[发明专利]有源滤波器的自反馈递归模糊神经网络预测控制方法

说明书

本发明公开了一种有源滤波器的自反馈递归模糊神经网络预测控制方法，包括以下步骤：S1：建立有源电力滤波器的预测控制数学模型；S2：根据步骤S1建立的预测控制数学模型构建自反馈递归模糊神经网络预测模型；S3：设计神经网络预测模型参数学习策略，计算得到神经网络的自适应率；S4：根据步骤S3得到的神经网络预测模型设计自反馈递归模糊神经网络模型预测控制率，实时优化控制器。本发明采用数据驱动在线优化的方法，不依赖于系统精确模型，能够对谐波电流进行快速、高精度的补偿，并且抗干扰能力强，鲁棒性好，具有较好的稳态和动态性能。

技术领域

本发明涉及有源滤波器的自反馈递归模糊神经网络预测控制方法，属于智能控制技术领域。

背景技术

随着电力电子设备的广泛应用，电力系统中非线性负载不断增加，电网中的谐波污染也日益严重。谐波会对电力系统的安全造成严重的危害，主要表现在增加电力系统中的附加谐波损耗、影响各种电气设备的正常运行、导致继电保护和自动装置的误动作以及对邻近通信系统造成明显干扰等方面。

有源电力滤波器作为最有效的谐波治理手段，受到了广泛的关注和重视。然而，随着社会对电能质量的要求越来越高，国家对电网的谐波限制也越来越严格，常规的滞环控制、PID控制等方法难以满足要求，智能控制方法应用于有源滤波器已成为当前的研究热点。然而，目前的控制方法依然存在着补偿精度不高、抗干扰能力弱、依赖系统精确模型等问题。

发明内容

针对以上问题，本发明提供一种有源滤波器的自反馈递归模糊神经网络预测控制方法，采用数据驱动在线优化的方法，不依赖于系统精确模型，能够对谐波电流进行快速、高精度的补偿，并且抗干扰能力强，鲁棒性好，具有较好的稳态和动态性能。

本发明中主要采用的技术方案为：

一种有源滤波器的自反馈递归模糊神经网络预测控制方法，包括以下步骤：

S1：建立有源电力滤波器的预测控制数学模型；

S2：根据步骤S1建立的预测控制数学模型构建自反馈递归模糊神经网络预测模型；

S3：设计神经网络预测模型参数学习策略，计算得到神经网络的自适应率；

S4：根据步骤S3得到的神经网络预测模型设计自反馈递归模糊神经网络模型预测控制率，实时优化控制器。

优选地，所述步骤S1的具体步骤如下：

S1-1：有源电力滤波器补偿电流的非线性动态模型用差分方程表示如下：

i_c(t+1)＝f(i_c(t),x(t)) (1)；

其中，i_c(t)为t时刻的补偿电流，x(t)为t时刻的控制状态量；

S1-2：将有源电力滤波器中的参考电流信号和补偿电流信号的预测问题转化为对补偿误差的预测问题，则有源电力滤波器的预测控制模型设计如下：

y(t+1)＝h(y(t),x(t)) (2)；

其中，y(t)为t时刻参考电流信号与系统输出补偿电流信号的差，x(t)为t时刻的控制状态量，设跟踪任务为c(t)，则跟踪目标为：y(t)跟踪上c(t)，且c(t)≡0。

优选地，所述步骤S3中构建的自反馈递归模糊神经网络预测模型结构如下：

第一层：输入层

所述输入层完成对输入信号的传递，输入参数为当前时刻的状态量和控制量；

第二层：模糊化层

所述模糊化层中，输入层的每个输出与模糊化层的三个神经元连接，通过高斯函数对输入信号进行模糊化操作；