CN109165474B - 一种基于神经网络的逆变器重复控制设计方法 - Google Patents

一种基于神经网络的逆变器重复控制设计方法 Download PDF

Info

Publication number
CN109165474B
CN109165474B CN201811192658.1A CN201811192658A CN109165474B CN 109165474 B CN109165474 B CN 109165474B CN 201811192658 A CN201811192658 A CN 201811192658A CN 109165474 B CN109165474 B CN 109165474B
Authority
CN
China
Prior art keywords
control
inverter
identification model
neural network
model
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
CN201811192658.1A
Other languages
English (en)
Other versions
CN109165474A (zh
Inventor
王华佳
王德丽
王庆玉
张岩
赵康
张青青
张高峰
邢鲁华
麻常辉
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.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
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 State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201811192658.1A priority Critical patent/CN109165474B/zh
Publication of CN109165474A publication Critical patent/CN109165474A/zh
Application granted granted Critical
Publication of CN109165474B publication Critical patent/CN109165474B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/40—Arrangements for reducing harmonics

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Feedback Control In General (AREA)
  • Inverter Devices (AREA)

Abstract

本发明公开了一种基于神经网络的逆变器重复控制设计方法，包括步骤1：利用控制理论分析逆变器传统传递函数，选择合适的控制算法用于逆变器底层控制，使用神经网络算法对理论模型进行离线辨识，模型基本结构选用获得神经网络辨识模型起始参数；步骤2：将所获取的初始辨识模型为基准在线辨识学习，获取逆变器传统控制闭环的实际辨识模型；步骤3：利用辨识模型信息构造逆传递函数，替代重复控制补偿环节；步骤4：将辨识模型参数实时存储，每次投入装置时，导入系统学习模型的最新数据。采用本发明的方法省去了大量参数设计选择的繁琐工作，可避免参数漂移对重复控制的影响，提高了重复控制环节的稳定性与鲁棒性，可在逆变器及相关领域推广使用。

