CN109067232B - 基于递归神经网络的并网逆变器电流控制方法 - Google Patents

基于递归神经网络的并网逆变器电流控制方法 Download PDF

Info

Publication number
CN109067232B
CN109067232B CN201810878593.XA CN201810878593A CN109067232B CN 109067232 B CN109067232 B CN 109067232B CN 201810878593 A CN201810878593 A CN 201810878593A CN 109067232 B CN109067232 B CN 109067232B
Authority
CN
China
Prior art keywords
neural network
grid
connected inverter
recurrent neural
current
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810878593.XA
Other languages
English (en)
Other versions
CN109067232A (zh
Inventor
王庆义
王明阳
王雪芬
曹炳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences
Original Assignee
China University of Geosciences
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Geosciences filed Critical China University of Geosciences
Priority to CN201810878593.XA priority Critical patent/CN109067232B/zh
Publication of CN109067232A publication Critical patent/CN109067232A/zh
Application granted granted Critical
Publication of CN109067232B publication Critical patent/CN109067232B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
    • H02M7/00—Conversion of ac power input into dc power output; Conversion of dc power input into ac power output
    • H02M7/42—Conversion of dc power input into ac power output without possibility of reversal
    • H02M7/44—Conversion of dc power input into ac power output without possibility of reversal by static converters
    • H02M7/48—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode
    • H02M7/53—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode using devices of a triode or transistor type requiring continuous application of a control signal
    • H02M7/537—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode using devices of a triode or transistor type requiring continuous application of a control signal using semiconductor devices only, e.g. single switched pulse inverters
    • H02M7/539—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode using devices of a triode or transistor type requiring continuous application of a control signal using semiconductor devices only, e.g. single switched pulse inverters with automatic control of output wave form or frequency
    • H02M7/5395—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode using devices of a triode or transistor type requiring continuous application of a control signal using semiconductor devices only, e.g. single switched pulse inverters with automatic control of output wave form or frequency by pulse-width modulation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/40—Synchronising a generator for connection to a network or to another generator
    • H02J3/44—Synchronising a generator for connection to a network or to another generator with means for ensuring correct phase sequence
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Inverter Devices (AREA)

Abstract

本发明提供了基于递归神经网络的并网逆变器电流控制方法，基于递归神经网络的并网逆变器电流控制方法，采用离散域状态空间方程建立并网逆变器系统的数学模型，采用Levenberg‑Marquardt(LM)+Forward Accumulation Through Time(FATT)优化方法训练递归神经网络控制器，离线获得的权值矩阵作为神经网络初始化权值，再结合神经网络的误差反向传播方法，替换传统PI控制器来实现并网逆变器的电流控制。本发明的有益效果是：本发明提供的技术方案可以加快并网逆变器神经网络控制器的收敛速度，提高系统的动态响应能力和抗干扰能力，解决并网逆变器的非线性和参数耦合问题。

