CN112636359A - 基于模糊情感智能控制的动态电压恢复器优化补偿方法 - Google Patents
基于模糊情感智能控制的动态电压恢复器优化补偿方法 Download PDFInfo
- Publication number
- CN112636359A CN112636359A CN202011589266.6A CN202011589266A CN112636359A CN 112636359 A CN112636359 A CN 112636359A CN 202011589266 A CN202011589266 A CN 202011589266A CN 112636359 A CN112636359 A CN 112636359A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- voltage
- emotion
- weight
- output
- 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.)
- Pending
Links
- 230000008451 emotion Effects 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- 230000002996 emotional effect Effects 0.000 claims description 35
- 230000004044 response Effects 0.000 claims description 26
- 235000011437 Amygdalus communis Nutrition 0.000 claims description 19
- 241000220304 Prunus dulcis Species 0.000 claims description 19
- 235000020224 almond Nutrition 0.000 claims description 19
- 238000004088 simulation Methods 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 12
- 210000005153 frontal cortex Anatomy 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 5
- 230000001953 sensory effect Effects 0.000 claims description 4
- XXXSILNSXNPGKG-ZHACJKMWSA-N Crotoxyphos Chemical compound COP(=O)(OC)O\C(C)=C\C(=O)OC(C)C1=CC=CC=C1 XXXSILNSXNPGKG-ZHACJKMWSA-N 0.000 claims description 3
- 239000005364 simax Substances 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims description 3
- 230000037396 body weight Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 11
- 238000011217 control strategy Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
-
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- 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
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
- H02M7/00—Conversion of ac power input into dc power output; Conversion of dc power input into ac power output
- H02M7/42—Conversion of dc power input into ac power output without possibility of reversal
- H02M7/44—Conversion of dc power input into ac power output without possibility of reversal by static converters
- H02M7/48—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode
- H02M7/483—Converters with outputs that each can have more than two voltages levels
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
