[发明专利]基于互联网直流侧电压自适应调节APF电流预测控制方法

摘要

本发明属于电流预测技术领域，公开了一种基于互联网直流侧电压自适应调节APF电流预测控制方法，动态补偿的电流信号通过信号线连接服务器，服务器通过互联网将信号传送至电网监控终端，实现实时监控。本发明采用互联网实现了预测结果及时的发送至终端，便于工作人员及时获知，提高设备运行的安全性和稳定性；基于预测控制实现，不需要PWM方法复杂的调制环节，结构简单；实现了APF直流侧电压的自适应调节，可根据待补偿电流和电网电压大小实时调整直流侧电压，在保证APF输出性能的同时保持了较小的电流纹波和功率损耗，提升了APF补偿性能。

主权项

一种基于互联网直流侧电压自适应调节APF电流预测控制方法，其特征在于，所述基于互联网直流侧电压自适应调节APF电流预测控制方法包括以下步骤：步骤一，设APF三相桥臂的开关状态函数分别为Sa、Sb、Sc，三相桥臂的上桥臂开关器件开通以1表示，下桥臂开关器件开通以0表示，两电平APF共可产生8种开关状态，对开关状态进行αβ变换表示为矢量形式Sn，n＝0～7，由8种开关状态得到APF可输出的8个电压矢量vn，n＝0～7；步骤二，由三相待补偿电流iha、ihb、ihc得待补偿电流矢量ih，由三相电网电压ea、eb、ec得电网电压矢量e，由APF输出的三相补偿电流ica、icb、icc得补偿电流矢量ic；步骤三，根据电网电压矢量e以及待补偿电流矢量ih，计算每个采样周期内APF需要的直流侧电压并提取在一个工频周期内的幅值，得到直流侧电压参考值然后将直流侧电压实际值Vdc与直流侧电压参考值之间的误差经比例放大后乘以电网电压矢量e，再与待补偿电流矢量ih叠加，作为补偿电流参考值i*；步骤四，根据电网电压矢量e、补偿电流矢量ic以及直流侧电压实际值Vdc，计算8个开关状态Sn分别作用下APF可输出的补偿电流预测值；步骤五，根据价值函数，在8个开关状态Sn中，选择使补偿电流预测值与补偿电流参考值i*最接近的开关状态，控制APF向电网注入补偿电流，使电源只输出基波电流或基波有功电流，实现动态补偿；步骤六，动态补偿的电流信号通过信号线连接服务器，服务器通过互联网将信号传送至电网监控终端，实现实时监控；所述服务器对接收到的时频重叠MPSK信号能量算子取绝对值并作FFT得到能量算子谱的实施按以下进行：时频重叠MPSK的信号模型表示为：x(t)=Σi=1Nsi(t)+n(t)si(t)=Aiexp[j(wcit+φi(t))]φi(t)=def2πM[Σnanpi(t-nTbi)];]]>其中，N为时频重叠信号的信号分量个数，n(t)是加性高斯白噪声，si(t)为时频重叠信号的信号分量，式中Ai表示信号分量的幅度，an表示信号分量的第n个符号，p(t)表示成型滤波函数，Tbi表示信号分量的码元周期，wci表示信号分量的载波频率；对时频重叠MPSK信号的能量算子取绝对值：z(n)＝|x(n)2‑x(n‑1)x(n+1)|；其中，x(n)表示接收到的时频重叠MPSK信号的第n个取样点；对z(n)做FFT，得到时频重叠信号的能量算子谱S(f)：S(f)＝FFT(z(n))；所述电网监控终端对根据电流轨迹空间密度将电流轨迹划分成若干电流轨迹段；通过计算各电流轨迹段在空间、时间、速度和方向上的距离来判断电流轨迹段间的相似度；将第一次聚类结果中的非显著簇有条件地并入邻近的显著簇，以体现出具备全局重要性的路径分布形态；具体步骤为：步骤一，概念和定义电流轨迹：电流轨迹TRi定义：TRi＝{p1,p2,…,pk}，其中pk＝{xk,yk,tk}，分别代表该点的二维空间坐标和采用时间；电流轨迹段：为电流轨迹TRi内连续的部分三维点集，如：SubTrajectorys＝{p1,…,pk}(1≤s≤k)，k为该电流轨迹段所属电流轨迹的采样点总数；计算最长公共子序列并转化为LCSS距离可以衡量电流轨迹间的相似程度，LCSS的计算一般通过递归方式：LCSS(R,S)=0,ifm=n=0LCSS(Rest(R),Rest(S))+1,if|r1,x-s1,x|≤δ|r1,y-s1,y|≤ψmax{LCSS(Rest(R),S),LCSS(R,Rest(S))},otherwise]]>式中：LCSS(R,S)表示时空电流轨迹R与S间的LCSS长度，δ和ψ分别表示x轴和y轴上的相似阈值；电流轨迹段速度：电流轨迹段的速度通过该电流轨迹段所有采用点中的最小速度、最大速度和平均速度来衡量：V‾SubTrajectory=(1-wm-wa)vmin+wmvmax+wavi+vi+1+...