一种基于神经网络的变流器自适应预测控制方法及系统技术方案

本发明专利技术公开了一种基于神经网络的变流器自适应预测控制方法及系统，涉及变流器自适应控制技术领域。包括以下步骤：获取变流器开关管不同开关状态下当前时刻的电路参数；利用人工神经网络对下一时刻电流值和直流母线电压值进行预测；根据测量电流值与参考电流值误差最小原则设置代价函数，将预测的电流值和直流母线电压值代入代价函数；选取令代价函数最小的开关状态作为下一时刻的开关状态；根据下一时刻的开关状态对变流器的开关管进行控制。本发明专利技术有效克服了传统解决方案中存在的因系统电路参数波动导致的电流谐波畸变率上升和电容电压不平衡加剧的问题，在不增加额外硬件的条件下充分保障了变流器系统在复杂环境下高性能运行。性能运行。性能运行。

【技术实现步骤摘要】
一种基于神经网络的变流器自适应预测控制方法及系统


[0001]本专利技术涉及变流器自适应控制
，尤其涉及一种基于神经网络的变流器自适应预测控制方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]电力变流器，因具备能源控制、信息保障、定制化需求管理、网络运行管理等功能，已作为核心能量变换装备，广泛应用于可再生能源发电并网、微电网、储能、新能源电动汽车等系统中。然而，电力变流器长期工作在大功率、强电磁干扰、时变负载、有限散热等恶劣工况下，系统内部阻抗值波动剧烈，进一步增加变流器系统的输出电流谐波畸变率，导致电能质量下降；更会降低变流器和输出端负载电器寿命，造成重大经济损失。因此，研究电力变流器的自适应预测控制策略，提升系统鲁棒性，对可再生能源发电并网、新能源电动汽车等系统的高效、高可靠运行具有重要的科学及工程意义。
[0004]现有的预测控制方法主要是将变流器的系统模型参数和铭牌值作为输入参数应用到控制器中，通过预测下一采样时刻变流器交流侧电流值和直流侧电容电压值，遍历变流器产生的有效电压矢量，然后以代价函数最小为准则，选择最优开关状态应用于变流器。
[0005]然而，传统的模型预测控制方法在系统电路参数变化时，预测性能显著下降。这一方面会使变流器交流侧电流谐波畸变率上升，控制性能下降，降低负载电器使用寿命。另一方面会加剧上下两侧电容电压的不平衡，导致电容老化速度不一致，承受较大电压的电容寿命将大幅缩短，增大二次故障发生机率。因此，如何克服因系统电路参数波动导致的电流谐波畸变率上升和电容电压不平衡加剧的现象成为亟待解决的问题。

