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制造技术

本发明专利技术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u

【技术实现步骤摘要】
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


[0001]本专利技术涉及逆变器控制
，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策略。

技术介绍

[0002]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。
[0003]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。
[0004]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，在实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于极限学习机的逆变器反步模糊神经网络控制策略，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；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；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。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策略，其特征在于，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，u
conα
和u
conβ
分别为α轴和β轴上逆变器交流侧输出的电压，u
k
＝D
i
V
dc
＝K
PWM
u
conk
，式中一个开关周期内占空比为D
i
＝u
con
/V
tri
，逆变器等效增益为K
PWM
＝V
dc
/V
tri
，u
con
为低频正弦波幅值，V
tri
为高频三角载波信号的振幅。3.根据权利要求2所述的基于极限学习机的逆变器反步模糊神经网络控制策略，其特征在于，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(u
conα
,u
conβ
)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)＝[u
c
o
nα
,u
c
o
nβ
]
T
；a
p1
＝
‑
rL；a
p2
＝
‑
1(LC)；b
p
＝K
PWM
(LC)；c
p1
＝
‑
1C；c
p2
＝
‑
r(LC)；a
p1n

【专利技术属性】
技术研发人员：杨艳，李正豪，张卫星，王业琴，周雨欣，林嶒，冯晓龙，卢智强，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：