CN109921669A - 一种基于神经网络和eso的pwm逆变器控制方法 - Google Patents

Abstract

本发明属于逆变器控制领域，特别涉及一种基于神经网络和ESO的PWM逆变器控制方法。本发明在传统的电压电流双闭环控制系统的基础上提出了一种将ESO和神经网络优化PID控制相结合的方法，其中ESO用来估计逆变器负载的不确定的扰动，神经网络实现了对PID参数的实时在线整定，提高抗干扰的自适应性；利用本发明获得的PWM逆变器具有更好的稳定负载侧电流和电压的能力。本发明将ESO加入电流内环的前馈控制系统中，通过扩张观测器来估计出负载端的不确定干扰，实现了对系统中的不确定的干扰的跟踪控制。本发明采用神经网络控制器与ESO(扩张状态观测器)相结合的方法。采用神经网络PID控制来提高PID控制器的自适应能力，提高系统对于不确定的干扰的跟踪控制能力。

Description

一种基于神经网络和ESO的PWM逆变器控制方法

技术领域

本发明属于逆变器控制领域，涉及一种应用于PWM逆变器控制方法，特别涉及一种基于神经网络和ESO的PWM逆变器控制方法。

背景技术

电网负荷不断增大和负荷变化多样的现状造成电网电压波动现象严重，PWM逆变器具有调频调压方便、低次谐波小、主电路结构简单等优点，因此PWM逆变器被应用于电网电压的控制开始成为人们关注的焦点。符合规定的电能的输送和并网逆变器的输出电流的控制是急需解决的问题，传统的前馈解耦控制能够在参数已知的前提下完全消除电流的耦合，但是负载随工况变化，导致不能完全解耦；所以有必要研究一种新的控制方法，进一步提高逆变器的负载端快速抑制干扰的能力，保证逆变器的稳定负载侧电流和电压的能力。

发明内容

1、所要解决的技术问题：

传统的前馈解耦控制能够在参数已知的前提下完全消除电流的耦合，但是负载随工况变化，导致不能完全解耦。

2、技术方案：

为了解决以上问题，本发明提供了一种基于神经网络和ESO的PWM逆变器控制方法，包括以下步骤：

步骤1，采用电压和电流双闭环控制结构的PWM逆变控器控制系统，电流内环采用神经网络和ESO(扩张观测器)相结合的方法，采用神经网络与PID相结合的方法用以提高PID 控制器的自适应性，采用ESO用以对逆变器的不确定干扰进行估计；

步骤2，三相电流转换到dq坐标系下的直流分量i_d和i_q分别输入到ESO中得到i_d和i_q的跟踪信号z₁、z′₁以及对i_d和i_q的扰动的估计值z₂和z′₂；

步骤3，电流内环的电流参考值与z₁、z′₁相比较的偏差e(k)、e(k)'经过神经网络优化PID控制器进行调节得到控制信号u₀和u′₀；

步骤4，z₂和z′₂分别与综合控制函数f₀(Z₁)和f₀(Z′₁)相加再与u₀和u′₀相比较得到电压量e 和e'，再经过扰动补偿因子L得到逆变器dq轴输入电压分量u_d和u_q；

步骤5，u_d和u_q一方面分别经过扰动补偿因子调节与f₀(Z₁)和f₀(Z′₁)相加作为ESO的反馈，一方面经过dq到abc的坐标变换，再经SPWM调制得到逆变器的控制信号。

所述步骤1中的PWM逆变器数学模型如下：

其中R为负载电阻，E_d，E_q为dq轴负载电压。

所述的神经网络与PID相结合的方法包括以下步骤：

Step1,首先分析一般的PID控制的控制率：

u₀(k)＝K_Pe(k)+K_is(k)+K_d△e(k)

式中K_P、K_i、K_d分别为比例、积分、微分系数，e(k)为输入信号、s(k)为e(k)经过变化之后的输入信号、△e(k)为e(k)经过1-z^-1变换之后的输入信号，误差累积如下：

误差差分如下：△e(k)＝e(k)-e(k-1)

Step2，对于复杂的系统，非线性PID可以反应偏差信号与控制量之间的非线性，有很多方法可以实现参数的非线性化，本文模拟增益参数曲线规律的方法是高斯基函数，表述如下(其中ω_p，ω_i，ω_d为神经网络权值系数):

Step3，将高斯基函数代入一般线性PID控制率，即可得到非线性PID控制率为：

为了便于分析，设S_d＝e^-e(k)△e(k)，则上式可以改写为：

u₀(k)＝ω_pS_p+ω_iS_i+ω_dS_d

Step4，Step3得到非线性PID控制率，将e(k)、s(k)、△e(k)和u₀(k)分别作为神经网络的输入和输出，以S_p,S_i,S_d作为神经元隐层激励函数，以ω_p，ω_i，ω_d作为神经网络权值，提高PID控制的自适应能力。由此构造神经网络PID控制器的模型，如图8所示。

