一种光伏并网逆变装置，它包括与光伏电站的各个光伏电池板一一对应的多个微型逆变器，每个微型逆变器包括MPU控制器以及依次连接于光伏电池板与电网之间的储能电容、反激变换器、工频逆变桥和EMI滤波器，所述MPU控制器通过第一电压传感器和第二电压传感器分别采集光伏电池板电压和电网电压，通过电流传感器采集EMI滤波器输出的并网电流，并通过两个驱动模块分别控制反激变换器和工频逆变桥。本发明专利技术在提高发电效率的同时，还解决了集中式逆变器可靠性差的问题。本装置将神经网络逆模型与PI控制器结合在一起，既可以实现系统的线性化，又可以发挥PI控制器的鲁棒性，从而有效提高了电能质量。
【技术实现步骤摘要】
【专利摘要】一种光伏并网逆变装置，它包括与光伏电站的各个光伏电池板一一对应的多个微型逆变器，每个微型逆变器包括MPU控制器以及依次连接于光伏电池板与电网之间的储能电容、反激变换器、工频逆变桥和EMI滤波器，所述MPU控制器通过第一电压传感器和第二电压传感器分别采集光伏电池板电压和电网电压，通过电流传感器采集EMI滤波器输出的并网电流，并通过两个驱动模块分别控制反激变换器和工频逆变桥。本专利技术在提高发电效率的同时，还解决了集中式逆变器可靠性差的问题。本装置将神经网络逆模型与PI控制器结合在一起，既可以实现系统的线性化，又可以发挥PI控制器的鲁棒性，从而有效提高了电能质量。【专利说明】-种光伏并网逆变装置
本专利技术涉及一种采用神经网络逆模型控制的光伏并网微型逆变器系统，属于发电
。
技术介绍
随着能源危机和环境污染问题日益严重，太阳能光伏发电作为清洁的绿色能源， 其并网控制技术成为世界各国关注和研究的热点。 现代社会对能源的利用效率和电能质量提出的要求越来越高。现有的并网光伏 逆变器多为集中式逆变器，即将大量光伏电池串并联后通过一个大功率逆变器进行电能输 出。由于不能保证每个光伏电池都工作于最大功率点，这种方式存在效率低的缺点。更为 严重的是，这种方式的可靠性较差，若集中式逆变器发生故障，将导致与其连接的所有光伏 电池终止电能输出。因此，光伏逆变器的微型化将成为今后的发展趋势。另外，现有的并网 光伏逆变器多采用简单的PI控制器，存在并网电流谐波含量较高的缺点。通过增加输出滤 波单元可以在一定程度上抑制谐波，但是却使得系统的输出阻抗呈现二阶甚至高阶感容特 性，容易导致系统不稳定。可见，为了提高电能质量，必须寻求更好的控制方法。
技术实现思路
本专利技术的目的在于针对现有技术之弊端，提供一种光伏并网逆变装置，以有效提 高光伏发电的可靠性和电能质量。 本专利技术所述问题是以下述技术方案实现的： 一种光伏并网逆变装置，构成中包括与光伏电站的各个光伏电池板一一对应的多个微 型逆变器，每个微型逆变器包括MPU控制器以及依次连接于光伏电池板与电网之间的储能 电容、反激变换器、工频逆变桥和EMI滤波器，所述MPU控制器通过第一电压传感器和第二 电压传感器分别采集光伏电池板电压和电网电压，通过电流传感器采集EMI滤波器输出的 并网电流，并通过两个驱动模块分别控制反激变换器和工频逆变桥，所述MPU控制器按以 下方式运作： ①通过第一电压传感器采集光伏电池板电压&，通过第二电压传感器采集电网电压 通过电流传感器采集并网电流;以微型逆变器作为对象，建立并训练相应的神经网 络逆模型，具体如下： a. 选取三层BP神经网络建立系统的逆模型，其中，输入层神经元节点数为10个，隐含 层神经元节点数为18个，输出层神经元节点数为1个，隐含层神经元转移函数使用双曲正 切函数，输出层神经元转移函数使用S型函数； b. 在光伏微型逆变器上采集运行数据； 利用单回路PI控制器进行并网电流控制，令光伏微型逆变器分别处于额定功率、80% 额定功率、60%额定功率、40%额定功率、20%额定功率的工况下，每种工况下连续采集#组并 网电流4、电网电压反激变换器PWM信号占空比认光伏电池板电压&，共构成5#组 运行数据； C.