论文部分内容阅读
【摘要】针对静止同步补偿器（STATCOM）功率因数补偿问题以及传统PI控制器的局限性，本文提出了一种基于多模型神经网络PI控制器的STATCOM直接电流控制方法。该方法将多模型方法和神经网路技术与传统PI控制方法相结合，利用多模型方法来适应不同负载下功率因数的变化，从而满足无功补偿的精度要求；同时，利用神经网络技术，使其输出作为最优控制规律下的PI控制器的参数值，从而满足大工况、全工作条件和最优性的要求。仿真研究表明，多模型神经网络PI控制器相比传统PI控制器，具有更强的对于负载功率因数变化的适应能力和更高的补偿精度，使补偿后的功率因数维持在1左右，从而证明了该方法的有效性。
【关键词】静止同步补偿器；直接电流控制；多模型；神经网络；PI控制器
1.引言
利用静止同步补偿器（STATCOM）来改善电能质量主要有两个目的[1-3]：提高功率因数和调节系统电压。然而在一些用电场合，负载的变化并未导致系统电压发生明显降低，但系统的功率因数却发生了较大的变化，因此对功率因数的补偿就显得尤为重要[4-5]。
STATCOM的主要控制目标是通过补偿负载无功功率来提高系统的功率因数。为了达到这个目的，文献[6]采用电压外环和电流内环相结合的双闭环PI控制方法，通过PI控制器可以实现无稳态误差的无功电流跟踪控制，然而，当负载发生变化时，仅仅依靠PI控制器难以满足无功电流跟踪控制的精度要求。为此，为此文献[7]提出了基于多模型PI控制器的直接电压控制法，该方法引入多模型理论[8]，设定多个模型来适应负载的变化，大大提高了控制精度，在稳定接入点电压能力方面具有出色表现，但该方法对于负载变化后系统功率因数的提高并没有明显效果，且多个模型导致PI参数成倍增加，大大增加了人工PI参数整定带来的繁琐工作量。
本文针对系统接入的冲击性负载的不确定性，提出了一种基于多模型神经网络PI控制器的STATCOM直接电流控制方法。该方法根据负载的功率因数，建立多个模型，利用神经网络[9-10]具有任意非线性函数逼近的能力，通过不断学习来优化每个模型中PI控制器的控制参数，然后根据瞬时检测到的负载功率因数切换相应的模型。仿真结果表明，基于多模型神经网络PI控制器的STATCOM直接电流控制方法在不同冲击性负载下均具有较快的补偿速度和较高的精度，能够使系统的功率因数维持在1左右，从而获得了满意的控制效果。
2.基于PI控制器的STATCOM直接电流控制原理
STATCOM接入系统的等效拓扑结构图如图1所示，其中为无穷大系统的等效电势，为由负荷端视入的无穷大系统等效戴维南阻抗，是STATCOM的等效阻抗，为STATCOM接入点处的电压，也就是负荷的供电电压。当STATCOM没有投入运行时，负荷电流中的无功分量完全由系统承担，即。如果较大，功率因数会很低，线路损耗也会大大增加。当STATCOM接入系统后，将产生容性无功电流，补偿负荷无功电流，为系统提供无功支持。理想情况下，当时，STATCOM將完全抵消负荷无功电流，使系统功率因数等于1。
直接电流控制的目标就是使STATCOM发出无功电流跟踪上负载侧无功电流分量，这样才能使无功电流达到就地补偿的目的，维持负载侧功率因数在1左右。STATCOM的直接电流PI控制框图如图2所示，和经过PI控制环节，得到STATCOM交流侧电压的直轴分量。为保证直流侧电容电压稳定，这里设定直流侧电压参考值，将直流侧电容电压的参考值和其瞬时值相比较后再经过PI控制环节，就可以得到STATCOM应该吸收的有功电流，将其与STATCOM实际发出的有功电流进行比较后再经过PI控制，得到STATCOM交流侧电压的交轴分量。将、以及（赋值为0）经过dq0-abc变换为指令信号作为调制正弦波，经过三角载波调制后，产生PWM触发脉冲，触发IGBT，使STATCO M输出补偿电流。
