圖2是本發(fā)明NNC神經(jīng)網(wǎng)絡的輸入量。
[0085] 圖3為本發(fā)明NNC神經(jīng)網(wǎng)絡的輸出示意圖。
[0086] 圖4為本發(fā)明雙向并網(wǎng)逆變器的主電路拓撲圖。
[0087] 圖5為本發(fā)明雙向并網(wǎng)逆變器的數(shù)字信號處理器算法控制。
[0088] 圖6為本發(fā)明基于RBF雙向并網(wǎng)的控制原理圖。
【具體實施方式】
[0089] 下面通過附圖和實施例具體描述一下本發(fā)明。
[0090] 一種雙向并網(wǎng)逆變器，如圖1、圖2、圖3、圖4和圖5所示，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 間并聯(lián)有電容C 1;所述交流電源包括U a、Ub、U。。
[0091] 與采用電感濾波的并網(wǎng)逆變器不同，采用LCL型濾波器的拓撲結(jié)構(gòu)交流輸出側(cè)增 加了電容與電感。假定不考慮并網(wǎng)逆變器直流母線兩端電壓波動，三相電網(wǎng)電壓對稱且穩(wěn) 定，主電路開關元器件被視為理想開關元件。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)逆變器基于開關函數(shù)的數(shù)學模型為：
[0099] 基于RBF神經(jīng)網(wǎng)絡非線性預測模型的自適應PID控制系統(tǒng)整體結(jié)構(gòu)
[0100] 雙向并網(wǎng)逆變器利用自適應PID控制系統(tǒng)控制，所述自適應PID控制系統(tǒng)是基于 RBF神經(jīng)網(wǎng)絡非線性預測模型，包括神經(jīng)網(wǎng)絡PID、NNC、學習算法、RBF預測模型和被控對 象，神經(jīng)網(wǎng)絡NNC為BP神經(jīng)網(wǎng)絡，神經(jīng)網(wǎng)絡NNI為RBF神經(jīng)網(wǎng)絡，PID控制器直接對被控對 象進行閉環(huán)控制。基于RBF神經(jīng)網(wǎng)絡非線性預測模型的大功率、高電壓城市地鐵、輕軌動車 專用IPM逆變器自適應PID控制系統(tǒng)的整體結(jié)構(gòu)框圖如圖1。圖1中神經(jīng)網(wǎng)絡NNC為BP 神經(jīng)網(wǎng)絡，其根據(jù)系統(tǒng)的運行狀態(tài)，調(diào)節(jié)PID控制器的參數(shù)，以期達到控制器參數(shù)的最優(yōu)配 合。PID控制器直接對被控對象進行閉環(huán)控制，并且KI、KD為在線整定。神經(jīng)網(wǎng)絡NNI為 一個RBF神經(jīng)網(wǎng)絡，作為非線性被控對象一大功率、高電壓雙向并網(wǎng)逆變器的非線性預測 模型。
[0101] 自適應PID控制系統(tǒng)控制充分發(fā)揮神經(jīng)網(wǎng)絡的自適應、非線性映射能力和學習能 力可形成一種自適應能力很強的參數(shù)可調(diào)的神經(jīng)網(wǎng)絡PID控制策略，為提高被控系統(tǒng)的響 應速度，對于神經(jīng)網(wǎng)絡控制系統(tǒng)來說，一般需要對被控系統(tǒng)的特性進行辨識，因被控對象的 非線性特性，故建立基于神經(jīng)網(wǎng)絡的非線性預測模型。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。
[0102] 基于BP神經(jīng)網(wǎng)絡的PID控制參數(shù)自適應控制器的構(gòu)造
[0103] 首先假定在第k次迭代過程中，第J個控制器的偏差可以表示如下：
[0104] ej(k) =rj(k)-yj(k) J=l,2,3, N
[0105] 對于第J個控制器而言，其經(jīng)典的增量數(shù)字PID控制算式可表示如下：

[0110] 在式中，KPJ、KIJ、KDJ分別為第J個神經(jīng)網(wǎng)絡PID調(diào)節(jié)器的比例、積分、微分系數(shù)， 也是離散化變量；WJ1 (k)、WJ2 (k)、WJ3 (k)分別為第J個神經(jīng)網(wǎng)絡PID的權(quán)值函數(shù)；Ts為控 制采樣周期，采用離散控制時，該參數(shù)是一個十分重要的控制量。
[0111] 所述神經(jīng)網(wǎng)絡NNC的控制的方法是：將W;。(k)、W;1 (k)、W;2 (k)視為依賴于系統(tǒng)運行 狀態(tài)的可調(diào)整系數(shù)時，可將式（2)描述為非線性函數(shù)，可以用神經(jīng)網(wǎng)絡NNC通過訓練和學習 來找到一個最佳控制規(guī)律；
[0112] 神經(jīng)網(wǎng)絡NNC是1個3層BP神經(jīng)網(wǎng)絡，其數(shù)學表達式為：
[0114] 神經(jīng)網(wǎng)絡NNC有4個輸入節(jié)點、6個隱層節(jié)點、3個輸出節(jié)點；輸入節(jié)點對應于所選 的系統(tǒng)運行狀態(tài)量，輸出節(jié)點分別對應PID控制器的3個可調(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)不能為負值，所以輸出層神經(jīng)元的激發(fā)函數(shù)取非 負的Sigmoid函數(shù)，而隱含層神經(jīng)元的激發(fā)函數(shù)取正負對稱的Sigmoid函數(shù)；選取第J個控 制器的下列參數(shù)：
