CN104967353B - 一种离网型风力发电逆变器 - Google Patents

Abstract

一种离网型风力发电逆变器，构成中包括MPU控制器以及依次连接于风力发电机与负载之间的整流器、储能电容、反激变换器、工频逆变桥和LCL滤波器，所述MPU控制器通过第一电压传感器和第二电压传感器分别采集储能电容电压和逆变器输出电压，通过电流传感器采集LCL滤波器的工频逆变桥侧电感电流，并通过两个驱动模块分别控制反激变换器和工频逆变桥。本发明利用神经网络逆模型和PI控制器构成的复合控制器来控制逆变器的输出电压。在过零点附近以神经网络逆模型控制为主，以充分发挥其响应速度快的优点；在电网电压峰值附近以PI控制为主，以充分发挥其稳态性能好的优点，从而有效提高了离网型风力发电***的电能质量。

Description

一种离网型风力发电逆变器

技术领域

本发明涉及一种基于复合控制的离网型风力发电逆变装置，属于发电技术领域。

背景技术

风力发电因具有储量大、清洁可再生等特性，已成为当前新能源发电的主要方向之一。离网型风力发电***具有成本低、安装灵活的特点，广泛应用于偏远山区、岛屿等大电网无法提供电力的地区，并多采用小型永磁直驱电机加逆变器的简单结构。与并网型风力发电***不同的是，离网型风力发电***必须实施有效的逆变器输出电压控制，以保证***的稳定运行。

现有的离网型风机逆变器多采用简单的PI控制器，存在输出电压谐波含量高、抗扰动能力差的缺点。通过配置多级滤波单元可以在一定程度上抑制谐波，但是该方法使得***输出阻抗阶次过高，容易导致***不稳定。现代社会对电能质量提出的要求越来越高，必须不断提高离网型风机逆变器的控制水平。

发明内容

本发明的目的在于针对现有技术之弊端，提供一种离网型风力发电逆变器，以有效提高离网型风力发电***的电能质量。

本发明所述问题是以下述技术方案实现的：

一种离网型风力发电逆变器，构成中包括MPU控制器以及依次连接于风力发电机与负载之间的整流器、储能电容、反激变换器、工频逆变桥和LCL滤波器，所述MPU控制器通过第一电压传感器和第二电压传感器分别采集储能电容电压和逆变器输出电压，通过电流传感器采集LCL滤波器的工频逆变桥侧电感电流，并通过两个驱动模块分别控制反激变换器和工频逆变桥，所述MPU控制器按以下方式运作：

①通过第一电压传感器采集储能电容电压V_d，通过第二电压传感器采集逆变器输出电压V_o，通过电流传感器采集LCL滤波器的工频逆变桥侧电感电流i_L；以逆变器作为对象，建立并训练相应的神经网络逆模型，具体如下：

a.选取三层BP神经网络建立***的逆模型，其中，输入层神经元节点数为9个，隐含层神经元节点数为10个，输出层神经元节点数为1个，隐含层神经元转移函数使用双曲正切函数，输出层神经元转移函数使用S型函数；

b.在逆变器上采集运行数据；

使得风机分别处于额定风速、80％额定风速、60％额定风速、40％额定风速和20％额定风速的条件下，每种风速条件下通过改变负载使得逆变器分别工作于额定功率、80％额定功率、60％额定功率、40％额定功率和20％额定功率的工况，共计25种工况，每种工况下均利用单回路PI控制器进行逆变器输出电压控制，并连续采集N组储能电容电压V_d、逆变器输出电压V_o、反激变换器PWM信号占空比D、LCL滤波器的工频逆变桥侧电感电流i_L，共构成25N组运行数据；

c.利用采集的运行数据构造样本；

对于k时刻，所构造的样本为{V_o(k+1)，V_o(k)，V_o(k-1)，V_o(k-2)，i_L(k)，i_L(k-1)，D(k-1)，D(k-2)，V_d(k)，D(k)}，其中，V_o(k+1)为k+1时刻的逆变器输出电压，V_o(k)为k时刻的逆变器输出电压，V_o(k-1)为k-1时刻的逆变器输出电压，V_o(k-2)为k-2时刻的逆变器输出电压，i_L(k)为k时刻的LCL滤波器的工频逆变桥侧电感电流，i_L(k-1)为k-1时刻的LCL滤波器的工频逆变桥侧电感电流，D(k-1)为k-1时刻的反激变换器PWM信号占空比，D(k-2)为k-2时刻的反激变换器PWM信号占空比，V_d(k)为k时刻的储能电容电压，D(k)为k时刻的反激变换器PWM信号占空比，25N组运行数据共构成25N个样本；

d.随机抽取25N个样本数据中的20N个作为训练样本，其余5N个作为检验样本，训练建立的三层BP神经网络；训练过程中，对于k时刻的样本，取BP神经网络的第一个输入端为k时刻的逆变器输出电压V_o(k)，第二个输入端为k-1时刻的逆变器输出电压V_o(k-1)，第三个输入端为k-2时刻的逆变器输出电压V_o(k-2)，第四个输入端为k时刻的LCL滤波器的工频逆变桥侧电感电流i_L(k)，第五个输入端为k-1时刻的LCL滤波器的工频逆变桥侧电感电流i_L(k-1)，第六个输入端为k+1时刻的逆变器输出电压V_o(k+1)，第七个输入端为k时刻的储能电容电压V_d(k)，第八个输入端为k-1时刻的反激变换器PWM信号占空比D(k-1)，第九个输入端为k-2时刻的反激变换器PWM信号占空比D(k-2)，BP神经网络的输出为k时刻的反激变换器PWM信号占空比D(k)；

②利用训练好的BP神经网络逆模型与PI控制器对逆变器进行控制，具体步骤为：

a.利用训练好的BP神经网络逆模型进行反激变换器PWM信号占空比的计算，对于当前k时刻，取第一个输入端为k时刻的逆变器输出电压V_o(k)，第二个输入端为k-1时刻的逆变器输出电压V_o(k-1)，第三个输入端为k-2时刻的逆变器输出电压V_o(k-2)，第四个输入端为k时刻的LCL滤波器的工频逆变桥侧电感电流i_L(k)，第五个输入端为k-1时刻的LCL滤波器的工频逆变桥侧电感电流i_L(k-1)，第六个输入端为k+1时刻的逆变器输出电压设定值V^* _o(k+1)，第七个输入端为k时刻的储能电容电压V_d(k)，第八个输入端为k-1时刻的反激变换器PWM信号占空比D(k-1)，第九个输入端为k-2时刻的反激变换器PWM信号占空比D(k-2)，得出BP神经网络的输出为d(k)；

b.将下一时刻逆变器输出电压设定值V^* _o(k+1)与当前k时刻逆变器输出电压V_o(k)的偏差送入PI控制器，得到闭环控制量d_C(k)，即

其中：e(k)＝V^* _o(k+1)-V_o(k)，K_p表示比例系数，K_i表示积分系数；

c.将神经网络逆模型与PI控制器构成复合控制器，其输出为神经网络逆模型的输出d(k)和PI控制器的输出d_C(k)按照比例K:(1-K)叠加，作为最终的反激变换器PWM信号占空比D(k)，即：

D(k)＝Kd(k)+(1-K)d_C(k)

其中，K的取值为：

式中θ为逆变器输出电压设定值的相位。

上述离网型风力发电逆变器，对BP神经网络的训练采用变学习速率的误差反传算法，具体为：首先将各层神经元中的权系数和阈值初始化为(-1，+1)之间的随机量，再将输入层9个神经元输出值作为隐含层每个神经元的输入，隐含层的10个神经元输出值作为输出层单个神经元的输入，输出层单个神经元的输出值即为网络最终输出，对于第k个训练样本，计算第t次训练后网络实际输出与期望输出的误差：

