單神經元自適應神經網絡PID控制策略在DVR中的應用研究

蔡宇樓　吉培榮　陳　成　張古月

(三峽大學 電氣與新能源學院， 湖北 宜昌　443002)

?

單神經元自適應神經網絡PID控制策略在DVR中的應用研究

蔡宇樓吉培榮陳成張古月

(三峽大學 電氣與新能源學院， 湖北 宜昌443002)

摘要：本文設計了一種用于動態電壓恢復器控制策略的具有單神經元自適應神經網絡的PID控制器，基于改進單神經元網絡控制策略建立了動態電壓恢復器控制模型．針對傳統PID在快速性和精確電壓補償上的不足，提出改進單神經元自適應控制，形成新型具有自學習的智能控制方法，以提高控制器對信號的跟蹤能力和對環境的適應能力．通過Matlab/Simulink的建模仿真，表明所提的控制方法具有魯棒性強、輸出電壓穩態精度較高、動態響應速度快等特點．

關鍵詞：電壓跌落；動態電壓恢復器；神經網絡；自適應PID控制；自學習

目前的電力系統中，電壓的短時中斷以及電壓的跌落是發生頻率很高的事件，已產生了廣泛影響，帶來了很大經濟損失，是影響設備正常運行和安全用電的重大電能質量問題之一．因此，減緩電壓跌落問題的設備研究和應用受到了人們的重視，目前控制電壓跌落最經濟、最有效的補償裝置是動態電壓恢復器(DVR)[1-2]．對于控制策略的研究與改進是DVR研究中的重中之重，如何改善控制系統的動態特性，使DVR能達到一個更好的控制狀態來保障電能質量的供應，在現在的電力系統研究應用中有重大意義[2]．

1996年，在美國西部電子展覽會議上第一次提出了關于DVR的研究報告，給出了相關的實驗結果．同年，世界首臺2 MV·A的DVR在美國的Duke電力公司投入運行．而到了2000年，ABB公司在以色列投產了兩套當今世界上最大的DVR(單套容量均為22.5 MV·A)．20世紀90年代后期，我國也開始對DVR開展研究，研究內容包括DVR的結構、補償策略、參數選擇、鎖相、檢測等方面．經過努力探索，中國電力科學研究院成功地研制出了10 kV和380 kV電壓等級的DVR，并投入實際運行．

在當前的應用中，雙閉環PI控制的DVR占主導地位，其優點是性能好，即穩定并具有較高精度，而且易于在工程應用中實現[3]．但PI控制器在補償精度上存在不足，雙閉環PI控制在響應速度和控制精度上還有待提高．

DVR的補償精確度與控制方法有非常大的關系[4]，原因是實現補償的一個重要環節是由DVR提供的電壓來維持敏感負載所需特定電壓的狀態，從而實現對敏感負載的電壓跌落進行精確有效的補償．

針對上述雙閉環PI控制策略的缺點，本文以神經網絡智能算法為基礎[5-7]，由改進的單神經元構成單神經元自適應PID控制器作為DVR的控制部分．該控制策略具有自適應和自學習能力，能適應不同環境的變化，有比較強的魯棒特性，可以提高系統的準確性、響應速度和補償效果，能使DVR裝置的動態性能得到一定的增強．

1單神經元自適應PID DVR拓撲結構

一般來說，DVR主要由控制單元、儲能單元、逆變單元、輸出濾波器、串聯變壓器和旁路系統構成．其結構圖如圖1所示．儲能單元是為了補償所需的功率，濾波器是為了濾除高次諧波．其中，儲能單元選取所給的直流電源，逆變單元則選用三單相全橋結構．當系統電壓跌落時，由控制部分感應信號，做出反應傳到PWM發生器，再讓逆變單元產生相應變化，將通過濾波單元濾波后的電壓補償到系統中．

圖1　一種單神經元PID DVR系統結構

對于DVR來說，逆變器的全控器件是提供電壓的重要器件．該逆變器使用3個單相全橋的逆變結構，其中的每一相在結構和控制上都是相互獨立的[8]，因此研究過程中可將其簡化為如圖2所示的單相結構．圖2中，ui是單相逆變器產生的輸出電壓，Udc是整流器產生的輸出電壓，iL是電感電流，u0是輸出電壓．

圖2　單相拓撲結構

由圖2可得如下狀態方程

(1)

(2)

2雙閉環PID控制策略與基于單神經元結構的自適應PID控制策略

2.1一般雙閉環PI控制系統

圖3所示為雙閉環控制系統框圖，外環是負載電壓瞬時的反饋控制，內環則是濾波電容電流瞬時的反饋控制．

圖3　雙閉環PI控制系統框圖

圖中ur為理想正弦波，KPWM為PWM等效增益．輸出反饋電壓與給定電壓基準信號比較，形成瞬時誤差調節信號，經PI調節后作為電流內環的參考值，再與反饋電流比較，經過電流P調節器產生電流誤差控制信號[4]．

雖然PI控制器中的電流電壓雙閉環控制策略能夠達到一定的控制精度，但PI控制并不能實現無靜差控制尤其是在應用到交流系統中瞬態反饋控制的時候[6]，會對整個系統的穩定程度產生負面的影響．

2.2單神經元結構的自適應PID控制策略

圖4所示為單神經元結構的控制結構框圖．通過對加權系數調整，單神經元自適應控制器實現自適應、自組織功能．權系數的調整、設定，按照有監督的Hebb學習規則實現，并使控制系統的設計具有模塊化特點．

圖4　基于單神經元結構的自適應PID控制結構

圖4所示的結構中，w1、w2、w3為權系數，神經元通過權系數進行調整來改變PID中的比例、積分、微分的學習速率，然后通過神經網絡學習后，再分別由兩個S-函數分別調整兩個PID控制器的參數來實現整個控制．通過將比例、積分以及微分各個量組合，構成PID控制量，實現對被控對象的控制，其控制規律為：

(3)

式中，kP為比例系數，TI為積分時間常數，TD為微分時間常數．誤差和誤差的積分及微分三者分別代表了該系統輸出的當前和過去及未來的3個狀態．

2.3改進的單神經元自適應PID控制

圖4中，xi、wi分別為對應神經元的第i個輸入以及第i個輸入所對應的連接權值，而K則為單個神經元的增益，該參數對系統的快速追蹤和抗干擾能力有較大作用，對應的向量式為：

(4)

其中，X和W為輸入向量和輸入向量連接權值向量，即X=(x1，x2，x3)T，W=(w1，w2，w3)T．

神經元控制器的輸出：

(5)

PID相關參數在線修正學習主要是與e(k)和Δe(k)有關，因此可對單神經元PID控制算法的相關加權系數的學習修正部分進行修改，改進以后的算法如下所示：

式中，Δe(k)=e(k)-e(k-1)，z(k)=e(k)．

上述的改進算法中，權系數的在線修正學習并不是完全根據神經網絡的學習原理確定的，而是根據模型的具體情況確定的．ηP、ηD、ηI三者為比例、微分、積分學習速率，K為單神經元比例系數，并且有K>0．比例P、微分D、積分I三者各自采用不同的學習速率ηP、ηD、ηI來調整各自的權系數．

K值的選擇非常重要．K越大，則系統具有的快速反應性能越好，但一旦超調量過大，則有可能使系統變得不穩定．當被控制對象時延變大時，K值則應相應減小，從而使系統保持穩定．但如果K值選擇過小，則會對系統的快速性產生不利影響．

2.4參數的選擇

1)針對階躍響應，如果輸出產生了大的超調，且正弦衰減現象多次出現，則應減少K并維持ηI、ηP、ηD不變；如果上升時間較長，并且不存在超調，則應增大K，并保持ηI、ηP、ηD不變．

2)針對階躍輸入，如果被控對象存在多次衰減，則應減小ηP，并保持其他參數不變．

3)如果被控對象的響應特性出現了上升時間變短、超調變大的現象，則應減少ηI，使其他參數保持不變．若被控對象的響應特性出現了上升時間變長的現象，增大ηI則又導致超調過大，則可適當增加ηP，并保持剩下的參數不變．

4)調整開始時，ηD應選擇較小的值，當調整的ηI、ηP和K使得被控對象具有良好的特性時，再增大ηD，并使其他參數不變，則會使系統輸出無波紋．

3仿真研究

借助仿真研究方法[9-11]，根據前述內容，利用Matlab對該單神經元自適應PID-DVR開展深入研究．系統的具體參數為：電網電壓U=220 V、基波頻率f=50 Hz、濾波電容為C=60 μF、濾波電感L=60 mH．

仿真試驗中，假設電網在0.04～0.12 s時分別發生幅值為30%和50%的電壓跌落現象，持續時間為0.08 s，仿真結構圖與電網電壓跌落與補償波形如圖5所示．一般PID控制的指標數據參照文獻[3]得出．

圖5　系統仿真框圖

3.1電壓跌落的幅值為30%補償結果分析

此時NN-PID控制系統中K=0.001 2，兩個PID中學習速率分別為PID1(ηP=1×10-3，ηI=1×10-4，ηD=1×10-15)，PID2(ηP=1×10-3，ηI=5×10-7，ηD=1×10-15)．

圖6中，藍色為正常電壓波形，紅色為補償后電壓波形，可見電壓跌落在0.04 s時發生．將電壓跌落引起的暫態過程放大，可見當電壓跌落幅度達到30%時，在0.040 11 s時刻附近由于補償電壓介入使電壓跌落回到正常值，整個響應時間約為0.1 ms，動態響應速度較快．超調量為6%，補償幅度較為準確，穩定時間為0.3 ms．

圖6　電壓跌落與補償波形圖1

圖7　補償電壓質量分析波形圖1

3.2電壓跌落幅值為50%的補償結果分析

此時NN-PID控制系統中K=0.001 2，兩個PID中學習速率分別為PID1(ηP=1×10-6，ηI=1×10-4，ηD=1×10-15)，PID2(ηP=1×10-6，ηI=5×10-7，ηD=1×10-15)．

如圖8所示，藍色為正常電壓，紅色為補償后電壓，可見電壓跌落在0.04 s發生．將電壓跌落引起的暫態過程放大，可見當電壓跌落幅度為50%時，在0.040 12 s時刻附近由于補償電壓的介入使其跌落回到正常值，整個響應時間約為0.1 ms，動態響應速度較快．超調量為6.1%，補償幅度較為準確，穩定時間為0.4 ms．

圖8　電壓跌落與補償波形圖2

圖9　補償電壓質量分析波形圖2

3.3仿真結果比較

仿真結果歸納見表1和表2．

表1　電壓跌落30%的仿真結果比較

表2　電壓跌落50%的仿真結果比較

仿真結果表明，改進的單神經元自適應PID的控制策略相比于普通雙閉環PID控制，穩定的時間更短，響應的速度更快，有更好的補償效果．同時，改進的控制策略具有自適應能力，能夠不斷修正自己的特性從而適應對象和擾動的動態特性變化，還具有自組織和自我調整的能力，使控制智能化．

4結論

本文針對DVR用傳統的雙閉環PID控制存在的不足，采用了改進的單神經元自適應PID的控制策略．這是一種新的控制方法，是具有自學習和自適應能力的智能PID控制策略，能克服傳統PI控制器的不足，而且能適應環境的變化，具有較強的魯棒性．仿真結果表明了改進控制策略具有改善的響應速度及穩態精度，表明該控制策略是有效和可行的．

參考文獻：

[1]陳國棟．動態電壓恢復器電壓跌落檢測算法與控制技術綜述[J]．電氣工程學報，2015，10(5)：21-33．

[2]Takushi J，Hideaki F，Hirofumi A．An Approach to Eliminating DC Magnetic Flux from the Series Transformer of a Dynamic Voltage Restorer[J]． IEEE Transactions on Industry Applications，2008，44(3)：809-8l6．

[3]許斌斌．基于分數階控制系統的動態電壓恢復器控制策略的研究[D]．北京：華北電力大學，2013．

[4]袁性忠，姜新建，黃宇淇．動態電壓恢復器的復合控制策略[J]．電力系統自動化，2006，30(19)：61-68．

[5]趙娟．神經網絡PID控制策略及其Matlab仿真研究[J]．微計算機信息(測控自動化)，2007，23(3-1)：59-74．

[6]吳玉香，王聰．基于確定學習的機器人任務空間自適應神經網絡控制[J]．自動化學報，2013，39(6)：806-815．

[7]馮小明．動態電壓恢復器理論及仿真研究[D]．北京：中國農業大學，2005．

[8]周暉，齊智平．動態電壓恢復器檢測方法和補償策略綜述[J]．電網技術，2006，30(6)：24-29．

[9]劉金琨．先進PID控制及其MATLAB仿真[M]．北京：電子工業出版社，2002：87-95．

[10] 譚俊．動態電壓恢復器的關鍵技術研究[D]．武漢：華中科技大學，2012．

[11] 黃瀚，楊潮，韓英鐸，等．配電網動態電壓調節器控制策略的研究[J].電網技術，2002，26(1)：1-4．

[責任編輯張莉]

收稿日期：2015-07-26

通信作者：吉培榮(1962-)，男，教授，主要研究方向為電力系統運行與控制、電力市場．E-mail：jipeirong@163.com

DOI：10.13393/j.cnki.issn.1672-948X.2016.01.018

中圖分類號：TP273

文獻標識碼：A

文章編號：1672-948X(2016)01-0089-04

Application of Single Neuron Adaptive Neural Network PID Control Strategy to DVR

Cai YulouJi PeiringChen ChengZhang Guyue

(College of Electrical Engineering & Renewable Energy, China Three Gorges Univ., Yichang 443002, China)

AbstractThis paper designs a single-neuron adaptive neural network PID controller used for the control policy of dynamic voltage restorer(DVR) and establishes the control model of DVR under the control strategy of improved neural network. In light of the conventional PID's shortcomings in speed and precise voltage compensation, this paper improves single-neuron adaptive control and forms new self-learning intelligent control method, so as to enhance the abilities of the controllers in tracking signals and adapting to the environment. Through the modeling and simulation of Matlab/Simulink, it is shown that this control method has the characteristics of rapid dynamic response, precise stability of output voltage and strong robustness, etc.

Keywordsvoltage sag；dynamic voltage restorer；neural network；adaptive PID control；self-learning