利用人工智能技术提高电能质量的并联型有源电力滤波器设计

B.Venkata湿婆¹B.Mahesh先生²，拉维·斯里尼瓦斯^3., S.S.Tulasiram⁴

印度安得拉邦古德拉瓦雷卢工程学院EEE系PG学生[pee]
印度安得拉邦古德拉瓦雷卢工程学院电子电气工程系助理教授
印度安得拉邦古德拉瓦雷卢工程学院电子电气工程系教授
印度安得拉邦海得拉巴市南洋理工大学电子工程系教授

摘要

电力电子设备的使用和非线性负荷的增加将影响系统的电能质量。有源电力滤波器(APFâ′′s)可以有效地缓解线路电流谐波，提高电能质量。本文利用瞬时有功和无功功率(p-q)理论产生参考电流，采用PI控制器控制直流链路电压。人工智能在电力领域的应用正在迅速发展。人工神经网络(ANN)被认为是一种设计电能质量(PQ)器件控制电路的新工具。本文的主要目的是分析和比较不同类型控制器对源电流THD的影响。本文将常规PI控制器与基于人工神经网络(ANN)和基于粒子群优化(PSO)的PI控制器的源电流THD进行了比较。利用磁滞带电流控制器(HBCC)产生滤波器VSI的栅极脉冲，并在MATLAB/SIMULINK环境下使用sim电力系统工具箱进行仿真。

关键字

电能质量(PQ)、并联型有源电力滤波器(SAPF)、瞬时有功和无功功率(PQ)理论、滞后带电流控制器(HBCC)、总谐波失真(THD)、人工智能(AI)、人工神经网络(ANN)、粒子群优化(PSO)。

I.INTRODUCTION

电力系统中开关变换器、交流变速变换器和高压直流系统等非线性负载的存在会在负载侧产生谐波，电力电子设备是谐波的来源。这些谐波被注入到系统的源端。因此，为了保持系统的稳定，提高系统的电能质量，必须在电源侧对这些谐波进行抑制。并联型有源电力滤波器(SAPF)用于解决这一问题。SAPF的有效性取决于(i)获取参考电流的方法，(ii)使用电流controllerÃⅱÂ′Â′s类型。本文采用瞬时有功无功理论(PQ理论)控制策略，结合传统PI控制器和基于人工神经网络(ANN)的PI概念，对PI控制器的比例增益(Kp)、比例积分(Ki)参数进行了优化，并采用新的优化技术——粒子群优化(PSO)对PI控制器参数进行了优化。最后，将传统PI控制器的结果与基于神经网络的PI和基于粒子群算法的PI技术进行了比较。磁滞带电流控制器(HBCC)用于为电压源逆变器产生开关信号。图1为SAPF的框图表示。

2文献调查

在过去，无源滤波器被用于消除谐波，它简单且成本低。然而，使用无源滤波器有许多缺点，如体积大，调谐和共振问题的风险。随着电力半导体器件技术的迅速发展，有源电力滤波器(APF)被认为是解决这一问题的有效方法。其中最受欢迎的有源滤波器是并联有源电力滤波器(SAPF)，用于减轻电流谐波。因为“有源电力滤波器”的概念是由l . Gyugyi [l]在20世纪70年代首次提出的。赤城[2]将有源电力滤波器的控制策略归纳为负载电流检测、电源电流检测和电压检测三种模式，适用于不同的应用。一般情况下，采用串联有源滤波器对供电电压中的谐波进行补偿较好，并联有源滤波器对供电电流中的谐波进行补偿较好。Akagi公司首先开发的有源电力滤波器(APFÃ¢Â′Â′s)具有更好的谐波消除性能[2-5]。SAPF控制策略不仅涉及是否产生电流以消除不需要的谐波，而且还涉及对Vdc电压所要求的电容值进行充值，以确保适当的功率传输以供应逆变器。存储电容器“CÃⅱÂ′Â′通过补偿无功功率、谐波和变换器的损耗来吸收功率波动，实现适当的有功功率控制。电容端子上的平均电压必须保持在一个恒定的值。 Generally, PI controller is used to regulate this voltage. With variation of load perturbations and non linear conditions, detecting of PI parameters is difficult and time taking process other disadvantage is inability to improve the transient response of the system. The past decade interest on Artificial Neural Networks (ANNs) is increased because of its learning ability, high speed recognition and able to adapt themselves to any system. Warren Mc Culloch and Watter Pitts [9] in1943 created a computational model for neural networks based on mathematics and algorithms, and back propagation algorithm was created by Paul Werbos [13] in 1975. Particle swarm optimization (PSO) algorithm is an optimization technique inspired by the movement of particles (birds, fishes) which is introduced by Kennedy J, Eberhart R [15] in 1995.

