可在www.sciencedirect.com上在线ScienceDirect电气系统与信息技术学报5（2018）723自适应禁忌搜索和遗传算法优化的并联型有源电力滤波器赛富拉·哈立德印度勒克瑙工程技术学院电气工程系接收日期：2015年7月29日;接收日期：2016年10月2日;接受日期：2017年4月7日2017年4月19日在线发布摘要提出了一种新型的基于人工神经网络控制的并联型有源电力滤波器（APF），应用于400 Hz飞机电源系统。采用自适应禁忌搜索（ATS）算法和遗传算法（GA）对并联型有源电力滤波器的模型进行了优化。由于采用遗传算法求解滤波电感的最优值，因此采用ATS算法求解Kp和KI的最在控制方案的改进，使用人工神经网络控制使APF通用的无功功率，谐波电流补偿，和其他问题。该模型与一个简单的神经网络控制模型相比MATLAB仿真结果证明了所提出的并联型飞机有源电力滤波器控制方法的有效性© 2017 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：自适应禁忌搜索;遗传算法;谐波补偿;神经网络;并联型有源电力滤波器;正弦电流控制策略内容1.导言. 7242.系统详情7243.控制理论7243.1.使用自适应禁忌搜索方法设计7253.2.使用遗传算法7263.3.神经网络控制7274.模拟结果讨论7295.结论733附录A 733参考文献733电子邮件地址：saifullahkhalid@outlook.com电子研究所（ERI）负责同行评审https://doi.org/10.1016/j.jesit.2017.04.0032314-7172/© 2017电子研究所（ERI）。制作和主办：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。724S. Khalid/电气系统和信息技术杂志5（2018）7231. 产品介绍对先进飞机电源系统的要求（东华等，2005; Li等人，2010年; Lavopa和Zanchetta，2009年）已经显著增加，这是由于更多地使用电力来代替其他替代电源。飞机交流电源系统是使用三相的工作频率为400 Hz的电力设施（Donghua等人，2005;Li等人，2010年;Lavopa和Zanchetta，2009年）。随着电力电子技术在飞机上的应用，谐波和不平衡造成了更多的损耗和不良的电源性能。并联型有源电力滤波器在飞机上的应用，可以改善供电性能，消除有功、不平衡和谐波电流，提高系统的稳定性。目前，人工智能（AI）技术在自动控制系统或优化系统中得到了广泛的应用其中很少有自适应禁忌搜索（ Sopapirmet al. ， 2011;Chaijarurnudomrung 等 人 ， 2011;Areerak 等 人 ， 2008;Kulworawanichpong 等 人 ，2004;Khalid等人，2014 a;Khalid和Dwivedi，2013;Kumar和Mahajan，2009;Liserre等人，2004年;El-Habrouk和Darwish，2002年），遗传算法（Khalid和Dwivedi，2013年;Kumar和Mahajan，2009年; Liserre等人，2004;El-Habrouk和Darwish，2002）和粒子群优化（Thangaraj等人，2010）、人工神经网络控制（Bhattacharya和Chakraborty，2011;Lin和Hong，2011;Jiang和Chen，2009; Khalid等人，2014b; Dehini等人， 2009年）。 三种不同的AI技术，即采用了ATS、GA和ANN它们一起构成了一个完整的优化滤波器，用于减少由于进入飞机电气系统的非线性负载而产生的谐波和其他相关问题（Donghua等人， 2005年）。在本文中，ATS搜索PI控制器参数。在此基础上，利用遗传算法给出了滤波电感的最优值利用这些值，正弦电流控制（SCC）策略已经使用基于ANN的电流控制器建模，其在单独和一起连接的不同平衡和不平衡负载下给出最佳输出性能（Donghua等人， 2005年）。 结果与一个简单的神经网络控制正弦电流控制（ANN）的战略。结果证明其有效性。电源电流、电源电压和补偿时间的总谐波失真（THD）是比较结果的基础用人工神经网络和ATS-GA- ANN技术计算了THD-1、THD-V补偿时间本节讨论文件的组织。第2节介绍了有源电力滤波器的配置和考虑的负载。第三节讨论了并联型有源电力滤波器的控制算法。第4节给出了仿真结果。第五节是论文的结论。2. 