3.基于多模型神经网络PI控制器的STATCOM直接电压控制方法
3.1 多模型建立的基本原理
直接电流PI控制虽然具有较好的响应速度和无功补偿精度，但当负载发生较大变化时，该控制方法难以适应负载的变化，会造成补偿精度和速度的降低。因此，此处将多模型理论应用到直接电流PI控制中。
在一些用电场合，负载的变化主要体现在功率因数的变化上。当接入冲击性负载时，单相等效电路如图3所示。由于本文研究的仿真模型中，设定系统侧的阻抗远小于负载侧的阻抗，即：
当STATCOM未接入时可以表示为：
当系统的负载的功率因数发生较大变化时，STATCOM需要吸收或发出较大的无功电流，才能补偿负载侧的无功电流。这就需要能够在较大的范围内变化。由于系统侧的阻抗远小于负载侧的阻抗，因此STATCOM输出电压的相位近似等于系统侧电压的相位。根据式（4），可以得出，当增大时，增大，当减小时，减小。因此，STATCOM输出电压的变化决定了STATCOM发出的无功电流的变化。
3.2 神经网络PI控制器的基本结构及工作原理
利用神经网络整定PI参数可以大大减少整定PI参数的工作量，神经网络PI控制器由PI控制器和神经网络两部分组成。PI控制器直接对被控对象进行闭环控制，神经网络通过自学习和权值的调整控制器参数、，以期达到性能指标的最优。这里采用BP神经网络，其输入层有3个节点，分别为指令电流、实际输出电流以及两者的差值，输出层为2个节点，即比例系数和积分系数，隐含层设置为5个节点。这样，即可通过神经网络的学习和训练，实现对PI控制器参数的整定，如图4所示。
神经网络隐层神经元的激励函数采用正负对称的Sigmoid函数：
因此可知，STATCOM输出电压的幅值大小与和的大小有关。而和分别由d轴第二级PI控制器和q轴PI控制器得到。由此可见，调节d轴第二级PI控制器参数和q轴PI控制器参数，可以起到调节有功电压信号和无功电压信号的作用，从而达到调节STATCOM输出电压的目的，而输出电压决定了STATCOM发出无功电流的大小。当系统负载的电流一定时，负载侧无功电流的变化可以体现为负载功率因数的变化，即负载无功电流较大时，功率因数较小，反之亦然。因此，当功率因数发生较大变化时，可以采用不同的d轴第二级PI控制器参数、和q轴PI控制器参数、，使STATCOM发出的无功电流跟踪负载所需的无功电流。当系统各元件参数确定时，便可以根据负载侧功率因数的大小来划分模型，对于不同的模型来确定相应的d轴第二级PI控制器参数和q轴PI控制器参数。 根据3.1分析可知，随着负载的变化，可以认为近似不变，而负载的功率因数变化较大，因此可以将负载侧功率因数作为模型划分的依据，将系统划分为多个模型（），然后对于每个模型分别设计d轴第二级神经网络PI控制器（）与q轴神经网络PI控制器，基于多模型神经网络PI控制器的直接电流控框图如图5所示。当冲击性负载接入后，多模型控制器检测负载电流，经过adc/dq0变换后由式（8）计算出功率因数，并选择相应模型，每个模型中的d轴第二级PI控制器和q轴PI控制器参数和由神经网络进行整定以达到理想的控制效果。
理论上讲模型分得越多系统控制越精确，但系统稳定性会以及控制器计算量会受到影响，故本文设定了3个模型。
4.仿真研究
为了验证基于多模型神经网络PI控制器的STATCOM直接电流控制策略在不同冲击性负载下都具有良好的无功补偿能力，本文将其与基于传统PI控制器的直接电流控制法进行比较。利用MATLAB/SIMULINK对STATCOM系统进行了仿真研究，仿真电路的参数如下：系统电压，系统频率，线路电感线路电阻，输出滤波器等效电感，输出滤波器等效电阻，输出滤波器等效电容，直流侧电容，调制三角波频率，直流侧电容电压参考值，神经网络PI模块通过调用MTALAB的S函数实现。
仿真中所采用的基于传统PI控制器的直接电流控制法的PI参数采用恒定参数，与模型1相同，即与表1中Q大于0.55时一致。
图6、图7、图8分别给出了0～0.2S的时段内，接入冲击性负载后负载侧功率因数Q分别为0.62、0.40、0.18时的两种方法的补偿效果图；图中6/7/8A为未采用STATCOM补偿的系统侧电压电流，6/7/8B为采用传统PI控制器时的补偿效果图，6/7/8C为采用本文提出的多模型神经网络PI控制器时的补偿效果图。需要特别指出的是，图6中，由于传统PI控制器和多模型神经网络PI控制器均采用同一种PI参数，因此补偿效果一样。
比较以上仿真效果图，我们可以发现：
1）当负载侧功率因数Q为0.62时，如图6，此时Q>0.55，故多模型控制器选择模型1。由于此时传统PI控制器和多模型神经网络PI控制器采用同一组PI参数，因此补偿效果一致，均能在半个周波内使系统侧电流可以达到稳定且系统侧电流和电压保持同相位，从而使系统侧功率因数为补偿到1。
2）当负载侧功率因数为0.40和0.18时，如图7、8，随负载侧功率因数的变化，传统PI控制器已经无法适应负载的变化，虽然在几个周波后能够勉强维持系统侧电压电流同相位，但是前半个周波冲击电流较大，电流波形较差，谐波畸变率较高，无法獲得理想的补偿效果。而采用本文提出的多模型神经网络PI控制器后，多模型控制器根据Q的范围选择与各自模型相适应的PI参数，补偿后的效果较理想，系统电压和电流均能保持同相位，系统电流的谐波畸变率较小，并且均能在半个周波内使系统侧电流达到稳定。
5.结论
针对STATCOM在补偿系统功率因数时，传统的直接电流PI控制方法未能有效适应负载的变化，且人工整定PI参数过于繁琐，本文提出了基于多模型神经网络PI控制器的STATCOM直接电流控制方法。既利用多模型技术更好的适应负载的变化，又利用神经网络训练大大降低了PI控制器的控制参数人工整定的工作量。通过仿真研究，从对负载的变化的适应能力，系统功率因数的提高以及补偿速度，对传统PI控制方法与多模型神经网络PI控制方法进行了比较，得出在基于多模型神经网络PI的STATCOM直接电流控制方法下，STATCOM能够提高系统功率因数至1左右，且能够更迅速的适应接入负载的变化，具有更好的无功补偿能力。
参考文献
[1]聂子玲，张波涛，孙驰.et al.级联H桥SVG直流侧电容电压的二次谐波计算[J].电工技术学报，2006（4）：111-116.
[2]唐杰，罗安，周柯.静止同步补偿器电压控制器的设计与实现[J].电工技术学报，2006（8）：103-106.
[3]王兆安等.谐波抑制和无功功率补偿[M].机械工业出版社，2005：444.
[4]赵渊，周家启.静止无功补偿器和移相器的最优配置及其对发输电系统可靠性的影[J].电工技术学报， 2004，19（1）：55-60.
[5]谢小荣，姜齐荣.柔性交流输电系统的原理与应用[M].北京：清华大学出版社，2006.
[6]An Luo，Ci Tang，Zhikang Shuai，Jie Tang，Xian Yong Xu，Dong Chen.Fuzzy-PI-Based Direct-Output-Voltage Control Strategy for the STATCOM Used in Utility Distribution Systems[J].IEEE Transactions on Industrial Electronics，2009，56（7）：2401-2411.
[7]王盛，李立学，郑益慧.et al.基于多模型PI的STATC-OM直接电压控制方法[J].电力系统保护与控制，2011， 32（7）：42-46.
[8]柳玉甜，蒋静坪.基于多模型和小脑模型关节控制器神经网络的移动机器人故障诊断[J].电工技术学报，2007，22（3）：153-158.
