基于全人工神经网络的逆变并网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全人工神经网络的逆变并网控制方法及系统，该方法包括：选取拟合基准调制波的辅助变量，以及选取拟合基准调制波与参考电流对应调制波之间的幅值倍数和相位差的辅助变量；构建并训练基于梯度下降算法的回声状态网络和基于最小二乘算法的回声状态网络；将选取的辅助变量分别对应输入到这两个网络中，分别输出基准调制波和幅值倍数及相位差，以此获取最终的调制波，并结合脉冲宽度调制技术，产生开关信号，进行逆变并网控制。本发明专利技术仅采用人工神经网络作为控制器进行逆变并网控制实现，彻底摆脱了传统控制技术的束缚，实现逆变控制过程汇总不同参考电流之间的灵活切换，提高逆变并网控制效率。提高逆变并网控制效率。提高逆变并网控制效率。

【技术实现步骤摘要】
基于全人工神经网络的逆变并网控制方法及系统


[0001]本专利技术涉及人工智能和逆变并网控制
，尤其涉及一种基于全人工神经网络的逆变并网控制方法及系统。

技术介绍

[0002]随着人们对生态环境的不断重视，传统的火力发电系统已经逐渐被光伏、风电等新能源发电系统所取代。区别于火力发电系统，新能源发电系统直接产生直流电，通常需要利用逆变器将该直流电转变为交流电，后续再与电力系统进行电气连接，实现并网。逆变器作为新能源并网的核心设备，其控制效果直接决定了并网质量，因此，高效完善地控制逆变并网，即对逆变器进行高效控制是十分重要的。
[0003]目前，传统的逆变并网控制方式主要包括PI控制(Pproportional
‑
Integral,比例调节和积分调节)和PR控制(Proportional resonance,比例谐振)。其中，PI控制器虽然操作简单，易于实现，但是这一控制方式往往存在稳态误差；与PI控制器相比，PR控制器能够实现零稳态误差，但是，PR控制器对采样频率要求较高，需要消耗更多资源。此外，PI和PR这两种控制方法均需要人为调参。
[0004]为了避免PI和PR控制方法中存在的人为调参的问题，目前提出了基于人工神经网络(Artificial Neural Network,ANN)的近似动态规划(Approximate Dynamic Programming,ADP)控制方法，且通过实验证明了这一方法具有更优的逆变控制效果。但是，ADP控制方法仍然沿用dq坐标系下的PI控制框架，这一方法仅是简单的用ANN代替PI控制器，仍需要对复杂的系统模型进行详细的原理分析，模型原理分析繁琐复杂，对模型的依赖性较大。
[0005]即，现有的针对逆变器控制的逆变并网控制方法均不能避免人为调参以及模型原理分析等繁琐流程，导致逆变并网控制效率低。