所述ESO(扩张观测器)的控制包括以下步骤：

Step1,对于受未知外扰的不确定对象：进行分析，式中：为未知函数；ω(t)为未知干扰；u(t)为可测量量。

Step2,对受未知外扰的不确定对象构造非线性系统：

使这个以x(t)为输入的系统各状态z₁(t)，…，z_n(t)，z_n+1(t)分别跟踪被扩张x(t)，…， x^(n-1)(t)，x⁽ⁿ⁾(t)。其中g₁(z)，…，g_n(z)，g_n+1(z)为待选取非线性函数，一般选择典型的fal 函数。

Step3,对于下式：

假设系统总干扰等效作用于负载电压E_d，E_q上的扰动为d_d、d_q。d_d、d_q分别为d轴和 q轴上的干扰信号，则有：

Step3,基于上式设计ESO，对d_d、d_q进行观测补偿：

令：

则上式可以化为：这里f、u、d为代数。

对d、q轴分别设计二阶ESO如下(其中λ₁，λ₂为代数因子)：

其中：

i＝1,2,a_i为0～1常数，δ越大滤波效果越好，将观测出的扰动通过神经网络控制器来进

行快速补偿，提高对不确定干扰的自适应性。

3、有益效果：

本发明控制方法将ESO加入电流内环的前馈控制系统中，通过扩张观测器来估计出负载端的不确定干扰，实现了对系统中的不确定的干扰的跟踪控制。本发明采用神经网络控制器与ESO(扩张状态观测器)相结合的方法。采用神经网络PID控制来提高PID控制器的自适应能力，提高系统对于不确定的干扰的跟踪控制能力。

附图说明

图1为本发明控制方法的系统框图。

图2为本发明控制方法PID控制下负载侧电压波形。

图3为本发明控制方法PID控制下负载侧电流波形。

图4为本发明控制方法PID和ESO控制下负载侧电压波形图。

图5为本发明控制方法PID和ESO控制下负载侧电流波形图。

图6为本发明控制方法神经网络PID和ESO控制下的负载电压波形。

图7为本发明控制方法神经网络PID和ESO控制下的负载电流波形。

图8为神经网络PID控制器的模型。

具体实施方式

下面根据附图来对本发明进行详细说明。

如图1所示，i_d和i_q分别输入到ESO中得到i_d和i_q的跟踪信号z₁、z′₁以及对i_d和i_q的扰动的估计值z₂和z′₂；电流内环的电流参考值与z₁、z′₁相比较的偏差经过神经网络优化PI 控制器进行调节得到控制信号u₀和u′₀，z₂和z′₂分别与综合控制函数f₀(Z₁)和f₀(Z′₁)相加再与 u₀和u′₀相比较得到电压量e和e'，再经过扰动补偿因子L得到逆变器dq轴输入电压分量u_d和 u_q，u_d和u_q一方面分别经过扰动补偿因子调节与f₀(Z₁)和f₀(Z′₁)相加作为ESO的反馈，一方面经过dq到abc的坐标变换，再经SPWM调制得到逆变器的控制信号。

本发明提出的基于神经网络和ESO的PWM逆变器控制方法方在Matlab/Simulink软件中开展仿真实验，仿真分别采取如下控制策略：1，电流内环仅采用传统PI控制；2，电流内环采用PI和扩张观测器的控制；3，电流内环采用神经网络PID和扩张观测器的控制策略。

系统的仿真中所使用电路的主要参数：交流侧的电感数值为5mH；直流侧电压值为800V，实验中使用三相调压器模拟电网电压；交流侧给定电压为380V；采样频率为10kHZ；纯阻性负载为100Ω。

图2和3分别为电流内环仅采用PID控制条件下时，负载端加入扰动量时的电压和电流波形，可以看出，当电流内环仅采用PID控制时，负载侧的电压和电流受扰动的影响较大。

图3和4分别为电流内环在PID控制器的基础上，在反馈通道上加入ESO，负载加入扰动量时的负载电压和电流波形图，从图中可以看出负载侧的电压和电流较电流内环仅采用 PID控制时有很大改善，但是仍有一些抖动，可见PID控制器无法适应负载端扰动量的频繁变化。

图5和6分别为电流内环在采用神经网络PID控制器和ESO的基础上，负载端加入扰动量时的负载电压和电流波形图，可以看出负载端的电压和电流得到很大的改善，系统的稳定性和应对负载变化的自适应性得到很大的提高。