- H02M7/00—Conversion of ac power input into dc power output; Conversion of dc power input into ac power output
- H02M7/42—Conversion of dc power input into ac power output without possibility of reversal
- H02M7/44—Conversion of dc power input into ac power output without possibility of reversal by static converters
- H02M7/48—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode
- H02M7/53—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode using devices of a triode or transistor type requiring continuous application of a control signal
- H02M7/537—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode using devices of a triode or transistor type requiring continuous application of a control signal using semiconductor devices only, e.g. single switched pulse inverters
- H02M7/5387—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode using devices of a triode or transistor type requiring continuous application of a control signal using semiconductor devices only, e.g. single switched pulse inverters in a bridge configuration
- H02M7/53871—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode using devices of a triode or transistor type requiring continuous application of a control signal using semiconductor devices only, e.g. single switched pulse inverters in a bridge configuration with automatic control of output voltage or current
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于模糊情感智能控制的动态电压恢复器优化补偿方法,在电网侧电压发生跌落时,动态电压恢复器投入电网,采用构建的情感智能控制器,根据检测的实际电网电压与实际补偿电压输出指令补偿电压,随后将输出的指令补偿电压通过PWM模块转化成PWM波,驱动逆变单元输出相应电压,所述情感智能控制器的权值学习率通过构建模糊控制器进行在线调节。与现有技术相比,本发明能够提高DVR系统的补偿效果,从而保证在电网电压发生暂降时,负载侧电压的稳定性。
Description
技术领域
本发明涉及电力系统领域,尤其是涉及一种基于模糊情感智能控制的动态电压恢复器优化补偿方法。
背景技术
电压暂降作为目前有统计以来发生最频繁,对敏感负荷影响最大的电能质量问题,其良好治理方法一直是学者研究的重点。其中DVR(Dynamic Voltage Restorer,动态电压调节器)以其较低的成本和较好的补偿效果成为治理电压暂降问题最经济有效的电力补偿设备。在国内DVR研究领域中,优化控制方法往往是提升DVR系统补偿效果的关键,好的控制方法能在系统的稳定性,响应速度,补偿精度等方面得以很好的体现。目前应用于动态电压恢复器领域的控制策略主要分线性和非线性两种,线性的控制策略如PI控制,PR控制等,非线性的控制策略为模糊控制,情感智能控制(Brain Emotional Learning,BEL)等一些智能算法控制策略。
DVR作为处理电压暂降问题的有效装置,其补偿效果的好坏是稳定负载电压,保证负荷正常工作的关键。然而,PI控制存在静差问题,会导致DVR补偿精度受到限制,同时补偿效果亦受影响。另外,PR控制能消除静差,但用于非线性,强耦合的DVR系统时,其系统的负载适应性较差。模糊控制具有较强的鲁棒性,但在稳态误差、负载适应性等问题上,也不能满足系统补偿要求。情感智能控制由于其无梯度运算和无专家规则的特点,使其具有结构简单,计算量小的优点,且应用于DVR系统时,其响应速度,补偿效果和负载适应性都比较理想,但目前已有的基于情感智能控制的DVR研究文献中,情感智能控制中的权值学习率都为定值,由于DVR系统具有很强的非线性,假若学习率设置不当,将导致系统控制性能恶化甚至失去稳定。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于模糊情感智能控制的动态电压恢复器优化补偿方法,该方法基于情感智能控制策略,通过模糊控制在线调节情感智能控制算法中的权值学习率,来优化情感智能控制器的控制性能,使其在应用于DVR系统时,能够让DVR系统有更快的响应速度和更好的补偿效果。
