[发明专利]三相并联型有源滤波器的自适应RBF神经滑模控制方法

摘要

本发明公开了一种三相并联型有源滤波器的自适应RBF神经滑模控制方法，建立APF的数学模型，将切换函数作为RBF神经网络的输入，滑模控制器作为RBF网络的输出，利用神经网络的学习功能，实现单输入单输出的神经滑模控制。该控制方案综合了滑模控制、自适应算法以及RBF神经网络的优点，能够时时的检测并跟踪电源电流中的谐波，通过产生大小相等、方向相反的补偿电流，达到消除谐波、提高电能质量的目的。另外，这种自适应RBF神经滑模控制策略能够在线的调节神经网络的权值，并通过Lyapunov稳定性理论证明保障了系统的稳定性。

主权项

1.三相并联型有源滤波器的自适应RBF神经滑模控制方法，其特征在于：包括以下步骤： 1）建立被控对象三相并联型有源电力滤波器的数学模型 其中，x₁＝i_c为补偿电流，为时变函数，为常数项，为干扰项，g（t）为开关函数，t——时间 r——电源到有源电力滤波器交流侧电感之间的等效电阻 L——有源电力滤波器的交流侧电感 V_dc——直流侧电容电压 V_s——三相电网电压 2）设计RBF神经滑模控制器，包括如下步骤， 2-1）将切换函数s(t)作为RBF神经网络的输入，设计切换函数其中，e(t)=i^*_c-i_c为指令信号和补偿电流的误差，i^*_c为指令电流，β为滑模面参数；2-2）将滑模控制器作为RBF神经网络的输出，输出控制率u(t)为： 式中，m—RBF神经网络隐层神经元个数 w_k——RBF神经网络的权值向量 c_k——RBF神经网络的中心向量 b_k——RBF神经网络的基宽参数 2-3）选取自适应律，为RBF神经网络提供权值变换规则，具体为：使根据梯度下降法，自适应率为，RBF神经网络的权值的梯度变化为其中，γ=a·η，η——调节权值自适应律的学习速率，η∈[0,1]α——权值的梯度下降法变化中的动量因子，α∈[0,1] 2-4）利用RBF神经网络的学习功能，实现控制器对开关函数g（t）的逼近，从而控制滤波器主电路开关的通断，产生与谐波电流大小相等、方向相反的补偿电流，抵消谐波。