基于模糊神经控制器的电能质量动态电压恢复器控制

摘要

电能质量是衡量电能效率的一个指标，电能效率是从发电点传递给用户的。电能质量是一组参数，如供电连续性和电压特性，如幅度、频率、对称性和波形。目前，电能质量是导致财务问题的一个问题。许多调查表明，电能质量差给工业部门造成了巨大的经济损失，由于电能质量问题，如凹陷、膨胀、谐波、闪烁等，大量的电能被浪费。本文利用MATLAB/Simulink实现了动态电压恢复器(DVR)的建模与仿真。在此基础上，给出了基于模糊神经系统和基于模糊逻辑的DVR的性能比较。结果表明，模糊控制器在线性和非线性负载下都能快速有效地将负载电压恢复到标称值。但当3-ph可编程源在电压凹陷和电压膨胀上叠加2次和3次谐波时，模糊控制器无法将谐波含量恢复和降低到IEEE标准的可接受值，即单个电压为3%，三相电压为5%。而模糊神经控制器在不同的故障和非线性负载情况下都能有效地将负载电压恢复到预凹陷值，使其平滑，并使谐波在所有情况下都保持在允许的范围内。

关键字

电能质量，模糊逻辑，模糊神经，控制器，凹陷，膨胀

简介

电力分配系统拥有庞大的网络，大量的电源和负载通过广泛的配电线路连接。特别是配电系统有大量的非线性负荷，影响供电质量。由于负载的非线性导致了波形的平滑性损失，从而导致了许多电能质量问题。但客户的实际想法是获得所在地区负荷中心的最佳质量的电力和可靠性的电力供应。1］．在生产过程中要求高质量电源的原因主要是因为高效率运行的现代制造业需要稳定和无故障的电源来成功运行他们的机器[2］．实际上，电力系统的用户应该在承诺的量级和频率上，获得具有无缺陷正弦电压的连续能量流。无法提供所需质量的电力输出有时可能导致工业完全关闭。电力电子设备，如可调速驱动器、自动化设备、计算机和UP等，对电压扰动非常敏感，如电压下降、电压膨胀和谐波[3.］．电力质量差可能会导致敏感设备失效或故障，导致生产和经济损失，在安全优先的情况下也会危及生命。电压跌落和谐波是工业、服务和透明部门最常见的电能质量问题。跌落是均方根电压突然下降，使其从标称值下降10%到90%，持续时间从0.5个周期到几秒。凹陷可以是对称的，也可以是非对称的，三相断层产生对称的凹陷。单线接地故障和双线接地故障引起不对称凹陷。谐波是存在的频谱成分，其频率乘以基频。谐波是由于电力电子元件和感应电机等非线性负载而产生的。根据IEEE对小于69千伏系统的标准，个别电压的谐波失真限值为3%，总谐波失真限值为5%。谐波会导致变压器、电机及其他电力系统设备过热、过载及额外损失[4］．膨胀是均方根电压的突然增加，使其从标称值的110%到190%之间，持续时间从0.5个周期到几秒。膨胀的主要原因是接通大容性负载或关闭大感性负载。电压中断是指在不超过1分钟的时间内，将电压降低到其标称值的10%以下。解决电能质量问题的方法有:APF(有源电力滤波器)，DSTATCOM(配电静态同步补偿器)，动态电压恢复器(DVR)， SVC(静态无功补偿器)，BESS(电池储能系统)，TSC(晶闸管开关电容器)，UPS(不间断电力系统)。DVR具有成本低、体积小、动态响应快等优点，在各种故障和非线性情况下都能有效地将负载电压恢复到标称值并使其规整，是最高效可靠的解决方案之一。DVR能够通过与电源电压和负载点串联加减适当的电压来补偿电压扰动，从而防止供电不可靠。通常在稳定状态下，DVR不会吸收/注入真正的功率。但当系统中出现电压跌落/膨胀或供电电压不平衡时，它会立即从直流链路注入/吸收实功率，为电力系统提供支持。这一目标可以最好地实现，如果DVR是由一个适当的现代控制策略控制。为了提高DVR的性能，已经进行了几项研究，这些研究表明， a Phase Advanced Compensation strategy for DVR was used where a closed loop controller that consists of an outer voltage loop and two inner current loop was proposed in control system of the DVR And the studies are shown that the aritificial intelligent controller for the DVR is effective and powerful in eliminating of power quality problems because that the DVR is non-linear in nature and needs a non-linear controller. The MATLAB/simulink is demonstrated that the capability of DVR based on Fuzzy Neural is more efficient and effective in mitigating the power quality problems, also In general, there are no standard method for transforming human knowledge to the rules base of the fuzzy inference system. The selection of the type, size and parameters of the membership functions has been achieved by trial and error; therefore there is a real need to an effective method of tuning the input and output membership functions and reducing the rules to the minimum rules. The ANFIS method was developed to overcome the difficulties mentioned previously.

