[发明专利]多模型模糊神经网络PI控制器的STATCOM电流控制方法

说明书

技术领域

本发明涉及电力系统电能质量无功补偿中的静止同步补偿方法，特别是涉及一种基于多模型模糊神经网络PI控制器的静止同步补偿电流控制方法。

背景技术

利用静止同步补偿器(STATCOM,Static Synchronous Compensator)来改善电能质量主要有两个目的：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。静止同步补偿器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。

静止同步补偿器的主要控制方法为双闭环PI控制，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。其他的一些基于PI的智能控制方法主要有神经元自适应PI控制、基于遗传算法的PI控制以及粒子群优化PI控制等。但是模糊PI控制器的参数整定规则需要通过现场调试和专家经验获得，而神经元自适应PI控制则需要较长的时间来训练神经元。基于遗传算法的PI控制虽然能够获取PI参数，但是收敛较慢，运行时间较长。而粒子群优化PI控制可以快速得到最优解，但是容易陷入局部最优。上述方法仅仅能够克服静止同步补偿器的非线性特性，当冲击性负载发生变化，导致功率因数变化时，采用上述方法，不能较快的适应负载的变化和获得较高的精度，从而影响了装置的补偿精度。

发明内容

本发明的目的在于提供一种多模型模糊神经网络PI控制器的STATCOM电流控制方法，在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时，使PI控制器能够适应接入点负载功率因数的变化，实现对功率因数的有效补偿。

为了实现上述目的，本发明提供一种多模型模糊神经网络PI控制器的STATCOM电流控制方法包括以下步骤：

S1：根据一配电系统负载侧接入负载电流的功率因数的大小，将模糊神经网络PI控制器内划分成n个模型M_i(i=1,2,...,n)；

S2：对于所述n个模型分别设计d轴第二级PI控制器PI_di（i=1,2,...,n）与q轴PI控制器PI_qi（i=1,2,...,n）；

S3：向所述配电系统负载侧接入一负载电流，并选择所述n个模型M_i(i=1,2,...,n)中相应的模型，并通过d轴模糊神经网络模块选定模型中d轴第二级PI控制器PI_di（i=1,2,...,n）的控制参数K_pd2和K_id2，通过d轴模糊神经网络模块选定模型中q轴PI控制器PI_qi（i=1,2,...,n）的控制参数K_pq和K_iq；所述d轴模糊神经网络模块包括d轴模糊控制器和d轴神经网络；所述q轴模糊神经网络模块包括q轴模糊控制器和q轴神经网络；

其中，n为正整数。

作为优选地，所述n的值为3。

作为优选地，所述d轴模糊神经网络模块以及所述q轴模糊神经网络模块均采用BP神经网络。

作为优选地，步骤S3进一步包括：

S31：将给定d轴有功分量参考电流I_Cref与静态补偿器电路d轴输出电流I_Cd的差值e_ic(k)和差值e_ic(k)的导数作为所述d轴模糊控制器的输入，通过所述d轴模糊控制器得到相应的输出；将给定d轴有功分量参考电流I_Fq与静态补偿器电路q轴输出电流I_Cq的差值e_iq(k)和差值e_iq(k)的导数作为所述q轴模糊神经网络控制器的输入，通过所述d轴模糊控制器得到相应的输出；

S32：将步骤S31中的输出作为所述BP神经网络的输入数据来分别训练所述d轴神经网络和所述q轴神经网络，所述d轴神经网络与所述q轴神经网络完全一致，其均包括输入层、隐含层以及输出层，其中输入层具有3个神经元，所述输入层的输入为i=1,2,3；其中f为所述输入层函数，k为输入变量；所述输入层的输出与输入相等，即: