本發(fā)明涉及配電網(wǎng)諧波控制方法，具體涉及一種利用統(tǒng)一電能質(zhì)量調(diào)節(jié)器對含光伏配電網(wǎng)的諧波控制方法。

背景技術：

電能質(zhì)量控制技術的研究具有巨大的經(jīng)濟和社會效益，是電力研究領域中的一個熱點。電壓暫升、電壓暫降、三相不平衡電壓、諧波電壓、無功電流、諧波電流、不平衡電流等電能質(zhì)量問題的危害日趨嚴重。但目前現(xiàn)有的裝置大都以并聯(lián)或串聯(lián)的方式接入系統(tǒng)，且只能解決部分電能質(zhì)量問題。隨著配電網(wǎng)結構和電力負荷成分的日趨復雜，各種電能質(zhì)量問題在同一配電系統(tǒng)中或在同一用電負荷中同時出現(xiàn)的情況也會越來越多。如果在同一配電母線上既有電壓敏感負荷又有非線性負荷和沖擊負荷，就需要同時安裝電壓補償裝置和電流補償裝置。若針對每一種電能質(zhì)量問題都單獨采取一種類型的治理裝置，將會大大增加治理成本，還會增加裝置運行維護的復雜程度，并且各裝置之間還存在著協(xié)調(diào)配合問題。

統(tǒng)一電能質(zhì)量控制器(Unified Power Quality Conditioner，簡稱UPQC)作為功能強大的電能質(zhì)量綜合補償裝置，其串聯(lián)、并聯(lián)單元可解耦后獨立運行實現(xiàn)各自功能，也可聯(lián)合運行實現(xiàn)統(tǒng)一的綜合功能，近年來成為電能質(zhì)量治理領域的研究熱點。比如公開號為CN103326397A的中國專利文獻涉及一種混合頻率控制的統(tǒng)一電能質(zhì)量控制器；公開號為CN204633344U的中國專利文獻涉及一種具有不間斷電源功能的統(tǒng)一電能質(zhì)量調(diào)節(jié)器。然而，目前對統(tǒng)一電能質(zhì)量控制器自身及其應用的研究大都基于傳統(tǒng)的三相配電系統(tǒng)，而對于光伏等新能源并網(wǎng)的配電網(wǎng)研究較少。由于光伏等新能源具有隨機性、間歇性等特點，并網(wǎng)后給傳統(tǒng)配電網(wǎng)帶來大量諧波污染，此時利用UPQC采用傳統(tǒng)的控制方法對諧波污染進行控制效果不佳，因而，研究利用UPQC采用新的方法對含光伏的配電網(wǎng)中的諧波實施有效控制，顯得十分必要。

線性神經(jīng)網(wǎng)絡是一種簡單的神經(jīng)元網(wǎng)絡，它可以由一個或多個線性神經(jīng)元構成。1962年由美國斯坦福大學教授Berhard Widrow提出的自適應線性元件網(wǎng)絡(Adaptive Linear Element,Adaline)是線性神經(jīng)網(wǎng)絡最早的典型代表，它是一個由輸入層和輸出層構成的單層前饋型網(wǎng)絡，它與感知機的不同之處在于其每個神經(jīng)元的傳輸函數(shù)為線性函數(shù)，因此自適應線性神經(jīng)網(wǎng)絡的輸出可以取任意值，而感知機的輸出只能是1或0。線性神經(jīng)網(wǎng)絡采用由Berhard Widrow和Marcian Hoff共同提出的一種新的學習規(guī)則。自適應線性神經(jīng)網(wǎng)絡的學習算法比感知機的學習算法的收斂速度和精度都有較大的提高。自適應線性神經(jīng)網(wǎng)絡主要用于函數(shù)逼近，信號檢測，系統(tǒng)辨識，模式識別和控制等領域。

自適應線性神經(jīng)網(wǎng)絡結構感知機，不同之處在于其每個神經(jīng)元的傳輸函數(shù)為線性函數(shù)。對于具有M個輸入、L個輸出的線性神經(jīng)網(wǎng)絡。輸出層的第i個神經(jīng)元的輸入總和net_i為

式中，w_ij為訓練加權系數(shù)，x_j為輸入向量，M為輸入層的節(jié)點數(shù)，θi為輸出層神經(jīng)元i的閾值；即輸入的個數(shù)；

