CN1292525C - 可控串联电容补偿装置的神经网络逆控制器及构造方法 - Google Patents

Abstract

可控串联电容补偿装置的神经网络逆控制器及构造方法是一种可控串联电容补偿装置的神经网络逆控制器及构造方法，适用于电力系统可控串联电容补偿装置的高性能控制，该逆控制器的结构为：神经网络逆控制器(7)的两个输入之差为闭环控制器(6)的输入，闭环控制器(6)的输出端接静态神经网络(41)的第一输入端(I1)以及积分器(43)的输入端，积分器(43)的输出端接静态神经网络(41)的第二输入端(I2)，第一微分器(421)、第二微分器(422)和第三微分器(423)的输出端分别接静态神经网络(41)的输入端，TCSC系统(3)的输入端接静态神经网络(41)的输出端，TCSC系统的输出端V₁、V₂、I接静态神经网络以及第一、二、三微分器的输入端。

Description

可控串联电容补偿装置的神经网络逆控制器及构造方法

一、技术领域

本发明是一种可控串联电容补偿装置的神经网络逆控制器及构造方法，适用于电力系统可控串联电容补偿装置的高性能控制，属于电力系统控制的技术领域。

二、背景技术

由于可控串联电容补偿装置(简称TCSC)可以快速、连续、平滑地改变电力系统中输电线路的阻抗，较传统的固定电容补偿装置具有明显的优越性，可以较大地提高输电线路的功率传输能力和电力系统的稳定水平，所以在电力系统中具有广泛的应用前景，已经逐步应用于实际电力系统。

目前已投入运行的TCSC大都使用基于传统的线性控制方法设计的线性控制器，如比例积分微分(PID)控制器、超前滞后控制器等。在使用线性控制方法设计线性控制器时，需要将非线性的TCSC模型及电力系统模型近似线性化。当电力系统运行范围较大时(实际运行往往如此)，近似线性化条件就不再满足，所以线性控制器很难在较大的运行范围内都取得满意的控制效果。目前研究的一些基于非线性控制方法设计的非线性控制器大都强依赖于TCSC本身及外部电力系统的精确数学模型，而TCSC和外部电力系统的精确数学模型却是很难获得的。所以现有的非线性控制器设计方法大都只能研究TCSC的简单模型，这样就进一步降低了其适用性。正是由于以上原因，使得到目前为止TCSC的各种非线性控制器设计方法还很难应用于实际的电力系统工程。

为了真正实现TCSC的高性能控制，需采用一些新的控制技术设计。

三、技术内容

1、技术问题

本发明的目的是提供一种适合于任意的电力系统结构，并能在电力系统较大的运行范围内都取得满意的控制效果的可控串联电容补偿装置的神经网络逆控制器及构造方法。

2、技术方案

本发明的可控串联电容补偿装置的神经网络逆控制器，其特征在于该神经网络逆控制器的结构为：神经网络逆控制器的输入为被控量的给定与TCSC系统的输出量，两者之差为闭环控制器的输入，闭环控制器的输出端接神经网络逆的第一个输入端，神经网络逆的第一个输入端接静态神经网络的第一个输入端以及积分器的输入端，积分器的输出端接静态神经网络的第二个输入端，第一微分器、第二微分器和第三微分器的输出端分别接静态神经网络的静态神经网络第四输入端、静态神经网络第六输入端和静态神经网络第八输入端，TCSC系统的输入端接神经网络逆控制器的输出端，同时也是静态神经网络的输出端，TCSC系统的输出端接神经网络逆的第二、第三和第四个输入端，神经网络逆的这三个输入端接静态神经网络的静态神经网络第三输入端、静态神经网络第五输入端和静态神经网络第七输入端以及第一微分器、第二微分器和第三微分器的输入端。

本发明的可控串联电容补偿装置的神经网络逆控制器的构造方法为：首先由可控串联电容补偿装置与外部电力系统相连而构成被控TCSC系统；接着采用静态神经网络外接微分器和积分器来构成TCSC系统的神经网络逆，并通过调整静态神经网络的权系数使神经网络逆实现TCSC系统的逆系统功能；然后将神经网络逆串接在TCSC系统之前，神经网络逆与TCSC系统复合成一个一阶积分型伪线性系统；在此基础上，采用线性系统的综合方法对一阶积分型伪线性系统设计闭环控制器；最后将神经网络逆与闭环控制器相串联共同构成神经网络逆控制器，将神经网络逆控制器串接在TCSC系统前，对TCSC系统进行控制。