Description

基于递归神经网络的并网逆变器电流控制方法
技术领域
本发明涉及新能源智能控制领域，尤其涉及基于递归神经网络的并网逆变器电流控制方法。
背景技术
并网逆变器是分布式发电系统的重要接口，并网电流的质量是其重要指标。并网逆变器通常采用PWM技术，其输出PWM电压中存在丰富的开关谐波，为了抑制这些谐波，需要选取合适的输出滤波器。常用的输出滤波器类型为L型滤波器，其结构简单且易于控制，但滤波效果较差。在相同的滤波效果下，LCL型比L型滤波器，它们的尺寸和重量更小且并网电流的动态响应能力得到提高。
然而，LCL型滤波器是三阶系统，存在固有的谐振问题，会影响并网逆变器的稳定运行。通常有两种手段：一是增加系统阻尼的方法，二是通过合理地设计控制器来保证并网逆变器系统的稳定运行来抑制该谐振。并网电流作为并网逆变器的控制对象，它的控制方法包括直接和间接两大类。前者可有效跟踪负载电流的变化，具有易限流、良好的动态性能及高控制精度等优点；后者实现容易且成本低廉，但其不足之处突出在并网电流动态响应缓慢和易受参数变化影响方面，目前已逐步被直接电流控制所取代。
直流电流控制方法，常用的方法包括比例积分(PI)和比例谐振(PR)，谐波谐振控制、重复控制和无差拍控制在一些方面也得到了应用。这些控制方法均属于线性控制方法，其控制参数设计均基于标准状态下，控制器参数的设计过程较为复杂，且其设计依赖于系统建模的精确度。实际的并网逆变器系统具有多变量、非线性和时变等特点，目前无法得到精确的并网逆变器系统数学模型，因而这些控制器参数整定相当困难。神经网络具备自适应、自学习及泛化能力，可逼近任意非线性函数，这些特性使得其在非线性控制领域应用广泛。与以上控制方法相比，神经网络不依赖于系统的数学模型，因而加入神经网络控制的系统往往鲁棒性高、动静态性能好。将神经网络与其他控制方法相结合，是目前比较多的并网逆变器控制方式。PI控制器等线性控制器的参数一旦确定将无法更改，当系统工况或参数发生变化时，系统可能发生振荡甚至变得不稳定，进而影响并网电流的输出质量。
发明内容
为了解决上述问题，本发明提供了基于递归神经网络的并网逆变器电流控制方法，主要包括以下步骤：
S101：采集三相电网电压信号和电流信号，根据采集到的三相电网电压信号，通过Clarke变换得到αβ坐标系下的电压信号；
对αβ坐标系下的电压信号采用双广义积分器进行滤波得到正序两相电压信号；
对正序两相电压信号采用Park变换得到dq坐标系下q轴的电压信号；根据dq坐标系下q轴的电压信号通过锁相环技术得到三相电网的电压相位；
S102：根据三相电网的电压相位和采集到的三相电网电流信号，通过Clarke变换和Park变换得到dq坐标系下的电流信号，将dq坐标系下的电流信号与并网逆变系统的参考电流信号相比较，得到电流差值信号，对电流差值信号进行积分，得到积分信号；
S103：将电流差值信号和积分信号作为递归神经网络控制器的输入，得到递归神经网络控制器的输出电压值，其中递归神经网络控制器的输出所需权重由LM+FATT算法训练获得；
S104：将递归神经网络控制器的输出电压值与PWM增益相乘，得到并网逆变器系统的输出电压值，对并网逆变器系统的输出电压值作反Park变换得到αβ坐标系下的两相电压值；
S105：对αβ坐标系下的两相电压值采用SVPWM调制方法生成PWM波，PWM波作为并网逆变器系统开关管的驱动脉冲，实现对并网逆变器系统的电流控制。
进一步地，根据步骤S102变换得到的第k时刻dq坐标系下的电流信号
Figure BDA0001753912950000021
参考电流信号
Figure BDA0001753912950000022
电流差值信号
Figure BDA0001753912950000023
和积分信号
Figure BDA0001753912950000024
在步骤S103中，训练得到递归神经网络控制器输出所需权重的步骤如下：
S201：将电流差值信号
Figure BDA0001753912950000025
和积分信号
Figure BDA0001753912950000026
作为第一个矩阵输入量输入到递归神经网络控制器中的前馈神经网络，经过前馈神经网络的正向过程，得到第一个递归神经网络控制器的输出向量
Figure BDA0001753912950000031
S202：根据并网逆变器系统的离散域状态空间模型，利用迭代预测出从k+1时刻到k+N-1时刻的N-1个电流量，从而计算得到从k时刻到k+N-1时刻的N个电流量与参考电流量的差值，继而计算得到递归神经网络控制器中前馈神经网络的评价函数C的值，评价函数C的表达式如公式(1)：
