電網諧波電流信號跟蹤控制方法

電網諧波電流信號跟蹤控制方法
【專利摘要】本發明提供了一種電網諧波電流信號跟蹤控制方法，針對控制延時對系統產生的影響，以注入式混合的有源電力濾波器IHAPF作為研究對象，提出了基于延時補償的諧波電流信號跟蹤控制方法。該方法主要由改進型smith預估器與神經網絡PI控制組成。其中，改進型smith預估器使系統的延時過程從控制的閉環內部轉換到外部，從而減小控制延時對系統的影響。
【專利說明】
電網諧波電流信號跟蹤控制方法
技術領域
[0001 ]本發明涉及一種電網諧波電流信號跟蹤控制方法。
【背景技術】
[0002] 隨著電力電子設備在配電網中廣泛使用，企業配電網中的諧波污染問題日益嚴 重，每年給企業經濟造成了巨大損失。而無源濾波器只能對各次諧波進行濾除，且易與電網 產生諧振，已不能滿足對諧波抑制的要求。有源濾波器也是抑制諧波的一種重要手段，其原 理是從需要補償的目標中尋找到諧波電流，再由補償設備生成一個與該諧波大小相等而極 性反相的補償電流與諧波電流相互抵消。有源濾波器能夠對各次諧波進行動態補償，且響 應周期短，從而在電網諧波濾除中得到廣泛應用。但有源濾波器也存在容量小、結構復雜以 及使用成本過高等缺點，為此很少單獨在配電網中使用。因此，通常情況下使用有源電力濾 波器與無源電力濾波器相互結合組成混合型有源電力濾波器，從而實現諧波濾除的目的。
[0003] 在有源電力濾波器中對電流精確跟蹤控制直接影響了濾波器整體性能，而評價系 統性能的兩個指標是系統響應速度和穩態補償精度，針對提高濾波器性能廣大學者提出了 眾多方法。目前有源濾波設備多采用數字化的控制器，實現比較靈活，但存在延時現象，對 濾波器性能造成了嚴重影響，對于混合型有源濾波器由于其結構特殊，延時對其影響相比 于單獨的有源濾波器更為嚴重。Smith預估控制隨著計算機的不斷發展，已經成為解決工業 延時滯后的有效方法之一，simth預估計具有對設定值的改變響應速度快，跟蹤精度高等優 點。但是，Smith預估器對被控對象的數學模型要求較高，這一點在工程應用中比較難實現， 此外傳統的Smith預估器受到參數的限制無法使系統趨于穩定。

【發明內容】

[0004] 本發明所要解決的主要技術問題是提供一種電網諧波電流信號跟蹤控制方法，主 要由3T補償smith預估器與由PS0-BP神經網絡對參數進行優化的PI控制器組成。31補償smith 預估器使系統延時過程中從控制的閉環內部轉換到外部，從而減小控制延時對系統的影 響。
[0005] 為了解決上述的技術問題，本發明提供了一種電網諧波電流信號跟蹤控制方法， 包括如下依序步驟：
[0006] 1)將電網中諧波電流ih經過l/G〇轉變為諧波電壓信號Uh;所述Go為逆變器的輸入 電流i。和輸出電壓U。之間的傳遞函數；
[0007] 2)以所述諧波電壓信號Uh為控制目標，將所述諧波電壓信號Uh經過改進的Smith預 估器和逆變器;所述改進的Smith預估器包括由PS0-BP神經網絡對參數進行優化的PI控制 器與一個31補償Smith預估器;并滿足如下關系式：
[0009] 其中，Ue為諧波電壓信號Uh與逆變器輸出電壓Uc的差值;g⑴分別為 PS0- BP神經網絡優化的PI控制器的傳遞函數、辨識后的逆變器傳遞函數;d為過渡量;u為PI控制 器輸出電壓信號；
[0010] 從而可得逆變器的輸出電壓Uc與諧波電壓信號Uh兩者之間的傳遞函數為：
[0012] 所述由PS0-BP神經網絡優化的PI控制器的算法流程如下：
[0013] 1)根據注入式混合的有源電力濾波器的具體運行狀態，結合神經網絡輸入、輸出 樣本集，建立神經網絡的預測模型，將神經元之間所有的連接權值和閾值編碼成實數向量 表示種群中的個體粒子；
[0014] 2)初始化粒子的初始位置、速度、慣性系數w，學習因子(^、(^^(^、(^，，規定最大 迭代次數；