神经网络逆的构造为用具有8个输入节点、1个输出节点的静态神经网络加3个微分器和1个积分器构成具有4个输入节点、1个输出节点的神经网络逆，其中：静态神经网络的第一个输入端为神经网络逆的第一个输入端；静态神经网络的第二个输入端为神经网络逆的第一个输入经由积分器获得；静态神经网络的第三个输入端为神经网络逆的第二个输入端；静态神经网络的第四个输入端为神经网络逆的第二个输入经由第一微分器获得；静态神经网络的第五个输入端为神经网络逆的第三个输入端；静态神经网络的第六个输入端为神经网络逆的第三个输入经由第二微分器获得；静态神经网络的第七个输入端为神经网络逆的第四个输入端；静态神经网络的第八个输入端为神经网络逆的第四个输入端经由第三微分器获得；静态神经网络与3个微分器和1个积分器一道组成神经网络逆，静态神经网络的输出就是神经网络逆的输出。

神经网络逆控制器的实现方法为采用数字信号处理器即DSP控制器，通过编制DSP程序实现。以获得优良的控制性能指标。

3、技术效果

本发明的原理是通过构造神经网络逆，将TCSC系统这一非线性系统的控制问题转化为简单的一阶积分型伪线性系统的控制问题，相应地就可以方便地设计线性闭环控制器。本发明采用静态神经网络加微分器和积分器来实现TCSC系统的逆系统功能，这样所提出的控制器设计方法就不依赖于TCSC及外部电力系统的精确数学模型，只需要反馈TCSC的本地可测量信号，从而能够大大提高TCSC控制器对参数变化和外界扰动的鲁棒性，同时适合于任意的电力系统结构，符合实际的工程应用要求，具有很强的应用价值。

本发明的优点在于：

a.采用神经网络逆来实现对TCSC系统的控制，完全摆脱了已有的解析式控制器设计方法对于数学模型的强依赖性以及只能研究TCSC简单模型的局限性，有效地减少了电力系统参数变化与外部扰动对TCSC控制效果的影响，显著地提高了TCSC的控制性能。

b.通过构造TCSC系统的神经网络逆，将TCSC系统这一非线性系统的控制问题转化为一个一阶积分型伪线性系统的控制问题，并进一步合理设计线性闭环控制器，克服了传统的线性控制器有效工作范围较小的局限性，可在电力系统较大的运行范围内取得满意的控制效果。

c.所设计的TCSC系统的神经网络逆控制器仅采用TCSC的本地可直接测量信号，符合实际电力系统的工程应用要求，易于工程实现。

本发明可用于构造新型TCSC控制器对TCSC进行高性能控制，提高电力系统的稳定水平。

四、附图说明

图1是TCSC1与外部电力系统2关系示意图。

图2是TCSC系统3的输入、反馈量及被控量示意图，其中有TCSC1、外部电力系统2。

图3是TCSC系统3框图。

图4是神经网络逆4与TCSC系统3复合构成的一阶积分型伪线性系统5的示意图及其等效图。其中有静态神经网络41、第一微分器421、第二微分器422、第三微分器423、积分器43、神经网络逆4的输出端O1、静态神经网络41的八个输入端“I1～I8”。

图5是加到TCSC系统3输入端用于获取静态神经网络41训练数据的输入信号。

图6是针对一阶积分型伪线性系统5设计的闭环控制器6的示意图。

图7是神经网络逆控制器7示意图，其中有闭环控制器6、静态神经网络41、第一微分器421、第二微分器422、第三微分器423、积分器43、TCSC系统3、神经网络逆4的输出端O1、静态神经网络41的八个输入端“I1～I8”。

图8是采用DSP控制器8作为神经网络逆控制器7的本发明装置组成示意图。其中有功率传感器9、电压传感器10、电流传感器11、可控硅触发和保护单元12、TCSC系统3。