輸出層的第i個神經(jīng)元的輸出分別為：y_i＝f(net_i)；y_i＝f(net_i)為激活函數(shù)，它為線性函數(shù)的傳輸函數(shù)，

自適應線性神經(jīng)網(wǎng)絡的學習采用Wideow-HOFF學習規(guī)則，在訓練期間，不斷用訓練集中的每個模式對訓練網(wǎng)絡。當給定某一訓練模式時，輸出單元會產(chǎn)生一個實際輸出向量，用期望輸出與實際的輸出之差來修正網(wǎng)絡連接權值。如何將自適應線性神經(jīng)網(wǎng)絡與UPQC相結合，對含光伏的配電網(wǎng)中的諧波實施有效控制，是本領域技術人員感興趣的問題。

技術實現(xiàn)要素：

本發(fā)明的目的是：提供一種含光伏配電網(wǎng)的統(tǒng)一電能質(zhì)量調(diào)節(jié)器諧波控制方法，該方法利用統(tǒng)一電能質(zhì)量調(diào)節(jié)器實施，通過采用基于自適應線性神經(jīng)網(wǎng)絡整定PI控制參數(shù)的PI控制方法，對含光伏配電網(wǎng)的諧波進行有效控制。

本發(fā)明的技術方案是：本發(fā)明的含光伏配電網(wǎng)的統(tǒng)一電能質(zhì)量調(diào)節(jié)器諧波控制方法，利用UPQC實施，所述的UPQC包括信號采集模塊、信號調(diào)理模塊、微控制器和驅動電路模塊，包括以下步驟：

第一步，電壓信號采集：

UPQC的信號采集模塊采集配電網(wǎng)三相母線電壓u_a,u_b,u_c和負載電流i_a,i_b,i_c并發(fā)送給UPQC的信號調(diào)理模塊；

第二步，采集信號調(diào)理：

UPQC的信號調(diào)理模塊將信號采集模塊發(fā)送的配電網(wǎng)三相母線電壓u_a,u_b,u_c和負載電流i_a,i_b,i_c調(diào)理成微處理器能夠接受的信號后，發(fā)送給微處理器；

第三步，計算諧波補償指令：

①微控制器將三相負載電流i_a、i_b、i_c經(jīng)派克變換得到i_α、i_β，變換公式如式(1)：

②微控制器將i_α、i_β根據(jù)瞬時功率理論計算出i_p、i_q，變換公式如式(2)：

式中，ω為電網(wǎng)電壓頻率；

③經(jīng)低通截止頻率為50HZ的LPF低通濾波得出i_p、i_q的基波正序分量i_pf、i_qf；

④微控制器根據(jù)基波正序分量i_pf、i_qf，由C_ωt逆變換以及派克變換C₃₂的逆變換運算得出三相負載電流基波分量i_af、i_bf、i_cf，然后與三相負載電流i_a、i_b、i_c相減得出諧波補償指令i_ah、i_bh、i_ch，諧波補償指令i_ah、i_bh、i_ch簡記為

第四步，整定UPQC的PI控制參數(shù)(k_p，k_i)：

設UPQC的PI控制器為增量式PI控制器，其控制誤差為

PI控制器的輸出u(k)的變化量Δu(k)與e(k)有如式(5)所示關系：

Δu(k)＝k_p(e(k)-e(k-1))+k_ie(k) (5)

式中，比例參數(shù)k_p、積分參數(shù)k_i為PI控制器所需整定的參數(shù)，微處理器采用自適應線性神經(jīng)網(wǎng)絡，通過以下具體步驟整定PI控制參數(shù)(k_p，k_i)：

①初始化：線性神經(jīng)網(wǎng)絡輸入為k_p、k_i兩個參數(shù)，輸出為優(yōu)化后的k_p、k_i兩個參數(shù)，訓練樣本數(shù)N＝100，加權系數(shù)w_ij取值范圍為[0.1,20]，初始化所有的加權系數(shù)為最小的隨機數(shù)；

②提供訓練集：對于參數(shù)k_p，即x⁽¹⁾，取值范圍為[1,100]；對于參數(shù)k_i，即x⁽²⁾，取值范圍為[0.001,1]，對兩個參數(shù)在取值范圍內(nèi)，通過隨機按順序賦值，提供100個訓練樣本，即給出100個輸入向量x⁽¹⁾，x⁽²⁾，100個期望的輸出向量t⁽¹⁾，t⁽²⁾；

③計算輸出層各神經(jīng)元的輸出：

在訓練網(wǎng)絡的學習階段，選擇100個訓練樣本的中的一個樣本p作用下的輸入/輸出模式對{x^p}和{t^p}，進行網(wǎng)絡訓練，輸出層的第i個神經(jīng)元在樣本p的作用下的輸入為：

式中，w_ij為訓練加權系數(shù)，取值為初始化的隨機數(shù)；θ_i為輸出層神經(jīng)元i的閾值，初始取值為0.5，為樣本p作用下的輸入；

輸出層的第i個神經(jīng)元的輸出為：

式中，f(·)為將網(wǎng)絡的輸入直接轉為輸出的線性激活函數(shù)，表達式為：

④計算所有訓練樣本的期望值與實際值的誤差：

對于每一樣本p的輸入模式對的二次型誤差函數(shù)為：

式中，表示在樣本p作用下的第i個神經(jīng)元的期望輸出；表示在樣本p作用下的第i個神經(jīng)元的實際輸出，e_i表示樣本p期望輸出與實際輸出之間的誤差；

取PI控制的性能指標函數(shù)為J，其表達式為：

k_p，k_i的調(diào)整算法采用梯度下降法：

式中，Δk_p為k_p梯度變化量，Δk_i為k_i梯度變化量；η為學習速率，α取值為1；

⑤調(diào)整輸出層的加權系數(shù)w_ij和閾值θ_i：

根據(jù)梯度法，可得輸出層的任意神經(jīng)元i的加權系數(shù)修正公式為：

根據(jù)式(10)與式(11)，

故Δk_p＝e(k)·Δw_ij·[e(k)-e(k-1)] (13)

Δk_i＝e(k)·Δw_ij·e(k) (14)

輸出層的任意神經(jīng)元i的加權系數(shù)修正公式為：

閾值θ_i的修正公式為：

Δθ_i＝η(t_i-y_i)＝η·e_i (16)

η隨著輸入樣本x^p自適應地調(diào)整；

⑥返回計算步驟③，k_p、k_i整定過程按PI控制的性能指標函數(shù)J減小的方向進行,當J取得最小值時，其對應的PI控制參數(shù)(k_p、k_i)為整定的最優(yōu)值；

第五步，輸出電流諧波補償分量：

微控制器運用選定的最優(yōu)PI控制參數(shù)(k_p，k_i)實施PI控制，輸出u(k)，然后產(chǎn)生相應的PWM信號發(fā)送給驅動電路模塊；驅動電路模塊產(chǎn)生并輸出相應的電流諧波補償分量i_c，并入電網(wǎng)電流i_s，實現(xiàn)對負載電流的諧波控制。

本發(fā)明具有積極的效果：本發(fā)明的含光伏配電網(wǎng)的統(tǒng)一電能質(zhì)量調(diào)節(jié)器諧波控制方法，利用統(tǒng)一電能質(zhì)量調(diào)節(jié)器實施，通過采用基于自適應線性神經(jīng)網(wǎng)絡整定PI控制參數(shù)，以整定的最優(yōu)PI控制參數(shù)對含光伏配電網(wǎng)的諧波進行有效控制。本發(fā)明將自適應線性神經(jīng)網(wǎng)絡與統(tǒng)一電能質(zhì)量調(diào)節(jié)器的PI控制有機結合，使得UPQC能夠對含光伏的配電網(wǎng)諧波進行有效控制，為利用UPQC治理配電網(wǎng)電能質(zhì)量提供了一種新方法。

附圖說明

圖1為本發(fā)明實施例中所采用的UPQC的結構示意圖，圖中還示意性地顯示了UPQC與含光伏的配電網(wǎng)的電連接關系；

圖2為本發(fā)明實施例中所采用的UPQC中參與實施諧波補償控制的硬件結構示意框圖，圖中還示意性地顯示了其與配電網(wǎng)的電連接關系；

圖3為本發(fā)明實施例中所采用的UPQC計算諧波補償指令的原理示意圖；

圖4為本發(fā)明實施例中所采用的UPQC采用基于自適應線性神經(jīng)網(wǎng)絡整定的PI控制方法，對含光伏配電網(wǎng)的諧波進行控制的原理示意圖。