Dvr基本配置

DVR本质上如图1所示由电源电路组成

•储能单元，可以是电池储能系统[5]、超级电容器[6]，飞轮储能[7]、风能[8]，光电[9］．由于电池储能系统具有较高的稳定性，因此本文采用了电池储能系统(BESS)。

•逆变电路:在本工作中，三相三电平逆变器用于将(电池储能系统)的直流电压转换为可控的三相交流电压，该电压等于补偿电压，因为该逆变器输出功率高，谐波低。三电平单相逆变器和三相三电平逆变器的结构如图所示图2而且3.．它由三个臂组成，每个臂由四个开关串联而成。每个臂上有两个二极管，以确保在每个臂的输出上应用不同的电压水平。这种结构允许在每个臂上产生三个电平的输出电压(E/ 2,0， -E/2)，如图所示表1并创建一个中性点N，因此它被称为NPC(中性点夹紧)

表1。每臂三相三电平逆变器的状态。

•无源滤波器:过滤单元消除主导谐波，提供高质量的能源供应。该滤波器由电感器和电容器组成。该滤波器可以放置在注入变压器的高压侧，也可以放置在低压侧。谐波的有害影响

•PWM(脉宽调制):DVR系统中使用的调制技术有几种类型，如滞后、PWM、无差拍控制和SVPWM(空间矢量脉宽调制)[10-12］．在这项工作中使用正弦PWM，涉及到比较参考波形(调制信号)与三角波(载波)，以获得所需的输出电压。注入变压器:三相变压器或三台单相变压器均采用逆变器产生，可采用逆变器侧减少[10］．本文提出了逆变器侧滤波的方法。高次谐波电流不渗透到串联变压器中，从而降低了变压器上的电压应力。放大来自逆变器的注入电压，并在电压源逆变器(VSI)和网络之间创建电气隔离，同时确保PWM逆变器和网络之间的耦合。注射变压器的一次绕组连接到逆变器侧，二次绕组连接到网络和敏感负载。变压器尺寸过大是避免励磁涌流的常用方法。然而，这将增加DVR的尺寸和重量[11］

Dvr的运行方式

保护模式

该DVR与系统隔离，当负载侧出现故障或涌进大电流时，采用的保护装置即(旁路开关)如图所示图4(S1, S2和S3)是旁路开关。S1、S2为开路，S3为故障电流提供交流路径。

待机模式

当负载电压的误差为零时，DVR将不会向系统注入任何电压，如图所示图4．逆变器侧的转换器防止任何电流通过注入变压器。

注入模式

DVR通过注入变压器注入补偿电压(凹陷电压与预凹陷电压之差)，如图所示图5．

录像机的位置

•在如图所示的中压下图6而且7DVR连接11kVr.m。S径向配电馈线，为负荷变压器供电

•在低电压，如所示图8DVR连接负载变压器的二次绕组为400V

公园的转换

Park变换是将三个交流量(Va、Vb、Vc)转换为两个直流量(Vd、Vq)，以简化计算、控制和分析[13］．

Park变换要求锁相环产生与实际信号频率和相位角相同的参考信号。

Dvr的数学公式

DVR在源和负载之间串联，如图所示图9．

补偿过程中DVR注入的功率如下:

从图10时，DVR的补偿电压(Vinj)可计算如下:

从三角形abc向内图9

基于模糊控制器的动态电压恢复器

近年来，模糊逻辑控制器的应用数量有了非常显著的增长。目前，市场上使用模糊逻辑控制的产品很多(大部分是日本设计的)。日立公司的Yasunobu和宫本茂为自动列车控制(ATO)系统设计了一种模糊控制器，该系统自1987年7月以来一直在日本仙台市使用。系统的两项主要操作是恒速控制(CSC)和列车自动停车控制(TASC) [14］．模糊逻辑控制器的另一个应用是用于海上救援的无人直升机口头指令的无线电控制[15］．这些应用已经产生了很好的效果，说明了模糊逻辑控制的优点图11．

Flc的结构由五个部分组成

模糊化接口

它将一个清晰的输入信号，误差和误差的变化转换为模糊信号，可以通过模糊集的隶属度来量化。

知识库

它由带有语言定义的数据库和规则库组成。由输入和输出隶属度函数组成的数据库，为模糊化和去模糊化操作提供必要的信息。

规则库

它由一组语言规则组成，这些规则将模糊化的输入更改为所需的输出，如图所示图12．

推理机制

它从知识库和规则库中推断出模糊控制动作，将输入条件转换为模糊化输出。

去模糊化接口

它利用输出隶属度函数将模糊化的输出转换为清晰的控制信号，在系统中作为控制输入的变化。本文采用质心法进行模糊化。

模糊逻辑控制器的输入输出隶属函数

第一、第二、第三控制器的输入输出隶属度函数如下图所示(数字12-22）.

模糊逻辑控制器的规则集

基于模糊神经控制器的动态电压恢复器

人工神经网络(ANN)

人工神经网络是一种信息处理系统，其特点与生物神经系统相似。它是基于人脑设计的。人工神经网络因其精度和建立复杂非线性模型的能力而得到广泛应用。

人工神经元

人脑中的神经元是对感官信息进行处理的工具。McCulloch和Pitt(1943)提出了一种模型神经元，它具有与生物神经元中发生的过程相似的信息传输和接收过程的特征。该神经元成为人工神经网络发展的参考。神经元在决定网络的功能和运作方面起着重要作用。神经元的数学模型显示在图23可以用以下公式表示[16］．

神经元的输出依赖于激活函数

活化函数

有几种类型的非线性、可微的激活函数，非线性激活函数可以用反向传播方法训练网络。双曲正切函数[17］．

tanh函数的输出范围在-1到1之间。Logistic函数[17］．是斜率常数，它总是1，但它可以改变。logistic函数的输出范围在0到1之间。

单层神经网络

神经网络最简单的形式是只有一层输入节点向后续层接收节点发送加权输入。神经元被分组成层，层被分组成网络，形成高度互联的处理结构。单层神经网络的早期例子之一被称为感知器。

Rosenblatt的感知器

Rosenblatt’s Perceptron是一个由单层前馈网络组成的神经网络，使用阈值激活函数，如图所示图24．

阈值函数是一个不可微的非线性函数，其输出不是0就是1。

多层神经网络(MLN)

包含一个或多个隐藏层的神经网络称为多层神经网络或多层神经网络。

感知器(MLP)如图所示数字24而且25．每个隐藏层使用相同的激活函数。

自适应神经模糊推理系统

ANFIS是模糊定性方法和神经网络的自适应学习能力的结合，该系统可以在没有标准FL通常需要的大量专家知识的情况下进行训练。Jang介绍了自适应神经模糊推理系统，并提到(ANFIS)架构可以用于控制系统中的非线性函数建模和预测混沌时间序列。ANFIS采用sugeno型模糊推理系统。ANFIS需要训练一组输入和输出数据，它可以自适应地从训练数据中选择模糊推理系统的参数。它生成一组成员函数来将输入数据映射到输出。ANFIS的实现采用反向传播方法对输入输出进行调优，并采用混合算法进行学习。在本文中，ANFIS在非线性系统建模和控制方面的优势将被定义。18］．

简称Anfis架构

ANFIS体系结构是一种采用监督学习算法的自适应网络，其功能类似于Takagi-Sugeno模糊推理系统。

很明显，从图26， ANFIS架构有五层[19-21］．这些层次如下:

•第1层:包含函数参数的自适应节点。每个节点的输出是隶属度值，由隶属度函数的输入给出

•第二层:该层中的所有节点都是固定的或非自适应的。每个节点的输出是进入节点并传递到下一个节点的信号相乘的结果。该层中的每个节点表示每个规则的触发强度

•第三层:该层的节点是固定的或非自适应的。每个节点是单个规则触发强度与所有规则触发强度之和之间的比率的计算。这个结果被称为归一化发射强度

•第4层:通过将规范化发射强度与每个节点的参数集相乘来确定每个规则的输出。这些参数称为结果参数

•第5层:该层节点为固定节点或非自适应节点。这个节点是根据前一个节点的所有输入信号的总和计算出来的

ANFIS的类型

有两种类型的ANFIS优化PI控制器，它们包含一个输入(误差)和一个输出，如图所示图27和ANFIS优化的模糊逻辑控制器，该控制器包含两个输入(误差和误差变化)和一个输出图27．

在线性和非线性负载下，ANFIS优化PI给了我们比PI更好的结果，但没有给我们比模糊逻辑更好的结果，其中模糊逻辑远比(ANFIS优化PI)更有效。因此，我们选择了ANFIS优化的模糊逻辑，其被称为(模糊神经)，我们得到了比添加2的模糊逻辑更好的结果^nd和3^{理查德·道金斯}谐波的凹陷和膨胀图28．

ANFIS算法流程图

ANFIS算法的流程图如图所示图29．

模糊神经控制器的训练数据和ANFIS编辑器

ANFIS的列车数据如数据-和ANFIS的编辑器实现了数据．

仿真与结果

基于模糊逻辑和模糊神经的DVR的性能和效率将在线性负载和非线性负载下进行测试。

线性负载

采用DVR对系统进行仿真和建模图36．基于模糊神经网络的DVR控制单元。

控制器采用sugeno型模糊推理系统如图所示图37．

线性负载

从下图中可以清楚地看出，模糊逻辑控制器和模糊神经控制器能够快速跟踪并恢复负载电压到其标称值，并将(THD)保持在可接受的范围内。但是当我们加上2^nd和3^{理查德·道金斯}所示电压的谐波数字37而且38只有模糊神经能够将谐波保持在允许的范围内，而模糊逻辑只能恢复波形，但无法将(THD)保持在可接受的范围内。

单线接地故障:在图38 (a - c)模拟了SLGF(非对称凹陷)。从0.8s开始，一直保持到0.95s。基于模糊逻辑和模糊神经的数字记录仪将负载电压保持在标称值。

双线接地故障:如图34模拟DLGF(非对称凹陷)。从0.8s开始，一直保持到0.95s。基于模糊逻辑和模糊神经的DVR将负载电压恢复到标称值图39 (a - c)．

三相故障:在图40 (a - c)模拟了三相接地故障(对称凹陷)。从0.8s开始，一直保持到0.95s。基于模糊逻辑和模糊神经的数字记录仪将负载电压保持在标称值。

凹陷:在图41，模拟对称凹陷。从0.8s开始，一直保持到0.95s。图41 (a - c)显示带补偿的负载电压。基于模糊逻辑和模糊神经的DVR，使负载电压保持在预电压。

膨胀:如图42 (a - c)三个阶段将膨胀到150%，从0.8s到0.95s，持续0.15s。可以看出，基于模糊逻辑控制器和模糊神经控制器的DVR使负载电压保持在标称值。

二次谐波和三次谐波的凹陷:如图43 (a - c)2 .存在三相凹陷^nd和3^{理查德·道金斯}对谐波进行了模拟。启动时间从0.8s到0.95s。可以看出，基于模糊神经网络的DVR使负载电压保持在凹陷前电压，且无谐波畸变。基于模糊逻辑的DVR无法将负载电压恢复到预凹陷值，THD也无法保持在可接受的范围内。

二次谐波和三次谐波膨胀:如图43 (a - c)三相膨胀与存在2^nd和3^{理查德·道金斯}对谐波进行了模拟。启动时间从0.8s到0.95s。结果表明，基于模糊神经网络的DVR系统使负载电压保持在标称值和允许的总谐波畸变范围内。而基于模糊逻辑的DVR无法将负载电压恢复到膨胀前的值，THD也无法保持在可接受的范围内图44 (a - c)．

