CN116125803B - 一种基于极限学习机的逆变器反步模糊神经网络控制方法 - Google Patents
一种基于极限学习机的逆变器反步模糊神经网络控制方法 Download PDFInfo
- Publication number
- CN116125803B CN116125803B CN202211692808.1A CN202211692808A CN116125803B CN 116125803 B CN116125803 B CN 116125803B CN 202211692808 A CN202211692808 A CN 202211692808A CN 116125803 B CN116125803 B CN 116125803B
- Authority
- CN
- China
- Prior art keywords
- inverter
- neural network
- controller
- backstepping
- learning machine
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 230000003044 adaptive effect Effects 0.000 claims abstract description 7
- 230000008859 change Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 19
- 238000013461 design Methods 0.000 claims description 8
- JXASPPWQHFOWPL-UHFFFAOYSA-N Tamarixin Natural products C1=C(O)C(OC)=CC=C1C1=C(OC2C(C(O)C(O)C(CO)O2)O)C(=O)C2=C(O)C=C(O)C=C2O1 JXASPPWQHFOWPL-UHFFFAOYSA-N 0.000 claims description 6
- 239000003990 capacitor Substances 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 3
- 230000000087 stabilizing effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 abstract description 5
- 238000011217 control strategy Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 239000010410 layer Substances 0.000 description 32
- 238000010586 diagram Methods 0.000 description 15
- 239000011159 matrix material Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 239000002356 single layer Substances 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 101100001673 Emericella variicolor andH gene Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
- Y02B70/10—Technologies improving the efficiency by using switched-mode power supplies [SMPS], i.e. efficient power electronics conversion e.g. power factor correction or reduction of losses in power supplies or efficient standby modes
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于极限学习机的逆变器反步模糊神经网络控制策略，对三相逆变器的输出经过Clarke变换建立系统的动力学模型，通过输出电压与参考电压的误差建立反步控制器模型。运用模糊神经网络对控制器进行优化，并加入自适应律来调整控制器参数。利用极限学习机算法对系统的扰动模型进行估计，并补偿到反步神经网络控制器中，生成最终的系统控制率。将α、β坐标下的两个控制率ucon输入到SVPWM调制策略中。本发明能够有效降低反步控制器对系统的“抖振”现象，拥有优越的动态响应性能，对系统存在的参数变化和负载扰动具有更强的鲁棒性和自适应性，利用极限学习机拟合系统近似的集总不确定项，然后对系统进行补偿，以达到更好的控制效果。
Description
技术领域
本发明涉及逆变器控制技术领域，具体涉及一种基于极限学习机的逆变器反步模糊神经网络控制方法。
背景技术
