一种兆瓦级三相变流器神经网络内模控制方法

摘要

本发明公开了一种兆瓦级三相变流器神经网络内模控制方法，将神经网络运用到内模控制中，针对兆瓦级变流器在旋转αβ坐标系下的特点，提出了一种基于神经网络内模原理的控制方案，将平衡三相变流器模型经3S/2S坐标变换之后，等效为两个相互独立的单相变流器。因此，只需两个完全相同的单相控制器分别对α相和β相进行控制，就可以实现对整个兆瓦级变流器的控制。本发明的方法能够克服系统参数摄动或外界扰动对系统造成的影响，使系统具有良好的鲁棒性和抗扰性。

主权项

一种兆瓦级三相变流器神经网络内模控制方法，包括兆瓦级三相变流器，所述兆瓦级三相变流器包括IGBT逆变模块，所述IGBT逆变模块通过LC滤波电路接负载；所述IGBT逆变模块包括直流侧电容和三个并联的桥臂，所述直流侧电容与所述桥臂并联，所述桥臂由两个IGBT串联组成，其特征在于，该方法为：1)计算兆瓦级变流器在静止abc坐标下的数学模型：$\begin{array}{c}\left[\begin{array}{cc}{A}^T& 0\\ 0& A\end{array}\right]\left[\begin{array}{c}{\stackrel{·}{u}}_u\\ {\stackrel{·}{I}}_l\end{array}\right]=\left[\begin{array}{cc}0& \left(1/C\right)·I_3\\ \left(-1/L\right)·I_3& \left(-r/L\right)·A\end{array}\right]\left[\begin{array}{c}{u}_u\\ I_l\end{array}\right]\\ +\left[\begin{array}{cc}0& \left(-1/C\right)·I_3\\ \left(1/L\right)·A& 0\end{array}\right]\left[\begin{array}{c}{U}_i\\ I_{oph}\end{array}\right]\end{array},$其中，$A=\left[\begin{array}{ccc}1& -1& 0\\ 0& 1& -1\\ -1& 0& 1\end{array}\right],$I₃为三阶单位矩阵，u_u＝[u_ab u_bc u_ca]^T为LC滤波电路电容电压，I_l＝[I_aI_bI_c]^T为LC滤波电路电感电流，I_oph＝[I_oa I_ob I_oc]^T为LC滤波电路输出电流，r为LC滤波电路电感损耗，C为LC滤波电路滤波电容值，L为LC滤波电路电感值，U_i为IGBT逆变模块三相输出电压，i＝A、B、C；2)对所述数学模型进行坐标变换，得到：$\begin{array}{c}\left[\begin{array}{cc}0& \left(-1/C\right)·T_{2S/3S}\\ \left(U_d/L\right)·{\mathrm{AT}}_{2S/3S}& 0\end{array}\right]\left[\begin{array}{c}{\stackrel{·}{u}}_{\alpha \beta }\\ {\stackrel{·}{i}}_{\alpha \beta }\end{array}\right]=\left[\begin{array}{cc}0& \left(1/C\right)·T_{2S/3S}\\ \left(-1/L\right)·{\mathrm{AT}}_{2S/3S}& \left(-r/L\right)·{\mathrm{AT}}_{2S/3S}\end{array}\right],\\ +\left[\begin{array}{cc}0& \left(-1/C\right)·T_{2S/3S}\\ \left(U_d/L\right)·{\mathrm{AT}}_{2S/3S}& 0\end{array}\right]\left[\begin{array}{c}{S}_{\alpha ,\beta }\\ I_{\alpha ,\beta }\end{array}\right]\end{array}$其中，$T_{3S/2S}=\frac{2}{3}\left[\begin{array}{ccc}1& -1/2& -1/2\\ 0& \sqrt{3}/2& -\sqrt{3}/2\end{array}\right];$为αβ坐标系下IGBT逆变模块三相输出电压；为αβ坐标系下IGBT逆变模块三相输出电流；S_α,β为αβ坐标系下IGBT逆变模块开关状态；I_α,β为αβ坐标系下LC滤波电路输出电流；U_d为直流母线电压；3)利用步骤2)的公式，得到兆瓦级变流器在αβ坐标系下数学模型：$\left[\begin{array}{c}{\stackrel{·}{u}}_{\alpha }\\ {\stackrel{·}{u}}_{\beta }\end{array}\right]=\frac{1}{3C}\left[\begin{array}{c}{i}_{\alpha }\\ i_{\beta }\end{array}\right]-\frac{1}{3C}\left[\begin{array}{c}{I}_{o\alpha }\\ I_{o\beta }\end{array}\right],$$\left[\begin{array}{c}{\stackrel{·}{i}}_{\alpha }\\ {\stackrel{·}{i}}_{\beta }\end{array}\right]=\left[\begin{array}{cc}-r/L& 0\\ 0& -r/L\end{array}\right]\left[\begin{array}{c}{i}_{\alpha }\\ i_{\beta }\end{array}\right]-\frac{1}{L}\left[\begin{array}{c}{u}_{\alpha }\\ u_{\beta }\end{array}\right]+\frac{1}{L}\left[\begin{array}{c}{U}_{\alpha }\\ U_{\beta }\end{array}\right],$[u_αu_β]^T＝T_3S/2S·[u_ab u_bc u_ca]^T,其中，[I_oαI_oβ]^T＝T_3S/2S·[I_oa I_ob I_oc]^T,[i_αi_β]^T＝T_3S/2S·[I_a I_b I_c]^T,i_α、i_β为αβ坐标系下兆瓦级变流器输出电流、U_α、U_β为αβ坐标系下IGBT逆变模块输出电压、u_α、u_β为αβ坐标系下兆瓦级变流器输出电压；4)利用αβ坐标系下α相兆瓦级变流器输出电压建立神经网络内模控制器模型：y_α(k)＝h₁u_α(k‑1)+h₂u_α(k‑2)‑g₁y_α(k‑1)‑g₂y_α(k‑2），其中，y_α(k)为α相兆瓦级变流器输出电压的离散值，h₁、h₂、g₁、g₂均为d轴变流器传递函数系数；u_α(k)为神经网络逆模型；_k表示第_k时刻；5)将上述y_α(k)、u_α(k)作为神经网络内部模型输入，得到神经网络内部模型表达式：y_α(k+1)＝f[y_α(k)，…，y_α(k‑n+1)，u_α(k)，…，u_α(k‑m+1)]+d_α(k)，其中d_α(k)为d轴干扰噪声；f(x)为神经网络隐层输入和隐层输出之间的函数映射关系；$n_i\left(k\right)=\underset{j=1}{\overset{v}{\Sigma }}{w}_{ij}\left(k\right)x_j\left(k\right)+{\theta }_i\left(k\right),v=m+n-1,$w_ij为网络输入节点与隐节点间的网络权值，θ_i(k)为输入层的阈值，$x_j\left(k\right)=\left\{\begin{array}{cc}{u}_{\alpha }(k-j)& 0\le j\le m-1\\ y_{\alpha }(k-j+m)& m\le j\le m+n-1\end{array}\right.;$m为u_α(k)的阶次；n为y_α(k+1)的阶次；6)假设输出无偏差跟踪输入，则y_α(k)≈r_α(k)，…，y_α(k‑n+1)≈r_α(k‑n+1)，得到神经网络逆模型表达式：u_α(k)＝f^‑1[r_α(k)，…，r_α(k‑n+1)，u_α(k‑1)，…，u_α(k‑m+1)，e_f(k)]，其中，e_f(k)为e_f(s)的离散值，e_f(s)＝G_f(s)e_m(s)＝G_f(s)[y_α(s)‑y_m(s)]，G_f(s)为反馈函数，y_α(s)为y_α(k)的连续函数，y_m(s)为神经网络输出层输出y_m(k)的连续函数，v_i(k)为神经网络隐层节点与输出节点间的网络权值，z_i(k)为神经网络隐层输出，r_α(k)为当前时刻α相兆瓦级变流器参考输入电压；w为神经网络隐层输出个数；7)定义J(k)为神经网络学习目标函数，则神经网络训练性能指标函数J为：$J=\underset{k=1}{\overset{N}{\Sigma }}J\left(k\right)=\underset{k=1}{\overset{N}{\Sigma }}\frac{{[r_{\alpha }\left(k\right)-u_{\alpha }\left(k\right)]}^2}{2}=\frac{1}{2}\underset{k=1}{\overset{N}{\Sigma }}{e}_c^2\left(k\right)\le {ϵ}_2,$其中，ε₂>0；N为神经网络输入或输出样本的长度；8)求神经网络训练性能指标函数J的最小值，确定u_α(k)，从而求得y_α(k)，使y_α(k)很好地跟踪输入信号r_α(k)。