[0015] 3)根據輸入、輸出樣本，利用BP網絡的前向算法
[0016] A u(t) =kp(ue(t)-Ue(t-l) )+kiUe(t)
[0017] 以及粒子群算法尋優誤差函數
[0019]計算出每個粒子適應度函數值，并將每個粒子的最好位置作為其歷史最佳位置， 開始迭代；
[0020]其中，輸出節點分別對應PI控制器中的參數kP、ki;
[0021 ] 4)利用PS0-BP算法的4個迭代公式
[0022] A wij(t) = (w-1) (wij(t)-wij( t-1) )+r7 ic7 i(wij(b)-wij(t) )+r7 2C22(wij(B)-Wij (t))
[0023] A wii(t) = (w-1) (wii(t)-wn(t-l) )+rici(wii(b)-wn(t) )+r2C2(wn(B)-wn(t))
[0024] V，^'^ + ^ ^ + (H，'_ h^!{1 ~ 〇) +M.b)~ m/, W) iy'i M8)-wiM)) +0 = ?i2)(0++1)+(u，- O^2'^)- - Oj + 1 (uv, (p)~ (0)+ (?', iB)~ uv (0)
[0026]式中，w為慣性系數，^2和，為0-1的隨機數，b是粒子本身目前所找到的最 優解的節點，稱為個體極值點，B是整個種群目前所找到的最優解的節點，稱為全局極值點；
sgn(x)為符號函數，0為學習步長；
[0029]對粒子的速度和位置進行更新，搜索出粒子最佳位置。
[0030]檢驗符合結束條件，當前位置或最大迭代次數達到預定的誤差要求時，則停止迭 代，輸出神經網絡的最終權值和閾值，即PI控制器的參數kP、ki;
[0031 ] 辨識后的逆變器傳遞函數表達式如下：
[0033] 所述PS0-BP神經網絡優化的PI控制器的傳遞函數表達式如下：
[0035]其中，匕為控制器增益，Ti為控制器積分時間。
[0036] 從而得到：
[0038]以ITAE為準則的二階最佳極點方程為
[0039] s1 + 2wn^ + wl = 0
[0040] 其中，亀為無阻尼振蕩的頻率，|為阻尼比;選定Wn的工程方法是根據所要求的閉環 響應的過渡時間tr，有：
[0042] 可以得到逆變器的傳遞函數和PI控制器中參數之間的數學表達式，為：
[0045] 相較于現有技術，本發明的技術方案具備以下有益效果：
[0046] 本發明提供的一種基于延時補償的電網諧波電流信號跟蹤控制方法，主要由31補 償smith預估器與由PS0-BP神經網絡對參數進行優化的PI控制器組成。31補償smith預估器 使系統延時過程中從控制的閉環內部轉換到外部，從而減小控制延時對系統的影響。通過 PS0-BP算法對PI控制器參數進行優化處理。由ITAE準則建立smith預估器與PI控制參數之 間的數學表達式，由此關系和神經網絡優化的方法得到兩種控制器的最優參數。最后對本 文提出的方法進行了仿真驗證，仿真結果表明與傳統方法相比本文方法具有更好動態響應 特性和更高的穩態補償精度。
【附圖說明】
[0047]圖1為IHAPF的結構示意圖；
[0048]圖2為IHAPF的諧波單相等效電路；
[0049] 圖3為傳統的諧波電流控制方法；
[0050] 圖4為改進后的諧波電壓控制方法；
[0051]圖5本發明優選實施例的跟蹤控制框圖；
[0052]圖6為傳統PI控制算法下的補償仿真波形圖；
[0053]圖7為本發明優選實施例的補償仿真波形圖；
[0054] 圖8未采用本發明算法的電流波形圖；
[0055] 圖9為采用了本發明算法的電流波形圖。
【具體實施方式】
[0056] 以下結合附圖及實施例對本發明進行進一步的詳細說明。
[0057] IHAPF結構如圖1所示，主要由無功補償電容器、基波諧振支路、電壓型逆變器、不 可控整流電路等組成。
