CN106099988A - Lcl型光伏并网逆变器自适应控制系统及控制方法 - Google Patents

Abstract

本发明公开了一种LCL型光伏并网逆变器自适应控制系统及控制方法，由LCL型光伏并网逆变器主电路和LCL型光伏并网逆变器控制电路组成；所述LCL型光伏并网逆变器主电路包括光伏并网逆变器和LCL滤波器，LCL型光伏并网逆变器控制电路包括并网电流外控制环路、电容电流反馈内控制环路，其中所述LCL滤波器包括第一电感、电容和第二电感，所述并网电流外控制环路包括PI控制器模块和DRNN神经网络模块。采用本发明技术方案，控制系统能够根据外界条件的变化，自动调整控制器参数，提高了系统鲁棒性，减少稳态误差，保证好的并网电能质量。

Description

LCL型光伏并网逆变器自适应控制系统及控制方法

技术领域

本发明涉及光伏并网逆变器控制领域，尤其是一种LCL型光伏并网逆变器自适应控制系统及控制方法。

背景技术

随着环境污染严重、能源紧缺问题的出现，能源结构发生变化，分布式可再生能源比重逐渐加大，其中光伏系统发展尤为迅速。光伏并网逆变器是连接大电网与分布式发电的枢纽，但因其含有大量非线性元件，导致谐波的出现。目前抑制谐波最常用的方法是在光伏并网逆变器出口侧放置滤波器，常用的有L型、LC型、LCL型三种。与其他两种滤波器相比，LCL型滤波器成本低、体积小、动态性能好，并且具有更好的谐波抑制性能，因此被广泛使用。

对于光伏并网逆变器，现有控制策略中PI控制器、比例谐振(PR)控制器应用最为广泛。PR调节器可有效抑制电网谐波问题，但通常会引入多个PR调节器，造成控制算法复杂，特别是当电网谐波频率接近系统截止频率时，PR调节器会导致系统相角裕度的减小，可能会造成系统不稳定。PI控制器对截止频率以下的各次谐波都有一定的抑制能力，通常与电网电压前馈控制策略相结合，实现无静差调节，确保电网稳定运行。然而，不管是PI控制器还是PR控制器都有许多不完善之处，其中最主要的问题就是控制器参数整定问题，一旦参数确认后，在整个控制过程中控制器参数固定不变，而实际过程中，由于光照强度、温度等外界条件的不断变化，且光伏并网逆变器依赖于系统的精确建模，在某种状态和环境下整定计算出的控制器参数，一旦工作环境发生变化时，这些设定好的控制器参数就不适用了，因此常规控制器很难达到最佳的控制效果，导致系统稳态误差增大，影响电网电能质量。

发明内容

本发明的目的在于提供一种LCL型光伏并网逆变器自适应控制系统及控制方法。

实现本发明目的的技术方案为：一种LCL型光伏并网逆变器自适应控制系统，其特征在于，由LCL型光伏并网逆变器主电路和LCL型光伏并网逆变器控制电路组成；

所述LCL型光伏并网逆变器主电路包括光伏并网逆变器和LCL滤波器，LCL型光伏并网逆变器控制电路包括并网电流外控制环路、电容电流反馈内控制环路，其中所述LCL滤波器包括第一电感、电容和第二电感，所述并网电流外控制环路包括PI控制器模块和DRNN神经网络模块；

所述第一电感的一端连接光伏并网逆变器的输出端，第一电感的另一端分别连接电容的正极和第二电感的一端，电容的负极接地，第二电感的另一端连接电网；

所述第二电感流过的并网电流实际值与并网电流参考值做差得到偏差信号，偏差信号输入至PI控制器模块，利用比例、积分运算获得PI控制器模块的输出信号，输出信号与第二电感流过的并网电流实际值共同作为DRNN神经网络模块的输入信号，经过DRNN神经网络自辨识后输出PI控制器参数，对PI控制器原有参数进行校正；所述PI控制器模块的输出信号加上电网电压通过电容的前馈量减去电容电流实际值运算处理后得到的差值，经过电容电流反馈内控制环路，加上电网电压通过第一电感的电网电压前馈量，进而产生SPWM波控制逆变器将直流侧电压转换为交流电压。

与现有技术相比，本发明具有以下显著优点：

(1)本发明克服了光伏逆变器传统控制器无法适应输出功率变动带来的稳态误差影响，可实现根据外界条件自动调节控制器参数。

(2)本发明的电容电流反馈内控制环路增加系统阻尼，解决LCL滤波器产生的谐振问题，可以有效的在谐振频率处改善谐振尖峰。

(3)传统PI控制器无法实现无静差控制，本发明加入电网电压前馈量可以有效的解决此问题，并减少电网电压畸变对光伏系统的影响，可得到较低的并网电流THD。

(4)本发明在并网电流外环中加入DRNN神经网络控制器，并不增加系统硬件电路成本，不改变系统传递函数，不增加系统复杂性。

附图说明

图1为本发明的LCL型光伏并网逆变器自适应控制系统框图。

图2为逆变器主电路与LCL滤波器拓扑图。

图3为本发明实施例的LCL型光伏并网逆变器控制策略图。

图4为本发明实施例的DRNN神经网络结构示意图。

具体实施方式

结合图1，本发明的一种LCL型光伏并网逆变器自适应控制系统，由LCL型光伏并网逆变器主电路1和LCL型光伏并网逆变器控制电路2组成；

所述LCL型光伏并网逆变器主电路1包括光伏并网逆变器3和LCL滤波器4，LCL型光伏并网逆变器控制电路2包括并网电流外控制环路5、电容电流反馈内控制环路6，其中所述LCL滤波器4包括第一电感L1、电容C和第二电感L2，所述并网电流外控制环路5包括PI控制器模块7和DRNN神经网络模块8；

所述第一电感L1的一端连接光伏并网逆变器3的输出端，第一电感L1的另一端分别连接电容C的正极和第二电感L2的一端，电容C的负极接地，第二电感L2的另一端连接电网；

所述第二电感L2流过的并网电流实际值与并网电流参考值做差得到偏差信号，偏差信号输入至PI控制器模块7，利用比例、积分运算获得PI控制器模块7的输出信号，输出信号与第二电感L2流过的并网电流实际值共同作为DRNN神经网络模块8的输入信号，经过DRNN神经网络自辨识后输出PI控制器参数，对PI控制器原有参数进行校正；所述PI控制器模块7的输出信号加上电网电压通过电容的前馈量减去电容电流实际值运算处理后得到的差值，经过电容电流反馈内控制环路6，加上电网电压通过第一电感L1的电网电压前馈量，进而产生SPWM波控制逆变器将直流侧电压转换为交流电压。

进一步的，所述DRNN神经网络模块8利用神经网络自辨识得到跟踪对象理想输出值，利用理想输出值与跟踪对象实际输出值的误差信号，得到跟踪对象对PI控制器模块7的灵敏度信息即雅克比矩阵，进而校正PI控制器模块7中控制器参数。

进一步的，所述电容电流反馈内控制环路6包括比例控制器，用于对输入的差值进行比例放大，得到相应的电压值。

本发明还提供一种基于所述LCL型光伏并网逆变器自适应控制系统的控制方法，包括以下步骤：

步骤1、将LCL滤波器第二电感流过的并网电流实际值与并网电流参考值做差得到偏差信号，并将偏差信号发送给PI控制器模块；

步骤2、利用比例、积分运算获得PI控制器模块的输出信号，并将输出信号发送给DRNN神经网络模块；

步骤3、DRNN神经网络进行自辨识得到PI控制器参数，对PI控制器原有参数进行校正；

步骤4、PI控制器模块的输出信号加上电网电压通过电容的前馈量减去电容电流实际值运算处理后得到的差值，经过电容电流反馈内控制环路6，加上电网电压通过第一电感L1的电网电压前馈量，进而产生SPWM波控制逆变器将直流侧电压转换为交流电压。