利用采集的运行数据构造样本； 对于k时刻，所构造的样本为 【权利要求】1. 一种光伏并网逆变装置，其特征是，它包括与光伏电站的各个光伏电池板一一对应 的多个微型逆变器，每个微型逆变器包括MPU控制器以及依次连接于光伏电池板与电网之 间的储能电容、反激变换器、工频逆变桥和EMI滤波器，所述MPU控制器通过第一电压传感 器（UT1)和第二电压传感器（UT2)分别采集光伏电池板电压和电网电压，通过电流传感器 (CT)采集EMI滤波器输出的并网电流，并通过两个驱动模块分别控制反激变换器和工频逆 变桥，所述MPU控制器按以下方式运作： ① 通过第一电压传感器（UT1)采集光伏电池板电压通过第二电压传感器（UT2)采 集电网电压通过电流传感器（CT)采集并网电流；以微型逆变器作为对象，建立并 训练相应的神经网络逆模型，具体如下： a. 选取三层BP神经网络建立系统的逆模型，其中，输入层神经元节点数为10个，隐含 层神经元节点数为18个，输出层神经元节点数为1个，隐含层神经元转移函数使用双曲正 切函数，输出层神经元转移函数使用S型函数； b. 在光伏微型逆变器上采集运行数据； 利用单回路PI控制器进行并网电流控制，令光伏微型逆变器分别处于额定功率、80% 额定功率、60%额定功率、40%额定功率、20%额定功率的工况下，每种工况下连续采集#组并 网电流电网电压反激变换器PWM信号占空比认光伏电池板电压&，共构成5#组 运行数据； c. 利用采集的运行数据构造样本； 对于k时刻，所构造的样本为，其中，为k时刻的电网电压，为k-Ι时刻的电网电压，为k-2时刻的电网电压，为k时刻的 并网电流，为k-Ι时刻的并网电流，为k+Ι时刻的并网电流，j(k-l)为 k-Ι时刻的反激变换器PWM信号占空比A (k-2)为k-2时刻的反激变换器PWM信号占空比， 0(k-3)为k-3时亥lj的反激变换器PWM信号占空比，为k时刻的光伏电池板的电压， 汐(k)为k时亥IJ的反激变换器PWM信号占空比，5#组运行数据共构成5#个样本； d. 随机抽取5#个样本数据中的4/V个作为训练样本，其余#个作为检验样本，训练建 立的三层BP神经网络；训练过程中，对于k时刻的样本，取BP神经网络的第一个输入端为k 时刻的电网电压，第二个输入端为k-Ι时刻的电网电压，第三个输入端为k_2时刻的电网电压 ，第四个输入端为k时刻的并网电流，第五个输入端为 k-Ι时刻的并网电流 第六个输入端为k+Ι时刻的并网电流，第七个输入 端为k-Ι时刻的反激变换器PWM信号占空比j(k-l)，第八个输入端为k-2时刻的反激变换 器PWM信号占空比扒k-2)，第九个输入端为k-3时刻的反激变换器PWM信号占空比扒k-3)， 第十个输入端为k时刻的光伏电池板的电压，BP神经网络的输出为k时刻的反激变 换器PWM信号占空比扒k); ② 利用训练好的BP神经网络逆模型对微型逆变器进行控制，具体步骤为： a.利用训练好的BP神经网络逆模型进行反激变换器PWM信号占空比的计算，对于当 前k时刻，取第一个输入端为k时刻的电网电压，第二个输入端为k-Ι时刻的电网 电压，第三个输入端为k-2时刻的电网电压，第四个输入端为k时刻 的并网电流，第五个输入端为k-Ι时刻的并网电流，第六个输入端为k+Ι时 刻的并网电流设定值，第七个输入端为k-Ι时刻的反激变换器PWM信号占空比 0 (k-Ι)，第八个输入端为k-2时刻的反激变换器PWM信号占空比0 (k-2)，第九个输入端为 k_3时刻的反激变换器PWM信号占空比0(k-3)，第十个输入端为k时刻的光伏电池板的电 压，得出BP神经网络的输出为i/(k); b. 将下一时刻并网电流设定值与当前k时刻并网电流4 (k)的偏差送入 PI控制器，得到本文档来自技高网...
