基于自适应神经网络的有源电力滤波器谐波电流提取方法概要

基于自适应神经网络的有源电力滤波器谐波电流提取方法曾令全，白志亮，曾德俊，刘春山（东北电力大学电气工程学院，吉林吉林132012）摘要：对有源电力滤波器（APF）谐波检测方法进行研究，将自适应神经网络（ADNN）的信号处理技术应用于三相非线性负载的谐波电流检测中，提出了一种基于ADNN检测方法。该方法的主要特点是不仅能检测谐波电流中的基波成分，也能检测出其中不同的高次谐波分量的幅值和相位。通过搭建一个基于DSP三相并联APF的实验系统来证实该方法的有效性，并与传统的傅里叶变换法和d-q算法相比较，验证其具有更快的动态响应。最后，通过分别对感性负载和容性负载进行阶跃变化操作试验检验所提出的ADNN检测法的APF谐波补偿特性，并获得了优良的补偿性能。关键词：自适应神经网络；谐波提取；有源电力滤波器；补偿电流；DSP中图分类号：TM761文献标识码：A文章编号：1006－6047（2010）02－0033－04收稿日期：2009－06－20；修回日期：2009－09－14电力自动化设备ElectricPowerAutomationEquipmentVol．30No．2Feb.2010第30卷第2期2010年2月电网中交流电源侧的谐波成分由有源电力滤波器（APF）进行补偿，因此首先要对谐波进行提取［1-4］。本文引入了一种自适应神经网络（ADNN）检测方法来检测各次谐波的幅值和相位，检测时间比常规的方法要短，通过这种方法能够有选择性地对5次和7次谐波进行补偿。本方法中，不需要进行网络训练，而是采用神经网络的基本原理确定畸变的负载电流中的基波和各次谐波成分，即不再为训练选择训练模式、隐藏的层数和每一层神经元的个数。而且所提出的ADNN在单相和三相系统中都适用［5-10］。1系统描述1.1实验系统的一般介绍完整的APF配置在图1中给予了描述［11］。ADNN方法确定出基波分量（iaf，ibf）和三相非线性负载电流（ila，ilb），然后用负载电流减去基波得到谐波成分的补偿量（i*ca，i*cb）。负载电流各相中总的谐波电流是通过从负载电流中减去基波分量得到的，而并不是各次谐波分量的总和。低次谐波分量占据总的谐波的主要部分，这样用于确定谐波的神经网络也会简单一些。可以证明，通过ADNN分离出来的谐波幅值和相位是正确的。补偿电流参考量（i*ca，i*cb）通过abc-dq相位变换被转换为d-q轴分量（i*cd，i*cq），它们被用于指令电压向量计算，计算单元中含一个快速电流控制器。指令输出电压向量由空间矢量调制方法提供。在快速电流控制器中，引用一个自适应性线路放大器（ALE）［12］提前2个采样周期预测参考值，这样就减少了计算时间，同时也能增强快速电流控制系统的鲁棒性。1.2实验系统的构成ADNN确定谐波电流以及APF的实现都是在基于DSP的实验系统中进行的［13-14］。逆变器中的功率半导体开关器件是以数字1和0表示的开或关状态。因此，同DSP接口的逆变器控制器适合采用数字电路。所有的计算都是数字化完成的，补偿电流的计算，使用ALE的快速控制算法，以及用于维持直流电压Udc恒定的比例积分（PI）控制，都是用汇编语言编程完成的，程序由连接在PC机上的DSP运行。实验系统框图如图2所示。2各因素对实验结果的影响2.1积分常数K的影响下面对积分常数K进行定义。设x（t）=鄱l＝1，511，N（A1coslωtk+B1sinlωtk）为时间t时的负载电流，可以证明：图1谐波检测控制电路图Fig.1Controlcircuitofharmonicdetectionisaisb负载icaicbiccT1T3T5VT4VT6T23-Φ／dq门极驱动空间矢量调制指令电压计算U*dU*qicdicq电压相位检测ADNNiafdq／3－Φi*cdΔii*cqPI控制器i*cai*cbUcdilailbiVD1VD3VD5D4D6VD2Uref+第30卷电力自动化设备A1=-K乙鄱l＝1，5，7，11，…N（A1coslωtk+B1sinlωtk）-dk鄱鄱×coslωtkdtB1=-K乙鄱l＝1，5，7，11，…N（A1coslωtk+B1sinlωtk）-dk鄱鄱×sinlωtkdt它们分别为第l次谐波系数，且相互关联；K为积分常数。