虽然本发明已以较佳实施例公开如上，但它们并不是用来限定本发明的，任何熟习此技艺者，在不脱离本发明之精神和范围内，自当可作各种变化或润饰，因此本发明的保护范围应当以本申请的权利要求保护范围所界定的为准。

Claims (4)

1.一种基于神经网络和ESO的PWM逆变器控制方法，包括以下步骤：

步骤1，采用电压和电流双闭环控制结构的PWM逆变控器控制系统，电流内环采用神经网络和ESO(扩张观测器)相结合的方法，采用神经网络与PID相结合的方法用以提高PID控制器的自适应性，采用ESO用以对逆变器的不确定干扰进行估计；

步骤2，三相电流转换到dq坐标系下的直流分量i_d和i_q分别输入到ESO中得到i_d和i_q的跟踪信号z₁、z′₁以及对i_d和i_q的扰动的估计值z₂和z′₂；

步骤3，电流内环的电流参考值与z₁、z′₁相比较的偏差e(k)、e(k)'经过神经网络优化PID控制器进行调节得到控制信号u₀和u′₀；

步骤4，z₂和z′₂分别与综合控制函数f₀(Z₁)和f₀(Z′₁)相加再与u₀和u′₀相比较得到电压量e和e'，再经过扰动补偿因子L得到逆变器dq轴输入电压分量u_d和u_q；

步骤5，u_d和u_q一方面分别经过扰动补偿因子调节与f₀(Z₁)和f₀(Z′₁)相加作为ESO的反馈，一方面经过dq到abc的坐标变换，再经SPWM调制得到逆变器的控制信号。

2.如权利要求1所述的基于神经网络和ESO的PWM逆变器控制方法，其特征在于：所述步骤1中的PWM逆变器数学模型如下：

i.

其中R为负载电阻，E_d，E_q为dq轴负载电压。

3.如权利要求1所述的基于神经网络和ESO的PWM逆变器控制方法，其特征在于：所述的神经网络与PID相结合的方法包括以下步骤：

Step1,首先分析一般的PID控制的控制率：

u₀(k)＝K_Pe(k)+K_is(k)+K_d△e(k)

式中K_P、K_i、K_d分别为比例、积分、微分系数，e(k)为输入信号、s(k)为e(k)经过变化之后的输入信号、△e(k)为e(k)经过1-z^-1变换之后的输入信号，误差累积如下：

误差差分如下：△e(k)＝e(k)-e(k-1)

Step2，对于复杂的系统，非线性PID可以反应偏差信号与控制量之间的非线性，有很多方法可以实现参数的非线性化，本文模拟增益参数曲线规律的方法是高斯基函数，表述如下(其中ω_p，ω_i，ω_d为神经网络权值系数):

Step3，将高斯基函数代入一般线性PID控制率，即可得到非线性PID控制率为：

为了便于分析，设S_d＝e^-e(k)△e(k)，则上式可以改写为：

u₀(k)＝ω_pS_p+ω_iS_i+ω_dS_d

Step4，Step3得到非线性PID控制率，将e(k)、s(k)、△e(k)和u₀(k)分别作为神经网络的输入和输出，以S_p,S_i,S_d作为神经元隐层激励函数，以ω_p，ω_i，ω_d作为神经网络权值，提高PID控制的自适应能力。由此构造神经网络PID控制器的模型。

4.如权利要求1所述的基于神经网络和ESO的PWM逆变器控制方法，其特征在于：所述ESO(扩张观测器)的控制包括以下步骤：

Step1,对于受未知外扰的不确定对象：进行分析，式中：为未知函数；ω(t)为未知干扰；u(t)为可测量量。

Step2,对受未知外扰的不确定对象构造非线性系统：

使这个以x(t)为输入的系统各状态z₁(t)，…，z_n(t)，z_n+1(t)分别跟踪被扩张x(t)，…，x^(n-1)(t)，x⁽ⁿ⁾(t)。其中g₁(z)，…，g_n(z)，g_n+1(z)为待选取非线性函数，一般选择典型的fal函数。

Step3,对于下式：

假设系统总干扰等效作用于负载电压E_d，E_q上的扰动为d_d、d_q。d_d、d_q分别为d轴和q轴上的干扰信号，则有：

Step3,基于上式设计ESO，对d_d、d_q进行观测补偿：

令：

则上式可以化为：这里f、u、d为代数。

对d、q轴分别设计二阶ESO如下(其中λ₁，λ₂为代数因子)：

其中：

i＝1,2,a_i为0～1常数，δ越大滤波效果越好，将观测出的扰动通过神经网络控制器来进行快速补偿，提高对不确定干扰的自适应性。