进一步的，所述DRNN神经网络模块7为一种回归神经网络，网络结构共有三层，分别为输入层、回归层、输出层，其辨识过程主要包括：

第一步，采样DRNN神经网络控制模块7的输入量，并进行神经网络的预处理；

第二步，输入量通过DRNN神经网络模块7辨识得到神经网络回归层的输入、输出，进而得到雅可比矩阵以及DRNN神经网络模块7的输出值；

第三步，利用雅可比矩阵、DRNN神经网络模块7的输出值校正PI控制器模块8原有参数，得到新的PI控制器模块8输出信号；

第四步，更新DRNN神经网络模块7的加权系数，重新开始第二步。

进一步的，校正PI控制器模块8控制器参数，计算方法采用梯度下降法，计算方法为：

$K_p\left(k\right)=K_p(k-1)+{\mathrm{\η}}_{p}error\left(k\right)\frac{\∂y\left(k\right)}{\∂u\left(k\right)}error\left(k\right)$

$K_i\left(k\right)=K_i(k-1)+{\mathrm{\η}}_{i1}error\left(k\right)\frac{\∂y\left(k\right)}{\∂u\left(k\right)}\underset{i=1}{\overset{k}{\Σ}}error\left(k\right)T$

式中，η_p为K_p学习速率，η_i1为K_i学习速率，T为采样时间，k为采样序号，K_p是比例增益参数，K_i是积分增益参数。

下面结合实施例来详细说明本发明。

实施例

结合图1，本发明的一种LCL型光伏并网逆变器自适应控制系统及控制方法，由LCL型光伏并网逆变器主电路1与LCL型光伏并网逆变器控制电路2组成；所述LCL型光伏并网逆变器主电路1包括光伏并网逆变器3、LCL滤波器4，其中光伏并网逆变器3的输出接LCL滤波器4的输入；所述LCL型光伏并网逆变器控制电路2包括并网电流外控制环路5、电容电流反馈内控制环路6；所述并网电流外控制环路5包括PI控制器模块7、DRNN神经网络模块8；

图2为LCL型光伏并网逆变器主电路拓扑图，所述LCL滤波器4包括LCL滤波器包括第一电感L1、电容C和第二电感L2，第一电感L1的一端连接光伏并网逆变器3的输出，第一电感L1的另一端分别连接电容C的正极和第二电感L2的一端，电容C的负极接地，第二电感L2的一端连接大电网。LCL滤波器的主要作用是对并网电流进行滤波，得到较低的总谐波畸变率，保证并网电流的电能质量。

图3为本发明实施例的LCL型光伏并网逆变器控制策略图，对电网电压U_g采用锁相环PLL技术提取并网电压相角θ，并将abc自然参考系下的第二电感L2流过的并网电流实际值i_2d和并网电流参考值i_2dref与电容C流过的电容电流实际值i_C通过Park变化转变为dq旋转坐标系下的向量，本实施例以d轴为例进行分析，第二电感L2流过的并网电流实际值i_2d与并网电流参考值i_2dref做差处理后得到偏差信号error，偏差信号error与PI控制器模块7的输入端相连，利用比例、积分运算后获得PI控制器模块7的输出信号u，输出信号u经过DRNN神经网络模块8的自辨识后输出PI控制器模块8的控制器参数K_p、K_i，对PI控制器模块8原有参数进行校正；所述PI控制器模块7的输出信号u加上电网电压U_g通过电容的前馈量减去电容电流实际值i_C运算处理后得到的差值，经过电容电流反馈内控制环路6，加上电网电压U_g通过第一电感L1的电网电压前馈量，进而产生SPWM波控制逆变器3动作。

电容电流反馈内控制环路6包括比例控制器，因为对电容电流反馈的精度要求不高，因此只采用比例控制器对其信号进行放大，主要用于解决LCL滤波器4产生的谐振，通过引入适当的状态变量反馈来抑制谐振尖峰，不需要附加无源元件，无能量损耗，更加灵活高效。

