CN114839439A - 一种基于pid优化的大脑情感学习的谐波电流检测方法 - Google Patents

一种基于pid优化的大脑情感学习的谐波电流检测方法 Download PDF

Info

Publication number
CN114839439A
CN114839439A CN202210393710.XA CN202210393710A CN114839439A CN 114839439 A CN114839439 A CN 114839439A CN 202210393710 A CN202210393710 A CN 202210393710A CN 114839439 A CN114839439 A CN 114839439A
Authority
CN
China
Prior art keywords
model
phase
layer
pid
fuzzy
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
Application number
CN202210393710.XA
Other languages
English (en)
Inventor
韩刃
邵振华
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.)
XIAMEN MINGHAN ELECTRIC CO Ltd
Original Assignee
XIAMEN MINGHAN ELECTRIC CO Ltd
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 XIAMEN MINGHAN ELECTRIC CO Ltd filed Critical XIAMEN MINGHAN ELECTRIC CO Ltd
Priority to CN202210393710.XA priority Critical patent/CN114839439A/zh
Publication of CN114839439A publication Critical patent/CN114839439A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B11/00—Automatic controllers
    • G05B11/01—Automatic controllers electric
    • G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
    • G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
    • 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
    • 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
    • Y02E40/40—Arrangements for reducing harmonics

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供了一种基于PID优化的大脑情感学习的谐波电流检测方法，包括：S1：对电网三相回路a,b,c的电压Ua和三相电流ia,ib,ic进行采样，并构建具有五层映射关系的自组织模糊大脑情感学习神经网络模型；S2：将构建的模糊大脑情感学习神经网络模型改写成误差追踪控制系统的状态空间表达形式；S3：构建PID优化的控制算法对模型进行监督分类学习训练，并通过李雅普诺夫函数选定模型的PID优化学习率；S4：将训练数据作为模型输入，对模糊大脑神经网络模型进行训练，直至模型收敛；S5：将当前采集的电网三相回路a,b,c的三相电压Ua,Ub,Uc和三相电流ia,ib,ic作为输入数据输入模型，对电网中的谐波电流进行检测。

