[发明专利]基于神经网络的有源电力滤波器非线性预测控制方法

权利要求书

1.一种基于神经网络的有源电力滤波器非线性预测控制方法，其特征在于，具体方法如下：

S1：建立有源电力滤波器动力学方程；

S2：基于RBF神经网络建立有源电力滤波器的预测模型；

S3：选择目标函数J(x,u,t)；

S4：使用随机梯度法求解目标函数，即可得到最优控制序列,将得到的最优控制序列代入S2中的预测模型中，即可得到最优预测输出。

2.根据权利要求1所述的基于神经网络的有源电力滤波器非线性预测控制方法，其特征在于，所述S1的具体步骤如下：

S1-1:根据电路理论和基尔霍夫电压定律可以得到公式(1)：

其中，H为集总不确定性，i_c为滤波器输出补偿电流；R为等效电阻；L为交流侧电抗器；U_s为电网电压；U_dc为直流侧电容电压；d指示IGBT的工作状态，定义如公式(2)所示：

S1-2:为了实现谐波抑制，设计一个控制器使滤波器输出补偿电流i_c跟踪上指令信号设i_c＝x(t)，d＝u(x(t),t)，则将公式(1)描述为以下含状态和输出的系统状态空间方程：

其中，t是时间，x(t)为不同时间t对应的输入电流，函数f_c()是具有状态和输入向量的非线性有界函数；

S1-3:对公式(3)经行离散化处理，令kT_s≤t(k+1)T_s，经离散化后得到源电力滤波器动力学方程，如公式(4)所示：

其中，k是离散采样序列，k＝0，1，2，3…，T_S为采样周期。

3.根据权利要求1所述的基于神经网络的有源电力滤波器非线性预测控制方法，其特征在于，所述S2的具体步骤如下：

S2-1：构建RBF神经网络结构，具体包括：

输入层，所述输入层将输入信号传递给下一层；

隐层，一个节点表示对应一个高斯隶属函数：

其中，μ_ij,c_ij,σ_ij分别是第i个输入对应的第j个高斯隶属函数的输出、中心向量和基宽，m,n分别为输入变量个数和隐层节点数；

输出层，所述有源电力滤波器为单输入单输出系统，则RBF神经网络的输出表示如公式(6)所示，为所设计的基于RBF神经网络的预测模型：

其中，w_j为隐层第j个节点和输出节点之间的连接权重；

根据上述RBF神经网络结构，对公式(6)进行时间离散化处理，得到基于RBF神经网络的预测模型的输入输出映射关系：

其中，θ为初始时刻，τ为θ时刻后的一小段时刻，y_m(θ+τ)是预测模型第θ+τ时刻的预测输出；

S2-2:采用扩展卡尔曼滤波算法对RBF神经网络的参数向量进行调节，具体参数调节过程如下：

RBF神经网络的参数向量如式(8)所示：

C和σ分别表示高斯型隶属函数所有基宽和中心向量的集合，w为所有连接权矩阵；

上述参数向量可通过扩展卡尔曼滤波算法进行调节，即：

W_EKF(λ)＝W_EKF(λ-1)+diag(η(1),η(2)...,η(3n))K(λ)e_λ(λ) (9)；

其中，η(1),η(2)…,η(3n)均为修正系数，且取值均在0～1之间，e_λ(λ)为第λ个迭代的网络目标函数与第λ-1个迭代的网络实际输出函数的残差，K(λ)为第λ个卡尔曼增益向量，如式(10)所示：

其中，H(λ)为第λ个RBF神经网络参数梯度向量，R(λ)为为第λ个RBF神经网络参数测量噪声方差，P(λ)是第λ个RBF神经网络参数误差的协方差矩阵，其中，R(λ)为已知量，H(λ)和P(λ)分别由公式(11)和(12)得到：

P(λ)＝P(λ-1)-K(λ)^TH(λ)P(λ-1)+Q(λ) (12)。