图9是采用DSP控制器8作为神经网络逆控制器7实现本发明的系统软件框图。

五、具体实施方案

本发明的实施方案是：首先选择TCSC的反馈量及被控量从而构成被控的TCSC系统；接着采用8个输入节点、1个输出节点的静态神经网络(静态神经网络为多层网络MLN)加3个微分器、1个积分器来构造TCSC系统的神经网络逆，并通过调整静态神经网络的各个权系数使神经网络逆实现TCSC系统的逆系统功能；然后将神经网络逆串接在TCSC系统之前，神经网络逆与TCSC系统复合成一个一阶积分型伪线性系统(s^-1)，从而将一个非线性系统的控制问题转化为一个一阶积分型伪线性系统的控制问题。对于复合成的一阶积分型伪线性系统(s^-1)，采用一种线性系统综合方法，如PID或极点配置等，设计闭环控制器。最终形成由神经网络逆、闭环控制器两个部分组成的神经网络逆控制器，来对TCSC系统进行有效控制。根据不同的要求，神经网络逆控制器可选择不同的硬件和软件来实现。

该逆控制器的结构为：神经网络逆控制器7的输入为被控量的给定P^*与TCSC系统3的输出量P，两者之差为闭环控制器6的输入，闭环控制器6的输出端接神经网络逆4的第一个输入端，神经网络逆4的第一个输入端接静态神经网络41的第一个输入端I1以及积分器43的输入端，积分器43的输出端接静态神经网络41的第二输入端I2，第一微分器421、第二微分器422和第三微分器423的输出端分别接静态神经网络41的第四、第六和第八个输入端“I4、I6、I8”，TCSC系统3的输入端接神经网络逆控制器7的输出端，同时也是静态神经网络41的输出端，TCSC系统3的输出端V₁、V₂、I接神经网络逆4的第二、第三和第四个输入端，神经网络逆4的这三个输入端接静态神经网络41的第三、第五和第七个输入端“I3、I5、I7”以及第一微分器421、第二个微分器422和第三个微分器423的输入端。

可控串联电容补偿装置的神经网络逆控制器的构造方法为：首先由可控串联电容补偿装置1与外部电力系统2相连而构成被控TCSC系统3；接着采用静态神经网络41加第一微分器421、第二个微分器422和第三个微分器423和积分器43来构成TCSC系统3的神经网络逆4，并通过调整静态神经网络41的权系数使神经网络逆4实现TCSC系统3的逆系统功能；然后将神经网络逆4串接在TCSC系统3之前，神经网络逆4与TCSC系统3复合成一个一阶积分型伪线性系统5；在此基础上，采用线性系统的综合方法对一阶积分型伪线性系统5设计闭环控制器6；最后将神经网络逆4与闭环控制器6相串联共同构成神经网络逆控制器7，将神经网络逆控制器7串接在TCSC系统3前，对TCSC系统3进行控制。

神经网络逆4的构造方法为用具有8个输入节点、1个输出节点的静态神经网络41加3个微分器421、422、423和1个积分器43构成具有4个输入节点、1个输出节点的神经网络逆4，其中：静态神经网络41的第一个输入端I1为神经网络逆4的第一个输入端；静态神经网络41的第二个输入端I2为神经网络逆4的第一个输入经由积分器43获得；静态神经网络41的第三个输入端I3为神经网络逆4的第二个输入端；静态神经网络41的第四个输入端I4为神经网络逆4的第二个输入经由第一微分器421获得；静态神经网络41的第五个输入端I5为神经网络逆4的第三个输入端；静态神经网络的第六个输入端I6为神经网络逆4的第三个输入经由第二微分器422获得；静态神经网络41的第七个输入端I7为神经网络逆4的第四个输入端；静态神经网络41的第八个输入端I8为神经网络逆4的第四个输入端经由第三微分器423获得；静态神经网络41与3个微分器421、422、423和1个积分器43一道组成神经网络逆4，静态神经网络41的输出就是神经网络逆4的输出O1。神经网络逆控制器7的实现方法为采用数字信号处理器即DSP控制器8，通过编制DSP程序实现。

具体的实施分以下7步。

1确定TCSC的反馈量及被控量从而构成被控的TCSC系统。TCSC通过其两端的输电线路与外部电力系统相连接(如图1所示)，TCSC的输入为其控制信号u，TCSC本地可直接测量的变量有TCSC两侧的电压V₁、V₂，TCSC上流过的电流I，以及TCSC上传输的有功功率P(如图2所示)。确定有功功率P作为被控量，构成以控制信号u为输入，有功功率P为输出，电压V₁、V₂、电流I为反馈量的TCSC系统(其框图如图3所示)。

2通过分析、推导，为神经网络逆的构造与学习训练提供方法上的根据。首先建立考虑TCSC完整动态过程的TCSC系统的数学模型，经推导可证明其逆系统存在，并可确定其逆系统的八个输入分别为有功功率P的一阶导数 有功功率P、电压V₁、电压V₁的一阶导数

电压V₂、电压V₂的一阶导数 电流I、电流I的一阶导数

一个输出为TCSC系统的控制信号u。需要说明的是，这一步仅为以下的神经网络逆的构造与学习训练提供方法上的根据，在本发明的具体实施中，这一步，包括对TCSC系统逆系统存在的理论证明及一些相应的推导等，可跳过。

3采用静态神经网络加三个微分器和一个积分器构造神经网络逆。其中静态神经网络采用3层的MLN网络，输入层节点数为8，隐含层节点数为18，输出层节点数为1，隐含层神经元激活函数使用S型双曲正切函数 $f\left(x\right)=\frac{e^{2x}+e^{-2x}}{e^{2x}-e^{-2x}},$ 输出层的神经元采用纯线性函数f(x)＝x，x为神经元的输入，静态神经网络的权系数将在下一步的离线学习中确定。然后用具有8个输入节点、1个输出节点的静态神经网络来构成神经网络逆(如图4左图的虚线框内所示)，其中静态神经网络的第一个输入为神经网络逆的第一个输入

静态神经网络的第二个输入P为神经网络逆的第一个输入 经由积分器获得；静态神经网络的第三个输入为神经网络逆的第二个输入V₁；静态神经网络的第四个输入 为神经网络逆的第二个输入V₁经由第一微分器获得；静态神经网络的第五个输入为神经网络逆的第三个输入V₂；静态神经网络的第六个输入 为神经网络逆的第三个输入V₂经由第二微分器获得；静态神经网络的第七个输入为神经网络逆的第四个输入I；静态神经网络的第八个输入 为神经网络逆的第四个输入I经由第三微分器获得。静态神经网络与三个微分器和一个积分器一道组成神经网络逆，静态神经网络的输出就是神经网络逆的输出。

4调整静态神经网络的权系数。(a)将控制输入信号(如图5所示)加到TCSC系统(如图3所示)的输入端，以5毫秒的采样周期采集TCSC的输入u、输出P及其安装处的直接可测量信号V₁、V₂和I，并保存数据{u，P，V₁，V₂，I}。(b)对V₁、V₂、I和P离线分别求其一阶导数，并对信号做规范化处理，组成静态神经网络的训练样本集 (c)采用带动量项和变学习率的误差反传BP算法对静态神经网络进行训练，经过500次训练，静态神经网络输出均方误差小于0.0001，满足要求，从而确定了静态神经网络的各个权系数。

5组成复合伪线性系统。将已经构造的TCSC系统的神经网络逆串接在TCSC系统之前(如图4左图所示)，神经网络逆与TCSC系统复合成一个一阶积分型伪线性系统(s^-1)(如图4右图所示)，从而将一个复杂的非线性系统控制转化为一个简单的一阶积分型伪线性系统的控制。

6作出线性闭环控制器。对一阶积分型伪线性系统(s^-1)作出闭环控制器(如图6所示)。闭环控制器采用线性系统理论中的比例积分微分控制器PID、极点配置或二次型指标最优等方法来设计，在本发明给出的实施例中，闭环控制器选用了比例P控制器，其参数整定为P＝10。

7形成神经网络逆控制器。将神经网络逆与闭环控制器共同组成神经网络逆控制器(如图7中的点划线线框内所示)。可根据不同的控制要求采用不同的硬件或软件来实现。

图8给出了本发明的一种具体实施例的示意图，其中神经网络逆及闭环控制器由数字信号处理器即DSP控制器通过软件来实现，系统程序框图如图9所示。

根据以上所述，便可实现本发明。

Claims (4)

1、一种可控串联电容补偿装置的神经网络逆控制器，其特征在于该神经网络逆控制器(7)的结构为：神经网络逆控制器(7)的输入为被控量的给定(P’)与TCSC系统(3)的输出量(P)，两者之差为闭环控制器(6)的输入，闭环控制器(6)的输出端接神经网络逆(4)的第一个输入端，神经网络逆(4)的第一个输入端接静态神经网络(41)的第一个输入端(I1)以及积分器(43)的输入端，积分器(43)的输出端接静态神经网络(41)的第二个输入端(I2)，第一微分器(421)、第二微分器(422)和第三微分器(423)的输出端分别接静态神经网络(41)的静态神经网络第四输入端(I4)、静态神经网络第六输入端(I6)和静态神经网络第八输入端(I8)，TCSC系统(3)的输入端接神经网络逆控制器(7)的输出端(O1)，同时也是静态神经网络(41)的输出端，TCSC系统(3)的输出端(V₁、V₂、I)接神经网络逆(4)的第二、第三和第四个输入端，神经网络逆(4)的这三个输入端接静态神经网络(41)的静态神经网络第三输入端(I3)、静态神经网络第五输入端(I5)和静态神经网络第七输入端(I7)以及第一微分器(421)、第二微分器(422)和第三微分器(423)的输入端。

2、根据权利要求1所述的可控串联电容补偿装置的神经网络逆控制器，其特征在于神经网络逆(4)的构造为用具有8个输入节点、1个输出节点的静态神经网络(41)加3个微分器(421、422、423)和1个积分器(43)构成具有4个输入节点、1个输出节点的神经网络逆(4)，其中：静态神经网络(41)的第一个输入端(I1)为神经网络逆(4)的第一个输入端；静态神经网络(41)的第二个输入端(I2)为神经网络逆(4)的第一个输入经由积分器(43)获得；静态神经网络(41)的第三个输入端(I3)为神经网络逆(4)的第二个输入端；静态神经网络(41)的第四个输入端(I4)为神经网络逆(4)的第二个输入经由第一微分器(421)获得；静态神经网络(41)的第五个输入端(I5)为神经网络逆(4)的第三个输入端；静态神经网络的第六个输入端(I6)为神经网络逆(4)的第三个输入经由第二微分器(422)获得；静态神经网络(41)的第七个输入端(I7)为神经网络逆(4)的第四个输入端；静态神经网络(41)的第八个输入端(I8)为神经网络逆(4)的第四个输入端经由第三微分器(423)获得；静态神经网络(41)与第一微分器(421)、第二微分器(422)、第三微分器(423)和1个积分器(43)一道组成神经网络逆(4)，静态神经网络(41)的输出就是神经网络逆(4)的输出端(O1)。

3、根据权利要求1所述的可控串联电容补偿装置的神经网络逆控制器，其特征在于神经网络逆控制器(7)的实现方法为采用数字信号处理器即DSP控制器(8)，通过编制DSP程序实现。

4、一种可控串联电容补偿装置的神经网络逆控制器的构造方法，其特征在于该方法首先由可控串联电容补偿装置(1)与外部电力系统(2)相连而构成被控TCSC系统(3)；接着采用静态神经网络(41)外接微分器(421、422、423)和积分器(43)来构成TCSC系统(3)的神经网络逆(4)，并通过调整静态神经网络(41)的权系数使神经网络逆(4)实现TCSC系统(3)的逆系统功能；然后将神经网络逆(4)串接在TCSC系统(3)之前，神经网络逆(4)与TCSC系统(3)复合成一个一阶积分型伪线性系统(5)；在此基础上，采用线性系统的综合方法对一阶积分型伪线性系统(5)设计闭环控制器(6)；最后将神经网络逆(4)与闭环控制器(6)相串联共同构成神经网络逆控制器(7)，将神经网络逆控制器(7)串接在TCSC系统(3)前，对TCSC系统(3)进行控制。

Images