李永祥，李夢達(dá)，王 洋，馬夢琳

(上海電機(jī)學(xué)院 電氣學(xué)院，上海 201306)

0 引言

電壓暫降作為目前有統(tǒng)計(jì)以來發(fā)生最頻繁、對敏感負(fù)荷影響最大的電能質(zhì)量問題[1-3]，其良好治理方法一直是學(xué)者研究的重點(diǎn)。目前治理電壓暫降的有效手段之一是在負(fù)荷側(cè)安裝電能補(bǔ)償型電力電子裝置[4-5]，常用的治理裝置有動(dòng)態(tài)電壓恢復(fù)器(Dynamic Voltage Restorer,DVR)、多功能電壓暫降補(bǔ)償裝置、不間斷電源等，其中DVR以其較低的成本和較好的補(bǔ)償效果成為治理電壓暫降問題最經(jīng)濟(jì)有效的電力補(bǔ)償設(shè)備[6-8]。

在國內(nèi)DVR研究領(lǐng)域中，優(yōu)化控制方法往往是提升DVR系統(tǒng)補(bǔ)償效果的關(guān)鍵，好的控制方法能在系統(tǒng)的穩(wěn)定性、響應(yīng)速度、補(bǔ)償精度等方面得以很好的體現(xiàn)。目前常見的控制方法主要是PI控制[9-10]，但當(dāng)PI控制應(yīng)用于非線性強(qiáng)耦合DVR系統(tǒng)時(shí)，系統(tǒng)的負(fù)載適應(yīng)性較差，當(dāng)負(fù)載發(fā)生擾動(dòng)時(shí)，若不及時(shí)調(diào)整PI參數(shù)，系統(tǒng)的穩(wěn)定性會(huì)受到影響。文獻(xiàn)[11]通過模糊推理方法實(shí)現(xiàn)了PI參數(shù)的自整定，提高了系統(tǒng)的穩(wěn)定性；文獻(xiàn)[12]提出了一種PR控制方法，文獻(xiàn)[13]提出一種基于PI和PR的復(fù)合控制策略，都在一定程度上提高了DVR 的補(bǔ)償精度。文獻(xiàn)[14]提出一種新的智能算法——情感智能算法，并將其應(yīng)用于DVR系統(tǒng)。由于沒有梯度運(yùn)算和專家規(guī)則，情感智能算法具有結(jié)構(gòu)簡單、計(jì)算量小的優(yōu)點(diǎn)，從而使DVR取得了很好的補(bǔ)償效果。文獻(xiàn)[15]將情感智能算法的模型進(jìn)行簡化，進(jìn)一步提高了DVR的補(bǔ)償速度，但文獻(xiàn)[14-15]都忽略了情感智能算法中權(quán)值學(xué)習(xí)率對情感智能控制器的影響，如果學(xué)習(xí)率選取不恰當(dāng)，系統(tǒng)控制性能會(huì)變差，從而影響補(bǔ)償效果。

本文提出一種基于模糊情感智能算法的DVR系統(tǒng)，模糊情感智能算法通過模糊控制在線調(diào)整情感控制器中的權(quán)值學(xué)習(xí)率，在利用情感智能算法自整定優(yōu)點(diǎn)的同時(shí)，又避免了因初始參數(shù)選擇不當(dāng)帶來的系統(tǒng)不穩(wěn)定情況，提高了控制器的穩(wěn)定性和跟蹤精度，優(yōu)化了DVR電壓補(bǔ)償性能。最后，通過搭建MATLAB/Simulink 仿真模型，驗(yàn)證了所提改進(jìn)方法的可行性和有效性。

1 DVR拓?fù)浣Y(jié)構(gòu)及原理

典型DVR拓?fù)渲饕譃?個(gè)單元：儲(chǔ)能單元、逆變單元、濾波單元及耦合單元。儲(chǔ)能單元提供補(bǔ)償電壓所需的能量；逆變單元將直流電壓轉(zhuǎn)化為需補(bǔ)償?shù)慕涣麟妷海粸V波單元對輸出補(bǔ)償電壓進(jìn)行高次諧波分量的濾除；耦合單元將電網(wǎng)與DVR裝置進(jìn)行隔離，確保電網(wǎng)發(fā)生短路時(shí)不對DVR裝置造成嚴(yán)重?fù)p壞。

