基于递归神经网络的并网逆变器电流控制方法技术

本发明专利技术提供了基于递归神经网络的并网逆变器电流控制方法，基于递归神经网络的并网逆变器电流控制方法，采用离散域状态空间方程建立并网逆变器系统的数学模型，采用Levenberg‑Marquardt(LM)+Forward Accumulation Through Time(FATT)优化方法训练递归神经网络控制器，离线获得的权值矩阵作为神经网络初始化权值，再结合神经网络的误差反向传播方法，替换传统PI控制器来实现并网逆变器的电流控制。本发明专利技术的有益效果是：本发明专利技术提供的技术方案可以加快并网逆变器神经网络控制器的收敛速度，提高系统的动态响应能力和抗干扰能力，解决并网逆变器的非线性和参数耦合问题。

【技术实现步骤摘要】
基于递归神经网络的并网逆变器电流控制方法
本专利技术涉及新能源智能控制领域，尤其涉及基于递归神经网络的并网逆变器电流控制方法。
技术介绍
并网逆变器是分布式发电系统的重要接口，并网电流的质量是其重要指标。并网逆变器通常采用PWM技术，其输出PWM电压中存在丰富的开关谐波，为了抑制这些谐波，需要选取合适的输出滤波器。常用的输出滤波器类型为L型滤波器，其结构简单且易于控制，但滤波效果较差。在相同的滤波效果下，LCL型比L型滤波器，它们的尺寸和重量更小且并网电流的动态响应能力得到提高。然而，LCL型滤波器是三阶系统，存在固有的谐振问题，会影响并网逆变器的稳定运行。通常有两种手段：一是增加系统阻尼的方法，二是通过合理地设计控制器来保证并网逆变器系统的稳定运行来抑制该谐振。并网电流作为并网逆变器的控制对象，它的控制方法包括直接和间接两大类。前者可有效跟踪负载电流的变化，具有易限流、良好的动态性能及高控制精度等优点；后者实现容易且成本低廉，但其不足之处突出在并网电流动态响应缓慢和易受参数变化影响方面，目前已逐步被直接电流控制所取代。直流电流控制方法，常用的方法包括比例积分(PI)和比例谐振(PR)，谐波谐振控制、重复控制和无差拍控制在一些方面也得到了应用。这些控制方法均属于线性控制方法，其控制参数设计均基于标准状态下，控制器参数的设计过程较为复杂，且其设计依赖于系统建模的精确度。实际的并网逆变器系统具有多变量、非线性和时变等特点，目前无法得到精确的并网逆变器系统数学模型，因而这些控制器参数整定相当困难。神经网络具备自适应、自学习及泛化能力，可逼近任意非线性函数，这些特性使得其在非线性控制领域应用广泛。与以上控制方法相比，神经网络不依赖于系统的数学模型，因而加入神经网络控制的系统往往鲁棒性高、动静态性能好。将神经网络与其他控制方法相结合，是目前比较多的并网逆变器控制方式。PI控制器等线性控制器的参数一旦确定将无法更改，当系统工况或参数发生变化时，系统可能发生振荡甚至变得不稳定，进而影响并网电流的输出质量。
技术实现思路
为了解决上述问题，本专利技术提供了基于递归神经网络的并网逆变器电流控制方法，主要包括以下步骤：S101：采集三相电网电压信号和电流信号，根据采集到的三相电网电压信号，通过Clarke变换得到αβ坐标系下的电压信号；对αβ坐标系下的电压信号采用双广义积分器进行滤波得到正序两相电压信号；对正序两相电压信号采用Park变换得到dq坐标系下q轴的电压信号；根据dq坐标系下q轴的电压信号通过锁相环技术得到三相电网的电压相位；S102：根据三相电网的电压相位和采集到的三相电网电流信号，通过Clarke变换和Park变换得到dq坐标系下的电流信号，将dq坐标系下的电流信号与并网逆变系统的参考电流信号相比较，得到电流差值信号，对电流差值信号进行积分，得到积分信号；S103：将电流差值信号和积分信号作为递归神经网络控制器的输入，得到递归神经网络控制器的输出电压值，其中递归神经网络控制器的输出所需权重由LM+FATT算法训练获得；S104：将递归神经网络控制器的输出电压值与PWM增益相乘，得到并网逆变器系统的输出电压值，对并网逆变器系统的输出电压值作反Park变换得到αβ坐标系下的两相电压值；S105：对αβ坐标系下的两相电压值采用SVPWM调制方法生成PWM波，PWM波作为并网逆变器系统开关管的驱动脉冲，实现对并网逆变器系统的电流控制。进一步地，根据步骤S102变换得到的第k时刻dq坐标系下的电流信号参考电流信号电流差值信号和积分信号在步骤S103中，训练得到递归神经网络控制器输出所需权重的步骤如下：S201：将电流差值信号和积分信号作为第一个矩阵输入量输入到递归神经网络控制器中的前馈神经网络，经过前馈神经网络的正向过程，得到第一个递归神经网络控制器的输出向量S202：根据并网逆变器系统的离散域状态空间模型，利用迭代预测出从k+1时刻到k+N-1时刻的N-1个电流量，从而计算得到从k时刻到k+N-1时刻的N个电流量与参考电流量的差值，继而计算得到递归神经网络控制器中前馈神经网络的评价函数C的值，评价函数C的表达式如公式(1)：其中k为大于等于1的正整数，N为大于k的正整数；S203：利用LM+FATT算法计算权值更新矩阵，利用权值更新矩阵沿着评价函数C减小的方向调整递归神经网络控制器中前馈神经网络的权值矩阵，得到最终的权重用计算获得递归神经网络控制器的输出电压值进一步地，在步骤S203中，沿着评价函数值减小的方向调整递归神经网络控制器中前馈神经网络的权值矩阵，具体的实施步骤如下：S301：确定RNN结构，初始化学习速率μ为0.001，μ的增加系数βin为10，μ的减小系数βde为0.1，最大学习速率μmax为1×1010，设置最大训练次数Epochmax为200，以及最小可接受的梯度值为1×10-10；S302：用高斯分布随机函数randm初始化权值矩阵S303：采用FATT算法计算评价函数C和雅克比矩阵S304：计算梯度将梯度与最小可接受的梯度相比较，如果退出训练程序；S305：如果采用Cholesky分解法计算权值更新矩阵根据计算新的权值矩阵S306：采用FATT*算法计算评价函数C*，比较C*和C的值，如果C*<C，根据更新权值矩阵根据μ＝μ·βde，减小学习速率μ；如果C*≥C，根据μ＝μ·βin增加学习速率μ，若μ>μmax，结束训练程序，若μ≤μmax，返回第S305步；S307：令Epoch＝Epoch+1，返回步骤S303，直到达到最大训练次数Epochmax，结束训练程序。进一步地，递归神经网络控制器中前馈神经网络的结构包括输入层神经元、双隐含层和神经元以及输出层神经元。进一步地，采用并网逆变器系统的离散状态空间模型获取递归神经网络控制器中的训练样本，并网逆变器系统的离散状态空间模型的建模过程如下：根据电路理论和坐标变换得到并网逆变器系统的连续状态空间方程，忽略电容影响，得到的简化并网逆变器系统连续域状态空间方程式如公式(2)：采用零阶保持器对上式进行离散化处理，得到并网逆变器系统的离散域状态空间方程如公式(3)：对公式(3)进行简化可得：其中表示ud(k)和uq(k)，表示vd1(k)和表示vd和vq，τ＝R/L，R＝r1+r2，L＝L1+L2，r1和L1代表逆变器侧的各电阻和电感值、r2和L2代表电网侧的各电阻和电感值，ωs和Ts分别代表三相电网的角频率和电流电压的采样频率，k为大于等于1的正整数。本专利技术提供的技术方案带来的有益效果是：本专利技术针对并网逆变器系统具有的非线性、时变性和耦合性，为解决并网逆变器系统的非线性和参数耦合问题，提出了一种并网逆变器电流控制方法。应用LM+FATT算法对递归神经网络控制器的输出进行优化学习，提高系统的动态响应能力和抗干扰能力。与传统的PI控制方法相比，在一定范围内采样频率越低，递归神经网络矢量控制的并网电流波形质量越好。附图说明下面将结合附图及实施例对本专利技术作进一步说明，附图中：图1是本专利技术实施例中基于递归神经网络的并网逆变器电流控制方法的流程图；图2是本专利技术实施例中基于递归神经网络控制的三相并网逆变器系统结构控制框图的示意图；图本文档来自技高网...

