CN109960307B

CN109960307B - 一种光伏离网逆变器mppt自抗扰控制方法

Info

Publication number: CN109960307B
Application number: CN201910156517.2A
Authority: CN
Inventors: 向小龙
Original assignee: Hunan Nuocheng Photovoltaic Energy Co ltd
Current assignee: Suining Hongxing Nuocheng Energy Co.,Ltd.
Priority date: 2019-03-01
Filing date: 2019-03-01
Publication date: 2021-06-22
Anticipated expiration: 2039-03-01
Also published as: CN109960307A

Abstract

本发明公开了一种光伏离网逆变器MPPT自抗扰控制方法，包括步骤：以电流及电压数据作为输入，建立包括输入层、隐含层和输出层的三层神经网络模型，其中输入层神经元节点数量为2个，分别与输入数据相对应，所述输出层神经元节点数量为1个；构建生成对抗网络，采用卷积函数作为判别函数，进行循环迭代，修正神经网络模型的权值、阈值；对修正后的神经网络模型进行EM迭代优化，然后采用ADRC控制方法，计算输出的控制信号。该方法具有很强的自适应、自调整能力，能很好地跟踪光伏逆变器的最大功率点。

Description

一种光伏离网逆变器MPPT自抗扰控制方法

技术领域

本发明属于电力电子技术、大数据技术与控制理论的交叉技术领域，具体涉及一种光伏离网逆变器MPPT自抗扰控制方法。

背景技术

在太阳能光伏逆变过程中，通常需要检测主回路直流电压及输出电流，计算出太阳能阵列的输出功率，并实现对最大功率点的追踪。现有的技术是检测光伏电池的输出电流电压，然后根据反馈控制的思想，利用PID控制算法对电流电压进行调节使太阳能光电板及逆变器输出达到最大功率点。但PID算法存在着诸多不足，在很多场合对最大功率点的跟踪不能达到预期的效果，比如，PID一般是等到误差发生后进行补偿控制，如果比例系数小，则反应慢，如果比例系数过大，就可能会超调。

发明内容

针对现有技术难以很好地跟踪光伏逆变器最大功率点的缺陷，本发明的目的在于提供一种以神经网络为模型、基于数据驱动及生成式对抗网络方法的光伏离网逆变器MPPT自抗扰控制方法。

为实现上述目的，本发明采用的技术方案为：

一种光伏离网逆变器MPPT自抗扰控制方法，包括步骤：

S1、以电流及电压数据作为输入，建立包括输入层、隐含层和输出层的三层神经网络模型，其中输入层的神经元节点数量为2个，与电流及电压数据相对应，所述输出层的神经元节点数量为1个；

S2、构建生成对抗网络，采用卷积函数作为判别函数，进行循环迭代，修正神经网络模型的权值、阈值；

S3、对修正后的神经网络模型进行期望最大化(EM)迭代优化，然后采用ADRC控制方法，输出控制信号。

优选的，各神经元节点的计算公式如下：

y_i＝f(k_ix_i+b_i) (1)，

其中，y_i代表神经元节点的输出，x_i代表神经元节点的输入，k_i代表神经元节点的权值，b_i代表神经元节点的阈值，f为Sigmoid函数。

更优选的，所述隐含层的神经元节点数量为10个。

优选的，EM迭代优化方法包括步骤：

S31、设Xi代表修正后的神经网络模型的两个输入和一个输出，构建Xi、输入输出联合概率密度分布z_i和分布参数θ的三元数组集合{X_i；z_i；θ}；

S32、计算z_i的后验概率Q_i(z_i)，如式(2)所示：

Q_i(z_i)＝p(z_i|X_i,θ) (2)，

式中，p为服从t分布的概率密度函数；

S33、将p的似然函数最大化，并进行如下迭代：

至相邻两次迭代结果的误差满足要求，得到参数值θ；

S34、进行时间序列建模，得到形如式(4)的解析模型：

式中，k是指模型的延迟步数；N1、N2、N3是指各个线性、非线性相的阶次；h₀指模型的常数项；a是指输出延迟的各次系数；b是指输入延迟的各次系数；u′为输入信号；C是指输入信号非线性阶次系数。

更优选的，步骤S33中，误差不超过1‰。

更优选的，采用二阶ADRC控制方法输出控制信号。

本发明一种实施方式的有益效果：

通过构建生成对抗网络并采用卷积函数作为判别函数对神经网络模型进行修正，然后进行EM迭代优化，最后利用ADRC的反馈控制结构输出控制信号，利用该控制信号对与离网逆变器电性连接的电子器件进行控制，能很好地跟踪光伏逆变器的最大功率点，与常规的PID控制方法相比，具有很强的自适应、自调整能力。

附图说明

图1是本发明一种实施方式的修正神经网络模型的流程框图。

图2是二阶ADRC控制器结构图。

具体实施方式

下面结合附图及具体实施方式对本发明进行详细的说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

本发明一种实施方式的光伏离网逆变器MPPT自抗扰控制方法，包括步骤：

步骤一：以电流及电压数据作为输入，建立包括输入层、隐含层和输出层的三层神经网络模型，其中输入层神经元节点数量为2个，与电流及电压数据相对应，输出层神经元节点数量为1个。

各神经元节点的计算公式如下：

y_i＝f(k_ix_i+b_i) (1)，

本发明对所述隐含层神经元节点数量没有特别限定，考虑到输入输出的节点数及对样函数的逼近精度，隐含层神经元节点数以10个为宜。

步骤二、构建生成对抗网络，采用卷积函数作为判别函数，进行循环迭代，修正神经网络模型的权值、阈值，如图1所示。

与传统神经网络进行权值、阈值修正的方法不同，本实施方式的权值、阈值修正通过构建生成对抗网络并采用卷积函数作为判别函数实现。图1中，数据样本为各神经元节点的输入数据，生成对抗模型预先设定各神经元节点的权值、阈值，采用卷积函数进行判别，如果判别结果符合卷积函数要求，表明各神经元节点的权值、阈值已修正，则输出模型；如果判别结果不符合要求，则进行循环迭代，修正对抗模型，直至符合卷积函数的要求为止，得到经修正的神经网络模型。

步骤三、进行EM迭代优化，然后采用ADRC控制方法，计算输出的控制信号。

本实施例中，EM迭代优化方法包括步骤：

(a)设Xi代表修正后的神经网络模型的两个输入和一个输出，构建Xi、输入输出联合概率密度分布z_i和分布参数θ的三元数组集合{X_i；z_i；θ}。

(b)根据参数的初始值或前次得到的模型参数计算出z_i的后验概率：

Q_i(z_i)＝p(z_i|X_i,θ) (2)，

式中，p为服从t分布的概率密度函数。

(c)将式(2)概率密度函数的似然函数最大化，并进行如下迭代：

控制相邻两次迭代所得结果误差不超过1‰，得到参数值θ。

(d)模型解析化：经以上步骤所得出的模型是非解析模型，需要进行解析化。本实施例采用的解析方法是进行时间序列建模，得到形如式(4)的解析模型：

解析后的模型可进行简化，然后采用如图2所示的二阶ADRC进行控制。图2中，y为控制对象的输出，u为控制量，v₀为输入，z₁，z₂为跟踪微分器的输出，w为扰动，扩张状态观测器的状态变量z3能很好地跟踪对象状态变量，b₀为对象的控制输入放大系数的粗略估计值。为使二阶ADRC能够更好地控制一般的三阶对象，可先保持扩张观测器(ESO)的所有参数不变；适当调整NLSEF中的参数。然后，将已调整好的上述参数固定，通过调整ESO中的增益来实现对不同的三阶对象的控制。利用输出的控制信号对与离网逆变器电性连接的电子器件进行控制，能很好地跟踪光伏逆变器的最大功率点，与常规的PID控制方法相比，具有很强的自适应、自调整能力。

以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。

Claims

1.一种光伏离网逆变器MPPT自抗扰控制方法，其特征在于，包括步骤：

S3、对修正后的神经网络模型进行EM迭代优化，然后采用ADRC控制方法，输出控制信号；

EM迭代优化方法包括步骤：

S32、计算z_i的后验概率Q_i(z_i)，如式(2)所示：

Q_i(z_i)＝p(z_i|X_i,θ) (2)，

式中，p为服从t分布的概率密度函数；

S33、将p的似然函数最大化，并进行如下迭代：

至相邻两次迭代结果的误差满足要求，得到参数值θ；

S34、进行时间序列建模，得到式(4)所示的解析模型：

式中，k是指模型的延迟步数，y(k)为延迟步数为k时的输出；N1、N2、N3是指各个线性、非线性相的阶次；h₀指模型的常数项；a是指输出延迟的各次系数；b是指输入延迟的各次系数；u′为输入信号；c是指输入信号非线性阶次系数。

2.根据权利要求1所述的光伏离网逆变器MPPT自抗扰控制方法，其特征在于，各神经元节点的计算公式如下：

y_i＝f(k_ix_i+b_i) (1)，

3.根据权利要求2所述的光伏离网逆变器MPPT自抗扰控制方法，其特征在于，所述隐含层的神经元节点的数量为10个。

4.根据权利要求1所述的光伏离网逆变器MPPT自抗扰控制方法，其特征在于，步骤S33中，误差不超过1‰。

5.根据权利要求1所述的光伏离网逆变器MPPT自抗扰控制方法，其特征在于，采用二阶ADRC控制方法输出控制信号。