基于模糊神经网络PID的有源电力滤波器控制方法
专利汇可以提供基于模糊神经网络PID的有源电力滤波器控制方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于模糊神经网络PID的有源电 力 滤波器 （APF）控制方法，包括以下步骤：根据电力 电子 学，建立APF逆变器的非线性动力学模型；根据建立的非线性动力学模型，设计 电流 控制回路的PID 控制器 ；设计模糊神经网络补偿控制器用以提高逆变器电流控制回路的动态响应；设计逆变器的 电压 控制回路的PI控制器，解算出逆变器输出电流所需 跟踪 的参考电流值。本发明提出PID控制和模糊神经网络控制相结合的方法，其设计过程简单，易于工程实现，进一步改善逆变器输出电流的响应性能。，下面是基于模糊神经网络PID的有源电力滤波器控制方法专利的具体信息内容。
1.基于模糊神经网络PID的有源电力滤波器控制方法，其特征在于它包括以下步骤：
步骤一，根据电力电子学，建立APF的逆变器的非线性动力学模型；
步骤二，根据步骤一建立的非线性动力学模型，设计电流控制回路的PID控制器；
步骤三，设计模糊神经网络补偿控制器，用以提高逆变器电流控制回路的动态响应；
步骤四，采用PI算法，设计逆变器的电压回路控制器，解算出逆变器输出电流所需跟踪的参考电流值。
2.根据权利要求1所述的基于模糊神经网络PID的有源电力滤波器控制方法，其特征在于步骤一中逆变器的非线性动力学模型为：
其中， ， 为a，b，c三相电流转换至d，q 坐标下的电流； ， 为旋转坐标系下的调制系数； ， 为旋转坐标系下电网电压； ， 为逆变器交流侧的电感和等效电阻； ， 分别表示逆变器直流侧的电容及其电压， 为工频，表示时间；上述非线性动力学模型表示如下：
其中， ， ，
， ，
表示转置， ， 。
3.根据权利要求2所述的基于模糊神经网络PID的有源电力滤波器控制方法，其特征在于步骤二中电流控制回路的PID控制器设计如下： 其中： ，
为控制器参数， ， 为参考电流值。
4.根据权利要求1所述的基于模糊神经网络PID的有源电力滤波器控制方法，其特征在于步骤三中电流控制回路的模糊神经网络补偿控制器设计如下：
设定 ， 为模糊神经网络的输入，补偿控制器的输出
为模糊神经网络的输出；所设计的模糊神经网络的模糊规则定义如下：
其中 和 为模糊神经网络的输入所对应的模糊集， 为Then部分的零阶函数，其中 ， 为隶属度函数的个数，模糊神经网络的输
入输出的映射关系写成如下：
第1层：定义隶属度函数如下：
其中 和 分别是隶属函数的平均值和标准偏差，这些参数在模糊神经网络是可调的；
第2层：节点函数定义如下：
第3层：每个节点的归一化被定义如下：
第4层：在此层中的每个节点的输出写成如下：
第5层：整个模糊神经网络的输出写成如下：
于是结合PID和模糊补偿控制器，得到逆变器电流控制回路控制器的输出为：
利用滑模理论定义滑模面如下：
设计模糊补偿控制器的参数调节规律如下：
其中：Sgn为开关函数， 为学习率， 是由 构成的权值矩阵， ，和 被定义为：
。
5.根据权利要求1所述的基于模糊神经网络PID的有源电力滤波器控制方法，其特征在于步骤四中采用PI算法，设计逆变器的电压回路控制器如下：
式中： ， 为电压控制回路的PI控制器增益， 为设定的电压参考轨迹，为逆变器的输出电压， 为计算得到的电流参考值， ， 为初始和终止时间。
基于模糊神经网络PID的有源电力滤波器控制方法
技术领域
背景技术
发明内容
步骤二，根据步骤一建立的非线性动力学模型，设计电流控制回路的PID控制器；
步骤三，设计模糊神经网络补偿控制器，用以提高逆变器电流控制回路的动态响应；
步骤四，采用PI算法，设计逆变器的电压回路控制器，解算出逆变器输出电流所需跟踪的参考电流值。
表示时间；上述非线性动力学模型表示为如下：
其中， ， ，
， ，
表示转置， ， 。
为参考电流值。
为模糊神经网络的输出，所设计的模糊神经网络的模糊规则定义如下：
其中 和 为模糊神经网络的输入所对应的模糊集， 为Then部分的零阶函数，其中 ， 为隶属度函数的个数，模糊神经网络的输
入输出的映射关系写成如下：
第1层：定义隶属度函数如下：
其中 和 分别是隶属函数的平均值和标准偏差，这些参数在模糊神经网络是可调的；
第2层：节点函数定义如下：
第3层：每个节点的归一化被定义如下：
第4层：在此层中的每个节点的输出写成如下：
第5层：整个模糊神经网络的输出写成如下：
于是结合PID和模糊补偿控制器，得到逆变器电流控制回路控制器的输出为：
