CN115912393A - 一种基于rbf神经网络的多机并联vsg系统稳定性提高方法 - Google Patents

Abstract

本发明公开了一种基于RBF神经网络的多机并联VSG系统稳定性提高方法，包括，初始化参数虚拟惯量和阻尼系数；计算损失函数Loss(k)是否为0，如果为0，则更新神经网络的随机权重，否则权重不变；所述权重变化后，利用RBF神经网络计算输出的虚拟惯量的值，并对参数虚拟惯量进行更新操作；所述虚拟惯量变化后，计算阻尼系数并对其参数进行更新，改变所述虚拟惯量和所述阻尼系数的参数值；当系统频率出现变化后，增加所述虚拟惯量和所述阻尼系数的值以提升系统的抗干扰能力；当所述系统频率稳定后，减小所述虚拟惯量和所述阻尼系数以加快系统的响应时间。系统发生扰动时，本发明方法能有效的抑制功率和频率的超调，还能提高系统响应的速度。

Description

一种基于RBF神经网络的多机并联VSG系统稳定性提高方法

技术领域

本发明涉及新能源并网技术领域，尤其是一种基于RBF神经网络的多机并联VSG系统稳定性提升方法。

背景技术

为了应对日益严峻的能源危机，以可再生能源为主的分布式发电技术得到了越来越广泛的关注。微电网作为分布式电源与大电网并联成了当今研究的热点。针对新能源并网问题，有学者提出模拟同步发电机的转子惯性和阻尼特性为系统提供必要的惯量和阻尼，由此虚拟同步机技术应运而生。然而，当多个VSG通过公共点接入大电网时，多VSG并网系统间会产生交互影响，导致并网系统运行特性更加复杂。

目前针对多VSG并网系统的研究主要采用小信号分析法。时域分析法通过建立系统的状态空间模型，不仅可以描述系统中每一个状态变量，还可以完整的获取系统的动态性能。但状态空间矩阵的复杂度会随着控制策略和网络结构的复杂度的加大而增加。

频域分析法主要是依靠系统的传递函数，该方法应用在多VSG并联系统时，复杂的传递函数不易获得，只能对内外环分别进行分析。内环主要采用阻抗、导纳分析法。采用阻抗/导纳建模推导了多VSG闭环电流控制的传递函数矩阵，并分析了并网系统的谐振特性。外环是将并网逆变器等效一个受控电压源和一个恒定的阻抗串联。基于外环等效基础上，有些学者提出了一些功率环特性的简化模型，当系统选择合适的参数时，忽略有功功率和无功功率耦合影响可以简化小信号模型和阻抗模型，将简化模型用于单个VSG并网时，可选择时域分析法和频域分析法进行理论分析。但扩展到多VSG并联系统中，就会面临模型复杂的问题。而阻抗模型仅可以用于系统的稳定性分析，无法分析VSG的功频响应。通过构建了多VSG并网系统小信号模型，用特征值结合参与因子分析了低频特性的影响因素。这是基于机电比拟原理构建了VSG的机械导纳模型，推导了VSG输出功率的表达式，分析了多VSG并网系统的功率振荡机理。但未对VSG控制环路间的交互作用做定量分析。这表明应重点关注电网阻抗、虚拟惯量和阻尼系数变化对VSG间的交互影响，但并没有对此提出解决方案。维持并联系统频率稳定是保证VSG并网安全稳定运行的一项重要指标。因此，需要优化控制策略降低VSG间的交互作用，优化VSG输出功率和频率的响应曲线。针对此问题，提出了RBF神经网络自适应控制调节虚拟惯性和阻尼系数的方法，该方法不仅能提高并网系统的响应速度，还能抑制功率频率的振荡。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：解决新能源并网系统间的交互作用的影响，针对系统出现扰动后存在超调大和响应时间长的问题。

为解决上述技术问题，本发明提供如下技术方案：包括，

初始化参数虚拟惯量和阻尼系数；

计算损失函数Loss(k)是否为0，如果为0，则更新神经网络的随机权重，否则权重不变；

所述权重变化后，利用RBF神经网络计算输出的虚拟惯量的值，并对参数虚拟惯量进行更新操作；

所述虚拟惯量变化后，计算阻尼系数并对其参数进行更新，改变所述虚拟惯量和所述阻尼系数的参数值；

当系统频率出现变化后，增加所述虚拟惯量和所述阻尼系数的值以提升系统的抗干扰能力；

当所述系统频率稳定后，减小所述虚拟惯量和所述阻尼系数以加快系统的响应时间。

作为本发明所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法的一种优选方案，其中：利用RBF神经网络自适应控制调节虚拟惯量和阻尼系数，设计一种RBF神经网络控制系统，包括，

