基于多模型神经网络PI控制器STATCOM直接电流控制方法.docVIP

基于多模型神经网络PI控制器STATCOM直接电流控制方法 　　【摘要】针对静止同步补偿器（STATCOM）功率因数补偿问题以及传统PI控制器的局限性，本文提出了一种基于多模型神经网络PI控制器的STATCOM直接电流控制方法。该方法将多模型方法和神经网路技术与传统PI控制方法相结合，利用多模型方法来适应不同负载下功率因数的变化，从而满足无功补偿的精度要求；同时，利用神经网络技术，使其输出作为最优控制规律下的PI控制器的参数值，从而满足大工况、全工作条件和最优性的要求。仿真研究表明，多模型神经网络PI控制器相比传统PI控制器，具有更强的对于负载功率因数变化的适应能力和更高的补偿精度，使补偿后的功率因数维持在1左右，从而证明了该方法的有效性。 【关键词】静止同步补偿器；直接电流控制；多模型；神经网络；PI控制器 1.引言 利用静止同步补偿器（STATCOM）来改善电能质量主要有两个目的[1-3]：提高功率因数和调节系统电压。然而在一些用电场合，负载的变化并未导致系统电压发生明显降低，但系统的功率因数却发生了较大的变化，因此对功率因数的补偿就显得尤为重要[4-5]。 STATCOM的主要控制目标是通过补偿负载无功功率来提高系统的功率因数。为了达到这个目的，文献[6]采用电压外环和电流内环相结合的双闭环PI控制方法，通过PI控制器可以实现无稳态误差的无功电流跟踪控制，然而，当负载发生变化时，仅仅依靠PI控制器难以满足无功电流跟踪控制的精度要求。为此，为此文献[7]提出了基于多模型PI控制器的直接电压控制法，该方法引入多模型理论[8]，设定多个模型来适应负载的变化，大大提高了控制精度，在稳定接入点电压能力方面具有出色表现，但该方法对于负载变化后系统功率因数的提高并没有明显效果，且多个模型导致PI参数成倍增加，大大增加了人工PI参数整定带来的繁琐工作量。 本文针对系统接入的冲击性负载的不确定性，提出了一种基于多模型神经网络PI控制器的STATCOM直接电流控制方法。该方法根据负载的功率因数，建立多个模型，利用神经网络[9-10]具有任意非线性函数逼近的能力，通过不断学习来优化每个模型中PI控制器的控制参数，然后根据瞬时检测到的负载功率因数切换相应的模型。仿真结果表明，基于多模型神经网络PI控制器的STATCOM直接电流控制方法在不同冲击性负载下均具有较快的补偿速度和较高的精度，能够使系统的功率因数维持在1左右，从而获得了满意的控制效果。 2.基于PI控制器的STATCOM直接电流控制原理 STATCOM接入系统的等效拓扑结构图如图1所示，其中为无穷大系统的等效电势，为由负荷端视入的无穷大系统等效戴维南阻抗，是STATCOM的等效阻抗，为STATCOM接入点处的电压，也就是负荷的供电电压。当STATCOM没有投入运行时，负荷电流中的无功分量完全由系统承担，即。如果较大，功率因数会很低，线路损耗也会大大增加。当STATCOM接入系统后，将产生容性无功电流，补偿负荷无功电流，为系统提供无功支持。理想情况下，当时，STATCOM将完全抵消负荷无功电流，使系统功率因数等于1。 直接电流控制的目标就是使STATCOM发出无功电流跟踪上负载侧无功电流分量，这样才能使无功电流达到就地补偿的目的，维持负载侧功率因数在1左右。STATCOM的直接电流PI控制框图如图2所示，和经过PI控制环节，得到STATCOM交流侧电压的直轴分量。为保证直流侧电容电压稳定，这里设定直流侧电压参考值，将直流侧电容电压的参考值和其瞬时值相比较后再经过PI控制环节，就可以得到STATCOM应该吸收的有功电流，将其与STATCOM实际发出的有功电流进行比较后再经过PI控制，得到STATCOM交流侧电压的交轴分量。将、以及（赋值为0）经过dq0-abc变换为指令信号作为调制正弦波，经过三角载波调制后，产生PWM触发脉冲，触发IGBT，使STATCO M输出补偿电流。 3.基于多模型神经网络PI控制器的STATCOM直接电压控制方法 3.1 多模型建立的基本原理 直接电流PI控制虽然具有较好的响应速度和无功补偿精度，但当负载发生较大变化时，该控制方法难以适应负载的变化，会造成补偿精度和速度的降低。因此，此处将多模型理论应用到直接电流PI控制中。 在一些用电场合，负载的变化主要体现在功率因数的变化上。当接入冲击性负载时，单相等效电路如图3所示。由于本文研究的仿真模型中，设定系统侧的阻抗远小于负载侧的阻抗，即： 当STATCOM未接入时可以表示为： 当系统的负载的功率因数发生较大变化时，STATCOM需要吸收或发出较大的无功电流，才能补偿负载侧的无功电流。这就需要能够在较大的范围内变化。由于系统侧的阻抗远