神經網絡組合在電能質量智能控制器中的應用

虞 昉， 黃文燾

（1.國網浙江余姚市供電有限公司，浙江寧波315400；2.上海交通大學電子信息與電氣工程學院，上海200240）

0 引 言

電能質量綜合補償器（UPQC）在控制電力從源傳遞到獨立的負荷或從源傳遞到電網中發揮著重要作用。盡管大量的文獻都出現過UPQC的相關理論，但在應用中很難找到UPQC系統，甚至在全球配電范圍內也很少見。這種情況可以歸因于一個事實，即UPQC理論很難理解，而其控制系統處理設備也很難實現。許多學者在與UPQC相關聯的控制器的發展方面進行了大量的研究。如Ansari等提出了一個新穎的參考信號生成方法，基于模糊邏輯算法的UPQC［1-3］。在基于三相四線統一電能質量來補償電能質量方面，Engin等提出了同步參考坐標變換（SRF）的控制方法理論［3］。本文提出一個簡單且能夠循序漸進的電能質量綜合控制方案，與傳統的電能控制器模型相比，提出的綜合控制方案具有較強的有效性以及時間性［4］。

1 UPQC模型的建立

通常情況下，UPQC由2個通過一條公用直流母線連接起來電子變流器組成。在約束功率交易過程中，這2個轉換器利用4個控制器進行電流交換。并聯變換器是一個直流側和三相交流側三臂型三相橋變換器。三相交流端在共同耦合點，通過電壓互感器和一系列反應堆連接在三相交流母線，如圖1所示。

圖1 統一UPQC結構圖

一個脈沖寬度調制（PWM）信號發生器產生同步切換脈沖，切換三臂并聯變換器的6個開關，并聯變流器的目標可以通過切換脈沖實現，切換脈沖的生成是由2個控制器產生的三相參考信號控制。2個控制器的控制目標是影響參考信號的生成，從而使轉換器的操作滿足要求。圖2顯示了2個控制器的位置以及它們的輸入和輸出信號。第1個控制器是用來控制實際直流環節電壓和所需的直流環節電壓之間的誤差為零；第2個控制器是用于控制實際的共同耦合電壓與所需共同耦合電壓之間的誤差為零。這2個控制參數和相關的操作參數是調制指數（MI）的系數和幅度。

圖2 一般控制圖

源側三相電壓Ua、Ub和Uc符合正弦曲線，這些量要轉化為等效直流量，然后應用于控制器。轉換的三相正弦電壓表示為Uabc變為Ud，Uq，Uo，在旋轉坐標系中，稱為DQ 變換或派克變換。向量（Ua、Ub、Uc）可以通過變化矩陣轉換為另一個向量（Ud、Uq，Uo）：

向量（Ua、Ub，Uc）和變換矩陣的元素是隨時變化，但輸出向量Ud、UqUo不隨時間變化，而向量Ua、Ub、Uc的任何變化都會在Ud、Uq、Uo中有所反映。派克變換的三相電壓系統的變換，在正弦曲線中120°位移后，成為另一個系統3個常量。在變換系統中，如果三相系統平衡，Uo為0。Ud和Uq矢量是正交的且對彼此無任何影響。在一個典型的控制系統中，Ud和Uq可以單獨變化，不影響其他。

2 綜合神經網絡

以上述理論為基礎，本文設計了4種模糊邏輯控制器，其中2個分別為系列轉換器和并聯變換器。這4種模糊邏輯控制器適當調整均可達到預期性能。而這4個控制器可被4個單獨人工神經網絡取代，其后，4個控制器的2個輸入和1個輸出端被單獨人工神經網絡的8個輸入和輸出端取代。而考慮到若是4個人工神經網絡所取代1個單獨的人工神經網絡，操作的速度和系統的動態性能都會有所提高［5-6］。

在模糊邏輯控制器模型運行環境下，錯誤、錯誤率和模糊邏輯控制器相關的輸出用于訓練人工神經網絡。同時采用相同的步驟收集其他輸入／輸出數據。使用神經網絡形成4個人工神經網絡，且每個經過訓練，對輸入和輸出數據作出相應的反應。而通過使用UPQC模型重新安排與人工神經網絡在模糊邏輯控制器中的位置。整個UPQC系統的性能在可能導致電能質量擾動的不同負荷條件下，由于被4個人工神經網絡控制，可被觀測到。根據觀測該控制方案下4個人工神經網絡工作狀態正常［7］。然后，刪除4個人工神經網絡后，UPQC模型與CNN已經重新安排。與4個CNN相關聯的輸入和輸出路線分布在CNN網絡。整個UPQC系統的性能由CNN控制，在可能導致電能質量擾動的不同負荷條件下可被觀測到。

突觸權重在ANN形成初期且可隨機初始化，但在第1次訓練階段，根據學習規則突觸權重要經歷形態變化。最后，訓練結束后，每個突觸權重達到其最終值。在測試階段期間，ANN調成模擬功能。既使有輸入值，突觸權重不改變，只是與神經元共同工作輸出［11-13］。一個CNN反饋為反向傳播類型，其基本形式有一個輸入層、隱層和輸出層。而隱層內的數量可能不止一個。因模型試驗的復雜性，本文僅考慮只有一個隱藏層的CNN情況。CNN模型采用的形式如圖3所示。實際上，由于人工神經系統的組合，結果ANN出現更多數量的輸入和輸出，隱層神經元的數量是相同的。因此，所有相結合形成ANN的神經網絡，分享共同的隱層神經元。以演示人工神經網絡如何相結合工作舉例，考慮以下兩個非線性方程［14-15］：

圖3 CNN控制模型

考慮兩個獨立訓練的人工神經網絡的輸入／輸出數據集，設置時間范圍在0～1之間，在步驟0.01中，如方程（3）和（4）所述。在MATLAB／SIMULINK環境中，創建和培訓兩個人工神經網絡，兩個測試模型用于測試這兩個網絡的性能。然后創建含有兩個輸入和兩個輸出的第3個人工神經網絡。

3 模擬結果

本文中控制策略描述的CNN模型如圖4所示。通過對比UPQC的多功能控制結果，體現了綜合神經網絡控制器的作用。在不平衡條件下，電源電壓在電壓跌落和驟升情況下的扭曲圖［8-10］，如圖5（a）所示。補償電壓跌落和驟升，使用PI控制器，模糊邏輯控制器，ANN控制器和CNN控制器的情形如圖5（b）所示。從圖5（b）可見，在電壓驟升經過補償后，PI、FLC和ANN控制器對應的每單位值分別為1.083，1.038，1.102。而CNN控制器電壓驟升經過補償后，對應單位值為0.983（最接近單位）。類似地，在電壓跌落經過補充后，CNN控制器對應的單位值最接近（0.994）。負荷電壓保持恒定值，不考慮電壓源的電壓跌落和驟升幅度。在這種情況下，通過創建網絡系統上的不平衡負荷，可以分析電壓跌落和驟升情況。電壓跌落的時間是0.5 ～0.1 s和電壓驟升持續時間為0.15 ～0.2 s。供應電壓不平衡正弦值每單位低于1。串聯補償器注入電壓，負荷側維持平衡正弦電壓。負荷電壓維持在每單位1標準值。UPQC在補償電壓跌落和驟升情況下，通過PI控制器，模糊邏輯控制器，ANN控制器和CNN控制器如圖5（b）所示。

圖4 CNN模型

圖5 （a）電壓暫降（b）膨脹的源極電壓

PI、PLC和CNN控制器的性能分析如表1所示。從結果來看，CNN控制器諧波失真值保持在允許的范圍內。電源電壓失真條件下，在0.5～0.1 s發生跌落狀態。電源電壓跌落／驟升補償前在R階段失真2.66%。負荷電壓跌落／驟升補償后在R階段分別近為1.90%。創建一個不平衡負荷條件下，并聯補償器的負荷電流強制為正弦值。源電流補償之前諧波失真2.46%。補償后的電流諧波失真1.21%。因此在不同的控制器操作下，從表1可以很明顯看出，CNN控制器在補償后，減少電壓和電流諧波失真性能更佳。諧波失真在IEEE特定范圍519～1 922。圖6顯示，電壓跌落和驟升狀態下，負荷電壓保持恒定。圖6（a）顯示了帶負荷源側電壓跌落和驟升狀態下有功功率和無功功率。圖6（b）顯示模擬時間0.15 ～0.20 s，負荷側的有功功率和無功功率補償輸出結果。

表1 PI、FLC和CNN控制器性能分析

圖6 電源和負荷側的實際和無功功率

表2顯示，單一ANN控制器下源電流諧波失真2.68%而CNN控制器下失真是2.46%。同樣地，單一的ANN控制器下負荷電流諧波失真是1.69%，CNN控制器是1.21%。電源電壓、負荷電壓、源電流和負荷電流在CNN控制器下諧波失真如圖7所示。電源電壓在CNN控制器下總諧波失真（THD）是2.66%，負荷電壓是1.90%。電源電壓在ANN控制器總諧波失真（THD）是2.96%，負荷電壓是2.16%。源電流在CNN控制器下，總諧波失真（THD）2.46%，負荷電流1.21%。源電流載在ANN控制器補償前總諧波失真（THD）2.68%，補償后負荷電流諧波失真降低1.69%。從模擬結果觀察，CNN控制器的諧波消去性能法比ANN控制器和常規控制器更佳。

表2 ANN和CNN控制器性能分析

圖7 CNN控制器R相THD水平

4 試驗結果

通過模擬得到CNN的結構，可以很容易地應用于KEIL C（串行編程器源程序），并嵌入微型控制器。CNN使用的S型函數，可通過下述編程部分實現。程序包含的S型函數可以作為一個C型函數，由CNN主程序多次調用。MATLAB模擬CNN單位的突觸權重為常量和在keil運用中，突觸權重為浮點常量。訓練有素的CNN控制器使用微型控制器進行模擬在負荷突然變化情形下，形成電壓跌落和驟升。

圖8顯示了在電壓跌落狀態下的試驗結果。圖8（a）顯示的不平衡電源電壓和相應的諧波失真為2.79%。圖8（b）顯示了補償負荷電壓和對應的諧波失真為1.98%。負荷電壓保持恒定值。

圖8 電壓驟降和諧波

電壓驟升條件下試驗結果如圖9所示。增加的電源電壓及相應的諧波失真為2.79%，如圖9（a）所示。相對應的補償負荷電壓和諧波失真為1.98%，如圖9（b）所示。串聯轉換器用于注入電壓、補償負荷電壓。

圖9 電壓驟升和諧波

不平衡負荷條件下，源電流（跌落）扭曲和失衡情況如圖10（a）所示，相應的諧波失真為2.52%。電流補償的試驗結果如圖10（b）所示，負荷電流的諧波失真測量值是1.29%。

圖10 凹陷電流和諧波

不平衡負荷條件下，源電流（驟升）扭曲和失衡情況如圖11（a）所示，相應的諧波失真為2.52%。當前補償的試驗結果如圖11（b）所示，負荷電流的諧波失真測量值是1.29%，1 V等于1 A。由此可知，源電流波形是非正弦型，而補償負荷電流的波形本質上是正弦的，由于并聯變換器的作用，負荷電流維持平衡和正弦波形。因此在CNN控制器作用是消除諧波和補償電壓。試驗結果中，電壓和電流諧波失真補償后的水平如表3所示。

圖11 膨脹電流和諧波

表3 試驗結果數量／R相

由表3可知，負荷電壓和負荷電流補償后諧波失真水平分別為1.98%和1.29%。

5 結 語

基于CNC控制器的人工智能系統，運用綜合神經網絡設計了4種模糊邏輯控制器，其中2個分別為系列轉換器和并聯變換器。這4種模糊邏輯控制器適當調整均可達到預期性能；而這4個控制器可被4個單獨人工神經網絡取代，其后，4個控制器的兩個輸入和一個輸出端被單獨人工神經網絡的8個輸入和輸出端取代。而考慮到若是4個人工神經網絡所取代一個單獨的人工神經網絡。該系統可提高配電系統的電能質量。數值模擬模型和原型模型試驗顯示，可以實現較高的額定功率。采用此種系統可達到穩定狀態和瞬態響應。