虞 昉， 黃文燾

（1.國網(wǎng)浙江余姚市供電有限公司，浙江寧波315400；2.上海交通大學(xué)電子信息與電氣工程學(xué)院，上海200240）

0 引 言

電能質(zhì)量綜合補(bǔ)償器（UPQC）在控制電力從源傳遞到獨(dú)立的負(fù)荷或從源傳遞到電網(wǎng)中發(fā)揮著重要作用。盡管大量的文獻(xiàn)都出現(xiàn)過UPQC的相關(guān)理論，但在應(yīng)用中很難找到UPQC系統(tǒng)，甚至在全球配電范圍內(nèi)也很少見。這種情況可以歸因于一個(gè)事實(shí)，即UPQC理論很難理解，而其控制系統(tǒng)處理設(shè)備也很難實(shí)現(xiàn)。許多學(xué)者在與UPQC相關(guān)聯(lián)的控制器的發(fā)展方面進(jìn)行了大量的研究。如Ansari等提出了一個(gè)新穎的參考信號(hào)生成方法，基于模糊邏輯算法的UPQC［1-3］。在基于三相四線統(tǒng)一電能質(zhì)量來補(bǔ)償電能質(zhì)量方面，Engin等提出了同步參考坐標(biāo)變換（SRF）的控制方法理論［3］。本文提出一個(gè)簡(jiǎn)單且能夠循序漸進(jìn)的電能質(zhì)量綜合控制方案，與傳統(tǒng)的電能控制器模型相比，提出的綜合控制方案具有較強(qiáng)的有效性以及時(shí)間性［4］。

1 UPQC模型的建立

通常情況下，UPQC由2個(gè)通過一條公用直流母線連接起來電子變流器組成。在約束功率交易過程中，這2個(gè)轉(zhuǎn)換器利用4個(gè)控制器進(jìn)行電流交換。并聯(lián)變換器是一個(gè)直流側(cè)和三相交流側(cè)三臂型三相橋變換器。三相交流端在共同耦合點(diǎn)，通過電壓互感器和一系列反應(yīng)堆連接在三相交流母線，如圖1所示。

圖1 統(tǒng)一UPQC結(jié)構(gòu)圖

一個(gè)脈沖寬度調(diào)制（PWM）信號(hào)發(fā)生器產(chǎn)生同步切換脈沖，切換三臂并聯(lián)變換器的6個(gè)開關(guān)，并聯(lián)變流器的目標(biāo)可以通過切換脈沖實(shí)現(xiàn)，切換脈沖的生成是由2個(gè)控制器產(chǎn)生的三相參考信號(hào)控制。2個(gè)控制器的控制目標(biāo)是影響參考信號(hào)的生成，從而使轉(zhuǎn)換器的操作滿足要求。圖2顯示了2個(gè)控制器的位置以及它們的輸入和輸出信號(hào)。第1個(gè)控制器是用來控制實(shí)際直流環(huán)節(jié)電壓和所需的直流環(huán)節(jié)電壓之間的誤差為零；第2個(gè)控制器是用于控制實(shí)際的共同耦合電壓與所需共同耦合電壓之間的誤差為零。這2個(gè)控制參數(shù)和相關(guān)的操作參數(shù)是調(diào)制指數(shù)（MI）的系數(shù)和幅度。

圖2 一般控制圖

源側(cè)三相電壓Ua、Ub和Uc符合正弦曲線，這些量要轉(zhuǎn)化為等效直流量，然后應(yīng)用于控制器。轉(zhuǎn)換的三相正弦電壓表示為Uabc變?yōu)閁d，Uq，Uo，在旋轉(zhuǎn)坐標(biāo)系中，稱為DQ 變換或派克變換。向量（Ua、Ub、Uc）可以通過變化矩陣轉(zhuǎn)換為另一個(gè)向量（Ud、Uq，Uo）：

向量（Ua、Ub，Uc）和變換矩陣的元素是隨時(shí)變化，但輸出向量Ud、UqUo不隨時(shí)間變化，而向量Ua、Ub、Uc的任何變化都會(huì)在Ud、Uq、Uo中有所反映。派克變換的三相電壓系統(tǒng)的變換，在正弦曲線中120°位移后，成為另一個(gè)系統(tǒng)3個(gè)常量。在變換系統(tǒng)中，如果三相系統(tǒng)平衡，Uo為0。Ud和Uq矢量是正交的且對(duì)彼此無任何影響。在一個(gè)典型的控制系統(tǒng)中，Ud和Uq可以單獨(dú)變化，不影響其他。

