r>[0091] 因此系统满足了李雅普诺夫稳定性理论条件，从而保证了系统的全局渐近稳定 性。
[0092] RBF神经网络被用于逼近系统的非线性部分f，估计值输出为：
[0093]
(21)
[0094] 其中，?为RBF神经网络的实时估计权值，逆为备的转置，Φ (x) = [ Φι(χ)，Φ2 (X)…Φη(χ)]τ，η=1，2,3··_，为高斯基函数。
[0095]则非线性部分的理想输出为：
[0096]
(22)
[0097]其中，ε为重构误差，并且ε有界，有I I ε I I < εΝ，εΝ为任意小的正常数。
[0098]将式(21)带入式（19)，可得基于神经网络的控制器为：
[0099]
(23)
[0100] 定义Lyapunov函数为：
[0101]
(24)
[0102] 对V2求导得：
[0103]
(25)
[0104] 将式(23)代入式(25)，得：
[0105]
(26)
[0106] 设计自适应律为：
[0107]
(27)
[0108] 其中r为常数。
[0109] 将式(27)代入式(26)，可得：
[0110]
(28)
[0111]其中：
[0112] ω = ω - ?ο (29)
[0113] 利用模糊系统的输出ζ逼近整个滑模项εΝ sgn(s)，则新的控制器为：
[0114]
(30)
[0115] 其中，ζ = %，…，（广.；]%=1，2,3...上为6的子变量。
[0116] 定义模糊系统的隶属度函数为：
[0117]
(31)
[0118] 则可以写成：
[0119]
(32)
[0120] 其中，A为可变参数，仏为t旲糊向量，4=[式,]'，_ 尸如 上限M是指隶属度函数的个数。
[0121] 定义，从而得到对εΝ的最优补偿输出为：
[0122]
(33)
[0123] 因此，存在一个c〇i>〇,使其满足
[0124]
(34)
[0125] 模糊系统理想参数和实时参数之间的误差为：
[0126]
(3.S)
[0127] 则：
[0128]
(36)
[0129] 定义Lyapunov函数为：
[0130]
(37)
[0131] 对V3求导可得： (38)
[0132]
[0133] 设计自适应律为：
[0134]
(39)
[0135]假设
[0136]
(4.0)
[0137] 其中，OSyiS 1，则：
[0138]
(41)
[0139] 将式(41)代入式(38)，得：
[0140]
(42)
[0141] 其中，γ = diag[ γ 1，…，γ i···，γ n]，ai> γ i，且仅当s = 0时:? = 0。因此，整个系 统是稳定的。从而可以验证用本文提出的基于模糊滑模的自适应神经网络控制方法设计的 动态控制律，能很好地实现的实现对有源电力滤波器的电流的跟踪和补偿。
[0142] 系统原理图如图2所示，得到的Ly apuno V函数V1、V2和V3，其中：
[0143]
[0144]
[0145]
[0146] 式中，
-，s是切换函数，sTSs的转置，? = 是RBF神经网络权值， 为?的转置，其中，为RBF神经网络的理想权值，S为RBF神经网络的实时估计权值，μ 为正常数，μ-1是μ的倒数，η=1，2,3···，4_ =6 -4是模糊系统理想参数和实时参数之间的 误差Λ为模糊系统理想参数，i为模糊系统的实时参数，<是4,的转置；
[0147]根据Lyapunov稳定定理设计模糊自适应律和RBF神经网络自适应律，分别为：
[0148]模糊自适应律为：
[0149]
[0150] 其中，为模糊向量，^为式的一阶导数，Si是切换函数。
[0151] RBF神经网络自适应律为：
[0152]
[0153] 其中，Φ (χ) = [ Φι(χ)，Φ2(χ)··· Φη(χ)]τ，η=1，2,3···，为高斯基函数，Γ 为常数。
[0154] 三、根据自适应模糊滑模RBF神经网络控制器控制有源电力滤波器。
[0155] 下面进行Matlab仿真实验。
[0156] 结合有源电力滤波器的动态模型和模糊滑模控制的自适应模糊滑模RBF神经网络 控制器的设计方法，通过Mat lab/Simul ink软件设计出主程序。
[0157] 取五种隶属函数进行模糊化:m = exp[-(x+4-(i-l)*l .6)2]，i = l，…，6.
