CN103684028B - 一种多变压器推挽型光伏逆变器 - Google Patents

Abstract

一种多变压器推挽型光伏逆变器，它包括DSP及依次连接的DC/DC变换器、DC/AC变换器和滤波器，所述DSP内设置有由DC/AC变换器的PI控制器、人工神经网络模型和前馈运算器构成的复合控制器，所述人工神经网络模型的输入端接DC/AC变换器第个采样周期时的状态变量，其输出的第个采样周期时输出电压的预测值接前馈运算器的负输入端，所述前馈运算器的正输入端接时刻的电压设定值，其输出信号与PI控制器的输出信号叠加后控制DC/AC变换器的占空比。本发明利用神经网络模型预测逆变器下一时刻的输出电压，并通过前馈运算器及时对当前时刻的占空比进行补偿，从而克服了PI控制器的滞后性，提高了逆变系统的鲁棒性。

Description

一种多变压器推挽型光伏逆变器

技术领域

本发明涉及一种适用于独立光伏发电系统的多变压器推挽型两级逆变器装置，属光伏发电技术领域。

背景技术

随着能源危机和环境污染问题日益严重，太阳能光伏发电作为清洁的绿色能源，成为世界各国关注和研究的热点。

逆变器是一种把直流电能变换为交流电能的电力电子装置，是实现独立光伏发电应用的重要组成部分。由于单块光伏电池组件输出的直流电压较低，所以需要先通过DC/DC变换器将低直流电压升压，然后再经DC/AC变换电路输出标准的交流电压。

现有的光伏逆变器多采用简单的PID控制器进行控制，存在响应速度慢、输出电能质量差的缺点，其根本原因在于PID控制器是一种线性控制器，对非线性程度较高的系统难以取得较好的控制品质。随着人们对电能质量要求的不断提高，如何进一步提高光伏发电系统的控制品质成为了一个亟待解决的问题。

此外，常见的升压DC/DC变换器可分为BOOST、CUK以及推挽、反激等类型，这些DC/DC变换器普遍存在电压、电流应力大、隔离特性差、负载能力有限、输出电压瞬态控制特性较差等缺点，有必要进行改进。

发明内容

本发明的目的在于针对现有技术之弊端，提供一种多变压器推挽型光伏逆变器，以提高光伏发电系统的控制品质，满足人们对电能质量的要求。

本发明所述问题是以下述技术方案实现的：

一种多变压器推挽型光伏逆变器，构成中包括DSP及依次连接的DC/DC变换器、DC/AC变换器和滤波器，所述DSP内设置有由DC/AC变换器的PI控制器、人工神经网络模型和前馈运算器构成的复合控制器，所述人工神经网络模型的输入端接DC/AC变换器第个采样周期时的状态变量，其输出的第个采样周期时输出电压的预测值接前馈运算器的负输入端，所述前馈运算器的正输入端接时刻的电压设定值，其输出信号与PI控制器的输出信号叠加后控制DC/AC变换器的占空比。

上述多变压器推挽型光伏逆变器，所述复合控制器的构造方法包括如下步骤：

a.建立系统等效模型

将由DC/AC变换器、滤波器和负载组成的逆变系统等效为一个四输入单输出的模型，其输入变量为第个采样周期时的直流母线电压、PI控制器输出占空比、输出电流、输出交流电压，输出变量为第个采样周期时的预测电压；

b.训练样本数据的采集

在逆变器装置平台上，通过闭环控制DC/DC变换器的占空比，得到逆变直流母线波动电压，随机给定DC/AC变换器功率管的占空比，采集对应的输出电流反馈值和输出电压反馈值，连续采集样本数据集组；

c.建立DC/AC变换器的静态人工神经网络模型

神经网络包含一个输入层、一个隐含层、一个输出层，输入层包括四个神经元，隐含层包括六个神经元并使用logsig转移函数，输出层包括一个神经元并使用purelin转移函数；利用步骤b获取的训练样本数据，采用变学习速率的误差反传算法对人工神经网络模型进行训练，确定其中的各个神经元的权系数和阈值；