本发明的目的可以通过以下技术方案来实现:
基于模糊情感智能控制的动态电压恢复器优化补偿方法,该方法在电网侧电压发生跌落时,动态电压恢复器投入电网,采用构建的情感智能控制器,根据检测的实际电网电压与实际补偿电压输出指令补偿电压,随后将输出的指令补偿电压通过PWM模块转化成PWM波,驱动逆变单元输出相应电压。
所述情感智能控制器的构建内容包括:
假设感官输入信号SIi为系统误差及其误差的积分形式,则有:
SIi=[SI1 SI2]=[s1·e s2·∫edt]
式中,s1、s2为感官输入权重值;
则杏仁体输出为:
A=v1·s1·e+v2·s2·∫edt+v3·max(s1·e s2·∫edt)
式中,v1、v2、v3分别为杏仁体的可调权值;
眶额皮质输出为:
O=w1·s1·e+w2·s2·∫edt
式中,w1、w1为眶额皮质的可调权值;
最终输出为:
E=A-O=(v1-w1)·s1·e+(v2-w2)·s2·∫edt+v3·max(s1·e s2·∫edt)
通过对权值vi和wi的更新调整,模型能实现对情感的更好学习,具体表达式为:
Δvi=α·SIi·max(0,REW-A)i=1,2
Δv3=α·SImax·max(0,REW-A)
Δwi=β·SIi·(E-vn+1SImax-REW)i=1,2
REW=r1s1e+r2s2∫edt+r3E
式中,Δvi和Δvn+1为杏仁体的权值变化值,α为杏仁体的权值学习率,Δwi为眶额皮质的权值变化值,β为眶额皮质的权值学习率,r1、r2、r3为奖励信号REW的可调权值;将上述等式进行仿真模块搭建,完成情感智能控制器的构建。
进一步地,所述情感智能控制器的权值学习率通过构建模糊控制器进行在线调节。
所述模糊控制器的构建内容包括:
1)进行多次采用情感智能控制器的DVR系统仿真实验,确定输入、输出变量论域;
2)确定输入、输出变量模糊子集语言变量;
3)确定输入输出隶属度函数;
4)确定模糊推理规则。
步骤2)中,所述输入变量的论域为期望补偿电压与实际补偿电压的偏差e和偏差变化率ec的论域。
所述输入变量的论域的确定的具体内容为:
通过进行多次基于情感智能算法的DVR系统仿真实验,找出其中最大的偏差及偏差变化率值,输出变量分别为杏仁体的权值学习率变化量Δα与眼眶皮质的权值学习率变化量Δβ。
步骤2)中,定义E,EC,ΔX,ΔY分别为偏差e,偏差变化率ec,杏仁体权值学习率变化量Δα,眼眶皮质权值学习率变化量Δβ的模糊子集,各语言变量选择为{NB,NM,NS,ZO,PS,PM,PB}。
步骤3)中,确定的输入输出隶属度函数为三角隶属函数。
步骤4)中,确定模糊推理规则的具体内容为:按情感智能控制器的控制结构搭建基于情感智能的DVR简化系统模型,进行系统阶跃响应实验,获取阶跃响应曲线,根据阶跃响应曲线指定模糊推理规则。
确定模糊推理规则的具体内容为:对杏仁体的权值学习率α和眶额皮质的权值学习率β取不同数值,按情感智能控制器的控制结构搭建基于情感智能的DVR简化系统模型,并进行系统阶跃响应实验,获取阶跃响应曲线,根据阶跃响应曲线指定模糊推理规则。
本发明提供的基于模糊情感智能控制的动态电压恢复器优化补偿方法,相较于现有技术至少包括如下有益效果:
1)DVR作为处理电压暂降问题的有效装置,其补偿效果的好坏是稳定负载电压,保证负荷正常工作的关键,本发明基于模糊情感智能控制的动态电压恢复器优化补偿方法,在补偿性能上相比于无模糊情感智能控制的动态电压恢复器有进一步提升,使电网电压发生暂降时,DVR系统的输出电压补偿效果更好,从而能够保证在电网电压发生暂降时,负载侧电压的稳定性;
2)本发明在实际应用时,只需在原有动态电压恢复器装置基础上,对算法增加模糊控制部分即可,结构简单,计算量小,具有实际意义和使用价值;
3)本发明将权值学习率改进为随着系统状态变化而变化的变量,当系统状态发生改变时,权值学习率能够进行相应的调整,使得整个系统始终处于较稳定的工作状态;
4)通过选取不同数值的权值学习率进行阶跃响应并分析阶跃响应结果,由此来完成模糊规则的制定,避免了因学习率设置不当导致的系统控制性能恶化甚至失去稳定的问题。
附图说明
图1为实施例中基于模糊情感智能控制的动态电压恢复器优化补偿方法的补偿控制结构示意图;
图2为实施例中本发明的情感智能控制器的控制结构框图;
图3为实施例中情感智能控制器的输入输出隶属函数;
图4为实施例中不同情况学习率阶跃响应曲线;
图5为实施例中基于模糊BEL和无模糊BEL的DVR补偿后负载电压波形图;
图6为实施例中模糊情感智能控制时阻感性负载情况波形图;
图7为实施例中模糊情感智能控制时阻容性负载情况波形图;
图8为实施例中三相电压不平衡跌落情况波形图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
实施例
本发明涉及一种基于模糊情感智能控制的动态电压恢复器优化补偿方法,本发明的主要技术点在于模糊情感智能控制器的搭建。首先是情感智能控制器的搭建,可以通过情感智能算法中推导的具体公式,选择相应模块进行搭建;其次是模糊控制器的搭建,由于目前关于权值学习率调节的资料不多,为了确定模糊控制规则,先通过选取不同参数的权值学习率进行情感智能控制器的阶跃响应,根据阶跃响应结果,来进行模糊规则的制定,然后选择输入输出变量论域和模糊子集语言变量,最后确定输入输出的隶属度函数,由此,便完成了模糊控制器的搭建。
本实施例的DVR拓扑结构以三单相H桥逆变器为主体框架,采用蓄电池作为储能单元,滤波单元为一般LC滤波器,DVR通过变压器串联接入电网。由于采用三单相H桥结构为逆变单元,每一相的控制都是独立的,本实施例以A相为例,进行分析,其补偿控制结构图如附图1。图1的具体补偿控制流程为:当电网电压发生跌落时,DVR装置投入电网,情感控制器根据检测到的实际电网电压Us与实际补偿电压Udvr,输出指令补偿电压Udvr *(与此同时,模糊控制对权值学习率α、β进行实时调节),Udvr *经过变化得到逆变器输出电压Udvr',Udvr'在PWM模块下转化成PWM波,驱动逆变单元输出相应电压,最终保持负载侧电压的稳定。
本发明将情感智能算法应用于DVR控制中,情感智能控制器的控制结构框图如附图2,图2中,将期望补偿电压与检测到的实际电网电压作差,得到系统偏差e,由此便可得到输入信号和奖励信号,情感智能控制器接收这两个信号后输出相应指令补偿电压信号,并通过PWM模块来进行对逆变单元的控制,从而输出相应的补偿电压。具体地:
设感官输入信号SIi为系统误差及其误差的积分形式,即:
SIi=[SI1 SI2]=[s1·e s2·∫edt] (1)
式中,s1、s2为感官输入权重值。
系统误差为期望补偿电压与实际补偿电压的偏差e,误差的积分形式为:∫e。
则杏仁体输出为:
A=v1·s1·e+v2·s2·∫edt+v3·max(s1·e s2·∫edt) (2)
式中,v1、v2、v3分别为杏仁体的可调权值。
眶额皮质输出为:
O=w1·s1·e+w2·s2·∫edt (3)
式中,w1、w1为眶额皮质的可调权值。
最终输出为:
E=A-O=(v1-w1)·s1·e+(v2-w2)·s2·∫edt+v3·max(s1·e s2·∫edt) (4)
通过对权值vi和wi的更新调整,模型能实现对情感的更好学习。
具体表达式为:
Δvi=α·SIi·max(0,REW-A) i=1,2 (5)
Δv3=α·SImax·max(0,REW-A) (6)
Δwi=β·SIi·(E-vn+1SImax-REW) i=1,2 (7)
REW=r1s1e+r2s2∫edt+r3E (8)
式中,Δvi和Δvn+1为杏仁体的权值变化值;α为杏仁体的权值学习率;Δwi为眶额皮质的权值变化值;β为眶额皮质的权值学习率;r1、r2、r3为奖励信号REW的可调权值。
将上述等式进行仿真模块搭建,即可完成情感智能控制器的设计。
本发明通过模糊控制在线调节情感智能控制算法中的各权值学习率,来优化情感智能控制器的控制性能。本发明对于模糊控制器的设计如下:
确定输入输出变量论域:输入变量,即期望补偿电压与实际补偿电压的偏差e和偏差变化率ec的论域确定可通过进行多次基于情感智能算法的DVR系统仿真实验,找出其中最大的偏差及偏差变化率值,以确定偏差e和偏差变化率ec的基本论域取值范围。本发明偏差e的基本论域取为[-10,10],偏差变化率ec的基本论域取为[-0.6,0.6];本发明偏差e和偏差变化率ec的模糊论域均取为[-6,6]。输出变量分别为权值学习率变化量Δα与权值学习率变化量Δβ,本发明输出变量Δα和Δβ模糊论域变化范围均为[-6,6],实际变化范围均为[-0.01,0.01]。
确定输入、输出变量模糊子集语言变量:定义E,EC,ΔX,ΔY分别为e,ec,Δα,Δβ的模糊子集,其语言变量都选择为{NB,NM,NS,ZO,PS,PM,PB},NB、NM、NS、ZO、PS、PM、PB分别表示负大,负中,负小,零,正小,正中,正大,即负方向大的偏差,负方向中等偏差,负方向小的偏差,零偏差,正方向小的偏差,正方向中等偏差,正方向大的偏差。
确定输入输出隶属度函数:隶属函数选择三角隶属函数,具体隶属规则如附图3。
确定模糊推理规则:由于目前在情感智能算法的研究资料中,对权值学习率的调节文献较少,为了确定权值学习率的具体模糊调节规则,本发明分别对杏仁体的权值学习率α和眶额皮质的权值学习率β取不同数值,按附图2结构在Simulink中搭建基于情感智能的DVR简化系统模型,并进行系统阶跃响应实验。
其中学习率取以下6种情况:情况1:α=0.1,β=0.08;情况2:α=0.09,β=0.08;情况3:α=0.06,β=0.06;情况4:α=0.06,β=0.04;情况5:α=0.05,β=0.04;情况6:α=0.03,β=0.02;
其中情感智能控制器中的权重参数采用Matlab/Simulink中的SignalConstraint模块进行优化。经优化后,感官输入的权重值s1、s2分别取为5.121、20.056;奖励信号的可调权值r1、r2、r3分别取为0.021、0.013、0.033。
