一种有源电力滤波器的神经网络逆控制器构造方法

(10)申请公布号 CN 102655326 A

(43)申请公布日 2012.09.05C N 102655326 A

*CN102655326A*

(21)申请号 201210143291.0

(22)申请日 2012.05.10

H02J 3/01(2006.01)

(71)申请人江苏大学

地址212013 江苏省镇江市京口区学府路

301号

(72)发明人刘国海 陈兆岭 杨辰星

(74)专利代理机构南京经纬专利商标代理有限

公司 32200

代理人

楼高潮

(54)发明名称

一种有源电力滤波器的神经网络逆控制器构

造方法

(57)摘要

本发明公开一种有源电力滤波器的神经网络

逆控制器构造方法，将有源电力滤波器主电路的

的逆变器及交流侧电感作为一个整体组成被控对

象，被控对象以主电路的两个开关函数控制量作

为输入，以两个补偿电流分量作为输出；根据该

被控对象对应的逆系统，用静态神经网络加积分

器构成神经网络逆；将神经网络逆串接在被控对

象之前等效成由两个独立的一阶积分型补偿电流

子系统组成的伪线性系统；对该伪线性系统中的

两个一阶积分型补偿电流子系统分别设计两个电

流控制器构成线性闭环控制器；将线性闭环控制

器与神经网络逆相串联构成神经网络逆系统方法

控制器，对有源电力滤波器模型进行高性能、非线

性解耦控制，提高电力系统的电能质量。

(51)Int.Cl.

权利要求书1页 说明书4页 附图4页

(19)中华人民共和国国家知识产权局(12)发明专利申请

权利要求书 1 页 说明书 4 页 附图 4 页

-CN102655326A

专利类型：

专利分类号：H02J

专利分类：供电或配电的电路装置或系

国家地区：中国

专利申请号：201210143291.0

专利申请日：2012.05.10

公开（公告）号：CN102655326A

公开（公告）日：2012-09-05

申请人：江苏大学

发明（设计）人：刘国海;陈兆岭;杨辰星

地址：212013 江苏省镇江市京口区学府路301号

代理机构：南京经纬专利商标代理有限公司

代理人：楼高潮

文件大小：547KB

1/1页

1.一种有源电力滤波器的神经网络逆控制器构造方法，其特征在于采用如下步骤：

1）将有源电力滤波器主电路的的逆变器及交流侧电感作为一个整体组成被控对象，被控对象以主电路的两个开关函数控制量

作为输入，以两个补偿电流分量、作为输出；根据该被控对象对应的逆系统，用静态神经网络加积分器构成神经网络逆，其中静态神经网络的各个权系数的确定方法是：将补偿电流分量、分别离线求一阶导数，并对信号做归一化处理组成静态神经网络的

训练样本集，对静态神经网络进行训练确定各个权系数；

2）将神经网络逆串接在被控对象之前等效成由两个独立的一阶积分型补偿电流子系统组成的伪线性系统；

3）对该伪线性系统中的两个一阶积分型补偿电流子系统分别设计两个电流控制器，构成线性闭环控制器；

4）将线性闭环控制器与神经网络逆相串联构成神经网络逆控制器。

2.根据权利要求1所述的一种有源电力滤波器的神经网络逆控制器构造方法，其特征在于：所述静态神经网络的输入层节点数为4，隐含层节点数为10，输出层节点数为2，隐含层神经元激活函数使用S 型双曲正切函数

，输出层的神经元采用纯线性函数，为神经元的输入；所述神经网络逆具有2个输入节点、2个输出节点；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经由积分器获得；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端；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经由积分器获得；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端，静态神经网络的输出是神经网络逆的输出。权 利 要 求 书CN 102655326 A

一种有源电力滤波器的神经网络逆控制器构造方法

技术领域

[0001] 本发明是一种有源电力滤波器的神经网络逆控制器构造方法，适用于电力系统有源滤波器非线性解耦控制，属于电力系统电能质量技术领域。

背景技术

[0002] 随着信息时代对电能质量的要求越来越高，对电力系统的谐波抑制和无功补偿，已成为电力系统领域研究的热点。利用有源电力滤波器进行谐波和无功补偿，是今后的发展趋势，有源电力滤波器作为一种动态抑制谐波的电力电子装置，能对频率和大小都发生变化的谐波进行补偿。

[0003] 由于有源电力滤波器在dq旋转坐标系下的模型存在着非线性及参数耦合问题，考虑采用非线性系统控制理论中的逆系统方法对有源滤波器进行控制。传统的解析逆解耦控制方法，很大程度上依赖于系统的精确数学模型，当系统模型参数发生变化时，系统的解耦条件将被破坏，从而导致控制系统性能的下降，使得有源电力滤波器系统的解析逆控制方法存在着实际工程应用方面的“瓶颈”。

