number
CN202011102769.6A
Other languages
English (en)
Other versions
CN112257338B (zh
Inventor
刘伦豪杰
费峻涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou Campus of Hohai University
Original Assignee
Changzhou Campus of Hohai University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changzhou Campus of Hohai University filed Critical Changzhou Campus of Hohai University
Priority to CN202011102769.6A priority Critical patent/CN112257338B/zh
Publication of CN112257338A publication Critical patent/CN112257338A/zh
Application granted granted Critical
Publication of CN112257338B publication Critical patent/CN112257338B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Automation & Control Theory (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)

Abstract

本发明公开了一种有源滤波器的自反馈递归模糊神经网络预测控制方法，包括以下步骤：S1：建立有源电力滤波器的预测控制数学模型；S2：根据步骤S1建立的预测控制数学模型构建自反馈递归模糊神经网络预测模型；S3：设计神经网络预测模型参数学习策略，计算得到神经网络的自适应率；S4：根据步骤S3得到的神经网络预测模型设计自反馈递归模糊神经网络模型预测控制率，实时优化控制器。本发明采用数据驱动在线优化的方法，不依赖于系统精确模型，能够对谐波电流进行快速、高精度的补偿，并且抗干扰能力强，鲁棒性好，具有较好的稳态和动态性能。

