[发明专利]一种合成变量反馈的电力电子变换器控制方法

说明书

本发明公开了一种合成变量反馈的电力电子变换器控制方法，属于电力电子变换器控制技术领域。本发明在控制过程中设置保护条件和学习条件，既保障了变换器的安全稳定运行，又能灵活地设计优化目标，适用范围广泛；具体地，在变换器运行过程中设置保护条件，若满足保护条件，则采取保护措施确保变换器安全运行；否则，利用当前时刻神经网络输出的控制变量，对变换器进行控制；在自学习过程中加入学习条件，仅需在控制性能未达到设定目标时(即满足学习条件时)进行在线学习，优化控制器，控制性能达到设定目标后即停止在线学习，减少了计算量，容易实现。

技术领域

本发明属于电力电子变换器控制技术领域，更具体地，涉及一种合成变量反馈的电力电子变换器控制方法。

背景技术

电力电子变换器是光伏发电、风力发电等新能源领域的重要组成部分，其控制技术是获得高质量电能，保障系统稳定运行的关键。

目前，国内外关于电力电子变换器的控制方法主要有PI控制、PR控制、重复控制等控制方法，这些方法都是基于专家知识进行设计的。例如，名为“一种基于模糊PI算法的微电网并网逆变器的控制方法”，公开号CN103956769A，公开日2016年1月13日的中国专利申请，针对微电网并网逆变器，通过模糊算法在线调整PI控制器的控制参数，修正后的PI控制器控制逆变器输出电流，实现逆变器输出电流快速精确控制；名为“三相LCL型并网逆变器的基于重复PR控制的电流双环控制方法”，公开号CN105762801B，公开日2018年11月30日的中国专利申请，对并网电流外环采用重复PR控制，电容电流内环采用PI控制，实现对三相LCL型并网逆变器的高性能控制。该类电力电子变换器的控制方法目前已得到广泛应用，但设计过程复杂，控制器的参数设置高度依赖精确建模，需要设计人员具有专家知识，且控制器参数一旦确定就很难适应不同工况下的需求。

为提升电力电子变换器的控制性能，其中一种思路是用神经网络进行离线训练，使其能适应多种电路工况，再将训练好的网络用于实时控制。例如名为《Weighting FactorDesign in Model Predictive Control of Power Electronic Converters:AnArtificial Neural Network Approach》的文献提出了一种用神经网络拟合计算变换器模型预测控制中成本函数权重因子的控制方法，利用神经网络替代了控制器的部分功能；名为《A Neural-Network-Based Space-Vector PWM Controller for Voltage-FedInverter Induction Motor Drive》的文献提出了一种利用神经网络拟合空间矢量调制的方法，替代了传统空间矢量调制复杂的在线计算过程；名为《A Back-Propagation NeutralNetwork based Explicit Model Predictive Control for DC-DC converters withHigh Switching Frequency》的文献提出了一种使用神经网络拟合离线模型预测控制规律的方法，采用一个神经网络实现了对Buck电路的高性能控制。该类电力电子变换器的智能控制方法可以满足电力电子变换变换器在不同工况下的控制需求，但需要在变换器投入使用之前先通过仿真或者实验采集数据来训练神经网络，再将训练好的神经网络投入使用；高度依赖电力电子变换器的专家知识，离线训练好的神经网络在投入使用后无法修改，因此必须事先考虑到所有可能出现的问题，对变换器的模型精度要求很高，对没有考虑到的变换器运行过程中的突发情况处理能力有限；控制器分立处理电路的各个状态变量(反馈量)，没有考虑到反馈量之间的关系，导致神经网络训练过程复杂，计算量大。