经过阶跃响应验证,得到结果曲线如附图4。由图4可知,当权值学习率α和β过大时,系统的超调较大,且系统响应速度较慢;当权值学习率α和β过小时,系统响应速度较慢;当权值学习率α不变,β减小时,系统的超调量变小;当权值学习率α减小,β不变时,系统的响应速度变慢。基于以上分析可知,权值学习率取值情况不同,其系统的响应效果不一样,且权值学习率α对系统的响应速度影响较大,权值学习率β对系统的超调量影响较大。
根据附图4分析可制定具体模糊推理规则,如附表1、表2。由此便完成了模糊控制器的设计。
表1Δα的模糊控制规则表
表2Δβ的模糊控制规则表
本发明通过对情感智能控制策略中权值学习率的实时优化,使电网电压发生暂降时,DVR系统的输出电压补偿效果更好。为了验证所提创新策略的正确性,利用Matlab/Simulink搭建一个基于模糊情感智能控制的DVR系统仿真模型,仿真由三相可编程电压源、负载和DVR三大部分组成,其中DVR又分为主电路部分、检测部分和控制部分。主电路部分进行DVR拓扑结构的搭建,检测部分对所需的电压电流值进行检测,并将其传给控制部分,控制部分根据所测的参数,通过搭建好的模糊情感智能控制器,来输出相应的PWM波形控制DVR逆变单元中开关管的通断,从而输出对应的补偿电压,保持负载侧电压的稳定。
具体地,本实施例在Matlab/Simulink中搭建仿真模型,对以下三种情况进行验证:
1)模糊情感智能控制优越性验证
为了验证本发明所提基于模糊情感智能控制DVR系统的优越性,设定在0.1s到0.2s间电网电压发生了50%的电压暂降,即在0.1s时刻,电压由220V跌落到110V,经过0.1s后电压恢复到220V,此时基于模糊BEL和无模糊BEL的DVR补偿后负载电压波形见附图5。
由图5可知,当电网电压在0.1s到0.2s间发生暂降时,基于模糊BEL的DVR系统与无模糊BEL的DVR系统都能对跌落电压进行补偿,但是无模糊BEL相比于模糊BEL,其DVR补偿有3-4ms的滞后,由此可知通过模糊控制改进的情感智能DVR系统,其补偿性能是更优的。
2)负载适应性验证
由于实际电网中的电压暂降对敏感负荷影响较大,本发明对不同类型的敏感负荷进行仿真验证。仍设定在0.1s到0.2s间电网电压发生了50%的电压暂降,附图6和附图7分别为模糊情感智能控制时阻感性负载和阻容性负载的仿真情况。
从图6和图7仿真结果可以看出,当电网电压发生暂降时,基于模糊情感控制的DVR都能在较快的时间内对电网电压进行补偿,且补偿效果比较理想,由此可验证本发明所提模糊情感智能控制具有较好的负载适应性。
3)三相不平衡跌落验证
上述仿真结果都是在三相电压平衡跌落的情况下验证的,为了更好的验证本发明所提基于模糊情感智能控制的DVR系统的可行性,设定在0.1s到0.2s间电网电压发生了三相不平衡电压跌落,其中A相电网电压发生了30%的电压暂降,B相电压发生了50%的电压暂降,C相电压发生了100%的电压暂降,附图8为三相不平衡跌落仿真结果。
从图8的仿真结果可以看出,模糊情感智能控制DVR在三相电压不平衡跌落程度较大的情况下,仍能较好的输出补偿电压,使负载侧电压保持稳定。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的工作人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.基于模糊情感智能控制的动态电压恢复器优化补偿方法,其特征在于,在电网侧电压发生跌落时,动态电压恢复器投入电网,采用构建的情感智能控制器,根据检测的实际电网电压与实际补偿电压输出指令补偿电压,随后将输出的指令补偿电压通过PWM模块转化成PWM波,驱动逆变单元输出相应电压。
2.根据权利要求1所述的基于模糊情感智能控制的动态电压恢复器优化补偿方法,其特征在于,所述情感智能控制器的构建内容包括:
假设感官输入信号SIi为系统误差及其误差的积分形式,则有:
SIi=[SI1 SI2]=[s1·e s2·∫edt]
式中,s1、s2为感官输入权重值;
则杏仁体输出为:
A=v1·s1·e+v2·s2·∫edt+v3·max(s1·e s2·∫edt)
式中,v1、v2、v3分别为杏仁体的可调权值;
眶额皮质输出为:
O=w1·s1·e+w2·s2·∫edt
式中,w1、w1为眶额皮质的可调权值;
最终输出为:
E=A-O=(v1-w1)·s1·e+(v2-w2)·s2·∫edt+v3·max(s1·e s2·∫edt)
通过对权值vi和wi的更新调整,模型能实现对情感的更好学习,具体表达式为:
Δvi=α·SIi·max(0,REW-A)i=1,2
Δv3=α·SImax·max(0,REW-A)
Δwi=β·SIi·(E-vn+1SImax-REW)i=1,2
REW=r1s1e+r2s2∫edt+r3E
式中,Δvi和Δvn+1为杏仁体的权值变化值,α为杏仁体的权值学习率,Δwi为眶额皮质的权值变化值,β为眶额皮质的权值学习率,r1、r2、r3为奖励信号的可调权值;将上述等式进行仿真模块搭建,完成情感智能控制器的构建。
3.根据权利要求1所述的基于模糊情感智能控制的动态电压恢复器优化补偿方法,其特征在于,所述情感智能控制器的权值学习率通过构建模糊控制器进行在线调节。
4.根据权利要求3所述的基于模糊情感智能控制的动态电压恢复器优化补偿方法,其特征在于,所述模糊控制器的构建内容包括:
1)进行多次采用情感智能控制器的DVR系统仿真实验,确定输入、输出变量论域;
2)确定输入、输出变量模糊子集语言变量;
3)确定输入输出隶属度函数;
4)确定模糊推理规则。
5.根据权利要求4所述的基于模糊情感智能控制的动态电压恢复器优化补偿方法,其特征在于,所述输入变量的论域为期望补偿电压与实际补偿电压的偏差e和偏差变化率ec的论域。
6.根据权利要求4所述的基于模糊情感智能控制的动态电压恢复器优化补偿方法,其特征在于,所述输入变量的论域的确定的具体内容为:
通过进行多次基于情感智能算法的DVR系统仿真实验,找出其中最大的偏差及偏差变化率值,输出变量分别为杏仁体的权值学习率变化量Δα与眼眶皮质的权值学习率变化量Δβ。
7.根据权利要求4所述的基于模糊情感智能控制的动态电压恢复器优化补偿方法,其特征在于,步骤2)中,分别定义偏差e,偏差变化率ec,杏仁体权值学习率变化量Δα和眼眶皮质权值学习率变化量Δβ的模糊子集,将各语言变量选择为{NB,NM,NS,ZO,PS,PM,PB}。
8.根据权利要求4所述的基于模糊情感智能控制的动态电压恢复器优化补偿方法,其特征在于,步骤3)中,确定的输入输出隶属度函数为三角隶属函数。
9.根据权利要求4所述的基于模糊情感智能控制的动态电压恢复器优化补偿方法,其特征在于,步骤4)中,确定模糊推理规则的具体内容为:按情感智能控制器的控制结构搭建基于情感智能的DVR简化系统模型,进行系统阶跃响应实验,获取阶跃响应曲线,根据阶跃响应曲线指定模糊推理规则。
10.根据权利要求9所述的基于模糊情感智能控制的动态电压恢复器优化补偿方法,其特征在于,步骤4)中,确定模糊推理规则的具体内容为:对杏仁体的权值学习率α和眶额皮质的权值学习率β取不同数值,按情感智能控制器的控制结构搭建基于情感智能的DVR简化系统模型,并进行系统阶跃响应实验,获取阶跃响应曲线,根据阶跃响应曲线指定模糊推理规则。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011589266.6A CN112636359A (zh) | 2020-12-28 | 2020-12-28 | 基于模糊情感智能控制的动态电压恢复器优化补偿方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011589266.6A CN112636359A (zh) | 2020-12-28 | 2020-12-28 | 基于模糊情感智能控制的动态电压恢复器优化补偿方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112636359A true CN112636359A (zh) | 2021-04-09 |
Family
ID=75286234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011589266.6A Pending CN112636359A (zh) | 2020-12-28 | 2020-12-28 | 基于模糊情感智能控制的动态电压恢复器优化补偿方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112636359A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113708692A (zh) * | 2021-09-03 | 2021-11-26 | 河北工业大学 | 基于经验信息的大脑情绪控制器的永磁同步电机控制方法 |
CN113964843A (zh) * | 2021-11-26 | 2022-01-21 | 国网江苏省电力有限公司扬州市江都区供电分公司 | 基于神经网络的动态电压补偿控制方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109510211A (zh) * | 2018-12-05 | 2019-03-22 | 广西大学 | 一种动态电压恢复装置 |
-
2020
- 2020-12-28 CN CN202011589266.6A patent/CN112636359A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109510211A (zh) * | 2018-12-05 | 2019-03-22 | 广西大学 | 一种动态电压恢复装置 |
Non-Patent Citations (2)
Title |
---|
宋玉宝: "基于大脑情感学习的气动系统压力控制研究", CNKI, pages 37 - 50 * |
龙军: "带Z源网络的动态电压恢复装置研制", 电机与控制学报, pages 1 - 11 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113708692A (zh) * | 2021-09-03 | 2021-11-26 | 河北工业大学 | 基于经验信息的大脑情绪控制器的永磁同步电机控制方法 |
CN113708692B (zh) * | 2021-09-03 | 2024-01-12 | 河北工业大学 | 基于经验信息的大脑情绪控制器的永磁同步电机控制方法 |