可再生能源的发展是目前的一大趋势，不同的能源之间有不同的方法将其转换为电能，因此在并入电网前需利用交流技术根据实际不同的需求对转化得到的电能进行调控。通常由可再生能源直接转化得到的能量大部分都难以保持在一个稳定状态，倘如在将其接入电网时不采取一定的调控措施，电网容易受到破环，影响用户用电。
为了保证微电网的电能质量，各种先进的控制策略也不断地应用于逆变器控制之中，控制策略是保证逆变器输出性能优异的核心。因此，在微电网逆变器器中设计能满足一定范围内工况变化的自适应控制策略，能够充分利用电力电子变流器的灵活性，有效降低微电网系统设计的成本，具有较为重要的理论研究价值和工程实践意义。
常用的控制方案有滑模控制、反步控制、PI控制等等，这些控制策略简单有效，然而，这些方案也有所缺陷，例如滑模和反步控制方案中系统的参数变化很难测量，在实际应用中外部扰动和未建模动力学的准确值也很难提前知道，导致集总不确定性向量上界的选择对控制性能有重要影响，如果界限选择得太大，符号函数将导致控制过程中出现严重的抖振现象。不期望的抖振控制将磨损机械结构，并可能激发不稳定的系统动力学。另一方面，如果边界选择得太小，则可能不满足稳定性条件。这将导致受控系统不稳定。此外，反推设计过程中虚拟输入的重复微分导致的爆炸项是一个潜在的问题，特别是对于高阶动态系统。这种情况可能会产生致动器饱和的问题。
发明内容
发明目的：为了解决现有技术中存在的问题，本发明提供一种基于极限学习机的逆变器反步模糊神经网络控制方法，首先，利用模糊神经网络不依赖于系统模型和较优越的动态响应性能，对系统存在的参数变化和负载扰动具有较强的鲁棒性和自适应性，能够有效缓解反步控制器系统的“抖振”现象，特别是在克服非线性负载带来的波形畸变时，控制效果尤为突出。其次，由于反步模糊神经网络控制器对系统的集总不确定性补偿效果较差，采用极限学习机算法，并通过自适应规律实现输出权值的实时调整，来补偿三相逆变器系统的干扰，使得控制器实现更加快速和精确的控制。
技术方案：本发明公开一种基于极限学习机的逆变器反步模糊神经网络控制方法，所述逆变器为三相全桥式LC型逆变器，所述控制方法包括如下步骤：
步骤1：根据三相全桥式LC型逆变器的滤波电感电流和滤波电容电压，构建三相逆变器的α-β坐标系上系统动力学模型；
步骤2：根据步骤1构建的系统动力学模型，将其转换为二阶系统，选择系统状态变量，并加入集总不确定项，构建新的三相逆变器等效系统模型；
步骤3：根据步骤2构建的三相逆变器等效系统模型，运用反步法来设计控制器，引入稳定函数和虚拟误差，构建反步控制器；
步骤4：根据步骤3构建的反步控制器，利用模糊神经网络较优越的动态响应性能，较强的鲁棒性和自适应性，对反步控制器进行优化，构建反步模糊神经网络控制器；
步骤5：根据步骤4构建的反步模糊神经网络控制器，通过极限学习机算法，对系统的集总不确定性进行估计，并补偿扰动，构建基于极限学习机的反步模糊神经网络控制器；
步骤6：根据步骤5构建的基于极限学习机的反步模糊神经网络控制器，获取控制器的输出，通过SVPWM来对三相逆变器的全桥开关进行信号控制。
进一步地，所述步骤1的α-β坐标系状态空间模型为：
其中：和/>分别为α轴和β轴上逆变器交流侧电感上的电流，/>和/>分别为α轴和β轴上逆变器交流侧流经负载的电流，/>和/>分别为α轴和β轴上逆变器交流侧电容电压，uconα和uconβ分别为α轴和β轴上逆变器交流侧输出的电压。uk＝DiVdc＝KPWMuconk，式中一个开关周期内占空比为Di＝ucon/Vtri，逆变器等效增益为KPWM＝Vdc/Vtri，ucon为低频正弦波幅值，Vtri为高频三角载波信号的振幅。
进一步地，所述步骤2中二阶系统为：
选择交流输出电压作为系统状态，选择控制信号(uconα,uconβ)作为控制输入，并加入集总不确定项对扰动参数进行系统扩张，构建新的三相逆变器等效系统模型为：
其中：u(t)＝[uconα,uconβ]T；ap1＝-r/L；ap2＝-1/(LC)；bp＝KPWM/(LC)；cp1＝-1/C；cp2＝-r/(LC)；ap1n,ap2n,bpn,cp1n,cp2n分别为ap1,ap2,bp,cp1,cp2的标称值；Δap1n,Δap2n,Δbpn,Δcp1n,Δcp2n表示系统参数变化的不确定性。dp(t)为电压集总不确定性向量，定义为：
这里的扰动项dp(t)受真实系统的正常数的限制，这里假设给定dp(t)的界限为：
||dp(t)||1≤ρ
其中：||·||1表示一范数算子，ρ为正常数。
进一步地，所述步骤3中反控制器设计为：
其中：k2为正常数，系统状态跟踪参考输出电压/>
ev为电压误差：
ev＝xd-x
α为稳定函数：
es为虚拟误差：
进一步地，所述步骤4中反步模糊神经网络控制器设计为：
其中：Ny为规则总数yo(o＝1,…,No)表示输出层的每个节点，lk(k＝1,…,Ny)表示规则层的第k个输出，表示规则层和输出层之间的可调权重。
FNN参数的自适应律设计为：
如果或者/>且/>
如果且/>
如果或者/>且/>
如果且/>
如果或者/>且/>
如果且/>
其中：||·||是欧几里德范数；ηω，ηm和ηc为正学习率；bω，bm和bc被给定为正参数界，
进一步地，所述步骤5中基于极限学习机的反步模糊神经网络控制器设计为：
其中：H(x,w,b)是隐藏层函数，x为极限学习机的输入向量，w和b分别为隐藏神经元的输入权重和偏差的向量，他们由高斯分布生成，为ELM的输出权重向量。