[0058]如圖2所示的IHAPF的諧波單相等效電路，負載被看作諧波電流源ih，uc、ic分別為 逆變器的輸出電壓與輸入電流，i s為電網中諧波電流。
[0059] 為了對圖2中的諧波電流進行濾除，可將逆變器中的輸出電流控制為：
[0060] ic = -ih (1)
[0061 ] 則有
[0062] is = 〇 (2)
[0063] 傳統的電流控制方法如圖3所示，其中Go為與之間的傳遞函數，控制器采用傳 統的PI控制方法進行控制。
[0064]由圖2,傳遞函數Go可表示為：
(3)
[0066]結合式(1)、（2)、（3)可得：
(4)
[0069] 其中Uh為負載的諧波電流ih經過傳遞函數l/Go輸出的電壓信號一一諧波電壓信 號。
[0070] 由于傳遞函數Go階數較高，在極點配置上比較難實現。因此本文結合(4)式將諧波 電壓信號作為控制目標，并考慮到IHAPF系統中存在延時現象從而影響了電流跟蹤控制，則 (5) 實際的電壓信號跟蹤控制框圖如圖4所示。
[0071]圖4中，uc、-uh之間的傳遞函數為：
[0073] 式中，y為IHAPF系統的控制延時，Gc(s)為傳遞函數，GP(s)為電壓型逆變器的傳遞 函數。由式(5)可以看出在方程中包含了延時項，此延時項會對系統的穩定性與控制性能造 成影響。
[0074] 因此，本實施例針對延時對IHAPF系統的控制能夠產生影響，提出了 一種基于改進 的Smith預估器電流補償方案。控制框圖如圖5所示，改進的Smith預估器主要由PS0-BP神經 網絡對參數進行優化的PI控制器與一個補償Smith預估器組成。
[0075] 由圖5可以得到如下關系式： (ue-d)G*c(s) = u
[0076] ue^G；{s)e^ (6)
[0077]綜合(6)式，可以簡化得： j "G;; (.s')(1 - e。M 。。78 丨《 y 卡;(，))丨 (7)
[0079] 由上式可得：
[0080] ?/,^：(.v) = ?(^(G；；(.v)) ' +?(^G；(,v) ( 8 )
[0081] 從而可得逆變器的輸出電壓u。與參考電壓信號uh兩者之間的傳遞函數為：
(9 )
[0083]由上式可以看出，在閉環系統的特征方程中，既不包含（"也不包含eT'說明該系 統能夠有效的消除延時對系統造成的不良影響。而在上式分子部分有e^s，表明Uc比Uh滯后 了 I從而與諧波的電壓信號大小相等、極性相反，起到了式(4)的控制效果。
[0084] PS0-BP神經網絡實質就是通過改進粒子群算法的種群搜索功能對BP神經網絡的 權值與閾值進行配置，使其達到最優。
[0085]該算法具有自適應學習、并行分布處理和較強的魯棒性和容錯性等特點，而且具 有更好的收斂速度和泛化能力，防止其陷入局部最優值，較之傳統方法優化PI控制器參數 有著更好的控制效果，因此，本文根據IHAPF的具體運行狀態，選擇神經網絡的輸入層為3個 節點，隱含層為5個節點，輸出層為2個節點。
[0086]網絡的輸入層輸入為：
[0087] -v';!1(/) = .v/(/ = 1,2,3) (]〇)
[0088]輸入層3個節點分別對應于IHAPE系統中的指令諧波電壓Uh，逆變器實際輸出電壓 Uc以及兩者之間的差值Ue，X(1)(t)為輸入層樣本集，t為網絡的訓練次數，也稱學習增益，下 文中亦是此含義。
[0089]網絡隱含層的輸入以及輸出為
[0090] ?^2l(〇 = S'it2l-V/,〇,'3!(^)= /'(/?t/；-!(r))(/ = i,2,...,5) M (11)
[0091] 其中Mf為輸入層到隱含層的連接權值，net(2)(t)為隱含層輸入樣本集，0(2)(t)為 隱含層輸出樣本集，f(x)為激勵函數，采用正負對稱的Sigmoid函數為：