[0116] 第J個神經(jīng)網(wǎng)絡NNC輸入層節(jié)點的輸出為
[0118] 式中：幻為輸入層的輸出節(jié)點；Μ為輸入變量的個數(shù)；
[0119] 神經(jīng)網(wǎng)絡NNC的隱含層輸入、輸出為
[0121] 式中：幻為隱含層權(quán)系數(shù)；f ( ·)為激發(fā)函數(shù)，
[0122] f ( · ) = tanhx = (ex-e x) / (ex+e x)；
[0123] 上角標（1)、（2)、（3)分別對應的輸入層、隱含層、輸出層；
[0124] 第J個神經(jīng)網(wǎng)絡NNC的輸出層的輸入、輸出為
[0126] 式中，為輸出層權(quán)系數(shù)，激發(fā)函數(shù)為：
[0127] g( · ) = (1+tanh(x))/2 = ex/(ex-e x)
[0128] 假定取第J個NNC的性能指標函數(shù)為二次型函數(shù)為：
[0130] 式中：rj(k)為系統(tǒng)參考輸入；5^(1〇為系統(tǒng)的輸出；
[0131] 用最速下降法修正網(wǎng)絡的權(quán)系數(shù)，即按J;(k)，對權(quán)系數(shù)的負梯度方向搜索調(diào)整， 并附加1個使搜索快速收斂全局最小的慣性項，則有：
[0136] 由于辦'⑷⑷未知，為得到較好的控制效果，應采用預測模型的預測輸出值
[0137] 由上式可以求得
[0139] 因此可得神經(jīng)網(wǎng)絡NNC輸出層的權(quán)系數(shù)計算公式為
[0141] 式中 g' [*] = g(x) [l-g(x)]
[0142] 依據(jù)上述推算方法，可得隱含層權(quán)系數(shù)的計算公式為
[0144] 式中，[.] = [l-f2(x)]/2。
[0145] 為加快收斂速度，本系統(tǒng)采用變學習速率的學習算法，根據(jù)收斂過程中誤差的大 小，在線自適應地調(diào)整學習速率，n (k)的大小。為提高系統(tǒng)的性能，采用非線性預測模型 對
，進行在線辨識和預測。本系統(tǒng)中大功率、高電壓雙向并網(wǎng)逆變器
[0146] 所述神經(jīng)網(wǎng)絡NNI的控制方法是：建立大功率、高電壓雙向并網(wǎng)逆變器用一個 MIS0非線性系統(tǒng)來描述
[0148] 采用1個具有3個輸入節(jié)點、5個隱含層節(jié)點和1個輸出節(jié)點的3層RBF神經(jīng)網(wǎng)絡 NNI作為非線性被控對象一多三相水輪發(fā)電機的非線性預測模型；
[0149] 選取
為非線性預測模型神經(jīng)網(wǎng)絡NNI的輸入向量， 構(gòu)成神經(jīng)網(wǎng)絡NNI的RBF神經(jīng)網(wǎng)絡的徑向基向量Η =叫，h2,. . .，hj，. . .，hJT，其中，高斯基 函數(shù)
[0151] 式中：Cj為 j 節(jié)點的中心矢量，C」=[c cj2, . . .，Cji, . . .，cjn]T;其中，i = 1，2..， n ;b,為節(jié)點的基寬度參數(shù)，且為大于零的數(shù)；
[0152] RBF神經(jīng)網(wǎng)絡NNI的輸出為
[0154] 式中，WjS隱含層神經(jīng)元與輸出層神經(jīng)元的連接權(quán)；
[0155] 神經(jīng)網(wǎng)絡NNI的性能指標函數(shù)取為二次型函數(shù)：
[0157] 式中：y(k)為系統(tǒng)輸出；yjk)為神經(jīng)網(wǎng)絡辨識輸出；
[0158] 根據(jù)梯度下降法，輸出權(quán)、節(jié)點中心及節(jié)點基寬參數(shù)的迭代算法為
[0164] 式中：η ' (k)為學習速率；α '為慣性系數(shù)；
[0165] 被控對象的輸出對控制輸入的導數(shù)算法為
[0167] 式中 Xi= u (k)。
[0168] 基于RBF雙向并網(wǎng)控制方式
[0169] RBF預測模型采用如圖6所述的并網(wǎng)逆變器結(jié)構(gòu)，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)PLL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)電壓的Ud，Uq后得到期望輸出電流的參考信號 Idq，與采樣轉(zhuǎn)換后的dq軸電流比較后輸入到RBF控制器，經(jīng)過運算后得到控制PWM輸出信 號。
[0170] 仿真及控制框圖
[0171] 如圖5所示，雙向并網(wǎng)逆變器的仿真模型主要有交流側(cè)電壓檢測模塊，直流側(cè)電 壓檢測模塊，相位檢測及坐標變換模塊，外環(huán)電壓控制模塊，內(nèi)環(huán)電流控制模塊，通過檢測 整流橋直流側(cè)電壓Ud。和給定的電壓比較，得到的誤差信號經(jīng)過電壓外環(huán)控制器RBF運算后 得到電流給定值，通過檢測逆變交流側(cè)流入電感電流iab。，經(jīng)過坐標變換得到id，iq，與電流 給定值進行比較，通過RBF運算及合成后得到控制器的調(diào)制波，調(diào)制波與三角載波進行比 較后得到IGBT的開關信號。這樣就達到了控制的目的