径向基神经网络与lcl输出滤波仪整改控制有源电力滤波仪概述

《径向基神经网络与lcl输出滤波仪整改控制有源电力滤波仪概述》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、径向基神经网络与LCL输出滤波仪整改控制有源电力滤波仪概述第一章绪论1.1课题研究的背景电能质量的改善已成为当今现代化社会的必然要求，而有源电力滤波器(APF)以其独特谐波抑制和无功补偿的双重优势成为柔性交流输电系统(FACTS)的核心设备之一，近年来被研究和工程人员作为一种抑制电网谐波的有效方法同时电力电子技术的飞速发展和DSP等数字信号处理技术成熟应用，以及电力电子器件功率性能的提高及控制方法的有效改进，使有源电力滤波器在电力系统中的应用得到越来越广泛⑴。有源电力滤波器中滞环电流跟踪控制是极其重要的部分之一，传统的滞环电

2、流跟综控制主要依靠设置环宽来控制幵关器件的开关频率，如果环宽过大开关频率会降低，影响电流的跟踪效果，如果环宽减小，开关频率会升高，损耗也会加剧，如果环宽太小造成幵关频率过大可能会造成开关器件损坏而不能正常工作。本文的控制方案是在滞环跟踪控制策略的基础上建立一个径向基(RBF)神经网络使其具有滞环控制比较器的功能并最终取代传统的滞环控制器，并同时保持了神经网络自身所具有的并行处理能力、容错能力，能够实现对电流的快速跟踪，同时通过设置硬件的采样频率实现了开关频率的可控性，并且在实际的有源电力滤波器系统中，这些算法可以数字化实现，

3、所以，此方案有一定的应用性。输出滤波器是有源电力滤波器的里一个重要组成部分，通常的选择有L型，LC型以及LCL型滤波器等，但是L型滤波器容易受到电流跟踪和开关纹波的的影响而使滤波效果欠佳，LC型滤波器易受到电网阻抗不确定性和时变型的影响滤波效果也不理想。而LCL型滤波器可以避免上述存在的问题，使其成为有源电力滤波器输出滤波器的最佳选择。1.2国内外研究现状有源电力滤波器起源于1969年，是受到Marsh和Bird等人所提出的通过向电网注入相应次数的谐波来减少电网中谐波成分思想的启发，而使许多研究学者开始设计研究有源电力滤波器

4、来改善电网电流波形。近年来电力电子技术、控制技术和数字信号处理技术高速发展，以及高性能的开关器件和DSP芯片的出现，使有源电力滤波器的应用进入了实质化的阶段，并且形成了一整套的产业链，欧美国家和日本是最先使用有源电力滤波器来提高电网电能质量的国家。滞环电流跟踪控制作为有源电力滤波器中是极其重要的部分之一，传统的滞环电流跟综控制主要依靠设置环宽来控制开关器件的开关频率，如果环宽过大幵关频率会降低，影响电流的跟踪效果，如果环宽减小，幵关频率会升高，损耗也会加剧，如果环宽太小造成开关频率过大可能会造成开关器件损坏而不能正常工作。本

5、文的控制方案是在滞环跟踪控制策略的基础上建立一个径向基(RBF)神经网络使其具有滞环控制比较器的功能并最终取代传统的滞环控制器，并同时保持了神经网络自身所具有的并行处理能力、容错能力，能够实现对电流的快速跟踪，同时通过设置硬件的采样频率实现了开关频率的可控性，并且在实际的有源电力滤波器系统中，这些算法可以数字化实现，所以，此方案有一定的应用性。本文针对有源电力滤波器滞环控制开关频率不易控制，容易造成开关器件开关频率过高而产生损坏，选择使用径向基神经网络算法用软件编程来代替滞环跟踪控制的功能。同时，有源电力滤波器的输出滤波器在

6、选择应用LCL滤波器时，其参数的选择通常主要靠有经验的工程师靠经验来选择，本文使用蚁群算法针对LCL滤波器要达到的设计要求来对LCL滤波器进行优化设计，达到了设计要求，从而使LCL滤波器的参数设置更具有科学依据，更精确。第二章并联式有源电力滤波器的原理结构模型2.1并联式有源电力滤波器的原理结构模型在电网电压为零时，开关器件的开关频率为最高⑴；如果滞环宽度不变，开关器件的开关频率受电流变化幅度的影响比较大；当电流变化幅度很大时，并且电流幅值较小时，因为环宽固定，这样可能造成补偿电流的性能较差，误差也可能变大；当电流值很大时，

7、并且环宽固定，会使幵关器件的幵关频率随之增大，恶劣情况的话可能会对开关器件造成损坏现象⑴。所以传统的滞环比较器虽然具有响应快且精度高的优点，但是幵关频率波动很大，在器件最大幵关频率的容许范围内，无法得到较高的跟踪精度[9]。径向基(RBF)神经网络的训练可以分两大步：第一步是无监督学习，学习结果是计算得到输入层和隐含层各神经元连接间的权值ATLABS-函数编写.........143.3.3仿真结果.........163.4本章小结.........23第四章基于多目标蚁群算法的APF输出滤波器.........244.1

8、LCL滤波器设计步骤.........244.2APF中LCL的数学模型.........264.4瞬态电流的跟踪.........294.5蚁群群算法.........314.5.1基本蚁群算法.........314.5.2多目标蚁群算法.........324.6实验结果及分析...