基于模糊神经网络―PID复合D―STATCOM控制方法.docVIP

基于模糊神经网络―PID复合D―STATCOM控制方法 　　摘 要：针对传统PID控制器难于满足D-STATCOM系统参数发生变化时所需控制的要求，提出基于模糊神经网络-PID复合智能控制的D-STATCOM直接电流矢量控制策略，采用模糊神经网络在线调节PID参数，提高控制器的自适应性。对该控制策略进行了MATLAB数字仿真验证，结果表明采用所提出的控制策略能够实现对D-STATCOM系统的高性能控制，有效抑制电压波动和闪变。 　　关键词：D-STATCOM；PID控制；模糊神经网络；自适应控制 　　0 引言 　　随着国民经济快速发展，电力消耗飞速增长，一方面，电力负荷急剧增加，冲击性负荷和非线性负荷的大量使用，造成电网系统电能质量的严重污染[1]。典型如电弧炉，电焊机，电力机车等大功率器件的使用，造成电压波动和闪变[2-4]；另一方面，随着科技的高度发展，各种精密仪表设备的广泛使用，社会对电能质量的要求越来越高。由此，有效提高电能质量已经成为电力企业一项十分重要的任务[5]。 　　配电网静止无功发生器（D-STATCOM）是一种新型的电力电子设备，可用于配电网的无功补偿，有效抑制电压波动和闪变。相比传统的静止无功补偿器（SVG），D-STATCOM具有更好的动态响应速度和显著的经济效益[6]。当前D-STATCOM系统以算法相对简单而且参数调整比较方便的PID控制为主，很难满足D-STATCOM系统参数发生变化时所需控制的要求。基于模糊系统具有的逻辑推理功能和神经网络所具有的自学习能力所构建的模糊神经网络（FNN）拥有强大的结构性知识表达和自身参数优化调整能力，FNN在对具有多变量、非线性较强、自我描述差的复杂系统的控制中得到了广泛应用[7]。 　　1 D-STATCOM工作原理 　　本文选取自换相电压源型D-STATCOM作为研究对象，如图1所示。通过对其交流侧电流的直接控制或者对电路交流侧输出电压相位与幅值的适量调节来达到放出或者吸收电路所需的无功电流，最终完成对无功的动态补偿[1]。当处于工作中的时候，电路中的IGBT等全控性器件使得直流侧的电压转变成与电网相同频率的交流侧输出电压，因此主要结构可以看作是一个电压源型逆变器，工作原理如图2所示[1，8]。R与L分别代表D-STATCOM里面的等效电阻与等效电感，Us代表电网的电压，D-STATCOM所输出的交流电压用Ug来代表。Us到Ug的电压降等于L与R上的分压值Ux，通过L与R上的电流即是伴随电网电压改变D-STATCOM所吸收的I。 　　2 传统PID控制方法 　　PID控制是控制器最常用的控制规律。一般PID控制系统的基本原理如图3所示，由被控对象与模拟PID控制器两部分组成[9-10]。 　　PID控制器依据系统所提供给定值r（t）和系统所实际输出值y（t）来构成系统的控制偏差，如下式： 　　e（t）=r（t）-y（t） （1） 　　然后用系统偏差的比例（P）、积分（I）与微分（D）经线性组合来构成系统控制量，对系统中受控对象实现控制。它控制规律如下式所示： 　　（2） 　　其中上式中，Kp、Ti和Td分别代表比例系数、积分时间常数和微分时间常数。利用PID技术可实现D-STATCOM的控制，控制系统框图如图4所示。 　　3 模糊神经网络-PID复合智能控制方法 　　对时变系统或者非线性系统进行控制时，传统的PID控制方式已不能满足系统对控制的要求。为了满足时变或非线性系统控制的要求，本文基于模糊控制与人工神经网络来构建模糊神经网络PID控制器来实现对D-STATCOM系统的控制。 　　对于模糊控制系统来说，其核心就是模糊控制器。一般模糊控制器包括模糊化、知识库、模糊推理、解模糊化和输入输出量化等几个部分[11-12]。模糊控制器的基本结构如图5所示。 　　本文采用结构等价型的模糊神经网络，结构见图6表示，一般被划分四个层次，即输人层、模糊化层、模糊推理层和去模糊化层[13]。 　　（1）输入层 　　在该层中仅仅有两个节点，也就是误差e和误差变化率ec： 　　（3） 　　（2）模糊化层 　　该层主要功用是对系统真实的确定量进行转换获取一个模糊矢量，它是模糊控制器的输入端口。隶属度用来表示一个输入确定值隶属于某一模糊集合的程度，为实现该层的功能必须要建立模糊集合。一般将控制系统的模糊集合划分为七个子集即[NB，NM，NS，O，PS，PM，PB]，其中NB代表负大，NM代表负中，NS代表负小，O代表零，PS代表正小，PM代表正中，PB代表正大。本文中选取高斯型隶属度函数，系统输入值相对于每个模糊子集的隶属度由下面式子可以得到，如下： 　　（4） 　　其中，i = 2，m = 1，2，…7，j = 7（i-1）+m