本文DVR拓?fù)浣Y(jié)構(gòu)以三單相H橋逆變器為主體框架，儲(chǔ)能單元為蓄電池，濾波單元為一般LC濾波器，DVR通過變壓器串聯(lián)接入電網(wǎng)，拓?fù)浣Y(jié)構(gòu)如圖1所示。

圖1 DVR拓?fù)浣Y(jié)構(gòu)Fig. 1 DVR topology

由于采用三單相H橋結(jié)構(gòu)為逆變單元，每一相的控制都是獨(dú)立的，本文以A相為例，進(jìn)行分析，其控制結(jié)構(gòu)簡圖如圖2所示。

圖2 控制結(jié)構(gòu)簡圖Fig. 2 Control structure diagram

當(dāng)DVR利用檢測電路檢測到電網(wǎng)發(fā)生電壓暫降時(shí)，控制器控制轉(zhuǎn)換開關(guān)K斷開，DVR接入電網(wǎng)。與此同時(shí)，DVR利用檢測電路檢測出暫降后電壓，通過和額定參考電壓進(jìn)行比對，選用合適的補(bǔ)償方法獲得期望補(bǔ)償電壓，控制器根據(jù)期望補(bǔ)償電壓產(chǎn)生相應(yīng)PWM波形，控制逆變器開關(guān)的通斷，從而輸出補(bǔ)償電壓，保持負(fù)載側(cè)電壓穩(wěn)定。

2 基于模糊情感智能的DVR系統(tǒng)

2.1 情感智能算法

情感智能算法主要是對大腦情感學(xué)習(xí)的一個(gè)建模過程，大腦中情感學(xué)習(xí)的主要部位是杏仁體，杏仁體通過接受來自不同感覺聯(lián)合區(qū)的信息，記憶并鞏固人的情感，可建立如圖3所示模型來描述其學(xué)習(xí)過程。

圖3 大腦情感學(xué)習(xí)模型Fig. 3 Brain emotional learning model

圖3中的丘腦、感官皮質(zhì)、眶額皮質(zhì)和杏仁體分別將接收到的感官輸入信號Si和獎(jiǎng)勵(lì)信號R進(jìn)行運(yùn)算處理后，得到模型輸出為

(1)

式中，νi、wi分別為杏仁體、眶額皮質(zhì)的可調(diào)權(quán)值。

通過對權(quán)值νi和wi的更新調(diào)整，模型能實(shí)現(xiàn)對情感的更好學(xué)習(xí)。具體表達(dá)式為

Δνi=α·Si·max(0,R-A)，(2)

Δνn+1=α·Smax·max(0,R-A)，(3)

Δwi=β·Si·(E-vn+1Smax-R)，(4)

(5)

式中:i=1,2，…,n;Δνi為杏仁體的權(quán)值變化值；α為杏仁體的權(quán)值學(xué)習(xí)率；Δwi為眶額皮質(zhì)的權(quán)值變化值；β為眶額皮質(zhì)的權(quán)值學(xué)習(xí)率；ri為獎(jiǎng)勵(lì)信號R的可調(diào)權(quán)值。

2.2 DVR系統(tǒng)中情感控制器的設(shè)計(jì)

將情感智能算法應(yīng)用于DVR控制中，其控制系統(tǒng)結(jié)構(gòu)框圖如圖4，將DVR中期望補(bǔ)償電壓與反饋的實(shí)際補(bǔ)償電壓的差值傳遞到感官輸入及獎(jiǎng)勵(lì)信號函數(shù)中，經(jīng)過情感控制器處理后，輸出理想補(bǔ)償電壓，最后通過PWM模塊進(jìn)行實(shí)際補(bǔ)償電壓的輸出。