进一步地，所述步骤6获取控制器的三相逆变器全桥开关控制信号为：
将uα和uβ作为SVPWM调制策略的输入，产生六路PWM信号控制六个开关器件的开关控制信号，使得直流输出电压Vdc跟踪给定值。采用SVPWM调制策略，开关频率等于采样频率，开关频率固定，利于三相PWM整流器滤波器参数的设计。
有益效果：
1、本发明所采用的反步模糊神经网络控制方法无需建立逆变器精确的数学模型，尤其适用于结构复杂、有时变参数的高频逆变器控制。
2、本发明所采用的反步控制器引入稳定函数和虚拟误差，对系统进行层层修正，使得控制器拥有较高的精度。
3、本发明利用了模糊控制和神经网络控制的优势互补，具有较优越的动态响应性能，对系统存在的参数变化和负载扰动具有较强的鲁棒性和自适应性，能够有效缓解系统“抖振”现象，特别是在克服非线性负载带来的波形畸变时，控制效果尤为突出。
4、本发明采用了极限学习机的算法，并通过自适应规律实现输出权值的实时调整，来补偿三相逆变器系统的干扰，包括建模不确定性，参数不确定性，外部干扰等。使得控制器实现更加快速和精确的控制。
附图说明
图1为三相全桥式LC逆变器的主电路拓扑示意图；
图2为独立的单相全桥逆变电路简化模型图；
图3为三相全桥式LC逆变器s域等效动力学模型图；
图4为本发明用于独立供电模式的BSC框图；
图5为本发明四层FNN结构图；
图6为本发明BSFNNC结构图；
图7为ELM结构图；
图8为本发明一种基于极限学习机的逆变器反步模糊神经网络控制方法系统框架图；
图9为本发明的输出电压信号跟踪波形图；
图10为本发明的负载突变输出电压波形图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明公开了一种基于极限学习机的逆变器反步模糊神经网络控制方法，主要包括如下步骤：
1.三相LC逆变器数学模型的建立
图1为本发明采用的孤岛模式下三相LC逆变器结构图。图中Vdc为直流母线电压；逆变单元为三相桥式结构；开关器件采用带有换路续流二极管的IGBT；滤波单元采用LC滤波器；Z为输出负载；r为回路等效负载。
由于三相逆变器在abc静止坐标系下分解为三个完全独立的控制系统，不存在耦合的关联问题。在控制方法方面，在三相静止坐标下三相逆变器亦可以相互独立控制，故把三相分为三个单相全桥逆变电路，其等效模型如图2所示，其中k＝a，b，c。
图2中uk、分别为交流侧输出的电压和电容电压；/>分别为交流侧电感、电容上的电流和流经负载的电流。由基尔霍夫定律可得回路与节点方程：
取电感电流电容电压/>为状态参数可得：
由(3)可得三相静止坐标系下逆变器的状态方程为：
本发明采用SVPWM调制算法，需要通过Clarke变换将矢量坐标从abc坐标系等功率变换到α-β坐标系。令x＝i，u，则变换公式为：
由(5)式可将(4)式的数学表达式变换到α-β坐标系，得到两个新的状态方程组为：
其中：和/>分别为α轴和β轴上逆变器交流侧电感上的电流，/>和/>分别为α轴和β轴上逆变器交流侧流经负载的电流，/>和/>分别为α轴和β轴上逆变器交流侧电容电压，uconα和uconβ分别为α轴和β轴上逆变器交流侧输出的电压。uk＝DiVdc＝KPWMuconk，式中一个开关周期内占空比为Di＝ucon/Vtri，逆变器等效增益为KPWM＝Vdc/Vtri，ucon为低频正弦波幅值，Vtri为高频三角载波信号的振幅。对(6)式求导得到逆变器动态方程为：
根据基尔霍夫电流定律可得：
将(8)式带入到(7)式中得到其动力学方程为：
将式(9)所示的状态方程通过Laplace变换，得到如图3所示的等效动力学模型图。其中s为拉普拉斯算子。
在独立电源模式下，通过选择交流输出电压作为系统状态，选择控制信号(uconα,uconβ)作为控制输入，(9)式可以重新排列为：
其中：u(t)＝[uconα,uconβ]T；ap1＝-r/L；ap2＝-1/(LC)；bp＝KPWM/(LC)；cp1＝-1/C；cp2＝-r/(LC)；ap1n,ap2n,bpn,cp1n,cp2n分别为ap1,ap2,bp,cp1,cp2的标称值；Δap1n,Δap2n,Δbpn,Δcp1n,Δcp2n表示系统参数变化的不确定性。dp(t)为电压集总不确定性向量，定义为：
这里的扰动项dp(t)受真实系统的正常数的限制，这里假设给定dp(t)的界限为：
||dp(t)||1≤ρ (12)
其中||·||1表示一范数算子，ρ为正常数。
2.反步控制器设计
本发明所提出的BSC(backstepping control)方案设计用于独立电源模式下的电压控制，控制框图如图4所示。独立电源模式下逆变器BSC的目标是在可能出现系统不确定性的情况下，强制系统状态跟踪参考输出电压/>电压误差(ev)定义为：
ev＝xd-x (13)
其导数为：
其中可被视为虚拟控制的输入，定义以下稳定函数：
其中k1为正常数，定义虚拟误差为：
取第一个Lyapunov候选函数为：
则其导数为：
根据(16)式，虚拟误差(es)的导数可以表示为
取第二个Lyapunov候选函数为：
则其导数为：
根据(21)式，则系统控制律可设计为：
其中k2为正常数。将(22)式带入到(21)式可得：