非线性载荷

研究了非线性载荷下的simulink模型。系统和DVR显示在图45．非线性负载为直流电机供电的3-ph整流器。很明显，从图45模糊逻辑控制器和模糊神经控制器能够将负载电压极大地恢复到标称值，并将THD保持在可接受的范围内。

不同负荷下总谐波失真(Thd)水平的比较

表2为总谐波失真分析，从该表可以清楚地看出，在2的情况下，模糊控制器无法降低(THD)并使其在允许的范围内^nd和3^{理查德·道金斯}谐波。

表2。基于模糊逻辑控制器和模糊中性控制器的无DVR和有DVR负载电压的总谐波失真。

结论

利用神经学方法对模糊系统进行训练具有极大的优势。将模糊概念嵌入神经网络是一个活跃的研究领域，很少有广为人知或被证实的结果。利用ANFIS算法可以将经验信息和专家嵌入到一个模糊系统中。这极大地扩展和增强了模糊系统的应用范围。本文采用模糊逻辑控制器和模糊神经控制器对DVR进行建模和仿真。从实验结果来看，基于模糊神经的DVR有效地缓解了2^nd阶谐波和3^{理查德·道金斯}与电压下降和膨胀相关的序次谐波将负载谐波从大于10%降低到小于2%。提出的DVR还注入适当的电压组件来处理不同的故障情况，在所有电能质量问题下保持负载电压恒定和平衡没有任何困难。从这一工作中，我们可以得出结论，以谐波模糊神经为功能之一的应用程序是此类应用的合适选择

参考文献

1. Ghosh A和Ledwich G.使用自定义电源器件提高电能质量。施普林格科学与商业媒体，2012。
2. Hingiram NG。引入自定义电源。频谱IEEE。1995; 32:41-48。
3. Sancaran C.电源质量。CRC出版社。2001.
4. 博伦MHJ。理解电能质量问题——电压下降和中断。IEEE电力工程出版社系列，2001。
5. Ramachandaramurthy VK，等。控制电池支持的动态电压恢复器。电气工程学报。2002;49:533-542。
6. 奥马尔R和拉希姆NA。基于动态电压恢复器的超级电容器电压不平衡补偿。中国机械工程，2012;
7. 王波和Venkataramanan G.动态电压恢复器利用矩阵变换器和飞轮储能。机械工程学报。2009;42(5):366 - 366。
8. 利用DVR技术提高风力发电系统的故障穿越能力。中国机械工程，2013;
9. Ramasamy M, Thangavel S.基于PV的动态电压恢复器(PV- dvr)显著节能的实验验证。中国机械工程学报。2013;29(2):326 - 326。
10. Newman MJ，等。基于四腿电压源变换器的动态电压恢复器。科学通报，2005;3:437-447。
11. Jimichi T，等。一种消除动态电压恢复器串联变压器直流磁通量的方法。电子学报。2008;39(4):589 - 589。
12. Teke A.统一电能质量调节器:设计、仿真和实验分析博士论文，日本町町自然应用科学大学;2011。
13. 藤田T赤木H。一种消除动态电压恢复器串联变压器直流磁通量的方法。机械工程学报。2008;42(4):529 - 529。
14. http://www.mathworks.com/park transformation.html
15. 基于预测模糊控制的列车自动运行。模糊控制的工业应用，1985;1-18。
16. m . Sugeno。目前模糊控制项目。模糊控制系统与空间站应用研讨会，1990。
17. 唐华，等。神经网络:计算模型与应用。53. Stud Com Intell,2007;
18. http://www.mathworks.com/neural.html
19. 张成泽JSR。ANFIS:自适应网络模糊推理系统。电子学报。2003,23(2):366 - 366。
20. 张俊杰，孙春春。神经模糊建模与控制。Proc ieee.83:378 - 406。
21. 麦卡洛克WS和皮茨WH。神经活动中固有思想的逻辑演算。生物物理学报，1995;5:115-133。