基于人工神经网络的并联混合有源电力滤波器自适应直流母线电压控制设计

《Electronics》：Design of Parallel Hybrid Active Power Filter with Adaptive DC-Link Voltage Control Based on Artificial Neural Network

　　

在本研究中，研究人员为并联混合有源电力滤波器（PHAPF）开发了一种基于人工神经网络（ANN）的自适应直流母线电压（V_dc）控制器。所提出的控制器旨在同时确定直流母线参考电压（V_{dc_ref}）和PI控制器增益（K_i, K_p）作为工作条件的函数。ANN的训练数据来源于在MATLAB/Simulink环境中进行的仿真。使用该训练集进行的仿真表明，与固定V_{dc_ref}的PHAPF相比，自适应直流母线参考电压降低了总谐波失真（THD），并在低功率负载下降低了直流母线电压，这有可能降低开关损耗，而自适应PI增益改善了较大负载变化后的瞬态行为。因此，这两个自适应量对性能的互补方面产生影响。训练好的ANN模型用C编程语言编码，并实现在基于微控制器的控制卡上。研究人员设计并制造了一个5 kVA的PHAPF系统用于实验验证。实验结果表明，与采用恒定V_{dc_ref}的PHAPF相比，所提出的基于ANN的自适应直流母线电压控制算法实现了更低的总谐波失真（THD）。此外，在低功率工作条件下降低直流母线电压有可能降低功率开关上的电压应力并减少开关损耗。此外，尽管存在处理负载和滤波延迟，所提出的基于ANN的自适应直流母线电压控制算法表现出更好的谐波抑制性能。

**论文解读：基于人工神经网络的并联混合有源电力滤波器自适应直流母线电压控制**

**研究背景与问题**
现代电力系统中，电力电子设备（如整流器、变频器、空调等）的广泛部署导致严重的电能质量问题，尤其是谐波污染和低功率因数。早期采用的无源滤波器（PPF）成本低、结构简单，但易受系统参数变化影响，可能引发谐振。有源电力滤波器（APF）虽能克服上述缺点，但所需直流母线电压（V_dc）高于系统电压，导致初始成本与运行损耗较高。LC耦合并联混合有源电力滤波器（LC-PHAPF）结合了PPF和APF的优势，以无变压器结构、较少的无源元件和较低的V_dc要求，实现动态无功补偿和谐波抑制。然而，传统PHAPF采用固定V_dc参考值，在轻载时仍维持高电压，增大开关损耗；同时，固定PI控制器参数难以适应负载突变带来的瞬态响应。因此，需要一种自适应控制策略，能根据负载条件实时调整V_{dc_ref}和PI增益，以兼顾谐波抑制性能与能量效率。

**研究内容与意义**
研究人员提出了一种基于人工神经网络（ANN）的自适应V_dc控制器，用于三相并联混合有源电力滤波器（PHAPF）。该控制器同时输出V_{dc_ref}、K_p和K_i，作为负载电流特征的函数。通过MATLAB/Simulink仿真生成包含10,080种工况的训练数据集，经筛选后得到197个最优样本训练ANN。训练后的模型用C语言编码，部署于STM32F407微控制器，并在5 kVA实验平台上验证。该研究发表于《Electronics》。

**主要技术方法**
1. **仿真数据生成**：在MATLAB/Simulink中建立PHAPF模型，通过脚本扫描V_{dc_ref}（20–80 V，步长10 V）、非线性负载（30–90 Ω，步长20 Ω）和线性负载（20–50 Ω，步长10 Ω）的组合，共10,080种工况，记录并筛选出满足IEEE 519标准（THD<5%）且V_{dc_ref}最低的197个样本。
2. **ANN设计与训练**：采用12个隐藏层神经元（tansig激活函数）和3个输出神经元（purelin激活函数），输入为电源电流和5次谐波电流的RMS值，输出为V_{dc_ref}、K_p、K_i。训练算法为Levenberg–Marquardt（LM），数据随机划分为70%训练、15%验证、15%测试。
3. **微控制器实现**：将训练好的ANN权重、偏置和归一化系数（共78个单精度常数，312字节）以C语言编码，在STM32F407上分24次调用完成运算，不超出50 kHz控制周期。
4. **实验平台**：搭建5 kVA三相PHAPF硬件，使用7MBP50RJ120 IPM模块（1200 V/50 A）和LA100-P霍尔效应传感器，负载包括三相二极管整流器与电阻/电容组合。