+vjj-i+1]]>其中，ωm+ωa≤1，vmin为电流轨迹段中速度最低值，vmax为电流轨迹段中速度最高值，i和j分别为该电流轨迹段采样点的下标，对于一条电流轨迹段多个采样点，速度都是不相同的，将具有相似速度结构的电流轨迹段聚集在一块；电流轨迹段方向：为电流轨迹段始末采样点之间形成的角度，也称运动方向角：q=arctan[(ye-ys)(xe-xs)]]]>其中，(xs,ys)电流轨迹段起点，(xe,ye)为电流轨迹段终点；ξ邻域Nx(Li)：对于电流轨迹段Li，给定邻近阈值ξ，如果存在电流轨迹段Lj，满足Nx(Li)＝{Li危D|d(Li,Lj)l,ij}，其中，D为所有电流轨迹段数据集合，d(Li,Lj)为两电流轨迹段的距离，电流轨迹段领域用以在DBSCAN电流轨迹密度聚类中，判断每个电流轨迹段的当前空间密度，进而将空间密度较大的电流轨迹段聚为同一组；断点：假设存在一电流轨迹段，位于该电流轨迹段上的任何两点之间的距离不超过阈值ε，并且这段子电流轨迹的采样点数s大于阈值Ε，则将这段子电流轨迹中的第1和最后1个采样点设置为断点，同时将位于该段子电流轨迹上其余的点删除，这实际上表示如果某电流轨迹段在空间上的密度和采用点数量达到一定程度，即可认为该电流轨迹段包含了断点，显然，如果一条电流轨迹上有2×t个断点，则该电流轨迹被分割为t+1个电流轨迹段；当横坐标差小于δ且纵坐标差小于ψ时，认为记录点相似，LCSS值加1，当电流轨迹记录点数都为0时，LCSS(R,S)为0；若记录点个数不为0，则用递归的方式判断共有子序列长度的最大值，用LCSS计算电流轨迹段的空间和时间相似性；步骤二，电流轨迹时空聚类：电流轨迹段之间的相似性计算包括4方面：空间相似性spatialSIM、时间相似性tempoSIM、方向相似性OrientSIM和速度相似性velocitySIM，结合得到一个统一的表达电流轨迹段相似性公式：subSIM＝sigmod(ws创spatialSIM+wt tempoSIM+wo创OrientSIM+wv velocitySIM)，且ws+wt+wo+wv＝1其中，sigmoid()函数为归一化公式；spatialSIM与tempoSIM基于LCSS计算获取，OrientSIM和velocitySIM直接采用两条电流轨迹该属性的差值绝对值表示即可；步骤三，利用电流轨迹段相似性公式，设聚类簇C中包含的电流轨迹数目为簇基数ncb，簇基数nb与该聚类中电流轨迹段数目nc之比为簇显著度ncs，给定阈值τ和γ，进行如下定义：显著簇：Cpro＝{C|C吻O ncb>t ncs g}，其中，O为第一次聚类的结果集，即簇基数nb高于τ且簇显著度ns高于γ聚类称为显著簇；非显著簇：Cunpro＝{C|C吻O C Opro}，其中，Opro为显著簇集合，即显著簇之外的聚类都为非显著簇；非显著簇的处理过程如下：对DBSCAN聚类结果O进行判断，获取显著簇集合Opro与非显著簇集合Ounpro；从Ounpro依次取出聚类簇Cunpro，如果Cunpro距离最近的显著簇Cpro的阈值小于μ，则将Cunpro归并到Cpro，否则，删除Ounpro；所述电网监控终端依据评分矩阵Rm×n，用fcos,fcor,fadj分别计算电网用户三种不同的相似度矩阵FCOS,FCOR,FADJ，从相似度矩阵中知道任意两个电网用户之间的相似度；f cos：模糊加权余弦相似性；fcor：模糊加权相关相似性；fadj：模糊加权修正余弦相似性；fcos,fcor,fadj通过引入模糊权重wc，模糊加权余弦相似性、模糊加权相关相似性和模糊加权修正余弦相似性的定义如下：fcos(Ui,Uj)=Σc∈Iijwcri,crj,cΣc∈Iijri,c2Σc∈Iijrj,c2]]>fcor(Ui,Uj)=Σc∈Iijwc(ri,c-ri‾)(rj,c-rj‾)Σc∈Iij(ri,c-ri‾)2Σc∈Iij(rj,c-rj‾)2]]>fadj(Ui,Uj)=Σc∈Iijwc(ri,c-ri‾)(rj,c-rj‾)Σc∈Ij(ri,c-ri‾)2Σc∈Ii(rj,c-rj‾)2;]]>ri,c表示电网用户Ui对项目Ic的评分，和分别表示电网用户Ui和电网用户Uj的平均评分；fcos中wc求得的方法：模糊向量中的元素个数是由模糊集的个数决定，评分的隶属函数为：r＝4时，相应的二元隶属向量为任取电网用户Ui和电网用户Uj共同评价过的推荐项目Ic∈Iij，向量和关于推荐项目Ic∈Iij的模糊权重wc为：wc=2-dis(r→ic-r→jc)]]>dis(r→ic-r→jc)=Σk=1l(rick-rjck)2]]>其中表示向量和之间的欧式距离，l为向量的维数，为向量中的第k个元素；在wc中，用减去其它值是因为为的最大值(对于向量的dis(·))；fcor和fadj中wc的求得方法：电网用户Ui和电网用户Uj对共同评分过的推荐项目Ic∈Iij的评分与各自评分均值的偏差为devic和devjc；分别用very bad(vb)、bad(b)、fair(f)、good(g)、very good(vg)表示5个模糊集，由5个模糊集组成评分偏差的隶属函数为：devic＝2.7，根据隶属函数的定义，隶属向量为：对于向量和关于推荐项目c∈Iij的模糊权重wc为：其中表示向量和之间的欧式距离,l为向量的维数，为向量的第k个元素；在wc中，用减去其它值是因为为的最大值(对于的dis(·))。