[9]蔡忠法，陈隆道，陈国志.基于自适应神经网络的谐波分析模型与算法[J].电工技术学报，2008，23（7）：118-123.
[10]王新，戴先中.一种基于神经网络逆的感应电动机解耦线性化改进策略[J].电工技术学报，2008，23（4）：32-38.
【关键词】静止同步补偿器；直接电流控制；多模型；神经网络；PI控制器
1.引言
利用静止同步补偿器（STATCOM）来改善电能质量主要有两个目的[1-3]：提高功率因数和调节系统电压。然而在一些用电场合，负载的变化并未导致系统电压发生明显降低，但系统的功率因数却发生了较大的变化，因此对功率因数的补偿就显得尤为重要[4-5]。
STATCOM的主要控制目标是通过补偿负载无功功率来提高系统的功率因数。为了达到这个目的，文献[6]采用电压外环和电流内环相结合的双闭环PI控制方法，通过PI控制器可以实现无稳态误差的无功电流跟踪控制，然而，当负载发生变化时，仅仅依靠PI控制器难以满足无功电流跟踪控制的精度要求。为此，为此文献[7]提出了基于多模型PI控制器的直接电压控制法，该方法引入多模型理论[8]，设定多个模型来适应负载的变化，大大提高了控制精度，在稳定接入点电压能力方面具有出色表现，但该方法对于负载变化后系统功率因数的提高并没有明显效果，且多个模型导致PI参数成倍增加，大大增加了人工PI参数整定带来的繁琐工作量。
本文针对系统接入的冲击性负载的不确定性，提出了一种基于多模型神经网络PI控制器的STATCOM直接电流控制方法。该方法根据负载的功率因数，建立多个模型，利用神经网络[9-10]具有任意非线性函数逼近的能力，通过不断学习来优化每个模型中PI控制器的控制参数，然后根据瞬时检测到的负载功率因数切换相应的模型。仿真结果表明，基于多模型神经网络PI控制器的STATCOM直接电流控制方法在不同冲击性负载下均具有较快的补偿速度和较高的精度，能够使系统的功率因数维持在1左右，从而获得了满意的控制效果。
2.基于PI控制器的STATCOM直接电流控制原理
STATCOM接入系统的等效拓扑结构图如图1所示，其中为无穷大系统的等效电势，为由负荷端视入的无穷大系统等效戴维南阻抗，是STATCOM的等效阻抗，为STATCOM接入点处的电压，也就是负荷的供电电压。当STATCOM没有投入运行时，负荷电流中的无功分量完全由系统承担，即。如果较大，功率因数会很低，线路损耗也会大大增加。当STATCOM接入系统后，将产生容性无功电流，补偿负荷无功电流，为系统提供无功支持。理想情况下，当时，STATCOM將完全抵消负荷无功电流，使系统功率因数等于1。
直接电流控制的目标就是使STATCOM发出无功电流跟踪上负载侧无功电流分量，这样才能使无功电流达到就地补偿的目的，维持负载侧功率因数在1左右。STATCOM的直接电流PI控制框图如图2所示，和经过PI控制环节，得到STATCOM交流侧电压的直轴分量。为保证直流侧电容电压稳定，这里设定直流侧电压参考值，将直流侧电容电压的参考值和其瞬时值相比较后再经过PI控制环节，就可以得到STATCOM应该吸收的有功电流，将其与STATCOM实际发出的有功电流进行比较后再经过PI控制，得到STATCOM交流侧电压的交轴分量。将、以及（赋值为0）经过dq0-abc变换为指令信号作为调制正弦波，经过三角载波调制后，产生PWM触发脉冲，触发IGBT，使STATCO M输出补偿电流。
3.基于多模型神经网络PI控制器的STATCOM直接电压控制方法
3.1 多模型建立的基本原理
直接电流PI控制虽然具有较好的响应速度和无功补偿精度，但当负载发生较大变化时，该控制方法难以适应负载的变化，会造成补偿精度和速度的降低。因此，此处将多模型理论应用到直接电流PI控制中。
在一些用电场合，负载的变化主要体现在功率因数的变化上。当接入冲击性负载时，单相等效电路如图3所示。由于本文研究的仿真模型中，设定系统侧的阻抗远小于负载侧的阻抗，即：
当STATCOM未接入时可以表示为：
当系统的负载的功率因数发生较大变化时，STATCOM需要吸收或发出较大的无功电流，才能补偿负载侧的无功电流。这就需要能够在较大的范围内变化。由于系统侧的阻抗远小于负载侧的阻抗，因此STATCOM输出电压的相位近似等于系统侧电压的相位。根据式（4），可以得出，当增大时，增大，当减小时，减小。因此，STATCOM输出电压的变化决定了STATCOM发出的无功电流的变化。
3.2 神经网络PI控制器的基本结构及工作原理
利用神经网络整定PI参数可以大大减少整定PI参数的工作量，神经网络PI控制器由PI控制器和神经网络两部分组成。PI控制器直接对被控对象进行闭环控制，神经网络通过自学习和权值的调整控制器参数、，以期达到性能指标的最优。这里采用BP神经网络，其输入层有3个节点，分别为指令电流、实际输出电流以及两者的差值，输出层为2个节点，即比例系数和积分系数，隐含层设置为5个节点。这样，即可通过神经网络的学习和训练，实现对PI控制器参数的整定，如图4所示。
神经网络隐层神经元的激励函数采用正负对称的Sigmoid函数：
因此可知，STATCOM输出电压的幅值大小与和的大小有关。而和分别由d轴第二级PI控制器和q轴PI控制器得到。由此可见，调节d轴第二级PI控制器参数和q轴PI控制器参数，可以起到调节有功电压信号和无功电压信号的作用，从而达到调节STATCOM输出电压的目的，而输出电压决定了STATCOM发出无功电流的大小。当系统负载的电流一定时，负载侧无功电流的变化可以体现为负载功率因数的变化，即负载无功电流较大时，功率因数较小，反之亦然。因此，当功率因数发生较大变化时，可以采用不同的d轴第二级PI控制器参数、和q轴PI控制器参数、，使STATCOM发出的无功电流跟踪负载所需的无功电流。当系统各元件参数确定时，便可以根据负载侧功率因数的大小来划分模型，对于不同的模型来确定相应的d轴第二级PI控制器参数和q轴PI控制器参数。 根据3.1分析可知，随着负载的变化，可以认为近似不变，而负载的功率因数变化较大，因此可以将负载侧功率因数作为模型划分的依据，将系统划分为多个模型（），然后对于每个模型分别设计d轴第二级神经网络PI控制器（）与q轴神经网络PI控制器，基于多模型神经网络PI控制器的直接电流控框图如图5所示。当冲击性负载接入后，多模型控制器检测负载电流，经过adc/dq0变换后由式（8）计算出功率因数，并选择相应模型，每个模型中的d轴第二级PI控制器和q轴PI控制器参数和由神经网络进行整定以达到理想的控制效果。
理论上讲模型分得越多系统控制越精确，但系统稳定性会以及控制器计算量会受到影响，故本文设定了3个模型。
4.仿真研究
为了验证基于多模型神经网络PI控制器的STATCOM直接电流控制策略在不同冲击性负载下都具有良好的无功补偿能力，本文将其与基于传统PI控制器的直接电流控制法进行比较。利用MATLAB/SIMULINK对STATCOM系统进行了仿真研究，仿真电路的参数如下：系统电压，系统频率，线路电感线路电阻，输出滤波器等效电感，输出滤波器等效电阻，输出滤波器等效电容，直流侧电容，调制三角波频率，直流侧电容电压参考值，神经网络PI模块通过调用MTALAB的S函数实现。
仿真中所采用的基于传统PI控制器的直接电流控制法的PI参数采用恒定参数，与模型1相同，即与表1中Q大于0.55时一致。
图6、图7、图8分别给出了0～0.2S的时段内，接入冲击性负载后负载侧功率因数Q分别为0.62、0.40、0.18时的两种方法的补偿效果图；图中6/7/8A为未采用STATCOM补偿的系统侧电压电流，6/7/8B为采用传统PI控制器时的补偿效果图，6/7/8C为采用本文提出的多模型神经网络PI控制器时的补偿效果图。需要特别指出的是，图6中，由于传统PI控制器和多模型神经网络PI控制器均采用同一种PI参数，因此补偿效果一样。