Description

一种基于PID优化的大脑情感学习的谐波电流检测方法
技术领域
本发明涉及电力检测技术领域，尤其涉及一种基于PID优化的大脑情感学习的谐波电流检测方法。
背景技术
电源、输配电系统、用电设备以及电力系统是电网中谐波电流产生的四大来源。电网中谐波电流会导致线损加剧、传感精度和运行稳定性下降、以及干扰与温升等情形。因此，能否准确地实时检测出电网中的谐波并对其加以监视是非常重要的。现有的傅里叶变换检测方法存在检测误差大等问题。
为此，本发明提出一种基于PID优化的大脑情感学习的谐波电流检测方法。
发明内容
有鉴于此，本发明的目的在于提出一种基于PID优化的大脑情感学习的谐波电流检测方法，以保证电网中谐波电流检测的准确性与实时性。
为解决上述问题，本发明采用如下技术方案：
一种基于PID优化的大脑情感学习的谐波电流检测方法，包括如下步骤：
S1：对电网三相回路a,b,c的电压Ua和三相电流ia,ib,ic进行采样，并构建具有五层映射关系的自组织模糊大脑情感学习神经网络模型；
S2：将构建的模糊大脑情感学习神经网络模型改写成误差追踪控制系统的状态空间表达形式；
S3：构建PID优化的控制算法对模型进行监督分类学习训练，并通过李雅普诺夫函数选定模型的PID优化学习率；
S4：将训练数据作为模型输入，对模糊大脑神经网络模型进行训练，直至模型收敛；
S5：将当前采集的电网三相回路a,b,c的三相电压Ua,Ub,Uc和三相电流ia,ib,ic作为输入数据输入模型，对电网中的谐波电流进行检测。
进一步的，S1具体包括如下步骤：
S1.1：对来自电网三相回路a,b,c的电压Ua和三相电流ia,ib,ic进行采样，采样后的数据存储为一个具有3×1的矩阵，表示为x1＝Ua,x2＝ia,x3＝ib,x4＝ic；
S1.2：构建具有五层映射关系的自组织模糊大脑情感学习神经网络模型(5层信号逐层往下输送)，具体如下：
第1层：信号传输到下一层，表达式如下：
Figure BDA0003598089290000021
第2层：采用高斯函数进行归一化，表达式如下：
Figure BDA0003598089290000022
Figure BDA0003598089290000023
其中，
Figure BDA0003598089290000024
分别表示为大脑杏仁核和眶额皮层模糊化过程中高斯函数的均值，
Figure BDA0003598089290000025
分别表示为杏仁核和眶额皮层模糊化过程中高斯函数的标准差；符号exp代表e的指数运算；p为杏仁核和眶额皮质模型网络的层数；
第3层：该层神经元代表模糊规则的预处理部分，其结果是通过“乘”计算得到的，其输出表达如下：
Figure BDA0003598089290000026
Figure BDA0003598089290000027
其中，符号Π表示累乘运算符；i表示周期采样的序列，j为第j层的模糊集；
第4层：将传输到该层的信号和函数链接网络的输出信号相乘，表示如下：
Figure BDA0003598089290000028
Figure BDA0003598089290000029
其中，函数链接网络的表达式如下：
Figure BDA0003598089290000031
Figure BDA0003598089290000032
其中，
Figure BDA0003598089290000033
和
Figure BDA0003598089290000034
分别是函数链接网络对应于杏仁核和眶额皮质模型网络的权重值，
Figure BDA0003598089290000035
是输入数据xi的增强表示,Q为函数展开后的输入维数，p为杏仁核和眶额皮质模型网络的层数；
第5层：模糊大脑神经网络模型的输出Out表示为：
Out＝a-o,
a＝yav,
o＝yoω,
其中，a和o分别代表杏仁核和眶额皮层模型的输出，v和ω分别为杏仁核和眶额皮质模型的权重；
S1.3：构建的模糊大脑情感学习神经网络模型改写为如下的表达形式：
Figure BDA0003598089290000036
其中，X＝[x1,x2,…,x6]T，x1～x6分别是电网三相回路a,b,c的采样电压Ua,Ub,Uc和采样的三相电流ia,ib,ic，y代表是模型的结果输出Out，
Figure BDA0003598089290000037
和
Figure BDA0003598089290000038
v和ω都是更新的权重值；
权重值的更新规律如下：
Figure BDA0003598089290000039
Figure BDA00035980892900000310
v(n+1)＝v(n)+Δv(n),
ω(n+1)＝ω(n)+Δω(n),
其中，
Figure BDA00035980892900000311
和
Figure BDA00035980892900000312
Δv(n)和Δω(n)是每个迭代循环的增量；
S1.4：进一步定义模型的输出与参考输出yd，使得估计误差渐进收敛于零附近的一个小区域，表达式如下：
e(n)＝yd-y(n).
其中，y(n)是函数y在采样n时刻的数值；
上述公式可进一步写成：
e(n+1)＝yd-y(n+1) (1)
其中，
Figure BDA0003598089290000041
函数y(n+1)用泰勒级数展开，表达如下：
Figure BDA0003598089290000042
其中σn是残差，ΔX(n)为采集物理量的增量；
公式(1)进一步表达为：
Figure BDA0003598089290000043
进一步的，S2中所述的误差追踪控制系统的状态空间表达形式；
e(n+1)＝e(n)-B(n)u(n)+ω(n) (2)