(12)
[0093]同理，網絡輸出層的輸入以及輸出為：
[0094] net)"\t} = ^ '(/), 〇f](t) = g(netf](t%l = 1,2) 碼 (13)
[。。95] 〇；."(/)=/~，吸)(/)= < (14)
[0096]其中uf為隱含層到輸出層的連接權值，net(3)(t)為輸出層輸入樣本集，0(3)(t)為 輸出層層輸出樣本集，g(x)為激勵函數，采用非負的Sigmoid函數為：
(15):
[0098]式中，輸出節點分別對應PI控制器中的參數kP、ki;
[0099] PI控制器的控制輸出為
[0100] A u(t) =kp(ue(t)-Ue(t-l) )+kiUe(t) (16)
[0101] 其中 Ue = -UhHc。
[0102] 粒子群算法尋優誤差函數為
(17 )
[0104] 本文在傳統的BP算法的基礎上，引入粒子群算法對網絡權值調整進行了改進，最 終使得PI控制器參數kP、k^確定得到優化。輸入層到隱含層以及隱含層到輸出層的網絡權 值的修正量分別為：
[0105] A wij(t) = (w-1) (wij(t)-wij(t-l) )+r7 ic7 i(wij(b)-wij(t) )+r7 2c7 2(wij(B)-Wij (t)) (18)
[0106] A wii(t) = (w-l)(wii(t)-wii(t-l))+rici(wii(b)-wii(t))+r2C2(wii(B)-wii(t)) (19)
[0107] 式中，w為慣性系數，C1、(32和(/ i、(/ 2為群體認知系數，也稱為學習因子，n adPr 'i、，2為0-1的隨機數，b是粒子本身目前所找到的最優解的節點，稱為個體極值點，B是整個 種群目前所找到的最優解的節點，稱為全局極值點。
[0108]傳統BP算法采用誤差反向傳播來調整連接權值，按照梯度下降法進行修正，在此 算法的基礎上結合式（18)、（ 19)，即得到PS0-BP權值修正算法：
[0109] )(，+ C + 0+ (1V- '心)-- 0) + /]c,(b)- wb(f)) + r2c2{wh[b]- wu(/)) ( 2〇 )
[0110] 其4Sgn(x)為符號函數，e為學習步長。
， Jy\t + l) = j3d\2)xll\t +1)+ (w-wf{t -1))
[0111] +^(u}/(^)-uv(〇)+^-：(u}/( 5)-u//(/)) ( 21 )
[0112] 其中礦)=/(射尸(，))i>)M3)(，）偽學習步長。 .，
[0113] 改進型PSO-BP神經網絡優化PI控制器的算法流程如下：
[0114]根據IHAPF的具體運行狀態，結合神經網絡輸入、輸出樣本集，建立神經網絡的預 測模型，將神經元之間所有的連接權值和閾值編碼成實數向量表示種群中的個體粒子。 [0115]初始化粒子的初始位置、速度、慣性系數w，學習因子(^、(^和"^"^規定最大迭 代次數等。
[0116] 根據輸入、輸出樣本，利用BP網絡的前向算法（16)和粒子群算法尋優誤差函數 (17)計算出每個粒子適應度函數值，并將每個粒子的最好位置作為其歷史最佳位置，開始 迭代。
[0117] 利用PS0-BP算法的4個迭代公式（18)、（19)、（20)、（21)式對粒子的速度和位置進 行更新，搜索出粒子最佳位置。
[0118] 檢驗符合結束條件，當前位置或最大迭代次數達到預定的誤差要求時，則停止迭 代，輸出神經網絡的最終權值和閾值，即PI控制器的參數k P、lu，否則轉至3執行。
[0119] JT補償smith預估器參數是不可知的，本文利用ITAE準則建立JT補償smith預估器參 數與PI控制器參數之間的關系表達式，從而實現參數的有效辨識。
[0120] 對電壓型逆變器進行建模后得到表達式：
