[发明专利]基于元认知模糊神经网络的有源电力滤波器滑模控制方法

权利要求书

1.基于元认知模糊神经网络的有源电力滤波器滑模控制方法，其特征是，包括以下过程：

S1，建立有源电力滤波器动力学方程为：

其中，x为i₁、i₂或i₃，f(x)为或B为或h_k为有界的集总不确定，U表示控制律，v₁,v₂,v₃为公共连接点处电压，i₁,i₂,i₃为滤波器输出补偿电流，v_dc为直流侧电容电压，L_c为交流侧电感，R_c为交流侧等效电阻；L_c1、R_c1分别为系统参数L_c、R_c的标称值；

S2，建立滑模控制器，设计控制律，以控制有源电力滤波器；

滑模面设计为：

设指令电流为y_d，则误差为

e＝x-y_d (15)

其中，C_s是正常数；

设计控制律为：

其中，为未知部分f(x)的估计值，K为正常数，sgn(S)为符号函数，

为利用元认知模糊神经网络逼近f(x)获得的估计值，为元认知模糊神经网络的实时权值，为元认知模糊神经网络中规则层的输出，T表示转置；

元认知模糊神经网络采用四层网络结构，各层分别为：输入层、隶属度函数层、规则层和输出层；

其中，eⁱ是元认知模糊神经网络的输入，Y是元认知模糊神经网络的输出，W＝[W₁,W₂...W_l]^T为权重向量，为元认知模糊神经网络的实时权值，在线不断更新；Φ＝[φ₁,φ₂,...,φ_l]^T是规则层的输出，l为模糊规则的总数目；

采用四层网络结构，各层分别为：

第一层：输入层

输入层的各个节点直接与输入量的各个分量连接，将输入量传到下一层；e¹..eⁱ..eⁿ代表元认知模糊神经网络的输入，有n个输入，第i个输入是eⁱ，eⁱ为跟踪偏差向量中的元素；

第二层：隶属度函数层

采用高斯型函数作为隶属度函数，和分别是第i个输入变量第j个模糊集合的隶属度函数的中心向量和基宽，i＝1,...,n,j＝1,...,N_pi；表示隶属度函数，即

便于计算，采用N_pi表示隶属度函数的单独个数，并且定义自适应参数向量b和c分别代表高斯型隶属度函数所有的基宽和中心向量的集合，即

其中代表隶属度函数的总个数；

第三层：规则层

该层采用模糊推理机制，而且每个节点的输出为该节点所有输入信号的乘积，即

式中，φ_k表示规则层的第k个输出，k＝1,...,l，代表模糊化层和规则层之间的连接权矩阵，在这里取为单位向量，l是规则层的总数目；

第四层：输出层

输出层的节点代表输出变量；输出层的每个节点y_o的输出为该节点所有输入信号的和，其中o＝1,...,N_o；表示规则层和输出层之间的连接权矩阵，则

进一步地，定义元认知模糊神经网络控制器的输出是：

Y＝[y₁ y₂ … y_l]＝W^T·Φ＝W₁φ₁+W₂φ₂+...+W_lφ_l；

元认知模糊神经模型考虑了数据学习和数据删除两种自我调节策略；

首先是数据学习策略；元认知模糊神经网络的数据学习过程涉及到最接近当前输入数据的规则的在线演化和参数更新；

模糊规则是根据以下条件逐步确定的，即||eⁱ||＞E_a且ψ＜E_s；其中ψ是球面势能，表示输入数据的新颖性，由如下式子给出：

其中，E_s和E_a是新颖性和添加阈值，E_a可按照如下式子进行自我调节，

E_a＝δE_a+(1-δ)||eⁱ|| (20)

其中||eⁱ||表示跟踪误差，δ表示斜率因子；

当需要加入一个新的模糊规则时，其参数初始化为，

其中κ是预先给定的模糊规则的重叠参数；

当||eⁱ||＞E_l时，调整规则参数；阈值E_l也是根据跟踪误差进行自我调节的，由如下式子给出，

E_l＝δE_l+(1-δ)||eⁱ|| (22)

在学习过程中，某一条规则对输出的贡献度可能会降低；在这种情况下，应从规则库中删除无关紧要的规则以避免过度计算；第q条规则的贡献度由如下式子给出：

β_q＝Φ_q|eⁱW_q|,i＝1,...,n (23)

其中，n代表输入的维数；

如果第q条规则对输入的贡献度低于阈值E_q则删除这一条规则；

然后是数据删除策略；具体的是，当前跟踪误差与上一次神经网络迭代计算过程误差接近时，无需更新网络参数。