发明内容

[0004] 技术问题：本发明的目的是提供一种能有效提高有源电力滤波器系统的抗干扰能力和动态响应性能的神经网络逆控制器构造方法，利用神经网络来充当非线性系统的逆模型，将神经网络具有的非线性逼近能力、学习能力与逆系统方法的解耦线性化特点相结合，采用该方法构造出的控制器不依赖于有源电力滤波器的数学模型及其参数，不仅能实现有源滤波器模型的线性化和电流参数解耦控制，同时，当模型参数发生变化时，系统具有良好的抗干扰能力和动态响应性能。

[0005] 技术方案：本发明的一种有源电力滤波器的神经网络逆控制器构造方法的技术方案是采用如下步骤1）将有源电力滤波器主电路的的逆变器及交流侧电感作为一个整体组成被控对象，被控对象以主电路的两个开关函数控制量作为输入，以两个补偿电流分量、作为输出；根据该被控对象对应的逆系统，用静态神经网络加积分器构成神经网络逆，其中静态神经网络的各个权系数的确定方法是：将补偿电流分量、分别离线求一阶导数，并对信号做归一化处理组成静态神经网络的训练样本集，对静态神经网络进行训练确定各个权系数；2）将神经网络逆串接在被控对象之前等效成由两个独立的一阶积分型补偿电流子系统组成的伪线性系统；3）对该伪线性系统中的两个一阶积分型补偿电流子系统分别设计两个电流控制器，构成线性闭环控制器；4）将线性闭环控制器与神经网络逆相串联构成神经网络逆控制器。[0006] 技术效果：本发明的原理是通过构造神经网络逆，将对有源电力滤波器这一非线性耦合系统的控制转化为对两个补偿电流的一阶积分子系统的控制，相应的就可以方便地设计闭环控制器。本发明采用静态神经网络加积分器来实现有源电力滤波器系统的逆系统

功能，这样所提出的控制器设计方法就不依赖于有源滤波器及外部电力系统的精确数学模型，从而可以有效地提高有源电力滤波器控制器应对系统参数变化和外界扰动的能力，本发明可用于构造新型有源电力滤波器控制器对有源滤波进行高性能控制，提高电力系统的电能质量，适合于实际的工程应用。

[0007] 本发明的优点在于：

①采用神经网络逆，将对有源电力滤波器这一复杂非线性系统的控制转化为对简单的伪线性系统的控制，实现了系统补偿电流的解耦控制。在此基础上，通过合理地设计闭环控制器，使系统具有良好的动静态性能。

[0008] ②采用静态神经网络加积分器来实现被控对象的逆系统，构造神经网络逆控制器来实现对有源滤波器的控制，摆脱了传统的有源滤波器控制方法对于精确数学模型的依赖性，有效减少了系统参数变化和负载扰动对有源滤波器控制的影响，显著提高了有源电力滤波器系统的动态响应性能。

[0009] ③所设计的有源电力滤波器系统的神经网络逆控制器仅采用有源滤波器的可直接测量信号，符合实际电力系统的工程应用要求，易于工程实现。

[0010] ④通过数字信号处理器来实现神经网络逆控制器，不需要对有源滤波器本身进行结构性改造即可构成一个经济实用的有源电力滤波器控制器，硬件投资低。

[0011] 下面结合附图对本发明作进一步的说明。

附图说明

[0012] 图1是有源电力滤波器系统被控对象1的框图；

图2是神经网络逆3与被控对象1复合成的系统示意图，其中含有4个输入节点、2个输出节点的静态神经网络2和两个积分器s-1；

图3是神经网络逆3与被控对象1复合成的等效一阶积分型伪线性系统4的示意图，包括两个独立的电流子系统；

图4是对两个一阶积分型伪线性系统4设计的闭环控制器5的示意图。其中含有两个电流控制器51、52；

图5是神经网络逆控制器6示意图，包括闭环控制器5、伪线性系统4、神经网络逆3、静态神经网络2、系统被控对象1；

图6是神经网络逆控制器6的软件系统主程序流程图；

图7是控制器6的神经网络逆控制中断服务子程序流程图。

具体实施方式

[0013] 本发明的实施方案是：首先将有源电力滤波器主电路的逆变器及交流侧电感作为一个整体组成被控对象，该被控对象等效为dq旋转坐标下的二个一阶微分方程模型，系统的向量相对阶为｛1，1｝；再采用4个输入节点、2个输出节点的静态神经网络加2个积分器并通过学习算法来构成被控对象的神经网络逆，其中静态神经网络的各个权系数通过学习确定；然后将神经网络逆接在被控对象之前，神经网络逆与被控对象构成由两个独立的一阶积分型补偿电流子系统组成的伪线性系统，从而将对一个多变量的非线性耦合系统的控制转化为对两个简单的一阶积分子系统的控制；对于已经解耦的两个一阶积分子系统，采

用一种线性系统的综合方法，如线性校正、比例积分微分（PID）控制、极点配置或线性二次型最优设计等，分别设计两个电流控制器，从而构成线性闭环控制器；最后将线性闭环控制器与神经网络逆相串联形成神经网络逆系统控制器，来对有源电力滤波器系统进行控制。[0014] 具体的实施分以下8步：

①如图1所示，确定被控对象。将有源电力滤波器主电路的逆变器及交流侧电感作为一个整体组成被控对象1，该被控对象1以主电路的两个开关函数控制量作为输入，

以两个补偿电流分量、作为输出。

[0015] ②通过常规技术的分析与推导，得到有源电力滤波器的逆系统控制器的结构形式，为神经网络逆的构造与学习训练提供方法上的依据。首先建立有源电力滤波器系统的数学模型，其向量相对阶为｛1，1｝。经推导可证明该模型的逆系统存在，并可确定其逆系统的四个输入分别为dq旋转坐标系下有源滤波器补偿电流的d轴分量及其一阶导数、补

偿电流的q轴分量及其一阶导数，两个输出为dq旋转坐标系下有源电力滤波器主电路

的开关函数控制量、。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依据，在本发明的具体实施中，这一步，包括对有源电力滤波器系统逆系统存在的理论证明及一些相关推导等为常规技术，可跳过。

[0016] ③如图2所示，采用静态神经网络2加两个积分器构造神经网络逆。其中静态神经网络2采用3层的MLN网络，输入层节点数为4，隐含层节点数为10，输出层节点数为2，

隐含层神经元激活函数使用S型双曲正切函数，输出层的神经元采用纯线

性函数，为神经元的输入，静态神经元的权系数将在下一步的离线学习中确定。然后用具有4个输入节点、2个输出节点的静态神经网络2加2个积分器构成具有2个输入节点、2个输出节点的神经网络逆3（如图2的虚线框内所示），其中静态神经网络2的第一个输入端为神经网络逆3的第一个输入经由积分器获得；静态神经网络2的第二个输入端为神经网络逆3的第一个输入端；静态神经网络2的第三个输入端为神经网络逆3的第二个输入经由积分器获得；静态神经网络2的第四个输入端为神经网络逆3的第二个输入端。静态神经网络2与2个积分器一道组成神经网络逆3，静态神经网络2的输出就是神经网络逆3的输出。

[0017] ④调整静态神经网络2的权系数。先将dq旋转坐标系下有源电力滤波器主电路的开关函数控制量、作为被控对象1的输入，对dq旋转坐标系下有源电力滤波器补偿

电流分量、进行数据闭环采样，以10微秒的采样周期采集有源滤波器的输入、

及输出、，并保存数据。然后，对补偿电流分量、分别离线求其一阶导

数，并对信号做归一化处理，组成静态神经网络2的训练样本集。最后，采用带动量项和变学习率的BP算法对静态神经网络2进行训练，经过1000次训练，静态神经网络2输出均方误差小于0.0004，满足要求，从而确定了静态神经网络2的各个权系数。[0018] ⑤如图2-3所示，等效成伪线性系统4。将已经构造的有源电力滤波器系统神经网

络逆3串接在被控对象1之前，神经网络与有源滤波器系统复合成两个独立的一阶积分型补偿电流子系统（s-1），两个独立的一阶积分型补偿电流子系统（s-1）组成伪线性系统4，从而将对一个复杂的非线性耦合系统的控制转化为对两个简单的一阶积分型伪线性系统的控制。

[0019] ⑥如图4所示，设计线性闭环控制器5。对已解耦的两个一阶积分型补偿电流分量伪线性子系统4分别设计两个电流控制器51、52来构成线性闭环控制器5，闭环控制器5采用线性系统理论中的线性校正、比例积分微分（PID）控制、极点配置或线性二次型最优设计等方法来设计，在本发明给出的实施例中，两个电流控制器51、52均选用了比例积分（PI）控制器，其参数整定为P=200000，I=150。

[0020] ⑦构成神经网络逆控制器6。将线性闭环控制器5与神经网络逆3相串联组成神经网络逆系统控制器6，如图5所示。

[0021] ⑧神经网络逆控制器6的软件实现。神经网络逆控制器6中的神经网络逆3和闭环控制器5由数字信号处理器（DSP）通过软件编程来实现。数字信号处理器(DSP)集成了DSP芯片、SRAM、A/D、PWM、UART、CAN、USB、D/A和串行EEPROM+RTC实时时钟等外设；互感器采用LEM公司的LAP-58P电流互感器，对电流进行实时测量，电流互感器将主电路中的电流信号变换成小电流信号送入A/D采样调理板，信号进入调理板后先经过电阻将电流信号转变为电压信号；驱动芯片选择三菱公司的专用厚膜芯片M57926L，该芯片是N沟道大功率IGBT模块的驱动芯片，能驱动600V/400A和1400V/200A的IGBT。软件程序包括系统主程序和神经网络逆控制中断服务子程序，其程序框图分别如图6、图7所示。

[0022] 根据以上所述，即可实现本发明。

图1

图2

图3

图4

图5

图6

图7