Description

有源滤波器的自反馈递归模糊神经网络预测控制方法
技术领域
本发明涉及有源滤波器的自反馈递归模糊神经网络预测控制方法，属于智能控制技术领域。
背景技术
随着电力电子设备的广泛应用，电力系统中非线性负载不断增加，电网中的谐波污染也日益严重。谐波会对电力系统的安全造成严重的危害，主要表现在增加电力系统中的附加谐波损耗、影响各种电气设备的正常运行、导致继电保护和自动装置的误动作以及对邻近通信系统造成明显干扰等方面。
有源电力滤波器作为最有效的谐波治理手段，受到了广泛的关注和重视。然而，随着社会对电能质量的要求越来越高，国家对电网的谐波限制也越来越严格，常规的滞环控制、PID控制等方法难以满足要求，智能控制方法应用于有源滤波器已成为当前的研究热点。然而，目前的控制方法依然存在着补偿精度不高、抗干扰能力弱、依赖系统精确模型等问题。
发明内容
针对以上问题，本发明提供一种有源滤波器的自反馈递归模糊神经网络预测控制方法，采用数据驱动在线优化的方法，不依赖于系统精确模型，能够对谐波电流进行快速、高精度的补偿，并且抗干扰能力强，鲁棒性好，具有较好的稳态和动态性能。
本发明中主要采用的技术方案为：
一种有源滤波器的自反馈递归模糊神经网络预测控制方法，包括以下步骤：
S1：建立有源电力滤波器的预测控制数学模型；
S2：根据步骤S1建立的预测控制数学模型构建自反馈递归模糊神经网络预测模型；
S3：设计神经网络预测模型参数学习策略，计算得到神经网络的自适应率；
S4：根据步骤S3得到的神经网络预测模型设计自反馈递归模糊神经网络模型预测控制率，实时优化控制器。
优选地，所述步骤S1的具体步骤如下：
S1-1：有源电力滤波器补偿电流的非线性动态模型用差分方程表示如下：
ic(t+1)＝f(ic(t),x(t)) (1)；
其中，ic(t)为t时刻的补偿电流，x(t)为t时刻的控制状态量；
S1-2：将有源电力滤波器中的参考电流信号和补偿电流信号的预测问题转化为对补偿误差的预测问题，则有源电力滤波器的预测控制模型设计如下：
y(t+1)＝h(y(t),x(t)) (2)；
其中，y(t)为t时刻参考电流信号与系统输出补偿电流信号的差，x(t)为t时刻的控制状态量，设跟踪任务为c(t)，则跟踪目标为：y(t)跟踪上c(t)，且c(t)≡0。
优选地，所述步骤S3中构建的自反馈递归模糊神经网络预测模型结构如下：
第一层：输入层
所述输入层完成对输入信号的传递，输入参数为当前时刻的状态量和控制量；
第二层：模糊化层
所述模糊化层中，输入层的每个输出与模糊化层的三个神经元连接，通过高斯函数对输入信号进行模糊化操作；
第三层：规则层
所述规则层对模糊化层的各组节点的输出进行数据综合处理，在规则层中每个节点的输出为模糊化层中各组节点输出值的乘积；
第四层：自反馈递归层
所述自反馈递归层由自反馈递归神经元组成，将历史信息存储下来，并对历史信息进行倍数的衰减用于当前计算，最后经过非线性激活传递到第五层；
第五层：输出层
所述输出层采用加权平均得到神经网络的输出，输出是对下一时刻的状态量的预测。
优选地，所述步骤S3的具体步骤如下：
S3-1：选取神经网络的损失函数如下：
Figure BDA0002725951820000021
其中，
Figure BDA0002725951820000022
为自反馈递归模糊神经网络预测模型的输出；
S3-2：由梯度下降法，得到神经网络的自适应率如下：
Figure BDA0002725951820000023
Figure BDA0002725951820000031
Figure BDA0002725951820000032
Figure BDA0002725951820000033
Figure BDA0002725951820000034
Figure BDA0002725951820000035
其中，
Figure BDA0002725951820000036
分别为神经网络各层的权值参数，η1,η2,η3,η4,η5,η6分别为各参数的学习率。
优选地，所述步骤S4的具体步骤如下：
S4-1：设计控制器损失函数如下：
Figure BDA0002725951820000037
Figure BDA0002725951820000038
Δu(t)＝[Δu(t),Δu(t+1),…,Δu(t+Hu-1)]T (12)；
其中，ρ1,ρ2是控制权值因子，
Figure BDA0002725951820000039
是t时刻预测的未来Hp个时刻参考电流向量与补偿电流向量的差，Δu(t)是t时刻预测的未来Hu个时刻的控制变化量，Hp为预测步长，Hu为控制步长；
S4-2：优化策略为选择最优的控制输入队列使得损失函数最小，根据梯度寻优算法，控制输入队列通过如下公式更新：
Figure BDA00027259518200000310
其中，ηc是控制输入队列的学习率；
S4-3：损失函数对控制输入队列求偏导，计算如下：
Figure BDA00027259518200000311
由此，可得控制输入队列的变化量如下：
Figure BDA0002725951820000041
其中，
Figure BDA0002725951820000042
是一个雅克比矩阵，由神经网络模型通过链式法则求解得到。
有益效果：本发明提供一种有源滤波器的自反馈递归模糊神经网络预测控制方法，所设计的自反馈递归模糊神经网络用于对有源滤波器预测模型的建模，其相比于传统神经网络，具有如下优点：
1)自反馈递归结构使其能够更好地融合历史数据，具有更强的非线性学习能力，更适合于时变预测问题的建模；