技术实现思路

[0006]为解决上述现有技术的不足，本专利技术提供了一种基于全人工神经网络的逆变并网控制方法及系统，利用梯度下降算法(Gradient Descent,GD)、最小二乘算法(Least Sqaure,LS)等机器学习算法与人工神经网络ANN相结合，构建全人工神经网络(Fast Artificial Neural Network,FANN)，基于该网络拟合逆变控制过程中不同参考电流所对应的调制波，以此进行逆变控制，能够实现逆变控制过程汇总不同参考电流之间的灵活切换，提高逆变并网控制效率。
[0007]第一方面，本公开提供了一种基于全人工神经网络的逆变并网控制方法。
[0008]一种基于全人工神经网络的逆变并网控制方法，包括：
[0009]选取拟合基准调制波的辅助变量，作为第一辅助变量，以及选取拟合基准调制波与参考电流对应调制波之间的幅值倍数和相位差的辅助变量，作为第二辅助变量；
[0010]构建并训练基于梯度下降算法的回声状态网络ESN
‑
GD和基于最小二乘算法的回
声状态网络ESN
‑
LS；
[0011]将第一辅助变量和第二辅助变量分别输入基于梯度下降算法的回声状态网络和基于最小二乘算法的回声状态网络，分别输出基准调制波和幅值倍数及相位差；
[0012]基于基准调制波和幅值倍数及相位差，获取最终的调制波；基于生成的调制波，结合脉冲宽度调制技术，产生开关信号，进行逆变并网控制。
[0013]进一步的技术方案，所述第一辅助变量包括电网电压和并网电流；所述第二辅助变量包括参考电流。
[0014]进一步的技术方案，所述构建并训练基于梯度下降算法的回声状态网络和基于最小二乘算法的回声状态网络，包括：
[0015]初始化网络结构及网络参数；
[0016]构建训练样本集，利用训练样本集训练所构建的网络模型，优化网络模型的网络参数，所述网络参数包括网络的输出权值。
[0017]进一步的技术方案，所述初始化网络结构及网络参数包括：
[0018]所述网络结构由输入层、储备池和输出层组成；输入层节点数、输出层节点数分别与输入变量、输出变量的维度保持一致；
[0019]所述网络参数包括输入权值W
in
、储备池内部权值W、输出权值W
out
、储备池稀疏度u和谱半径h；其中，输入权值W
in
和输出权值W
out
采用网格搜索法确定，储备池的谱半径h小于1，储备池稀疏度u的取值范围为[0,1]，根据谱半径h和稀疏度u生成储备池内部权值W。
[0020]进一步的技术方案，电网电压和并网电流为ESN
‑
GD的输入，基准调制波为ESN
‑
GD的输出，以已选定拟合基准调制波的第一辅助变量与基准调制波为训练样本，采用训练样本数据驱动ESN
‑
GD网络模型，并利用GD算法计算损失函数对权值的梯度，通过不断迭代来逐步逼近最优输出权值，以此优化网络的输出权值。
[0021]进一步的技术方案，参考电流为ESN
‑
LS的输入，基准调制波与参考电流对应的调制波之间的幅值倍数与相位差为ESN
‑
LS的输出，以参考电流及基准调制波与参考电流对应的调制波之间的幅值倍数与相位差为训练样本，采用训练样本数据驱动ESN
‑
LS模型，并利用LS算法直接计算得到网络的最优输出权值，以此优化网络的输出权值。
[0022]进一步的技术方案，所述基于基准调制波和幅值倍数及相位差，获取最终的调制波，包括：
[0023]若参考电流I≥基准电流则将基准调制波与幅值倍数b相乘后，再移相相位差r，得到参考电流I所对应的调制波u
r
；
[0024]否则，将基准调制波与幅值倍数b相乘后，再移相(2π
‑
r)，得到参考电流I所对应的调制波u
r
。
[0025]第二方面，本公开提供了一种基于全人工神经网络的逆变并网控制系统。
[0026]一种基于全人工神经网络的逆变并网控制系统，包括：
[0027]辅助变量选取模块，用于选取拟合基准调制波的辅助变量，作为第一辅助变量，以及选取拟合基准调制波与参考电流对应调制波之间的幅值倍数和相位差的辅助变量，作为第二辅助变量；
[0028]网络模型构建及训练模块，用于构建并训练基于梯度下降算法的回声状态网络
ESN
‑
GD和基于最小二乘算法的回声状态网络ESN
‑
LS；
[0029]调制波生成模块，用于将第一辅助变量和第二辅助变量分别输入基于梯度下降算法的回声状态网络和基于最小二乘算法的回声状态网络，分别输出基准调制波和幅值倍数及相位差；基于基准调制波和幅值倍数及相位差，获取最终的调制波；
[0030]逆变并网控制模块，用于基于生成的调制波，结合脉冲宽度调制技术，产生开关信号，进行逆变并网控制。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于全人工神经网络的逆变并网控制方法，其特征是，包括：选取拟合基准调制波的辅助变量，作为第一辅助变量，以及选取拟合基准调制波与参考电流对应调制波之间的幅值倍数和相位差的辅助变量，作为第二辅助变量；构建并训练基于梯度下降算法的回声状态网络ESN
‑
GD和基于最小二乘算法的回声状态网络ESN
‑
LS；将第一辅助变量和第二辅助变量分别输入基于梯度下降算法的回声状态网络和基于最小二乘算法的回声状态网络，分别输出基准调制波和幅值倍数及相位差；基于基准调制波和幅值倍数及相位差，获取最终的调制波；基于生成的调制波，结合脉冲宽度调制技术，产生开关信号，进行逆变并网控制。2.如权利要求1所述的基于全人工神经网络的逆变并网控制方法，其特征是，所述第一辅助变量包括电网电压和并网电流；所述第二辅助变量包括参考电流。3.如权利要求1所述的基于全人工神经网络的逆变并网控制方法，其特征是，所述构建并训练基于梯度下降算法的回声状态网络和基于最小二乘算法的回声状态网络，包括：初始化网络结构及网络参数；构建训练样本集，利用训练样本集训练所构建的网络模型，优化网络模型的网络参数，所述网络参数包括网络的输出权值。4.如权利要求3所述的基于全人工神经网络的逆变并网控制方法，其特征是，所述初始化网络结构及网络参数包括：所述网络结构由输入层、储备池和输出层组成；输入层节点数、输出层节点数分别与输入变量、输出变量的维度保持一致；所述网络参数包括输入权值W
in
、储备池内部权值W、输出权值W
out
、储备池稀疏度u和谱半径h；其中，输入权值W
in
和输出权值W
out
采用网格搜索法确定，储备池的谱半径h小于1，储备池稀疏度u的取值范围为[0,1]，根据谱半径h和稀疏度u生成储备池内部权值W。5.如权利要求3所述的基于全人工神经网络的逆变并网控制方法，其特征是，电网电压和并网电流为ESN
‑
GD的输入，基准调制波为ESN
‑
GD的输出，以已选定拟合基准调制波的第一辅助变量与基准调制波为训练样本，采用训练样本数据驱动ESN
‑
GD网络模型，并利用梯度下降算法计算损失函数对权值的梯度，通过不断迭代来逐步逼近最优输出权值，以此优化...

【专利技术属性】
技术研发人员：高峰，聂凯哲，许涛，方旌扬，田昊，
申请(专利权)人：山东大学，
类型：发明
国别省市：