所述LCL滤波器4第二电感L2上流过的d轴的并网电流参考值i_2dref是通过瞬时无功理论计算得到的，即dq坐标轴下光伏发电系统输出的有功功率P和无功功率Q可以用并网电压的有功分量u_gd、无功分量u_gq和并网电流的有功分量i_2d、无功分量i_2q表示：

$P=\frac{3}{2}(u_{gd}{i}_{2d}+u_{gq}{i}_{2q})$

$Q=\frac{3}{2}(u_{gq}{i}_{2d}-u_{gd}{i}_{2q})$

本发明实施例中并网电流无功分量i_2q为0，保证逆变器输出无功功率为0，减少不必要的损耗。因此d轴的并网电流参考值i_2dref为：

$i_{2dref}=\frac{2P}{3u_{gd}}$

PI控制器模块7的输出信号u由比例环节、积分环节经过运算得到，运算过程为：

$u\left(t\right)=K_{p}error\left(t\right)+K_i{\∫}_0^{t}error\left(t\right)d\mathrm{\τ}$

其中，u(t)是PI控制器模块7的输出信号，t是时间变量，τ是积分变量，K_p、K_i是PI控制器模块8的两个控制参数，K_p是比例增益参数，K_i是积分增益参数；

error(t)是偏差信号，其计算公式如下：

error(t)＝i_2dref(t)-i_2d(t)

上式中，i_2dref(t)是第二电感L2上流过的并网电流参考值，i_2d(t)是第二电感L2上流过的并网电流实际值。

本发明控制系统特别之处在于在并网逆变器并网电流外控制环路5中加入DRNN神经网络控制模块8，PI控制模块7的控制器参数K_p、K_i可根据外界条件变化进行自适应校正，确保K_p、K_i为当前状态下的最优值。

图4为本发明实施例所采用的DRNN神经网络结构示意图，在控制过程中，PI控制模块7起主导作用，DRNN神经网络控制模块8起调节作用，DRNN神经网络控制模块8有两个输入量：PI控制模块7的输出信号u和第二电感L2上流过的并网电流实际值i_2d。DRNN神经网络模块8利用神经网络自辨识的功能，可以得到第二电感L2流过的并网电流理想输出值y_m，利用理想输出值y_m与第二电感L2上流过的并网电流实际值i_2d的误差信号，得到跟踪对象对PI控制器模块7的灵敏度信息即雅可比矩阵，进而校正PI控制器模块7中控制器参数。DRNN神经网络控制模块8的输入量I(k)表示为：

I(k)＝[u(k) i_2d(k)]

式中，k为采样序号。

DRNN神经网络模块8是一种回归神经网络，网络结构共有三层，输入层、回归层、输出层，DRNN神经网络较BP神经网络、RBF神经网络能更好的反应动态系统本身，因光伏并网逆变器受外界条件变化较大，为保证系统良好的动态性能，因此本发明采用DRNN神经网络，本发明实施例中输入层神经元个数q＝2，回归层神经元个数为m＝6，输出层神经元个数n＝2，其辨识过程主要包括：

步骤1)采样所述DRNN神经网络控制模块8的输入量I(k)，并进行神经网络的预处理；

步骤2)所述输入向量I(k)通过DRNN神经网络模块8辨识得到神经网络回归层的输入S_j(k)、输出X_j(k)，进而得到雅可比矩阵，以及所述DRNN神经网络模块8的输出值y_m(k)；

步骤3)利用所述雅可比矩阵、DRNN神经网络模块8的输出值y_m(k)校正PI控制器模块7原有参数，得到新的PI控制器输出信号u；

步骤4)更新DRNN神经网络模块8的加权系数，重新开始步骤2；

所述神经网络的预处理为初始化权值Wj_o、Wij、Wj_D，其中Wj_o为神经网络输出层的权值向量，Wij为神经网络输入层的权值向量，Wj_D为神经网络回归层的权值向量；

当外界环境突变，产生较大扰动时，DRNN神经网络控制模块8通过神经网络的自身加权系数Wj_o、Wij、Wj_D计算辨识出神经网络回归层的输入S_j(k)、神经网络回归层的输出X_j(k)、神经网络输出层的输出y_m(k)，计算方法分别为：

1)DRNN神经网络回归层的输入S_j(k)为：

S_j(k)＝W_joX_j(k-1)+∑[W_ijI(k)]

2)DRNN神经网络回归层的输出X_j(k)为：

X_j(k)＝f[S_j(k)]

式中，f(x)是回归层神经元的非线性映射函数，本发明实施例回归层神经元去双s函数，公式为：

$f\left(x\right)=\frac{1-e^{-x}}{1+e^{-x}}$

3)DRNN神经网络输出层的输出y_m(k)为：

y_m(k)＝∑W_joX_j(k)

所述雅可比矩阵可以通过将DRNN神经网络输出层的输出y_m(k)与第二电感L2上流过的并网电流实际值i_2d看成近似相等，利用采样得到的并网电流实际值i_2d求得用于校正PI控制器参数的雅可比矩阵，计算方法为：

$\frac{\∂i_{2d}\left(k\right)}{\∂u\left(k\right)}\≈\frac{\∂y_m\left(k\right)}{\∂u\left(k\right)}=\underset{j=1}{\overset{m}{\Σ}}{w}_{j0}\left(k\right)f^{\′}\left(S_j\right)W_{ij}^{\′}$

利用求得的所述雅可比矩阵校正PI控制器模块7控制器参数，计算方法采用梯度下降法，η_p为K_p学习速率，η_i1为K_i学习速率，T为采样时间，计算方法为：

$K_p\left(k\right)=K_p(k-1)+{\mathrm{\η}}_{p}error\left(k\right)\frac{\∂y\left(k\right)}{\∂u\left(k\right)}error\left(k\right)$

$K_i\left(k\right)=K_i(k-1)+{\mathrm{\η}}_{i1}error\left(k\right)\frac{\∂y\left(k\right)}{\∂u\left(k\right)}\underset{i=1}{\overset{k}{\Σ}}error\left(k\right)T$

所述的更新DRNN神经网络模块8的加权系数同样采样梯度下降法，为使搜索快速收敛至全局极小值，增加一个惯性项，惯性系数为定义加权系数更新误差信号为：

e_m(k)＝i_2d(k)-y_m(k)

DRNN神经网络模块7的权值系数调整增量计算方法为：

$W_{jo}\left(k\right)=W_{jo}(k-1)+{\mathrm{\η}}_o{e}_m\left(k\right)X_j\left(k\right)+\∂\[W_{jo}(k-1)-W_{jo}(k-2)\]$

$W_{ji}\left(k\right)=W_{ji}(k-1)+{\mathrm{\η}}_i{e}_m\left(k\right)W_{jo}\left(k\right)f^{\′}\left(S_j\right)I\left(k\right)+\∂\[W_{ji}(k-1)-W_{ji}(k-2)\]$

$W_{jD}\left(k\right)=W_{jD}(k-1)+{\mathrm{\η}}_D{e}_m\left(k\right)W_{jo}\left(k\right)f^{\′}\left(S_j\right)X_j(k-1)+\∂\[W_{jD}(k-1)-W_{jD}(k-2)\]$

式中，η_o、η_i和η_D分别为神经网络输出层、输入层和回归层加权系数的学习速率。

Claims (6)

1.一种LCL型光伏并网逆变器自适应控制系统，其特征在于，由LCL型光伏并网逆变器主电路(1)和LCL型光伏并网逆变器控制电路(2)组成；

所述LCL型光伏并网逆变器主电路(1)包括光伏并网逆变器(3)和LCL滤波器(4)，LCL型光伏并网逆变器控制电路(2)包括并网电流外控制环路(5)、电容电流反馈内控制环路(6)，其中所述LCL滤波器(4)包括第一电感(L1)、电容(C)和第二电感(L2)，所述并网电流外控制环路(5)包括PI控制器模块(7)和DRNN神经网络模块(8)；

