[发明专利]一种电网谐波电流信号跟踪控制方法

摘要

本发明提供了一种电网谐波电流信号跟踪控制方法，针对控制延时对系统产生的影响，以注入式混合的有源电力滤波器IHAPF作为研究对象，提出了基于延时补偿的谐波电流信号跟踪控制方法。该方法主要由改进型smith预估器与神经网络PI控制组成。其中，改进型smith预估器使系统的延时过程从控制的闭环内部转换到外部，从而减小控制延时对系统的影响。

主权项

一种电网谐波电流信号跟踪控制方法，其特征在于包括如下依序步骤：1)将电网中谐波电流i_h经过1/G₀转变为谐波电压信号U_h；所述G₀为逆变器的输入电流i_c和输出电压U_c之间的传递函数；2)以所述谐波电压信号U_h为控制目标，将所述谐波电压信号U_h经过改进的Smith预估器和逆变器；所述改进的Smith预估器包括由PSO‑BP神经网络对参数进行优化的PI控制器与一个π补偿Smith预估器；并满足如下关系式：$\left\{\begin{array}{c}{u}_e=u_h-u_c\\ (u_e-d)G_c^{*}\left(s\right)=u\\ {\mathrm{uG}}_p^{*}\left(s\right)(1-e^{-\mathrm{\π}s})=d\\ {\mathrm{ue}}^{(\mathrm{\γ}-\mathrm{\π})s}{G}_p^{*}\left(s\right)e^{-\mathrm{\γ}s}=u_c\end{array}\right.$其中，U_e为谐波电压信号U_h与逆变器输出电压U_c的差值；分别为PSO‑BP神经网络优化的PI控制器的传递函数、辨识后的逆变器传递函数；d为过渡量；u为PI控制器输出电压信号；从而可得逆变器的输出电压U_c与谐波电压信号U_h两者之间的传递函数为：$\frac{u_c}{u_h}=\frac{G_c^{*}\left(s\right)G_p^{*}\left(s\right)e^{-\mathrm{\π}s}}{1+G_c^{*}\left(s\right)G_p^{*}\left(s\right)};$所述由PSO‑BP神经网络优化的PI控制器的算法流程如下：1)根据注入式混合的有源电力滤波器的具体运行状态，结合神经网络输入、输出样本集，建立神经网络的预测模型，将神经元之间所有的连接权值和阈值编码成实数向量表示种群中的个体粒子；2)初始化粒子的初始位置、速度、惯性系数w，学习因子c₁、c₂和c′₁、c′₂，，规定最大迭代次数；3)根据输入、输出样本，利用BP网络的前向算法Δu(t)＝k_p(u_e(t)‑u_e(t‑1))+k_iu_e(t)以及粒子群算法寻优误差函数$J\left(t\right)=\frac{{\left(u_e\right)}^2}{2}=\frac{{\[-u_h-u_c\]}^2}{2}$计算出每个粒子适应度函数值，并将每个粒子的最好位置作为其历史最佳位置，开始迭代；其中，输出节点分别对应PI控制器中的参数k_p、k_i；4)利用PSO‑BP算法的4个迭代公式$\begin{array}{c}{\mathrm{\Δw}}_{ij}\left(t\right)\\ =\left(w-1\right)\left(w_{ij}\left(t\right)-w_{ij}\left(t-1\right)\right)+r_1^{\′}{c}_1^{\′}\left(w_{ij}\left(b\right)-w_{ij}\left(t\right)\right)\\ +r_2^{\′}{c}_2^{\′}\left(w_{ij}\left(B\right)-w_{ij}\left(t\right)\right)\end{array}$$\begin{array}{c}{\mathrm{\Δw}}_{li}\left(t\right)=\\ \left(w-1\right)\left(w_{li}\left(t\right)-w_{li}\left(t-1\right)\right)+r_1{c}_1\left(w_{li}\left(b\right)-w_{li}\left(t\right)\right)\\ +r_2{c}_2\left(w_{li}\left(B\right)-w_{li}\left(t\right)\right)\end{array}$$\begin{array}{c}{w}_{li}^{\left(3\right)}\left(t+1\right)=w_{li}^{\left(3\right)}\left(t\right)+{\mathrm{\β\δ}}_l^{\left(3\right)}{x}_j^{\left(1\right)}\left(t+1\right)+\left(w-1\right)\left(w_{li}^{\left(3\right)}\left(t\right)-w_{li}^{\left(3\right)}\left(t-1\right)\right)\\ +r_1{c}_1\left(w_{li}\left(b\right)-w_{li}\left(t\right)\right)+r_2{c}_2\left(w_{li}\left(B\right)-w_{li}\left(t\right)\right)\\ w_{ij}^{\left(2\right)}\left(t+1\right)=w_{ij}^{\left(2\right)}\left(t\right)+{\mathrm{\β\δ}}_i^{\left(2\right)}{x}_j^{\left(1\right)}\left(t+1\right)+\left(w-1\right)\left(w_{ij}^{\left(2\right)}\left(t\right)-w_{ij}^{\left(2\right)}\left(t-1\right)\right)\\ +r_1^{\′}{c}_1^{\′}\left(w_{ij}\left(b\right)-w_{ij}\left(t\right)\right)+r_2^{\′}{c}_2^{\′}\left(w_{ij}\left(B\right)-w_{ij}\left(t\right)\right)\end{array}$式中，w为惯性系数，r₁、r₂和r₁′、r₂′为0‑1的随机数，b是粒子本身目前所找到的最优解的节点，称为个体极值点，B是整个种群目前所找到的最优解的节点，称为全局极值点；sgn(x)为符号函数，β为学习步长；${\mathrm{\δ}}_i^{\left(2\right)}=f^{\′}\left({\mathrm{net}}_i^{\left(2\right)}\left(t\right)\right)\underset{l=1}{\overset{2}{\mathrm{\Σ}}}{\mathrm{\δ}}_l^{\left(3\right)}{w}_{\mathrm{li}}^{\left(3\right)}\left(t\right);$对粒子的速度和位置进行更新，搜索出粒子最佳位置。检验符合结束条件，当前位置或最大迭代次数达到预定的误差要求时，则停止迭代，输出神经网络的最终权值和阈值，即PI控制器的参数k_p、k_i。