Description

一种基于神经网络的逆变器重复控制设计方法
技术领域
本发明属于电力电子领域，具体涉及一种基于神经网络的逆变器重复控制设计方法。
背景技术
电力电子逆变器为实现高频信号的精确跟踪以及高频干扰的抑制，需要使用特定的控制算法来提高控制精度，实现较为优异的控制效果。常见的控制方法有PI控制、比例谐振控制、鲁棒控制以及重复控制等，其中，基于内膜原理的重复控制，具有结构简单、稳定高效的特点，理论上可实现整数倍次谐波的无差跟踪控制，广泛应用于变频器、高速电机以及有源滤波器等领域。
重复控制利用内膜原理，其控制结构包含周期延时正反馈环节，具有发散不稳定的特性，为提高系统稳定性并实现控制算法实用化，实际中需要增加稳定以及补偿参数环节，主要包含如下：稳定系数、相角补偿、控制增益及高频抑制环节。重复控制在原有传统控制的基础上，通过调节补偿参数实现保障稳定性与控制性能的目标。在控制频率要求相对较低的情况下，传统数字离散建模方法足以满足控制精度要求，但控制对象需要输出高次谐波时，系统模型便会出现相应偏差。考虑到系统参数会随装置运行出现变化，重复控制环节的控制参数与原有系统之间出现不匹配的可能性也会增加，当参数逐渐变化超过系统稳定边界时，系统动态响应与控制精度均会受到相应影响，使得系统不能满足原有控制要求，严重情况下甚至会出现“失稳”情况，造成设备失控损坏以及人身伤害事故。因此，研究如何提高重复控制对的控制系统建模精度的免疫度，并简化其参数设计环节，成为重复控制在逆变器应用中的一大难点。
发明内容
为解决上述重复控制中存在的不足，本发明提供了一种基于神经网络的逆变器重复控制设计方法，以提高重复控制对控制系统建模精度的免疫度，并简化其参数设计环节。
为达到上述目的，本发明采用了下面的技术方案：
一种基于神经网络的逆变器重复控制设计方法，其包括以下步骤：
步骤1：利用控制理论分析逆变器传统传递函数，选择合适的控制算法用于逆变器底层控制，使用神经网络算法对理论模型进行离线辨识，模型基本结构选用获得神经网络辨识模型起始参数；
步骤2：将所获取的初始辨识模型为基准在线辨识学习，获取逆变器传统控制闭环的实际辨识模型；
步骤3：利用辨识模型信息构造逆传递函数，替代重复控制补偿环节；
步骤4：将辨识模型参数实时存储，每次投入装置时，导入系统学习模型的最新数据。
所述步骤2包括：
(1)设定控制算法投切逻辑，将重复控制环节与外环闭环切除，使得系统只投入传统控制算法；
(2)将辨识模型并联于传统控制闭环环节，当在线辨识模型与实际系统输出误差小于规定范围时，辨识模型当前学习精度以满足实际需求。
所述步骤3包括：
(1)并入利用辨识模型信息为基础，构造传统控制闭环的逆传递函数，使用逆传递函数替代重复控制中的补偿环节；
(2)引入低通滤波器提高系统的高频稳定性；
(3)并入重复控制环节与外环闭环。
本发明的有益效果：本发明给出了基于神经网络的逆变器重复控制参数设计方法，通过引入神经网络辨识与逆传递函数的思想，替代重复控制中原有的参数补偿环节，省去了大量参数设计选择的繁琐工作；同时，模型的在线辨识可以实时调节控制参数，有效的避免了参数漂移对重复控制的影响，大大提高了重复控制环节的稳定性与鲁棒性，为该算法在逆变器及相关领域使用提供了一种新的应用思路。
附图说明
以下结合附图以及具体实施方式对本发明中技术方案进行详细说明：
图1是本发明的设计流程图；
图2是本发明的逆变器电气结构图；
图3是本发明的复合控制框图；
图4是本发明的RBF逼近辨识结构框图。
具体实施方式
参照图1，本发明的具体设计步骤如下：
步骤1：利用控制理论分析逆变器传统传递函数，选择合适的控制算法用于逆变器底层控制。使用神经网络算法对理论模型进行离线辨识，模型基本结构选用获得神经网络辨识模型起始参数。
图2为所选择逆变器的结构原理图，其为电压型电流逆变器，逆变器交流侧串入阻抗器件，代表实际系统中的被控对象(电机、变压器以及电抗器等)的阻抗特性，将其结构进行简化分析，可以得到逆变器调制指令r*到实际输出u的开环传递函数Gp。
图3中，在使用传统闭环控制方法时，根据被控逆变器控制特性，选取合适的控制器Gc进行闭环控制，用于实现逆变器的底层控制闭环，此时，逆变器的闭环控制函数P。
Figure BDA0001827936010000041
假定上述闭环控制对象P的非线性输出形式为yk+1＝f(yk)+g(yk)*uk，利用神经网络对其中的非线性函数f(yk)与g(yk)进行学习辨识，得到逼近函数
Figure BDA0001827936010000045
与/>
Figure BDA0001827936010000046
得到理论逼近模型：/>
Figure BDA0001827936010000042
在实际应用过程中选用RBF神经网络进行辨识，RBF网络能够逼近任意非线性的函数。有很好的泛化能力，并且具有较快的学习速度。RBF神经网络辨识过程如下：
使用RBF神经网络进行逼近未知项
Figure BDA0001827936010000043
与/>
Figure BDA0001827936010000044
p和q为分别为2组RBF神经网络的权值向量P＝[p1,p2,…pj,…pn]T和Q＝[q1,q2,…qj,…qn]T，其结构如图4所示。
图4中，网络输入为y(k)，其中,RBF网络的径向基向量为H＝[h1,h2,…hj,…hn]T，其中，hj为高斯基函数。
Figure BDA0001827936010000051