其中，
Figure BDA0003598089290000044
B(n)代表控制输入的系统矩阵，u(n)代表控制输入，ω(n)代表扰动；
Figure BDA0003598089290000045
进一步的，S3具体包括如下步骤：
S3.1：引入如下PID优化算法：
Figure BDA0003598089290000046
其中，Δe(n)＝e(n)-e(n-1)/n-(n-1)，KP,KI,KD是优化学习率的参数矩阵，e(n)代表在n时刻参考值与当前值的差，e(i)代表在i时刻参考值与当前值的差，Δe(n)代表在n时刻参考值差值与当前值差值的差值；
将公式(3)扩展为矩阵，定义一个列矩阵变量
Figure BDA0003598089290000047
S3.2：定义：
Figure BDA0003598089290000048
是一个增广的矩阵变量，将公式(3)PID优化算法，带入误差追踪控制系统的状态空间表达形式公式(2)后，得到如下的闭环控制系统：
Figure BDA0003598089290000051
其中，
Figure BDA0003598089290000052
S3.3：建立李雅普诺夫函数如下：
Figure BDA0003598089290000053
其中，P是正定对称的矩阵；
定义李雅普诺夫函数的增量为ΔV(n)＝V(n+1)-V(n)，即V(n+1)＝ΔV(n)+V(n)；V(n+1)可进一步表达为：
Figure BDA0003598089290000054
其中，I3是3阶的单位矩阵，γ是抗干扰性能指标；
S3.4：定义一个矩阵G，由式(4)可得：
Figure BDA0003598089290000055
将公式(6)代入(5)后，得到：
Figure BDA0003598089290000056
选定PID优化学习率参数矩阵KP,KI,KD,满足上述条件使不等式成立，以保证模型在训练过程中快速与准确收敛。
进一步的，S4中所述训练数据为历史采集的电网三相回路a,b,c的三相电压Ua,Ub,Uc、三相电流ia,ib,ic以及谐波电流的检测结果。
基于上述方案，本发明还提供一种计算机可读的存储介质，所述的存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述的至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行实现上述所述的基于PID优化的大脑情感学习的谐波电流检测方法。
有益效果：
本发明提供的基于PID优化的大脑情感学习的谐波电流检测方法通过PID优化学习率参数矩阵KP,KI,KD的合理选定保证模型在训练过程中快速与准确收敛。本发明提供的谐波电流检测方法具有较好的泛化能力和较快的学习速度，可以保证电网中谐波电流检测的准确性与实时性，适宜进一步推广应用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的简要流程示意图。
具体实施方式
下面结合附图和实施例，对本发明作进一步的详细描述。特别指出的是，以下实施例仅用于说明本发明，但不对本发明的范围进行限定。同样的，以下实施例仅为本发明的部分实施例而非全部实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示，本实施例一种基于PID优化的大脑情感学习的谐波电流检测方法，包括如下步骤：
S1：对电网三相回路a,b,c的电压Ua和三相电流ia,ib,ic进行采样，并构建具有五层映射关系的自组织模糊大脑情感学习神经网络模型；具体为：
S1.1：对来自电网三相回路a,b,c的电压Ua和三相电流ia,ib,ic进行采样，采样后的数据存储为一个具有3×1的矩阵，表示为x1＝Ua,x2＝ia,x3＝ib,x4＝ic；
S1.2：构建具有五层映射关系的自组织模糊大脑情感学习神经网络模型(5层信号逐层往下输送)，具体如下：
第1层：信号传输到下一层，表达式如下：
Figure BDA0003598089290000071
第2层：采用高斯函数进行归一化，表达式如下：
Figure BDA0003598089290000072
Figure BDA0003598089290000073
其中，
Figure BDA0003598089290000074
分别表示为大脑杏仁核和眶额皮层模糊化过程中高斯函数的均值，
Figure BDA0003598089290000075
分别表示为杏仁核和眶额皮层模糊化过程中高斯函数的标准差；符号exp代表e的指数运算；p为杏仁核和眶额皮质模型网络的层数；
第3层：该层神经元代表模糊规则的预处理部分，其结果是通过“乘”计算得到的，其输出表达如下：
Figure BDA0003598089290000076
Figure BDA0003598089290000077
其中，符号Π表示累乘运算符；i表示周期采样的序列，j为第j层的模糊集；
第4层：将传输到该层的信号和函数链接网络的输出信号相乘，表示如下：
Figure BDA0003598089290000078
Figure BDA0003598089290000079
其中，函数链接网络的表达式如下：
Figure BDA00035980892900000710
Figure BDA00035980892900000711
其中，
Figure BDA00035980892900000712
和
Figure BDA00035980892900000713
分别是函数链接网络对应于杏仁核和眶额皮质模型网络的权重值，
Figure BDA00035980892900000714