【技术保护点】
1.基于递归神经网络的并网逆变器电流控制方法，其特征在于：包括以下步骤：S101：采集三相电网电压信号和电流信号，根据采集到的三相电网电压信号，通过Clarke变换得到αβ坐标系下的电压信号；对αβ坐标系下的电压信号采用双广义积分器进行滤波得到正序两相电压信号；对正序两相电压信号采用Park变换得到dq坐标系下q轴的电压信号；根据dq坐标系下q轴的电压信号通过锁相环技术得到三相电网的电压相位；S102：根据三相电网电压相位和采集到的三相电网电流信号，通过Clarke变换和Park变换得到dq坐标系下的电流信号，将dq坐标系下的电流信号与并网逆变器系统的参考电流信号相比较，得到电流差值信号，对电流差值信号进行积分，得到积分信号；S103：将电流差值信号和积分信号作为递归神经网络控制器的输入，得到递归神经网络控制器的输出电压值，其中递归神经网络控制器的输出所需权重由LM+FATT算法训练获得；S104：将递归神经网络控制器的输出电压值与PWM增益相乘，得到并网逆变器系统的输出电压值，对并网逆变器系统的输出电压值作反Park变换得到αβ坐标系下的两相电压值；S105：对αβ坐标系下的两相电压值采用SVPWM调制方法生成PWM波，PWM波作为并网逆变器系统开关管的驱动脉冲，实现对并网逆变器系统的电流控制。...

【技术特征摘要】
1.基于递归神经网络的并网逆变器电流控制方法，其特征在于：包括以下步骤：S101：采集三相电网电压信号和电流信号，根据采集到的三相电网电压信号，通过Clarke变换得到αβ坐标系下的电压信号；对αβ坐标系下的电压信号采用双广义积分器进行滤波得到正序两相电压信号；对正序两相电压信号采用Park变换得到dq坐标系下q轴的电压信号；根据dq坐标系下q轴的电压信号通过锁相环技术得到三相电网的电压相位；S102：根据三相电网电压相位和采集到的三相电网电流信号，通过Clarke变换和Park变换得到dq坐标系下的电流信号，将dq坐标系下的电流信号与并网逆变器系统的参考电流信号相比较，得到电流差值信号，对电流差值信号进行积分，得到积分信号；S103：将电流差值信号和积分信号作为递归神经网络控制器的输入，得到递归神经网络控制器的输出电压值，其中递归神经网络控制器的输出所需权重由LM+FATT算法训练获得；S104：将递归神经网络控制器的输出电压值与PWM增益相乘，得到并网逆变器系统的输出电压值，对并网逆变器系统的输出电压值作反Park变换得到αβ坐标系下的两相电压值；S105：对αβ坐标系下的两相电压值采用SVPWM调制方法生成PWM波，PWM波作为并网逆变器系统开关管的驱动脉冲，实现对并网逆变器系统的电流控制。2.如权利要求1所述的基于递归神经网络的并网逆变器电流控制方法，其特征在于：根据步骤S102变换得到的第k时刻dq坐标系下的电流信号参考电流信号电流差值信号和积分信号在步骤S103中，训练得到递归神经网络控制器输出所需权重的步骤如下：S201：将电流差值信号和积分信号作为第一个矩阵输入量输入到递归神经网络控制器中的前馈神经网络，经过前馈神经网络的正向过程，得到第一个递归神经网络控制器的输出向量S202：根据并网逆变器系统的离散域状态空间模型，利用迭代预测出从k+1时刻到k+N-1时刻的N-1个电流量，从而计算得到从k时刻到k+N-1时刻的N个电流量与参考电流量的差值，继而计算得到递归神经网络控制器中前馈神经网络的评价函数C的值，评价函数C的表达式如公式(1)：其中k为大于等于1的正整数，N为大于k的正整数；S203：利用LM+FATT算法计算权值更新矩阵，利用权值更新矩阵沿着评价函数C减小的方向调整递归神经网络控制器中前馈神经网络的权值矩阵，得到最终的权重用计算获得递归神经网络控制器的输出电压值3.如权利要求2所述的基于递归神经网络的并网...

【专利技术属性】
技术研发人员：王庆义，王明阳，王雪芬，曹炳，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北,42