3系统配置

在MATLAB/SIMULINK中，利用Sim电源系统工具箱开发了一种具有RL负载和并联有源滤波器的3,415v, 50Hz非线性负载二极管整流电源。

A.并联型有源滤波器设计参数:并联型有源滤波器由三相，每相三支腿，电压源逆变器组成。直流母线电容、直流母线电压和输入滤波器电感的设计如下

(i)直流电容器电压(Vdcref)

在无功补偿能力的基础上，电容电压参考值Vdc ref相对于PCC处的相交流电压峰值应至少有两倍的直流母线电压升压

(ii)直流母线电容器(Cdc):

有源滤波器直流母线的能量存储能力应足以承受由负载扰动引起的扰动。有源滤波器系统的直流母线电容(Vdc)可由下式计算

ΔEdc是哪里的速率能量储存在电容

输入滤波器电感(Lc):

在有源电力滤波器中使用的电感可以平滑来自电压源逆变器的波纹。这些电感设计有载波信号频率和滤波器电流的滞回带宽的信息。

通过在PCC和逆变极点应用KVL

其中Vf是逆变极点处PWM电压的瞬时值，Vs是PCC处的瞬时电压。

IV.CONTROL策略

(A).瞬时实功率和无功功率理论:该控制策略用于产生参考源电流[6-7]。瞬时有功和无功功率理论(p-q理论)的输入是负载侧谐波电流、源电压和来自直流链路电压控制的损耗分量电流。瞬时无功理论(p-q理论)方法的概念基本上由瞬时功率、电压和电流信号的a、b、c参考系到α−β参考系[9]的变量变换组成。电压和电流的换算公式如下

瞬时有功无功理论(P-Q理论)框图如图2所示。

(b).磁滞带电流控制:

采用滞环电流控制技术设计了有源电力滤波器[8]的控制部分，实现了有源电力滤波器的滞环电流控制，从而产生逆变器的开关模式。在该控制器中，通过上下开关的来回(或砰砰)切换，实际电流被迫跟踪迟滞带内的正弦参考。逆变器就变成了一个电流源，在波段内被控制使源电流为正弦。

当载波信号经过iref和iact的误差信号时发生切换。载波信号比较

利用iref和iact的误差信号，实现如下所示的PWM开关规律:

如果(iact) > (iref + hb)支腿上开关为ON，下开关为OFF

(iact) < (iref + hb)支腿上开关为OFF，下开关为ON

(c). PI控制器

采用比例积分控制器的原因是其对系统稳态误差控制的有效性和易于实现。然而，这种传统的补偿器的一个缺点是它不能改善系统的瞬态响应。该电路通过检测直流电容的实际电压与参考值进行比较，将误差放大后加到高通滤波器的输出滤波器中。

因此，允许进入电容器的有功功率被改变，直流电压被控制。

其中(vsn Ã¯Â ' Âvs(n Ã¯Â ' Â 1))是第n个采样瞬间参考(Vdc*)和感知(Vdc)直流电压之间的误差。Kp和Ki为直流母线电压PI控制器的比例增益和积分增益。PI控制器的位置如图2[5]所示。

(d)人工智能技术

人工智能(AI)是计算机科学的一个领域，强调创造像人类一样工作和反应的智能机器。ANN(人工神经网络)是人工智能技术[12]的一个分支。人工神经网络是由大量被称为神经元的处理元素高度互联的网络，其架构受到人脑的启发。

人工神经网络的特点有三个方面:结构、训练算法和激活函数。建筑代表神经元之间的连接。单层和多层前馈神经网络如图4所示。

训练/学习算法用于权值和偏差的更新，本文采用“Levenberg-Marquardt back propagationÃ¢Â′Â′算法，使用激活函数来了解神经元的反应。对于非线性解和多层网络采用s型传递函数，对于线性负载采用线性传递函数，函数均如下图5所示。

在过去的十年里，人们对人工神经网络的兴趣急剧增加，其特点是具有学习能力和高速识别，但结构简单，在机械和滤波设备的电力电子部分得到了广泛应用，并证明了其有效性。人工神经网络所获得的结果往往优于传统方法。在该工作中，PI控制器的作用被人工神经网络取代，以获得更好、更快的响应。调整PI控制器的Kp和Ki值是困难和耗时的过程，但在人工神经网络中，在在线训练过程中同时优化它们的权重和偏差，它们能够适应任何系统[13]。ANN控制器的布置如图6所示。

神经网络在生成的simulink块中有三层(输入层、隐藏层、输出层)。在第1层中，神经元数量为2，第2层中神经元数量为21。在1层和2层中都使用了“tansigÃ¢Â ' Â '传递函数。第三层神经元数为1，使用“linearÃⅱÂ′Â′”传递函数。ANNÃ①Â′Â′s PI控制器如图7所示。

(e)粒子群优化

粒子群优化(Particle swarm optimization, PSO)是一种基于群体的随机优化技术，其灵感来自于鸟类聚集或鱼类聚集的社会行为[14-15]。鸟的瞬间被反映出来，我们称之为“粒子”的瞬间。所有粒子都有适应度值，由适应度函数进行优化，并具有指导粒子飞行的速度。本文以总谐波失真最小为目标函数。适应度函数定义如下:

优化参数为比例增益(Kp)和积分增益(Ki)， PI控制器的传递函数定义为:

PI控制器的增益Kp和Ki是由PSO算法对给定的设备产生的。如图8所示。

质点移动规律位置如下图所示:

式中为粒子s在t时间内的速度矢量;表示粒子s在t时间内的位置向量;best为粒子s的个人最佳位置，Gbest为粒子目前发现的最佳位置;W为惯性权重;C1, c2为两个加速度常数，分别称为认知参数和社会参数;r1和r2是[0,1]范围内的两个随机函数。一般粒子群算法的流程图如图9所示。

五、仿真结果

比较了PI控制器控制的并联有源滤波器、基于神经网络的PI控制器和基于粒子群优化(PSO)的PI控制器对源电流总谐波失真(THD)的影响。系统的simulink模型如图10所示。

常规PI控制器的负载谐波电流、谐波补偿电流和合成源电流输出波形如图11所示，PI、PI- ann和PI- pso的并联有功功率(SAPF)滤波器的直流链路电压如图12所示。

PI-PSO算法的THD收敛说明和柱状图表示的源电流THD分析分别如图13和图14所示。

表1给出不同控制器的源电流THD，表2给出系统模型的设计参数。

无SAPF时，源电流(A相)的THD表示为29.31%。采用传统的基于SAPF的PI控制器，源电流的THD降低到2.79%。可由图15进行分析。采用基于神经网络的PI控制器SAPF使电容电压与参考电压相等，使源电流的THD进一步降低到2.34%。采用PI- pso优化控制器，使加速度常数C1=2, C2=2时源电流的THD降低到1.66%，使Kp和Ki取值范围为(0,200)，C1=1.5, C2=2.5时源电流的THD降低到1.32%。THD的收敛性如图13所示。PI-PSO优化已经运行了100次迭代，考虑10个种群，每个种群有20个分区。

VI.CONCLUSION

本文利用实功率和无功功率(P-Q)理论产生参考电流来控制有源滤波器，有源滤波器用于补偿无功电流和谐波电流，采用不同类型的控制器。在此基础上，对传统PI控制器、基于人工神经网络的PI控制器和基于粒子群优化(PSO)的PI控制器进行了对比研究，结果表明，粒子群优化在降低源电流谐波和补偿无功功率方面有较好的效果。通过所有PI，基于神经网络的PI和基于粒子群算法的PI，直流母线电压保持恒定等于参考电压。结果表明，这些鲁棒非线性控制器比传统控制器性能更好。

参考文献

L. Gyugyi和E. C. Strycula，“有源交流电源滤波器。，《IEEE IAS年会论文集》，第529-529页，1976。
赤木，“电力调节有源滤波器的新趋势”，IEEE工业应用学报，第32卷，1996。
IEEE标准519-1992,IEEE电力系统谐波控制推荐实践和要求”。
M. EI-Habrouk, M. K. Darwish和P. Mehta，“有源电力滤波器:综述。《IEEE电力应用论文集》，卷147,pp. 403-412, 2000。
彭福志，赤城，A. Nabae，“并联无源和串联有源滤波器组合系统的补偿特性”，IEEE工业应用学报，Vol. 29, pp. 144-152,1993。
张晓明，“基于有源滤波器的谐波抑制控制策略研究”，中国机械工程，2012。
陈东华，谢少军，“有源电力滤波器的控制策略研究”，电气工程学报，2010。
Aziz Boukadoum, Tahar Bahi, Abla Bouguerne, Youcef Soufi, Sofiane Oudina，“有源电力滤波器的磁滞带电流和模糊逻辑控制”，第八届生态车辆和可再生能源国际会议与展览(EVER)， 2013。
麦克洛克,沃伦;沃尔特·皮茨，《神经活动中固有思想的逻辑演算》数学生物物理通报5(4):115 - 133,1943。
王晓明，王晓明，“基于神经网络的谐波检测方法及其在谐波补偿中的应用”，中国机械工程学报，vol.2,pp. 567 - 567,2010。
Pecharanin。n,宋。王志强，“基于神经网络的谐波检测方法”，中国机械工程学报，pp366 - 366, 2008。
李志强，陈志强，“基于神经网络的电能质量调整器”，中国电力工程学报(英文版)www.ijmer.com Vol.2, no .1, 2012, pp-359- 366 ISSN: 2249-6645, 2012。
Chennai Salim和Benchouia Mohamed Toufik，“基于pwm和ANNÃ¢Â ' Â ' s控制器的三相三电平并联有源电力滤波器性能”，国际电气工程与信息学报vol . 6,2014。
Brahim Berbaoui, Chellali Benachaiba, Rachid Dehini，“基于粒子群优化的并联型有源电力滤波器PI控制器设计”，Quatrième Conférence国际杂志Génie Electrique CIGEÃⅱÂ ' Â 10，大学学报，Algérie, 2010。
Kennedy J, Eberhart R，“粒子群优化”。见:IEEE神经网络国际会议论文集，pp 1942-1948, 1995。