CN104009659A - 基于径向基神经网络的svpwm三相逆变器控制方法 - Google Patents

Abstract

本发明提出了基于径向基神经网络的SVPWM控制三相逆变器的方法，对三相逆变器的数字化控制进行分析研究，优化目标为减少三相电压逆变器输出信号的谐波成分。由于常用的反向传播神经网络存在局部最优化问题和较低的训练率，所以提出了基于径向基神经网络来生成SVPWM控制信号。径向基神经网络具有的固定的三层前馈结构，可以不需要考虑网络层的数量和网络的结构，节约了大量的训练与计算时间。同时，神经网络本身具有的自学习能力，可以提高系统的鲁棒性。

Description

基于径向基神经网络的SVPWM三相逆变器控制方法

技术领域

本发明涉及三相逆变器的数字化控制领域，尤其是涉及一种基于神经网络SVPWM(Space Vector Pulse Width Modulation)的逆变器控制方法。

背景技术

传统上，在三相逆变器中正弦脉冲宽度调制SPWM(Sinusoidal Pulse WidthModulation)发挥着重要作用，因为它提高了基波频率并将谐波移动到高频，但SPWM有直流电压利用率低的问题。空间矢量脉冲宽度调制SVPWM是优化的SPWM技术，它可以显著提高直流电压的利用率(与传统的SPWM相比，提高15.47％)，并能够显著减少逆变器输出电流的高次谐波成分。

在过去的几十年，SVPWM在不间断电源，电机驱动器和有源滤波器中具有广泛的应用。然而，SVPWM要求复杂的在线计算，限制了逆变器的开关频率。随着现代超快绝缘栅双极晶体管IGBT(Insulated Gate Bipolar Transistor)应用，要求开关频率高达50kHz，传统的基于数字信号处理器DSP(DigitalSignal Processor)并利用查找表的SVPWM方法在这个频域是失效的，基于人工神经网络ANN(Artificial Neural Network)的SVPWM正好可以接管这一频域。

基于径向基神经网络的SVPWM控制三相逆变器，具有固定的三层前馈结构，可以克服一般神经网络局部优化和训练率较低的问题。

发明内容

本发明主要是解决现有技术所存在的技术问题；提供了一种空间矢量脉冲宽度调制方法，从而优化了正弦脉冲宽度调制直流电压利用率低的问题，同时显著减少逆变器输出电流的高次谐波成分。

本发明再有一目的是解决现有技术所存在的技术问题；提供了一种基于径向基神经网络的SVPWM控制逆变器的方法，解决了逆变器开关频率受限的问题，且克服了一般神经网络局部优化和训练率较低的问题。

基于径向基神经网络的SVPWM控制三相逆变器的方法，控制所述逆变器输出电压的八个开关的状态为 ${\stackrel{\→}{S}}_i=({\mathrm{SW}}_a,{\mathrm{SW}}_b,{\mathrm{SW}}_c),i=0~7,$ i为整数；八个开关状态分别对应逆变器八个电压向量 ${\stackrel{\→}{U}}_0=\left[000\right],{\stackrel{\→}{U}}_1=\left[001\right],{\stackrel{\→}{U}}_2=\left[010\right],{\stackrel{\→}{U}}_3=\left[011\right],{\stackrel{\→}{U}}_4=\left[100\right],{\stackrel{\→}{U}}_5=\left[101\right],{\stackrel{\→}{U}}_6=\left[110\right],{\stackrel{\→}{U}}_7=\left[111\right]$ 其中和的向量长度为零，该向量将空间分割成六个扇区，具体控制步骤如下：

步骤1，一个表示三相参考电压的空间矢量电压由振幅U和相位角组成，在一个采样周期T_s内，输出电压矢量表示为: $\stackrel{\→}{U}\left(t\right)=\frac{t_0}{T_s}{\stackrel{\→}{U}}_0+\frac{t_1}{T_s}{\stackrel{\→}{U}}_1+...+\frac{t_7}{T_s}{\stackrel{\→}{U}}_7,$ 其中t₀～t₇分别是向量的导通时间，矢量被分解成

