为了补偿同步静态补偿器（STATCOM）的功率因数和传统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DC STATCOM控制方法。
方法将多模型方法和神经网络技术与传统的PI控制方法相结合，并使用多模型方法来适应不同负载下功率因数的变化，以满足补偿的精度要求。功功率。据最佳控制律，将其输出用作PI调节器的参数值，以满足大工作条件，完整工作条件和最优性的要求。真研究表明，与传统PI控制器相比，多模型神经网络PI控制器对负载功率因数变化的适应性更强，补偿精度更高。持在大约1，这证明了该方法的有效性。用静态同步补偿器（STATCOM）[1-3]可以提高能源质量，主要有两个目标：提高功率因数和调节系统电压。是，在某些电气应用中，电荷的变化不会引起系统电压的显着下降，但是系统的功率因数已经发生了很大的变化，因此功率因数的补偿尤为重要[4- 5]。
STATCOM的主要控制目标是通过补偿负载的无功功率来提高系统的功率因数。此，文献[6]使用PI闭环双控制方法，该方法将外部电压环路和内部电流环路结合在一起。PI控制器可以实现无功电流监视控制，并且在稳态下不会出现错误。而，当负载变化时，仅通过使用PI控制器很难满足无功电流跟踪控制的精度要求。此，本文提出了一种基于多模型PI控制器的直接电压控制方法[7]。方法引入了多模型理论[8]，定义了多种模型以适应负载变化并大大提高了控制精度。在稳定接入点的电压容量方面具有出色的性能，但是此方法在负载变化后对提高系统的功率因数没有明显作用，并且有几种模型会导致PI参数呈指数增长，这大大增加了PI参数的手动调整。作量大。对系统冲击载荷的不确定性，本文提出了一种基于多模型神经网络PI控制器的STATCOM直流控制方法。
方法根据负载功率因数建立了多个模型，利用神经网络的容量[9-10]来近似任何非线性函数，并通过不断学习来优化每个模型中的PI控制器控制参数，然后检测到相应的负载功率因数已切换到相应的型号。真结果表明，基于多模型神经网络PI控制器的STATCOM直流控制方法在不同冲击载荷下具有更快的补偿速度和更高的精度，可以保持以下因素：系统功率在1左右，从而获得满意的控制效果。STATCOM接入系统的等效拓扑如图1所示。是无限系统的等效电位，从负载端看的无限系统的等效戴维南阻抗，等效负载的等效阻抗。STATCOM和STATCOM访问。点的电压是负载的电源电压。STATCOM不投入使用时，系统将完全承担负载电流的无功分量。果较大，则功率因数将非常低，并且线路损耗将大大增加。STATCOM连接到系统时，它会产生一个容性无功电流，补偿无功负载电流并为系统提供无功支持。想情况下，此时，STATCOM将完全消除负载的无功电流，并使系统功率因数等于1。流电的控制旨在使STATCOM发射无功电流以跟随电流分量。载侧无功，因此无功电流可以达到本地补偿目标，并保持负载侧的功率因数约为1。TATCOMDC PI控制的框图如图2所示。过PI控制链接，即可获得STATCOM交流侧电压的直轴分量。了保证直流侧电容器电压的稳定性，在此定义直流侧电压的参考值。直流侧电容器电压的参考值与其瞬时值进行比较，然后通过控制链接PI，即可获得STATCOM必须吸收的有功电流。与实际STATCOM电流进行比较之后，再与PI命令进行比较，即可获得STATCOM交流侧电压的正交轴分量。dq0-abc转换为已调制的正弦波控制信号，并将其分配为0的值。调制三角载波后，会生成PWM触发脉冲来触发IGBT，从而STATCO M提供补偿电流。管PI DC控制具有更好的响应速度和无功功率补偿精度，但是当负载变化很大时，这种控制方法很难适应负载变化，这将导致负载降低。度和补偿速度。
此，这里将多模型理论应用于直流PI控制。某些电气应用中，电荷的变化主要反映在功率因数的变化中。接冲击负载时，等效单相电路如图3所示。系统负载功率因数变化很大时，STATCOM必须吸收或发射大无功电流，以补偿负载侧的无功电流。必须能够在广泛的范围内发展。于系统侧阻抗远小于负载侧阻抗，因此STATCOM输出电压的相位大约等于系统侧电压的相位。据公式（4），我们可以得出结论，当它增加时，它增加，而当它减少时，它减少。此，STATCOM输出电压的变化决定了STATCOM无功电流的变化。用神经网络定义PI参数可以显着减少定义PI参数的工作量。