d.构造前馈运算器

前馈运算器的输入信号为第+1个采样周期时电压设定值及第个采样周期时电压预测值，前馈运算器输出占空比为：

其中：为前馈控制器控制权值；

e.构造复合控制器

将PI控制器输出占空比与前馈运算器输出占空比叠加即为复合控制器的输出。

上述多变压器推挽型光伏逆变器，所述DC/DC变换器包括六个场效应管、功率驱动器、六个电阻、六个电容、三个推挽变压器、整流桥、电池电压传感器和第一信号调理电路，第一场效应管和第二场效应管的源极接光伏电池的负极，漏极分别通过第一推挽变压器的两个初级线圈与光伏电池的正极相连，栅极分别与功率驱动器的两个输出端相连，第一电阻与第一电容串接后并联在第一推挽变压器的一个初级线圈上，第二电阻与第二电容串接后并联在第一推挽变压器的另一初级线圈上；第三场效应管和第四场效应管的源极接光伏电池的负极，漏极分别通过第二推挽变压器的两个初级线圈与光伏电池的正极相连，栅极分别与功率驱动器的两个输出端相连，第三电阻与第三电容串接后并联在第二推挽变压器的一个初级线圈上，第四电阻与第四电容串接后并联在第二推挽变压器的另一初级线圈上；第五场效应管和第六场效应管的源极接光伏电池的负极，漏极分别通过第三推挽变压器的两个初级线圈与光伏电池的正极相连，栅极分别与功率驱动器的两个输出端相连，第五电阻与第五电容串接后并联在第三推挽变压器的一个初级线圈上，第六电阻与第六电容串接后并联在第三推挽变压器的另一初级线圈上；三个推挽变压器的次级线圈串联连接后接整流桥的交流输入端，所述整流桥的直流输出端接DC/AC变换器的输入端；所述功率驱动器的两个输入端分别接DSP的GPIO0和GPIO1端；所述电池电压传感器接于光伏电池两端，其输出信号经第一信号调理电路接DSP的ADCINA0端。

上述多变压器推挽型光伏逆变器，所述DC/AC变换器包括包括四个场效应管、H桥驱动芯片、输出电压传感器、输出电流传感器和两个信号调理电路，四个场效应管接成全桥电路，所述全桥电路的直流输入端接整流桥的直流输出端，其输出电压经滤波器驱动负载，所述H桥驱动芯片的四个输入端分别接DSP的不同输出端，其四个输出端分别接四个场效应管的栅极；所述输出电流传感器接在全桥电路的输出回路中，其信号输出端经第二信号调理电路接DSP的ADCINA1端口，所述输出电压传感器并接在负载上，其信号输出端经第三信号调理电路接DSP的ADCINA2端口。

上述多变压器推挽型光伏逆变器，所述滤波器包括六个电感和两个电容，六个电感接成共模-差模-共模-差模四级滤波器，第七电容和第八电容分别并接在四级滤波器的输入端和输出端。

上述多变压器推挽型光伏逆变器，所述整流桥的直流输出端设置有滤波电容。

本发明利用神经网络模型预测逆变器下一时刻的输出电压，并通过前馈运算器及时对当前时刻的占空比进行补偿，从而克服了PI控制器的滞后性，提高了逆变系统的鲁棒性。

本发明的DC/DC变换器采用多变压器推挽升压结构，不仅大大减小了单个功率管电流应力，而且还使得逆变器具有良好的功率扩展特性。

本发明的滤波器采用共模-差模-共模-差模四级滤波结构，大大改善了逆变波形的质量。

本发明在构造复合控制器时所采用的训练样本数据均来自本逆变器，充分保证了训练样本数据的有效性。

附图说明

下面结合附图对本发明作进一步说明。

图1为本发明硬件结构图；

图2为本发明所采用的滤波器原理图；

图3为本发明逆变系统对应的四输入单输出模型的等效图；

图4为逆变系统静态人工神经网络模型预测电压曲线；

图5为逆变系统静态人工神经网络预测电压误差曲线；

图6为本发明所采用控制器组成的控制系统结构原理图；

图7为本发明装置逆变波形图。

图中各标号为：DSP、数字信号处理器，LB、滤波器，U1、功率驱动器，U2、H桥驱动芯片，TL1～TL3、第一信号调理电路～第三信号调理电路，T1～T3、第一推挽变压器～第三推挽变压器，ZQ、整流桥，V1、电池电压传感器，V2、输出电压传感器，I、输出电流传感器，B、光伏电池，Z、负载，R1～R6、第一电阻～第六电阻，C1～C8、第一电容～第八电容，C9、滤波电容，Q1～Q10、第一场效应管～第十场效应管，L1～L6、第一电感～第六电感，ANN、人工神经网络模型，、前馈运算器。

文中所用各符号的意义：、第个采样周期时的直流母线电压，、第个采样周期时PI控制器输出占空比，、第个采样周期时的输出电流，、第个采样周期时的输出交流电压，、第个采样周期时的预测电压；、逆变直流母线波动电压，、输出电流反馈值，、输出电压反馈值，、前馈运算器输出占空比，、第次采样周期时电压设定值，、第+1个采样周期时电压设定值，为前馈控制器控制权值，、和的偏差值，、PI控制器比例系数，、PI控制器积分系数。