步骤2，通过计算输出的三相电压A、B、C的有效导通时间，得到所述六个扇区中各个扇区的SVPWM波形，在一个采样周期，使平均输出电压与参考电压相一致，SVPWM波形生成连续的开关电压矢量，计算出逆变器的有效占空比，得到训练RBF神经网络所需的数据，从而实现基于RBF神经网络的SVPWM开关矢量信号，用于控制三相逆变器。

进一步地，步骤2运用生成SVPWM波的开关矢量信号训练RBF神经网络。

进一步地，矢量被分解成为滞后于与超前于的邻近电压向量和零向量。

进一步地，步骤2所述计算三相输出电压A、B、C的有效导通时间具体是：

根据以下公式

$\stackrel{\→}{U}\left(t\right)=\frac{T_x}{T_s}{\stackrel{\→}{U}}_x+\frac{T_y}{T_s}{\stackrel{\→}{U}}_y+\frac{T_z}{T_s}{\stackrel{\→}{U}}_z,$ 其中是滞后于的电压矢量；是超前于的电压矢量；为零向量；T_x是向量的导通时间；T_y是向量的导通时间；T_z是向量的导通时间；T_s是采样周期；

$\left\{\begin{array}{c}{T}_x=T_s\·m\·\sin (\frac{\mathrm{\π}}{3}-\mathrm{\θ})\\ T_y=T_s\·m\·\sin \left(\mathrm{\θ}\right)\\ T_z=T_s-T_x-T_y\end{array}\right.,$ m是电压调制指数；θ是和之间的夹角；

U_d是直流电压；U参考电压模值；

$\left\{\begin{array}{c}{T}_a=(T_s-T_x-T_y)/4\\ T_b=T_a+T_x/2\\ T_c=T_b+T_y/2\end{array}\right.,$ T_a是A相的有效导通时间；T_b是B相的有效导通时间；T_c是C相的有效导通时间；

通过以上计算得到相位A、B、C的导通时间。

进一步地，所述使平均输出电压与参考电压相一致，具体步骤是：控制逆变器的六个开关的开断，得到八个基本向量，运用这八个基本向量合成任意角度和模值的参考电压；选取邻近参考电压的两个基本电压向量和零向量来合成参考电压。

所述使平均输出电压与参考电压相一致，具体步骤是：控制逆变器的六个开关的开断，得到八个基本向量，运用这八个基本向量合成任意角度和模值的参考电压；为了减少开关造成的谐波失真，选取邻近参考电压的两个基本电压向量和零向量来合成参考电压，其意义在于：参考电压在一个采样周期内所产生的积分效果与三个向量分别与在一个采样周期内各自的有效作用积分效果一致。

与现有技术相比，本发明具有如下优点和技术效果：传统三相逆变器采用三角载波与正弦调制波比较得到的脉宽作为控制信号，本专利提出的基于径向基神经网络的空间矢量脉宽调制策略，可以有效提高直流利用率，减少开关损耗，降低总谐波失真幅值，便于数字化控制等。

附图说明

图1为三相两电平PWM(Pulse-Width Modulation)逆变器示意图。

图2为传统SVPWM技术的三相空间矢量分布示意图。

图3为各个扇区的SVPWM波形。

图4为RBF神经网络结构示意图。

图5为逆变器输出线电流波形。

图6为逆变器输出线电流FFT(Fast Fourier Transform)分析结果图。

具体实施方式

下面通过实施例，并结合附图，对发明的技术方案进一步具体说明。

实施例：

本发明技术方案可通过MATLAB-SIMULINK结合神经网络网络工具箱进行仿真验证。

本发明是基于SVPWM技术，附图1为三相两电平PWM逆变器的示意图，图中U_d是直流侧电压，开关器件为绝缘栅双极型晶体管IGBT(T₁、T₃、T₅、T₂、T₄、T₆)反并联二极管(D₁、D₂、D₃、D₄、D₅、D₆)。