圖4 情感智能DVR控制系統(tǒng)結(jié)構(gòu)Fig.4 Structure of emotion intelligent DVR control system

本文選擇感官輸入信號為DVR中期望補(bǔ)償電壓與檢測的實(shí)際補(bǔ)償電壓的差值及其差值的積分形式，即

(6)

將式(6)代入式(1)，可得到最終模型輸出為

E=A-O=(ν1-w1)·s1·e+

(7)

將式(6)代入式(2)～(5)中，得到權(quán)值變化值的表達(dá)式為

Δνi=α·Si·max(0,R-A)i=1,2，(8)

Δν3=α·Smax·max(0,R-A)，(9)

Δwi=β·Si·(E-νn+1Smax-R)i=1,2，(10)

獎(jiǎng)勵(lì)信號R變?yōu)?/p>

(11)

目前已知的情感智能算法中，其權(quán)值學(xué)習(xí)率都為定值，而由于所要應(yīng)用的DVR系統(tǒng)有很強(qiáng)的非線性特點(diǎn)，固定的權(quán)值學(xué)習(xí)率勢必會(huì)影響系統(tǒng)的調(diào)節(jié)品質(zhì)。為了優(yōu)化情感智能算法，使其更適用于DVR系統(tǒng)，本文采用模糊控制算法來對其權(quán)值學(xué)習(xí)率進(jìn)行模糊調(diào)節(jié)，具體調(diào)節(jié)規(guī)則見下小節(jié)。

2.3 基于模糊控制的權(quán)值學(xué)習(xí)率調(diào)節(jié)

采用模糊控制算法調(diào)節(jié)權(quán)值學(xué)習(xí)率，主要難點(diǎn)在于模糊規(guī)則的制定。由于目前在情感智能算法的研究資料中，對權(quán)值學(xué)習(xí)率的調(diào)節(jié)文獻(xiàn)較少，為了確定權(quán)值學(xué)習(xí)率的具體模糊調(diào)節(jié)規(guī)則，本文分別對杏仁體的權(quán)值學(xué)習(xí)率α和眶額皮質(zhì)的權(quán)值學(xué)習(xí)率β取不同數(shù)值，按圖4結(jié)構(gòu)在Simulink中搭建基于情感智能的DVR系統(tǒng)模型，并進(jìn)行系統(tǒng)階躍響應(yīng)實(shí)驗(yàn)。

學(xué)習(xí)率具體取值情況如表1所示。

表1 學(xué)習(xí)率情況取值表Tab.1 Value of learning rate

情感控制器中的權(quán)重參數(shù)采用MATLAB/Simulink中的Signal Constraint模塊進(jìn)行優(yōu)化。經(jīng)優(yōu)化后，感官輸入的權(quán)重值s1、s2分別取為5.121、20.056；獎(jiǎng)勵(lì)信號的可調(diào)權(quán)值r1、r2、r3分別取為0.021、0.013、0.033。

經(jīng)過階躍響應(yīng)驗(yàn)證，得到結(jié)果曲線如圖5所示。

圖5 不同情況學(xué)習(xí)率階躍響應(yīng)曲線Fig. 5 Step response curve of learning rate under different conditions

由圖5可知:當(dāng)權(quán)值學(xué)習(xí)率α和β過大時(shí)(如情況1、情況2，此時(shí)α和β值都大于0.07)，系統(tǒng)的超調(diào)過大；當(dāng)權(quán)值學(xué)習(xí)率α和β過小時(shí)(如情況6，此時(shí)α和β值都小于0.05)，系統(tǒng)響應(yīng)速度過慢；且在合適取值范圍內(nèi)，當(dāng)權(quán)值學(xué)習(xí)率α不變，β減小時(shí)，系統(tǒng)的超調(diào)量變小；當(dāng)權(quán)值學(xué)習(xí)率α減小，β不變時(shí)，系統(tǒng)的響應(yīng)速度變慢。基于以上分析可知，權(quán)值學(xué)習(xí)率取值情況不同，其系統(tǒng)的響應(yīng)效果不同，且權(quán)值學(xué)習(xí)率α對系統(tǒng)的響應(yīng)速度影響較大，權(quán)值學(xué)習(xí)率β對系統(tǒng)的超調(diào)量影響較大。

