[发明专利]基于递归神经网络的并网逆变器电流控制方法

说明书

本发明提供了基于递归神经网络的并网逆变器电流控制方法，基于递归神经网络的并网逆变器电流控制方法，采用离散域状态空间方程建立并网逆变器系统的数学模型，采用Levenberg‑Marquardt(LM)+Forward Accumulation Through Time(FATT)优化方法训练递归神经网络控制器，离线获得的权值矩阵作为神经网络初始化权值，再结合神经网络的误差反向传播方法，替换传统PI控制器来实现并网逆变器的电流控制。本发明的有益效果是：本发明提供的技术方案可以加快并网逆变器神经网络控制器的收敛速度，提高系统的动态响应能力和抗干扰能力，解决并网逆变器的非线性和参数耦合问题。

技术领域

本发明涉及新能源智能控制领域，尤其涉及基于递归神经网络的并网逆变器电流控制方法。

背景技术

并网逆变器是分布式发电系统的重要接口，并网电流的质量是其重要指标。并网逆变器通常采用PWM技术，其输出PWM电压中存在丰富的开关谐波，为了抑制这些谐波，需要选取合适的输出滤波器。常用的输出滤波器类型为L型滤波器，其结构简单且易于控制，但滤波效果较差。在相同的滤波效果下，LCL型比L型滤波器，它们的尺寸和重量更小且并网电流的动态响应能力得到提高。

然而，LCL型滤波器是三阶系统，存在固有的谐振问题，会影响并网逆变器的稳定运行。通常有两种手段：一是增加系统阻尼的方法，二是通过合理地设计控制器来保证并网逆变器系统的稳定运行来抑制该谐振。并网电流作为并网逆变器的控制对象，它的控制方法包括直接和间接两大类。前者可有效跟踪负载电流的变化，具有易限流、良好的动态性能及高控制精度等优点；后者实现容易且成本低廉，但其不足之处突出在并网电流动态响应缓慢和易受参数变化影响方面，目前已逐步被直接电流控制所取代。

直流电流控制方法，常用的方法包括比例积分(PI)和比例谐振(PR)，谐波谐振控制、重复控制和无差拍控制在一些方面也得到了应用。这些控制方法均属于线性控制方法，其控制参数设计均基于标准状态下，控制器参数的设计过程较为复杂，且其设计依赖于系统建模的精确度。实际的并网逆变器系统具有多变量、非线性和时变等特点，目前无法得到精确的并网逆变器系统数学模型，因而这些控制器参数整定相当困难。神经网络具备自适应、自学习及泛化能力，可逼近任意非线性函数，这些特性使得其在非线性控制领域应用广泛。与以上控制方法相比，神经网络不依赖于系统的数学模型，因而加入神经网络控制的系统往往鲁棒性高、动静态性能好。将神经网络与其他控制方法相结合，是目前比较多的并网逆变器控制方式。PI控制器等线性控制器的参数一旦确定将无法更改，当系统工况或参数发生变化时，系统可能发生振荡甚至变得不稳定，进而影响并网电流的输出质量。

发明内容

为了解决上述问题，本发明提供了基于递归神经网络的并网逆变器电流控制方法，主要包括以下步骤：

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：根据三相电网的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；