CN113964843A (zh) * | 2021-11-26 | 2022-01-21 | 国网江苏省电力有限公司扬州市江都区供电分公司 | 基于神经网络的动态电压补偿控制方法 |
CN113964843B (zh) * | 2021-11-26 | 2023-11-10 | 国网江苏省电力有限公司扬州市江都区供电分公司 | 基于神经网络的动态电压补偿控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fei et al. | Dynamic terminal sliding-mode control for single-phase active power filter using new feedback recurrent neural network | |
Kraft et al. | A comparison between CMAC neural network control and two traditional adaptive control systems | |
Hou et al. | A self-organizing global sliding mode control and its application to active power filter | |
CN100530889C (zh) | 统一电能质量调节控制方法及装置 | |
CN109100937B (zh) | 基于双隐层回归神经网络的有源电力滤波器全局滑模控制方法 | |
CN112636359A (zh) | 基于模糊情感智能控制的动态电压恢复器优化补偿方法 | |
CN108923430B (zh) | 有源电力滤波器神经网络终端滑模控制方法及计算设备 | |
CN108736519B (zh) | 一种光伏电站的虚拟同步发电机自适应控制方法及装置 | |
CN106169754A (zh) | 有源电力滤波器神经网络动态pid全局滑模控制方法 | |
CN108828961B (zh) | 基于元认知模糊神经网络的有源电力滤波器滑模控制方法 | |
CN114709807A (zh) | 一种基于储能变换器的直流微网灵活虚拟惯性控制方法 | |
Li et al. | Stability-oriented design of model predictive control for DC/DC boost converter | |
CN102820653B (zh) | 一种电能质量综合控制器模糊-神经网络双闭环控制方法 | |
CN111695221B (zh) | 确保直流母线电压稳定运行的鲁棒控制器设计方法 | |
Malla et al. | Supplementary control for virtual synchronous machine based on adaptive dynamic programming | |
Tasiu et al. | Robust fuzzy stabilization control for the traction converters in high-speed train | |
CN110350546B (zh) | 一种单相有源电力滤波器控制方法 | |
CN101505109A (zh) | 瞬时电压电流双环数字控制的逆变电源 | |
Shaocheng et al. | Fuzzy indirect adaptive control for a class of decentralized nonlinear systems | |
Siddique et al. | Performance of Fuzzy Logic Based Controller for UPFC on Power Quality Issues in Transmission Network | |
Sira-Ramírez et al. | Robust observer-controller design for linear systems | |
Deepika et al. | Exponential state observer based finite time control of fully active hybrid energy storage system | |
Yeganeh et al. | Weighting Factor Design for FS-MPC in VSCs: A Brain Emotional Learning-Based Approach | |
Chen et al. | The application of intelligent integral realized by fuzzy logic for hydroturbine governing system | |
Pounraj et al. | Dynamic performance investigation of DQ model based UPFC with various controlling techniques |
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 |