其中sgn(·)是符号函数向量。从(22)式可以看出，由于V2的导数是一个负定函数，它可以暗示状态e和es渐近为零。根据Lyapunov定理，如果满足ρ＞|dp(t)|的条件，则可以保证逆变器在独立供电模式下BSC方案的稳定性。
3.自适应反步模糊神经网络控制设计
四层FNN如图5所示，包括输入、成员、规则和输出层，用于实现本发明的BFNNC(backstepping fuzzy-neural-network control)系统。
(1)输入层传输输入语言变量qi(i＝1,…,n)到下一层：
qi＝[ev es] (24)
(2)隶属度层用下列高斯隶属度函数表示输入值：
其中和/>分别为第i个输入语言变量qi的第j项高斯函数到该层节点的均值和标准差(中心点和宽度)。
(3)规则层实现模糊推理机制，该层中的每个节点将输入信号相乘，并输出乘积的结果，该层的输出为：
其中lk(k＝1,…,Ny)表示规则层的第k个输出，所有的值都可以通过参数向量收集；假设隶属度层与规则层之间的权重/>是统一的，Ny为规则总数。
(4)输出层的每个节点yo(o＝1,…,No)为规则层输出lk与规则层和输出层之间的可调权重乘积的总和：
FNN的输出可以改写为以下向量形式：
其中：
所有的值都可以通过参数向量收集。
FNN控制设计模仿了BSC控制律。此外，在投影算法和李亚普诺夫稳定性定理意义下推导了网络参数的调谐规律，以保证网络收敛性和稳定的控制性能。依据万能近似定理，存在一个控制系统可以无限逼近原系统uBSC：
其中ε为最小重构误差；W*,m*和c*是FNN中W，m和c的最优参数。假设FNN方案的控制率为：
其中是W*,m*,c*的估计值，将(26)式减去(27)式，可得逼近误差定义为：
利用泰勒级数展开，将逼近误差线性化：
其中是高阶导数项；/>Noy＝No×Ny，/>
再次采用线性化技术，将隶属函数变换为部分线性形式，从而得到泰勒级数中展开项：
将(34)式带入到(33)式中，逼近误差可以重新表述为：
其中y'＝Ulhmc+hω+hl+ε。
FNN参数的自适应律设计如下：
如果或者/>且/>
如果且/>
如果或者/>且/>
如果且/>
如果或者/>且/>
如果且/>
其中：||·||是欧几里德范数；ηω，ηm和ηc为正学习率；bω，bm和bc被给定为正参数界。BSFNNC(backstepping fuzzy-neural-network control)系统结构如图6所示。
4.基于极限学习机的控制器设计
如图7所示，极限学习机(ELM)算法是典型的单隐层前馈网络(SLFN)，具有计算简单、适用性高和效率高等优点，它由一个输入层、若干个隐藏层和一个输出层组成。而FNN是一个信号单向传播的过程，整个网络没有反馈。
对于单隐层前馈网络，有N组数据，任意不同的输入样本(xi,ti)∈Ra×Rb，则具有个隐藏神经元节点的单层前馈神经网络输出可以表示为(i＝1,2,…,L)：
其中：wi＝[wi1,wi2,…,wia]T和bi分别是隐藏神经元的输入权重和偏差的向量，βi＝[βi1,βi2,…,βib]T表示输出权重，而G(xj,wi,bi)是激活函数。
具有个隐藏神经元节点的单层前馈神经网络，在激活函数G(xj,wi,bi)的作用下，可以使如下的方程近似成立：
这表明存在βi，wi，bi使：
上述公式可以转换为以下形式：
Hβ＝T (42)
在(42)式中矩阵H表示单层前馈神经网络输出权值矩阵，其中 定义x＝[x1,x2,…,xL]，w＝[w1,w2,…,wL]和则H可表示为：
传统上，在SFLN的训练过程中，通常使用优化算法来计算最优值和/>其表示为：
其中：||·||F是Frobenius范数。上式中所有参数都是通过反向传播算法更新的，这导致学习速度太慢并且计算能力很大。为了克服这些缺点，极限学习机算法被提出。由于ELM技术的输入权重w和隐藏层偏置b在随机生成之后不需要进行调整，因此训练SLFN只需计算系统(42)的输出权重β的最小二乘解，则β可由下式获得：
其中：是矩阵H的Moore–Penrose广义逆。
由(22)式可得控制器输出的等效控制率为：
控制器的趋近律为：
最后可令极限学习机的补偿输出为：
其中：H(x,w,b)是隐藏层函数，x为极限学习机的输入向量，w和b分别为隐藏神经元的输入权重和偏差的向量，他们由高斯分布生成，为ELM的输出权重向量。
由(46)-(48)式可得最终的控制律为：
在SLFN近似定理下，存在一个理想的输出权值β*拟合系统的集总不确定性dp(t)。因此可得：
dp(t)＝H(x)β*+δ (50)
其中δ为近似误差，根据ELM的原理，δ会随着隐藏层节点的数量增加而减小，因此，可以合理地假设近似误差δ是有界的，即存在一个固定常数δL，使得||δ||≤δN。
接下来验证控制器是否稳定，取第三个Lyapunov候选函数为：
其中：μ为正数，Γ为正定对角矩阵，对V3求导可得：
由于所以输出权值/>的自适应律设计为：
将(53)式带入(52)式中得：
由(54)式可以知道V3是负半定的，根据Lyapunov理论基于极限学习机的反步模糊神经网络控制器是稳定的。
如图8所示，系统整体控制过程如下：
首先，对三相逆变器的输出x1经过Clarke变换将输出电压从abc坐标等功率变换到α-β坐标，建立系统的动力学模型，通过输出电压与参考电压的误差建立反步控制器(BSC)模型。其次，在反步控制器的基础上，运用模糊神经网络对控制器进行优化，并加入自适应律来调整控制器参数。然后，利用极限学习机算法对系统的扰动模型进行估计，并补偿到反步神经网络控制器中，生成最终的系统控制率。最后，将α、β坐标下的两个控制率ucon输入到SVPWM调制策略中，产生六路PWM信号控制六个开关器件的开关控制信号，使得直流输出电压Vdc跟踪给定值。
图9为三相逆变器在额定工作状态下，其中α相的输出电压波形与参考电压信号的对比，从图中可以看出，系统稳定后，输出电压波形光滑，输出波形的THD为0.42％，谐波含量低，幅值和频率基本服从给定无静差。
在负载发生变化的时候，系统调节时间是衡量系统动态响应的标准之一。调节时间越短，超调量越小，则系统的动态响应越好。给定额定状态系统负载为18Ω，在负载扰动的仿真实验中，系统先是由满载切换到半载再回到满载，接着由满载切换到超载50％再回到满载状态。从图10波形中可以看出，在负载发生变化之时，系统在1ms左右就可以恢复到稳定状态，说明基于极限学习机的反步模糊神经网络控制方法对负载扰动的抵抗能力很好。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (2)
1.一种基于极限学习机的逆变器反步模糊神经网络控制方法，其特征在于，所述逆变器为三相全桥式LC型逆变器，所述控制方法包括如下步骤：
步骤1：根据三相全桥式LC型逆变器的滤波电感电流和滤波电容电压，构建三相逆变器的α-β坐标系上系统动力学模型；
α-β坐标系上系统动力学模型为：
其中：和/>分别为α轴和β轴上逆变器交流侧电感上的电流，/>和/>分别为α轴和β轴上逆变器交流侧流经负载的电流，/>和/>分别为α轴和β轴上逆变器交流侧电容电压，r为回路等效负载，uconα和uconβ分别为α轴和β轴上逆变器交流侧输出的电压，uk＝DiVdc＝KPWMuconk，式中一个开关周期内占空比为Di＝ucon/Vtri，逆变器等效增益为KPWM＝Vdc/Vtri，Vdc为直流母线电压，ucon为低频正弦波幅值，Vtri为高频三角载波信号的振幅；
步骤2：根据步骤1构建的系统动力学模型，将其转换为二阶系统，选择系统状态变量，并加入集总不确定项，构建新的三相逆变器等效系统模型；
二阶系统为：
选择交流输出电压作为系统状态，选择控制信号(uconα,uconβ)作为控制输入，并加入集总不确定项对扰动参数进行系统扩张，构建新的三相逆变器等效系统模型为：
其中：u(t)＝[uconα,uconβ]T；ap1＝-r/L；ap2＝-1/(LC)；bp＝KPWM/(LC)；cp1＝-1/C；cp2＝-r/(LC)；ap1n,ap2n,bpn,cp1n,cp2n分别为ap1,ap2,bp,cp1,cp2的标称值；Δap1n,Δap2n,Δbpn,Δcp1n,Δcp2n表示系统参数变化的不确定性；dp(t)为电压集总不确定性向量，定义为：
这里的扰动项dp(t)受真实系统的正常数的限制，这里假设给定dp(t)的界限为：
||dp(t)||1≤ρ
其中：||·||1表示一范数算子，ρ为正常数；
步骤3：根据步骤2构建的三相逆变器等效系统模型，运用反步法来设计控制器，引入稳定函数和虚拟误差，构建反步控制器；
反步控制器设计为：
其中：k2为正常数，系统状态跟踪参考输出电压/>
ev为电压误差：ev＝xd-x；
α为稳定函数：
es为虚拟误差：
步骤4：根据步骤3构建的反步控制器，利用模糊神经网络对反步控制器进行优化，构建反步模糊神经网络控制器，并加入自适应律来调整控制器参数；
反步模糊神经网络控制器设计为：
其中：Ny为规则总数yo(o＝1,…,No)表示输出层的每个节点，lk(k＝1,...,Ny)表示规则层的第k个输出，表示规则层和输出层之间的可调权重；
FNN参数的自适应律设计为：
如果或者/>且/>
如果且/>
如果或者/>且/>
如果且/>
如果或者/>且/>
如果且/>
其中：||·||是欧几里德范数；ηω，ηm和ηc为正学习率；bω，bm和bc被给定为正参数界，
步骤5：根据步骤4构建的反步模糊神经网络控制器，通过极限学习机算法，对系统的集总不确定性进行估计，并补偿扰动，构建基于极限学习机的反步模糊神经网络控制器；
基于极限学习机的反步模糊神经网络控制器设计为：
其中：H(x,w,b)是隐藏层函数，x为极限学习机的输入向量，w和b分别为隐藏神经元的输入权重和偏差的向量，他们由高斯分布生成，为ELM的输出权重向量；
步骤6：根据步骤5构建的基于极限学习机的反步模糊神经网络控制器，获取控制器的输出，通过SVPWM来对三相逆变器的全桥开关进行信号控制。
2.根据权利要求1所述的基于极限学习机的逆变器反步模糊神经网络控制方法，其特征在于，所述步骤6获取控制器的三相逆变器全桥开关控制信号为：
将uα和uβ作为SVPWM调制策略的输入，产生六路PWM信号控制六个开关器件的开关控制信号，使得直流输出电压Vdc跟踪给定值；采用SVPWM调制策略，开关频率等于采样频率，开关频率固定，利于三相PWM整流器滤波器参数的设计。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211692808.1A CN116125803B (zh) | 2022-12-28 | 2022-12-28 | 一种基于极限学习机的逆变器反步模糊神经网络控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211692808.1A CN116125803B (zh) | 2022-12-28 | 2022-12-28 | 一种基于极限学习机的逆变器反步模糊神经网络控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116125803A CN116125803A (zh) | 2023-05-16 |