[0158] 自适应参数取r=10000。电源电压￥31 = ￥32 = ￥33 = 220￥彳=50抱。非线性负载的电 阻40Ω，电感5mH。补偿电路电感10mH，电容lOOyFW.CMSU代表秒)时补偿电路接入开关闭 合，有源滤波器开始工作，并在〇. IS和0.2S时接入一个相同的额外的非线性负载。
[0159] 实验的结果如图3、图4所示：
[0160]图3是实际输出追踪期望曲线的时域响应曲线图，可以看到0.04s，有源电力滤波 器刚开始工作时就具有较好的快速响应，〇. Is和0.2s增加非线性负载后偏差能在一个周期 趋于稳定，整体来看补偿电流能很好的跟踪上指令电流，偏差也在合理的范围内。因此自适 应模糊滑模RBF神经网络控制作为电流跟踪控制的效果得到了明显的验证。
[0161] 图4是电网电流进行补偿之后的时域响应曲线图，我们可以看到当有源电力滤波 器开始工作以后，电流在〇. 〇5s就迅速接近正弦波，0.1 s和0.2s增加负载以后，电流也能达 到很好的响应速度，最后稳定在正弦波。经计算机仿真计算后，〇. 〇6s时，电流谐波的畸变率 从Os的27.14%变为2.95%，0.16s时，负载电流的谐波畸变率为26.33%，而经补偿后电源 电流的谐波畸变率仅为1.65%。因此采用自适应模糊滑模RBF神经网络控制的补偿电流控 制方法的有源电力滤波器不仅能很好的消除由非线性负载产生的谐波，并且稳定性也满足 了较高的要求。实验结果证明了自适应模糊反演跟踪控制具有较好的快速响应和鲁棒性， 提高了系统的动静态性能。
[0162] 本发明应用于有源电力滤波器的基于模糊滑模控制的自适应模糊滑模RBF神经网 络控制方法，该方法对有源电力滤波器进行有效、可靠的控制，在对系统参数未知的情况 下，可以有效估计出系统的各项参数，并且保证系统全局的稳定性;在基于模糊滑模的有源 电力滤波器自适应模糊滑模RBF神经网络控制器的设计的基础上，可逐步得到动态控制律 和自适应律;在滑模控制的设计中主要是利用常规的滑模变结构控制，其能够克服系统的 不确定性，对干扰具有很强的鲁棒性，对非线性系统具有很强的控制效果；自适应模糊滑模 RBF神经网络控制器用来逼近有源电力滤波器中的非线性部分。自适应模糊控制器能够确 保对指令电流的实时跟踪并加强系统的鲁棒性。本发明能够确保对指令电流的实时跟踪， 并且加强系统的动态性能，提高系统鲁棒性以及对参数变化不敏感。
[0163]以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发 明说明书及附图内容所作的等效结构或者等效流程变换，或者直接或间接运用在其他相关 的技术领域，均同理包括在本发明的专利保护范围内。
【主权项】
1. 一种有源电力滤波器自适应模糊滑模RBF神经网络控制方法，其特征在于， 包括如下步骤： 步骤1、建立有源电力滤波器的数学模型； 步骤2、基于模糊滑模设计得到自适应模糊滑模RBF神经网络控制器，包括模糊自适应 律和RBF神经网络自适应律； 步骤3、根据自适应模糊滑模RBF神经网络控制器控制有源电力滤波器。2. 根据权利要求1所述的一种有源电力滤波器自适应模糊滑模RBF神经网络控制方法， 其特征在于，针对三相三线制系统，有源电力滤波器的数学模型为：式中，Lc是交流电感，Rc是直流侧电阻，ik是滤波器输出补偿电流，k = 1，2，3，I.是ik的二 阶导数，Vk为三相有源电力滤波器端电压，Vdc是直流侧电容电压，dk为开关状态函数，t是时 间。3. 根据权利要求2所述的一种有源电力滤波器自适应模糊滑模RBF神经网络控制方法， 其特征在于，步骤2中得到Lyapunov函数Vi、V2和V3，其中：式中，是切换函数，s%s的转置，? = 是RBF神经网络权值误差， 矿为备的转置，其中，为RBF神经网络的理想权值，沿为RBF神经网络的实时估计权值，μ 为正常数，f1是μ的倒数，η=1，2,3···，$. =0 是模糊系统理想参数和实时参数之间的 误差，％为模糊系统理想参数，|为模糊系统的实时参数，#是 < 的转置； 根据Lyapunov稳定定理设计模糊自适应律和RBF神经网络自适应律。4. 根据权利要求3所述的一种有源电力滤波器自适应模糊滑模RBF神经网络控制方法， 其特征在于，模糊自适应律为： 其中，iki为模糊向量，为< 的一阶导数，si是切换函数。5. 根据权利要求3所述的一种有源电力滤波器自适应模糊滑模RBF神经网络控制方法， 其特征在于，RBF神经网络自适应律为： 古=Γ>?Λ-)、" 其中，巾（叉)=[(|)1(叉），(|)2(叉)."(|)1^)] 1'，11=1，2,3."，为高斯基函数，「为常数。
【专利摘要】本发明公开了一种有源电力滤波器自适应模糊滑模RBF神经网络控制方法，其特征在于，包括如下步骤：步骤1、建立有源电力滤波器的数学模型；步骤2、基于模糊滑模设计得到自适应模糊滑模RBF神经网络控制器，包括模糊自适应律和RBF神经网络自适应律；步骤3、根据自适应模糊滑模RBF神经网络控制器控制有源电力滤波器。能够对指令电流实时跟踪补偿、可靠性高、对参数变化鲁棒性高、稳定性高。
【IPC分类】G05B13/04, H02J3/01
【公开号】CN105610162
【申请号】CN201610003062
【发明人】王腾腾, 雷单单, 曹頔, 费峻涛
【申请人】河海大学常州校区
【公开日】2016年5月25日
【申请日】2016年1月4日