上述附圖中的附圖標記如下：

串聯(lián)濾波單元1，并聯(lián)濾波單元2，供電單元3。

具體實施方式

下面結合附圖和具體實施方式對本發(fā)明作進一步詳細的說明。

(實施例1)

本實施例的含光伏配電網(wǎng)的統(tǒng)一電能質(zhì)量調(diào)節(jié)器諧波控制方法，通過現(xiàn)有的統(tǒng)一電能質(zhì)量調(diào)節(jié)器(以下簡稱UPQC)實施，利用統(tǒng)一電能質(zhì)量調(diào)節(jié)器采用自適應線性神經(jīng)網(wǎng)絡整定PI控制參數(shù)的PI控制方法，對含光伏配電網(wǎng)的諧波進行有效控制。

見圖1，含光伏的配電網(wǎng)系統(tǒng)由市電配網(wǎng)、并網(wǎng)光伏和非線性負載組成，配電網(wǎng)具有配電母線；前述采用的UPQC主要包括串聯(lián)濾波單元1、并聯(lián)濾波單元2和供電單元3，UPQC接入光伏并網(wǎng)的配電網(wǎng)的方式如圖1所示。供電單元3主要由光伏陣列和與其連接的蓄電池裝置組成，用于提供UPQC自身工作電源。

參見圖2，該UPQC參與諧波補償控制的具體功能模塊包括用于采集電網(wǎng)電壓和負載電流信號的信號采集模塊、用于調(diào)理所采集電壓電流信號的信號調(diào)理模塊、用于接收信號調(diào)理模塊發(fā)送的信號并進行處理和控制的微控制器、用于執(zhí)行微控制器所發(fā)控制指令相應產(chǎn)生對配電網(wǎng)母線實施諧波補償控制的驅動電路模塊。本實施例中，微控制器優(yōu)選采用DSP。

UPQC在對配電網(wǎng)實施諧波補償控制時，其微控制器采用基于自適應線性神經(jīng)網(wǎng)絡整定的PI控制方法進行控制，通過驅動電路模塊實現(xiàn)對配電網(wǎng)諧波的補償控制。

參見圖3和圖4，本實施例的含光伏配電網(wǎng)的統(tǒng)一電能質(zhì)量調(diào)節(jié)器諧波控制方法，具體步驟如下：

第一步，電壓信號采集：

UPQC的信號采集模塊采集配電網(wǎng)三相母線電壓u_a,u_b,u_c(圖3中僅示意性地標注了u_a)和負載電流i_a,i_b,i_c(圖4中標記為i_l)并發(fā)送給UPQC的信號調(diào)理模塊。

第二步，采集信號調(diào)理：

信號調(diào)理模塊將信號采集模塊發(fā)送的配電網(wǎng)三相母線電壓u_a,u_b,u_c和負載電流i_a,i_b,i_c調(diào)理成微處理器能夠接受的信號后，發(fā)送給微處理器。

第三步，計算諧波補償指令：

①微控制器將三相負載電流i_a、i_b、i_c經(jīng)派克變換得到i_α、i_β，變換公式C₃₂如下：

②微控制器將i_α、i_β根據(jù)瞬時功率理論計算出i_p、i_q，變換公式C_ωt如下：

其中，ω為電網(wǎng)電壓頻率，如圖2和圖3所示，通過采集配電網(wǎng)電壓，并利用鎖相環(huán)可獲得穩(wěn)定的電網(wǎng)電壓頻率；

③經(jīng)低通截止頻率為50HZ的LPF低通濾波得出i_p、i_q的基波正序分量i_pf、i_qf；

④微控制器根據(jù)基波正序分量i_pf、i_qf，由C_ωt逆變換(即圖3中)與派克變換C₃₂的逆變換(即圖3中的C₂₃)運算得出三相負載電流基波分量i_af、i_bf、i_cf，然后與三相負載電流i_a、i_b、i_c相減得出諧波補償指令i_ah、i_bh、i_ch(圖4中標記為)。

第四步，整定UPQC的PI控制參數(shù)(k_p，k_i)：

微控制器將諧波檢測指令i*_c作為輸入信號，進行基于自適應線性神經(jīng)網(wǎng)絡整定的PI控制，設UPQC的PI控制器為增量式PI控制器，其控制誤差為

k為采樣步數(shù)，PI控制器輸出為u(k)：

u(k)＝u(k-1)+Δu(k)(4)