及20N个训练样本的平方和误差为：

每计算完一遍，比较E_t与期望误差E_o，若E_t<E_o，则训练终止条件满足，训练结束；否则，将E_t沿连接路径进行反向传播，并逐一调整各层的权系数和阈值，直到E_t<E_o为止；然后，利用5N个检验样本对模型进行测试，计算样本均方误差ΔMSE，若有ΔMSE<Tr(Tr为某一固定阈值)，则认为所训练的BP神经网络模型满足精度要求，此时记录各个神经元的权系数和阈值；否则，重新对BP神经网络模型进行训练，直至其满足精度要求为止。

上述离网型风力发电逆变器，所述反激变换器包括变压器、第一功率管、二极管和第二电容，所述变压器的原边线圈经第一功率管接储能电容电压，其副边线圈经二极管给工频逆变桥供电，第二电容并接于工频逆变桥的直流输入端，第一功率管的栅极接第一驱动模块的输出端。

上述离网型风力发电逆变器，所述工频逆变桥是由四个功率管接成的全控桥，四个功率管的栅极接第二驱动模块的输出端。

上述离网型风力发电逆变器，所述LCL滤波器包括工频逆变桥侧电感、第三电容和负载侧电感，工频逆变桥侧电感一端接工频逆变桥的第一交流输出端，另外一端接电流传感器的正极，第三电容的正极接电流传感器的负极，第三电容的负极接工频逆变桥的第二交流输出端，电流传感器的测量信号输出端与MPU控制器连接，负载侧电感一端接第三电容的正极，另外一端接负载的正极。

本发明利用神经网络逆模型和PI控制器构成的复合控制器来控制逆变器的输出电压。在过零点附近，逆变器输出电压的设定值变化率最大，此时以神经网络逆模型控制为主，以充分发挥其响应速度快的优点；在电网电压峰值附近，逆变器输出电压的设定值变化率最小，此时以PI控制为主，以充分发挥其稳态性能好的优点，从而有效提高了离网型风力发电***的电能质量。

附图说明

下面结合附图对本发明作进一步说明。

图1是风力发电逆变器装置的结构框图；

图2是神经网络逆模型示意图；

图3为单个神经元的结构示意图；

图4是风力发电逆变器输出电压曲线。

图中各标号清单为：GS、风机，UT1、第一电压传感器，UT2、第二电压传感器，CT、电流传感器，D1、二极管，Q1～Q5、第一功率管～第五功率管，C1、储能电容，C2、第二电容，C3、第三电容，L1、工频逆变桥侧电感，L2、负载侧电感，TX1、变压器。

文中各符号清单为：V_d为储能电容电压，V_o为逆变器输出电压，i_L为LCL滤波器工频逆变桥侧电感电流，D为反激变换器PWM信号占空比，V_d(k)为k时刻的储能电容电压，V_o(k)为k时刻的逆变器输出电压，V_o(k-1)为k-1时刻的逆变器输出电压，V_O(k-2)为k-2时刻的逆变器输出电压，i_L(k)为k时刻的LCL滤波器工频逆变桥侧电感电流，i_L(k-1)为k-1时刻的LCL滤波器工频逆变桥侧电感电流，V_o(k+1)为k+1时刻的逆变器输出电压，V^* _o(k+1)为k+1时刻的逆变器输出电压设定值，D(k-1)为k-1时刻的反激变换器PWM信号占空比，D(k-2)为k-2时刻的反激变换器PWM信号占空比，D(k)为k时刻的反激变换器PWM信号占空比，为t次训练后网络实际输出，为t次训练后期望输出，E_o为期望误差，E_t为t次训练后20N个训练样本的平方和误差。

具体实施方式

本发明所述风力发电逆变器包括：整流器、储能电容C1、反激变换器(由变压器TX1、第一功率管Q1、二极管D1和第二电容C2构成)、工频逆变桥(由第二功率管Q2～第五功率管Q5构成)、LCL滤波器(由第三电容C3、第一电感L1、第二电感L2构成)、第一驱动模块(即图1中的驱动模块1)、第二驱动模块(即图1中的驱动模块2)、MPU控制器、第一电压传感器UT1、第二电压传感器UT2和电流传感器CT。

所述整流器的三相输入端与风机的三相输出端连接，整流器的单相输出正端与储能电容的正极连接，整流器的单相输出负端接地；储能电容负极接地；第一电压传感器的待测电压输入正端与储能电容正极连接，第一电压传感器的待测电压输入负端接地，第一电压传感器的测量信号输出端与MPU控制器连接；反激变换器的输入正端与储能电容正极连接，反激变换器的输入负端接地；反激变换器的输出正端与工频逆变桥一输入端连接，反激变换器的输出负端与工频逆变桥另一输入端连接；工频逆变桥的一输出端与LCL滤波器一输入端连接，工频逆变桥的另一输出端与LCL滤波器另一输入端连接；LCL滤波器的一输出端与第二电压传感器的待测电压输入正端连接，LCL滤波器的另一输出端与第二电压传感器的待测电压输入负端连接；电流传感器的正极与工频逆变桥侧电感另外一端连接，电流传感器的负极与第三电容的正极连接，电流传感器的测量信号输出端与MPU控制器连接；第一驱动模块的输入端与MPU控制器连接，第一驱动模块的输出端与反激变换器中的第一功率管栅极连接；第二驱动模块的输入端与MPU控制器连接，第二驱动模块的一输出端与工频逆变桥中的第二功率管、第五功率管的栅极连接，第二驱动模块的另一输出端与工频逆变桥中的第三功率管、第四功率管的栅极连接；MPU控制器与第一电压传感器、第二电压传感器、电流传感器的测量信号输出端连接，MPU控制器还与第一驱动模块、第二驱动模块的输入端连接；负载正极接负载侧电感另外一端，负载负极接第三电容的负极。

以下结合附图和具体实施方式进一步说明本发明。

在本实施例中，风机GS为小型永磁直驱式风力发电机，风轮直径为1.2m，额定功率为300W，额定电压为24V，额定转速800r/min，启动风速1m/s，额定风速10m/s。

针对该风力发电机设计的逆变器结构框图如图1所示。该装置主要包括：整流器、储能电容C1、反激变换器、工频逆变桥、LCL滤波器、第一驱动模块、第二驱动模块、MPU控制器、第一电压传感器UT1、第二电压传感器UT2、电流传感器CT；其中MPU控制器选用TI公司的高性能浮点数字信号处理器TMS320F28335，该数字信号处理器集成了I/O模块、ADC模块、PWM模块、CAN模块、UART和SPI模块等功能模块；储能电容C1选用2200uF电解电容；反激变换器中变压器TX1采用NA5814-AL，第一功率管Q1选用TK50X15J1，二极管D1采用C2D05120E，第二电容C2选用0.47uF无极性电容；第二功率管Q2、第三功率管Q3、第四功率管Q4、第五功率管Q5选用IPB60R190C6，第一驱动模块与第二驱动模块为MCP14E4；LCL滤波器中的工频逆变桥侧电感L1选用0.5mH电感，负载侧电感L2选用0.1mH电感，第三电容C3选用0.47uf无极性电容，第一电压传感器UT1与第二电压传感器均采用MCP6022；电流传感器CT采用霍尔电流传感器ACS712ELCTR-058-1。

图2为所建立的三层BP神经网络逆模型。输入层神经元节点数为9个，隐含层神经元节点数为10个，输出层神经元节点数为1个。

图3为单个神经元的结构示意图，x₀,x₁,…x_i为神经元的输入信号，w_ij为神经元的权系数，θ_j为神经元的阈值，则神经元的输出为：

隐含层神经元转移函数使用双曲正切函数，即

其中：

x为转移函数输入；

f(x)为转移函数输出。

输出层神经元转移函数使用S型函数，即

其中：

x为转移函数输入；

f(x)为转移函数输出。

使得风机分别处于额定风速(10m/s)、80％额定风速(8m/s)、60％额定风速(6m/s)、40％额定风速(4m/s)和20％额定风速(2m/s)的条件下，每种风速条件下通过改变负载使得逆变器分别工作于额定功率(300W)、80％额定功率(240W)、60％额定功率(180W)、40％额定功率(120W)和20％额定功率(60W)的工况，共计25种工况，每种工况下均利用单回路PI控制器进行逆变器输出电压控制，以40KHz的采样频率连续采集N＝4000组储能电容电压V_d、逆变器输出电压V_o、反激变换器PWM信号占空比D、LCL滤波器的工频逆变桥侧电感电流i_L，共构成25N＝100000个样本；随机抽取其中的80000个作为训练样本，其余20000个作为检验样本。

实施例中设置E_o＝4.0,阈值Tr＝0.02，迭代训练15422次后，Et＝3.92，满足终止条件E_t<E_o，训练结束。此时，再利用检验样本对模型进行测试，计算得出样本均方误差ΔMSE＝0.014，有ΔMSE<Tr，因此认为满足逆模型精度要求，此时记录各个神经元的权系数和阈值。

实施例中PI控制器的参数整定为K_p＝0.02，K_i＝1200；逆变器输出电压设定值V^* _o由数字信号处理器按照离散正弦规律变化给定。按照上述步骤编写软件程序并植入DSP芯片中，即可实现基于神经网络逆模型与PI控制器的风机逆变器输出电压复合控制。

图4为使用本发明控制方法后风机逆变器的输出电压曲线，可见输出电压在过零点及峰值附近无明显震荡，并具有较高的正弦度。

为了进一步分析本发明控制方法的效果，分别在不同工况下将其与传统PI控制方法(取K_p＝0.02，K_i＝1200)进行了对比，表1为两种方法的逆变器输出电压谐波含量对比结果，可知本发明方法对于工况的变化具有较好的鲁棒性，不同工况下的逆变器输出电压谐波含量均明显小于传统PI控制方法。

表1：本发明复合控制方法与PI控制方法的效果对比

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围应该并不局限于此，任何熟悉本技术领域的技术人员依据本发明揭露的核心技术、所能作出的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种离网型风力发电逆变器，其特征是，构成中包括MPU控制器以及依次连接于风力发电机与负载之间的整流器、储能电容(C1)、反激变换器、工频逆变桥和LCL滤波器，所述MPU控制器通过第一电压传感器(UT1)和第二电压传感器(UT2)分别采集储能电容电压和逆变器输出电压，通过电流传感器(CT)采集LCL滤波器的工频逆变桥侧电感电流，并通过两个驱动模块分别控制反激变换器和工频逆变桥，所述MPU控制器按以下方式运作：

①通过第一电压传感器(UT1)采集储能电容电压V_d，通过第二电压传感器(UT2)采集逆变器输出电压V_o，通过电流传感器(CT)采集LCL滤波器的工频逆变桥侧电感电流i_L；以逆变器作为对象，建立并训练相应的神经网络逆模型，具体如下：

a.选取三层BP神经网络建立***的逆模型，其中，输入层神经元节点数为9个，隐含层神经元节点数为10个，输出层神经元节点数为1个，隐含层神经元转移函数使用双曲正切函数，输出层神经元转移函数使用S型函数；

b.在逆变器上采集运行数据；

使得风机分别处于额定风速、80％额定风速、60％额定风速、40％额定风速和20％额定风速的条件下，每种风速条件下通过改变负载使得逆变器分别工作于额定功率、80％额定功率、60％额定功率、40％额定功率和20％额定功率的工况，共计25种工况，每种工况下均利用单回路PI控制器进行逆变器输出电压控制，并连续采集N组储能电容电压V_d、逆变器输出电压V_o、反激变换器PWM信号占空比D、LCL滤波器的工频逆变桥侧电感电流i_L，共构成25N组运行数据；

c.利用采集的运行数据构造样本；

对于k时刻，所构造的样本为{V_o(k+1)，V_o(k)，V_o(k-1)，V_o(k-2)，i_L(k)，i_L(k-1)，D(k-1)，D(k-2)，V_d(k)，D(k)}，其中，V_o(k+1)为k+1时刻的逆变器输出电压，V_o(k)为k时刻的逆变器输出电压，V_o(k-1)为k-1时刻的逆变器输出电压，V_o(k-2)为k-2时刻的逆变器输出电压，i_L(k)为k时刻的LCL滤波器的工频逆变桥侧电感电流，i_L(k-1)为k-1时刻的LCL滤波器的工频逆变桥侧电感电流，D(k-1)为k-1时刻的反激变换器PWM信号占空比，D(k-2)为k-2时刻的反激变换器PWM信号占空比，V_d(k)为k时刻的储能电容电压，D(k)为k时刻的反激变换器PWM信号占空比，25N组运行数据共构成25N个样本；

d.随机抽取25N个样本数据中的20N个作为训练样本，其余5N个作为检验样本，训练建立的三层BP神经网络；训练过程中，对于k时刻的样本，取BP神经网络的第一个输入端为k时刻的逆变器输出电压V_o(k)，第二个输入端为k-1时刻的逆变器输出电压V_o(k-1)，第三个输入端为k-2时刻的逆变器输出电压V_o(k-2)，第四个输入端为k时刻的LCL滤波器的工频逆变桥侧电感电流i_L(k)，第五个输入端为k-1时刻的LCL滤波器的工频逆变桥侧电感电流i_L(k-1)，第六个输入端为k+1时刻的逆变器输出电压V_o(k+1)，第七个输入端为k时刻的储能电容电压V_d(k)，第八个输入端为k-1时刻的反激变换器PWM信号占空比D(k-1)，第九个输入端为k-2时刻的反激变换器PWM信号占空比D(k-2)，BP神经网络的输出为k时刻的反激变换器PWM信号占空比D(k)；

②利用训练好的BP神经网络逆模型与PI控制器对逆变器进行控制，具体步骤为：

a.利用训练好的BP神经网络逆模型进行反激变换器PWM信号占空比的计算，对于当前k时刻，取第一个输入端为k时刻的逆变器输出电压V_o(k)，第二个输入端为k-1时刻的逆变器输出电压V_o(k-1)，第三个输入端为k-2时刻的逆变器输出电压V_o(k-2)，第四个输入端为k时刻的LCL滤波器的工频逆变桥侧电感电流i_L(k)，第五个输入端为k-1时刻的LCL滤波器的工频逆变桥侧电感电流i_L(k-1)，第六个输入端为k+1时刻的逆变器输出电压设定值V^* _o(k+1)，第七个输入端为k时刻的储能电容电压V_d(k)，第八个输入端为k-1时刻的反激变换器PWM信号占空比D(k-1)，第九个输入端为k-2时刻的反激变换器PWM信号占空比D(k-2)，得出BP神经网络的输出为d(k)；

b.将下一时刻逆变器输出电压设定值V^* _o(k+1)与当前k时刻逆变器输出电压V_o(k)的偏差送入PI控制器，得到闭环控制量d_C(k)，即

$d_C\left(k\right)=K_{p}e\left(k\right)+K_i\underset{j=0}{\overset{k}{\&Sigma;}}e\left(k\right)$

其中：e(k)＝V^* _o(k+1)-V_o(k)，K_p表示比例系数，K_i表示积分系数；

c.将神经网络逆模型与PI控制器构成复合控制器，其输出为神经网络逆模型的输出d(k)和PI控制器的输出d_C(k)按照比例K:(1-K)叠加，作为最终的反激变换器PWM信号占空比D(k)，即：

D(k)＝Kd(k)+(1-K)d_C(k)

其中，K的取值为：

$K=\left\{\begin{array}{cc}0.9& \begin{array}{cc}if& \&lsqb;(-\frac{1}{12}\mathrm{\&pi;}<\mathrm{\&theta;}<\frac{1}{12}\mathrm{\&pi;})or(-\mathrm{\&pi;}<\mathrm{\&theta;}<-\frac{11}{12}\mathrm{\&pi;})or(\frac{11}{12}\mathrm{\&pi;}<\mathrm{\&theta;}<\mathrm{\&pi;})\&rsqb;\end{array}\\ 0.1& \begin{array}{cc}if& \&lsqb;(-\frac{7}{12}\mathrm{\&pi;}<\mathrm{\&theta;}<-\frac{5}{12}\mathrm{\&pi;})or(\frac{5}{12}\mathrm{\&pi;}<\mathrm{\&theta;}<\frac{7}{12}\mathrm{\&pi;})\&rsqb;\end{array}\\ 0.5& else\end{array}\right.$

式中θ为逆变器输出电压设定值的相位。

2.根据权利要求1所述的离网型风力发电逆变器，其特征是，对BP神经网络的训练采用变学习速率的误差反传算法，具体为：首先将各层神经元中的权系数和阈值初始化为(-1，+1)之间的随机量，再将输入层9个神经元输出值作为隐含层每个神经元的输入，隐含层的10个神经元输出值作为输出层单个神经元的输入，输出层单个神经元的输出值即为网络最终输出，对于第k个训练样本，计算第t次训练后网络实际输出与期望输出的误差：

${\mathrm{\&delta;}}_k^t=(y_k^t-c_k^t),k=1,2...,20N$

及20N个训练样本的平方和误差为：

$E_t=\underset{k=1}{\overset{20N}{\&Sigma;}}{(y_k^t-c_k^t)}^2/2=\underset{k=1}{\overset{20N}{\&Sigma;}}{\left({\mathrm{\&delta;}}_k^t\right)}^2/2$

每计算完一遍，比较E_t与期望误差E_o，若E_t<E_o，则训练终止条件满足，训练结束；否则，将E_t沿连接路径进行反向传播，并逐一调整各层的权系数和阈值，直到E_t<E_o为止；然后，利用5N个检验样本对模型进行测试，计算样本均方误差ΔMSE，若有ΔMSE<Tr，Tr为某一固定阈值，则认为所训练的BP神经网络模型满足精度要求，此时记录各个神经元的权系数和阈值；否则，重新对BP神经网络模型进行训练，直至其满足精度要求为止。

3.根据权利要求1或2所述的离网型风力发电逆变器，其特征是，所述反激变换器包括变压器(TX1)、第一功率管(Q1)、二极管(D1)和第二电容(C2)，所述变压器(TX1)的原边线圈经第一功率管(Q1)接储能电容电压，其副边线圈经二极管(D1)给工频逆变桥供电，第二电容(C2)并接于工频逆变桥的直流输入端，第一功率管(Q1)的栅极接第一驱动模块的输出端。

4.根据权利要求3所述的离网型风力发电逆变器，其特征是，所述工频逆变桥是由四个功率管接成的全控桥，四个功率管的栅极接第二驱动模块的输出端。

5.根据权利要求4所述的离网型风力发电逆变器，其特征是，所述LCL滤波器包括工频逆变桥侧电感(L1)、第三电容(C3)和负载侧电感(L2)，工频逆变桥侧电感(L1)一端接工频逆变桥的第一交流输出端，另外一端接电流传感器(CT)的正极，第三电容(C3)的正极接电流传感器(CT)的负极，第三电容(C3)的负极接工频逆变桥的第二交流输出端，电流传感器(CT)的测量信号输出端与MPU控制器连接，负载侧电感(L2)一端接第三电容(C3)的正极，另外一端接负载的正极。