具体实施方式

下面结合附图，对优选实施例作详细说明。

图1为本发明硬件结构图，所述装置包括：DC/DC变换器、DC/AC变换器、DSP；其中DC/DC变换器包括：第一场效应管～第六场效应管Q1～Q6、功率驱动器U1、第一电阻～第六电阻R1～R6、第一电容～第六电容C1～C6、第一推挽变压器～第三推挽变压器T1～T3、整流桥ZQ、电池电压传感器V1、第一信号调理电路TL1；DC/AC变换器包括：第七场效应管～第十场效应管Q7～Q10、H桥驱动芯片U2、输出电压传感器V2、输出电流传感器I、滤波器LB、第二信号调理电路TL2、第三信号调理电路TL3。

实施例中，电路中DSP为TI公司的高性能浮点数字信号处理器TMS320F28335，为本装置提供I/O模块、ADC功能、PWM功能；光伏电池B采用英利公司生产的功率为240W的10块光伏电池板并联，其工作电压为29.5V；第一场效应管Q1、第二场效应管Q2的源极（S极）接地，漏极（D极）分别通过第一推挽变压器T1的初级线圈与光伏电池B的正极相连，栅极（G极）分别与功率驱动器U1的两个输出端相连；第三场效应管Q3、第四场效应管Q4的源极（S极）接地，漏极（D极）分别通过第二推挽变压器T2的初级线圈与光伏电池B的正极相连，栅极（G极）分别与功率驱动器U1的两个输出端相连；第五场效应管Q5、第六场效应管Q6的源极（S极）接地，漏极（D极）分别通过第三推挽变压器T3的初级线圈与光伏电池B的正极相连，栅极（G极）分别与功率驱动器U1的两个输出端相连；三个推挽变压器次级线圈串联后与整流桥ZQ的交流输入端相连；整流桥ZQ直流输出侧与滤波电容器C9并联，其正极与第七场效应管Q7、第九场效应管Q9的漏极相连，负极与第八场效应管Q8、第十场效应管Q10的源极（S极）相连；第七场效应管～第十场效应管Q7～Q10组成全桥电路，其左桥臂中心点与滤波器LB的一个输入端相连，右桥臂的中心点串联输出电流传感器I后与滤波器LB的另一个输入端相连；输出电压传感器V2与滤波器LB并联后与负载相连。

如图2所示，滤波器LB由第七电容C7、第八电容C8、第一电感～第六电感L1～L6组成，第一电感～第六电感L1～L6依次串联分别与第七电容C7、第八电容C8并联；功率驱动器U1和H桥驱动芯片U2的输入端分别与DSP的I/O口相连，本实施例中分别与DSP的GPIO0～GPIO1和GPIO2～GPIO5端口相连；三个信号调理电路TL1～TL3的输出端分别与DSP的ADC端口相连，本实施例中分别与ADCINA0～ADCINA2相连。

实施例中，三个信号调理电路TL1～TL3主要由运算放大器组成，其功能分别是完成信号的转换。滤波器LB中第七电容C7取值为0.047，第八电容C8取值为4.7,第一电感L1、第四电感L4取值为3，其余电感取值为20。三个推挽变压器T1～T3采用EE55磁芯，线径为0.75，变比为1:15。功率驱动器U1所采用的驱动芯片为MCP14E4-E/SN；H桥驱动芯片U2所采用的驱动芯片为IR2110S。输出电流传感器I为北京森社公司的CHB-25NP闭环电流霍尔传感器；电池电压传感器V1和输出电压传感器V2为北京森社公司的CHV-25P闭环电压霍尔传感器；第一场效应管～第六场效应管Q1～Q6为IR公司的生产的IRFP90N20D功率管；第七场效应管～第十场效应管Q7～Q10为飞兆半导体公司生产的FDH50N50功率管。

图3为本发明逆变系统对应的四输入单输出模型的等效图。将DC/AC变换器、滤波器LB和负载Z组成的逆变系统做四输入单输出神经网络模型等效，输入分别为第个采样周期时逆变桥直流母线电压、逆变器输出电流、输出电压和占空比。

本发明逆变系统神经网络模型构造方法采用如下步骤：

步骤1：在本发明逆变器装置平台上，进行训练样本数据的采集。其具体方法如下：通过闭环控制DC/DC变换器的占空比，得到逆变直流母线波动电压，随机给定DC/AC变换器占空比D，占空比给定信号由常数静态占空比信号D1和随机动态信号D2叠加组成，以保证充分获取模型的动静态特性，采集对应的输出电流反馈值和输出电压反馈值，连续采集样本数据集组，并将输入储存到SD卡中。本实施例中取值范围为350～450V,D1取0.2，D2随机给定后使得占空比D变化范围为0～100%,取20000。

步骤2：在步骤1的基础上，建立并训练逆变系统静态神经网络模型。本实施例中神经网络采用4-6-1结构，即包含一个输入层、一个隐含层、一个输出层。输入层包括4个神经元，隐含层包括6个神经元，输出层包括1个神经元。隐含层神经元使用logsig转移函数，输出层神经元使用purelin转移函数。利用步骤1获取的训练样本数据，采用变学习速率的误差反传算法进行训练，设定迭代终止条件为平均相对误差△E=0.01。迭代训练6876次后，满足终止条件，此时获取各个神经元的权系数和阈值。对模型进行测试，预测结果如图4、5所示。

最终隐层节点输出为：

，

逆变系统神经网络模型输出为：

，

其中：

为逆变系统神经网络模型在第个采样周期时预测电压值；

为非线性函数；

为逆变系统神经网络的输入值（=1、2、3、4），，，，；

为隐层第个神经元阈值，其中：；

为输出层神经元阈值；

为输入层和隐含层之间的连接权值；

为隐含层和输出之间的连接权值；

图6为本发明所采用控制器组成的控制系统原理图。所述控制器由PI控制器和前馈控制器构成。PI控制器中初始值取，。设定值为，其中:由控制器DSP按照正弦电网电压规律给定。其离散化调节公式为：

，

其中：

为第次采样周期时PI控制器的占空比输出值；

为第次采样周期时电压设定值和输出电压反馈值的偏差值，即：；

为PI控制器比例系数；

为PI控制器积分系数。

前馈控制器由逆变系统静态人工神经网络模型ANN和前馈运算器组成，其输入为第个采样周期时逆变桥直流母线电压，第个采样周期时逆变系统输出电压，第个采样周期时逆变系统输出电流，第个采样周期时PI控制器输出占空比。前馈运算器的离散化调节公式为：

，

其中：

为前馈控制器的输出占空比；

为第个采样周期时PI控制器输出占空比；

为第个采样周期时电压设定值；

为逆变系统神经网络模型在第个采样周期时预测电压值；

为前馈控制器控制权值，本实施例中取值为0.8；

复合控制器由PI控制器和前馈控制器组成，其个采样周期时占空比输出为：

即：，

其中：

为复合控制器第个采样周期时总输出占空比；

为第个采样周期时PI控制器输出占空比；

为第个采样周期时前馈运算器输出占空比；

利用上述离散化公式编写C语言程序并将其写入DSP芯片中，即可实现此复合控制器，图7为使用此控制器后逆变器输出的电压波形。

Claims (5)

1.一种多变压器推挽型光伏逆变器，其特征是，它包括数字信号处理器DSP及依次连接的DC/DC变换器、DC/AC变换器和滤波器LB，所述数字信号处理器DSP内设置有DC/AC变换器的由PI控制器、人工神经网络模型ANN和前馈运算器C(z)构成的复合控制器，所述人工神经网络模型ANN的输入端接DC/AC变换器第k个采样周期时的状态变量，人工神经网络模型ANN的输出V(k+1)为逆变系统神经网络模型在第k个采样周期时输出电压的预测值，并连接至前馈运算器C(z)的负输入端，所述前馈运算器C(z)的正输入端接第k+1个采样周期时的电压设定值，前馈运算器的输出信号与PI控制器的输出信号叠加后控制DC/AC变换器的占空比；

所述复合控制器的构造方法包括如下步骤：

a.建立系统等效模型

将由DC/AC变换器、滤波器LB和负载Z组成的逆变系统等效为一个四输入单输出的模型，其输入变量为第k个采样周期时的直流母线电压V_dc(k)、PI控制器输出占空比D(k)、输出电流反馈值i_f(k)和输出电压反馈值V_f(k)，输出变量为第k个采样周期时的输出电压的预测值V(k+1)；

b.训练样本数据的采集

在逆变器装置平台上，通过闭环控制DC/DC变换器的占空比，得到逆变直流母线波动电压U_dc，随机给定DC/AC变换器功率管的占空比，采集对应的输出电流反馈值i_f(k)和输出电压反馈值V_f(k)，连续采集样本数据集N组；