经网络PI控制器由PI控制器和神经网络组成。PI控制器直接对受控对象执行闭环控制，并且神经网络通过自学习和权重调整控制器的参数，以达到最佳性能指标。里使用BP神经网络，输入层有3个节点，分别是控制电流，实际输出电流和两者之差，输出层是2个节点，即-说比例系数和积分系数，隐藏层定义在5.节点上。样，由于神经网络的训练和训练，可以调节PI控制器参数，如图4所示。此，我们可以知道STATCOM输出电压的幅度与和的大小有关。总和由轴d的第二级PI控制器和轴q的PI控制器获得。以看出，d轴第二级PI控制器的参数调整和q轴PI控制器的参数调整可以在有功电压信号和无功电压信号的调整中发挥作用。此，调整STATCOM输出电压的目的是由输出电压决定STATCOM发送的无功电流的大小。系统负载电流恒定时，负载侧无功电流的变化可以反映为负载功率因数的变化，即负载中无功电流越高，功率因数很小，反之亦然。此，当功率因数变化很大时，可以使用轴d的第二级PI控制器和轴q的PI控制器的不同参数，以便STATCOM发出的无功电流跟随无功电流负载所需。定系统各组成部分的参数后，可根据负载侧功率因数对模型进行划分；对于不同的模型，可分别使用d轴的PI控制器参数和该轴的PI控制器参数。q个记者被确定。据3.1中的分析，可以看出，当负载发生变化时，可以认为实际上没有变化，并且负载的功率因数发生了很大的变化，因此可以使用负载侧的功率因数作为划分模型的基础，系统可以分为几个模型（），然后对于每个模型，第二级d神经网络PI控制器（）和神经网络PI控制器d设计了Q轴。于多模型神经网络PI控制器的直流控制图如图5所示。连接了冲击负载时，多模型控制器检测负载电流，并通过以下方法计算功率因数：等式（8）转换后的adc / dq0并选择相应的模型。个模型中d轴的第二级PI控制器和q轴PI控制器的参数并通过神经网络进行调整以获得所需的控制效果。理论上讲，模型划分得越多，对系统的控制就越精确，但是会影响系统的稳定性和控制器的计算量。此，本文定义了三个模型。了验证基于多模型神经网络PI控制器的STATCOM直流控制策略在不同冲击负载下具有良好的无功补偿能力，恒温阀芯本文将其与基于STATCOM的直流控制方法进行了比较。统的PI控制器。MATLAB / SIMULINK对STATCOM系统进行仿真，仿真电路的参数如下：系统电压，系统频率，线电感，线电阻，输出滤波器的等效电感，滤波器的等效电阻输出，等效输出滤波电容，直流侧电容器，三角波频率调制，直流侧电容器参考电压值，神经网络的PI模块通过调用MTALAB的函数S来实现。真中使用的基于传统PI控制器的直流电控制方法的PI参数使用与模型1相同的常数参数，即与Q大于0.55一致表1.图6，图7和图8显示了两种方法在冲击载荷为零时负载侧功率因数Q为0.62、0.40和0.18时的补偿效果图。0到0.2S的时间分别接通； 6/7 / 8A是没有STATCOM补偿的系统侧电压和电流，6/7 / 8B是使用传统PI控制器时的补偿效果图，而6/7 / 8C是控制器本文提出了多模型神经网络PI。时的补偿效果图。要强调的是，在图6中，传统的PI控制器和多模型神经网络PI控制器使用相同的PI参数，因此补偿效果是相同的。图6所示，当负载侧功率因数Q为0.62时，Q> 0.55，因此多模型控制器选择模型1。前，传统的PI控制器和控制器多模型神经网络PI使用相同的PI参数集，因此补偿效果相同，并且两者都可以稳定系统侧电流并使系统侧电流和电压保持半个周期同相。此，系统侧功率因数得到补偿1。负载侧功率因数为0.40和0.18时，如图7和8所示，当负载侧功率因数变化时，传统的PI控制器不再适应负载变化，尽管它在几个周期后几乎无法维持系统侧的电压和电流。
位，但周期脉冲电流的前半部分较大，电流波形较差，谐波失真率较高，无法获得理想的补偿效果。采用本文提出的多模型神经网络PI控制器之后，多模型控制器根据Q的范围选择适合各个模型的PI参数。偿后的效果是理想的，电压系统电流可以保持相同的相位。流的谐波失真率很低，并且两者都可以在半个周期内稳定系统侧电流。于STATCOM补偿了系统的功率因数，因此传统的直流PI控制方法无法有效地适应负载的变化，并且PI参数的手动调整太麻烦了。仅使用多模型技术更好地适应负载变化，而且对神经网络的训练也大大减少了PI控制器控制参数的手动调整。过仿真研究，将传统的PI控制方法与多模型神经网络的PI控制方法进行了比较，以适应负载变化，改善系统功率因数和补偿速度，并获得基于多模型神经网络PI的STATCOM。为直流控制方法的一部分，STATCOM可以将系统功率因数提高到大约1，并且可以更快地适应接入负载的变化，并具有更好的无功补偿功能。
本文转载自
恒温阀芯 https://www.wisdom-thermostats.com