【技术保护点】
一种光伏并网逆变装置，其特征是，它包括与光伏电站的各个光伏电池板一一对应的多个微型逆变器，每个微型逆变器包括MPU控制器以及依次连接于光伏电池板与电网之间的储能电容、反激变换器、工频逆变桥和EMI滤波器，所述MPU控制器通过第一电压传感器(UT1)和第二电压传感器(UT2)分别采集光伏电池板电压和电网电压，通过电流传感器(CT)采集EMI滤波器输出的并网电流，并通过两个驱动模块分别控制反激变换器和工频逆变桥，所述MPU控制器按以下方式运作： ① 通过第一电压传感器(UT1)采集光伏电池板电压Vpv，通过第二电压传感器(UT2)采集电网电压Vgrid，通过电流传感器(CT)采集并网电流iac；以微型逆变器作为对象，建立并训练相应的神经网络逆模型，具体如下：a. 选取三层BP神经网络建立系统的逆模型，其中，输入层神经元节点数为10个，隐含层神经元节点数为18个，输出层神经元节点数为1个，隐含层神经元转移函数使用双曲正切函数，输出层神经元转移函数使用S型函数；b. 在光伏微型逆变器上采集运行数据；利用单回路PI控制器进行并网电流控制，令光伏微型逆变器分别处于额定功率、80%额定功率、60%额定功率、40%额定功率、20%额定功率的工况下，每种工况下连续采集N组并网电流iac、电网电压Vgrid、反激变换器PWM信号占空比D、光伏电池板电压Vpv，共构成5N组运行数据；c. 利用采集的运行数据构造样本；对于k时刻，所构造的样本为{ Vgrid(k)，Vgrid(k‑1)，Vgrid(k‑2)，iac(k)，iac(k‑1)，iac (k+1)，D(k‑1)，D(k‑2)，D(k‑3)，Vpv(k)，D(k)}，其中，Vgrid(k)为k时刻的电网电压，Vgrid(k‑1)为k‑1时刻的电网电压，Vgrid(k‑2)为k‑2时刻的电网电压，iac(k)为k时刻的并网电流，iac(k‑1)为k‑1时刻的并网电流，iac (k+1)为k+1时刻的并网电流，D(k‑1)为k‑1时刻的反激变换器PWM信号占空比，D(k‑2)为k‑2时刻的反激变换器PWM信号占空比，D(k‑3)为k‑3时刻的反激变换器PWM信号占空比，Vpv(k)为k时刻的光伏电池板的电压，D(k)为k时刻的反激变换器PWM信号占空比，5N组运行数据共构成5N个样本；d. 随机抽取5N个样本数据中的4N个作为训练样本，其余N个作为检验样本，训练建立的三层BP神经网络；训练过程中，对于k时刻的样本，取BP神经网络的第一个输入端为k时刻的电网电压Vgrid(k)，第二个输入端为k‑1时刻的电网电压Vgrid(k‑1)，第三个输入端为k‑2时刻的电网电压Vgrid(k‑2)，第四个输入端为k时刻的并网电流iac(k)，第五个输入端为k‑1时刻的并网电流iac(k‑1)，第六个输入端为k+1时刻的并网电流iac(k+1)，第七个输入端为k‑1时刻的反激变换器PWM信号占空比D(k‑1)，第八个输入端为k‑2时刻的反激变换器PWM信号占空比D(k‑2)，第九个输入端为k‑3时刻的反激变换器PWM信号占空比D(k‑3)，第十个输入端为k时刻的光伏电池板的电压Vpv(k)，BP神经网络的输出为k时刻的反激变换器PWM信号占空比D(k)；② 利用训练好的BP神经网络逆模型对微型逆变器进行控制，具体步骤为：a. 利用训练好的BP神经网络逆模型进行反激变换器PWM信号占空比的计算，对于当前k时刻，取第一个输入端为k时刻的电网电压Vgrid(k)，第二个输入端为k‑1时刻的电网电压Vgrid(k‑1)，第三个输入端为k‑2时刻的电网电压Vgrid(k‑2)，第四个输入端为k时刻的并网电流iac(k)，第五个输入端为k‑1时刻的并网电流iac(k‑1)，第六个输入端为k+1时刻的并网电流设定值i*ac (k+1)，第七个输入端为k‑1时刻的反激变换器PWM信号占空比D(k‑1)，第八个输入端为k‑2时刻的反激变换器PWM信号占空比D(k‑2)，第九个输入端为k‑3时刻的反激变换器PWM信号占空比D(k‑3)，第十个输入端为k时刻的光伏电池板的电压Vpv(k)，得出BP神经网络的输出为d(k)；b. 将下一时刻并网电流设定值i*ac (k+1)与当前k时刻并网电流iac(k)的偏差送入PI控制器，得到闭环控制量dC(k)，即其中： e(k)=i*ac (k+1)‑iac(k)，Kp表示比例系数，Ki表示积分系数；c. 将神经网络逆模型的输出d(k)和PI控制器的输出dC(k)叠加后作为最终的反激变换器PWM信号占空比D(k)，即： D(k)= d(k)+ dC(k)。...
【技术特征摘要】
【专利技术属性】
技术研发人员：刘卫亮，刘长良，张会超，马良玉，林永君，陈文颖，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：河北;13
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。