[发明专利]一种基于粒子群算法和神经网络学习算法的光伏逆变器的控制方法

说明书

本发明公开了一种基于粒子群算法和神经网络学习算法的光伏逆变器的控制方法，属于光伏逆变器领域，包括在逆变器基础上加上一种基于粒子群算法和神经网络学习算法相结合的逆变器控制算法，具体包括通过粒子群算法对光伏系统进行离线寻优，得到最优的光伏逆变器参数和利用神经网络对样本进行训练，得到光伏系统的逆模型，对变化的负载进行补偿，减小负载的变化对系统的影响。本发明通过粒子群算法可以选出当前系统状态下的最好的PI参数值，而通过BP神经网络建立相应的逆模型，可以对控制器进行补偿，从而减小变化的负载对系统的影响。

技术领域

本发明属于光伏逆变器技术领域，具体涉及一种基于粒子群算法和神经网络学习算法的光伏逆变器的控制方法。

背景技术

在不同的应用环境下，交流逆变电源对逆变器的输出波形也有较高的要求。为得到高质量的输出电压和较好的功率因数，光伏发电系统逆变器一般采用电压外环和电流内环的双闭环控制策略，决定双闭环控制效果的关键是其PI参数的确定。传统的双闭环控制方法，需要先建立精确的系统模型，再通过凑试法等得到较为适宜的PI参数。但由于光伏发电系统经常会发生负载变化，系统矩阵、闭环特征值及动态响应均会发生改变，造成已经确定的参数难以适合变化后的系统。尤其针对光伏发电系统的非线性特性，参数凑试困难，很难对已定参数进调整。

发明内容

本发明的目的在于提供一种基于粒子群算法和神经网络学习算法的光伏逆变器的控制方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于粒子群算法和反向传播神经网络学习算法的光伏逆变器的控制方法，包括在逆变器基础上加上一种基于粒子群算法和神经网络学习算法相结合的逆变器控制算法，具体包括如下步骤：

S1、通过粒子群算法中的群体中粒子间的合作与群体智能指导优化搜索，在每一次迭代中，粒子通过2个极点来更新自己的位置和速度，得到最优位置和速度的PI控制器参数：

S101、将当前的粒子所代表的PI控制器参数输入逆变系统模型中，得到负载电压；

S102、将负载电压带入到目标函数当中得到适应值；

S103、将适应值输回粒子群算法中进行优化处理；

S104、若迭代次数达到最大则直接输出相应的PI控制器参数，得到最佳的PI控制器参数；反之，则将迭代次数加1，重复S101-S103，得到最优的PI控制器参数；

S2、利用神经网络算法对样本进行训练，得到神经网络逆模型，对变化的负载进行补偿，减小负载误差对系统的影响。

作为一种优选的实施方式，S1中所述的PI控制器参数包括比例系数、积分系数和电容电流反馈系数。

作为一种优选的实施方式，S102中所述的目标函数为：

所述的目标函数值越小，寻优区域越优。

与现有技术相比，本发明的有益效果是：

本发明通过粒子群算法对系统进行离线寻优，从而得到系统此刻最优的逆变器参数，改善了逆变器参数整定困难的问题；利用神经网络对样本进行训练，对变化的负载进行补偿，从而使输出能较好地跟随系统变化，改善了系统动态响应慢、输出电压谐波含量高等问题。

附图说明

图1为本发明中单相逆变器的数学模型图；

图2为本发明中的粒子群算法离线优化模型图；

图3为本发明中的负载电流前反馈控制模型图；

图4为本发明中的训练误差的曲线图。