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：