| CN116125803B true CN116125803B (zh) | 2024-06-11 |
Family
ID=86302118
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211692808.1A Active CN116125803B (zh) | 2022-12-28 | 2022-12-28 | 一种基于极限学习机的逆变器反步模糊神经网络控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116125803B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002086814A1 (en) * | 2001-04-23 | 2002-10-31 | Hrl Laboratories, Llc | An on-line method for self-organized learning and extraction of fuzzy rules |
| CN103888037A (zh) * | 2014-02-25 | 2014-06-25 | 江苏大学 | 一种极限学习机逆解耦控制器的构造方法 |
| CN106707763A (zh) * | 2017-02-23 | 2017-05-24 | 河海大学常州校区 | 光伏并网逆变器的模糊神经全局快速终端滑模控制方法 |
| CN107976934A (zh) * | 2017-11-20 | 2018-05-01 | 淮阴工学院 | 一种基于无线传感器网络的油罐车油气泄漏速度智能预警系统 |
| CN108196453A (zh) * | 2018-01-24 | 2018-06-22 | 中南大学 | 一种机械臂运动规划群体智能计算方法 |
| DE102018204684A1 (de) * | 2017-04-10 | 2018-10-11 | Hitachi, Ltd. | Anlagensteuerung und ihr steuerverfahren, walzstrassensteuerung und ihr steuerverfahren und -programm |
| CN109103884A (zh) * | 2018-09-18 | 2018-12-28 | 河海大学常州校区 | 基于元认知模糊神经网络的有源电力滤波器反演控制方法 |
| CN110048606A (zh) * | 2019-05-23 | 2019-07-23 | 哈尔滨工业大学 | 基于区间二型自适应模糊神经网络的dc-dc升压变换器动态滑模电压控制方法 |
| CN112101457A (zh) * | 2020-09-15 | 2020-12-18 | 湖南科技大学 | 基于转矩信号模糊智能学习的pmsm退磁故障诊断方法 |
| CN113515048A (zh) * | 2021-08-13 | 2021-10-19 | 华中科技大学 | 一种模糊自适应pso-elm声品质预测模型的建立方法 |
| CN114418963A (zh) * | 2021-12-28 | 2022-04-29 | 淮阴工学院 | 一种基于机器视觉的电池极板缺陷检测方法 |
| CN115085609A (zh) * | 2022-07-27 | 2022-09-20 | 南京工程学院 | 一种单绕组磁悬浮电机滑模系统控制方法 |
-
2022
- 2022-12-28 CN CN202211692808.1A patent/CN116125803B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002086814A1 (en) * | 2001-04-23 | 2002-10-31 | Hrl Laboratories, Llc | An on-line method for self-organized learning and extraction of fuzzy rules |
| CN103888037A (zh) * | 2014-02-25 | 2014-06-25 | 江苏大学 | 一种极限学习机逆解耦控制器的构造方法 |
| CN106707763A (zh) * | 2017-02-23 | 2017-05-24 | 河海大学常州校区 | 光伏并网逆变器的模糊神经全局快速终端滑模控制方法 |
| DE102018204684A1 (de) * | 2017-04-10 | 2018-10-11 | Hitachi, Ltd. | Anlagensteuerung und ihr steuerverfahren, walzstrassensteuerung und ihr steuerverfahren und -programm |
