雙向并網(wǎng)逆變器的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種雙向并網(wǎng)逆變器，它提供一種采用遺傳算法的自適應(yīng)PID控制算 法運(yùn)用于控制非線性和變參數(shù)的大功率、高電壓的雙向并網(wǎng)逆變器并基于RTW技術(shù)開發(fā)控 制代碼；它是一種三點(diǎn)式IPM逆變器結(jié)構(gòu)，該逆變器的特點(diǎn)是可以使用耐壓較低的IPM智能 功率器件，組成高壓逆變器。
【背景技術(shù)】
[0002] 大功率、雙向并網(wǎng)逆變器的非線性和變參數(shù)特性使得采用傳統(tǒng)的PID控制很難取 得較好的控制效果。人工神經(jīng)網(wǎng)絡(luò)在一定的條件下可以任意精度逼近任意非線性函數(shù)且具 有較強(qiáng)的自學(xué)習(xí)、自適應(yīng)、自組織能力。傳統(tǒng)的PID控制方法的行代碼編程具有編程繁瑣且 報(bào)錯(cuò)率高開發(fā)周期長(zhǎng)。

【發(fā)明內(nèi)容】

[0003] 為適應(yīng)大多數(shù)現(xiàn)代被控對(duì)象具有的不確定性、非線性和時(shí)變性，本發(fā)明公開了一 種雙向并網(wǎng)逆變器，采用變參數(shù)的自適應(yīng)PID控制策略，將人工神經(jīng)網(wǎng)絡(luò)與PID控制律相結(jié) 合，應(yīng)用RBF神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的非線性預(yù)測(cè)模型，具有收斂速度快、可避免收斂于局部極值點(diǎn) 且網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)潔的優(yōu)點(diǎn)，因而可提高系統(tǒng)的動(dòng)態(tài)響應(yīng)特性。
[0004] 為了達(dá)到上述目的，本發(fā)明的技術(shù)方案是：一種雙向并網(wǎng)逆變器，包括電源ud。，與 電源ud。并聯(lián)的電容C和三路逆變電路，逆變電路之間設(shè)有三路串聯(lián)連接的電感L、電容R、 電感Q、電阻札和交流電源，電容R、電感L之間并聯(lián)有電容C 1;所述交流電源包括U a、Ub、 uc〇
[0005] 根據(jù)基爾霍夫電壓電流定律和三相電壓源型PWM并網(wǎng)逆變器工作原理，雙向并網(wǎng) 逆變器基于開關(guān)函數(shù)的數(shù)學(xué)模型為：
[0013] 所述雙向并網(wǎng)逆變器利用自適應(yīng)PID控制系統(tǒng)控制，所述自適應(yīng)PID控制系統(tǒng)是 基于RBF神經(jīng)網(wǎng)絡(luò)非線性預(yù)測(cè)模型，包括神經(jīng)網(wǎng)絡(luò)PID、NNC、學(xué)習(xí)算法、RBF預(yù)測(cè)模型和被控 對(duì)象，神經(jīng)網(wǎng)絡(luò)NNC為BP神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)NNI為RBF神經(jīng)網(wǎng)絡(luò)，PID控制器直接對(duì)被控 對(duì)象進(jìn)行閉環(huán)控制。
[0014] 所述PID控制模型建立的方法是：
[0015] 假定在第k次迭代過程中，第J個(gè)控制器的偏差為：
[0016] ej (k) = r j (k) -yj (k) J=1，2,3，N
[0017] 對(duì)于第J個(gè)控制器而言，其經(jīng)典的增量數(shù)字PID控制算式可表示如下：
[0022] 在上式中，分別為第J個(gè)神經(jīng)網(wǎng)絡(luò)PID調(diào)節(jié)器的比例、積分、微分系數(shù)， 也是離散化變量;W;1 (k)、W;2(k)、W;3(k)分別為第J個(gè)神經(jīng)網(wǎng)絡(luò)PID的權(quán)值函數(shù)；Ts為控制 采樣周期。
[0023] 所述神經(jīng)網(wǎng)絡(luò)NNC的控制的方法是：