2)将模型预测控制与新型模糊神经网络相结合，能够对建模不精确的非线性模型进行有效的控制，是一种基于数据驱动在线优化的实时神经网络非线性模型预测控制方法；
3)在有源电力滤波器的控制中，其能够对谐波电流进行快速、高精度的补偿，鲁棒性好，具有较好的稳态和动态性能。
附图说明
图1为本发明的设计流程图；
图2为本发明的单相并联型有源电力滤波器的拓扑结构图；
图3为本发明的自反馈递归模糊神经网络的结构图；
图4为本发明的控制系统结构图；
图5为本发明的电源电流曲线图；
图6为本发明的电流补偿跟踪曲线图；
图7为本发明的在稳态下的电流频谱图；
图8为本发明的在动态下的电源电流曲线图；
图9为本发明的在动态下的电流频谱图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
如图1所示，一种有源滤波器的自反馈递归模糊神经网络预测控制方法，包括以下步骤：
S1，建立有源电力滤波器的预测控制模型；
S1-1：如图2所示是有源电力滤波器的电路拓扑结构图，其补偿电流的非线性动态模型可以用差分方程表示如下：
ic(t+1)＝f(ic(t),x(t)) (1)；
其中，ic(t)为t时刻的补偿电流，x(t)为t时刻的控制状态量；
S1-2：有源电力滤波器中的参考电流信号是通过快速谐波检测算法实时在线计算得到的，未来时刻的参考信号无法直接获得，因此模型预测控制需要同时对参考电流信号和补偿电流信号进行预测，为了简化问题，可直接将参考电流信号和补偿电流信号的预测问题转化为对补偿误差的预测问题，设计的有源电力滤波器的预测控制数学模型如下：
y(t+1)＝h(y(t),x(t)) (2)；
其中，y(t)为t时刻参考电流信号与系统输出补偿电流的差，跟踪目标为：y(t)跟踪上c(t)，其中c(t)≡0；
S2，构建自反馈递归模糊神经网络预测模型；
如图3所示为构建的自反馈递归模糊神经网络结构图，由图3可知，其为一个五层的带自反馈递归结构的模糊神经网络，其具体结构描述如下：
第一层：输入层
所述输入层完成对输入信号的传递，输入参数为当前时刻的状态量和控制量，输入和输出节点表达分别如式(16)和式(17)所示：
Figure BDA0002725951820000051
Figure BDA0002725951820000052
其中，
Figure BDA0002725951820000053
是第1层中第i个节点的输入；
Figure BDA0002725951820000054
表示是第1层中第i个节点的一致函数的输出，
Figure BDA0002725951820000055
是第l层中第i个节点的输出值；N是采样迭代的次数，并且fi 1(·)是第i个节点的统一函数；
第二层：模糊化层
所述模糊化层中，输入层的每个输出与模糊化层的三个神经元连接，通过高斯函数对输入信号进行模糊化操作，使得网络处理非线性的能力增强，每个节点的输入和输出关系表达分别如式(18)～式(20)所示：：
Figure BDA0002725951820000061
Figure BDA0002725951820000062
Figure BDA0002725951820000063
其中，
Figure BDA0002725951820000064
是该层的输入；
Figure BDA0002725951820000065
是第2层第i组第j个节点的中心向量；
Figure BDA0002725951820000066
是第2层第i组第j个节点的基宽；
Figure BDA0002725951820000067
是第2层第i组第j个节点的高斯函数的输出；
Figure BDA0002725951820000068
是第2层第i组第j个节点的负指数函数；
Figure BDA0002725951820000069
是第2层第j个节点的输出；
第三层：规则层
所述规则层对模糊化层的各组节点的输出进行数据综合处理，在这一层每个节点的输出为第二层各组节点输出值的乘积，输入输出表达如下：
Figure BDA00027259518200000610
Figure BDA00027259518200000611
Figure BDA00027259518200000612
其中，
Figure BDA00027259518200000613
是第3层的输入；
Figure BDA00027259518200000614
是第3层第k个节点的连乘函数的输出；
Figure BDA00027259518200000615
是第3层第k个节点的输出；
第四层：自反馈递归层
所述自反馈递归层由自反馈递归神经元组成，将历史信息(指之前时刻的神经网络第四层的输出值在自反馈递归层中，通过对历史数据进行倍数的衰减后加到当前时刻的运算中来)存储下来并对历史信息进行倍数的衰减用于当前计算，最后经过非线性激活传递到下一层，其输入输出表达如下：
Figure BDA00027259518200000616
Figure BDA00027259518200000617
Figure BDA00027259518200000618
Figure BDA0002725951820000071
Figure BDA0002725951820000072
其中，
Figure BDA0002725951820000073
是第4层的输入；
Figure BDA0002725951820000074
是第4层第l个节点的自反馈递归值；α是该层的自反馈因子；
Figure BDA0002725951820000075
是第4层第l个节点在上一时刻的输出；
Figure BDA0002725951820000076
是第4层第l个节点的加权函数的输出；
