[发明专利]一种有源电力滤波器模糊神经网络控制方法

摘要

本发明公开了一种有源电力滤波器模糊神经网络控制方法，其结合了自适应控制、RBF神经网络控制和模糊神经网络控制原理，在应用时，首先建立具有扰动和误差的有源电力滤波器的数学模型；其次基于自适应RBF神经网络设计得到模糊神经网络控制器。本发明能够确保对指令电流的实时跟踪，并且加强系统的动态性能，提高系统鲁棒性以及对参数变化不敏感；通过设计滑模变结构控制系统保证有源电力滤波器沿着滑模轨迹运行，其能够克服系统的不确定性，对干扰具有很强的鲁棒性，对非线性系统具有很强的控制效果；设计自适应RBF神经网络控制器用来逼近有源电力滤波器中的非线性部分；设计模糊神经网络控制器能够确保对指令电流的实时跟踪并加强系统的鲁棒性。

主权项

1.一种有源电力滤波器模糊神经网络控制方法，其特征是，包括以下步骤：步骤一，建立具有扰动和误差的有源电力滤波器数学模型，即：其中，x＝i_k，k＝1,2,3，u＝d_k；vk即v1，v2，v3为三相有源电力滤波器端电压；ik即i1,i2,i3为三相补偿电流；Lc是交流电感；Rc为直流侧电阻；vdc为电容电压；dk为开关状态函数，依赖于第k相IGBT的通断状态：上式中ck为开关函数，指示有源电力滤波器中各IGBT的工作状态：步骤二，基于自适应RBF神经网络算法，得到有源电力滤波模糊神经网络控制器的控制律和自适应律；定义x_d为参考电流，e为跟踪误差，为正定对角矩阵；e＝xd‑x                          (12)对e求导得：定义滑模面s为：有源电力滤波器的闭环系统误差方程可写为：定义李雅普诺夫函数为：其中sT为s的转置；对V1求导可得：其中，定义非线性部分为：为使设计控制器为：其中为f的估计值，K＝diag(K₁₁,…,K_nn)，A＝diag(a₁,…a_n)，为元素为正常数的对角矩阵，sgn(s)为符号函数；那么将式(19)和式(18)代入式(17)可得：因此系统满足了李雅普诺夫稳定性理论条件，从而保证了系统的全局渐近稳定性；RBF神经网络被用于逼近系统的非线性部分f，估计值输出为：其中，为RBF神经网络的实时估计权值，为的转置，φ(e)＝[φ₁(e),φ₂(e)…φ_n(e)]^T，n＝1,2,3…，φ_i(e)为高斯基函数i＝1,2,3…，跟踪误差e为RBF神经网络的输入；则非线性部分的理想输出为：f＝ω*Tφ(e)+ε                                (22)其中，ε为重构误差，并且ε有界，有||ε||≤εN，εN为任意小的正常数，ω*为RBF神经网络的最佳权值；将式(21)带入式(19)，可得基于神经网络的控制器为：定义李雅普诺夫函数V2为：其中为RBF神经网络的权值估计误差，μ为常数；对V2求导得：将式(23)代入式(25)，得：设计自适应律为：其中Γ为常数；将式(27)代入式(26)，可得：当K≥ε_N，根据Barbalat定理，则随着时间的增长，s趋近于0，所以可以得出在控制律(23)和自适应律(27)的作用下，整个有源电力滤波器的闭环系统是稳定的。