[0024] 將W;。(k)、W;1 (k)、W;2 (k)視為依賴于系統(tǒng)運(yùn)行狀態(tài)的可調(diào)整系數(shù)時(shí)，可將式⑵描 述為非線性函數(shù)，可以用神經(jīng)網(wǎng)絡(luò)NNC通過訓(xùn)練和學(xué)習(xí)來找到一個(gè)最佳控制規(guī)律；
[0025] 神經(jīng)網(wǎng)絡(luò)NNC是1個(gè)3層BP神經(jīng)網(wǎng)絡(luò)，其數(shù)學(xué)表達(dá)式為：
[0026] Uj (k) = f (uj (k-1), ffj! (k), ffJ2 (k), ffJ3 (k), e； (k), e； (k~l), e； (k~2))
[0027] 神經(jīng)網(wǎng)絡(luò)NNC有4個(gè)輸入節(jié)點(diǎn)、6個(gè)隱層節(jié)點(diǎn)、3個(gè)輸出節(jié)點(diǎn)；輸入節(jié)點(diǎn)對(duì)應(yīng)于所選 的系統(tǒng)運(yùn)行狀態(tài)量，輸出節(jié)點(diǎn)分別對(duì)應(yīng)PID控制器的3個(gè)可調(diào)參數(shù)，W;。(k)、W;1 (k)、W;2 (k); 由于PID控制器系數(shù)％。(k)、W:1 (k)、W:2 (k)不能為負(fù)值，所以輸出層神經(jīng)元的激發(fā)函數(shù)取非 負(fù)的Sigmoid函數(shù)，而隱含層神經(jīng)元的激發(fā)函數(shù)取正負(fù)對(duì)稱的Sigmoid函數(shù)；選取第J個(gè)控 制器的下列參數(shù)：
[0029] 第J個(gè)神經(jīng)網(wǎng)絡(luò)NNC輸入層節(jié)點(diǎn)的輸出為
[0031] 式中(幻為輸入層的輸出節(jié)點(diǎn)；Μ為輸入變量的個(gè)數(shù)；
[0032] 神經(jīng)網(wǎng)絡(luò)NNC的隱含層輸入、輸出為
[0034] 式中：Η(2)(幻為隱含層權(quán)系數(shù)；f ( ·)為激發(fā)函數(shù)，
[0035] f ( · ) = tanhx = (ex_e x) / (ex+e x);
[0036] 上角標(biāo)（1)、（2)、⑶分別對(duì)應(yīng)的輸入層、隱含層、輸出層；
[0037] 第J個(gè)神經(jīng)網(wǎng)絡(luò)NNC的輸出層的輸入、輸出為
[0039] 式中，wjf為輸出層權(quán)系數(shù)，激發(fā)函數(shù)為：
[0041] 假定取第J個(gè)NNC的性能指標(biāo)函數(shù)為二次型函數(shù)為：
[0043] 式中：rj(k)為系統(tǒng)參考輸入；為系統(tǒng)的輸出；
[0044]用最速下降法修正網(wǎng)絡(luò)的權(quán)系數(shù)，即按J;(k)，對(duì)權(quán)系數(shù)的負(fù)梯度方向搜索調(diào)整， 并附加1個(gè)使搜索快速收斂全局最小的慣性項(xiàng)，則有：
[0049] 由于辦#) /a狀)未知，為得到較好的控制效果，應(yīng)采用預(yù)測(cè)模型的預(yù)測(cè)輸出值 呀(1)/?⑷來代替4!.(/〇/￡>?(幻；
[0050] 由上式可以求得
[0052] 因此可得神經(jīng)網(wǎng)絡(luò)NNC輸出層的權(quán)系數(shù)計(jì)算公式為
[0054]式中 g' [*] = g(x) [l-g(x)]
[0055] 依據(jù)上述推算方法，可得隱含層權(quán)系數(shù)的計(jì)算公式為
[0058] 所述神經(jīng)網(wǎng)絡(luò)NNI的控制方法是：建立發(fā)電機(jī)系統(tǒng)用一個(gè)MIS0非線性系統(tǒng)來描述
[0059] y(k) = f [u(k-l), y(k-l), y(k-2)]；
[0060] 采用1個(gè)具有3個(gè)輸入節(jié)點(diǎn)、5個(gè)隱含層節(jié)點(diǎn)和1個(gè)輸出節(jié)點(diǎn)的3層RBF神經(jīng)網(wǎng)絡(luò) NNI作為非線性被控對(duì)象一多三相水輪發(fā)電機(jī)的非線性預(yù)測(cè)模型；