Figure BDA0002725951820000077
是第4层第l个节点的输入项的权值；
Figure BDA0002725951820000078
是第4层第l个节点的自反馈项的权值；
Figure BDA0002725951820000079
是第4层第l个节点的偏置项；
Figure BDA00027259518200000710
是第4层第l个节点的sigmod激活函数；
Figure BDA00027259518200000711
是第4层第l个节点的输出；
第五层：输出层
所述输出层采用加权平均得到神经网络的输出，输出是对下一时刻的状态量的预测，表示如下：
Figure BDA00027259518200000712
Figure BDA00027259518200000713
Figure BDA00027259518200000714
其中，
Figure BDA00027259518200000715
是第5层的输入；
Figure BDA00027259518200000716
表示第5层输出节点与第l个输入的权重，
Figure BDA00027259518200000717
表示加权平均函数的输出，
Figure BDA00027259518200000718
表示神经网络网络的最终输出。
S3，如图4所示为控制系统的结构图，由图可知其包含神经网络预测数学模型和实时模型预测控制器两个优化模块，两者通过输入的误差数据进行在线优化，首先需要设计神经网络预测模型参数学习策略，具体如下：
S3-1：选取神经网络的损失函数如下：
Figure BDA00027259518200000719
其中，
Figure BDA00027259518200000720
为所述的自反馈递归模糊神经网络预测模型的输出，即神经网络对实际值的预测值，y(t)是预测值的实际值；
S3-2：由梯度下降法，得到神经网络的自适应率如下：
Figure BDA0002725951820000081
Figure BDA0002725951820000082
Figure BDA0002725951820000083
Figure BDA0002725951820000084
Figure BDA0002725951820000085
Figure BDA0002725951820000086
其中，
Figure BDA0002725951820000087
分别为神经网络各层的权值参数，η1,η2,η3,η4,η5,η6分别为各参数的学习率。
S4然后设计自反馈递归模糊神经网络模型预测控制实时优化控制器：
S4-1：设计控制器损失函数如下：
Figure BDA0002725951820000088
Figure BDA0002725951820000089
Figure BDA00027259518200000810
其中，ρ1,ρ2是控制权值因子，
Figure BDA00027259518200000811
是t时刻预测的未来Hp个时刻参考电流向量与补偿电流向量的差，Δu(t)是t时刻预测的未来Hu个时刻的控制变化量，Hp为预测步长，Hu为控制步长；
S4-2：优化策略为选择最优的控制输入队列使得损失函数最小，根据梯度寻优算法，控制输入队列通过如下公式更新：
Figure BDA00027259518200000812
其中，ηc是控制输入队列的学习率；
S4-3：损失函数对控制输入队列求偏导，计算如下：
Figure BDA0002725951820000091
由此，可得到控制输入队列的变化量如下：
Figure BDA0002725951820000092
其中，
Figure BDA0002725951820000093
是一个雅克比矩阵，由神经网络模型通过链式法则求解得到。
进行仿真实验验证
实施例取一组参数如下：
系统参数：电网电压为Us＝24V，电网频率为f＝50Hz；非线性负载的电阻R1＝5Ω，R2＝15Ω，电容C＝1000uF，动态时并联增加的非线性负载的电阻为R1＝15Ω，R2＝15Ω，电容C＝1000uF，主电路电感为L＝18mH，电阻为R＝1Ω。
直流侧电压控制器参数：直流侧电压采用传统的PI控制方法，Kp＝0.15。参考电压设定为50V。
控制器参数：代价函数的权重因子为ρ1＝1.05,ρ2＝0.95，控制器的学习率为ηc＝1，神经网络自反馈因子为
Figure BDA0002725951820000094
预测步长为Hp＝2，控制步长为Hu＝1。
实验结果图如图5、图6、图7、图8、图9所示。
控制效果分析：
图5为电源电流曲线图，由图可知，系统在很短的时间内完成了谐波补偿，电源电流变为平滑的正弦波。
图6展示了谐波电流的跟踪补偿曲线，可知在0.02秒左右补偿电流实现了对参考电流的跟踪，跟踪速度快，补偿效果好。
图7给出了电源电流的频谱图，分析可知，在所设计的控制器作用下，系统稳态时的电流总谐波畸变率为1.46％，满足国际标准低于5％的要求。此外，对系统的动态响应进行验证，在接入控制器且系统进入稳态以后，于0.3s时突然增加负载，观察系统的动态响应。
如图8所示，增加负载后电源电流在短暂的调节后完全稳定，动态效应好。
图9给出了负载增加后的电流谐波频谱图，畸变率仅为1.11％。可见，系统具有的较好的稳态和动态性能。
本发明所讲述的具体实施例所保护的内容是控制算法的设计，该算法并没有特别指要求适用的有源电力滤波器结构，本具体实施例仅仅为了方便讲述采用单相并联型有源电力滤波器结构进行说明。
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)