Figure BDA0001753912950000033
其中
Figure BDA0001753912950000034
k为大于等于1的正整数，N为大于k的正整数；
S203：利用LM+FATT算法计算权值更新矩阵，利用权值更新矩阵沿着评价函数C减小的方向调整递归神经网络控制器中前馈神经网络的权值矩阵，得到最终的权重用
Figure BDA0001753912950000036
计算获得递归神经网络控制器的输出电压值
进一步地，在步骤S203中，沿着评价函数值减小的方向调整递归神经网络控制器中前馈神经网络的权值矩阵，具体的实施步骤如下：
S301：确定RNN结构，初始化学习速率μ为0.001，μ的增加系数βin为10，μ的减小系数βde为0.1，最大学习速率μmax为1×1010，设置最大训练次数Epochmax为200，以及最小可接受的梯度值
Figure BDA0001753912950000038
为1×10-10；
S302：用高斯分布随机函数randm初始化权值矩阵
Figure BDA0001753912950000039
S303：采用FATT算法计算评价函数C和雅克比矩阵
S304：计算梯度
Figure BDA00017539129500000311
将梯度与最小可接受的梯度
Figure BDA00017539129500000313
相比较，如果
Figure BDA00017539129500000314
退出训练程序；
S305：如果
Figure BDA00017539129500000315
采用Cholesky分解法计算权值更新矩阵根据
Figure BDA00017539129500000317
计算新的权值矩阵
Figure BDA00017539129500000318
S306：采用FATT*算法计算评价函数C*，比较C*和C的值，如果C*<C，根据
Figure BDA00017539129500000319
更新权值矩阵
Figure BDA00017539129500000320
根据μ＝μ·βde，减小学习速率μ；如果C*≥C，根据μ＝μ·βin增加学习速率μ，若μ>μmax，结束训练程序，若μ≤μmax，返回第S305步；
S307：令Epoch＝Epoch+1，返回步骤S303，直到达到最大训练次数Epochmax，结束训练程序。
进一步地，递归神经网络控制器中前馈神经网络的结构包括输入层神经元、双隐含层和神经元以及输出层神经元。
进一步地，采用并网逆变器系统的离散状态空间模型获取递归神经网络控制器中的训练样本，并网逆变器系统的离散状态空间模型的建模过程如下：
根据电路理论和坐标变换得到并网逆变器系统的连续状态空间方程，忽略电容影响，得到的简化并网逆变器系统连续域状态空间方程式如公式(2)：
Figure BDA0001753912950000041
采用零阶保持器对上式进行离散化处理，得到并网逆变器系统的离散域状态空间方程如公式(3)：
Figure BDA0001753912950000042
对公式(3)进行简化可得：
Figure BDA0001753912950000043
其中
Figure BDA0001753912950000044
表示ud(k)和uq(k)，表示vd1(k)和
Figure BDA0001753912950000046
表示vd和vq，
Figure BDA0001753912950000047
Figure BDA0001753912950000049
τ＝R/L，R＝r1+r2，L＝L1+L2，r1和L1代表逆变器侧的各电阻和电感值、r2和L2代表电网侧的各电阻和电感值，ωs和Ts分别代表三相电网的角频率和电流电压的采样频率，k为大于等于1的正整数。
本发明提供的技术方案带来的有益效果是：本发明针对并网逆变器系统具有的非线性、时变性和耦合性，为解决并网逆变器系统的非线性和参数耦合问题，提出了一种并网逆变器电流控制方法。应用LM+FATT算法对递归神经网络控制器的输出进行优化学习，提高系统的动态响应能力和抗干扰能力。与传统的PI控制方法相比，在一定范围内采样频率越低，递归神经网络矢量控制的并网电流波形质量越好。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例中基于递归神经网络的并网逆变器电流控制方法的流程图；