技术实现思路

[0006]针对现有技术存在的不足，本专利技术的目的是提供一种基于神经网络的变流器自适应预测控制方法及系统，基于预测控制理论，将模型预测控制中和系统电路参数相关的控制参数全部替换为神经网络权值，通过测量交流测三相电压值和三相电流值以及直流侧上下两电容电压值，对神经网络进行在线训练，通过训练得出的权值对系统未来一段时间内的状态变化轨迹进行预测，以代价函数最小为准则，选择最优开关状态应用于变流器，保障变流器在复杂工况下保持高性能运行。
[0007]为了实现上述目的，本专利技术是通过如下的技术方案来实现：
[0008]本专利技术第一方面提供了一种基于神经网络的变流器自适应预测控制方法，包括以下步骤：
[0009]获取变流器开关管不同开关状态下当前时刻的电路参数；
[0010]利用人工神经网络根据当前时刻的电路参数和开关状态对下一时刻电流值和直流母线电压值进行预测；
[0011]根据测量电流值与参考电流值误差最小原则设置代价函数，将预测的电流值和直流母线电压值代入代价函数；
[0012]选取令代价函数最小的开关状态作为下一时刻的开关状态；
[0013]根据下一时刻的开关状态对变流器的开关管进行控制。
[0014]进一步的，所述变流器为T型三电平有源前端变流器。
[0015]进一步的，所述当前时刻的电路参数包括采样周期、每个开关管的开关状态、网侧滤波电感值、网侧等效电阻值、网侧每一相的电压值、变流器交流侧每一相输出电压值和电流值、直流母线上下电容电压值以及负载电流。
[0016]更进一步的，利用人工神经网络根据当前时刻的电路参数和开关状态对下一时刻电流值和直流母线电压值进行预测的具体步骤为：
[0017]根据网侧每一相的电压值、变流器交流侧每一相输出电压值和电流值通过直流母线电压控制环计算参考电流值和参考电压值；
[0018]设置人工神经网络参数，构建神经网络预测模型，基于历史三相电压值和三相电流值以及直流侧上下两电容电压值，借助梯度下降法对反向传播神经网络进行训练；
[0019]利用训练好的神经网络预测模型根据当前时刻的参考电流值和参考电压预测下一时刻的参考电流值、参考电压值和直流母线电压值。
[0020]进一步的，所述代价函数为：
[0021][0022]其中，k为当前采样时刻；k+1为下次采样时刻；上标p代表该参数为预测参数值；α、β为abc三相直角坐标系经clark坐标变换后的α、β轴；cost为k时刻的代价函数值；为变流器交流侧在α轴上k+1时刻的电流参考值；为变流器交流侧在β轴上k+1时刻的电流参考值；为预测的变流器交流侧在α轴上k+1时刻的电流值；为预测的变流器交流侧在β轴上k+1时刻的电流值；λ
dc
为权重系数；代表k+1时刻直流侧上下两电容电压差的平方。
[0023]本专利技术第二方面提供了一种基于神经网络的变流器自适应预测控制系统，包括：
[0024]数据获取模块，被配置为获取变流器开关管不同开关状态下当前时刻的电路参数；
[0025]神经网络预测模块，被配置为利用人工神经网络根据当前时刻的电路参数和开关状态对下一时刻电流值和直流母线电压值进行预测；
[0026]代价函数模块，被配置为根据测量电流值与参考电流值误差最小原则设置代价函数，将预测的电流值和直流母线电压值代入代价函数；
[0027]开关状态选择模块，被配置为选取令代价函数最小的开关状态作为下一时刻的开关状态；
[0028]控制模块，被配置为根据下一时刻的开关状态对变流器的开关管进行控制。
[0029]进一步的，所述变流器为T型三电平有源前端变流器。
[0030]进一步的，所述当前时刻的电路参数包括采样周期、每个开关管的开关状态、网侧滤波电感值、网侧等效电阻值、网侧每一相的电压值、变流器交流侧每一相输出电压值和电流值、直流母线上下电容电压值以及负载电流。
[0031]更进一步的，利用人工神经网络根据当前时刻的电路参数和开关状态对下一时刻电流值和直流母线电压值进行预测的具体步骤为：
[0032]根据网侧每一相的电压值、变流器交流侧每一相输出电压值和电流值通过直流母线电压控制环计算参考电流值和参考电压值；
[0033]设置人工神经网络参数，构建神经网络预测模型，基于历史三相电压值和三相电流值以及直流侧上下两电容电压值，借助梯度下降法对反向传播神经网络进行训练；
[0034]利用训练好的神经网络预测模型根据当前时刻的参考电流值和参考电压预测下一时刻的参考电流值、参考电压值和直流母线电压值。
[0035]进一步的，所述代价函数为：
[0036][0037]其中，其中，k为当前采样时刻；k+1为下次采样时刻；上标p代表该参数为预测参数值；α、β为abc三相直角坐标系经clark坐标变换后的α、β轴；cost为k时刻的代价函数值；为变流器交流侧在α轴上k+1时刻的电流参考值；为变流器交流侧在β轴上k+1时刻的电流参考值；为预测的变流器交流侧在α轴上k+1时刻的电流值；为预测的变流器交流侧在β轴上k+1时刻的电流值；λ
dc
为权重系数；代表k+1时刻直流侧上下两电容电压差的平方。
[0038]以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的变流器自适应预测控制方法，其特征在于，包括以下步骤：获取变流器开关管不同开关状态下当前时刻的电路参数；利用人工神经网络根据当前时刻的电路参数和开关状态对下一时刻电流值和直流母线电压值进行预测；根据测量电流值与参考电流值误差最小原则设置代价函数，将预测的电流值和直流母线电压值代入代价函数；选取令代价函数最小的开关状态作为下一时刻的开关状态；根据下一时刻的开关状态对变流器的开关管进行控制。2.如权利要求1所述的基于神经网络的变流器自适应预测控制方法，其特征在于，所述变流器为T型三电平有源前端变流器。3.如权利要求1所述的基于神经网络的变流器自适应预测控制方法，其特征在于，所述当前时刻的电路参数包括采样周期、每个开关管的开关状态、网侧滤波电感值、网侧等效电阻值、网侧每一相的电压值、变流器交流侧每一相输出电压值和电流值、直流母线上下电容电压值以及负载电流。4.如权利要求3所述的基于神经网络的变流器自适应预测控制方法，其特征在于，利用人工神经网络根据当前时刻的电路参数和开关状态对下一时刻电流值和直流母线电压值进行预测的具体步骤为：根据网侧每一相的电压值、变流器交流侧每一相输出电压值和电流值通过直流母线电压控制环计算参考电流值和参考电压值；设置人工神经网络参数，构建神经网络预测模型，基于历史三相电压值和三相电流值以及直流侧上下两电容电压值，借助梯度下降法对反向传播神经网络进行训练；利用训练好的神经网络预测模型根据当前时刻的参考电流值和参考电压预测下一时刻的参考电流值、参考电压值和直流母线电压值。5.如权利要求1所述的基于神经网络的变流器自适应预测控制方法，其特征在于，所述代价函数为：其中，k为当前采样时刻；k+1为下次采样时刻；上标p代表该参数为预测参数值；α、β为abc三相直角坐标系经clark坐标变换后的α、β轴；cost为k时刻的代价函数值；为变流器交流侧在α轴上k+1时刻的电流参考值；为变流器交流侧在β轴上k+1时刻的电流参考值；为预测的变流器交流侧在α轴上k+1时刻的电流值；为预测的变流器交流侧在β轴上k+1时刻的电流值；λ
dc
为权重系数；代表k+1时刻直流侧上下两电容电压差的平方。6.一种基于神经网络的变流器自适应预测控制系统，其特征在于，包括：数...

【专利技术属性】
技术研发人员：张祯滨，张一民，陈昊宇，张明远，张新晴，李真，
申请(专利权)人：山东大学，
类型：发明
国别省市：