1.一种有源滤波器的自反馈递归模糊神经网络预测控制方法，其特征在于，包括以下步骤：
S1：建立有源电力滤波器的预测控制数学模型；
S2：根据步骤S1建立的预测控制数学模型构建自反馈递归模糊神经网络预测模型；
S3：设计神经网络预测模型参数学习策略，计算得到神经网络的自适应率；
S4：根据步骤S3得到的神经网络预测模型设计自反馈递归模糊神经网络模型预测控制率，实时优化控制器。
2.根据权利要求1所述的一种有源滤波器的自反馈递归模糊神经网络预测控制方法，其特征在于，所述步骤S1的具体步骤如下：
S1-1：有源电力滤波器补偿电流的非线性动态模型用差分方程表示如下：
ic(t+1)＝f(ic(t),x(t)) (1)；
其中，ic(t)为t时刻的补偿电流，x(t)为t时刻的控制状态量；
S1-2：将有源电力滤波器中的参考电流信号和补偿电流信号的预测问题转化为对补偿误差的预测问题，则有源电力滤波器的预测控制数学模型设计如下：
y(t+1)＝h(y(t),x(t)) (2)；
其中，y(t)为t时刻参考电流信号与系统输出补偿电流信号的差，x(t)为t时刻的控制状态量，设跟踪任务为c(t)，则跟踪目标为：y(t)跟踪上c(t)，且c(t)≡0。
3.根据权利要求1所述的一种有源滤波器的自反馈递归模糊神经网络预测控制方法，其特征在于，所述步骤S3中构建的自反馈递归模糊神经网络预测模型结构如下：
第一层：输入层
所述输入层完成对输入信号的传递，输入参数为当前时刻的状态量和控制量；
第二层：模糊化层
所述模糊化层中，输入层的每个输出与模糊化层的三个神经元连接，通过高斯函数对输入信号进行模糊化操作；
第三层：规则层
所述规则层对模糊化层的各组节点的输出进行数据综合处理，在规则层中每个节点的输出为模糊化层中各组节点输出值的乘积；
第四层：自反馈递归层
所述自反馈递归层由自反馈递归神经元组成，将历史信息存储下来，并对历史信息进行倍数的衰减用于当前计算，最后经过非线性激活传递到第五层；
第五层：输出层
所述输出层采用加权平均得到神经网络的输出，输出是对下一时刻的状态量的预测。
4.根据权利要求1所述的一种有源滤波器的自反馈递归模糊神经网络预测控制方法，其特征在于，所述步骤S3的具体步骤如下：
S3-1：选取神经网络的损失函数如下：
Figure FDA0002725951810000021
其中，
Figure FDA0002725951810000022
为自反馈递归模糊神经网络预测模型的输出，即神经网络对实际值的预测值，y(t)是预测值的实际值；
S3-2：由梯度下降法，得到神经网络的自适应率如下：
Figure FDA0002725951810000023
Figure FDA0002725951810000024
Figure FDA0002725951810000025
Figure FDA0002725951810000026
Figure FDA0002725951810000027
Figure FDA0002725951810000028
其中，
Figure FDA0002725951810000029
分别为神经网络各层的权值参数，η1,η2,η3,η4,η5,η6分别为各参数的学习率。
5.根据权利要求1中所述的有源滤波器的自反馈递归模糊神经网络预测控制方法，其特征在于，所述步骤S4的具体步骤如下：
S4-1：设计控制器损失函数如下：
Figure FDA0002725951810000031
Figure FDA0002725951810000032
Δu(t)＝[Δu(t),Δu(t+1),...,Δu(t+Hu-1)]T (12)；
其中，ρ1,ρ2是控制权值因子，
Figure FDA0002725951810000033
是t时刻预测的未来Hp个时刻参考电流向量与补偿电流向量的差，Δu(t)是t时刻预测的未来Hu个时刻的控制变化量，Hp为预测步长，Hu为控制步长；
S4-2：优化策略为选择最优的控制输入队列使得损失函数最小，根据梯度寻优算法，控制输入队列通过如下公式更新：
Figure FDA0002725951810000034
其中，ηc是控制输入队列的学习率；
S4-3：损失函数对控制输入队列求偏导，计算如下：
Figure FDA0002725951810000035
由此，可得控制输入队列的变化量如下：
Figure FDA0002725951810000036
其中，
Figure FDA0002725951810000037
是一个雅克比矩阵，由神经网络模型通过链式法则求解得到。
CN202011102769.6A 2020-10-15 2020-10-15 有源滤波器的自反馈递归模糊神经网络预测控制方法 Active CN112257338B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011102769.6A CN112257338B (zh) 2020-10-15 2020-10-15 有源滤波器的自反馈递归模糊神经网络预测控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011102769.6A CN112257338B (zh) 2020-10-15 2020-10-15 有源滤波器的自反馈递归模糊神经网络预测控制方法