其中，网络结点中心向量为C＝[c1,c2,…cj,…cn]T，网络基宽向量B＝[b1,b2,…bj,…bn]T。
辨识后实际输出为：
Figure BDA0001827936010000052
神经网络调整性能指标：
Figure BDA0001827936010000053
采用梯度下降法调整权值：
Figure BDA0001827936010000054
神经网络权值的调整过程：
Figure BDA0001827936010000055
其中，ηp和ηq为学习速率，α为动量因子。
待误差收敛到一定程度(误差小于ε0)，将上述更新迭代参数保存，用于在线参数辨识的起始值。
步骤2：将所获取的初始辨识模型为基准在线辨识学习，获取逆变器传统控制闭环的实际辨识模型，具体包括：(1)设定控制算法投切逻辑，将重复控制环节与外环闭环切除，使得系统只投入传统控制算法；(2)将辨识模型并联于传统控制闭环环节，当在线辨识模型与实际系统输出误差小于规定范围时，辨识模型当前学习精度以满足实际需求。
屏蔽重复控制环节和控制外环，当前系统仅使用传统控制作为参数追踪手段。与步骤1中追踪理论模型类似，对实际控制闭环进行在线辨识，此时，通过采样获取实际输出y(k)作为辨识输入参数，将RBF神经网络进行步骤1中(2)～(7)的迭代运算，即可得到实际系统的逼近模型。
考虑到采样精度以及逆变器输出纹波等问题，在辨识过程中出现的精度误差可能导致收敛出现一定困难或达不到误差设定目标。首先在保证经济型与可靠性的前提下，尽量提高装置采样精度；其次，对于收敛特性问题，可以通过改变学习速率和动量因子的手段来调节，也可以使用变学习速率手段改善收敛特性；同时，可以适当提高误差边界ε0，使系统计算结果满足辨识精度要求。
步骤3：利用辨识模型信息构造逆传递函数，替代重复控制补偿环节。具体包括：(1)并入利用辨识模型信息为基础，构造传统控制闭环的逆传递函数，使用逆传递函数替代重复控制中的补偿环节；(2)引入低通滤波器提高系统的高频稳定性；(3)并入重复控制环节与外环闭环。
步骤2在线辨识系统可以得到逼近函数
Figure BDA0001827936010000061
与/>
Figure BDA0001827936010000062
结合式(2)可知，输入u(k)与输出y(k+1)的关系也可转化如下：
Figure BDA0001827936010000063
式(8)对应于图3中的逆传递函数环节，重复控制稳定判据如下：
Figure BDA0001827936010000071
其中，Q为稳定系数，通常情况下小于1；P(Z)为补偿传统环节闭环传函；
Figure BDA0001827936010000072
为其逆传递函数环节，用于替代传统重复控制中的Zd*Kr；S(Z)为低通滤波器，用于提高高频稳定裕度。
步骤4：将辨识模型参数实时存储，每次投入装置时，导入系统学习模型的最新数据。
装置所迭代计算数据，实时存储到控制器的flash芯片，每次装置重新启动后，载入上次迭代计算的最新结果后，直接从步骤2的在线闭环辨识工作即可。
上述对本发明所提供的一种基于神经网络的逆变器重复控制设计方法进行了详细介绍，本发明应用了具体个例对本发明的原理和实施方式进行了阐述，所要说明的是，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明。其中，单就辨识算法部分，BP神经网络与迭代神经网络等相应辨识算法应视作同类，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于神经网络的逆变器重复控制设计方法，其特征在于其包括以下步骤：
步骤1：利用控制理论分析逆变器传统传递函数，选择控制算法用于逆变器底层控制，使用神经网络算法对理论模型进行离线辨识，模型基本结构选用神经网络辨识模型起始参数；
步骤2：将所获取的初始辨识模型为基准在线辨识学习，获取逆变器传统控制闭环的实际辨识模型；
步骤3：利用辨识模型信息构造逆传递函数，替代重复控制补偿环节；
步骤4：将辨识模型参数实时存储，每次投入装置时，导入系统学习模型的最新数据；
所述步骤2包括：
（1）设定控制算法投切逻辑，将重复控制环节与外环闭环切除，使得系统只投入传统控制算法；
（2）将辨识模型并联于传统控制闭环环节，当在线辨识模型与实际系统输出误差小于规定范围时，辨识模型当前学习精度以满足实际需求。
2.根据权利要求1所述的基于神经网络的逆变器重复控制设计方法，其特征在于所述步骤3包括：
（1）并入利用辨识模型信息为基础，构造传统控制闭环的逆传递函数，使用逆传递函数替代重复控制中的补偿环节；
（2）引入低通滤波器提高系统的高频稳定性；
（3）并入重复控制环节与外环闭环。
CN201811192658.1A 2018-10-13 2018-10-13 一种基于神经网络的逆变器重复控制设计方法 Active CN109165474B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811192658.1A CN109165474B (zh) 2018-10-13 2018-10-13 一种基于神经网络的逆变器重复控制设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811192658.1A CN109165474B (zh) 2018-10-13 2018-10-13 一种基于神经网络的逆变器重复控制设计方法