2 綜合神經(jīng)網(wǎng)絡(luò)

以上述理論為基礎(chǔ)，本文設(shè)計(jì)了4種模糊邏輯控制器，其中2個(gè)分別為系列轉(zhuǎn)換器和并聯(lián)變換器。這4種模糊邏輯控制器適當(dāng)調(diào)整均可達(dá)到預(yù)期性能。而這4個(gè)控制器可被4個(gè)單獨(dú)人工神經(jīng)網(wǎng)絡(luò)取代，其后，4個(gè)控制器的2個(gè)輸入和1個(gè)輸出端被單獨(dú)人工神經(jīng)網(wǎng)絡(luò)的8個(gè)輸入和輸出端取代。而考慮到若是4個(gè)人工神經(jīng)網(wǎng)絡(luò)所取代1個(gè)單獨(dú)的人工神經(jīng)網(wǎng)絡(luò)，操作的速度和系統(tǒng)的動(dòng)態(tài)性能都會(huì)有所提高［5-6］。

在模糊邏輯控制器模型運(yùn)行環(huán)境下，錯(cuò)誤、錯(cuò)誤率和模糊邏輯控制器相關(guān)的輸出用于訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)。同時(shí)采用相同的步驟收集其他輸入／輸出數(shù)據(jù)。使用神經(jīng)網(wǎng)絡(luò)形成4個(gè)人工神經(jīng)網(wǎng)絡(luò)，且每個(gè)經(jīng)過訓(xùn)練，對(duì)輸入和輸出數(shù)據(jù)作出相應(yīng)的反應(yīng)。而通過使用UPQC模型重新安排與人工神經(jīng)網(wǎng)絡(luò)在模糊邏輯控制器中的位置。整個(gè)UPQC系統(tǒng)的性能在可能導(dǎo)致電能質(zhì)量擾動(dòng)的不同負(fù)荷條件下，由于被4個(gè)人工神經(jīng)網(wǎng)絡(luò)控制，可被觀測(cè)到。根據(jù)觀測(cè)該控制方案下4個(gè)人工神經(jīng)網(wǎng)絡(luò)工作狀態(tài)正常［7］。然后，刪除4個(gè)人工神經(jīng)網(wǎng)絡(luò)后，UPQC模型與CNN已經(jīng)重新安排。與4個(gè)CNN相關(guān)聯(lián)的輸入和輸出路線分布在CNN網(wǎng)絡(luò)。整個(gè)UPQC系統(tǒng)的性能由CNN控制，在可能導(dǎo)致電能質(zhì)量擾動(dòng)的不同負(fù)荷條件下可被觀測(cè)到。

突觸權(quán)重在ANN形成初期且可隨機(jī)初始化，但在第1次訓(xùn)練階段，根據(jù)學(xué)習(xí)規(guī)則突觸權(quán)重要經(jīng)歷形態(tài)變化。最后，訓(xùn)練結(jié)束后，每個(gè)突觸權(quán)重達(dá)到其最終值。在測(cè)試階段期間，ANN調(diào)成模擬功能。既使有輸入值，突觸權(quán)重不改變，只是與神經(jīng)元共同工作輸出［11-13］。一個(gè)CNN反饋為反向傳播類型，其基本形式有一個(gè)輸入層、隱層和輸出層。而隱層內(nèi)的數(shù)量可能不止一個(gè)。因模型試驗(yàn)的復(fù)雜性，本文僅考慮只有一個(gè)隱藏層的CNN情況。CNN模型采用的形式如圖3所示。實(shí)際上，由于人工神經(jīng)系統(tǒng)的組合，結(jié)果ANN出現(xiàn)更多數(shù)量的輸入和輸出，隱層神經(jīng)元的數(shù)量是相同的。因此，所有相結(jié)合形成ANN的神經(jīng)網(wǎng)絡(luò)，分享共同的隱層神經(jīng)元。以演示人工神經(jīng)網(wǎng)絡(luò)如何相結(jié)合工作舉例，考慮以下兩個(gè)非線性方程［14-15］：

圖3 CNN控制模型

考慮兩個(gè)獨(dú)立訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò)的輸入／輸出數(shù)據(jù)集，設(shè)置時(shí)間范圍在0～1之間，在步驟0.01中，如方程（3）和（4）所述。在MATLAB／SIMULINK環(huán)境中，創(chuàng)建和培訓(xùn)兩個(gè)人工神經(jīng)網(wǎng)絡(luò)，兩個(gè)測(cè)試模型用于測(cè)試這兩個(gè)網(wǎng)絡(luò)的性能。然后創(chuàng)建含有兩個(gè)輸入和兩個(gè)輸出的第3個(gè)人工神經(jīng)網(wǎng)絡(luò)。

