应用神经网络的变流器波形复合控制策略

《应用神经网络的变流器波形复合控制策略》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、应用神经网络的变流器波形复合控制策阵作者简介：戴瑜兴（1956-），男，湖南浏阳人，湖南大学教授，温州人学教授摘要：针对港口现有岸电电源产品所采用控制策略的不足，研究分析了岸电电源PWM可逆变流器数学模型在DQ坐标系下的特点，提出了一种基于改进的重复控制和神经网络内模控制的变流器输出波形复合控制策略采用BP神经网络结构作为内模控制器的预估模型和控制器，神经网络预估模型可在线学习建立与被控对象相匹配的精确模型，神经网络控制器动态响应快，输出无静差，扰抗性好实验证明，应用该复合控制策略的系统整流功率因数接近于1;供电非线性混合负载输出波形失真率低于2%；动态响应快，在2

2、个周期内恢复稳泄输出关键词：神经网络；可逆变流器；波形复合控制；重复控制中图分类号：TM9215文献标识码：A岸电电源是供电停港船舶的港口岸上电源，可代替停港船舶的主辅燃油发电机供电，是控制港区空气质量日益恶化的重要方式PWM可逆变流器是岸电电站的核心研究对象，与传统变流技术相比，具有高功率因素和低谐波污染的优点，在岸电电源、UPS.军用设备、太阳能和风能等清洁能源使用中得到广泛的应用港口现有岸电变流器多使用PID控制、内模控制、无差拍控制和重复控制等方式，无法同时满足大功率、强冲击、高稳定的供电需求而未得到广泛使用PID控制虽鲁棒性较强，但在非线性负载、噪声或扰动

3、影响下，设定的控制参数无法得到稳定和精确的控制效果内模控制虽参数简明，动态响应较好并有较强的鲁棒性和抗干扰性，但难于建立精准模型无差拍控制静态输出稳定及动态反应较快，但易出现较强振荡，鲁棒性较差重复控制较大改进了电源变流器的稳定输出，但因有一个周期的控制延迟影响了动态响应效果神经内模控制在有精确模型的基础上可确保系统有很好的鲁棒性和动态性能，但因其需要在线训练学习才能获得精确模型，致使算法还未获得大量应用［2-6］目前，各种输出高精稳泄且抗扰性强的智能控制策略成为高性能变流器的研究热点针对两电平三相PWM可逆变流器在DQ坐标系下的特点，本文利用改进的重复控制策略与神

4、经网络内模控制策略相结合，设计了变流器输出波形复合控制器，并通过实验测试了该控制策略性能1变流器拓扑结构及模型解耦两电平三相PWM可逆变流器拓扑结构如图1所示该结构共分为网侧滤波单元、电压型PWM整流单元、直流储能单元、电压型PWM逆变单元与负载侧滤波单元等5个部分2重复控制单元控制器设计重复控制理论是建立在内模控制的基础上，其核心在于内部模型设计在常用重复控制策略模型应用中普遍存在两个方面不足一是由于延时单元的存在，使得系统动态性能较差，对扰动调节时间超过了一个周期二是因滤波器Q(z)的使用，使得系统增强稳定性的同时存在了静差滤波单元时，系统理论上可以实现无静差，

5、但是这种纯积分控制结构使系统稳定性和鲁棒性变得很差，在工程实际应用中是被禁止的因此为改善系统稳定性，一般使辅助补偿器Q(z)为低通滤波形式或者为略小于1的常数，如095延时单元是内模组成部分，当控制信号检测到误差信息时使延时至下一个周期动作的存在虽然影响了系统动态性能却是重复控制内模的固有组成部分，不能舍弃因指令和扰动在很多情形下都重复出现，如图2所示,经改进的嵌入式结构使系统保留了指令信号的快速响应通道补偿器将获得的系统补偿量在下一周期作用于控制对象校正输出取，该设计可保证系统运行稳定性并改善修正效果，超强补偿相位幅值其中为重复控制幅值增益补偿；为相位补偿；S(z

6、)起滤波作用消除谐振峰值、校正中低频增益并增强高频衰减特性的存在虽然使的相位补偿相对滞后，却增强了系统的高频抗干扰能力和系统稳定性3神经网络内模控制单元设计神经内模控制器设计如图3所示，分别用神经网络控制器NNC(neuralnetworkcontroller)和神经网络预估模型NNM(neuralnetworkmodel)取代内模控制结构中的被控对象预估模型和内模控制器由内模原理可知，只要NNM和NNC稳定则系统稳定，即当NNC为NNM的逆时，系统误差32神经网络控制器NNC设计根据内模原理稳定性充分条件,控制器NNC设计结构应是预估模型N2I结构的逆，故NNC应

7、采用与NNM同样的三层BP神经网络结构设计山图4知，NNC结构比7NM多一个输入层网络节点4复合控制器设计及实验验证复合控制器结构框图设计如图5所示通过改进的重复控制单元和神经网络内模控制单元共同作用于可逆变流器中电流输入和电压输出该控制方案屮，重复控制单元通过改进可保证在稳态时输出高精度的稳态波形，能够适用于船舶各精密仪器用电需求，但一旦有给定指令，重复控制器需延时至下一个周期作用被控制对象神经内模控制单元控制无静差，动态响应快，在重复控制的延时周期能快速动态响应指令，很好的填补了重复控制单元的不足，但神经网络内模控制单元中NMM预估模型需要在线训练学习才能获