Publications (2)

Publication Number Publication Date
CN109165474A CN109165474A (zh) 2019-01-08
CN109165474B true CN109165474B (zh) 2023-03-24

Family

ID=64878245

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811192658.1A Active CN109165474B (zh) 2018-10-13 2018-10-13 一种基于神经网络的逆变器重复控制设计方法

Country Status (1)

Country Link
CN (1) CN109165474B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165474B (zh) * 2018-10-13 2023-03-24 国网山东省电力公司电力科学研究院 一种基于神经网络的逆变器重复控制设计方法
CN113420449B (zh) * 2021-06-28 2023-07-14 云南电网有限责任公司电力科学研究院 一种变压器高次谐波传递函数辨识方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012118668A (ja) * 2010-11-30 2012-06-21 National Institute Of Information & Communication Technology パターン分類装置の学習装置及びそのためのコンピュータプログラム
CN109165474A (zh) * 2018-10-13 2019-01-08 国网山东省电力公司电力科学研究院 一种基于神经网络的逆变器重复控制设计方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012118668A (ja) * 2010-11-30 2012-06-21 National Institute Of Information & Communication Technology パターン分類装置の学習装置及びそのためのコンピュータプログラム
CN109165474A (zh) * 2018-10-13 2019-01-08 国网山东省电力公司电力科学研究院 一种基于神经网络的逆变器重复控制设计方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SPWM逆变器复合控制策略;胡雪峰等;《电工技术学报》;20080426(第04期);全文 *
基于动态函数连接神经网络的自适应逆控制系统辨识研究;虎涛涛等;《计算机科学》;20171015(第10期);全文 *
基于支持向量机的储能逆变器电压控制策略研究;李继森等;《电力科学与工程》;20160928(第09期);全文 *
应用神经网络和重复控制的逆变器综合控制策略;胡雪峰等;《中国电机工程学报》;20090225(第06期);全文 *

Also Published As

Publication number Publication date
CN109165474A (zh) 2019-01-08

Similar Documents

Publication Publication Date Title
CN108649780B (zh) 一种考虑弱电网下逆变器稳定性的lcl滤波器参数优化方法
CN108334679B (zh) 有源电力滤波器全局滑模控制方法
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
CN109165474B (zh) 一种基于神经网络的逆变器重复控制设计方法
CN111740575B (zh) 一种基于最速下降法的逆变器模型参数自适应辨识方法
CN112448697A (zh) 一种基于量子粒子群算法的有源滤波器优化方法及系统
CN112688295B (zh) 基于电流一致性的直流微网自适应下垂控制方法
Acikgoz et al. Experimental evaluation of dynamic performance of three‐phase AC–DC PWM rectifier with PD‐type‐2 fuzzy neural network controller
CN110912110B (zh) 一种用于直流微电网的动态自适应下垂控制方法
Deng et al. Neural controller for UPS inverters based on B-spline network
CN113422533B (zh) 一种矢量角比例积分控制方法
CN104795836B (zh) 一种单相光伏并网发电检测系统及其非线性电流控制方法
CN113612418A (zh) 一种无刷直流电机基于神经网络前馈补偿的控制方法
Hou et al. Modified fuzzy neural network control using sliding mode technique for power quality improvement system with experimental verification
Bana et al. Adaptive vector control of grid-tied vsc using multilayer perceptron-recurrent neural network
CN117134354A (zh) 并联型有源滤波器基于遗传算法的重复pi控制方法及模型
CN113690944B (zh) 一种用于逆变器的预测型离散复变量谐振控制方法
CN113964837B (zh) 适用于lcl型并联有源电力滤波器的复合控制方法和系统
CN115498616A (zh) 一种柔性直流输电系统高频振荡主导环节快速识别方法
Zhang et al. Direct active damping control for grid‐connected AC/DC converter with LCL filter using augmented look‐up table
Roy et al. Nonlinear robust controller design for a grid-connected PV system using DPC approach
CN112421605A (zh) 基于无源积分的直流微电网改进下垂控制方法
Deniz et al. Experimental verification of lead-lag compensators on a twin rotor system
CN108377000A (zh) 一种基于输入/输出线性化的准z源逆变器光伏并网控制方法
CN112398358B (zh) 一种基于迭代结构参数的并网逆变器控制方法

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