是输入数据xi的增强表示,Q为函数展开后的输入维数，p为杏仁核和眶额皮质模型网络的层数；
第5层：模糊大脑神经网络模型的输出Out表示为：
Out＝a-o,
a＝yav,
o＝yoω,
其中，a和o分别代表杏仁核和眶额皮层模型的输出，v和ω分别为杏仁核和眶额皮质模型的权重；
S1.3：基于五层模型的表达，可知
Figure BDA0003598089290000081
和
Figure BDA0003598089290000082
v和ω都是权重值，这些权重值在模型的迭代训练过程中应该要被优化更新。因此构建的模糊大脑情感学习神经网络模型可以改写为如下的表达形式：
Figure BDA0003598089290000083
其中，X＝[x1,x2,…,x6]T，x1～x6分别是电网三相回路a,b,c的采样电压Ua,Ub,Uc和采样的三相电流ia,ib,ic，y代表是模型的结果输出Out，
Figure BDA0003598089290000084
和
Figure BDA0003598089290000085
v和ω都是更新的权重值；
权重值的更新规律如下：
Figure BDA0003598089290000086
Figure BDA0003598089290000087
v(n+1)＝v(n)+Δv(n),
ω(n+1)＝ω(n)+Δω(n),
Figure BDA0003598089290000088
和
Figure BDA0003598089290000089
v(0)和ω(0)为任意初值；其中，
Figure BDA00035980892900000810
和
Figure BDA00035980892900000811
Δv(n)和Δω(n)是每个迭代循环的增量；
S1.4：进一步定义模型的输出与参考输出yd，使得估计误差渐进收敛于零附近的一个小区域，表达式如下：
e(n)＝yd-y(n).
其中，y(n)是函数y在采样n时刻的数值；
上述公式可进一步写成：
e(n+1)＝yd-y(n+1) (1)
其中，
Figure BDA00035980892900000812
函数y(n+1)可用泰勒级数展开，表达如下：
Figure BDA00035980892900000813
Figure BDA0003598089290000091
其中σn是残差，ΔX(n)为采集物理量的增量；
公式(1)进一步改写为：
Figure BDA0003598089290000092
S2：将构建的模糊大脑情感学习神经网络模型改写成误差追踪控制系统的状态空间表达形式，表达式具体如下；
e(n+1)＝e(n)-B(n)u(n)+ω(n) (2)
其中，
Figure BDA0003598089290000093
B(n)代表控制输入的系统矩阵，u(n)代表控制输入，ω(n)代表扰动；
Figure BDA0003598089290000094
S3：构建PID优化的控制算法对模型进行监督分类学习训练，并通过李雅普诺夫函数选定模型的PID优化学习率；具体如下：
S3.1：为了有效地训练模糊小脑神经网络模型，引入如下PID优化算法：
Figure BDA0003598089290000095
其中，Δe(n)＝e(n)-e(n-1)/n-(n-1)，KP,KI,KD是优化学习率的参数矩阵，e(n)代表在n时刻参考值与当前值的差，e(i)代表在i时刻参考值与当前值的差，Δe(n)代表在n时刻参考值差值与当前值差值的差值；
将公式(3)扩展为矩阵，定义一个列矩阵变量
Figure BDA0003598089290000096
S3.2：进一步定义：
Figure BDA0003598089290000097
是一个增广的矩阵变量，将公式(3)PID优化算法，带入误差追踪控制系统的状态空间表达形式公式(2)后，得到如下的闭环控制系统：
Figure BDA0003598089290000098
其中，
Figure BDA0003598089290000101
S3.3：建立李雅普诺夫函数如下：
Figure BDA0003598089290000102
其中，P是正定对称的矩阵；
定义李雅普诺夫函数的增量为ΔV(n)＝V(n+1)-V(n)，即V(n+1)＝ΔV(n)+V(n)；V(n+1)可进一步表达为：
Figure BDA0003598089290000103
其中，I3是3阶的单位矩阵，γ是抗干扰性能指标；
S3.4：定义一个矩阵G，由式(4)可得：
Figure BDA0003598089290000104
将公式(6)代入(5)后，得到：
Figure BDA0003598089290000105
选定PID优化学习率参数矩阵KP,KI,KD,使得公式(7)成立，以保证模型在训练过程中快速与准确收敛。
S4：将训练数据作为模型输入，对模糊大脑神经网络模型进行训练，直至模型收敛；其中，训练数据为历史采集的电网三相回路a,b,c的三相电压Ua,Ub,Uc、三相电流ia,ib,ic以及谐波电流的检测结果。
S5：将当前采集的电网三相回路a,b,c的三相电压Ua,Ub,Uc和三相电流ia,ib,ic作为输入数据输入模型，对电网中的谐波电流进行检测。以实现对谐波电流检测进行在线的应用。
另外，在本发明各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-On ly Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的部分实施例，并非因此限制本发明的保护范围，凡是利用本发明说明书及附图内容所作的等效装置或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (6)