Δu(k)為PI控制器輸出u(k)的變化量，u(k-1)為第k-1次采樣時PI控制器的輸出，Δu(k)與e(k)有如式(5)所示關系：

Δu(k)＝k_p(e(k)-e(k-1))+k_ie(k) (5)

式中，比例參數(shù)k_p、積分參數(shù)k_i為PI控制器所需整定的參數(shù)，微處理器采用自適應線性神經(jīng)網(wǎng)絡整定PI控制參數(shù)(k_p，k_i)的具體步驟如下：

①初始化：線性神經(jīng)網(wǎng)絡輸入為k_p、k_i兩個參數(shù)，輸出為優(yōu)化后的k_p、k_i兩個參數(shù)，訓練樣本數(shù)N＝100，加權系數(shù)w_ij取值范圍為[0.1,20]，初始化所有的加權系數(shù)為最小的隨機數(shù)；

②提供訓練集：對于參數(shù)k_p，即x⁽¹⁾，取值范圍為[1,100]；對于參數(shù)k_i，即x⁽²⁾，取值范圍為[0.001,1]，對兩個參數(shù)在取值范圍內(nèi)，通過隨機按順序賦值，提供100個訓練樣本，即給出100個輸入向量x⁽¹⁾，x⁽²⁾，100個期望的輸出向量t⁽¹⁾，t⁽²⁾；

③計算輸出層各神經(jīng)元的輸出：

在訓練網(wǎng)絡的學習階段，對于100個訓練樣本，先選擇其中某一個樣本p作用下的輸入/輸出模式對{x^p}和{t^p}，進行網(wǎng)絡訓練，輸出層的第i個神經(jīng)元在樣本p的作用下的輸入為：

式中，w_ij為訓練加權系數(shù)，取值為初始化的隨機數(shù)；θ_i為輸出層神經(jīng)元i的閾值，初始取值為0.5，為樣本p作用下的輸入；

輸出層的第i個神經(jīng)元的輸出為：

式中，f(·)為線性激活函數(shù)，它將網(wǎng)絡的輸入直接轉為輸出，故表達式為：

④計算所有訓練樣本的期望值與實際值的誤差：

對于每一樣本p的輸入模式對的二次型誤差函數(shù)為：

式中，表示在樣本P作用下的第i個神經(jīng)元的期望輸出；表示在樣本p作用下的第i個神經(jīng)元的實際輸出，e_i表示樣本p期望輸出與實際輸出之間的誤差；

取PI控制的性能指標函數(shù)為J，其表達式為：

k_p，k_i的調(diào)整算法采用梯度下降法：

式中，Δk_p為k_p梯度變化量，Δk_i為k_i梯度變化量；η為學習速率，α為常值，當0<α<2時，可使算法收斂，α取值為1；

⑤調(diào)整輸出層的加權系數(shù)w_ij和閾值θ_i：

根據(jù)梯度法，可得輸出層的任意神經(jīng)元i的加權系數(shù)修正公式為：

根據(jù)式(10)與式(11)，

故Δk_p＝e(k)·Δw_ij·[e(k)-e(k-1)] (13)

Δk_i＝e(k)·Δw_ij·e(k) (14)

輸出層的任意神經(jīng)元i的加權系數(shù)修正公式為：

同理，閾值θ_i的修正公式為：

Δθ_i＝η(t_i-y_i)＝η·e_i (16)

η隨著輸入樣本x^p自適應地調(diào)整；

⑥返回計算步驟③，k_p、k_i整定過程按J減小的方向進行,當J取得最小值時，對應的PI控制參數(shù)(k_p、k_i)為最優(yōu)值。

第五步，輸出電流諧波補償分量：

微控制器運用選定的最優(yōu)PI控制參數(shù)(k_p，k_i)實施PI控制，輸出u(k)，然后產(chǎn)生相應的PWM信號發(fā)送給驅動電路模塊，驅動電路模塊產(chǎn)生并輸出相應的電流諧波補償分量i_c，并入電網(wǎng)電流i_s，從而實現(xiàn)對負載電流i_l(即三相電流i_a,i_b,i_c)的諧波控制。

以上實施例是對本發(fā)明的具體實施方式的說明，而非對本發(fā)明的限制，有關技術領域的技術人員在不脫離本發(fā)明的精神和范圍的情況下，還可以做出各種變換和變化而得到相對應的等同的技術方案，因此所有等同的技術方案均應該歸入本發(fā)明的專利保護范圍。