根據(jù)系統(tǒng)階躍響應(yīng)曲線，進(jìn)行模糊控制的權(quán)值學(xué)習(xí)率調(diào)節(jié)，具體步驟如下：

1) 輸入、輸出變量論域的確定

輸入變量，即期望補(bǔ)償電壓與實(shí)際補(bǔ)償電壓的偏差e和偏差變化率ec的論域確定可通過進(jìn)行多次基于情感智能算法的DVR系統(tǒng)仿真實(shí)驗(yàn)，找出其中最大的偏差及偏差變化率值，本文偏差e的基本論域取為[-10，10]，偏差變化率ec的基本論域取為[-0.6，0.6]；本文偏差e與偏差變化率ec的模糊論域均取為[-6，6]。

輸出變量分別為權(quán)值學(xué)習(xí)率變化量Δα與權(quán)值學(xué)習(xí)率變化量Δβ，本文輸出變量Δα與Δβ模糊論域變化范圍均為[-6，6]，實(shí)際變化范圍均為[-0.02，0.02]。

2) 輸入、輸出變量模糊子集語言變量的選擇

定義E，EC，ΔX，ΔY分別為e，ec，Δα，Δβ的模糊子集，其語言變量都選擇為{NB,NM,NS,ZO,PS,PM,PB}。

3) 隸屬函數(shù)的確定

隸屬函數(shù)選擇三角隸屬函數(shù)，具體隸屬規(guī)則如圖6。

圖6 輸入輸出隸屬函數(shù)Fig. 6 Input and output membership function

4) 模糊推理規(guī)則的確定

模糊推理采用Mandani型模糊推理規(guī)則，具體推理規(guī)則如表2和表3。得到模糊推理規(guī)則曲面如圖7所示。

表2 ΔX的模糊控制規(guī)則表Tab.2 Fuzzy control rule table of ΔX

表3 ΔY 的模糊控制規(guī)則表Tab.3 Fuzzy control rule table of ΔY

圖7 模糊推理規(guī)則曲面Fig. 7 Fuzzy inference rule surface

由此，便可通過模糊控制完成對權(quán)值學(xué)習(xí)率的在線調(diào)節(jié)。

為驗(yàn)證模糊情感智能算法在DVR系統(tǒng)中的控制性能，搭建模糊情感智能DVR系統(tǒng)，并進(jìn)行系統(tǒng)階躍響應(yīng)實(shí)驗(yàn)，取權(quán)值學(xué)習(xí)率α的初值為0.07，權(quán)值學(xué)習(xí)率β的初值為0.05，感官輸入權(quán)重s1、s2分別為5.121、20.056，獎(jiǎng)勵(lì)信號的可調(diào)權(quán)值r1、r2、r3分別取為0.021、0.013、0.033。響應(yīng)結(jié)果和無模糊控制情感智能DVR階躍響應(yīng)實(shí)驗(yàn)中的情況5做對比，對比結(jié)果如圖8所示。

圖8 模糊與無模糊情感智能階躍響應(yīng)Fig. 8 Fuzzy and non-fuzzy emotional intelligent step response

由圖8可以看出，采用模糊情感智能算法，系統(tǒng)在3 ms左右達(dá)到穩(wěn)定，相比于無模糊情感智能控制系統(tǒng)，其系統(tǒng)達(dá)到穩(wěn)態(tài)時(shí)間更短，響應(yīng)效果更好。

2.4 補(bǔ)償控制流程

基于模糊情感智能的DVR系統(tǒng)補(bǔ)償控制框圖如圖9所示。

圖9 補(bǔ)償控制框圖Fig. 9 Compensation control diagram

具體補(bǔ)償控制由以下三個(gè)環(huán)節(jié)來完成：

1) 電壓暫降檢測及采樣環(huán)節(jié)