1.一种基于PID优化的大脑情感学习的谐波电流检测方法，其特征在于，包括如下步骤：
S1：对电网三相回路a,b,c的电压Ua和三相电流ia,ib,ic进行采样，并构建具有五层映射关系的自组织模糊大脑情感学习神经网络模型；
S2：将构建的模糊大脑情感学习神经网络模型改写成误差追踪控制系统的状态空间表达形式；
S3：构建PID优化的控制算法对模型进行监督分类学习训练，并通过李雅普诺夫函数选定模型的PID优化学习率；
S4：将训练数据作为模型输入，对模糊大脑神经网络模型进行训练，直至模型收敛；
S5：将当前采集的电网三相回路a,b,c的三相电压Ua,Ub,Uc和三相电流ia,ib,ic作为输入数据输入模型，对电网中的谐波电流进行检测。
2.根据权利要求1所述的一种基于PID优化的大脑情感学习的谐波电流检测方法，其特征在于，S1具体包括如下步骤：
S1.1：对来自电网三相回路a,b,c的电压Ua和三相电流ia,ib,ic进行采样，采样后的数据存储为一个具有3×1的矩阵，表示为x1＝Ua,x2＝ia,x3＝ib,x4＝ic；
S1.2：构建具有五层映射关系的自组织模糊大脑情感学习神经网络模型，具体如下：
第1层：信号传输到下一层，表达式如下：
Figure FDA0003598089280000011
第2层：采用高斯函数进行归一化，表达式如下：
Figure FDA0003598089280000012
Figure FDA0003598089280000021
其中，
Figure FDA0003598089280000022
分别表示为大脑杏仁核和眶额皮层模糊化过程中高斯函数的均值，
Figure FDA0003598089280000023
分别表示为杏仁核和眶额皮层模糊化过程中高斯函数的标准差；p为杏仁核和眶额皮质模型网络的层数；
第3层：该层神经元代表模糊规则的预处理部分，其结果是通过“乘”计算得到的，其输出表达如下：
Figure FDA0003598089280000024
Figure FDA0003598089280000025
其中，i表示周期采样的序列，j为第j层的模糊集；
第4层：将传输到该层的信号和函数链接网络的输出信号相乘，表示如下：
Figure FDA0003598089280000026
Figure FDA0003598089280000027
其中，函数链接网络的表达式如下：
Figure FDA0003598089280000028
Figure FDA0003598089280000029
其中，
Figure FDA00035980892800000210
和
Figure FDA00035980892800000211
分别是函数链接网络对应于杏仁核和眶额皮质模型网络的权重值，
Figure FDA00035980892800000212
是输入数据xi的增强表示,Q为函数展开后的输入维数，p为杏仁核和眶额皮质模型网络的层数；
第5层：模糊大脑神经网络模型的输出Out表示为：
Out＝a-o,
a＝yav,
o＝yoω,
其中，a和o分别代表杏仁核和眶额皮层模型的输出，v和ω分别为杏仁核和眶额皮质模型的权重；
S1.3：构建的模糊大脑情感学习神经网络模型改写为如下的表达形式：
Figure FDA0003598089280000031
其中，X＝[x1,x2,…,x6]T，x1～x6分别是电网三相回路a,b,c的采样电压Ua,Ub,Uc和采样的三相电流ia,ib,ic，y代表是模型的结果输出Out，
Figure FDA0003598089280000032
和
Figure FDA0003598089280000033
v和ω都是更新的权重值；
权重值的更新规律如下：
Figure FDA0003598089280000034
Figure FDA0003598089280000035
v(n+1)＝v(n)+Δv(n),
ω(n+1)＝ω(n)+Δω(n),
其中，
Figure FDA0003598089280000036
和
Figure FDA0003598089280000037
Δv(n)和Δω(n)是每个迭代循环的增量；
S1.4：进一步定义模型的输出与参考输出yd，使得估计误差渐进收敛于零附近的一个小区域，表达式如下：
e(n)＝yd-y(n).
其中，y(n)是函数y在采样n时刻的数值；