| CN107976934A (zh) * | 2017-11-20 | 2018-05-01 | 淮阴工学院 | 一种基于无线传感器网络的油罐车油气泄漏速度智能预警系统 |
| CN108196453A (zh) * | 2018-01-24 | 2018-06-22 | 中南大学 | 一种机械臂运动规划群体智能计算方法 |
| CN109103884A (zh) * | 2018-09-18 | 2018-12-28 | 河海大学常州校区 | 基于元认知模糊神经网络的有源电力滤波器反演控制方法 |
| CN110048606A (zh) * | 2019-05-23 | 2019-07-23 | 哈尔滨工业大学 | 基于区间二型自适应模糊神经网络的dc-dc升压变换器动态滑模电压控制方法 |
| CN112101457A (zh) * | 2020-09-15 | 2020-12-18 | 湖南科技大学 | 基于转矩信号模糊智能学习的pmsm退磁故障诊断方法 |
| CN113515048A (zh) * | 2021-08-13 | 2021-10-19 | 华中科技大学 | 一种模糊自适应pso-elm声品质预测模型的建立方法 |
| CN114418963A (zh) * | 2021-12-28 | 2022-04-29 | 淮阴工学院 | 一种基于机器视觉的电池极板缺陷检测方法 |
| CN115085609A (zh) * | 2022-07-27 | 2022-09-20 | 南京工程学院 | 一种单绕组磁悬浮电机滑模系统控制方法 |
Non-Patent Citations (5)
| Title |
|---|
| An Improved Water Cycle Optimized Extreme Learning Machine with Ridge Regression towards Effective Maximum Power Extraction for Photovoltaic based Active Distribution Grids;Smrutirekha Patnaik etal.;《2020 International Conference on Computational Intelligence for Smart Power System and Sustainable Energy (CISPSSE)》;20201231;第1-6页 * |
| Data Mining Applications to Fault Diagnosis in Power Electronic Systems: A Systematic Review;Arash Moradzadeh etal.;《IEEE TRANSACTIONS ON POWER ELECTRONICS》;20220531;第6026-6050页 * |
| K. V. Shihabudheen ; G. N. Pillai ; S. Krishnama Raju.Neuro-Fuzzy Control of DFIG Wind Energy System with Distribution Network.《Electric Power Components and Systems》.2018,第1416-1431页. * |
| 同步发电机励磁控制方法的发展与展望;程启明等;《电力自动化设备》;20120531;第108-117页 * |
| 高频隔离型准Z源光伏并网逆变器改进型滑模控制策略研究;蒋力;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20200815;第C042-186页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116125803A (zh) | 2023-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mehrasa et al. | An input–output feedback linearization control method synthesized by artificial neural network for grid-tied packed E-cell inverter | |
| CN106707763B (zh) | 光伏并网逆变器的模糊神经全局快速终端滑模控制方法 | |
| Liu et al. | Passivity-based decoupling control strategy of single-phase LCL-type VSRs for harmonics suppression in railway power systems | |
| Chenchireddy et al. | ANFIS based reduce device count DSTATCOM | |
