CN103368443A - 一种兆瓦级三相变流器神经网络内模控制方法 - Google Patents
一种兆瓦级三相变流器神经网络内模控制方法 Download PDFInfo
- Publication number
- CN103368443A CN103368443A CN2013102904542A CN201310290454A CN103368443A CN 103368443 A CN103368443 A CN 103368443A CN 2013102904542 A CN2013102904542 A CN 2013102904542A CN 201310290454 A CN201310290454 A CN 201310290454A CN 103368443 A CN103368443 A CN 103368443A
- Authority
- CN
- China
- Prior art keywords
- centerdot
- alpha
- current transformer
- beta
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
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***参数摄动或外界扰动对***造成的影响,使***具有良好的鲁棒性和抗扰性。
Description
技术领域
本发明涉及电力电子智能化控制技术,特别是一种兆瓦级三相变流器神经网络内模控制方法。
背景技术
现在工业控制领域相当多的控制问题可以用简单的PID控制解决。但在噪声、扰动等条件影响下,过程模型参数甚至结构均会发生变化,采用常规PID控制难以获得满意的效果。内模控制作为一种新型的控制方法,具有结构简单、参数整定直观明了、在线调整容易、对于鲁棒及抗扰性的改善效果明显等优点,但要求精确的内部模型。而神经网络能够任意逼近函数且有自学习能力,通过神经网络的自学习使得内模控制有着更好的自适应能力,可以加大内模控制的被控对象的范围。
发明内容
本发明所要解决的技术问题是,针对现有技术不足,提供一种兆瓦级三相变流器神经网络内模控制方法,克服***参数摄动或外界扰动对***造成的影响,使***具有良好的鲁棒性和抗扰性。
为解决上述技术问题,本发明所采用的技术方案是: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,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:
其中, I3为三阶单位矩阵,uu=[uabubcuca]T为LC滤波电路电容电压,Il=[IaIbIc]T为LC滤波电路电感电流,Ioph=[IoaIobIoc]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,Ui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:
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:
iα、iβ为αβ坐标系下兆瓦级变流器输出电流、Uα、Uβ为αβ坐标系下IGBT逆变模块输出电压、uα、uβ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:
yα(k)=h1uα(k-1)+h2uα(k-2)-g1yα(k-1)-g2yα(k-2),
其中,yα(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;uα(k)为神经网络逆模型;
5)将上述yα(k)、uα(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:
yα(k+1)=f[yα(k),…,yα(k-n+1),uα(k),…,uα(k-m+1)]+dα(k),
其中dα(k)为d轴干扰噪声;f0为神经网络隐层输入和隐层输出之间的函数映射关系;
6)假设输出无偏差跟踪输入,则yα(k)≈rα(k),…,yα(k-n+1)≈rα(k-n+1),得到神经网络逆模型表达式:
uα(k)=f-1[rα(k),…,rα(k-n+1),uα(k-1),…,uα(k-m+1),ef(k)],
其中,ef(k)为ef(s)的离散值,ef(s)=Gf(s)em(s)=Gf(s)[yα(s)-ym(s)],Gf(s)为反馈函数,yα(s)为yα(k)的连续函数,ym(s)为神经网络输出层输出ym(k)的连续函数,vi(k)为神经网络隐层节点与输出节点间的网络权值,zi(k)为神经网络隐层输出,rα(k)为当前时刻α相兆瓦级变流器参考输入电压;
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:
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uα(k),从而求得yα(k),使yα(k)很好地跟踪输入信号rα(k)。
所述步骤5)中,神经网络隐层输入和隐层输出之间的函数映射关系为
与现有技术相比,本发明所具有的有益效果为:本发明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,可以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,本发明的控制方法能够克服***参数摄动或外界扰动对变流器***造成的影响,使***具有良好的鲁棒性和抗扰性。
附图说明
图1为兆瓦级变流器主电路原理图;
图2为本发明一实施例兆瓦级变流器的神经网络内模控制结构框图;
图3为本发明一实施例d轴变流器神经网络预估计BP网络结构。
具体实施方式
兆瓦级变流器主电路见图1,Ud为直流母线电压;S1-S6为理想功率开关器件IGBT模块;假定三相输出滤波单元对称,滤波电容为C,滤波电感为L,r代表电感损耗、线路阻抗及开关开通和关断损耗的总效应,R是***负载。
由图1可以得到该兆瓦级变流器在静止abc坐标下的数学模型:
可表示成
式中: I3为三阶单位阵,
i=A,B,C;
uu=[uabubcuca]T为三相逆变输出滤波单元电容电压;
Il=[IaIbIc]T为三相逆变输出滤波单元电感电流;
Ioph=[IoaIobIoc]T为三相逆变输出滤波单元负载电流。
为消除各相之间的耦合并简化控制器的设计,在将线电压转换为相电压后,用式(3)对式(2)进行坐标变换。
可得:
对式(4)进行整理,可得到平衡三相变流器在αβ坐标系下数学模型为:
(uαuβ)T=T3S/2S (uab ubc uca)T
(IoαIoβ)T=T3S/2S (Ioa Iob Ioc)T
(iαiβ)T=T3S/2S (Ia Ib Ic)T
由上式可以看出α轴上的状态变量uα、iα与β轴上的状态变量uβ、iβ没有任何耦合关系,彼此相互独立;***在α(β)轴上的状态方程与单相变流器的状态方程一致。可以得出结论:平衡三相变流器模型经3S/2S坐标变换之后,可以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。
本发明一实施例控制结构框图见图2。α相和β相上的神经网络内模控制器完全相同,故仅介绍α相控制器的设计。图中,NNC为神经网络内模控制器,产生变流器工作所需的控制信号uα(s),NNM为应用神经网络辨识的变流器模型,与变流器并联,α相变流器为控制对象,变流器输出电压与为神经网络内模控制器模型输出之差em(s)=yα(s)-ym(s)用做NNM的模型误差反馈信号。Gr(s)为输入滤波器(最简单的情况是Gr(s)=1),减少突加设定值时的冲击,柔化控制动作;Gf(s)为反馈函数(最简单的情况是Gf(s)=1;),用来抑制输出震荡,获得期望的动态特性和鲁棒性;ec(s)为***输入与控制对象输出之差。ef(s)为em(s)通过滤波器Gf(s)后的反馈量。
逆变***工作时,通过采样变流器的输入输出数据,建立起NNC和NNM的初始模型,然后通过对目标函数求极小值在线确定最优控制量uα(s),使控制对象输出yα(s)能够很好地跟踪输入信号rα(s)。
神经网络内部模型(NNM)的建立过程如下:
被控对象三相变流器为离散时间非线性***,定义dα(k)为d轴干扰噪声,yα(k+1)为阶次是n的输出时间序列,uα(k)为阶次是m的输入时间序列,则有:
yα(k+1)=f[yα(k),…,yα(k-n+1),uα(k),…,uα(k-m+1)]+dα(k) (7)
定义3层神经网络输入为xj(j=1,2,,m+n-1),d轴实际对象输出为yα(k),则神经网络输入层输入可表示为:
定义隐层输入为ni(k),网络输入节点与隐节点间的网络权值为wij,输入层的阈值为θi(k),则有:
定义f为zi(k)和ni(k)之间函数映射关系,f′为其导数,神经网络隐层输出为zi(i=l,2,,w),则隐层输出为:
定义隐节点与输出节点间的网络权值为vi(k),输出层输出为:
定义E(k)是网络学习目标函数,输入/输出样本对长度为N,ε代表设定的误差,神经网络训练性能指标函数为:
网络权值和阈值修正公式为:
神经网络内模控制器建立过程如下:
根据对变流器模型分析,d轴变流器传递函数可表示为:
式中h1、h2、g1、g2均为传递函数系数,则有:
yα(z)=h1uα(z)z-1+h2uα(z)z-2-g1yα(z)z-1-g2yα(z)z-2 (32)
亦即:
yα(k)=h1uα(k-1)+h2uα(k-2)-g1yα(k-1)-g2yα(k-2) (33)
由式(33)可知,显然yα(k)与uα(k-2)、uα(k-1)、yα(k-2)、yα(k-1)相关,设计神经网络正模型为4-4-1结构的BP网络,神经网络预估器的输入为[uα(k-1);uα(k);yα(k-1);yα(k)],输出为yα(k+1)。采用神经网络控制时,网络层数、每层结点数越少越好,这样可减少运算时间,满足数字实现的需要。经多次反复试验,确定由4个节点组成隐层,见图3,同时神经网络内模控制器NNC为一个5-4-1结构的BP网络,输入为[rα(k-1);rα(k);uα(k-1);uα(k);ef(s)],性能指标函数为J=[rα(k)-yα(k)]2/2。
内模控制器是对象模型的逆,可以证明式(7)非线性***的逆存在。在控制***中,希望输出无偏差跟踪参考输入,因此有yα(k)=rα(k),…,yα(k-n+1)=rα(k-n+1),神经网络逆模型NNC也采用3层BP网络结构。则其逆动态模型为
uα(k)=f-1[rα(k+1),rα(k),…,rα(k-n+1),uα(k-1),…,uα(k-m+1)] (16)
式(16)中,rα(k+1)为时间序列中本采样周期的下一个采样周期***的参考输入值,此采样周期内无法测量,但可通过线性化预测方法获得,具体做法是rα(k+1)的预测值可以通过对当前时刻参考输入采样值rα(k)及以前时刻参考输入采样值rα(k-1)来得到,其表达式为:
rα(k+1)=2rα(k)-rα(k-1) (17)
显然神经网络内模控制器的输出还和反馈量ef(s)=Gf(s)em(s)
=Gf(s)[yα(s)-ym(s)]有关,故式(16)可以表示为:
uα(k)=f-1[rα(k),…,rα(k-n+1),uα(k-1),L,uα(k-m+1),ef(k)] (18)
神经网络内模控制器的辨识算法为:设网络输入为cj(j=1,2,…,Ψ),则输入层输入为:
定义隐层输入为oi(k),则有:
定义隐层输出gi(k),则有:
定义d轴网络输出为uα(k),则有
定义J(k)为网络学习目标函数,ε2为设定的误差,则神经网络训练性能指标函数为:
式中,ec(k)=rα(k)-yα(k),当神经网络模型的辨识精确度改变时,此处不用ym(k)代替yα(k),可以使得神经网络控制器辨识精确度不变。
网络权值修正公式为:
式(24)和(25)中,tij(k)为网络输入节点与隐节点间的网络权值修正值;bi(k)为隐节点与输出节点间的网络权值修正值;因为神经网络能够逼近任意非线性映射,经过若干次的学习,ym(k)无限逼近yα(k),故可用代替,从而解决非线性、时变性对象无法准确获得的问题。
根据神经网络模型的输入、输出关系可得:
设δ(2)(k)=rα(k)-yα(k),δi (1)(k)=δ(2)(k)bi(k)gi(k)[1-gi(k)],则
同理,可得下式:
将式(27)、(28)代入式(25)、(26)可得
Claims (2)
1.一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:
其中, I3为三阶单位矩阵,uu=[uabubcuca]T为LC滤波电路电容电压,Il=[IaIbIc]T为LC滤波电路电感电流,Ioph=[IoaIobIoc]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,Ui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:
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:
iα、iβ为αβ坐标系下兆瓦级变流器输出电流、Uα、Uβ为αβ坐标系下IGBT逆变模块输出电压、uα、uβ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:
yα(k)=h1uα(k-1)+h2uα(k-2)-g1yα(k-1)-g2yα(k-2),
其中,yα(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;uα(k)为神经网络逆模型;
5)将上述yα(k)、uα(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:
yα(k+1)=f[yα(k),…,yα(k-n+1),uα(k),…,uα(k-m+1)]+dα(k),
其中dα(k)为d轴干扰噪声;f()为神经网络隐层输入和隐层输出之间的函数映射关系;
6)假设输出无偏差跟踪输入,则yα(k)≈rα(k),…,yα(k-n+1)≈rα(k-n+1),得到神经网络逆模型表达式:
uα(k)=f-1[rα(k),…,rα(k-n+1),uα(k-1),L,uα(k-m+1),ef(k)],
其中,ef(k)为ef(s)的离散值,ef(s)=Gf(s)em(s)=Gf(s)[yα(s)-ym(s)],Gf(s)为反馈函数,yα(s)为yα(k)的连续函数,ym(s)为神经网络输出层输出ym(k)的连续函数,为神经网络隐层节点与输出节点间的网络权值,为神经网络隐层输出,rα(k)为当前时刻α相兆瓦级变流器参考输入电压;
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:
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uα(k),从而求得yα(k),使yα(k)很好地跟踪输入信号rα(k)。
2.根据权利要求1所述的兆瓦级三相变流器神经网络内模控制方法,其特征在于,所述步骤5)中,神经网络隐层输入和隐层输出之间的函数映射关系为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310290454.2A CN103368443B (zh) | 2013-07-10 | 2013-07-10 | 一种兆瓦级三相变流器神经网络内模控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310290454.2A CN103368443B (zh) | 2013-07-10 | 2013-07-10 | 一种兆瓦级三相变流器神经网络内模控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103368443A true CN103368443A (zh) | 2013-10-23 |
CN103368443B CN103368443B (zh) | 2015-12-02 |
Family
ID=49369140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310290454.2A Active CN103368443B (zh) | 2013-07-10 | 2013-07-10 | 一种兆瓦级三相变流器神经网络内模控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103368443B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103837791A (zh) * | 2014-03-20 | 2014-06-04 | 上海应用技术学院 | 三电平逆变器多模式故障诊断电路及其诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5726847A (en) * | 1993-09-27 | 1998-03-10 | Siemens Aktiengesellschaft | Method of generating a protection-triggering signal |