图2是本发明实施例中基于递归神经网络控制的三相并网逆变器系统结构控制框图的示意图；
图3是本发明实施例中并网逆变器系统简化模型的示意图；
图4是本发明实施例中递归神经网络控制器四层网络结构的示意图；
图5(a)是本发明实施例中不同采样频率下id变化曲线的示意图；
图5(b)是本发明实施例中不同采样频率下ed变化曲线的示意图；
图5(c)是本发明实施例中不同频率下最终收敛动态规划成本值曲线图的示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了基于递归神经网络的并网逆变器电流控制方法。
请参考图1，图1是本发明实施例中基于递归神经网络的并网逆变器电流控制方法的流程图，具体包括如下步骤：
S101：采集三相电网电压信号和电流信号，根据采集到的三相电网电压信号，通过Clarke变换得到αβ坐标系下的电压信号；
对αβ坐标系下的电压信号采用双广义积分器进行滤波得到正序两相电压信号；
对正序两相电压信号采用Park变换得到dq坐标系下q轴的电压信号；根据dq坐标系下q轴的电压信号通过锁相环技术得到三相电网的电压相位；
S102：根据三相电网的电压相位和采集到的三相电网电流信号，通过Clarke变换和Park变换得到dq坐标系下的电流信号，将dq坐标系下的电流信号与并网逆变器系统的参考电流信号相比较，得到电流差值信号，对电流差值信号进行积分，得到积分信号；
S103：将电流差值信号和积分信号输入到递归神经网络控制器，得到递归神经网络控制器的输出电压值，递归神经网络控制器的输出所需权重由LM+FATT算法训练得到。FATT算法用来计算LM算法权值更新矩阵表达式中
Figure BDA0001753912950000061
的雅克比矩阵
Figure BDA0001753912950000062
权值更新表达式中含有逆矩阵
Figure BDA0001753912950000063
此矩阵正定且对称，采用Cholesky因式分解法来计算权值更新矩阵
Figure BDA0001753912950000064
递归神经网络控制器中的前馈神经网络结构设计如下：
前馈神经网络的结构设计，包括输入层神经元数目、隐含层层数和神经元数目、输出层神经元数目的选取。递归神经网络控制器的输出为两个电压值
Figure BDA0001753912950000065
和
Figure BDA0001753912950000066
由此可知，神经网络的输出神经元为2个。选取dq坐标系下电流差值以及积分作为神经网络输入层的输入。根据输入与输出之间的关系复杂度，选取双隐含层结构，采用试凑法，选取最终的隐含层节点数为5个，即前馈神经网络的结构为4-5-5-2。
递归神经网络控制器的训练步骤如下：
S201：采用步骤S102相同的方法得到第k时刻的dq坐标系下的电流信号
Figure BDA0001753912950000069
将
Figure BDA00017539129500000610
和电流的给定参考信号
Figure BDA00017539129500000611
比较，计算第k时刻的电流差值信号
Figure BDA00017539129500000612
对电流差值信号进行积分得到积分信号
Figure BDA00017539129500000613
其中
Figure BDA00017539129500000614
表示id(k)和iq(k)，
Figure BDA00017539129500000615
表示idref(k)和iqref(k)，
Figure BDA00017539129500000616
表示ed(k)和eq(k)，
Figure BDA00017539129500000617
表示sd(k)和sq(k)。
S202：将电流差值信号
Figure BDA00017539129500000618
和积分信号
Figure BDA00017539129500000619
作为第一个矩阵输入量输入到递归神经网络控制器中的前馈神经网络，经过前馈神经网络的正向过程，得到第一个递归神经网络控制器的输出向量
Figure BDA0001753912950000071
S203：根据并网逆变器系统的离散域状态空间模型，利用迭代预测出从k+1时刻到k+N-1时刻的N-1个电流量，从而计算得到从k时刻到k+N-1时刻的N个电流量与参考电流量的差值，继而计算得到递归神经网络控制器中前馈神经网络的评价函数C的值，评价函数C的表达式如公式(1)：