RBF神经网络包括分别为输入层、隐藏层和输出层；

RBF神经网络的隐藏层的输入包括，

其中，x表示输入的参数，n表示输入层节点的个数。

作为本发明所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法的一种优选方案，其中：RBF隐藏层中的第i个节点输出包括，

其中，h_k表示隐藏函数的高斯函，k表示隐藏层节点的个数，i表示输入层节点个数。

是隐藏层第i个节点的中心向量，

是高斯函数的宽度向量。根据经验设置中心向量的值为0，宽度向量b_i为1。

作为本发明所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法的一种优选方案，其中：RBF神经网络的输出层包括，

y_p＝w_p1h₁+w_p2h₂+…+w_pmh_m p＝1,2...q

其中，q表示输出结点的个数，y_p表示第p个输出节点的值，神经网络的随机权重

作为本发明所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法的一种优选方案，其中：还包括，

输入输出层的节点数取决于控制系统的输入输出变量；

定义所述输入变量是ω_i和dω_i/dt；

则所述输入层的节点数设置为2n，输出的变量为J_i，所述输出层的节点数选择n。

作为本发明所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法的一种优选方案，其中：RBF神经网络的输入层的输入包括，

i_i ⁽¹⁾＝x_j,j＝1,2,3…2n

其中，j表示输入量的个数，n表示并联数量，x_2t-1＝ω_t-ω₀，t＝1,2…n；x_2t＝dω_t/dt，t＝1,2…n，右上标的(1)代表输入层。

作为本发明所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法的一种优选方案，其中：隐藏层的输入包括，

其中，则隐藏层的输出为

g(x)为高斯函数，此处高斯函数的ci选择为c_i＝[100π,0,100π,0,…]，所有的bi＝1，ci的选择根据角频率和角频率的导数来设置的，右上标的(2)代表隐藏层。

作为本发明所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法的一种优选方案，其中：神经网络的输出层的输入包括，

J_i ⁽³⁾＝(w₁₁,w₂₁…w_n1)^T(h₁,h₂…h_n),i＝1,2…n

其中，右上标的(3)代表输出层，w是隐藏层到输出层的权重。

作为本发明所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法的一种优选方案，其中：为了使得所述RBF神经网络控制系统训练速度更快以达到快速稳定的条件，选取频率的变化为参考量，设置该神经网络损失函数为：

其中，ω_g(T)为电网的基本角频率值，ω_n(T)为每台逆变器输出电压的角频率值。

作为本发明所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法的一种优选方案，其中：所述RBF神经网络在训练过程中，需要对其权重系数进行优化，采用梯度下降法，η为其学习速率，选择学习速率为0.5。

本发明的有益效果：本发明方法的学习能力强、速度快、能够满足实时在线控制，可以根据系统频率状态的变化，在线实时调节改变虚拟惯量和阻尼系数的大小；系统发生扰动时，本发明方法能有效的抑制功率和频率的超调，还能提高系统响应的速度。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明一个实施例所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法的整个RBF神经网络控制算法的流程示意图；

图2为本发明一个实施例所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法的传统VSG控制的有功-频率和无功-电压控制框图；

图3为本发明一个实施例所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法的加入RBF神经网络控制的简图；

图4为本发明一个实施例所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法的并联逆变器RBF神经网络控制框图；

图5为本发明一个实施例所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法的负载变化时ω和dω/dt的变化曲线示意图；

图6为本发明一个实施例所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法的RBF神经网络的输入层、隐藏层和输出层；

图7为本发明一个实施例所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法的工况1下RBF神经网络控制虚拟惯量的大小波形图；

图8为本发明一个实施例所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法的工况1下RBF神经网络控制阻尼系数的大小波形图；

图9为本发明一个实施例所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法的对应情况下两者角频率的波形图；

图10为本发明一个实施例所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法的传统VSG控制同等工况下角频率的波形图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1、图4～图6，为本发明的第一个实施例，提供了一种基于RBF神经网络的多机并联VSG系统稳定性提高方法，具体包括：

S1：初始化参数虚拟惯量和阻尼系数。其中需要说明的是：

模拟同步电机的转子特性，如下：

其中，Pm为机械功率，Pe为电磁功率，ω为转子角速度，ω0为额定角速度，θ为功角，J为虚拟转动惯量，Dp为阻尼系数。

因为同步电机具有惯量和阻尼的特性，在系统发生扰动时有良好的调节能力，可以解决新型电力系统低惯量欠阻尼的问题，并通过稳定下的约束条件进而初始化虚拟惯量和阻尼系数，如下：

0.7≤ξ_i≤1

其中，振幅裕度总是大于0，一般要求系统的相位裕度γi在30°到80°之间，本文中设γi＞60°可以得到阻尼比ξi＞0.6。Ug为电网电压，Ei为第i台逆变器的输出电压。

S2：计算损失函数Loss(k)是否为0，如果为0，则更新神经网络的随机权重，否则权重不变。

S3：权重变化后，利用RBF神经网络计算输出的虚拟惯量的值，并对参数虚拟惯量进行更新操作。

S4：虚拟惯量变化后，计算阻尼系数并对其参数进行更新，改变虚拟惯量和阻尼系数的参数值。本步骤需要说明的是：

通过阻尼更新公式进行更新，如下，

其中，K_pi为第i台逆变器的下垂系数。

S5：当系统频率出现变化后，增加虚拟惯量和阻尼系数的值以提升系统的抗干扰能力。

S6：当系统频率稳定后，减小虚拟惯量和阻尼系数以加快系统的响应时间。

需要说明的是，当系统频率出现变化后，由损失函数不等于0可知，权重变化使得虚拟惯量和阻尼系数都会同时改变，由同步电机的特性知，转自惯量越大，抗干扰能力越强。

具体的，本实施例利用RBF神经网络自适应控制调节虚拟惯量和阻尼系数，设计一种RBF神经网络控制系统，包括：

RBF神经网络包括分别为输入层、隐藏层和输出层；

RBF神经网络的隐藏层的输入包括，

其中，x表示输入的参数，n表示输入层节点的个数。

RBF隐藏层中的第i个节点输出包括，

其中，h_k表示隐藏函数的高斯函，k表示隐藏层节点的个数，i表示输入层节点个数。

是隐藏层第i个节点的中心向量，

是高斯函数的宽度向量。根据经验设置中心向量的值为0，宽度向量b_i为1。

RBF神经网络的输出层包括，

y_p＝w_p1h₁+w_p2h₂+…+w_pmh_m p＝1,2...q

其中，q表示输出结点的个数，y_p表示第p个输出节点的值，神经网络的随机权重

输入输出层的节点数取决于控制系统的输入输出变量；

定义输入变量是ω_i和dω_i/dt；

则输入层的节点数设置为2n，输出的变量为J_i，输出层的节点数选择n。进一步的，RBF神经网络的输入层的输入包括，

i⁽¹⁾＝x_j,j＝1,2,3…2n

其中，j表示输入量的个数，n表示并联数量，x_2t-1＝ω_t-ω₀，t＝1,2…n；x_2t＝dω_t/dt，t＝1,2…n，右上标的(1)代表输入层。

隐藏层的输入包括，

其中，则隐藏层的输出为

g(x)为高斯函数，此处高斯函数的ci选择为c_i＝[100π,0,100π,0,…]，所有的bi＝1，ci的选择根据角频率和角频率的导数来设置的，右上标的(2)代表隐藏层；

神经网络的输出层的输入包括，

J_i ⁽³⁾＝(w₁₁,w₂₁…w_n1)^T(h₁,h₂…h_n),i＝1,2…n

其中，右上标的(3)代表输出层，w是隐藏层到输出层的权重；

输出层的激活函数包括，

其中，a_i是第i台VSG的虚拟惯量J_i范围的上限。

为了使得RBF神经网络控制系统训练速度更快以达到快速稳定的条件，选取频率的变化为参考量，设置该神经网络损失函数为：

其中，ω_g(T)为电网的基本角频率值，ω_n(T)为每台逆变器输出电压的角频率值。

RBF神经网络在训练过程中，需要对其权重系数进行优化，采用梯度下降法。

其中，η为其学习速率，选择学习速率为0.5。m为隐藏层个数。

由此可得神经网络的权重调整公式为：

通俗的说，VSG虽然模拟了同步电机的特性，不过在负荷条件发生变化时或其他干扰因素时也会产生很大的频率和功率输出改变，从而影响控制系统的平稳工作；从转子的机械运动方程式可得知，在暂态过程时虚拟惯量J越大，dω/dt频率的变化率也会越小，可以控制频率的波动，但根据同步电机的特性，大惯量会导致系统的调整时间过长，处于振荡状态。

同理可分析阻尼系数D_p的差异导致最终频率的变化量的不同，阻尼系数的大小会影响超调的幅值，当系统的有功负载减小时，转子角速度变化率dω/dt与转子角速度的变化如图1所示，分析虚拟惯量变化的情况与转子角速度的关系。

参照图5，为负载变化时ω和dω/dt的变化曲线图，t₁～t₂区间，t₁时负载突然减小，输出的机械功率大于负载功率，转子角速度ω在t₁时不变，所以，负载的变化需要依靠虚拟惯量来缓冲变化，因为J为固定值，这使得dω/dt需要急剧增大，角速度在t₀时也开始增大，阻尼系数的作用逐渐加强，所以dω/dt在增加至最大值时开始下降，到t₂时刻下降为0，转子角速度上升到最大，此时阻尼系数抑制功率变化的作用最大，虚拟惯量在此时对功率变化作用很小。

在t₁～t₂区间，适当增加虚拟惯量的大小可以减小dω/dt的突变量，从而抑制转子角速度的波动量。

在t₂～t₃区间，角速度开始回落，到t₃时刻降至最低，且dω/dt在t₂～t₃区间中一直小于0，在t₂～t₃区间适当减小虚拟惯量的大小可减小dω/dt使得角速度变化缓慢，进而减小转子角速度的超调量。

t₃～t₄区间和t₄～t₅区间的情况分别与t₁～t₂区间和t₂～t₃区间的情况是类似的，都需要适当改变虚拟惯量和阻尼系数的大小以获得更好的频率功率响应特性。

参照图4，为并联逆变器RBF神经网络控制框图，无功-电压控制部分不变，有功频率控制部分将输出的角频率和角频率变化率作为RBF神经网络控制器的输入，控制器的输出为虚拟惯量和阻尼系数作为转子方程参数的输入实时调节两个参数的大小。

参照图6，为RBF神经网络的输入层、隐藏层和输出层，本实施例根据两台并联逆变器选取4-5-2的结构。

优选的，本实施例还需要说明的是，通过RBF神经网络控制器自适应调整虚拟惯量和阻尼系数实时反馈给转子运动方程，使转子运动方程中的惯量能够根据角频率的变化而改变，以适应VSG的稳定运行。

优选的是，RBF神经网络自适应惯量控制根据输出功率频率的变化自适应调整虚拟惯量和阻尼系数的大小，使得输出功率和频率更快的趋于稳定，能够通过系统振荡过程中的调整时间t和超调量作为性能的参考指标。

实施例2

参照图2、图3、图7～图10，为本发明的第二个实施例，该实施例不同于第一个实施例的是，提供了一种基于RBF神经网络的多机并联VSG系统稳定性提升方法的性能验证。

具体包括：

一种基于RBF神经网络的多机并联VSG系统稳定性提升方法的拓扑包括主电路并网逆变器以及加入RBF神经网络自适应VSG控制策略的结构，主电路拓扑包括直流源、DC-AC三相逆变器、LC滤波器电路以及线路阻抗和电网；控制结构包括转子运动方程、无功电压控制以及电压电流双闭环控制和PWM调制控制等，其中，RBF神经网络作用在转子运动方程中，通过该方法实时改变虚拟惯量和阻尼系数的大小再作为转子运动方程中的值，使系统有更好的稳定下和更低的超调量。

参照图2，其为传统VSG控制的有功-频率和无功-电压控制框图，图2中有功控制中P_m是VSG原动机输出的机械功率，ω₀是额定角速度，P_ref是有功功率参考值，ω是原动机角速度，K_p是有功功率下垂系数，J是虚拟惯量，D_p是阻尼系数；无功控制中，K_q定义为无功功率下垂控制系数，无功功率的参考值用Q_ref表示，Q_e表示为VSG输出的无功功率，下垂关系中的电压E表示机端输出电压幅值的参考值，E₀为额定相电压的幅值。

参照图2和图3，在simulink中搭建一个两台并网逆变器容量比为2:1的仿真模型，根据实施例1中的公式选择合适范围的虚拟惯量和阻尼系数，选择合适的参数，当系统出现短暂的频率扰动时，RBF神经网络自适应控制相对于传统VSG控制来说能够有效的抑制频率的波动以及超调的变化。

表1：新能源VSG并网逆变器系统仿真的相关参数表。

工况1：设置仿真时间为1s，加入RBF神经网络自适应调整虚拟惯量和阻尼系数的大小，并联系统通过预同步控制并入电网运行，在0.5s时给系统加入一个负载(20KW/12KVar)。

参照图7和图8，在0.5s时，由仿真波形图可知，由于加入负载，逆变器输出的功率发生变化，导致输出频率和电网产生差异，输入的频率和基频的差值的平方不为0导致损失函数不为0，权重发生变化，进而增大虚拟惯量和阻尼系数来抑制频率的变化。

当频率趋于基频时，损失函数逐渐减小，虚拟惯量和阻尼系数逐渐减小来提高响应速度。

参照图9，图9为工况1下两台并网逆变器输出角频率的波形图，图9中(a)和(b)分别代表两台容量比为2:1的两台逆变器的参数变化。

参照图10，在0.5s时出现突变，虚拟惯量和阻尼系数也在0.5s时在线实时变化变化，当系统达到稳定时，虚拟惯量和阻尼系数减小到取值的最小值提高系统响应速度。

优选的是，本实施例以多VSG并网系统为研究对象，采用频域分析法研究系统参数变化时VSG间的交互作用的变化规律，提出RBF神经网络自适应控制调节虚拟惯量和阻尼系数的方法，搭建MATLAB/Simulink多VSG并网系统仿真验证方法的可行性，与现有技术相比，本发明方法能够以快速响应故障导致的系统频率变化、降低系统频率的超调量，响应时间加快的优点。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于RBF神经网络的多机并联VSG系统稳定性提高方法，其特征在于：包括，

初始化参数虚拟惯量和阻尼系数；

计算损失函数Loss(k)是否为0，如果为0，则更新神经网络的随机权重，否则权重不变；

所述权重变化后，利用RBF神经网络计算输出的虚拟惯量的值，并对参数虚拟惯量进行更新操作；

所述虚拟惯量变化后，计算阻尼系数并对其参数进行更新，改变所述虚拟惯量和所述阻尼系数的参数值；

当系统频率出现变化后，增加所述虚拟惯量和所述阻尼系数的值以提升系统的抗干扰能力；

当所述系统频率稳定后，减小所述虚拟惯量和所述阻尼系数以加快系统的响应时间。

2.根据权利要求1所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法，其特征在于：利用RBF神经网络自适应控制调节虚拟惯量和阻尼系数，设计一种RBF神经网络控制系统，包括，

RBF神经网络包括分别为输入层、隐藏层和输出层；

RBF神经网络的隐藏层的输入包括，

其中，x表示输入的参数，n表示输入层节点的个数。

3.根据权利要求2所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法，其特征在于：RBF隐藏层中的第i个节点输出包括，

其中，h_k表示隐藏函数的高斯函，k表示隐藏层节点的个数，i表示输入层节点个数。

是隐藏层第i个节点的中心向量，

是高斯函数的宽度向量。根据经验设置中心向量的值为0，宽度向量b_i为1。

4.根据权利要求3所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法，其特征在于：RBF神经网络的输出层包括，

y_p＝w_p1h₁+w_p2h₂+…+w_pmh_m p＝1,2...q

其中，q表示输出结点的个数，y_p表示第p个输出节点的值，神经网络的随机权重

5.根据权利要求2～4任一所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法，其特征在于：还包括，

输入输出层的节点数取决于控制系统的输入输出变量；

定义所述输入变量是ω_i和dω_i/dt；

则所述输入层的节点数设置为2n，输出的变量为J_i，所述输出层的节点数选择n。

6.根据权利要求5所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法，其特征在于：RBF神经网络的输入层的输入包括，

i⁽¹⁾＝x_j,j＝1,2,3…2n

其中，j表示输入量的个数，n表示并联数量，x_2t-1＝ω_t-ω₀，t＝1,2···n；x_2t＝dω_t/dt，t＝1,2···n，右上标的(1)代表输入层。

7.根据权利要求6所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法，其特征在于：隐藏层的输入包括，

其中，则隐藏层的输出为

g(x)为高斯函数，此处高斯函数的ci选择为c_i＝[100π,0,100π,0,…]，所有的bi＝1，ci的选择根据角频率和角频率的导数来设置的，右上标的(2)代表隐藏层。

8.根据权利要求7所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法，其特征在于：神经网络的输出层的输入包括，

J_p ⁽³⁾＝(w₁₁,w₂₁…w_m1)^T(h₁,h₂…h_m),p＝1,2…q

其中，右上标的(3)代表输出层，w是隐藏层到输出层的权重。

9.根据权利要求8所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法，其特征在于：为了使得所述RBF神经网络控制系统训练速度更快以达到快速稳定的条件，选取频率的变化为参考量，设置该神经网络损失函数为：

其中，ω_g(T)为电网的基本角频率值，ω_n(T)为每台逆变器输出电压的角频率值。

10.根据权利要求9所述的基于RBF神经网络的多机并联VSG系统稳定性提高方法，其特征在于：所述RBF神经网络在训练过程中，需要对其权重系数进行优化，采用梯度下降法，η为其学习速率，选择学习速率为0.5。

Images