所述第一电感(L1)的一端连接光伏并网逆变器(3)的输出端，第一电感(L1)的另一端分别连接电容(C)的正极和第二电感(L2)的一端，电容(C)的负极接地，第二电感(L2)的另一端连接电网；

所述第二电感(L2)流过的并网电流实际值与并网电流参考值做差得到偏差信号，偏差信号输入至PI控制器模块(7)，利用比例、积分运算获得PI控制器模块(7)的输出信号，输出信号与第二电感(L2)流过的并网电流实际值共同作为DRNN神经网络模块(8)的输入信号，经过DRNN神经网络自辨识后输出PI控制器参数，对PI控制器原有参数进行校正；所述PI控制器模块(7)的输出信号加上电网电压通过电容的前馈量减去电容电流实际值运算处理后得到的差值，经过电容电流反馈内控制环路(6)，加上电网电压通过第一电感(L1)的电网电压前馈量，进而产生SPWM波控制逆变器将直流侧电压转换为交流电压。

2.根据权利要求1所述的LCL型光伏并网逆变器自适应控制系统，其特征在于，所述DRNN神经网络模块(8)利用神经网络自辨识得到跟踪对象理想输出值，利用理想输出值与跟踪对象实际输出值的误差信号，得到跟踪对象对PI控制器模块(7)的灵敏度信息即雅克比矩阵，进而校正PI控制器模块(7)中控制器参数。

3.根据权利要求1所述的LCL型光伏并网逆变器自适应控制系统，其特征在于，所述电容电流反馈内控制环路(6)包括比例控制器，用于对输入的差值进行比例放大，得到相应的电压值。

4.一种基于权利要求1所述LCL型光伏并网逆变器自适应控制系统的控制方法，其特征在于，包括以下步骤：

步骤1、将LCL滤波器第二电感流过的并网电流实际值与并网电流参考值做差得到偏差信号，并将偏差信号发送给PI控制器模块；

步骤2、利用比例、积分运算获得PI控制器模块的输出信号，并将输出信号发送给DRNN神经网络模块；

步骤3、DRNN神经网络进行自辨识得到PI控制器参数，对PI控制器原有参数进行校正；

步骤4、PI控制器模块的输出信号加上电网电压通过电容的前馈量减去电容电流实际值运算处理后得到的差值，经过电容电流反馈内控制环路(6)，加上电网电压通过第一电感L1的电网电压前馈量，进而产生SPWM波控制逆变器将直流侧电压转换为交流电压。

5.根据权利要求4所述的LCL型光伏并网逆变器自适应控制系统的控制方法，其特征在于，所述DRNN神经网络模块(7)为一种回归神经网络，网络结构共有三层，分别为输入层、回归层、输出层，其辨识过程主要包括：

第一步，采样DRNN神经网络控制模块(7)的输入量，并进行神经网络的预处理；

第二步，输入量通过DRNN神经网络模块(7)辨识得到神经网络回归层的输入、输出，进而得到雅可比矩阵以及DRNN神经网络模块(7)的输出值；

第三步，利用雅可比矩阵、DRNN神经网络模块(7)的输出值校正PI控制器模块(8)原有参数，得到新的PI控制器模块(8)输出信号；

第四步，更新DRNN神经网络模块(7)的加权系数，重新开始第二步。

6.根据权利要求5所述的LCL型光伏并网逆变器自适应控制系统的控制方法，其特征在于，校正PI控制器模块(8)控制器参数，计算方法采用梯度下降法，计算方法为：

$K_p\left(k\right)=K_p(k-1)+{\mathrm{\η}}_{p}error\left(k\right)\frac{\∂y\left(k\right)}{\∂u\left(k\right)}error\left(k\right)$

$K_i\left(k\right)=K_i(k-1)+{\mathrm{\η}}_{i1}error\left(k\right)\frac{\∂y\left(k\right)}{\∂u\left(k\right)}\underset{i=1}{\overset{k}{\Σ}}error\left(k\right)T$

式中，η_p为K_p学习速率，η_i1为K_i学习速率，T为采样时间，k为采样序号，K_p是比例增益参数，K_i是积分增益参数。