其中
Figure BDA0001753912950000074
k为大于等于1的正整数，N为大于k的正整数；
S204：沿着评价函数C减小的方向调整神经网络的权值矩阵，得到最终的权重
Figure BDA0001753912950000075
用
Figure BDA0001753912950000076
计算获得递归神经网络控制器的电压输出值
Figure BDA0001753912950000077
沿着评价函数值减小的方向调整递归神经网络控制器中前馈神经网络的权值矩阵，具体的实施步骤如下：
S301：确定RNN结构，初始化学习速率μ为0.001，μ的增加系数βin为10，μ的减小系数βde为0.1，最大学习速率μmax为1×1010，设置最大训练次数Epochmax为200，以及最小可接受的梯度值
Figure BDA0001753912950000078
为1×10-10；
S302：用高斯分布随机函数randm初始化权值矩阵
Figure BDA0001753912950000079
S303：采用FATT算法计算评价函数C和雅克比矩阵
S304：计算梯度
Figure BDA00017539129500000711
将梯度
Figure BDA00017539129500000712
与最小可接受的梯度
Figure BDA00017539129500000713
相比较，如果
Figure BDA00017539129500000714
退出训练程序；
S305：如果
Figure BDA00017539129500000715
采用Cholesky分解法计算权值更新矩阵根据
Figure BDA00017539129500000717
计算新的权值矩阵
Figure BDA00017539129500000718
S306：采用FATT*算法计算评价函数C*，比较C*和C的值，如果C*<C，根据
Figure BDA00017539129500000719
更新权值矩阵
Figure BDA00017539129500000720
根据μ＝μ·βde，减小学习速率μ；如果C*≥C，根据μ＝μ·βin增加学习速率μ，若μ>μmax，结束训练程序，若μ≤μmax，返回第S305步；
S307：令Epoch＝Epoch+1，返回步骤S303，直到达到最大训练次数Epochmax，结束训练程序。
采用并网逆变器系统的离散状态空间模型获取递归神经网络控制器中前馈神经网络的训练样本，并网逆变器系统的离散域状态空间模型建模过程如下：
在三相电网是平衡且对称的情况下，根据电路理论和坐标变换得到并网逆变器系统的连续状态空间方程，忽略电容影响，得到的简化系统连续域状态空间方程式如公式(2)所示：
Figure BDA0001753912950000081
公式(2)中，R＝r1+r2，L＝L1+L2。r1和L1代表逆变器侧的电阻和电感值、r2和L2代表网侧的电阻和电感值。采用零阶保持器对上式进行离散化处理，得到系统的离散域状态空间方程如公式(3)所示：
Figure BDA0001753912950000082
对上式进行简化可得：
Figure BDA0001753912950000083
其中
Figure BDA0001753912950000084
Figure BDA0001753912950000085
表示ud(k)和uq(k)，
Figure BDA0001753912950000086
表示vd1(k)和vq1(k)，
Figure BDA0001753912950000087
表示vd和vq，离散状态转移矩阵F和G如公式(4)：
Figure BDA0001753912950000088
公式(4)中，
Figure BDA0001753912950000089
Figure BDA00017539129500000810
τ＝R/L，ωs和Ts分别代表三相电网的角频率和电流电压的采样频率。
S104：将递归神经网络的输出电压值与PWM增益相乘，得到并网逆变器的输出电压值，对并网逆变器的输出电压值作反Park变换得到αβ坐标系下的两相电压值，
S105：对αβ坐标系下的两相电压值采用SVPWM调制方法生成PWM波，PWM波作为并网逆变器系统开关管的驱动脉冲，实现并网逆变器系统的电流控制。