c.建立DC/AC变换器的静态人工神经网络模型ANN

神经网络包含一个输入层、一个隐含层、一个输出层，输入层包括四个神经元，隐含层包括六个神经元并使用logsig转移函数f(x)＝1/(1-e^-x)，输出层包括一个神经元并使用purelin转移函数y＝x；利用步骤b获取的训练样本数据，采用变学习速率的误差反传算法对人工神经网络模型ANN进行训练，确定其中的各个神经元的权系数和阈值；

d.构造前馈运算器

前馈运算器C(z)的输入信号为第k+1个采样周期时的电压设定值U(k+1)^*及第k个采样周期时输出电压的预测值V(k+1)，前馈运算器输出占空比D(k)'为：

$D{\left(k\right)}^{\′}=\frac{k1\[U{(k+1)}^{*}-V(k+1)\]}{U{(k+1)}^{*}}*D\left(k\right)$

其中：k1为前馈运算器控制权值；

e.构造复合控制器

将PI控制器输出占空比D(k)与前馈运算器输出占空比D(k)'叠加即为复合控制器的输出。

2.根据权利要求1所述的一种多变压器推挽型光伏逆变器，其特征是，所述DC/DC变换器包括六个场效应管、功率驱动器(U1)、三个推挽变压器、整流桥(ZQ)、电池电压传感器(V1)和第一信号调理电路(TL1)，第一场效应管(Q1)和第二场效应管(Q2)的源极接光伏电池(B)的负极，漏极分别通过第一推挽变压器(T1)的两个初级线圈与光伏电池(B)的正极相连，栅极分别与功率驱动器(U1)的两个输出端相连，第一电阻(R1)与第一电容(C1)串接后并联在第一推挽变压器(T1)的一个初级线圈上，第二电阻(R2)与第二电容(C2)串接后并联在第一推挽变压器(T1)的另一初级线圈上；第三场效应管(Q3)和第四场效应管(Q4)的源极接光伏电池(B)的负极，漏极分别通过第二推挽变压器(T2)的两个初级线圈与光伏电池(B)的正极相连，栅极分别与功率驱动器(U1)的两个输出端相连，第三电阻(R3)与第三电容(C3)串接后并联在第二推挽变压器(T2)的一个初级线圈上，第四电阻(R4)与第四电容(C4)串接后并联在第二推挽变压器(T2)的另一初级线圈上；第五场效应管(Q5)和第六场效应管(Q6)的源极接光伏电池(B)的负极，漏极分别通过第三推挽变压器(T3)的两个初级线圈与光伏电池(B)的正极相连，栅极分别与功率驱动器(U1)的两个输出端相连，第五电阻(R5)与第五电容(C5)串接后并联在第三推挽变压器(T3)的一个初级线圈上，第六电阻(R6)与第六电容(C6)串接后并联在第三推挽变压器(T3)的另一初级线圈上；三个推挽变压器的次级线圈串联连接后接整流桥(ZQ)的交流输入端，所述整流桥(ZQ)的直流输出端接DC/AC变换器的输入端；所述功率驱动器(U1)的两个输入端分别接DSP的GPIO0和GPIO1端；所述电池电压传感器(V1)接于光伏电池(B)两端，其输出信号经第一信号调理电路(TL1)接DSP的ADCINA0端。

3.根据权利要求2所述的一种多变压器推挽型光伏逆变器，其特征是，所述DC/AC变换器包括四个场效应管、H桥驱动芯片(U2)、输出电压传感器(V2)、输出电流传感器(I)和两个信号调理电路，四个场效应管接成全桥电路，所述全桥电路的直流输入端接整流桥(ZQ)的直流输出端，其输出电压经滤波器LB驱动负载Z，所述H桥驱动芯片(U2)的四个输入端分别接DSP的不同输出端，其四个输出端分别接四个场效应管(Q7～Q10)的栅极；所述输出电流传感器(I)接在全桥电路的输出回路中，其信号输出端经第二信号调理电路(TL2)接DSP的ADCINA1端口，所述输出电压传感器(V2)并接在负载Z上，其信号输出端经第三信号调理电路(TL3)接DSP的ADCINA2端口。

4.根据权利要求3所述的一种多变压器推挽型光伏逆变器，其特征是，所述滤波器LB包括六个电感(L1～L6)和两个电容，六个电感(L1～L6)接成共模-差模-共模-差模四级滤波器，第七电容(C7)和第八电容(C8)分别并接在四级滤波器的输入端和输出端。

5.根据权利要求4所述的一种多变压器推挽型光伏逆变器，其特征是，所述整流桥(ZQ)的直流输出端设置有滤波电容(C9)。