基于神经网络的三电平变流器统一电能质量调节器控制方案

可在www.sciencedirect.com上在线ScienceDirect电气系统与信息技术杂志5（2018）526基于神经网络的三电平变流器统一电能质量调节器控制方案Sudheer Vinnakoti先生，V enkata Reddy Kota印度Kakinada贾瓦哈拉尔·尼赫鲁科技大学电气和电子工程系接收日期：2016年10月17日;接收日期：2017年8月4日;接受日期：2017年11月24日在线提供2018年摘要统一电能质量调节器（UPQC）已被令人信服地用于缓解大多数电能质量问题。传统的控制方案如同步参考帧（SRF）和基于P-Q理论的控制涉及abc到/从dq/αb变换。因此，它们涉及复杂的计算并且需要昂贵的DSP/FPGA采用人工智能控制方案有助于减少控制系统的规模和操作的复杂性。本文提出了一种神经网络控制器的UPQC有效的操作和控制。ANN控制器降低了系统的成本和复杂性。控制器的性能进行了分析，在各种条件下，如电源电压和负载电流谐波，负载不平衡，电压骤降和膨胀。结果证明了神经网络控制器的优越性，比传统的控制器。© 2018 电 子 研 究 所 （ ERI ） 。 Elsevier B. V. 制 作 和 托 管 这 是 CC BY-NC-ND 许 可 证 下 的 开 放 获 取 文 章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：多电平逆变器UPQC（MLI-UPQC）;二极管箝位变换器（DCC）;电能质量改善;总谐波失真（THD）;人工神经网络（ANN）1. 介绍当今世界，电子和非线性设备已大量渗透到电力系统中。随着这些设备和负载的增加，谐波和许多其他电能质量问题正在增加，这需要具有更快控制方案的新型缓解设备。虽然无源滤波器具有解决谐波的能力，但它们体积庞大且价格昂贵。此外，不适当的设计导致谐振并增加谐波（Ansari等人， 2015年）。 有源电力滤波器解决了谐波相关的问题，也不会引起谐振，而不会笨重或昂贵。统一电能质量调节器（UPQC）--一种更先进的并联型和串联型APF装置*通讯作者。电子邮件地址：sudheer@kluniversity.in（S. Vinnakoti），kvr博士@ ieee.org（V.R. Kota）。电子研究所（ERI）负责同行评审。https://doi.org/10.1016/j.jesit.2017.11.0012314-7172/© 2018电子研究所（ERI）。Elsevier B. V.制作和托管这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。S. Vinnakoti，V.R.Kota/电气系统和信息技术杂志5（2018）526527通过直流链路电容器背靠背连接解决了大多数PQ问题（Khadkikar和Chandra，2008年;Sindhu等人， 2015年）。 如果采用多电平逆变器（MLI）作为UPQC中的APF，则可以提供更好的性能，因为MLI随着电平的增加而产生更多的正弦输出，更少的失真，低dv/dt，由于低开关频率设备操作兼容性和较低的电力电子开关额定值而导致的低开关损耗。二极管箝位转换器类型的MLI由于其与背靠背连接的兼容性而在公用电力应用中被广泛接受但是，这种拓扑结构中的直流链路电容器电压不平衡导致UPQC应用出现故障或性能低下（Chennai和Benchouia，2014年）。 为了避免这种不平衡，可以使用用于电压平衡的附加硬件电路（Hatti等人， 2008）或必须使用适当的开关控制（Saeedifard等人，2009;Pan等人，2005年）。这增加了系统的复杂性和成本。为了保持恒定的直流链路电压，控制器如PI、PID、模糊逻辑等，但是都需要精确的线性数学模型。 未能开发难以设计的模型，会导致在负载参数变化下的结果不令人满意（Kinhal等人， 2011年）。在产生用于补偿的估计参考信号时，采用pq理论，其性能在正弦源情况下令人满意。如果源具有谐波，则任何系统的性能将降低。基于SRF的控制方案可以提供更好的性能，无论电源中是否存在谐波。后来的pq理论与谐波提取方法也可以提供改进的性能，因为SRF源时有谐波，而且这些技术很容易实现。但这两种方案都涉及冗长而复杂的数学计算。在极端谐波条件下，性能不令人满意。新一代控制方案希望机器和设备具有类似人类的智能，称为人工智能（AI）。在人工智能技术中，人工神经网络（ANN）由于其快速动态响应而不会在宽范围的操作上干扰系统的稳定性而在电力电子系统中吸引了更多的应用（Kinhal等人，2011;Langer等人，2014;Kow等人，2016年;Jayachandran和MuraliSachithanandam，2016年）。本文提出了一种基于三电平变流器的UPQC，用于改善具有非线性负载的配电系统在电源电压畸变、凹陷和隆起下的性能。该方法采用多层前馈神经网络对并联型APF进行电流控制，并产生基于三电平变流器的UPQC中电压和电流的估计参考信号。使用Levenberg-Marquardt算法训练ANN模型使用Matlab/Simulink软件进行仿真，以评估控制器的性能谐波，电压暂降，电压浪涌，有功和无功功率流，电容器电压平衡和%THD的缓解在这项工作中进行所提出的方案的结果进行了比较，与基于SRF控制的性能比较。本文的结构分为第2节-基于三电平DCC的UPQC，第3节-ANN控制器，第4节-仿真结果和第5节-结论。2. 基于三电平DCC的UPQC系统在实际配电网中，当没有无功电源向负荷提供所需的无功功率时，配电网就从无功电源中提取无功功率当电源提供无功功率时，电源电流携带谐波分量。失真的源电流会导致整个系统过热当并联型有源电力滤波器接入电网后，负载所需的无功功率由它提供，电源不再向负载提供无功功率，此时电源电流为正弦电流。如果电源电压有谐波和失真，将此电压提供给负载会导致负载性能下降。串联有源滤波器可以提供所需的电压，以改善波形，使其成为正弦曲线。即使在电压跌落和电压上升期间，串联APF也提供和抑制电源电压，从而始终将恒定的正弦电压施加到负载上。并联和串联APF都可以缓解负载和电源中的电压和电流相关问题UPQC有一个并联和一个串联APF，通过一个直流链路电容背靠背连接。基于三电平DCC的UPQC系统示意图如图1所示。对于三电平UPQC，需要两个电容器来提供直流链路，其中每个电容器由两个DCC单元共享，并且中间节点p至n对于两个DCC单元是公共的耦合电感器连接在每个DCC单元的交流侧直流链路电容器（Cdc）、这些电容器上的电压（Vdc）以及转换器和AC网络之间的耦合电感器是重要的，必须仔细选择以使UPQC有效和正确地工作变换器参数的设计对UPQC的有效运行起着至关重要的作用Cdc、Vdc、Lse、Lsh和Fsw是设计过程中应注意的重要参数。两层的设计细节528S. Vinnakoti，V.R.Kota/电气系统和信息技术杂志5（2018）526DC=+−C DC DC2Fig. 1.具有背靠背三电平二极管箝位转换器的UPQC。Srinivas等人（2013）给出了UPQC应用的转换器参数。基于以下等式，为工作中使用的转换器选择参数。2.1. Cdc和Vdc在过渡期间，负荷kVA将发生变化。如果一个能够处理0.5X kVA至2X kVA的并联转换器连接到系统的XkVA负载，则直流链路电容器两端的电压（Vdc）随系统kVA负载的降低而增加，反之亦然。一般而言，对于系统的给定X kVA负载和Vdc的12.5%变化，直流链路电容器的值取决于其能量处理能力，其由下式给出：（1 P）V）2（（1 P）V）2（1）2其中，ΔEc是电容器两端的能量变化（Cdc），Vdc是Cdc两端的电压，P是执行特定任务所允许的最大和最小Vdc假设负载在瞬态周期（T）的n个循环中从2X kVA变为0.5X kVA，则系统能量的变化（ΔEs）由下式给出：Es=.2X-Xn·T（2）从Eqs。根据公式（1）和（2），DC链路电容器被导出为：2（2X-X）nTCdc=（（1+ P）Vdc）22-（（1− P）Vdc）第二章（三）其中，X是系统的kVA负载，n是循环次数，T是一个循环的时间周期这里，Vdc = 700 V，X= 9 kVA，n = 1，T = 0.02 s。代入后，C dc的值为2200 µF。直流链路电容器两端的电压是电源电压峰值（Vm）的Z倍，其中Z在1.2和2之间变化，并在等式中给出（四）、 针对并联耦合电感器和直流链路的各种值验证%THDS. Vinnakoti，V.R.Kota/电气系统和信息技术杂志5（2018）526529=seΣ=sh电压. 对于大约从7.5 kHz到10 kHz的开关频率变化，Z的值为2，其中%THD最小化。因此，直流链路电容器两端的电压由等式（1）给出（五）、第一章（四）Z=..Fsw minFsw maxVdc= 2× Vm（5）其中，Fswmin是转换器的最小开关频率，Fswmax是转换器的最大开关频率应用于m电平转换器的直流链路电压（V* dc）使用表达式（Chaves等人，2010年）、VDCVDC=（m−1）（六）、2.2. 用于串联和并联转换器的串联和并联变换器通过耦合电感将电源和负载耦合在一起，称为耦合电感。这些电感器限制di/dt和可以流入系统的最大电流的幅度。假设额定纹波电流为10%，考虑到转换器由SPWM控制，出现最大峰间纹波电流（最大峰值）（Ramteke和Patil，2014年）。在输出端，最大峰峰值纹波电流和串联耦合电感的值如下：Lmax= 0. 最大1mA（7）LVdc最大值：6mm（八）经验性地测试系统性能，对于不同的m值，并联耦合电感和直流链路电压具有最低的%THD。据观察，在m= 2，直流链路电压为700 V，并联耦合电感为15 mH时，%THD最低。 来自Srinivas et al. （2013）中，并联耦合电感器的值表示为等式（1）中给出的值。（九）、LVdc4小时。 ·F swmax式中，h为滞环极限，为额定电流的5%3. 人工神经网络控制器（九）对于任何系统的稳定和高质量运行，必须尽早检测到导致不稳定或干扰条件的干扰因素，并对其进行补偿以使其无效。正如人们常说的不幸的是，机器和设备不是智能的，它们没有学习，但它们按照编程顺序快速执行操作或功能如果他们能在快速顺序操作的同时，借鉴他们的工作经验，系统性能在性能质量和操作速度方面都能得到很大的提高。人工智能（AI）就是为系统提供这种能力。人工神经网络是人工智能技术中最适合应用于电力电子系统控制的技术之一。最近的研究表明，基于人工神经网络设计的控制器提供了更快的动态响应和更大范围的操作条件下的变流器系统的稳定性。人工神经网络的优点包括大量的并行性，学习能力，泛化能力，自适应性，上下文信息处理，容错性，低能耗，跟踪能力，快速收敛和鲁棒性。 基本的人工神经网络架构有3层，如图所示。 二、1. 输入层-存储输入数据，并且通过该层提供要提供给系统的输入2. 隐藏层-由输入层提供的输入在该层中根据层之间的连接的权重、偏置（如果有的话）和激活函数来处理。3. 输出层-存储计算结果。1−530S. Vinnakoti，V.R.Kota/电气系统和信息技术杂志5（2018）526图二. ANN基本结构图三.电容器电压平衡的神经网络结构。Levenberg-Marquardt反向传播（LMBP）（Ming等人，2006年; Yu和Wilamowski，2011年; Liu，2010年;More，1977年），是一种ANN训练技术，特别是当性能函数是均方误差时，它可以更快地收敛。虽然它是一个前馈多层网络，像著名的误差反向传播，仍然是不同的，因为它使用产生的导数更新权重。输入层输入通过单独分配给每个链接的权重提供给隐藏层。节点输入的总强度通过激活函数进行验证输出将结果与目标进行比较，如果存在错误，则链接的权重以这样的方式从后向改变，即对于输入的下一次迭代，输出是期望的。这个过程一直持续到收敛。3.1. 基于Matlab/Simulink1. 要打开神经网络训练工具，请在Matlab的工作空间中使用命令2. 为了开发控制APF操作的网络，首先应将输入和目标数据提供给ANN训练器工具。目标和输入的所需数据存储在工作空间中，并导入用于网络的开发3. 从提供的输入和目标数据中，70%，15%和15%的数据分别用于训练，验证和测试网络。4. ANN工具将开发具有指定数量的隐藏层的ANN网络5. 现在，train命令（trainlm）将使用Levenberg-Marquardt反向传播为给定的输入和目标数据训练网络。它使用给定的数据验证和测试网络。6. 训练完成后，Simulink网络由工具本身根据命令生成3.2. 基于神经网络的并联控制器在并联控制器中，遵循第3.1节中讨论的类似程序来训练网络，以保持直流链路电容器电压恒定并产生参考信号。为了保持电容器电压平衡，将参考电压（700 V）与实际电压Vdc进行比较，并将其相应的误差视为输入数据和估计输出，即，从ANN得到的电流损耗分量（I_（dc））作为网络的目标数据网络的大小是调整与100个隐藏层和训练的网络使用反向传播算法，如图所示。3.第三章。为了生成参考电流，负载电流（ILa、ILb和ILc）和电流的损耗分量（IVdc）被认为是输入数据，并且估计的参考电流被认为是网络的目标数据网络的大小是调整与200个隐藏层和训练的网络使用算法在图中描绘。 四、电容器电压平衡和使用ANN生成参考电流的完整Matlab/Simulink模型如图所示。五、S. Vinnakoti，V.R.Kota/电气系统和信息技术杂志5（2018）526531±±- -- ≤ ≤++见图4。参考电流生成的ANN结构。图五.电容电压平衡和参考电流生成的Matlab/Simulink模型。见图6。三电平并联变流器滞环电流控制器。参考并联注入电流是从使用ANN控制器生成的参考电流导出的，并且与2.5%和5%的固定滞后带中的实际并联注入电流进行比较，以向三电平并联转换器生成适当的开关脉冲，如图6所示。使用滞环电流控制器的三电平二极管钳位变换器的开关模式如下，a. 如果Iact>（IRef I），则所有下部开关均导通，结果为+Vdc。b. 如果I动作（IRef I），则所有上部开关均导通，产生Vdc。

下载后可阅读完整内容，剩余1页未读，立即下载