系统细节飞机电气系统是一个电源频率为400 Hz的三相电源系统 并联APF改善了电力质量并补偿了系统中的谐波电 流 （ Aredes 等 人 ， 1997;Khalid 和 Dwivedi ， 2011;Peng 等 人 ， 1990;Bose ， 1992;Dugan 等 人 ，1996;Sankaran，2002;Ghosh和Ledwich，2002;Mohan等人，1995;Emadi等人，2005年）。该系统的详细框图已在图中示出。1.一、所使用的负载是平衡和不平衡非线性负载的组合。图2显示了飞机电力设施中使用的负载。所使用的第一负载（负载1）是三相整流器，该三相整流器与电感负载和不平衡负载并联，该不平衡负载与中点的相连接第二个（负载2）是三相整流器直接连接一个纯该系统模拟了在不同的时间间隔与系统连接在一起的三个负载的组合。3. 控制理论本文提出的有源电力滤波器的控制策略是基于正弦电流控制策略。SCC策略采用人工智能技术进行优化。自适应禁忌搜索（ATS）算法、遗传算法（GA）和人工神经网络（ANN）（Sopapirm等人，2011;Chaijarurnudomrung等人，2011;Areerak等人，2008;Kulworawanichpong等人，2004; Khalid等人，2014a;Khalid 和 Dwivedi ， 2013; Kumar 和 Mahajan ， 2009; Liserre 等 人 ， 2004 年 ;El-Habrouk 和 Darwish ， 2002年;Thangaraj等人，2010;Bhattacharya和Chakraborty，2011;Lin和Hong，2011;Jiang和Chen，2009;Khalid等人，2014 b;Dehini等人，2009）是所使用的技术，也在图3中示出。在本节中，我们讨论了GA、ATS算法的应用，以及使用基于SCC策略的ANN的总体控制方案（Aredes等人，2003，1997;Akagi等人， 2007年）。S. Khalid/电气系统和信息技术杂志5（2018）723725直流电直流电图1.一、应用于飞机电源的有源电力滤波器系统图图二.飞机动力设施中使用的负载。3.1. 使用自适应禁忌搜索方法进行设计本文采用ATS方法搜索PI控制器参数。图4所示为直流电压环路的总体示意图。Kp和Ki是直流电压环PI控制器的参数。Cdc是直流链路电容。直流电压环的传递函数为：Vo=sKp+Ki（一）VOs2+Kps+KiKp=2 wC（2）Ki=ω2C（3）控制器取决于电压环的带宽（s）和阻尼比（$）的值。$的值被取为0.8。从图中可以看出。 ATS搜索电压控制器参数KP和KI，目标函数是给出最小的超调、上升时间和稳定时间。所提出的算法从定义726S. Khalid/电气系统和信息技术杂志5（2018）723- −图3.第三章。使用GA、ATS和ANN技术优化有源滤波器的框图见图4。直流电压回路总示意图。Kp和Ki，它们的上限和下限。在此基础上，定义了ATS回溯停止准则的半径值、目标函数、条件ATS集的最大搜索迭代次数为500轮。在所有三个负载连接在一起的情况下计算的Kp和Ki的最佳值Kp和Ki的初始值分别为0.1和50经过计算，ATS算法给出的值为0.201和15.36。采用ATS计算出的Kp和Ki值，电源电流和电压的总谐波失真（THD）均有所降低，证明该值为最佳值。3.2. 遗传算法本文将遗传算法应用于电感滤波器（Lf）值的确定遗传算法搜索滤波电感的最佳值电源侧被视为电感滤波器的输入侧本文采用的电感滤波值为0.25mH。离线，使用MATLAB Simulink的计算机仿真已被应用到找出 电 感 滤 波 器 的 最 佳 值 。 利 用 神 经 网 络 模 型 的 数 据 定 义 了 滤 波 器 中 参 数 边 界 值 的 界 限 使 用MATLAB/Simulink进行数据采集最后，用遗传算法编写了一个程序来产生滤波电感的最佳值。在计算之后，GA产生0.187 mH的值。当我们使用这个电感值时，源电流和电压的总谐波失真已经减少。对于程序，需要定义极限、不等式和边界。x0 =[Vdc; Vs; Ic; t; Lf];lb = [Vdcmin; V smin; I cmin; t min; L fmin];ub = [V dcmax; V smax; I cmax; t max; Lfmax];Aeq =[];beq =[];A =[1 1 1 1 1; 1 1 1 1 1; 0 0 1 1 1; 1 1 0 0 1; 1 1 0 1 0];b = [Vdc; Vs; Ic; t; Lf的值取决于等式]; [x，fval，exitflag]=fmincon（@ myobj，x 0，A，b，Aeq，beq，lb，ub）。S. Khalid/电气系统和信息技术杂志5（2018）723727图五.使用自适应禁忌搜索算法搜索Kp和Ki值3.3. 神经网络控制在本文中，正弦电源电流控制策略建模使用人工神经网络（ANN），两个隐藏层，每个12个神经元和一个输出层，三个神经元。在并联型有源电力滤波器中实现人工神经网络之前，必须首先生成人工神经网络，然后对其进行训练。在开发神经网络时涉及以下步骤。728S. Khalid/电气系统和信息技术杂志5（2018）723Σ=见图6。神经网络的内部结构采用前馈反向传播方法。步骤1：将所需的输入馈送到神经网络。在并联型有源电力滤波器的情况下，输入是三相电源电流和三相电压以及在直流电压控制回路中计算的误差P= 7× 1（4）其中P是7个输入的向量矩阵。第二步：确定目标目标是神经网络整定方法中待优化变量的期望值参考电流是目标变量。t= 3× 1（5）其中t是3个目标的向量矩阵。第3步：权重和偏置被初始化为任意随机值。[w]0=[b]0=[随机值]（6）其中[w]0和[b]0分别是权重和偏置行矩阵。选定的层数为2。输出向量矩阵[O]从这些层获得，因为这些层获得输入。使用合适的传递函数获得来自层的输出。步骤4：通过将目标参数设置为最小值来执行从步骤1和步骤2中可用的数据生成的神经网络的训练生成误差向量矩阵（E）形式的误差数据，以确保达到期望的当网络训练过程中达到预定目标或epoch数时，训练停止。n（ti−Oi）2Ei=1我（七）其中E是使用均方误差作为目标函数生成的误差数据矩阵，n是输出的总数，i是迭代第五步：当在网络训练之后达到目标时，产生输出的优化值，在并联有源电力滤波器的电流控制器的情况下，该输出是参考或补偿电流。步骤6：将这些优化的参考电流或补偿电流值并入并联有源电力滤波器中，以模拟系统承受各种负载时的供电系统性能第7步：检查所获得的结果，并将其与基于源电流和源电压的THD以及补偿响应时间或补偿时间的常规控制方法所获得的结果进行有源电力滤波器是一个复杂的闭环系统，具有用于计算参考电流的反馈，因此选择前馈反向传播方法来训练神经网络。线性方法可以而前馈反向传播方法再现参考电流的优化值时，不产生优化结果。这里的均方误差，即均方误差被用作电流控制器的优化函数在这项研究工作中，离线训练的网络已经进行了前馈反向传播方法，因为在线训练的网络是一个非常耗时和缓慢的计算方法。表1中提供的以下ANN参数已被用于生成经训练的网络。S. Khalid/电气系统和信息技术杂志5（2018）723729表1基于ANN的调谐电流控制器的参数值变量值层数;使用以下传递函数二、a) 第1层：双曲正切S形函数b) 第二层：线性传递函数号神经元21训练方法优化函数均方误差（MSE）学习方法梯度下降权值和偏差表2无补偿系统的THD细节。载荷THD-I（%）THD-V（%）负载14.0330负载22.0728.96负载31.25.45连接所有负载9.51.55使用NN工具箱获得的相应神经网络结构如图6所示。NN通过包含参数Mp、ts和ess的输入块馈送。输出变量是要优化的目标或期望变量。在MATLAB/Simulink环境下，利用ATS数据和遗传算法优化的正弦电流控制策略对神经网络进行了训练在另一种技术中，当仅使用正弦电流控制策略的数据来训练ANN从图 显然，使用了两层，并且网络本身已经为相应层提供了适当的权重和偏置。4. 模拟结果讨论系统模拟15个循环。负载1始终连接（触发角= 30°）;负载2最初连接，每2.5个周期后断开。每半个周期后连接负载。在利用MATLAB/Simulink对无补偿系统进行仿真时，观察到负载接入时电源污染所以，有源滤波器出现了。未补偿系统的结果列于表2中。在THD和补偿时间的基础上，将ATS-GA-ANN有源电力滤波器的性能与未补偿的系统进行了比较，并与ANN控制的有源电力滤波器进行了比较。我们可以在图中看到。 7，电流和电压的总谐波失真已大大降低，即。 对于负载1，从4.03%& 30%到0.46%& 0.78%，对于负载2，从2.07%& 28.96到0.33到0.90，对于负载3，从1.2%& 5.45%到0.10%& 0.40%，对于连接在一起的所有负载，从9.5%& 1.55%到0.56%& 1.35%，这确实是一个很好的变化，并且在国际标准（IEEE，1992）的限制范围内。因此，可以说新型ATS-GA-ANN并联型有源电力滤波器能够非常有效地补偿系统。从图8中可以看出，在每个负载条件下，ATS-GA-ANN控制并联有源电力滤波器与ANN控制并联有源电力滤波器相比具有最小的THD，即对于负载1，从2.4% 1.66%到0.46% 0.78%，对于负载2，从2.18% 1.66到0.33到0.90，对于负载3，从0.86% 0.96%到0.10% 0.40%，以及对于所有连接的负载合计由百分之二点八至百分之一点七四上升至百分之零点五六至百分之一点三五。在图9中，已经呈现了控制和所有三个负载的补偿时间的细节。