[0061] 選取x= [11(1^-1)，7(1^-1)，7(1^-2)]1為非線性預(yù)測(cè)模型神經(jīng)網(wǎng)絡(luò)順1的輸入向量， 構(gòu)成神經(jīng)網(wǎng)絡(luò)NNI的RBF神經(jīng)網(wǎng)絡(luò)的徑向基向量Η =叫，h2,. . .，hj，. . .，hJT，其中，高斯基 函數(shù)
[0063] 式中：Cj為 j 節(jié)點(diǎn)的中心矢量，C』=[c .n, cj2, · · ·，Cji, · · ·，cjn]T;其中，i = 1，2· ·， n ;b,為節(jié)點(diǎn)的基寬度參數(shù)，且為大于零的數(shù)；
[0064] RBF神經(jīng)網(wǎng)絡(luò)NNI的輸出為
[0066] 式中，WjS隱含層神經(jīng)元與輸出層神經(jīng)元的連接權(quán)；
[0067] 神經(jīng)網(wǎng)絡(luò)NNI的性能指標(biāo)函數(shù)取為二次型函數(shù)：
[0069] 式中：y(k)為系統(tǒng)輸出；yjk)為神經(jīng)網(wǎng)絡(luò)辨識(shí)輸出；
[0070] 根據(jù)梯度下降法，輸出權(quán)、節(jié)點(diǎn)中心及節(jié)點(diǎn)基寬參數(shù)的迭代算法為
[0076] 式中：q' (k)為學(xué)習(xí)速率；α'為慣性系數(shù)；
[0077] 被控對(duì)象的輸出對(duì)控制輸入的導(dǎo)數(shù)算法為
[0079] 式中
[0080] 所述RBF預(yù)測(cè)模型通過采樣交流側(cè)的電流和電網(wǎng)電壓，電網(wǎng)電壓經(jīng)過鎖相環(huán)得到 控制的輸出角度，直流側(cè)電壓經(jīng)過與參考電壓比較后利用RBF算法的到并網(wǎng)跟蹤功率，除 以電網(wǎng)電壓Udq后得到期望輸出電流的參考信號(hào)I dq，與采樣轉(zhuǎn)換后的軸電流比較后輸入到 RBF控制器，經(jīng)過運(yùn)算后得到控制PWM輸出信號(hào)。
[0081] 所述雙向并網(wǎng)逆變器的仿真模型包括交流側(cè)電壓檢測(cè)模塊、直流側(cè)電壓檢測(cè)模 塊、相位檢測(cè)、坐標(biāo)變換模塊、外環(huán)電壓控制模塊和內(nèi)環(huán)電流控制模塊，通過檢測(cè)整流橋直 流側(cè)電壓ud。和給定的電壓比較，得到的誤差信號(hào)經(jīng)過電壓外環(huán)控制器RBF運(yùn)算后得到電流 給定值，通過檢測(cè)逆變交流側(cè)流入電感電流iab。，經(jīng)過坐標(biāo)變換得到電流id，iq，與電流給定 值進(jìn)行比較，通過RBF運(yùn)算及合成后得到控制器的調(diào)制波，調(diào)制波與三角載波進(jìn)行比較后 得到IGBT的開關(guān)信號(hào)。
[0082] 本發(fā)明的有益效果：專用雙向并網(wǎng)逆變器由于能量密度和時(shí)空分布的不確定性和 非線性，采用傳統(tǒng)PID控制策略對(duì)于逆變器的電壓、電流、功率的控制已經(jīng)產(chǎn)生了十分明顯 的局限性，因此采用先進(jìn)的智能控制理論，對(duì)于大功率、高電壓雙向并網(wǎng)逆變器系統(tǒng)進(jìn)行實(shí) 時(shí)測(cè)控是一個(gè)優(yōu)選的技術(shù)方案。但是，采用現(xiàn)代智能控制理論后，對(duì)于嵌入式控制系統(tǒng)和 微處理器系統(tǒng)的運(yùn)算能力和硬件資源將提出更高的要求，必須采用新型的數(shù)字信號(hào)處理器 DSP作為核心處理器，對(duì)于系統(tǒng)的控制變量進(jìn)行高速的測(cè)控?；赗BF(徑向基）神經(jīng)網(wǎng)絡(luò) 非線性預(yù)測(cè)模型的大功率、高電壓雙向并網(wǎng)逆變器自適應(yīng)P1D控制；利用simulink RTW技 術(shù)開發(fā)控制代碼，搭建仿真模型調(diào)節(jié)得到合適參數(shù)后轉(zhuǎn)化成控制代碼，具有快速開發(fā)得到 控制效果的特點(diǎn)；基于遺傳算法的逆變器的優(yōu)化設(shè)計(jì)
【附圖說明】
[0083] 圖1是本發(fā)明基于RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的神經(jīng)網(wǎng)絡(luò)PID控制系統(tǒng)。
[0084]