檢測電路實(shí)時(shí)檢測電網(wǎng)電壓，當(dāng)電網(wǎng)電壓發(fā)生暫降時(shí)，DVR裝置接入電網(wǎng)，輸出補(bǔ)償電壓。與此同時(shí)，檢測電路完成對實(shí)際電網(wǎng)電壓Us與DVR輸出補(bǔ)償電壓UDVR的采樣，并將其傳給情感控制器。

2) 模糊情感控制環(huán)節(jié)

3) PWM逆變環(huán)節(jié)

3 仿真

為了驗(yàn)證文中所提理論的正確性，在MATLAB/Simulink 仿真環(huán)境下對基于模糊情感智能控制的DVR系統(tǒng)以及無模糊情感智能控制的DVR系統(tǒng)進(jìn)行仿真，具體仿真參數(shù)如表4所示。

表4 仿真參數(shù)Tab.4 Simulation parameters

1) 模糊情感智能控制優(yōu)越性分析

為了驗(yàn)證文中所提基于模糊情感智能控制的DVR系統(tǒng)的優(yōu)越性，設(shè)定在0.1 s到0.2 s間電網(wǎng)電壓發(fā)生了30%的電壓暫降，如圖10所示，此時(shí)基于模糊情感智能和無模糊情感智能的DVR輸出補(bǔ)償電壓波形和補(bǔ)償后的負(fù)載電壓波形如圖11所示。

圖10 電網(wǎng)電壓波形(30%電壓暫降)Fig. 10 Grid voltage waveform(30% voltage sag)

由圖11可知，當(dāng)電網(wǎng)電壓從0.1 s開始發(fā)生暫降到0.2 s暫降結(jié)束時(shí)，基于模糊情感智能的DVR系統(tǒng)比無模糊情感智能的DVR系統(tǒng)能更快開始電壓補(bǔ)償，且補(bǔ)償?shù)谝粋€(gè)波峰所需的時(shí)間更短，波峰的峰值更接近220 V，整個(gè)仿真周期負(fù)載電壓也較為穩(wěn)定。由此可知，通過模糊控制改進(jìn)的情感智能DVR系統(tǒng)具有較好的系統(tǒng)穩(wěn)定性和更快的響應(yīng)速度，其系統(tǒng)補(bǔ)償性能是更優(yōu)越的。

圖11 負(fù)載與補(bǔ)償電壓波形(30%電壓暫降)Fig. 11 Load voltage and compensation voltage waveform(30% voltage sag)

為了進(jìn)一步驗(yàn)證所提改進(jìn)算法的可行性，將原來設(shè)定成30%的電網(wǎng)電壓暫降改成50%，如圖12所示，此時(shí)基于模糊情感智能和無模糊情感智能的DVR輸出補(bǔ)償電壓波形和補(bǔ)償后的負(fù)載電壓波形如圖13所示。

圖12 電網(wǎng)電壓波形(50%電壓暫降)Fig. 12 Grid voltage waveform(50% voltage sag)

圖13 負(fù)載與補(bǔ)償電壓波形(50%電壓暫降)Fig. 13 Load voltage and compensation voltage waveform(50% voltage sag)

由圖13可知，雖然電網(wǎng)電壓的暫降程度加深了，但基于模糊情感智能的DVR系統(tǒng)與無模糊情感智能的DVR系統(tǒng)都能對跌落電壓進(jìn)行較好補(bǔ)償，且同樣地，基于模糊情感智能的DVR系統(tǒng)比無模糊情感智能的DVR系統(tǒng)補(bǔ)償響應(yīng)更快，同時(shí)電壓恢復(fù)響應(yīng)時(shí)間也有相應(yīng)程度的縮短。由此便進(jìn)一步驗(yàn)證了所提模糊情感智能算法的正確性。

表5列出了本文所提算法與文獻(xiàn)[14-15]所提情感智能算法在電網(wǎng)電壓暫降30%和50%時(shí)將電網(wǎng)電壓恢復(fù)到額定電壓的90%所需的時(shí)間。