3 模擬結(jié)果

本文中控制策略描述的CNN模型如圖4所示。通過對(duì)比UPQC的多功能控制結(jié)果，體現(xiàn)了綜合神經(jīng)網(wǎng)絡(luò)控制器的作用。在不平衡條件下，電源電壓在電壓跌落和驟升情況下的扭曲圖［8-10］，如圖5（a）所示。補(bǔ)償電壓跌落和驟升，使用PI控制器，模糊邏輯控制器，ANN控制器和CNN控制器的情形如圖5（b）所示。從圖5（b）可見，在電壓驟升經(jīng)過補(bǔ)償后，PI、FLC和ANN控制器對(duì)應(yīng)的每單位值分別為1.083，1.038，1.102。而CNN控制器電壓驟升經(jīng)過補(bǔ)償后，對(duì)應(yīng)單位值為0.983（最接近單位）。類似地，在電壓跌落經(jīng)過補(bǔ)充后，CNN控制器對(duì)應(yīng)的單位值最接近（0.994）。負(fù)荷電壓保持恒定值，不考慮電壓源的電壓跌落和驟升幅度。在這種情況下，通過創(chuàng)建網(wǎng)絡(luò)系統(tǒng)上的不平衡負(fù)荷，可以分析電壓跌落和驟升情況。電壓跌落的時(shí)間是0.5 ～0.1 s和電壓驟升持續(xù)時(shí)間為0.15 ～0.2 s。供應(yīng)電壓不平衡正弦值每單位低于1。串聯(lián)補(bǔ)償器注入電壓，負(fù)荷側(cè)維持平衡正弦電壓。負(fù)荷電壓維持在每單位1標(biāo)準(zhǔn)值。UPQC在補(bǔ)償電壓跌落和驟升情況下，通過PI控制器，模糊邏輯控制器，ANN控制器和CNN控制器如圖5（b）所示。

圖4 CNN模型

圖5 （a）電壓暫降（b）膨脹的源極電壓

PI、PLC和CNN控制器的性能分析如表1所示。從結(jié)果來看，CNN控制器諧波失真值保持在允許的范圍內(nèi)。電源電壓失真條件下，在0.5～0.1 s發(fā)生跌落狀態(tài)。電源電壓跌落／驟升補(bǔ)償前在R階段失真2.66%。負(fù)荷電壓跌落／驟升補(bǔ)償后在R階段分別近為1.90%。創(chuàng)建一個(gè)不平衡負(fù)荷條件下，并聯(lián)補(bǔ)償器的負(fù)荷電流強(qiáng)制為正弦值。源電流補(bǔ)償之前諧波失真2.46%。補(bǔ)償后的電流諧波失真1.21%。因此在不同的控制器操作下，從表1可以很明顯看出，CNN控制器在補(bǔ)償后，減少電壓和電流諧波失真性能更佳。諧波失真在IEEE特定范圍519～1 922。圖6顯示，電壓跌落和驟升狀態(tài)下，負(fù)荷電壓保持恒定。圖6（a）顯示了帶負(fù)荷源側(cè)電壓跌落和驟升狀態(tài)下有功功率和無功功率。圖6（b）顯示模擬時(shí)間0.15 ～0.20 s，負(fù)荷側(cè)的有功功率和無功功率補(bǔ)償輸出結(jié)果。

表1 PI、FLC和CNN控制器性能分析

圖6 電源和負(fù)荷側(cè)的實(shí)際和無功功率

表2顯示，單一ANN控制器下源電流諧波失真2.68%而CNN控制器下失真是2.46%。同樣地，單一的ANN控制器下負(fù)荷電流諧波失真是1.69%，CNN控制器是1.21%。電源電壓、負(fù)荷電壓、源電流和負(fù)荷電流在CNN控制器下諧波失真如圖7所示。電源電壓在CNN控制器下總諧波失真（THD）是2.66%，負(fù)荷電壓是1.90%。電源電壓在ANN控制器總諧波失真（THD）是2.96%，負(fù)荷電壓是2.16%。源電流在CNN控制器下，總諧波失真（THD）2.46%，負(fù)荷電流1.21%。源電流載在ANN控制器補(bǔ)償前總諧波失真（THD）2.68%，補(bǔ)償后負(fù)荷電流諧波失真降低1.69%。從模擬結(jié)果觀察，CNN控制器的諧波消去性能法比ANN控制器和常規(guī)控制器更佳。