上述公式可进一步写成：
e(n+1)＝yd-y(n+1) (1)
其中，
Figure FDA0003598089280000038
函数y(n+1)用泰勒级数展开，表达如下：
Figure FDA0003598089280000039
其中σn是残差,ΔX(n)为采集物理量的增量；
公式(1)进一步表达为：
Figure FDA00035980892800000310
3.根据权利要求2所述的一种基于PID优化的大脑情感学习的谐波电流检测方法，其特征在于，S2中所述的误差追踪控制系统的状态空间表达形式；
e(n+1)＝e(n)-B(n)u(n)+ω(n) (2)
其中，
Figure FDA0003598089280000041
B(n)代表控制输入的系统矩阵，u(n)代表控制输入，ω(n)代表扰动；
Figure FDA0003598089280000042
4.根据权利要求3所述的一种基于PID优化的大脑情感学习的谐波电流检测方法，其特征在于，S3具体包括如下步骤：
S3.1：引入如下PID优化算法：
Figure FDA0003598089280000043
其中，Δe(n)＝e(n)-e(n-1)/n-(n-1)，KP,KI,KD是优化学习率的参数矩阵，e(n)代表在n时刻参考值与当前值的差，e(i)代表在i时刻参考值与当前值的差，Δe(n)代表在n时刻参考值差值与当前值差值的差值；
将公式(3)扩展为矩阵，定义一个列矩阵变量
Figure FDA0003598089280000044
S3.2：定义：
Figure FDA0003598089280000045
Figure FDA0003598089280000046
是一个增广的矩阵变量，将公式(3)PID优化算法，带入误差追踪控制系统的状态空间表达形式公式(2)后，得到如下的闭环控制系统：
Figure FDA0003598089280000047
其中，
Figure FDA0003598089280000048
S3.3：建立李雅普诺夫函数如下：
Figure FDA0003598089280000049
其中，P是正定对称的矩阵；
定义李雅普诺夫函数的增量为ΔV(n)＝V(n+1)-V(n)，即V(n+1)＝ΔV(n)+V(n)；V(n+1)可进一步表达为：
Figure FDA00035980892800000410
Figure FDA0003598089280000051
其中，I3是3阶的单位矩阵，γ是抗干扰性能指标；
S3.4：定义一个矩阵G，由式(4)可得：
Figure FDA0003598089280000052
将公式(6)代入(5)后，得到：
Figure FDA0003598089280000053
选定PID优化学习率参数矩阵KP,KI,KD,满足上述条件使不等式成立，以保证模型在训练过程中快速与准确收敛。
5.根据权利要求1所述的一种基于PID优化的大脑情感学习的谐波电流检测方法，其特征在于，S4中所述训练数据为历史采集的电网三相回路a,b,c的三相电压Ua,Ub,Uc、三相电流ia,ib,ic以及谐波电流的检测结果。
6.一种计算机可读的存储介质，其特征在于：所述的存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述的至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行实现如权利要求1至5之一所述的基于PID优化的大脑情感学习的谐波电流检测方法。
CN202210393710.XA 2022-04-15 2022-04-15 一种基于pid优化的大脑情感学习的谐波电流检测方法 Pending CN114839439A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210393710.XA CN114839439A (zh) 2022-04-15 2022-04-15 一种基于pid优化的大脑情感学习的谐波电流检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210393710.XA CN114839439A (zh) 2022-04-15 2022-04-15 一种基于pid优化的大脑情感学习的谐波电流检测方法

