搜索
文章编号:10072290X(20060420005206基于MATLAB的模糊神经网络高压直流输电换流控制器的研究都洪基1,孔慧超2,李启亮2,田辉3(11南京理工大学动力工程学院,南京210094;21广东电网公司东莞供电局,广东东莞523008;31南京市供电公司,南京210037摘要:在研究模糊逻辑控制技术、神经网络技术和高压直流输电(HVDC系统的基础上,从原理上说明,对换流器两侧都采用模糊神经网络控制能有效地提高交流∃直流(AC/DC系统的动态特性和恒定性。整流侧和逆变侧分别提取直流线路电流、电压误差及其变化率作为模糊控制器的输入,输出作为神经网络的输入,分别控制电流和电压。用MATLAB对一典型12脉冲桥高压直流输电系统在传统控制和模糊神经控制下分别进行仿真,结果表明,与传统控制方法相比,当直流线路或者单相交流线路发生接地故障时,模糊神经控制能改善换流站直流电流和直流电压的恒定性,而且提高了交直流系统的暂态稳定性,并且双侧模糊逻辑控制要比单侧模糊逻辑控制效果好。关键词:模糊逻辑控制;人工神经网络控制;高压直流输电系统;MATLAB软件;换流控制器中图分类号:TP27314文献标识码:AStudyofHVDCfuzzyneuralconvertercontrollerbasedonMATLABDUHong2ji1,KONGHui2chao2,LIQi2liang2,TIANHui3(1.Col.ofPowerEngineering,NanjingUniv.ofScienceandTechnology,Nanjing210094,China;2.DongguanPowerSupplyBureau,GuangdongPowerGridCorp.,Dongguan,Guangdong523008,China;3.NanjingPowerSupplyCo.,Nanjing210037,ChinaAbstract:Basedonthestudyoffuzzylogiccontroltechnology,neuralnetworktechniqueandhigh2voltagedirect2current(HVDCtransmissionsystem,itisexplainedtheoreticallythattheadoptionoffuzzyneuralnetworkcontrolonbothsidesofconverterscaneffectivelyadvancethedynamicbehaviorandsteadinessofAC/DCsystem.TherectifierandtheinvertercorrespondinglyselectthecurrentandvoltageerroroftheDClinenearbytheirconverterandtherateofchangeasinputsignaloffuzzycontrol,theoutputoffuzzypartasoneoftheinputsignalsofneuralnetwork,soastocontrolcurrentandvoltagerespectively.TheMATLAB2basedsimulationforatypicalHVDC122pulsebridgetransmissionsystemiscarriedoutbytraditionalcontrolmethodandfuzzyneuralcontrolmethodrespectively.Thesimulationresultsshowthatcomparedwithtraditionalcontrolmethod,incaseofgroundingfaultsonDClinesorsingle2phaseAClines,fuzzyneuralcontrolcanimprovethesteadinessofDCcurrentandvoltageintheconvertersubstationaswellasthetransientstabilityofAC/DCsystem.Thesimulationresultsalsoshowthattheeffectoffuzzylogiccontrolonbothsidesofconvertersisbetterthanthatonsingleside.Keywords:fuzzylogiccontrol;artificialneuralnetwork(ANNcontrol;high2voltagedirect2current(HVDCtransmissionsystem;MATLABsoftware;convertercontroller先进的整流控制器和逆变控制器的综合控制在系统受到大的干扰时可更好地保持直流系统的暂态恒定性,并改善与直流系统相连的交流系统的暂态稳定性,更好地发挥直流控制方法对提高交直流系统暂态稳定性的积极作用[1]。本文设计的基于模糊神经网络的整流侧和逆变侧控制器分别选取整流侧直流线路电流误差ΔIdr及第19卷第4期广东电力Vol119No142006年4月GUANGDONGELECTRICPOWERApr12006收稿日期:2005212214其变化率ΔI・dr和逆变侧直流电压误差ΔUdi及其变化率ΔU・di作为各自模糊逻辑控制器的输入,模糊逻辑控制器的输出结果作为神经网络控制器的输入,结合具有阻尼项的权值调整算法以及变步长算法的BP算法训练神经网络,各自神经网络的输出用来分别修正整流器的触发延迟角αr和逆变器的触发延迟角αi。1模糊神经网络直流控制器模糊神经换流控制器分为3部分:模糊逻辑控制部分、神经网络控制部分以及非故障和故障判断部分,其结构如图1所示。其中,Idref为整流侧直流电流的整定值,Iref为整流侧神经网络控制输入参考值;Udin为逆变侧直流电压的整定值,Uref为逆变侧神经网络控制输入参考值。