[发明专利]基于终端滑模的有源电力滤波器模糊神经网络控制方法

权利要求书

1.基于终端滑模的有源电力滤波器模糊神经网络控制方法，其特征在于，包括以下步骤，

S1，建立有源电力滤波器数学模型；

S2，利用反演方法和非奇异终端滑模控制方法，建立非奇异反演终端滑模控制器模型；

S3，采用四层模糊神经网络结构，进行基于终端滑模的自适应模糊神经网络控制；

所述步骤S1具体包括以下步骤，

考虑外界干扰的影响，假设外界扰动向量为G＝[g_d g_q]^T，建立有源电力滤波器数学模型为

其中，x＝[i_d i_q]^T,

||H||≤D，D为正常数，ω为电源电压基波分量的角频率，即d、q轴的旋转角速度；d_nd、d_nq为dq坐标系下的开关状态函数；i_d、i_q为dq坐标系下的补偿电流；v_d、v_q为dq坐标系下的公共连接点PCC处电压，L_c为电感，R_c为电阻，v_dc为直流侧电容电压。

2.根据权利要求1所述的基于终端滑模的有源电力滤波器模糊神经网络控制方法，其特征在于，所述步骤S2具体包括以下步骤，

201，定义z₁＝x，则步骤S1有源电力滤波器数学模型为：

$\left\{\begin{array}{c}{\stackrel{\·}{z}}_1=z_2\\ {\stackrel{\·}{z}}_2={\mathrm{Az}}_1+U+H\end{array}\right.$

表示一阶求导

设输出方程为Y＝z₁，定义跟踪误差为e₁＝Y-Y_d，其中位置指令为Y_d，且Y_d具有二阶导数；

202，选取虚拟控制量其中c₁为非零正常数；定义偏差e₂＝z₂-α₁，并且定义非奇异终端滑模面为式中，λ₁＞0为常数，p₁,p₂为奇数，1＜p₂/p₁＜2；

203，根据设定的李雅普诺夫函数产生非奇异反演终端滑模控制器模型U_BTSC＝u₁+u₂，

其中

3.根据权利要求2所述的基于终端滑模的有源电力滤波器模糊神经网络控制方法，其特征在于，所述步骤S3具体包括以下步骤，

301，建立四层模糊神经网络结构：

第一层：输入层

所述输入层层的各个节点与输入量的各个分量连接，将输入量传到第二层；

第二层：模糊化层

采用高斯型函数作为隶属函数，代表跟踪偏差向量e₁中的元素，和分别是第i个输入变量第j个模糊集合的隶属函数的中心向量和基宽，其中i＝1,...,n，j＝1,...,N_pi；表示隶属函数；

采用N_pi表示隶属度函数的单独个数，定义自适应参数向量b和c分别代表高斯型隶属度函数所有的基宽和中心向量的集合，则：

$b={\left[\begin{array}{cccccccccc}{b}_1^1& \mathrm{...}& b_1^{N_{p1}}& b_2^1& \mathrm{...}& b_2^{N_{p2}}& \mathrm{...}& b_n^1& \mathrm{...}& b_n^{N_{pn}}\end{array}\right]}^T\∈R^{N_r\×1},$

其中代表隶属度函数的总个数；

第三层：规则层

规则层采用模糊推理机制，规则层的每个节点的输出为该节点所有输入信号的乘积，则

式中，l_k表示规则层的第k个输出，代表模糊化层和规则层之间的连接权矩阵，为单位向量，其中k＝1,...,N_y，N_y为规则层的总数目；

第四层：输出层

输出层的节点代表输出变量，输出层的每个节点y_o的输出为该节点所有输入信号的和，其中o＝1,...,N_o，则表示规则层和输出层之间的连接权矩阵；

进一步地，定义模糊神经网络的输入输出关系为：

$y=\left[\begin{array}{cccc}{y}_1& y_2& \mathrm{...}& y_{N_o}\end{array}\right]=U_{FNN}=Wl$

其中，

302，根据设定李雅普诺夫函数分别得到权值、中心向量以及基宽的自适应律为：

${\stackrel{\·}{\widehat{\mathrm{\ω}}}}_i=\left\{\begin{array}{cc}-r_1{S}^i{\mathrm{\β}}^i{\hat{l}}^T& if\left(\right|\left|{\widehat{\mathrm{\ω}}}_i\right||\<{\mathrm{\σ}}_{\mathrm{\ω}})or\left(\right|\left|{\widehat{\mathrm{\ω}}}_i\right||={\mathrm{\σ}}_{\mathrm{\ω}}{\mathrm{andS}}^i{\mathrm{\β}}^i{\widehat{\mathrm{\ω}}}_i{\hat{l}}^T\≥0)\\ -r_1{S}^i{\mathrm{\β}}^i{\hat{l}}^T+r_1{S}^T\mathrm{\β}{\hat{l}}^T{\widehat{\mathrm{\ω}}}_i^T{\widehat{\mathrm{\ω}}}_i/\left|\right|{\widehat{\mathrm{\ω}}}_i|{|}^2& if\left(\right|\left|{\widehat{\mathrm{\ω}}}_i\right||={\mathrm{\σ}}_{\mathrm{\ω}}{\mathrm{andS}}^i{\mathrm{\β}}^i{\widehat{\mathrm{\ω}}}_i{\hat{l}}^T\<0)\end{array}\right.,$

$\stackrel{\·}{\hat{b}}=\left\{\begin{array}{cc}-r_2{\left(S^T\mathrm{\β}\hat{W}{l}_b\right)}^T& if\left(\right|\left|\hat{b}\right||\<{\mathrm{\σ}}_b)or\left(\right|\left|\hat{b}\right||={\mathrm{\σ}}_b{\mathrm{andS}}^T\mathrm{\β}\hat{W}{l}_b\hat{b}\≥0)\\ -r_2{\left(S^T\mathrm{\β}\hat{W}{l}_b\right)}^T+r_2{\[S^T\mathrm{\β}\hat{W}{l}_b(\hat{b}{\hat{b}}^T/|\left|\hat{b}\right|{|}^2)\]}^T& if\left(\right|\left|\hat{b}\right||={\mathrm{\σ}}_b{\mathrm{andS}}^T\mathrm{\β}\hat{W}{l}_b\hat{b}\<0)\end{array}\right.,$

$\stackrel{\·}{\hat{c}}=\left\{\begin{array}{cc}-r_3{\left(S^T\mathrm{\β}\hat{W}{l}_c\right)}^T& if\left(\right|\left|\hat{c}\right||\<{\mathrm{\σ}}_c)or\left(\right|\left|\hat{c}\right||={\mathrm{\σ}}_c{\mathrm{andS}}^T\mathrm{\β}\hat{W}{l}_c\hat{c}\≥0)\\ -r_3{\left(S^T\mathrm{\β}\hat{W}{l}_c\right)}^T+r_3{\[S^T\mathrm{\β}\hat{W}{l}_c(\hat{c}{\hat{c}}^T/|\left|\hat{c}\right|{|}^2)\]}^T& if\left(\right|\left|\hat{c}\right||={\mathrm{\σ}}_c{\mathrm{andS}}^T\mathrm{\β}\hat{W}{l}_c\hat{c}\<0)\end{array}\right.,$

其中，Sⁱ为S中的元素，βⁱ为β中的元素，σ_ω，σ_b，σ_c为正常数，是的估计值，是ω_i的最优值；r₁、r₂、r₃分别为设定的正常数，为l^*的估计值，l^*为l的最优值；和分别是W^*，b^*和c^*的估计值：W^*，b^*和c^*分别是W，b和c的最优参数。