error=鄱l＝1，5，7，11，…N（A1coslωtk+B1sinlωtk）-dk鄱鄱定义为时间tk时的误差量。K取值的变化对ADNN的性能有着重大影响。图3给出了用于精确谐波检测的最优K值下的电流波形（图中n为采样点数）。图3（a）中，K设为240。这时K值过低，误差量比较大，系数B1的响应比较慢。图3（b）中，K值设为480，误差减小，B1的响应快多了，此时是最优值。当K被设为一个更大的值，如图3（c）所示，误差变得更小，但是系数B1，也就是基波的幅值，发生波动，而且基波分量发生畸变。事实证明调整K值的基准在于系数B1，而不是误差大小。有一点很重要，就是注意到在暂态条件下，一旦K值决定，它是不随负载类型和负载大小变化而变化的。2.2谐波次数的影响考虑的谐波次数越高，则谐波提取的精度也越高。同时，考虑的谐波次数也被限制在一个较低的值，因为提取算法的执行必须在一个采样周期内完成。以下3种模式显示了实验结果，它表明了如果要高精度地检测出基波电流，需要对谐波次数考虑到何种程度。图4给出了不同K值下的电流波形。第1种模式，如图4（a）所示，K=240欠增益，此时是只考虑基波成分的情况，误差很大。第2种模式，如图4（b）所示，此时K=480最优，不小，但是基波的估算很精确，因此要想精确地提取基波成分，至少要考虑到7次谐波。第3种模式，如图4（c）所示，此时K=1080过增益，只是考虑到19次谐波时的情况，可以看到误差几乎被消除。从这3种模式看，证明所提出的ADNN要想以高精度检测出基波电流，并不需要考虑到太高次数的谐波成分。因此也不需要有功能十分强大的DSP来将ADNN应用到APF中的谐波检测中。2.3采样频率的影响一般，当把采样频率定在某个较高的值时，谐波提取的精度也会大幅提高。但是为了能在采样周期频率的不同，可能获取的精度不同。为了能够获得较8位计数器8位计数器Cdc逆变器PWM比较系列寄存器非线性负载电压相位检测A／D转换器DSPRLila，ilbUdcica，icbInt-CPCMSBVCO3.3kΩL40-4i／A-192-6464192320n（a）K＝240，欠增益B1误差40-4i／A-192-6464192320n（b）K＝480，最优增益B1误差40-4i／A-192-6464192320n（c）K＝1080，过增益B1误差图3不同K值下的波形Fig.3WaveformsofdifferentKvalues基波TT负载阶跃变化负载阶跃变化基波基波40-4i／A-192-6464320448n（b）只考虑到7次谐波B1基波40-4i／A-256-1280256384n（c）只考虑到19次谐波B1基波图4不同谐波次数时的波形Fig.4Waveformsofdifferentharmonicfrequencies误差误差19212840-4i／A-256-128n（a）只考虑基波B1基波误差128负载阶跃变化T曾令全，等：基于自适应神经网络的有源电力滤波器谐波电流提取方法第2期=2VDC10:1CH2=2VDC10:1CH3=2.44VDC10:110ms／div；（10ms／div）；Norm：100kS／siLaicaisa负载变化（a）感性负载，电路参数：LL＝96mH，Ls=4mH高的提取精度，这里考虑了2种采样频率：7.68kHz和15.36kHz。图5显示了在这2种频率下的负载电流波形、波形系数、误差及基波分量。图中采样点0表示谐波分析计算的起始点。可以看出，系数A1和B1，也就是对应于基波无功分量和有功分量波形的幅值，当采样频率从15.36kHz减少至7.68kHz时，它们的执行时间没有改变。