图图10&-13示出了有源电力滤波器的源电压、源电流、补偿电流、负载电流直流链路电压波形的波形。该系统使用具有神经网络控制器的GA-ATS，其中负载1、负载2、负载3以及所有三个负载分别连接到飞机电力设施。730S. Khalid/电气系统和信息技术杂志5（2018）723图7.第一次会议。无补偿系统和补偿（使用ATS-GA-ANN）系统的电源电压和电流的THD图8.第八条。ANN ATS-GA-ANN控制并联型有源电力滤波器的电源电压和电流THD图9.第九条。ANN ATS-GA-ANN控制并联型有源电力滤波器的补偿时间S. Khalid/电气系统和信息技术杂志5（2018）723731图10个。基于GA-ATS和神经网络控制器的有源电力滤波器的仿真结果，负载为飞机电源。图十一岁基于GA-ATS和神经网络控制器的有源电力滤波器的仿真结果，负载为飞机电源2。732S. Khalid/电气系统和信息技术杂志5（2018）723图12个。基于GA-ATS的有源电力滤波器与神经网络控制器的仿真结果，负载3，用于飞机电源。图13岁基于GA-ATS的有源电力滤波器与神经网络控制器的仿真结果，所有三个负载连接到飞机电源。可以直观地观察到ATS-GA-ANN控制的并联型有源电力滤波器的THD补偿时间比ANN控制的并联型有源电力滤波器的THD补偿时间短。因此，我们可以说，新提出的计划是非常快速和优于传统的神经网络控制模型，能够补偿系统非常有效。所有结果列于表3中。S. Khalid/电气系统和信息技术杂志5（2018）723733表3不同控制技术的THD和补偿时间。控制技术载荷THD-I（%）THD-V（%）补偿时间（s）安负载12.41.660.0074ATS-GA-ANN负载10.460.780.0026安负载22.181.660.0085ATS-GA-ANN负载20.330.900.0023安负载30.860.960.0074ATS-GA-ANN负载30.100.400.00325安所有三个负载连接2.81.740.0014ATS-GA-ANN所有三个负载连接0.561.350.00135. 结论本文提出了一种新的GA-ATS优化神经网络控制飞机并联有源滤波器。它清楚地表明，它可以非常有效地补偿系统基于THD和补偿时间，与传统的神经网络控制模型进行了基于性能的比较，验证了新模型的有效性因此，用自适应禁忌搜索算法和遗传算法得到的电压控制回路和滤波电感的Kp和Ki的最优值，很好地优化了神经网络控制的模型仿真结果表明，所提出的新型有源滤波器可以应用于更高频率的系统。附录A.系统参数（Donghua等人，2005年）：电源：110 V/400 Hz，滤波电容：5µF，直流电压基准：400 V，直流电容：4700 µF。引用赤木，H.，Watanabe，E.H.，Aredes，M.，2007年 瞬时功率理论及其在功率调节中的应用。 John Wiley &Sons，Inc. 新泽西州Aredes，Mauricio，Hafner，Jurgen，Heumann，Klemens，1997年。三相四线并联有源滤波器控制策略。IEEE Trans. 电力电子12（2），311-318。阿雷德斯，毛里西奥，蒙泰罗，路易斯。FC，Miguel，Jaime M.，2003年。 串联和并联有源滤波器的控制策略。在：IEEE博洛尼亚电力技术会议，第23- 26届，博洛尼亚，意大利，pp。101比106Areerak，K.- N.，Bozhko，S.V.，Asher，GM，托马斯，D.W.P.，2008. 含可控PWM整流器和恒功率负载的C-DC电力系统建模与稳定性分析的DQ变换法。第13届国际电力电子和运动控制会议论文集（EPE-PEMC2008），2049-2054。Bhattacharya，Avik，Chakraborty，Chandan，2011.一种并联有源电力滤波器，其使用基于ANN的预测和自适应控制器来增强性能。IEEETrans. Ind.Electron.58（2），421 - 428.Bose，B.K.，一九九二年电力电子学的最新进展。 IEEE Trans. 电力电子 7（1），2-15.Chaijarurnudomrung，K.，Areerak，K.- N.，Areerak，K.- L.，Srikaew，A.，2011. 采用自适应搜索算法设计三相可控整流器的控制器。在：第8届电气工程/电子，计算机，电子和信息技术（ECTI），泰国，第。605-608德希尼河Bassou，A.，Ferdi，B.，2009. 应用人工神经网络改进并联有源电力滤波器。国际计算机Inf.Eng.3（4），247-254.陈东华，郭涛，谢少军，周波，2005。 并联有源滤波器在飞机电源中的应用。 