CN110518625A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN110518625A
CN110518625A CN201910065601.3A CN201910065601A CN110518625A CN 110518625 A CN110518625 A CN 110518625A CN 201910065601 A CN201910065601 A CN 201910065601A CN 110518625 A CN110518625 A CN 110518625A
Authority
CN
China
Prior art keywords
component
learning rate
weight
neural network
value
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.)
Granted
Application number
CN201910065601.3A
Other languages
English (en)
Other versions
CN110518625B (zh
Inventor
龙波
黄丽君
代羽飞
廖勇
朱子林
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201910065601.3A priority Critical patent/CN110518625B/zh
Publication of CN110518625A publication Critical patent/CN110518625A/zh
Application granted granted Critical
Publication of CN110518625B publication Critical patent/CN110518625B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • 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
    • H02J3/381—Dispersed generators
    • 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
    • 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
    • H02M7/4803—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 with means for reducing DC component from AC output voltage
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Inverter Devices (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提出了一种可变学习率BP‑PID控制器的并网逆变器直流分量抑制方法，属于新能源并网控制技术领域。本发明首先在逆变器并网状态下，采集逆变器的网侧电流，接着利用滑动窗口积分法计算得到并网电流中的直流分量，将其与目标值进行比较得到直流分量偏差，根据偏差自适应调整BP‑PID的学习率，然后将神经网络控制器的输出叠加到逆变器输出的调制波上，最后将叠加后的调制波与载波进行比较得到调整后的驱动信号来控制逆变器中功率器件的导通和关断，使得并网电流中的直流分量得到有效抑制。本发明采用的方案无需依赖系统数学模型，具有收敛速度快、自学习和自我调整等优点，可在不增加系统额外硬件成本的情况下，大幅度提高并网电流的电能质量。

