[发明专利]三相并联型有源滤波器自适应RBF神经网络控制技术

权利要求书

1.一种三相并联型有源滤波器自适应RBF神经网络控制技术，其特征在于包括以下步骤：

a、针对三相并联型有源滤波器设计自适应RBF神经网络控制器；所述自适应RBF神经网络控制器是基于RBF神经网络和自适应算法设计的；

b、建立被控对象三相并联型有源滤波器的数序模型其中，x为补偿电流，f(x)为未知方程，b为未知常数，u为开关函数，为RBF神经网络控制器的输出，x^*为补偿电流指令信号；

c、利用三相并联型有源滤波器实际输出的补偿电流对补偿电流指令信号的跟踪误差作为自适应RBF神经网络控制器的输入；

d、利用自适应RBF神经网络的学习功能，可以实现自适应RBF神经网络控制器对三相并联型有源滤波器中的开关函数u的逼近，从而控制三相并联型有源滤波器主电路开关的通断，使三相并联型有源滤波器产生与电网中谐波电流大小相等、方向相反的补偿电流，从而抵消谐波。

2.根据权利要求1所述的三相并联型有源滤波器自适应RBF神经网络控制技术，其特征在于所述步骤b中的三相并联型有源滤波器的数序模型设计步骤如下：

e、根据电路理论和基尔霍夫定理可得到如下公式：

i·ca=-rica+vsaL+vdcLs---(1)]]>

i·cb=-ricb+vsbL+vdcLs---(2)]]>

i·cc=-ricc+vscL+vdcLs---(3)]]>

其中，v_sav_sbv_sc分别为三相电网电压，r为电源到三相并联型有源滤波器交流侧电感之间的等效电阻，L为三相并联型有源滤波器交流侧电感，v_dc为直流侧电容电压，i_s为电源电流，i_L为负载电流，i_c为补偿电流，i^*_c为补偿电流指令信号；S为开关函数，指示IGBT的工作状态，定义为s=1QN=10QN=0,]]>导通为1，关断为0；

f、将（1）、（2）、（3）式的三个方程写成如下形式：

x·=f(x)+bu]]>

其中，x为补偿电流i_ca，i_cb或i_cc，f(x)为未知方程，b为未知常数，u为开关函数，为自适应RBF神经网络控制器的输出，u＝u(z/θ)；x^*为补偿电流指令信号i^*_ca，i^*_cb或i^*_cc；令y＝x，y^*=x^*；控制的目标就是使补偿电流y跟踪补偿电流指令信号y^*，其中，跟踪误差e＝y^*-y，其导数为：

e·=y·*-y·]]>

=x·*-x·]]>

=(f(x)*+bu*)-(f(x)+bu)]]>

=-rL(i*c-ic)+b(u*-u)---(4)]]>

=-ke+b(u*-u(z/θ))]]>

假设当网络权值θ取到最优值θ^*时，自适应RBF神经网络控制器的实际输出对期望的逼近误差最小，此时补偿电流y对指令信号y^*的跟踪效果最好；

定义最优权值如下：

θ*=argminθ∈Rm[supx∈R|u*-u(z/θ)|]---(5)]]>

其中sup表示误差上界；

定义RBF网络最小逼近误差为：

m＝u(z|θ^*)-u^*                        （6）

（6）代入（4）得

e·=-ke+b[u(z/θ*)-u(z/θ)-m]]]>

=-ke+b(θ*-θ)Th(z)-bm---(7)]]>

取Lyapunov函数为：

V=12eTpe+b2γ(θ*-θ)T(θ*-θ)---(8)]]>

其中，γ是正常数，V＞0；

而p和q是的满足下述Lyapunov等式的正常数：

(-k^T)p+p(-k)＝-q                        （9）

对V进行时间求导可以得到：

V·=-12eTqe+bγ(θ*-θ)T[γeTph(z)-θ·]-eTpbm---(10)]]>

参数θ的自适应律设计为

θ·=γeTph(z)---(11)]]>

式中，参数γ为学习律；

（11）代入（10）得

V·=-12eTqe-eTpbm---(12)]]>

由于q,p,b均大于0，m为最小逼近误差，可通过设计使m充分小，

那么我们就能得到

由此，可以根据Lyapunov第二法验证系统在李雅普诺夫意义下渐进稳定。

3.根据权利要求1所述的三相并联型有源滤波器自适应RBF神经网络控制技术，其特征在于所述步骤b中的自适应RBF神经网络控制器的输出为：

u(k)＝h₁θ₁+...+h_jθ_j+...+h_mθ_m

式中，m为网络隐层神经元的个数，θ_j为第j个网络隐层神经元与输出层之间的连接权，h_j为第j个隐层神经元的输出；

在自适应RBF神经网络控制器的RBF神经网络中，Z＝[z₁,...z_n]^T为网络的输入向量，z取为跟踪误差e；RBF神经网络的径向基向量为H＝[h₁,...h_m]^T，h_j为高斯基函数，即：

hj=exp(-||Z-cj||22bj2),j=1,2,...,m]]>

b_j为节点j的基宽参数，B＝[b₁,...b_m]^T;C_j为节点j的中心矢量，C_j＝[c_j1,..c_ji，..c_jn^T]；

网络的权向量为：θ＝[θ₁,...θ_m]^T。