请参见图5，图5是本发明实施例中不同频率下最终收敛动态规划成本值曲线图的示意图。采用不同的采样频率来离线训练神经网络，得到的反馈电流值id和反馈电流值与给定电流值(47A)的差值ed的曲线图如图5(b)所示，不同采样频率下的动态规划成本值的收敛值趋势图如图5(c)所示。可以看出，在一定范围内采样频率越低，递归神经网络矢量控制的并网电流波形质量越好。
本发明的有益效果是：本发明针对并网逆变器系统具有的非线性、时变性和耦合性，为解决并网逆变器系统的非线性和参数耦合问题，提出了基于递归神经网络控制器的并网逆变器电流控制方法。应用LM+FATT算法对递归神经网络控制器的输出进行优化学习，提高系统的动态响应能力和抗干扰能力。与传统的PI控制方法相比，在一定范围内采样频率越低，递归神经网络矢量控制的并网电流波形质量越好。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.基于递归神经网络的并网逆变器电流控制方法，其特征在于：包括以下步骤：
S101：采集三相电网电压信号和电流信号，根据采集到的三相电网电压信号，通过Clarke变换得到αβ坐标系下的电压信号；
对αβ坐标系下的电压信号采用双广义积分器进行滤波得到正序两相电压信号；
对正序两相电压信号采用Park变换得到dq坐标系下q轴的电压信号；根据dq坐标系下q轴的电压信号通过锁相环技术得到三相电网的电压相位；
S102：根据三相电网电压相位和采集到的三相电网电流信号，通过Clarke变换和Park变换得到dq坐标系下的电流信号，将dq坐标系下的电流信号与并网逆变器系统的参考电流信号相比较，得到电流差值信号，对电流差值信号进行积分，得到积分信号；
S103：将电流差值信号和积分信号作为递归神经网络控制器的输入，得到递归神经网络控制器的输出电压值，其中递归神经网络控制器的输出所需权重由LM+FATT算法训练获得；
S104：将递归神经网络控制器的输出电压值与PWM增益相乘，得到并网逆变器系统的输出电压值，对并网逆变器系统的输出电压值作反Park变换得到αβ坐标系下的两相电压值；
S105：对αβ坐标系下的两相电压值采用SVPWM调制方法生成PWM波，PWM波作为并网逆变器系统开关管的驱动脉冲，实现对并网逆变器系统的电流控制；
根据步骤S102变换得到的第k时刻dq坐标系下的电流信号
Figure FDA0002299531940000011
参考电流信号
Figure FDA0002299531940000012
电流差值信号
Figure FDA0002299531940000013
和积分信号
Figure FDA0002299531940000014
在步骤S103中，训练得到递归神经网络控制器输出所需权重的步骤如下：
S201：将电流差值信号和积分信号
Figure FDA0002299531940000016
作为第一个矩阵输入量输入到递归神经网络控制器中的前馈神经网络，经过前馈神经网络的正向过程，得到第一个递归神经网络控制器的输出向量
Figure FDA0002299531940000017
其中，电流信号
Figure FDA0002299531940000018
参考电流信号
Figure FDA0002299531940000019
分别代表：id(k)和iq(k)、idref(k)和iqref(k)；
S202：根据并网逆变器系统的离散域状态空间模型，利用
Figure FDA0002299531940000021
迭代预测出从k+1时刻到k+N-1时刻的N-1个电流量，从而计算得到从k时刻到k+N-1时刻的N个电流量与参考电流量的差值，继而计算得到递归神经网络控制器中前馈神经网络的评价函数C的值，评价函数C的表达式如公式(1)：
Figure FDA0002299531940000022
其中
Figure FDA0002299531940000023
k为大于等于1的正整数，N为大于k的正整数；
S203：利用LM+FATT算法计算权值更新矩阵，利用权值更新矩阵沿着评价函数C减小的方向调整递归神经网络控制器中前馈神经网络的权值矩阵，得到最终的权重
Figure FDA0002299531940000024
用
Figure FDA0002299531940000025
计算获得递归神经网络控制器的输出电压值
在步骤S201中，递归神经网络控制器中前馈神经网络的结构包括输入层神经元、双隐含层神经元以及输出层神经元；
递归神经网络控制器的输出为两个电压值
Figure FDA0002299531940000027
和