**研究结果**
**2. 并联混合有源电力滤波器设计**
PHAPF由LC无源滤波器（调谐至7次谐波350 Hz，L_f=3 mH，C_f=65 μF）与三相电压源PWM逆变器串联构成，直接并联于电网。控制策略采用前馈（抑制5次谐波）和反馈（提取所有谐波）双路径，通过dq变换和高速滤波器分离谐波分量。

**3. 基于ANN的自适应直流母线电压控制算法训练数据生成与使用**
通过仿真筛选出197个最优样本，训练ANN。对比7种算法后，选取LM算法（单次最优MSE=0.001，R² max=0.673），因RBF网络虽平均R²高（0.83）但神经元数过多，超出微控制器资源。ANN输出经饱和限幅（V_{dc_ref}∈[10,100] V, K_p∈[0.02,0.1], K_i∈[10^?4,10^?3]）后加入控制环路。

**4. 仿真研究**
针对12种负载案例，比较固定V_{dc_ref}=60 V与自适应V_dc控制。仿真表明：自适应控制下，电源电流THD普遍低于固定方案（例如Case 2中THD从1.55%降至1.16%，改善约25%）；ANN可动态调整V_{dc_ref}在20–60 V之间，多数低于60 V；自适应PI增益使平均V_dc超调量从48.77%降至47.52%，平均建立时间从102.33 ms缩短至83.76 ms。与插值查找表相比，ANN在训练数据范围内性能相当，但存储更紧凑（312字节 vs 3.9 kB）且可平滑外推。

**5. 实验研究**
**5.1 使用恒定V_{dc_ref}的PHAPF实验**
在8种负载条件下，固定V_{dc_ref}=60 V、K_p=0.05、K_i=0.0004时，电源电流保持正弦，V_dc稳定在60 V，负载突变时PI控制器约150 ms恢复。电源电流THD最低为2.2%（Case 1），最高为5.3%（Case 8）。

**5.2 使用基于ANN的自适应V_dc控制器的PHAPF实验**
激活自适应算法后，V_{dc_ref}随负载自动在40–65 V间调整。例如Case 1中V_dc为42.55 V，负载突变时约180 ms达到新参考值。所有测试案例中，电源电流THD均低于5%国际标准限值，最低2.2%，且在多数案例中优于固定方案。

**5.3 恒定与自适应直流母线电压控制PHAPF实验结果的比较**
实验数据汇总显示，自适应控制下V_{dc_ref}更低（40–55 V），同时保持相同或更低的THD，预期可降低功率开关的电压应力与开关损耗。

**总结与结论**
讨论部分指出，自适应控制通过降低轻载时的V_dc，有潜力减少开关损耗，但本研究中未直接测量效率；自适应PI主要改善瞬态行为，但对稳态THD有轻微负面影响；与插值查找表相比，ANN在存储效率和可扩展性方面更具优势，尽管查表法在训练数据范围内表现略优。结论部分翻译如下：
在本研究中，研究人员开发并实验验证了一种用于PHAPF的基于ANN的自适应直流母线电压控制算法。所提出的ANN根据负载电流分量同时确定直流母线参考电压和PI控制器增益。仿真和实验测试证实，与使用固定V_{dc_ref}的PHAPF结构相比，自适应直流母线电压控制算法在大多数运行场景下产生更低的电源电流THD水平。研究人员设计并制造了一个5 kVA的PHAPF用于实验验证。实验结果表明，虽然负载电流THD高达35.6%，但所提出的自适应控制算法成功地将电源电流THD抑制在所有测试案例的5%国际标准限值以下，达到低至2.2%的值。此外，自适应算法根据负载条件动态调整直流母线电压参考值在40 V至65 V之间，允许在低功率运行条件下以较低的直流母线电压电平工作，这有望减轻功率开关上的电压应力并降低开关损耗。未来的研究将集中于针对动态瞬态状态优化ANN结构，并在高度不平衡的负载条件下测试该算法。