比较以上仿真效果图，我们可以发现：
1）当负载侧功率因数Q为0.62时，如图6，此时Q>0.55，故多模型控制器选择模型1。由于此时传统PI控制器和多模型神经网络PI控制器采用同一组PI参数，因此补偿效果一致，均能在半个周波内使系统侧电流可以达到稳定且系统侧电流和电压保持同相位，从而使系统侧功率因数为补偿到1。
2）当负载侧功率因数为0.40和0.18时，如图7、8，随负载侧功率因数的变化，传统PI控制器已经无法适应负载的变化，虽然在几个周波后能够勉强维持系统侧电压电流同相位，但是前半个周波冲击电流较大，电流波形较差，谐波畸变率较高，无法獲得理想的补偿效果。而采用本文提出的多模型神经网络PI控制器后，多模型控制器根据Q的范围选择与各自模型相适应的PI参数，补偿后的效果较理想，系统电压和电流均能保持同相位，系统电流的谐波畸变率较小，并且均能在半个周波内使系统侧电流达到稳定。
5.结论
针对STATCOM在补偿系统功率因数时，传统的直接电流PI控制方法未能有效适应负载的变化，且人工整定PI参数过于繁琐，本文提出了基于多模型神经网络PI控制器的STATCOM直接电流控制方法。既利用多模型技术更好的适应负载的变化，又利用神经网络训练大大降低了PI控制器的控制参数人工整定的工作量。通过仿真研究，从对负载的变化的适应能力，系统功率因数的提高以及补偿速度，对传统PI控制方法与多模型神经网络PI控制方法进行了比较，得出在基于多模型神经网络PI的STATCOM直接电流控制方法下，STATCOM能够提高系统功率因数至1左右，且能够更迅速的适应接入负载的变化，具有更好的无功补偿能力。
参考文献
[1]聂子玲，张波涛，孙驰.et al.级联H桥SVG直流侧电容电压的二次谐波计算[J].电工技术学报，2006（4）：111-116.
[2]唐杰，罗安，周柯.静止同步补偿器电压控制器的设计与实现[J].电工技术学报，2006（8）：103-106.
[3]王兆安等.谐波抑制和无功功率补偿[M].机械工业出版社，2005：444.
[4]赵渊，周家启.静止无功补偿器和移相器的最优配置及其对发输电系统可靠性的影[J].电工技术学报， 2004，19（1）：55-60.
[5]谢小荣，姜齐荣.柔性交流输电系统的原理与应用[M].北京：清华大学出版社，2006.
[6]An Luo，Ci Tang，Zhikang Shuai，Jie Tang，Xian Yong Xu，Dong Chen.Fuzzy-PI-Based Direct-Output-Voltage Control Strategy for the STATCOM Used in Utility Distribution Systems[J].IEEE Transactions on Industrial Electronics，2009，56（7）：2401-2411.
[7]王盛，李立学，郑益慧.et al.基于多模型PI的STATC-OM直接电压控制方法[J].电力系统保护与控制，2011， 32（7）：42-46.
[8]柳玉甜，蒋静坪.基于多模型和小脑模型关节控制器神经网络的移动机器人故障诊断[J].电工技术学报，2007，22（3）：153-158.
[9]蔡忠法，陈隆道，陈国志.基于自适应神经网络的谐波分析模型与算法[J].电工技术学报，2008，23（7）：118-123.
[10]王新，戴先中.一种基于神经网络逆的感应电动机解耦线性化改进策略[J].电工技术学报，2008，23（4）：32-38.