Figure FDA0002299531940000028
由此可知，神经网络的输出神经元为2个，选取dq坐标系下电流差值
Figure FDA0002299531940000029
以及积分
Figure FDA00022995319400000210
作为神经网络输入层的输入，根据输入与输出之间的关系复杂度，选取双隐含层结构，采用试凑法，选取最终的隐含层节点数为5个，即前馈神经网络的结构为4-5-5-2；
在步骤S203中，沿着评价函数值减小的方向调整递归神经网络控制器中前馈神经网络的权值矩阵，具体的实施步骤如下：
S301：确定RNN结构，初始化学习速率μ为0.001，μ的增加系数βin为10，μ的减小系数βde为0.1，最大学习速率μmax为1×1010，设置最大训练次数Epochmax为200，以及最小可接受的梯度值为1×10-10；
S302：用高斯分布随机函数randm初始化权值矩阵
Figure FDA00022995319400000212
S303：采用FATT算法计算评价函数C和雅克比矩阵
Figure FDA00022995319400000213
S304：计算梯度
Figure FDA00022995319400000214
将梯度
Figure FDA00022995319400000215
与最小可接受的梯度相比较，如果退出训练程序；
S305：如果
Figure FDA0002299531940000031
采用Cholesky分解法计算权值更新矩阵根据
Figure FDA0002299531940000033
计算新的权值矩阵
S306：采用FATT*算法计算评价函数C*，比较C*和C的值，如果C*<C，根据
Figure FDA0002299531940000035
更新权值矩阵
Figure FDA0002299531940000036
根据μ＝μ·βde，减小学习速率μ；如果C*≥C，根据μ＝μ·βin增加学习速率μ，若μ>μmax，结束训练程序，若μ≤μmax，返回第S305步；
S307：令Epoch＝Epoch+1，返回步骤S303，直到达到最大训练次数Epochmax，结束训练程序。
2.如权利要求1所述的基于递归神经网络的并网逆变器电流控制方法，其特征在于，采用并网逆变器系统的离散状态空间模型获取递归神经网络控制器中的训练样本，并网逆变器系统的离散状态空间模型的建模过程如下：
根据电路理论和坐标变换得到并网逆变器系统的连续状态空间方程，忽略电容影响，得到的简化并网逆变器系统连续域状态空间方程式如公式(2)：
采用零阶保持器对上式进行离散化处理，得到并网逆变器系统的离散域状态空间方程如公式(3)：
Figure FDA0002299531940000038
对公式(3)进行简化可得：
Figure FDA0002299531940000039
其中
Figure FDA00022995319400000310
Figure FDA00022995319400000311
表示ud(k)和uq(k)，表示vd1(k)和vq1(k)，
Figure FDA00022995319400000313
表示vd和vq，
Figure FDA00022995319400000315
Figure FDA0002299531940000041
τ＝R/L，R＝r1+r2，L＝L1+L2，r1和L1代表逆变器侧的电阻和电感值、r2和L2代表电网侧的电阻和电感值，ωs和Ts分别代表三相电网的角频率和电流电压的采样频率，k为大于等于1的正整数。
3.一种基于递归神经网络的并网逆变器电流控制系统，其特征在于，采用如权利要求1～2任一项所述的基于递归神经网络的并网逆变器电流控制方法进行并网逆变器的电流控制。
CN201810878593.XA 2018-08-03 2018-08-03 基于递归神经网络的并网逆变器电流控制方法 Active CN109067232B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810878593.XA CN109067232B (zh) 2018-08-03 2018-08-03 基于递归神经网络的并网逆变器电流控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810878593.XA CN109067232B (zh) 2018-08-03 2018-08-03 基于递归神经网络的并网逆变器电流控制方法