| Pérez-Guzmán et al. | Recent advances of predictive control in power converters | |
| Babaie et al. | Adaptive neural fuzzy inference system controller for Seven-Level Packed U-Cell Inverter | |
| Mahajan et al. | An artificial intelligence based controller for multilevel harmonic filter | |
| Deng et al. | Neural controller for UPS inverters based on B-spline network | |
| Amini et al. | Interface converter control of distributed generation in microgrids using fractional proportional—Resonant controller | |
| Yu et al. | Multi-step predictive current control for NPC grid-connected inverter | |
| Chang et al. | Real-time implementation of grey fuzzy terminal sliding mode control for PWM DC–AC converters | |
| CN117097189A (zh) | 一种光伏逆变器的控制方法 | |
| Long et al. | Passivity fractional-order sliding-mode control of grid-connected converter with LCL filter | |
| Khandelwal et al. | Applications of AI for power electronics and drives systems: A review | |
| Ramya et al. | Fuzzy and de-coupled dq control strategy in riven bias inverter for islanding operation in microgrid | |
| CN116125803B (zh) | 一种基于极限学习机的逆变器反步模糊神经网络控制方法 | |
| Yang et al. | Unconstrained continuous control set model predictive control based on Kalman filter for active power filter | |
| CN108377000B (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 | |
| Eslampanah et al. | Artificial Neural Networks for Control of Three Phase Grid Connected T-Type Inverter | |
| Hu et al. | A novel proportion-integral-differential controller based on deep reinforcement learning for DC/DC power buck converters | |
| Babaie et al. | Model-free second-order sliding mode control for grid-connected voltage source compact multilevel converters | |
| Babaie et al. | Direct control of capacitors voltage using backstepping technique for bidirectional compact multilevel converters | |
| Pradhan et al. | An optimal fractional-order-proportional-integral controller for a grid-tied photovoltaic system | |
| Hemalatha et al. | Harmonics Extraction Scheme for Power Quality Improvement Using Chbmli-Dstatcom Module. | |
| Fekik et al. | A new super-twisting sliding mode control based direct instantaneous power control of PWM-rectifier connected to grid |
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 |