Publications (2)

Publication Number Publication Date
CN112257338A true CN112257338A (zh) 2021-01-22
CN112257338B CN112257338B (zh) 2022-11-04

Family

ID=74243463

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011102769.6A Active CN112257338B (zh) 2020-10-15 2020-10-15 有源滤波器的自反馈递归模糊神经网络预测控制方法

Country Status (1)

Country Link
CN (1) CN112257338B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113067334A (zh) * 2021-03-26 2021-07-02 河海大学 基于神经网络的有源电力滤波器非线性预测控制方法
CN113541143A (zh) * 2021-06-29 2021-10-22 国网天津市电力公司电力科学研究院 一种基于elm-lstm的谐波预测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108334679A (zh) * 2018-01-22 2018-07-27 河海大学常州校区 基于双反馈模糊神经网络的有源电力滤波器全局滑模控制方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108334679A (zh) * 2018-01-22 2018-07-27 河海大学常州校区 基于双反馈模糊神经网络的有源电力滤波器全局滑模控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YUNMEI FANG等: "Adaptive Backstepping Fuzzy Neural Controller Based on Fuzzy Sliding Mode of Active Power Filter", 《DIGITAL OBJECT IDENTIFIER》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113067334A (zh) * 2021-03-26 2021-07-02 河海大学 基于神经网络的有源电力滤波器非线性预测控制方法
CN113541143A (zh) * 2021-06-29 2021-10-22 国网天津市电力公司电力科学研究院 一种基于elm-lstm的谐波预测方法

Also Published As

Publication number Publication date
CN112257338B (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
CN112257338B (zh) 有源滤波器的自反馈递归模糊神经网络预测控制方法
CN111798095B (zh) 一种基于神经网络电力电缆状态评价方法
CN110212551B (zh) 基于卷积神经网络的微网无功自动控制方法
Li et al. Almost sure stability of Markov jump systems with persistent dwell time switching
CN109066819B (zh) 一种基于案件推理的配电网的无功优化方法
CN111340305A (zh) 一种建筑运行能耗预测方法
CN114429248A (zh) 一种变压器视在功率预测方法
CN111785093A (zh) 一种基于分形插值的空中交通流量短期预测方法
Duong-Ngoc et al. Short term load forcast using deep learning
Chiu et al. Combining a neural network with a rule-based expert system approach for short-term power load forecasting in Taiwan
Shen et al. Short-term load forecasting of power system based on similar day method and PSO-DBN
CN111612227A (zh) 一种基于K-means聚类与蝙蝠优化神经网络的负荷预测方法
CN113435575B (zh) 基于不平衡数据的门图神经网络暂态稳定性评估方法
CN113239547B (zh) 一种基于tlbo算法的核心骨干网架构建方法
CN115659201A (zh) 物联网气体浓度检测方法及监控系统
CN115330018A (zh) 基于相似日和Optuna-LightGBM的智能控制柜内部环境预警评估方法
CN111950811A (zh) 基于双层人工神经网络的区域光伏功率预测方法及系统
Niu et al. Research on power load forecasting based on combined model of Markov and BP neural networks
CN112103960A (zh) 基于神经网络的有源电力滤波器分数阶滑模控制方法、系统及存储介质
Xia et al. Electric load forecasting using virtual instrument based on dynamic recurrent Elman neural network
CN112271729B (zh) 有源电力滤波器的长短时记忆模糊神经网络滑模控制方法
Li et al. Variable weights combination MIDAS model based on ELM for natural gas price forecasting
CN116599067B (zh) 一种微电网电能质量全局优化方法
CN114548845B (zh) 一种配网管理方法、装置及系统
Esmaili et al. Online state estimation of power system despite faulty measurement data using the composition of ANFIS with Grasshopper Algorithm

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