CN101719732A (zh) * | 2009-12-07 | 2010-06-02 | 江南大学 | 五电平svpwm控制器 |
CN103107710A (zh) * | 2011-11-14 | 2013-05-15 | 深圳市安邦信电子有限公司 | 基于神经网络的高压变频器自适应控制***及其构造方法 |
-
2013
- 2013-07-10 CN CN201310290454.2A patent/CN103368443B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5726847A (en) * | 1993-09-27 | 1998-03-10 | Siemens Aktiengesellschaft | Method of generating a protection-triggering signal |
CN101719732A (zh) * | 2009-12-07 | 2010-06-02 | 江南大学 | 五电平svpwm控制器 |
CN103107710A (zh) * | 2011-11-14 | 2013-05-15 | 深圳市安邦信电子有限公司 | 基于神经网络的高压变频器自适应控制***及其构造方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103837791A (zh) * | 2014-03-20 | 2014-06-04 | 上海应用技术学院 | 三电平逆变器多模式故障诊断电路及其诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103368443B (zh) | 2015-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104730921B (zh) | 基于终端滑模的有源电力滤波器模糊神经网络控制方法 | |
CN105137757A (zh) | 一种具有频率自适应能力的重复控制器及控制方法 | |
CN107154634A (zh) | 一种基于模型预测电流控制的高铁低频振荡抑制方法 | |
CN104318088A (zh) | 一种含有多电力电子开关的电力***电磁暂态仿真方法 | |
CN107069732A (zh) | 基于最小电流误差模型预测的有源滤波器谐波电流补偿方法 | |
CN102832621A (zh) | 三相并联型有源滤波器自适应rbf神经网络控制技术 | |
CN105262358A (zh) | 双向并网逆变器 | |
CN103427609A (zh) | 一种mmc的谐波特性解析方法 | |
CN101976850A (zh) | 针对四桥臂光伏逆变器中线臂控制模型的直流侧控制方法 | |
CN104375876B (zh) | 一种输入量突变情况下的0+误差免疫电磁暂态仿真方法 | |
Kaleybar et al. | Model analysis and real-time implementation of model predictive control for railway power flow controller | |
CN103441499B (zh) | 三相并联型有源滤波器的线性化反馈神经滑模控制方法 | |
CN107196506A (zh) | 一种三电平Boost变换器重复无差拍复合控制策略 | |
CN105981287A (zh) | 变换器控制的改进或与变换器控制有关的改进 | |
CN104104251B (zh) | 一种基于ssr-kdf的并网逆变器的鲁棒控制方法 | |
CN106487258A (zh) | 一种基于零序电压注入的三电平中点电位平衡带校验修正的控制方法 | |
CN103296885A (zh) | Pwm功率变换器模拟仿真电路及仿真方法 | |
CN104393620B (zh) | 一种预测电流光伏并网逆变器控制方法及装置 | |
CN103997067B (zh) | 基于滑模控制的逆变器输出电压稳态方法 | |
CN104037766B (zh) | 三相并联型有源滤波器的自适应神经反演控制方法 | |
CN103887798A (zh) | 有源电力滤波器的反演全局快速终端滑模控制方法 | |
CN104795836A (zh) | 一种单相光伏并网发电检测***及其非线性电流控制方法 | |
CN103368443A (zh) | 一种兆瓦级三相变流器神经网络内模控制方法 | |
CN104467741A (zh) | 基于t-s模糊建模的有源滤波器智能电流跟踪控制方法 | |
CN103683874A (zh) | 一种基于重复控制的双馈变流器的控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20170619 Address after: 523000, Tangxia City, Guangdong province Dongguan Tian heart Industrial Zone Guangdong Zhicheng Champion Group Co., Ltd. Patentee after: Guangdong Zhicheng Champoin Group Co., Ltd. Address before: 325035 Wenzhou Higher Education Park, Zhejiang Patentee before: Wenzhou University |
|
TR01 | Transfer of patent right |