而且，在2种采样频率下，对基波的检测精度几乎没有差别。因此可以得出结论，在进行谐波分析时，要想得到满意的结果，7.68kHz已经是足够高的采样频率。3传统方法和ADNN算法检测速度的比较3.1傅里叶变换和ADNN算法检测速度的比较这里给出了傅里叶变换和所提出的ADNN算法执行时间的比较。图6给出了实验结果。图中，采样点0表示谐波分析计算的开始点。在图6（a）所示傅里叶变换的情况下，计算系数A1和B1需要一个基波周期。而在本文所提出的方法下，只需要半个基波周期，如图6（b）所示。dq本节中对提出的基于ADNN的谐波算法和基于常规d-q理论的算法做了比较。在基本的d-q理论中，补偿电流有功分量的参考向量是这样确定的：首先让负载电流向量的有功分量通过低通滤波器，来得到输出的直流分量，然后从瞬时有功分量里减去这个输出量得到参考量。因此，发生了直流成分的检测延迟，而且参考量中包含有误差。图7（a）给出了阶跃变化条件下d轴补偿电流的参考量。此时以一个数字低通滤波器为例来检测负载电流中的直流分量。暂态过程中由检测延迟造成的电流降落较为显著。而在本文提出的ADNN算法中，虽然不可能完全消除检测延迟，但做到了能有效地减少延迟，如图7（b）所示。可以说本文提出的ADNN算法具有更短的执行时间，而且在暂态过程中带来更小的电流幅值降落。4谐波补偿性能为了检验所提出的ADNN谐波检测法的APF的谐波补偿特性，做了以下2个实验。图8给出了分别对感性负载和容性负载进行阶跃变化操作的实验结果（负载电阻从60Ω变为30Ω）。图中，iLa为负载电流，ica为补偿电流，isa为电源电流。在容性负载情况下，负载电流THD为32.3%，而经过补偿后的电源电流THD仅为3.35%，有显著改进。获得了优良的谐波补偿性能，那是因为ADNN谐波检测法和快速电流控制法在APF中都足够精确。图9中以占基波电流百分比（ef）的形式给出了40-4i／A0256512768n（a）采样频率15.36kHz，检测最高次数31次B1基波图5不同采样频率下的波形Fig.5Waveformsofdifferentsamplefrequencies误差Al40-4i／A0128256384n（b）采样频率7.68kHz，检测最高次数19次B1基波误差Al图6傅里叶变换法和ADNN法的比较Fig.6ComparisonbetweenFouriertransformandADNN40-4i／A0128384512n（a）傅里叶变换B1基波Al256完成时间＝T40-4i／A0128384512n（b）ADNN算法B1基波Al256完成时间＝T／2T0.50-1.0i／A-192-48240384（a）常规方法96＝0.64A完成时间＝1.53T0.50-1.0i／A-192-48240384（b）ADNN算法96＝0.49A完成时间＝1.30Ti*cp图7常规d-q法和ADNN算法的比较Fig.7Comparisonbetweend-qalgorithmandADNN-0.5-0.5CH1=2VDC10:1CH2=200mV10:1CH3=2.44VDC10:1ms／div；（10ms／div）；Norm：100kS／siLaicaisa（b）容性负载，电路参数：CL＝3300μF，Ls=4mH负载变化图8感性负载和容性负载下的实验结果Fig.8Resultsoftestswithinductiveloadandcapacitorload负载电流和电源电流的谐波频谱（h为谐波次数）。在基于对电源电流的THD值的测量基础上，APF补偿后的结果表明所提出的检测方法是很有效的。同时还可以观察到，各次谐波电流，不管是在检测范围内（5~7谐波）的，还是在检测范围之外的，它们的幅值都大幅减小了。最显著的是5次谐波电流的幅值减小了大约95%。检测范围之内的谐波电流幅值减小了88%~95%，之外的则为30%~86%。5结论本文提出的基于ADNN谐波检测方法能有效而精确地提取谐波分量，其