表5 響應(yīng)調(diào)節(jié)時(shí)間比較Tab.5 Response adjustment time comparisonms

由表5數(shù)據(jù)可以看出，本文所提基于模糊情感智能算法的DVR系統(tǒng)在響應(yīng)調(diào)節(jié)時(shí)間上，相比其他文獻(xiàn)的更短,發(fā)生50%暫降所需時(shí)間也只需5 ms，符合DL/T 1229中DVR響應(yīng)時(shí)間不宜大于5 ms的要求。

2) 負(fù)載適應(yīng)性分析

由于實(shí)際電網(wǎng)中的電壓暫降對敏感負(fù)荷影響較大，本文對不同類型的敏感負(fù)荷進(jìn)行仿真分析。圖14和圖15分別為模糊情感控制時(shí)阻感性負(fù)載(負(fù)載電阻10 Ω，負(fù)載電感25 mH)和阻容性負(fù)載(負(fù)載電阻10 Ω，負(fù)載電容40 μF)的仿真情況。

從圖14和圖15仿真結(jié)果可以看出，當(dāng)電網(wǎng)電壓發(fā)生暫降時(shí)，基于模糊情感控制的DVR都能在較短的時(shí)間內(nèi)對電網(wǎng)電壓進(jìn)行補(bǔ)償，且補(bǔ)償效果比較理想，這表明文中所提模糊情感智能控制具有較好的負(fù)載適應(yīng)性。

圖14 阻感性負(fù)載情況波形Fig. 14 Resistive-inductive load waveform

圖15 阻容性負(fù)載情況波形Fig. 15 Resistive-capacitive load waveform

3) 三相不平衡跌落分析

上述仿真結(jié)果都是在三相電壓平衡跌落的情況下驗(yàn)證的，為了更好地驗(yàn)證文中所提基于模糊情感智能控制的DVR系統(tǒng)的可行性，設(shè)定在0.1 s到0.2 s間電網(wǎng)電壓發(fā)生了三相不平衡電壓跌落，其中A相電網(wǎng)電壓發(fā)生了30%的電壓暫降，B相電壓發(fā)生了50%的電壓暫降，C相電壓發(fā)生了100%的電壓暫降，圖16為電網(wǎng)電壓、補(bǔ)償電壓和負(fù)載電壓的仿真圖。

從圖16的仿真結(jié)果可以看出，模糊情感智能控制DVR在三相電壓不平衡跌落程度較大的情況下，仍能較好地輸出補(bǔ)償電壓，使負(fù)載側(cè)電壓保持穩(wěn)定。

圖16 三相電壓不平衡情況波形Fig. 16 Three-phase voltage unbalanced drop waveform

4 結(jié)論

本文針對電網(wǎng)電壓暫降問題，在已有的情感智能控制算法基礎(chǔ)上，提出一種基于模糊情感智能算法的動(dòng)態(tài)電壓恢復(fù)器，并通過Simulink進(jìn)行仿真驗(yàn)證，仿真結(jié)果表明：

1) 通過模糊控制算法實(shí)時(shí)調(diào)節(jié)權(quán)值學(xué)習(xí)率，能夠進(jìn)一步優(yōu)化情感控制器的控制性能，提升DVR的補(bǔ)償精度與補(bǔ)償速度。

2) 相比于無模糊情感智能控制及簡化情感智能控制的DVR系統(tǒng)，采用模糊情感智能控制的DVR系統(tǒng)其響應(yīng)速度更快，補(bǔ)償?shù)牟ǚ宸逯蹈咏?20 V，且恢復(fù)到90%額定電壓所需的時(shí)間更短，控制在5 ms以內(nèi)(滿足DL/T 1229標(biāo)準(zhǔn)的要求)，電壓補(bǔ)償效果更好。

3) 經(jīng)過模糊控制算法改進(jìn)后DVR系統(tǒng)，在不同負(fù)載及不平衡電壓跌落情況下，補(bǔ)償能力并沒有受到影響，補(bǔ)償效果仍較為理想。