利用滑模理论定义滑模面如下：
设计模糊补偿控制器的参数调节规律如下：
其中：Sgn为开关函数， 为学习率， 是由 构成的权值矩阵， ，和 被定
义为：
。
出电压， 为计算得到的电流参考值， ， 为初始和终止时间。
具体实施方式
有源电力滤波器（APF）的微分方程描述如下：
其中， ， 为逆变器交流侧的电感和等效电阻；其间流过的电路 ， ， 为逆变器产生的注入电网的补偿电流； ， 分别表示逆变器直流侧的电容及其电压；
， ， 为a，b，c坐标下的调制系数； ， ， 为电网电压；
以电压空间矢量为d轴方向，与之垂直的方向为q轴方向，建立两相坐标系，得到a，b，c到d，q变换式如下：
其中 为工频，表示为时间；
d-q同步旋转坐标系下的三相电压型脉宽调制(PWM)逆变器模型为：
其中， ， 为a，b，c三相电流转换至d，q 坐标下的电流； ， 为旋转坐标系下的调制系数； ， 为旋转坐标系下电网电压；上述逆变器非线性动力学模型表示为如下形式：
其中， ， ，
， ，
表示转置， ， ；
步骤二，设计电流控制回路的PID控制器如下： ，其中： ，
为控制器参数， ， 为参考电流值；
步骤三，采用模糊神经网络补偿控制器提高逆变器电流控制回路的动态响应性能；所采用的模糊神经网络采用5层结构，其结构如图2所示；
设定模糊神经网络的输入为 ， ，补偿控制器的输出
为模糊神经网络的输出，所设计的模糊神经网络的模糊规则定义如下：
其中 和 为模糊神经网络的输入所对应的模糊集， 为Then部分的零阶函数，其中 ， 为隶属度函数的个数，模糊神经网络的输
入输出的映射关系写成如下：
第1层：定义隶属度函数如下：
其中 和 分别是隶属函数的平均值和标准偏差，这些参数在模糊神经网络是可调的；
第2层：节点函数定义如下：
第3层：每个节点的归一化被定义如下：
第4层：在此层中的每个节点的输出写成如下：
第5层：整个模糊神经网络的输出写成如下：
于是结合PID和模糊补偿控制器，得到逆变器电流控制回路控制器的输出为：
利用滑模理论定义滑模面如下：
设计模糊补偿控制器的参数调节规律如下：
其中：Sgn为开关函数， 为学习率， 是由 构成的权值矩阵， ，和 被定
义为：
这里采用模糊神经网络控制器对PID控制实施补偿，其结构原理如图3所示；在逆变器电流控制中，模糊神经网络控制器实现控制系统对原有电流指令的跟踪动态和稳态误差抑制；
步骤五，采用PI算法，设计逆变器的电压回路控制器，解算出逆变器输出电流所需跟踪的参考电流值；设计逆变器的电压回路控制器如下：
式中： ， 为PI控制器增益， 为设定的电压参考轨迹， 为逆变器的输
出电压， 为计算得到的电流参考值， ， 为初始和终止时间。
压 ，电容电压的给定值 ；图4为电网侧三相电压波形图；图5为在非
线性负载作用下滤波之前的电网侧电流波形；图6为采用本发明方法APF滤波后的电网侧电流波形；由图5-6可知，在所提方法下，APF的输出电流较好地抑制谐波电流，取得了较好的补偿效果。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种信号波调制方法及系统 | 2020-05-11 | 111 |
| 一种大功率半导体模块混合封装结构及其方法 | 2020-05-23 | 250 |
| SF6分解气体红外光谱多组分检测方法及装置 | 2020-05-25 | 482 |
| 摩擦电子学晶体管及与非门、触发器、寄存器和计数器 | 2020-05-11 | 947 |
| 适用于固定频率的无源软开关全桥式变换电路及方法 | 2020-05-14 | 123 |
| 重组化协作机器人关节一体化驱动控制系统、方法及应用 | 2020-05-08 | 959 |
| 适用于固定频率的无源软开关全桥式变换电路 | 2020-05-15 | 847 |
| Power stack control systems | 2020-05-19 | 926 |
| Method of shoot-through generation for modified sine wave Z-source, quasi-Z-source and trans-Z-source inverters | 2020-05-18 | 367 |
| Electro-Acoustic Device Charging and Power Supply | 2020-05-19 | 352 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
-
3 疾病检测仪