Publications (1)

Publication Number Publication Date
CN114839439A true CN114839439A (zh) 2022-08-02

Family

ID=82566607

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210393710.XA Pending CN114839439A (zh) 2022-04-15 2022-04-15 一种基于pid优化的大脑情感学习的谐波电流检测方法

Country Status (1)

Country Link
CN (1) CN114839439A (zh)

Similar Documents

Publication Publication Date Title
Ekinci et al. An effective control design approach based on novel enhanced aquila optimizer for automatic voltage regulator
Li et al. A novel nonlinear optimization method for fitting a noisy Gaussian activation function
Liu et al. On the stability analysis of systems of neutral delay differential equations
CN113722877B (zh) 一种对锂电池放电时温度场分布变化进行在线预测的方法
CN110647042A (zh) 一种基于数据驱动的机器人鲁棒学习预测控制方法
Esparza et al. Neural networks in virtual reference tuning
Kraft et al. A summary comparison of CMAC neural network and traditional adaptive control systems
CN112381279B (zh) 一种基于vmd和bls组合模型的风电功率预测方法
Lin et al. An adaptive control method for the dissolved oxygen concentration in wastewater treatment plants
Skolik et al. Robustness of quantum reinforcement learning under hardware errors
Norrlöf Disturbance rejection using an ILC algorithm with iteration varying filters
Li et al. State observer-based fuzzy echo state network sliding mode control for uncertain strict-feedback chaotic systems without backstepping
Duddeti et al. Order reduction of LTI systems using balanced truncation and particle swarm optimization algorithm
Tang et al. A changing forgetting factor RLS for online identification of nonlinear systems based on ELM–Hammerstein model
CN113537614A (zh) 电网工程造价预测模型的构建方法、系统、设备及介质
Li et al. Multi-dimensional Taylor network adaptive predictive control for single-input single-output nonlinear systems with input time-delay
Liu et al. Fault diagnosis for TE process using RBF neural network
CN115577573B (zh) 同步发电机输出电流的预测方法、装置、设备和存储介质
CN114839439A (zh) 一种基于pid优化的大脑情感学习的谐波电流检测方法
CN116936966A (zh) 电池温度监控方法、装置及储能系统
Li et al. Solving ordinary differential equations using an optimization technique based on training improved artificial neural networks
Rauh et al. Verification and reachability analysis of fractional-order differential equations using interval analysis
Rauh et al. Quantification of Time-Domain Truncation Errors for the Reinitialization of Fractional Integrators
Ji et al. Data preprocessing method and fault diagnosis based on evaluation function of information contribution degree
Wongsa et al. Deep deterministic policy gradient for magnetic levitation control

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