图1基于模糊神经网络的换流控制器111模糊逻辑控制部分本文参考文献[2-4],并与直流系统的实际运行、控制特性相结合,设计了相应的模糊控制方案。模糊逻辑控制包括4部分:模糊化、模糊推理、去模糊和知识库,如图2所示。图2模糊逻辑控制器的结构图分别以整流侧直流线路电流误差及其变化率、逆变侧直流电压误差及其变化率为输入量,具体表达式为ΔIdr(nT=Idr(nT-Idref,ΔI・dr(nT=1TΔIdr(nT-ΔIdr(nT-T,ΔUdi(nT=Udi(nT-Udin,ΔU・di(nT=1TΔUdi(nT-ΔUdi(nT-T(1式中:T———采样周期;n———正整数;Idr(nT———整流侧直流线路电流;Idref———整流侧直流线路电流整定值;Udi(nT———逆变侧直流电压;Udin———逆变侧直流电压整定值。首先经过模糊化过程,将ΔIdr和ΔI・dr,ΔUdi和ΔU・di转化为模糊论域上的值。偏差采用了2个输入语言变量对输入量进行模糊化,即输入为正和负;偏差率ΔI・dr的2个输入语言变量为Irp和Irn,ΔU・di的2个输入语言变量为Urp和Urn;模糊输出控制量采用3个输出语言变量,即输出正、负和零即可达到控制要求。ΔIdr,ΔI・dr和控制输出Δi的模糊隶属度函数如图3所示,ΔUdi,ΔU・di和控制输出Δu的模糊隶属度函数与图3相似。图3整流模糊控制器输入输出的隶属度函数根据专家、运行人员的经验以及文献[4-6]的研究结果,采用以下模糊控制规则:a规则1,如果偏差为正并且偏差率为Irp(Urp,则输出为输出正;b规则2,如果偏差为负并且偏差率为Irp(Urp,则输出为输出零;c规则3,如果偏差为正并且偏差率为Irn(Urn,则输出为输出零;d规则4,如果偏差为负并且偏差率为Irn(Urn,则输出为输出负。模糊控制器的推理及去模糊的方法有很多种。6广东电力第19卷本文采用模糊“与”运算和中心平均解模糊器。规则2和规则3有相同的输出模糊集,整流侧选择Lukasiewicz“或”对其输出进行计算,逆变侧选择Zadeh“或”对其输出进行计算。得到:当k2r|ΔI・dr|≤k1r|ΔIdr|≤Lr时,ΔI=015k3rLr(k2rΔI・dr+k1rΔIdr2Lr-k1r|ΔIdr|1(2当k1r|ΔIdr|≤k2r|ΔI・dr|≤Lr时,ΔI=015k3rLr(k2rΔI・dr+k1rΔIdr2Lr-k2r|ΔI・dr|1(3当k2i|ΔU・di|≤k1i|ΔUdi|≤Li时,ΔU=k3iLi(k2iΔU・di+k1iΔUdi3Li-k1i|ΔUdi|1(4当k1i|ΔU・di|≤k2i|ΔU・di|≤Li时,ΔU=k3iLi(k2iΔU・di+k1iΔUdi3Li-k2i|ΔU・di|1(5由此可见,ΔI是ΔIdr和ΔI・dr的非线性函数,ΔU是ΔUdi和ΔU・di的非线性函数。112神经网络控制部分11211控制结构神经网络控制器采用BP神经网络,如图4所示。本文设计神经网络控制器时分为非故障和故障神经网络控制器,控制器的起动判断条件是整流侧和逆变侧直流线路上的电流、电压误差以及变化率。仿真实验表明,3层的神经网络能达到比较好的效果。非故障和故障控制器结构一致,训练的时候使用对应不同的学习样本。输入层和隐含层的激励函数都采用对称S型传递函数,输出层采用线性传递函数。有关参数定义如下:wij为神经元之间的连接权;ni为神经元的加权输入(整流侧i=1,2,…,16;逆变侧i=1,2,…,31。ni=∑wijxj,其中xj为上一层神经元的输出Oj,即为本层加权输入,xj=Oj。Δαr为整流侧神经网络控制器的输出,Δαr=O16,Δαi为逆变侧神经网络控制器的输出,Δαi=O31。11212算法推导图4神经网络控制器结构图在直流系统中从整流器流向逆变器的直流电流Idr与触发延迟角αr的关系为[2]Idr(αr=Udrocosαr-UdiocosγRcr+RL-Rci1(6逆变侧直流电压Udi与触发延迟角αi的关系为Udi(αi=-(Rcr+RLUdrocos(αi+μ-RciUdrocosαrRcr+RL-Rci.(7式中:Udro———整流器的理想空载直流电压;Udio———逆变器的理想空载直流电压;αr———整流器的触发延迟角,αr=αr0+Δαr,αr0为初始触发延迟角,αr0=15°;αi———逆变器的触发延迟角,αi=αi0+Δαi,αi0为初始触发延迟角,αi0=90°;γ———逆变器的熄弧超前角;μ———叠弧角;RL———直流线路的等值阻抗;Rcr———整流器的等值阻抗;Rci———逆变器的等值阻抗。把实际的神经网络控制器的输出变量和输出样本代入下式得网络的总目标函数J(在线学习误差性能指标,即:J(t=∑pEp(t=015k∑p[Irefp-Idrp(t]21(87第4期都洪基等:基于MATLAB的模糊神经网络高压直流输电换流控制器的研究J(t=∑pEp(t=015k∑p[Urefp-Udip(t]21(9下面根据反向传播算法推导实际高压直流输电系统的权值修正公式[6]。wij(t+1=wij(t-η9J(t9wij(t=wij(t-η∑p9Ep(t9wij(t=wij(t+Δwij(t+11(10a隐含层和输出层之间的权值修正公式。整流侧:Δwij(t+1=-ηtλ1∑pk(Irefp-Idrpf′(n16xjp+βΔwij(t(i=16;j=1,2,…,101(11逆变侧:Δwij(t+1=-ηtl1∑pk(Urefp-Udrpf′(n31xjp+βΔwij(t(i=31;j=1,2,…,201(12式中:wij(t———经t次调整后的权值;η———学习算子;β———阻尼系数,或称为平滑因子,0β1;λ———比例系数,λ=UdrosinαrRcr+RL-Rci;l———比例系数,l=(Rcr+RLUdrosinαiRcr+RL-Rci。b输入层至隐含层之间的权值修正