八个开关状态 ${\stackrel{\→}{S}}_i=({\mathrm{SW}}_a,{\mathrm{SW}}_b,{\mathrm{SW}}_c),i=0,1,...,7$ 控制逆变器的输出电压。开关状态分别对应逆变器电压向量 ${\stackrel{\→}{U}}_0=\left[000\right],...,{\stackrel{\→}{U}}_7=\left[111\right].$ 和的向量长度为零。

附图2展示了八个电压向量，向量将空间分割成六个扇区。一个表示三相参考电压的空间矢量电压由振幅U和相位角组成。

一个采样间隔T_s内，输出电压矢量表示为: $\stackrel{\→}{U}\left(t\right)=\frac{t_0}{T_s}{\stackrel{\→}{U}}_0+\frac{t_1}{T_s}{\stackrel{\→}{U}}_1+...+\frac{t_7}{T_s}{\stackrel{\→}{U}}_7.$

其中t0,t1,...,t7分别是向量的导通时间，T_s是采样周期。由此可知，矢量可以有多种方式分解成但是，为了减少开关动作的次数，并减少谐波失真，向量通常被分解为最近的两个相邻向量和零向量。

在任意扇区，使平均输出电压与参考电压相一致，生成连续的SVPWM开关电压矢量。

根据以下公式

$\left\{\begin{array}{c}{T}_x=T_s\·m\·\sin (\frac{\mathrm{\π}}{3}-\mathrm{\θ})\\ T_y=T_s\·m\·\sin \left(\mathrm{\θ}\right)\\ T_z=T_s-T_x-T_y\end{array}\right.$ m是电压调制指数；θ是和之间的夹角；T_x是向量的导通时间；T_y是向量的导通时间；T_z是向量的导通时间；T_s是采样周期；是滞后于的电压矢量；是超前于的电压矢量；为零向量；

U_d是直流电压；U参考电压模值；

$\left\{\begin{array}{c}{T}_a=(T_s-T_x-T_y)/4\\ T_b=T_a+T_x/2\\ T_c=T_b+T_y/2\end{array}\right.,$ T_a是A相的有效导通时间；T_b是B相的有效导通时间；T_c是C相的有效导通时间；

计算得到相位A、B、C的导通时间。图3是各个扇区的SVPWM波形。

图4展示了RBF神经网络固定的三层结构(输入层，隐层和输出层)。

根据

(其中d₁是的占空比，d₂是的占空比，d₀是的占空比，是滞后于的电压矢量；是超前于的电压矢量，为零向量；是给定的任意角度；m是电压调制系数)

(其中d_A-ON是输出A相电压的占空比，d_B-ON是输出B相电压的占空比，d_C-ON是输出C相电压的占空比；代表任意角度在A、B、C三相上的角度函数，是给定的任意角度；m是电压调制系数)其中(sector代表扇区；是给定的任意角度)

计算得到逆变器的有效占空比，运用该数据训练RBF神经网络。

RBF神经网络的仿真参数为：spread＝0.05(径向基函数的激活范围)；最大神经元数MN＝360。BP神经网络的仿真参数为：隐层神经元数是30。两个网络仿真的最大步数是5000，目标精度g＝1×10^-6。

逆变器的参数设置为直流电源电压U_d＝250V；采样时间T_s＝40μs；负载电阻R＝1Ω；负载电感L＝0.01H；逆变器的频率f＝50Hz。逆变器的线电流波形如图5所示。

实验证明仿真波形与理论波形相一致，对逆变器的线电流进行FFT分析,分析结果如图6所示。

根据图6所显示的结果，与一般方法对比，证明了基于RBF神经网络的SVPWM三相逆变器的控制方法可以减少线电流的谐波失真，达到了预期的目的。

Claims (5)