(22):
[0122] 式中，kirw為傳遞函數的過程增益常數，Tirw為慣性常數。
[0123] 因 IHAPF的延時性，被控對象的傳遞函數為：
(23)
[0125] 本文通過改進PS0-BP神經網絡方法優化處理PI控制器的參數，得到經改進后的PI 控制器傳遞函數，表達式如下：
(24 )
[0127] 其中，匕為控制器增益，Ti為控制器積分時間。
[0128] 將式(23)、（ 24)代入到式(9)中可得： (25)
[0130]以ITAE為準則的二階最佳極點方程為
[0131] s2. + :2:w"|s. + = 0 (26)
[0132] 其中，Wn為無阻尼振蕩的頻率，〖為阻尼比。其中選定Wn的工程方法[11]是根據所要 求的閉環響應的過渡時間tr，有：
(27 )
[0134] 通過對比式（25)與（26)可以得到逆變器的傳遞函數和PI控制器中參數之間的數 學表達式，為：
(28 ) (29)
[0137] 通過式(28)、（29)可以得到電壓型逆變器的具體參數大小，從而實現smith預估器 模型的辨識。
[0138] 為了驗證本文所提方法的有效性，將本文的方法應用到IHAPF系統中并進行了仿 真分析，并將本文所提算法與傳統PI算法進行仿真對比，仿真參數為：電源電壓為AC380V/ 50HZ；
[0139] 等效電感Ls = ImH;注入電容Cf= 1 OOyF;基波支路的電感1^ = 40mH，電容Q = 249y F，品質因數Q = 50;輸出濾波電感L〇 = 0.5mH，輸出濾波電容C〇 = 24.1yF，等效電阻R〇 = 0.09 Q 〇PS0-BP 算法中的參數為：加權因子w = 0 ? 4，c = 0.03，L = 0.03，ci = C2 = 2，c/i = c/2 = 1.4〇
[0140] 圖6-7為負載發生變化時采用不同方法下電流仿真波形，從圖中可以看出在Is時 負載發生變化，傳統的PI控制方法下電流經過3.5個時間周期才能慢慢的趨于穩定。而采用 本文的方法下僅需要1.5個時間周期電流波形便能趨于穩定。
[0141] 為了進一步證明本文所提算法的有效性，進行了相關實驗研究。圖8-9為采用本文 算法對電流補償前后的電流波形圖，由圖可以看出治理后的波形相比治理之前有了很大提 高，波形幾乎接近于正弦波形。
[0142] 以上所述，僅為本發明較佳的【具體實施方式】，但本發明的保護范圍并不局限于此， 任何熟悉本技術領域的技術人員在本發明揭露的技術范圍內，可輕易想到的變化或替換， 都應涵蓋在本發明的保護范圍之內。因此，本發明的保護范圍應該以權利要求的保護范圍 為準。
【主權項】
1. 一種電網諧波電流信號跟蹤控制方法，其特征在于包括如下依序步驟： 1) 將電網中諧波電流ih經過l/Go轉變為諧波電壓信號Uh;所述Go為逆變器的輸入電流ic 和輸出電壓Uc之間的傳遞函數； 2) 以所述諧波電壓信號Uh為控制目標，將所述諧波電壓信號Uh經過改進的Smith預估器 和逆變器;所述改進的Smith預估器包括由PS0-BP神經網絡對參數進行優化的PI控制器與 一個η補償Smith預估器;并滿足如下關系式：其中，Ue為諧波電壓信號Uh與逆變器輸出電壓Uc的差值；6·:? 分別為pso-bp神 經網絡優化的ΡΙ控制器的傳遞函數、辨識后的逆變器傳遞函數;d為過渡量;U為ΡΙ控制器輸 出電壓信號； 從而可得逆變器的輸出電壓Uc與諧波電壓信號Uh兩者之間的傳遞函數為：
【文檔編號】H02J3/01GK105958493SQ201610395860
【公開日】2016年9月21日
【申請日】2016年6月6日
【發明人】莊建煌, 陳晶騰, 周靜, 王普專, 黃少敏, 李萌鋒, 王銳鳳, 陳炳貴, 陳永華
【申請人】國網福建省電力有限公司, 國家電網公司, 國網福建省電力有限公司莆田供電公司