表2 ANN和CNN控制器性能分析

圖7 CNN控制器R相THD水平

4 試驗(yàn)結(jié)果

通過模擬得到CNN的結(jié)構(gòu)，可以很容易地應(yīng)用于KEIL C（串行編程器源程序），并嵌入微型控制器。CNN使用的S型函數(shù)，可通過下述編程部分實(shí)現(xiàn)。程序包含的S型函數(shù)可以作為一個(gè)C型函數(shù)，由CNN主程序多次調(diào)用。MATLAB模擬CNN單位的突觸權(quán)重為常量和在keil運(yùn)用中，突觸權(quán)重為浮點(diǎn)常量。訓(xùn)練有素的CNN控制器使用微型控制器進(jìn)行模擬在負(fù)荷突然變化情形下，形成電壓跌落和驟升。

圖8顯示了在電壓跌落狀態(tài)下的試驗(yàn)結(jié)果。圖8（a）顯示的不平衡電源電壓和相應(yīng)的諧波失真為2.79%。圖8（b）顯示了補(bǔ)償負(fù)荷電壓和對(duì)應(yīng)的諧波失真為1.98%。負(fù)荷電壓保持恒定值。

圖8 電壓驟降和諧波

電壓驟升條件下試驗(yàn)結(jié)果如圖9所示。增加的電源電壓及相應(yīng)的諧波失真為2.79%，如圖9（a）所示。相對(duì)應(yīng)的補(bǔ)償負(fù)荷電壓和諧波失真為1.98%，如圖9（b）所示。串聯(lián)轉(zhuǎn)換器用于注入電壓、補(bǔ)償負(fù)荷電壓。

圖9 電壓驟升和諧波

不平衡負(fù)荷條件下，源電流（跌落）扭曲和失衡情況如圖10（a）所示，相應(yīng)的諧波失真為2.52%。電流補(bǔ)償?shù)脑囼?yàn)結(jié)果如圖10（b）所示，負(fù)荷電流的諧波失真測(cè)量值是1.29%。

圖10 凹陷電流和諧波

不平衡負(fù)荷條件下，源電流（驟升）扭曲和失衡情況如圖11（a）所示，相應(yīng)的諧波失真為2.52%。當(dāng)前補(bǔ)償?shù)脑囼?yàn)結(jié)果如圖11（b）所示，負(fù)荷電流的諧波失真測(cè)量值是1.29%，1 V等于1 A。由此可知，源電流波形是非正弦型，而補(bǔ)償負(fù)荷電流的波形本質(zhì)上是正弦的，由于并聯(lián)變換器的作用，負(fù)荷電流維持平衡和正弦波形。因此在CNN控制器作用是消除諧波和補(bǔ)償電壓。試驗(yàn)結(jié)果中，電壓和電流諧波失真補(bǔ)償后的水平如表3所示。

圖11 膨脹電流和諧波

表3 試驗(yàn)結(jié)果數(shù)量／R相

由表3可知，負(fù)荷電壓和負(fù)荷電流補(bǔ)償后諧波失真水平分別為1.98%和1.29%。

5 結(jié) 語

基于CNC控制器的人工智能系統(tǒng)，運(yùn)用綜合神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了4種模糊邏輯控制器，其中2個(gè)分別為系列轉(zhuǎn)換器和并聯(lián)變換器。這4種模糊邏輯控制器適當(dāng)調(diào)整均可達(dá)到預(yù)期性能；而這4個(gè)控制器可被4個(gè)單獨(dú)人工神經(jīng)網(wǎng)絡(luò)取代，其后，4個(gè)控制器的兩個(gè)輸入和一個(gè)輸出端被單獨(dú)人工神經(jīng)網(wǎng)絡(luò)的8個(gè)輸入和輸出端取代。而考慮到若是4個(gè)人工神經(jīng)網(wǎng)絡(luò)所取代一個(gè)單獨(dú)的人工神經(jīng)網(wǎng)絡(luò)。該系統(tǒng)可提高配電系統(tǒng)的電能質(zhì)量。數(shù)值模擬模型和原型模型試驗(yàn)顯示，可以實(shí)現(xiàn)較高的額定功率。采用此種系統(tǒng)可達(dá)到穩(wěn)定狀態(tài)和瞬態(tài)響應(yīng)。