1.基于径向基神经网络的SVPWM控制三相逆变器的方法，其特征在于：控制所述逆变器输出电压的八个开关的状态为 ${\stackrel{\→}{S}}_i=({\mathrm{SW}}_a,{\mathrm{SW}}_b,{\mathrm{SW}}_c),i=0~7,$ i为整数；八个开关状态分别对应逆变器八个电压向量 ${\stackrel{\→}{U}}_0=\left[000\right],{\stackrel{\→}{U}}_1=\left[001\right],{\stackrel{\→}{U}}_2=\left[010\right],{\stackrel{\→}{U}}_3=\left[011\right],{\stackrel{\→}{U}}_4=\left[100\right],{\stackrel{\→}{U}}_5=\left[101\right],{\stackrel{\→}{U}}_6=\left[110\right],{\stackrel{\→}{U}}_7=\left[111\right]$ 其中和的向量长度为零，该向量将空间分割成六个扇区，具体控制步骤如下：

步骤1，一个表示三相参考电压的空间矢量电压由振幅U和相位角组成，在一个采样周期T_s内，输出电压矢量表示为: $\stackrel{\→}{U}\left(t\right)=\frac{t_0}{T_s}{\stackrel{\→}{U}}_0+\frac{t_1}{T_s}{\stackrel{\→}{U}}_1+...+\frac{t_7}{T_s}{\stackrel{\→}{U}}_7,$ 其中t₀～t₇分别是向量的导通时间，矢量被分解成

步骤2，通过计算输出的三相电压A、B、C的有效导通时间，得到所述六个扇区中各个扇区的SVPWM波形，在一个采样周期，使平均输出电压与参考电压相一致，SVPWM波形生成连续的开关电压矢量，计算出逆变器的有效占空比，得到训练RBF(Radial Basis Function)神经网络所需的数据，从而实现基于RBF神经网络的SVPWM开关矢量信号，用于控制三相逆变器。

2.根据权利要求1所述的基于径向基神经网络的SVPWM控制三相逆变器的方法，其特征在于：步骤2运用生成SVPWM波的开关矢量信号训练RBF神经网络。

3.根据权利要求1所述的基于径向基神经网络的SVPWM控制三相逆变器的方法，其特征在于矢量被分解成为滞后于与超前于的邻近电压向量和零向量。

4.根据权利要求1所述的基于径向基神经网络的SVPWM三相逆变器的控制方法，其特征在于步骤2所述计算三相输出电压A、B、C的有效导通时间具体是：

根据以下公式

$\stackrel{\→}{U}\left(t\right)=\frac{T_x}{T_s}{\stackrel{\→}{U}}_x+\frac{T_y}{T_s}{\stackrel{\→}{U}}_y+\frac{T_z}{T_s}{\stackrel{\→}{U}}_z,$ 其中是滞后于的电压矢量；是超前于的电压矢量；为零向量；是向T_x量的导通时间；T_y是向量的导通时间；T_z是向量的导通时间；T_s是采样周期；

$\left\{\begin{array}{c}{T}_x=T_s\·m\·\sin (\frac{\mathrm{\π}}{3}-\mathrm{\θ})\\ T_y=T_s\·m\·\sin \left(\mathrm{\θ}\right)\\ T_z=T_s-T_x-T_y\end{array}\right.,$ m是电压调制指数；θ是和之间的夹角；

U_d是直流电压；U参考电压模值；

$\left\{\begin{array}{c}{T}_a=(T_s-T_x-T_y)/4\\ T_b=T_a+T_x/2\\ T_c=T_b+T_y/2\end{array}\right.,$ T_a是A相的有效导通时间；T_b是B相的有效导通时间；T_c是C相的有效导通时间；

通过以上计算得到相位A、B、C的导通时间。

5.根据权利要求1所述的基于径向基神经网络的SVPWM三相逆变器的控制方法，其特征在所述使平均输出电压与参考电压相一致，具体步骤是：控制逆变器的六个开关的开断，得到八个基本向量，运用这八个基本向量合成任意角度和模值的参考电压；选取邻近参考电压的两个基本电压向量和零向量来合成参考电压。