Publications (2)

Publication Number Publication Date
CN109067232A CN109067232A (zh) 2018-12-21
CN109067232B true CN109067232B (zh) 2020-02-14

Family

ID=64833126

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810878593.XA Active CN109067232B (zh) 2018-08-03 2018-08-03 基于递归神经网络的并网逆变器电流控制方法

Country Status (1)

Country Link
CN (1) CN109067232B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110244563B (zh) * 2019-06-18 2020-10-27 华北电力大学 一种神经网络内模控制器模型失配识别及在线更新方法
CN113629780B (zh) * 2021-08-11 2023-03-24 山东大学 微电网功率转换器控制方法、系统、存储介质及设备
CN114759815B (zh) * 2022-04-08 2024-05-03 西安石油大学 一种准z源逆变器自适应控制方法
DE102022211107A1 (de) * 2022-10-20 2024-04-25 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung eingetragener Verein Überwachung dreiphasiger periodischer elektrischer Signale unter Verwendung eines künstlichen neuronalen Netzes

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102447267A (zh) * 2011-12-15 2012-05-09 阳光电源股份有限公司 并网逆变器控制方法
CN102611143A (zh) * 2012-03-14 2012-07-25 电子科技大学 一种三相并网逆变器并网电流的控制方法
CN105958853A (zh) * 2015-12-16 2016-09-21 许昌学院 一种永磁风力发电系统的pwm并网逆变器控制方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9379546B2 (en) * 2013-06-07 2016-06-28 The Board Of Trustees Of The University Of Alabama Vector control of grid-connected power electronic converter using artificial neural networks
US10496052B2 (en) * 2015-04-10 2019-12-03 The Board Of Trustees Of The University Of Alabama Systems, methods and devices for vector control of induction machines using artificial neural networks
US10333390B2 (en) * 2015-05-08 2019-06-25 The Board Of Trustees Of The University Of Alabama Systems and methods for providing vector control of a grid connected converter with a resonant circuit grid filter

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102447267A (zh) * 2011-12-15 2012-05-09 阳光电源股份有限公司 并网逆变器控制方法
CN102611143A (zh) * 2012-03-14 2012-07-25 电子科技大学 一种三相并网逆变器并网电流的控制方法
CN105958853A (zh) * 2015-12-16 2016-09-21 许昌学院 一种永磁风力发电系统的pwm并网逆变器控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"Training Recurrent Neural Networks With the Levenberg–Marquardt Algorithm for Optimal Control of a Grid-Connected Converter;X. Fu, S. Li, M. Fairbank, D. C. Wunsch and E. Alonso;《IEEE Transactions on Neural Networks and Learning Systems》;20150930;第1901-1909页 *

Also Published As

Publication number Publication date
CN109067232A (zh) 2018-12-21

Similar Documents

Publication Publication Date Title
CN109067232B (zh) 基于递归神经网络的并网逆变器电流控制方法
Fei et al. Self-constructing fuzzy neural fractional-order sliding mode control of active power filter
WO2017177585A1 (zh) 同步旋转坐标系锁相环及其测试方法、装置
CN108306505A (zh) 一种Boost变换器的复合自适应模型预测控制方法
CN106786647A (zh) 一种三相四线制并联apf双闭环非线性复合控制方法
CN109100937B (zh) 基于双隐层回归神经网络的有源电力滤波器全局滑模控制方法
CN106300426B (zh) 基于mmc的并网逆变系统的自适应无源性pi控制方法
CN104730921A (zh) 基于终端滑模的有源电力滤波器模糊神经网络控制方法
CN107546994B (zh) 一种多电平逆变器并网系统及方法
CN113241973A (zh) S型滤波器迭代学习控制直线电机轨迹跟踪控制方法
Liu et al. Adaptive sliding mode long short-term memory fuzzy neural control for harmonic suppression
CN112953287A (zh) 一种基于变摄动扩张观测器的逆变器自适应控制方法
CN114759815B (zh) 一种准z源逆变器自适应控制方法
CN111371322A (zh) 一种基于有限时间收敛观测器的Boost型变换器控制方法及系统
CN114552678B (zh) 一种考虑恒功率负载与小信号稳定性的系统及控制方法
CN111399376B (zh) 一种t-s模糊系统的二维重复控制器设计优化方法
Tepljakov et al. Application of Newton's method to analog and digital realization of fractional-order controllers
Deng et al. Neural controller for UPS inverters based on B-spline network
CN111948946B (zh) 一种基于hji理论的鲁棒评价逆变控制系统及其设计方法
CN117192969A (zh) 一种基于神经网络的变流器控制方法
CN110518625B (zh) 一种可变学习率bp-pid控制的并网逆变器直流分量抑制方法
CN115566717B (zh) 一种基于改进型粒子群算法扰动观测器复合滑模的逆变器控制策略
CN115987086A (zh) 基于神经网络的单开关直流-直流变换器在线控制方法
CN116054560A (zh) 一种dc/dc移相全桥变换器自抗扰控制方法及系统
Olalla et al. LMI robust control of PWM converters: an output-feedback approach

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant