基于智能控制的諧波電流跟蹤方法
【技術領域】
[0001] 本發明涉及電力電子設備中諧波電流的跟蹤，具體涉及一種基于智能控制的諧波 電流跟蹤方法。
【背景技術】
[0002] 跟蹤諧波電流是有源電力濾波器的關鍵環節，跟蹤的速度與精度直接影響濾波效 果。目前已有的跟蹤算法，參數固定，系統工況變化的情況下，很難達到理想的跟蹤效果。
[0003] 因此需要一種快速、準確的跟蹤諧波電流的變化方法。
【發明內容】
[0004] 本發明的目的是提供一種基于智能控制的諧波電流跟蹤方法，能夠在線學習，優 化開關狀態，快速、準確的跟蹤諧波電流的變化。
[0005] 本發明提供了如下的技術方案：
[0006] -種基于智能控制的諧波電流跟蹤方法，包括如下步驟：
[0007] S1、先用遺傳算法對主電路的電力半導體器件的開關狀態進行優化；
[0008] S2、用優化好的開關狀態訓練神經網絡控制器，得到神經網絡控制器的系數。
[0009] 本發明中選用離線優化。
[0010] 下面是遺傳算法的具體步驟：
[0011] 首先確定優化的目標，如果有源電力濾波器的補償電流能夠無限制的接近諧 波電流，那么有源電力濾波器就能夠達到理想的補償效果。因此，目標函數可以確定為 1? ρ=Σ[4(?) -其中，iha)、ut)分別代表第k個采樣值的諧波指令電流和有源 k=i. ， 電力濾波器的補償電流；
[0012] 其次，根據目標函數值確定每個個體的適應度值，然后按照遺傳算法里的選擇算 子進行運算，得到每個個體被選中的概率值；選出概率較大的個體進行兩兩分組，當分組個 體的概率大于交叉概率時，完成交叉運算，得到新的個體，然后分配其適應度值；
[0013] 最后，遺傳算法按照上述步驟循環運算，當目標值小于設定值或是迭代次數大于 某一值時，運算終止。
[0014] 本發明中，選用四層前饋神經網絡，輸入層神經元數為3,輸出層神經元數也為3， 隱含層的神經元數分別為m和η。
[0015] 本發明的有益效果是：在負載工況比較復雜的情況下，能夠快速的跟蹤諧波電流 的方法，從而使得有源電力濾波器能夠達到很好地濾波效果。
【附圖說明】
[0016] 附圖用來提供對本發明的進一步理解，并且構成說明書的一部分，與本發明的實 施例一起用于解釋本發明，并不構成對本發明的限制。在附圖中：
[0017] 圖1是本發明前饋網絡的結構圖。
【具體實施方式】
[0018] 本發明公開一種基于智能控制的諧波電流跟蹤方法，包括如下步驟：
[0019]S1、先用遺傳算法對主電路的電力半導體器件的開關狀態進行優化；
[0020] S2、用優化好的開關狀態訓練神經網絡控制器，得到神經網絡控制器的系數。
[0021] 本發明中選用離線優化。
[0022] 下面是遺傳算法的具體步驟：
[0023] 首先確定優化的目標，如果有源電力濾波器的補償電流能夠無限制的接近諧 波電流，那么有源電力濾波器就能夠達到理想的補償效果。因此，目標函數可以確定為
其中，ih(t)、Ut)分別代表第k個采樣值的諧波指令電流和有源 電力濾波器的補償電流；
[0024] 其次，根據目標函數值確定每個個體的適應度值，然后按照遺傳算法里的選擇算 子進行運算，得到每個個體被選中的概率值；選出概率較大的個體進行兩兩分組，當分組個 體的概率大于交叉概率時，完成交叉運算，得到新的個體，然后分配其適應度值；
[0025] 最后，遺傳算法按照上述步驟循環運算，當目標值小于設定值或是迭代次數大于 某一值時，運算終止。
[0026] 如圖1為本發明一個較佳的實施例，采用四層前饋網絡。其輸入層神經元數為3， 輸出的神經元數也為3,隱含層的神經元數分別為m和η。輸入矢量為Χ=X2Χ3]τ，輸 出矢量為Τ= [?\Τ2Τ3]τ。其中Xi代表的是第i(i= 1，2, 3)相的電流差值，Τ表的是 第i(i= 1，2,3)相的PWM波形。隱含層的閾值矢量分別為Blh= [BlhlBlh2…Blhj3PB2h =[B2hlB2h2…B2hn]，輸出層的閾值函數為13。= [Βμ13。2 13。3]。輸入層至弟個隱含層、弟 一個隱含層至第二個隱含層以及第二個隱含層到輸出層的權值矩陣分別為：
[0027]
[0028]
[0029] L^31 ···~"」
[0030] 第一隱含層輸出的信號為
[0031]C1=fd^+Bih) (4)
[0032]第二隱含層輸出的信號為
[0033] C2=fd^Q+Bj(5)
[0034] 式⑷和式（5)中f為隱含層的激勵函數，在本發明中該函數為雙曲正切S型函 數，即/'(.Ο= 1C ，入e[-1，1]。CjPC2分別為m維和η維列向量。 . 1 +e
[0035] 輸出層的輸出信號為
[0036] T=g(W0*C2+B0) (6)
[0037] 式（6)中，g為輸出層的激勵函數，在本發明中該函數為線性函數，S卩g(x) =kx， k> 0〇
[0038] 以上所述僅為本發明的優選實施例而已，并不用于限制本發明，盡管參照前述實 施例對本發明進行了詳細的說明，對于本領域的技術人員來說，其依然可以對前述各實施 例所記載的技術方案進行修改，或者對其中部分技術特征進行等同替換。凡在本發明的精 神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發明的保護范圍之內。
【主權項】
1. 一種基于智能控制的諧波電流跟蹤方法，其特征在于，包括如下步驟： 51、 先用遺傳算法對主電路的電力半導體器件的開關狀態進行優化； 52、 用優化好的開關狀態訓練神經網絡控制器，得到神經網絡控制器的系數，通過公式 計算，從而實現諧波電流跟蹤。2. 根據權利要求1所述的基于智能控制的諧波電流跟蹤方法，其特征在于，S1中對主 電路的電力半導體器件的開關狀態所進行的優化為離線優化。3. 根據權利要求1所述的基于智能控制的諧波電流跟蹤方法，其特征在于，在S1中所 述遺傳算法的的具體步驟為： 首先確定優化的目標，如果有源電力濾波器的補償電流能夠無限制的接近諧波 電流，那么有源電力濾波器就能夠達到理想的補償效果。因此，目標函數可以確定為其中，ih(t)、Ut)分別代表第k個采樣值的諧波指令電流和有源 電力濾波器的補償電流； 其次，根據目標函數值確定每個個體的適應度值，然后按照遺傳算法里的選擇算子進 行運算，得到每個個體被選中的概率值；選出概率較大的個體進行兩兩分組，當分組個體的 概率大于交叉概率時，完成交叉運算，得到新的個體，然后分配其適應度值； 最后，遺傳算法按照上述步驟循環運算，當目標值小于設定值或是迭代次數大于某一 值時，運算終止。4. 根據權利要求1所述的基于智能控制的諧波電流跟蹤方法，其特征在于，在S2中選 用P層前饋神經網絡，輸入層神經元數為q，輸出層神經元數也為q，隱含層的神經元數分別 為m和n〇 輸入矢量為X= [Χ:X2Χ3]τ，輸出矢量為T= [?\Τ2Τ3]τ。其中Xi代表的是第i(i= 1，2, 3)相的電流差值，?\代表的是第i(i= 1，2, 3)相的PWM波形。隱含層的閾值矢量分 別為Blh= [BlhlBlh2 …Blhj3PB2h= [B2hlB2h2 …B2hn]T，輸出層的閾值函數為B。： [B^ Bd 。輸入層至第一個隱含層、第一個隱含層至第二個隱含層以及第二個隱含層到輸出 層的權值矩陣分別為：C1=f(ffΛ+Β1Η) (4) 第二隱含層輸出的信號為C2=K+BJ(5) 式（4)和式（5)中f為隱含層的激勵函數，在本發明中該函數為雙曲正切S型函數，即，λe[-1,1]。CjPC2分別為m維和η維列向量。 輸出層的輸出信號為T=g(ff0*C2+B0) (6) 式（6)中，g為輸出層的激勵函數，在本發明中該函數為線性函數，S卩g(x) =kx，k> 0〇5.根據權利要求4所述的基于智能控制的諧波電流跟蹤方法，其特征在于，在S2中選 用四層前饋神經網絡，輸入層神經元數為3,輸出層神經元數也為3,隱含層的神經元數分 別為m和η。
【專利摘要】本發明提供一種基于智能控制的諧波電流跟蹤方法，包括如下步驟：S1、先用遺傳算法對主電路的電力半導體器件的開關狀態進行優化；S2、用優化好的開關狀態訓練神經網絡控制器，得到神經網絡控制器的系數，通過公式計算，從而實現諧波電流跟蹤。本發明在負載工況比較復雜的情況下，能夠快速的跟蹤諧波電流的方法，從而使得有源電力濾波器能夠達到很好地濾波效果。
【IPC分類】H02J3/01
【公開號】CN105305446
【申請號】CN201510697840
【發明人】劉定坤, 張明, 仇志凌, 葛文海
【申請人】南京亞派科技股份有限公司
【公開日】2016年2月3日
【申請日】2015年10月22日