一种基于万有引力神经网络的微电网储能逆变器控制方法

摘要

本发明公开了一种基于万有引力神经网络的微电网储能逆变器控制方法，所述微电网储能逆变器主要包括单相逆变桥与LCL滤波器。本发明在收集大量微电网运行数据的基础上，建立微电网电压的神经网络逆模型，并利用万有引力搜索算法优化神经网络逆模型的权值和阈值；将优化后的神经网络逆模型输出与PI控制器的输出相叠加，构成微电网储能逆变器的复合控制方法。本发明的有益效果在于可以有效的提高微电网的抗负载扰动能力，并提高微电网的电能质量。

主权项

一种基于万有引力神经网络的微电网储能逆变器控制方法，所述微电网储能逆变器包括MPU控制器以及依次连接于储能单元与微电网母线之间的单相逆变桥和LCL滤波器，其中，储能单元的输出正端与第一电压传感器的测量正端连接，储能单元的输出负端与第一电压传感器的测量负端连接；第一电压传感器的测量输出端与MPU控制器连接；单相逆变桥的输入正端与储能单元的输出正端连接，单相逆变桥的输入负端与储能单元的输出负端连接，单相逆变桥的输出正端与LCL滤波器逆变桥侧电感一端连接，单相逆变桥的输出负端与第二电压传感器的测量负端连接；LCL滤波器逆变桥侧电感一端与单相逆变桥的输出正端连接，LCL滤波器逆变桥侧电感另一端与第二电压传感器的测量正端连接；第二电压传感器的测量正端与LCL滤波器逆变桥侧电感另一端连接，第二电压传感器的测量负端与单相逆变桥的输出负端连接，第二电压传感器的测量输出端与MPU控制器连接；LCL滤波器的滤波电容正端与LCL滤波器逆变桥侧电感另一端连接，LCL滤波器的滤波电容正端与单相逆变桥的输出负端连接；LCL滤波器电网侧电感的正端与LCL滤波器的滤波电容正端连接，LCL滤波器电网侧电感的负端与电流传感器的测量正端连接；电流传感器的测量正端与LCL滤波器电网侧电感的负端连接，电流传感器的测量负端与第三电压传感器的测量正端连接，电流传感器的测量输出端与MPU控制器连接；第三电压传感器的测量正端与微电网母线正端连接，第三电压传感器的测量负端与微电网母线负端连接，第三电压传感器的测量输出端与MPU控制器连接；驱动模块的输入端与MPU控制器连接，驱动模块的一输出端与单相逆变桥的第一功率管Q1、第四功率管Q4的栅极连接，驱动模块的另一输出端与单相逆变桥的第二功率管Q2、第三功率管Q3的栅极连接；所述MPU控制器通过第一电压传感器、第二电压传感器、第三电压传感器分别采集储能单元端口电压、LCL滤波器的滤波电容电压和微电网母线 电压，通过电流传感器采集LCL滤波器电网侧电感电流，并通过驱动模块控制单相逆变桥；其特征在于，包括以下步骤：步骤1.通过第一电压传感器采集储能单元端口电压u_dc，通过第二电压传感器采集LCL滤波器的滤波电容电压u_c，通过第三电压传感器采集微电网母线电压u_o，通过电流传感器采集LCL滤波器电网侧电感电流i_o；以逆变器作为对象，建立并训练相应的万有引力神经网络逆模型，具体如下：a.在逆变器上采集运行数据；其中，对于储能单元端口电压，共选取T种不同电压水平，每一电压水平下，考虑微电网系统带线性和非线性负载以及负载切换时的M种工况，共有T*M种工况；为了保证样本数据充分包含系统的动、静态信息，分别通过开环和单闭环两种控制方式进行样本收集；开环控制方式下，选取不同幅值的正弦信号和常值信号，再叠加随机信号后作为储能逆变器单相逆变桥的PWM占空比信号；单闭环控制方式下，通过常规PI控制器计算PWM占空比信号；对于每种工况，两种控制方式下均设定逆变桥开关频率为20kHz，以50us为控制周期进行一个周波的运行数据采集；对于第k个控制周期，记d(k)为该周期的PWM控制信号占空比，并在该周期即将结束时进行储能单元端口电压u_dc、LCL滤波器的滤波电容电压u_c、LCL滤波器电网侧电感电流i_o、微电网母线电压u_o的采样，分别记为u_dc(k)、u_c(k)、i_o(k)、u_o(k)，所有工况共采集800*T*M组数据；b.利用采集的运行数据构造样本；对应于第k个控制周期，所构造的样本为{u_dc(k‑1)，u_c(k‑1)，u_o(k)，u_o(k‑1)，i_o(k)，i_o(k‑1)，d(k‑1)，d(k)}，其中，u_dc(k‑1)为第k‑1个控制周期的储能单元端口电压，u_c(k‑1)为第k‑1个控制周期的LCL滤波器的滤波电容电压，u_o(k)为第k个控制周期的微电网母线电压，u_o(k‑1)为第k‑1个控制周期的微电网母线电压， i_o(k)为第k个控制周期的LCL滤波器电网侧电感电流，i_o(k‑1)为第k‑1个控制周期的LCL滤波器电网侧电感电流，d(k‑1)为第k‑1个控制周期的单相逆变桥的PWM信号占空比，d(k)为第k个控制周期的单相逆变桥的PWM信号占空比；c.选取三层BP神经网络建立系统的逆模型，其中，输入层神经元节点数为7个，隐含层神经元节点数为5个，输出层神经元节点数为1个，隐含层神经元转移函数使用双曲正切函数，输出层神经元转移函数使用S型函数；对应于第k个控制周期所构造的样本，取BP神经网络的第一个输入端为u_dc(k‑1)，第二个输入端为u_c(k‑1)，第三个输入端为u_o(k)，第四个输入端为u_o(k‑1)，第五个输入端为i_o(k)，第六个输入端为i_o(k‑1)，第七个输入端为d(k‑1)，BP神经网络的输出为d(k)；d.随机抽取800*T*M个样本数据中的720*T*M个样本做为训练样本，剩余80*T*M个样本做为检验样本，利用万有引力搜索算法对BP神经网络模型进行优化，具体步骤如下：①设置粒子群体规模N以及各粒子初始位置i＝1，2，3，…，N，D为粒子维数，并采用随机数生成的方式初始化各粒子位置；②计算各粒子的适应度函数值：定义粒子的适应度函数f_i为BP神经网络在训练样本上的均方差：其中：m为输出节点个数；p为训练样本的个数；为网络期望输出值；x_pj为网络实际输出值；③更新群体中的f_best与f_worst(f_best＝min f_j，f_worst＝max f_j)，按下式计算各粒子的质量M_i：④按照下式计算各粒子的引力合力F_i与加速度a_i：式中：t为迭代次数，为第i个粒子受到的来自其它粒子引力合力F_i的第d维分量，为第i个粒子的第d维的加速度，rand_i为[0，1]之间的随机数，G(t)为引力时间常数；M_pi(t)和M_aj(t)分别为第i个粒子的被动惯性质量和第j个粒子的主动惯性质量，和分别为第i个粒子与第j个粒子的第d维的位置；⑤按照下式更新各粒子的速度v_i与位置P_i：式中：为第i个粒子的第d维的位置；为第i个粒子的第d维的速度；⑥返回步骤②，达到最大迭代次数后停止迭代，此时f_best所对应的粒子位置即为优化后的BP神经网络权值与阈值；步骤2.利用训练好的BP神经网络逆模型与PI控制器对逆变器进行控制，具体步骤为：a·利用训练好的BP神经网络逆模型进行单相逆变桥PWM信号占空比的计算，对于第k+1个控制周期，取第一个输入端为第k个控制周期的储能单元端口电压u_dc(k)，第二个输入端为第k个控制周期的LCL滤波器的滤波电 容电压u_c(k)，第三个输入端为第k+1个控制周期的微电网母线电压设定值u^*_o(k+1)，第四个输入端为第k+1个控制周期的微电网母线电压u_o(k)，第五个输入端为第k+1个控制周期的LCL滤波器电网侧电感电流估计值依据计算，第六个输入端为第k个控制周期的LCL滤波器电网侧电感电流i_o(k)，第七个输入端为第k个控制周期的单相逆变桥的PWM信号占空比d(k)，得出BP神经网络的输出为第k+1个控制周期的单相逆变桥的PWM信号占空比d(k+1)；b.将第k+1个控制周期的微电网母线电压设定值u^*_o(k+1)与第k个控制周期的微电网母线电压u_o(k)的偏差送入PI控制器，得到闭环控制量d_C(k+1)，即其中：e(k+1)＝u^*_o(k+1)‑u_o(k)，K_p表示比例系数，K_i表示积分系数；c.将神经网络逆模型与PI控制器构成复合控制器，其输出为神经网络逆模型的输出d(k+1)和PI控制器的输出d_C(k+1)叠加，作为最终的单相逆变桥PWM信号占空比D(k+1)，即：D(k+1)＝d(k+1)+d_C(k+1)。