[发明专利]基于递归神经网络的并网逆变器电流控制方法

权利要求书

1.基于递归神经网络的并网逆变器电流控制方法，其特征在于：包括以下步骤：

S101：采集三相电网电压信号和电流信号，根据采集到的三相电网电压信号，通过Clarke变换得到αβ坐标系下的电压信号；

对αβ坐标系下的电压信号采用双广义积分器进行滤波得到正序两相电压信号；

对正序两相电压信号采用Park变换得到dq坐标系下q轴的电压信号；根据dq坐标系下q轴的电压信号通过锁相环技术得到三相电网的电压相位；

S102：根据三相电网电压相位和采集到的三相电网电流信号，通过Clarke变换和Park变换得到dq坐标系下的电流信号，将dq坐标系下的电流信号与并网逆变器系统的参考电流信号相比较，得到电流差值信号，对电流差值信号进行积分，得到积分信号；

S103：将电流差值信号和积分信号作为递归神经网络控制器的输入，得到递归神经网络控制器的输出电压值，其中递归神经网络控制器的输出所需权重由LM+FATT算法训练获得；

S104：将递归神经网络控制器的输出电压值与PWM增益相乘，得到并网逆变器系统的输出电压值，对并网逆变器系统的输出电压值作反Park变换得到αβ坐标系下的两相电压值；

S105：对αβ坐标系下的两相电压值采用SVPWM调制方法生成PWM波，PWM波作为并网逆变器系统开关管的驱动脉冲，实现对并网逆变器系统的电流控制；

根据步骤S102变换得到的第k时刻dq坐标系下的电流信号参考电流信号电流差值信号和积分信号在步骤S103中，训练得到递归神经网络控制器输出所需权重的步骤如下：

S201：将电流差值信号和积分信号作为第一个矩阵输入量输入到递归神经网络控制器中的前馈神经网络，经过前馈神经网络的正向过程，得到第一个递归神经网络控制器的输出向量其中，电流信号参考电流信号分别代表：i_d(k)和i_q(k)、i_dref(k)和i_qref(k)；

S202：根据并网逆变器系统的离散域状态空间模型，利用迭代预测出从k+1时刻到k+N-1时刻的N-1个电流量，从而计算得到从k时刻到k+N-1时刻的N个电流量与参考电流量的差值，继而计算得到递归神经网络控制器中前馈神经网络的评价函数C的值，评价函数C的表达式如公式(1)：

其中k为大于等于1的正整数，N为大于k的正整数；

S203：利用LM+FATT算法计算权值更新矩阵，利用权值更新矩阵沿着评价函数C减小的方向调整递归神经网络控制器中前馈神经网络的权值矩阵，得到最终的权重用计算获得递归神经网络控制器的输出电压值

在步骤S201中，递归神经网络控制器中前馈神经网络的结构包括输入层神经元、双隐含层神经元以及输出层神经元；

递归神经网络控制器的输出为两个电压值和由此可知，神经网络的输出神经元为2个，选取dq坐标系下电流差值以及积分作为神经网络输入层的输入，根据输入与输出之间的关系复杂度，选取双隐含层结构，采用试凑法，选取最终的隐含层节点数为5个，即前馈神经网络的结构为4-5-5-2；

在步骤S203中，沿着评价函数值减小的方向调整递归神经网络控制器中前馈神经网络的权值矩阵，具体的实施步骤如下：

S301：确定RNN结构，初始化学习速率μ为0.001，μ的增加系数β_in为10，μ的减小系数β_de为0.1，最大学习速率μ_max为1×10¹⁰，设置最大训练次数Epochmax为200，以及最小可接受的梯度值为1×10^-10；

S302：用高斯分布随机函数randm初始化权值矩阵

S303：采用FATT算法计算评价函数C和雅克比矩阵

S304：计算梯度将梯度与最小可接受的梯度相比较，如果退出训练程序；

S305：如果采用Cholesky分解法计算权值更新矩阵根据计算新的权值矩阵

S306：采用FATT*算法计算评价函数C*，比较C*和C的值，如果C*<C，根据更新权值矩阵根据μ＝μ·β_de，减小学习速率μ；如果C*≥C，根据μ＝μ·β_in增加学习速率μ，若μ>μ_max，结束训练程序，若μ≤μ_max，返回第S305步；

S307：令Epoch＝Epoch+1，返回步骤S303，直到达到最大训练次数Epochmax，结束训练程序。