Description

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
技术领域
本发明涉及一种可变学习率BP-PID控制的并网逆变器直流分量抑制方法，属于新能 源并网控制技术领域。
背景技术
微电网是由分布式电源、储能装置、能量转换装置、相关负荷和监控、保护装置汇集而成的小型发配电系统，是一个能够实现自我控制、保护和管理的自治系统，可促进风能发电、光伏发电等分布式电源的大规模接入，实现多种能源形式的可靠供给。随着能源互联网的发展，在工业领域适时开展微电网建设对促进工业绿色发展具有重要意义。
但是，微电网中早期的并网逆变系统在逆变器输出与电网之间安装有工频变压器， 能够实现电压匹配和电气隔离。采用这种结构，逆变器系统的主电路和控制电路较简单， 直流侧电压较低。但是工频变压器体积大，系统成本高，整机效率低。非隔离型并网逆变 系统与工频变压器隔离型并网逆变系统相比，其经济效益和技术上具有一定优势，日益受 到人们的关注，并广泛应用于小功率场合。去掉变压器虽然提高了并网系统的整机效率， 但是分布式的能源和电网之间存在电气连接，带来直流注入问题。这些直流分量不仅对设 备本身有危害还会严重影响电网的电能质量，所以许多国家已经建立了标准，以限制直流 分量的注入电网的水平，例如低于额定输出电流的0.5％(例如IEEE标准1547-2003)。
针对并网逆变系统中的直流注入问题，国内外学者提出了一些解决方法。已提出的 解决方法可归为三类：可抑制直流分量的逆变器拓扑、检测补偿法和电容隔直法。
1.可抑制直流分量的逆变器拓扑
虽然采用半桥拓扑可以对并网逆变器并网电流中的直流分量进行消除，但是，同全 桥拓扑相比，半桥逆变器要与全桥逆变器的输出电压相等，其直流侧输入为全桥逆变器的 两倍。这样，半桥拓扑中开关器件的电压应力较大，将会导致器件开关动作相对较慢，开关损耗也会增大。
2.检测补偿法
检测补偿法即是通过硬件或者软件的方法检测逆变器输出的直流分量，将检测到的 直流分量反馈到控制器中调整参考电流以实现对并网电流的直流分量的抑制。使用硬件方 法会增加系统成本；软件检测补偿方案也存在许多缺陷，一方面系统反馈补偿的时效性较 差，控制上存在滞后性，另一方面系统直流分量的检测和计算精度不够，使得实际对直流 分量的抑制效果并不理想。
3.电容隔直法
采用虚拟电容法时，要使直流输入信号经过闭环系统后衰减为零，需要根据电流调 节器的形式推导调节器参数和电容取值需满足的关系，若关系式不易满足，则会影响抑制 效果，甚至导致方法失效。另外，电容越大，动态响应越慢；而电容越小，电容阻抗越大，基波压降越大，电容取值要折中考虑，使系统不能工作于最佳状态。
传统控制方案都是在被控对象精确模型基础上设计的，因此，在很大程度上，控制器的性能依赖于被控对象模型的精确程度，而逆变器的精确模型往往是难以建立的。因此，传统控制器实质上是根据需要对并网逆变器系统进行简化、建立线性模型来进行设计的。PI、PID控制简单易行，得到了广泛的应用。在并网逆变器现有的直流抑制方案中，普遍含有PI、PID控制环节。由于逆变器本身运行在开关状态，是一个强非线性系统，其自身又 受到构成元件非线性的影响的原因，逆变器的精确模型往往难以建立。固定的PI或者PID 参数调节无法在并网逆变器运行状态发生变化时，根据系统当前的直流分量实时采集值、 偏差值以及控制量等实现最优化的PID参数整定，达不到很好的消除直流分量的效果。因 此，在微电网的并网逆变器直流抑制系统中，传统控制方案不利于提高系统对直流分量的 抑制效果。
为改善并网逆变器直流抑制系统的动、静态性能，本发明将学习率可变的BP神经网络的智能PID控制方法应用到逆变器的控制中。该智能控制方法的最大好处就是不依赖于被控对象的精确数学模型，具有很强的逼近非线性的能力和较好的自适应性，非常适用于本发明中的具有非线性及不确定性的逆变器系统。虽然BP神经网络在理论上可以实现任意非线性映射，但是在实际应用中由于收敛时间过长会容易陷入局部极小值。本发明提出了一种学习率在线调整的BP神经网络的并网逆变器直流消除方法，提高了系统的自适应能力，增强了PID参数调节的灵活度。
发明内容
本发明的目的是针对现有技术的不足，提出一种可变学习率BP神经网络PID控制的并网逆变器直流分量抑制方法。该方法具有更高智能的自学习能力，可以根据系统运行状态在线修正控制器参数，提高了控制系统的鲁棒性。
为了实现上述发明目的，本发明采取的技术方案为：
采用可变学习率优化改进BP神经网络的直流分量抑制方法，是将PID控制器的参数调整转换成三层BP神经网络，再利用学习率在线可调的算法实现BP神经网络权值的实时更新，得到对应的PID控制器的整定参数，从而实现逆变器直流分量的抑制。具体包括 以下步骤：
步骤一：构建BP神经网络的模型并初始化相关参数。建立三层BP神经网络，确定输入层j、隐含层i、输出层l的节点数与各层的激励函数，初始化输入层到隐含层的 权值隐含层到输出层的权值给定系统直流分量的期望值rin＝0。
步骤二：样本输入。BP神经网络的输入层节点分别为实时采集到的逆变器并网电流 中的直流分量值、直流分量期望值、直流分量上一时刻的误差值以及阈值，根据采样时间 依次输入到控制算法中。
步骤三：信号的正向传播。根据输入层直流分量的实时采集值，计算得到实际直流分量估计值和期望值的差值error(k)，根据此差值，经过正向的权值计算得到输出层的三个 输出，分别是PID控制器的比例、积分和微分参数。
步骤四：反馈调节。根据步骤三中得到的PID控制器的参数计算得到实时的控制量， 输出叠加到并网系统中参考电流上，参与闭环电流调节，得到调整后的调制信号来控制功 率开关管的通断，以此实现并网电流中直流分量的抑制。
步骤五：误差的反向传播。即实时计算直流分量误差对神经网络各层权值的 梯度向量。根据此梯度方向的负方向计算连接权值的增量，对各层的权值进行不断修正。
所述BP神经网络各层的连接权值采用可变学习率和动量BP法结合的修正方法作为 修正算法，以输入层到隐含层的权值为例进行分析，具体如下：
权值的修正公式为：
其中，表示当前时刻权值的增量，是当前时刻的连接权值，是下一 时刻的连接权值。
采用可变学习率的算法后的权值增量为：
其中，η(k)是当前时刻的学习率，是当前时刻逆变器并网系统的性能指标 函数，dc(k)是当前时刻的直流分量采集值。
加入动量BP法后的权值增量为：
其中，α是动量因子，分别是前一时刻与再前一时刻的输入层到隐含 层的权值。
结合可变学习率和动量BP法，可得权值的增量为：
式中，表示调整的权值变化量，按照学习率可变的梯度下降法修正网络的权值，即 按照对权值的负梯度方向进行搜索调整，并附加一个使搜索快速收敛全 局极小的动量BP法的惯性项。
本发明所采用的可变学习率BP-PID控制的并网逆变器直流分量抑制方法，与现有技 术相比，具有以下的优势：
1.所提出的可变学习率优化BP神经网络的控制算法，不依赖于建立精确的逆变器系统数学模型。这避免了传统控制方案中建立强非线性逆变器系统精确模型的困难。
2.采用可变学习率，在一定程度上提高了算法的收敛速度，同时也可以帮助BP神经容有概率地跳出容易陷入的局部极小值，提高了神经网络结果的精度，从而提高了抑制直流分量的精度。
3.本发明采用可变学习率优化BP神经网络的控制算法来调节PID控制器参数，将PID的参数作为BP神经网络的输出，随着外界环境的变化可以自适应地调节PID的参数， 增强了系统的实用性。
附图说明
图1：可变学习率BP神经网络PID控制的并网逆变器直流分量抑制系统框图；
图2：基于BP-PID的并网逆变器直流分量抑制控制器结构图；
图3：学习率自适应调整流程图；
图4：采用传统PID控制器直流抑制环的并网电流直流分量波形图，(a)三相并网电流的直流分量波形图，(b)图4(a)中直流分量稳态局部放大图；
图5：采用可变学习率BP-PID控制器直流抑制环的并网电流直流分量波形图，(a)三相并网电流的直流分量波形图，(b)图5(a)中直流分量稳态局部放大图。
具体实施方式
下面结合相关附图对本发明进行进一步的阐述。
本发明所提出的可变学习率BP神经网络PID控制的无变压器并网逆变器直流分量的抑制方法系统框图如图1所示。该方法的思想是：采集并网逆变器的网侧三相电流，利 用滑动窗口积分法计算得到并网电流中的三相直流分量，将其与目标值进行比较得到直流分量偏差，根据直流分量偏差自适应调整神经网络PID控制器的学习率，将神经网络控制器的输出叠加到逆变器输出的调制波上，将叠加后的调制波与载波进行比较得到调整后的驱动信号来控制逆变器中功率器件的导通和关断，使得逆变器的直流分量减少，从而最终实现不依赖于系统数学建模的三相并网逆变器直流分量的有效抑制。
本发明所采用的可变学习率BP-PID控制的三相并网逆变器直流分量的抑制方法，包 括以下步骤：
初始化三层BP神经网络，其结构如图2所示。
1.网络输入层的输入为：
其中，x(1)是直流分量期望值，设为0；x(2)是实时采集的当前时刻k的并网逆变器并网电流 中的直流分量，设为dc(k)；x(3)是前一时刻k-1的直流分量实际采集值与期望值的误差，设 为err1(k)＝err(k-1)＝0-dc(k-1)＝-dc(k-1)；x(4)是网络输入层阈值，设为1。
2.网络隐含层的输入、输出为：
其中，为输入层到隐含层的连接权值；上角标(1)、(2)、(3)分别代表输入层、隐含层 和输出层；Q是隐含层节点数，设Q＝5。
隐含层神经元的激励函数取正负对称的Sigmoid函数：
3.网络输出层的输入、输出为：
式中，l＝1，2，3，输出层输出节点分别对应PID的三个参数kp、ki、kd。由于它们不能为负值，所以，输出层神经元的激励函数取非负的Sigmoid函数：
取性能指标函数为：
按照学习率可变的梯度下降法修正网络的权值系数，即按照E(k)对加权系数的负梯 度方向搜索调整，并且附加一个使搜索快速收敛的全局极小的惯性项：
所述的学习率在线调整算法的流程图如图3所示，具体阐述如下：
首先规定一个比较小的学习率调整的直流分量极限值，假设为DCband。当|DC(k)＜DCband时，说明直流分量的绝对值在一个很小的范围内波动，不论直流分量怎样变 化，都应该考虑使学习率保持不变，即η(k)＝η(k-1)。神经网络连接权值的增量Δwji(k)、Δwil(k) 按照此学习率η(k)进行对应的调整；当|DC(k)|＞＝DCband时，说明直流分量的绝对值较大， 应该考虑调整神经网络连接权值的增量Δwji(k)、Δwil(k)的调整步长，即改变学习率η(k)的大 小，来达到迅速减小直流分量的目的。
当edc(k)·edc(k-1)＞0时，说明当前时刻直流分量误差edc(k)与前一时刻直流分量误差 edc(k-1)是同为正数或者同为负数的，以同为正数时为例进行分析。若当前时刻直流分量误 差edc(k)的幅值小于前一时刻直流分量误差edc(k-1)的幅值，说明直流分量在向目标值靠近， 即直流偏差正向减小的方向靠近，可以考虑增大神经网络连接权值的增量Δwji(k)、Δwil(k)的 调整步长，即增大学习率η(k)的大小，令η(k)＝γact·η(k-1)，其中，γact取一个略大于1的正 实数；若当前时刻直流分量误差edc(k)的幅值大于前一时刻直流分量误差edc(k-1)的幅值，说 明直流分量在远离目标值，即直流偏差正向增大的方向靠近，可以考虑减小神经网络连接 权值的增量Δwji(k)、Δwil(k)的调整步长，即减小学习率η(k)的大小，令η(k)＝γneg·η(k-1)， 其中，γneg取一个略小于1的正实数。无论是增大学习率η(k)还是减小学习率η(k)，都是为了 通过修正神经网络连接权值的增量Δwji(k)、Δwil(k)的调整步长，达到迅速减小直流偏差并更 加靠近给定值的目的。
由于学习率η(k)不能无限增大或者减小，需要对学习率η(k)进行限幅，规定学习率η(k) 正向增加的极限值为ηlimit。当η(k)增加到ηlimit时，说明此时的误差调整速度已经达到最大， 如果再增大可能会发生超调或者震荡。由于η(k)的负向减小因子γneg为正实数，所以η(k)负向 减小时总大于零。因此，不管直流分量的误差变化趋势如何，都应该考虑神经网络连接权 值的增量Δwji(k)、Δwil(k)的调整步长应按最大(或最小)输出，以迅速调整误差，使直流分 量以最大的速度减小。
仿真结果
为了验证所提出的智能控制方法的正确性，本发明进行了仿真验证。并网逆变器仿 真参数如表1所示。
表1仿真参数
仿真在Matlab2018a/Simulink平台上进行，分别给三相参考电流中添加1.0-A，1.0-A 和-2-A的直流偏置作为初始直流分量。在当前闭环中采用SPWM调制技术实现并网，比较 传统PID和可变学习率的BP-PID控制器的直流分量抑制结果，如图4、图5所示。
从图4中可以看到，在0.2s时刻前，系统中采用传统PID控制器的直流抑制环没有起作用， 并网逆变器并网电流中的直流分量没有被抑制。分别给定A相PID的参数kp＝0.09、ki＝1.25、 kd＝0.0，B相PID的参数kp＝0.09、ki＝1.25、kd＝0.0，C相PID的参数kp＝0.11、ki＝1.36、 kd＝0.0。在0.2s时刻，采用传统PID控制器的直流抑制环开始工作，经过长时间的抑制作 用，在1.9s时刻，三相直流分量全部减小到额定电流的0.5％以内。
从图5中可以看到，在0.2s时刻前，系统中采用可变学习率的BP-PID控制器的直流抑制环没有起作用，并网逆变器并网电流中的直流分量没有被抑制。在0.2s时刻，采用本发明所提出的可变学习率的BP-PID控制器的直流抑制环开始工作，与传统PID控制器相比，经过短时间的抑制作用，在0.9s时刻，三相直流分量全部减小到额定电流的0.5％以内。显然，本发明所提出的可变学习率的BP-PID控制器的直流分量抑制策略比传统PID控制器具有更好的效果，相同条件下，本发明方案比传统PID方案在直流分量的抑制响应时间方面约缩短了1s，大幅度减少了直流分量降低到额定输出电流的0.5％以内的响应时间。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明 的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普 通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具 体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (3)

1.一种可变学习率BP-PID控制的并网逆变器直流分量抑制方法，其特征在于，将PID控制器的参数调整转换成三层BP神经网络，再利用学习率在线可调的算法实现BP神经网络权值的实时更新，得到对应的PID控制器的整定参数，从而实现逆变器直流分量的抑制，具体包括以下步骤：
步骤一、构建BP神经网络的模型并初始化相关参数：建立三层BP神经网络，确定输入层j、隐含层i、输出层l的节点数与各层的激励函数，初始化输入层到隐含层的权值隐含层到输出层的权值给定系统直流分量的期望值rin＝0；
步骤二、样本输入：BP神经网络的输入层节点分别为实时采集到的逆变器并网电流中的直流分量值、直流分量期望值、直流分量上一时刻的误差值以及阈值，根据采样时间依次输入到控制算法中；
步骤三、信号的正向传播：根据输入层直流分量的实时采集值，计算得到实际直流分量估计值和期望值的差值error(k)，根据此差值，经过正向的权值计算得到输出层的三个输出，分别是PID控制器的比例、积分和微分参数；
步骤四、反馈调节：根据步骤三中得到的PID控制器的参数计算得到实时的控制量，输出叠加到并网系统中参考电流上，参与闭环电流调节，得到调整后的调制信号来控制功率开关管的通断，以此实现并网电流中直流分量的抑制；
步骤五、误差的反向传播：即实时计算直流分量误差对神经网络各层权值的梯度向量。根据此梯度方向的负方向计算连接权值的增量，对各层的权值进行不断的修正。
2.根据权利要求1所述的可变学习率BP-PID控制的并网逆变器直流分量抑制方法，其特征在于，所述BP神经网络各层的连接权值采用可变学习率和动量BP法结合的修正方法作为修正算法，以输入层到隐含层的权值为例进行分析，具体如下：
权值的修正公式为：
其中，表示当前时刻权值的增量，是当前时刻的连接权值，是下一时刻的连接权值；
采用可变学习率的算法后的权值增量为：
其中，η(k)是当前时刻的学习率，是当前时刻逆变器并网系统的性能指标函数，dc(k)是当前时刻的直流分量采集值；
加入动量BP法后的权值增量为：
其中，α是动量因子，分别是前一时刻与再前一时刻的输入层到隐含层的权值；
结合可变学习率和动量BP法，可得权值的增量为：
式中，表示调整的权值变化量，按照学习率可变的梯度下降法修正网络的权值，即按照对权值的负梯度方向进行搜索调整，并附加一个使搜索快速收敛全局极小的动量BP法的惯性项。
3.根据权利要求1所述的可变学习率BP-PID控制的并网逆变器直流分量抑制方法，其特征在于，所述的学习率可调整的算法的思想具体阐述如下：
a.首先规定一个比较小的学习率调整的直流分量极限值，假设为DCband；当|DC(k)|＜DCband时，说明直流分量的绝对值在一个很小的范围内波动，不论直流分量怎样变化，都应该考虑使学习率保持不变，即η(k)＝η(k-1)。神经网络连接权值的增量Δwji(k)、Δwil(k)按照此学习率η(k)进行对应的调整；当|DC(k)|＞＝DCband时，说明直流分量的绝对值较大，应该考虑调整神经网络连接权值的增量Δwji(k)、Δwil(k)的调整步长，即改变学习率η(k)的大小，来达到迅速减小直流分量的目的；
b.当edc(k)·edc(k-1)＞0时，说明当前时刻直流分量误差edc(k)与前一时刻直流分量误差edc(k-1)是同为正数或者同为负数的，以同为正数时为例进行分析；若当前时刻直流分量误差edc(k)的幅值小于前一时刻直流分量误差edc(k-1)的幅值，说明直流分量在向目标值靠近，即直流偏差正向减小的方向靠近，可以考虑增大神经网络连接权值的增量Δwji(k)、Δwil(k)的调整步长，即增大学习率η(k)的大小，令η(k)＝γact·η(k-1)，其中，γact取一个略大于1的正实数；若当前时刻直流分量误差edc(k)的幅值大于前一时刻直流分量误差edc(k-1)的幅值，说明直流分量在远离目标值，即直流偏差正向增大的方向靠近，可以考虑减小神经网络连接权值的增量Δωji(k)、Δwil(k)的调整步长，即减小学习率η(k)的大小，令η(k)＝γneg·η(k-1)，其中，γneg取一个略小于1的正实数；无论是增大学习率η(k)还是减小学习率η(k)，都是为了通过修正神经网络连接权值的增量Δwji(k)、Δwil(k)的调整步长，达到迅速减小直流偏差并更加靠近给定值的目的；
c.由于学习率η(k)不能无限增大或者减小，需要对学习率η(k)进行限幅，规定学习率η(k)正向增加的极限值为ηlimit；当η(k)增加到ηlimit时，说明此时的误差调整速度已经达到最大，如果再增大可能会发生超调或者震荡；由于η(k)的负向减小因子γneg为正实数，所以η(k)负向减小时总大于零；因此，不管直流分量的误差变化趋势如何，都应该考虑神经网络连接权值的增量Δwji(k)、Δwil(k)的调整步长应按最大(或最小)输出，以迅速调整误差，使直流分量以最大的速度减小。
CN201910065601.3A 2019-01-22 2019-01-22 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 Active CN110518625B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910065601.3A CN110518625B (zh) 2019-01-22 2019-01-22 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910065601.3A CN110518625B (zh) 2019-01-22 2019-01-22 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

Publications (2)

Publication Number Publication Date
CN110518625A true CN110518625A (zh) 2019-11-29
CN110518625B CN110518625B (zh) 2023-07-25

Family

ID=68622404

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910065601.3A Active CN110518625B (zh) 2019-01-22 2019-01-22 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

Country Status (1)

Country Link
CN (1) CN110518625B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111800902A (zh) * 2020-08-07 2020-10-20 湖南一肯照明有限公司 一种具有恒光通量补偿功能的防频闪灯具及方法
CN111812984A (zh) * 2020-07-20 2020-10-23 温州大学 一种用于逆变器控制系统基于模型的鲁棒滤波方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140306451A1 (en) * 2013-04-12 2014-10-16 King Fahd University Of Petroleum And Minerals Adaptive pitch control system for wind generators
CN106896724A (zh) * 2017-04-10 2017-06-27 中国科学院合肥物质科学研究院 用于太阳跟踪器的跟踪系统及跟踪方法
CN106940407A (zh) * 2017-03-15 2017-07-11 湘潭大学 一种配电网系统电能质量扰动定位与识别方法
CN108258922A (zh) * 2018-03-30 2018-07-06 国网安徽省电力公司电力科学研究院 一种特高压直流发生器的两级调压控制器
CN108809167A (zh) * 2018-06-26 2018-11-13 长春工业大学 一种基于模糊控制的bp神经网络pid调速控制算法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140306451A1 (en) * 2013-04-12 2014-10-16 King Fahd University Of Petroleum And Minerals Adaptive pitch control system for wind generators
CN106940407A (zh) * 2017-03-15 2017-07-11 湘潭大学 一种配电网系统电能质量扰动定位与识别方法
CN106896724A (zh) * 2017-04-10 2017-06-27 中国科学院合肥物质科学研究院 用于太阳跟踪器的跟踪系统及跟踪方法
CN108258922A (zh) * 2018-03-30 2018-07-06 国网安徽省电力公司电力科学研究院 一种特高压直流发生器的两级调压控制器
CN108809167A (zh) * 2018-06-26 2018-11-13 长春工业大学 一种基于模糊控制的bp神经网络pid调速控制算法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LONG BO, ET AL.: "Minigation of DC components using adaptive BP-PID control in transformless three-phase grid-connected inverters", 《ENERGIES》 *
MA FEI, ET AL.: "Research on control system of inverter air-conditioner based on variable learning rate BP algorithm", 《COMPUTER ENGINEERING AND DESIGN》 *
张玉，等: "基于神经网络的 PID 自整定光伏并网逆变器仿真", 《桂林理工大学学报》 *
汪圣祥，等: "基于BP神经网络的PID改进和研究", 《湖南理工学院学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111812984A (zh) * 2020-07-20 2020-10-23 温州大学 一种用于逆变器控制系统基于模型的鲁棒滤波方法
CN111812984B (zh) * 2020-07-20 2022-06-03 温州大学 一种用于逆变器控制系统基于模型的鲁棒滤波方法
CN111800902A (zh) * 2020-08-07 2020-10-20 湖南一肯照明有限公司 一种具有恒光通量补偿功能的防频闪灯具及方法

Also Published As

Publication number Publication date
CN110518625B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
Wang et al. Adaptive damping control scheme for wind grid-connected power systems with virtual inertia control
Liu et al. Extended state observer based interval type-2 fuzzy neural network sliding mode control with its application in active power filter
Moghadam et al. A novel supervised control strategy for interconnected DFIG-based wind turbine systems: MiL validations
Salim et al. Intelligent controllers for shunt active filter to compensate current harmonics based on SRF and SCR control strategies
CN110518625A (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
Xu et al. MMC admittance model simplification based on signal-flow graph
Chen et al. Improved model predictive direct power control of grid side converter in weak grid using kalman filter and DSOGI
CN110266044B (zh) 一种基于储能变流器的微电网并网控制系统及方法
Wang et al. A dynamic Bayesian network control strategy for modeling grid-connected inverter stability
Tan et al. Intelligent controlled dynamic voltage restorer for improving transient voltage quality
Bana et al. Adaptive vector control of grid-tied vsc using multilayer perceptron-recurrent neural network
US20240072541A1 (en) Frequency adaptive control method for inverter based on model predictive virtual synchronous generator
Samanta et al. Fast frequency support from grid-forming converters under DC-and AC-side current limits
Fei et al. Chebyshev Fuzzy Neural Network Super-Twisting Terminal Sliding-Mode Control for Active Power Filter
CN116436091A (zh) 构网型变流器暂态稳定提升控制方法和构网型变流器系统
Sujith et al. Implementation of psoann optimized PI control algorithm for shunt active filter
Baker et al. Resilient Model based Predictive Control Scheme Inspired by Artificial intelligence methods for grid-interactive inverters
Setiawan et al. Control Strategy Based on Associative Memory Networks for a Grid-Side Converter in On-Grid Renewable Generation Systems Under Generalized Unbalanced Grid Voltage Conditions
Wang et al. An improved hysteresis current control scheme during grid voltage zero‐crossing for grid‐connected three‐level inverters
Abdelhadi et al. Improvement of the VSC-HVDC System Performances based on the Intelligent Controller
CN105226699A (zh) 内环电流控制器的控制方法与系统
Peng et al. Optimization strategy and stability analysis of grid-connected inverter based on PLL positive sequence grid voltage feedforward in weak grid
Nassar-Eddine et al. A new Fuzzy Logic architecture to control the DC-bus voltage in grid connected photovoltaic system
Sahoo et al. Data-Driven Controllability of Power Electronics Under Boundary Conditions-A Physics-Informed Neural Network Based Approach
Chen et al. Data-driven predictive current control for active front ends with neural networks

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