IEEE-PESC ' 05，59-63。杜根，共和党，McGranaghan，M.F.，贝蒂，H.W.，一九九六年。 电力系统质量。 麦格拉·希尔，纽约。El-Habrouk，M.，Darwish，M.K.，2002年。 采用遗传算法/传统分析相结合的有源滤波器新控制技术。IEEETrans. Ind.Electron.49（1），58-66.Emadi，Ali，Nasiri，A.，Bekiarov，S.B.，2005年不间断电源和有源电力滤波器。 CRC Press，New York. Ghosh，A.，Ledwich，G.，2002年。 使用自定义电源设备提高电源质量。 Kluwer，Boston，MA.电力系统谐波控制的IEEE推荐做法和要求，IEEE标准519-1992，1992年。蒋友华，陈永伟，2009年。混合有源滤波器的神经网络控制技术。 人工智能和计算智能国际会议论文集，26-30。734S. Khalid/电气系统和信息技术杂志5（2018）723哈立德，S.，Dwivedi，B.，2011年。 电力质量问题、问题、标准&在行业中的影响与纠正手段。 Int. J. Adv. Eng. 技术1（2），1-11.Khalid，Saifullah，Dwivedi，Bharti，2013. 基于&GA-FUZZY-ANN的并联有源电力滤波器改善高频飞机系统电能质量的仿真性能比较J.Aerosp. 工程技术3（3），62-70。Khalid，Saifullah，Kumar，Niraj，Mishra，V.M.，2014年a。基于自适应Tabu搜索算法优化的正弦波电压控制串联混合有源滤波器性能评价。Int.J.Electr. 工程师通知。6（3），511-520。哈立德，S.，Kumar，Niraj，Mishra，V.M.，2014年b。自适应Tabu搜索算法在串联混合有源滤波器正弦电压控制中的应用。Int.J.EnergyOptim. Eng.3（2），60-75。Kulworawanichpong，T.，Areerak，K.-L.，Areerak，K.-N.，Sujitjorn，S.，2004年有源电力滤波器的谐波识别--基于自适应数据库搜索方法，LNCS（计算机科学讲义），第1卷。3215. Springer-Verlag，Heidelberg，pp. 687-694.Kumar，Parmod，Mahajan，Alka，2009年。有源电力滤波器控制的软计算技术。IEEE Trans. 电力熟食店v. 24（1），452-461。Lavopa，E.，Zanchetta，P.，2009. 飞机电气系统有源并联滤波器基频和谐波的实时估计。IEEETrans. Ind.Electron.56（8），551-556.Li，Zixin，Li，Yaohua，Wang，Ping，Zhu，Haibin，Liu，Congwei，Gao，Fanqiang，2010. 飞机大功率400 Hz地面电源单元的单回路数字控制。IEEETrans. Ind.Electron.57（2），532-543.Lin，Whei-Min，Hong，Chih-Ming，2011. 基于神经网络的变桨距变速风能转换系统控制新算法。IEEETrans. 26（2），473-481.Liserre，Marco，Dell Aquila，Antonio，Blaabjerg，Frede，2004.基于遗传算法的LCL滤波三相有源整流器有源阻尼设计IEEETrans. 《电力电子》，19（1），76-86。Mohan，N.，Undeland，T.，罗宾斯，1995年。 Power Electronics-Converters，Applications，and Design，2nd ed. John Wiley &Sons，Canada.Peng，F.Z.，赤木，H.，Nabae，A.，1990. 电力系统谐波补偿的一种新方法-并联有源滤波器与串联有源滤波器的组合系统。IEEETrans.Ind·Appl·6（26），983-990中所述。Sankaran角，2002年。 电源质量。 CRC出版社，佛罗里达州博卡拉顿Sopapirm，T.，Areerak，K.- N.，Areerak，K.- L.，Srikaew，A.，2011. 自适应Tabu搜索算法和一种迭代模型在带压变频器最优控制器设计中的应用。世界科学院Sci. 工程技术60，477-483.Thangaraj，Radha，Chelliah，Thanga Raj，Pant，Millie，Abraham，Ajit，Grosan，Crina，2010. 采用粒子摆臂优化算法对感应电机PI速度控制器的增益进行了优化整定。LogicJ.IGPLAdv. 入口3，1-14。
我的内容管理
展开
