神經網絡準PR光伏并網逆變器控制技術

范寶奇，羅曉曙，廖志賢，姚　鑫

（廣西師范大學電子工程學院，桂林　541004）

神經網絡準PR光伏并網逆變器控制技術

范寶奇，羅曉曙，廖志賢，姚鑫

（廣西師范大學電子工程學院，桂林541004）

針對單相并網逆變系統高度非線性的特性，為解決傳統逆變器控制系統自適應能力差的問題，在分析了比例諧振PR（proportional resonant）控制與準PR控制策略的優缺點的基礎上，將神經網絡算法和準PR算法結合，提出一種基于神經網絡參數自整定的準PR控制方法。解決了準PR控制數字化精度不夠和參數整定困難的問題。利用Matlab/Simulink平臺對神經網絡準PR控制進行仿真，仿真結果表明：與準PR控制相比，基于BP神經網絡準PR控制的電流跟蹤總諧波畸變率降低，動態響應性能更快，系統自適應程度更高，有較好的應用價值。

并網逆變器；誤差反傳神經網絡；電流控制；準比例諧振控制

隨著分布式光伏并網逆變器系統的發展，越來越多的分布式發電系統與電網相連，逆變器作為光伏并網系統中連接光伏電池陣列和電網的核心裝置，其輸出電壓會在一定程度上對電網產生影響［1］。因此隨著光伏并網系統技術的發展，對逆變器的控制要求也越來越高。

傳統的線性控制算法如比例積分微分PID （proportion integration differentiation）控制、重復控制、滯環控制等算法簡單，容易實現，被廣泛用于單相并網逆變控制之中，但是跟蹤正弦參考信號時存在相位和幅值的穩態誤差、抗干擾能力不強等缺點［2-4］。無差拍控制動態性能良好，但需要依賴被控對象精確的數學模型［5］，應用上存在局限性。這些線性控制方法存在的缺點嚴重影響了光伏并網逆變器的輸出電壓的精度。

比例諧振PR（proportional resonant）控制可以減小穩態誤差，但是PR控制器的缺點是在非基波頻率處，其增益很小。當電網頻率發生偏移時，增益明顯下降，并且不能有效抑制電網諧波。另一方面，由于光伏逆變器輸出端接入電網，使整個系統具有復雜的非線性特點，因此就要求逆變器有較強的自適應、自調整的能力。而傳統準PR控制參數整定方法有很大的局限性。

本文主要研究準PR控制參數自整定技術，利用BP神經網絡對非線性函數的逼近能力和高度的自適應能力，來實現準PR控制參數的自整定，同時利用BP神經網絡具有自主學習的能力使控制系統智能化。

1　單相全橋逆變器系統結構

電流型單相全橋逆變器系統的結構如圖1所示，系統采用單極性脈沖寬度調制SPWM（sinusoi?dal pulse width modulation）方式，輸入端為太陽能光伏電池，通過SPWM控制信號控制V1～V4的絕緣柵雙極型晶體管IGBT（insulated gate bipolar tran?sistor），將直流電轉化為交流電，輸出電壓UAB經過LC濾波器濾波之后，再經過隔離變壓器接入電網。利用隔離變壓器自身的高頻衰減特性，降低負載突變和短路對公共電網的影響。系統采用電流閉環控制策略，控制目標是使輸出電流與電網電壓同頻同相。

圖1　單相全橋逆變器系統結構Fig.1　Structure of single-phase full-bridge inverter system

2　準PR控制策略

由于PI控制存在穩態誤差，不能實現對電網電壓的無靜差跟蹤，會降低系統效率和減小逆變器的功率因數。因此PR控制逐漸被引入到并網控制逆變器的電流控制技術當中［6］。

PR控制是基于內膜控制的一種控制方法［7］。PR控制的傳遞函數為

式中：Kp為比例增益；Kr為諧振項增益；ω0為基波角頻率。

將基波頻率ω0帶入式（1），可以得到其增益表達式為

PR控制的波特圖如圖2所示。由圖可以看出PR控制器在特定頻率ω0處的開環增益無窮大，從而限制了控制信號和參考信號之間的穩態誤差［8］。但是在非基波頻率處PR控制器的增益很小，而電網由于負載的高度非線性，電網頻率會在一定范圍波動。隨著電網頻率的偏移PR控制器的增益會明顯下降，因此PR控制抑制電網諧波干擾的能力有限。因此產生了PR控制的進一步改進形式，即準PR控制。

準PR控制的傳遞函數為

準PR控制器的波特圖如圖3所示。對比2種控制的波特圖可以看出：準PR控制在基波頻率處的增益為50 dB，相角裕度無窮大，因此可以實現對參考信號跟蹤的零穩態誤差。準PR控制保留了PR控制的優點，同時通過減小部分基波頻率處的增益，增大了控制頻率范圍，減小了電網頻率波動帶來的影響，具有很好的穩定裕度。

圖2　PR控制器波特圖Fig.2　Bode plots of PR controller

圖3　準PR控制器波特圖Fig.3　Bode plots of quasi-PR controller

3　準PR算法的實現

受到電力電子控制元器件精度和數字控制精度的限制，準PR控制不易實現。因此將式（3）中的諧振部分分解為

將模擬信號數字離散化，得到第k次采樣時刻控制器的輸出，即

式中，Ts為采樣周期。

圖4為準PR控制算法結構框圖。

圖4　準PR控制算法結構框圖Fig.4　Block diagram of the quasi-PR control algorithm

4　神經網絡準PR算法實現

電流內環控制是逆變器的核心控制部分。本文采用單極性SPWM控制。電流內環控制框圖如圖5所示。在輸出端加入電網電壓ug（s）作為前饋補償，減小電網電壓對逆變器輸出電壓的影響［9］。

圖5　神經網絡準PR電流內環控制框圖Fig.5　Current loop control block diagram of quasi-PR based on neural network

準PR控制器對參數變化的自適應能力較弱［10］，因此不能使系統動態性能保持在最優的狀態上，因此在保持準PR控制優點的基礎上，本文提出一種基于BP神經網絡的準PR控制［11］。

神經網絡準PR控制器包括2個部分：準PR控制器和神經網絡參數調節器。神經網絡輸出層的各神經元的輸出分別對應準PR控制器的3個參數Kp、Kr、ωc。根據當前逆變器輸出電流iout和參考電流iref的誤差，通過在線學習，調整各層神經元之間的權系數wij和wjl，使神經網絡模塊輸出適用于當前狀態的參數值，并將神經網絡模塊整定后的參數傳遞給準PR控制器。神經網絡控制算法在Matlab/Simulink平臺中用S-Funcation生成仿真模塊，然后準PR控制對逆變器輸出電流進行閉環控制。

由于準PR控制器的3個參數Kp、Kr、ωc分別決定了控制器的比例增益、峰值增益和截止頻率帶寬需求，經過神經網絡整定之后可使系統達到當前最佳的狀態，故可提高電流的動態響應并進一步降低并網電流的THD。

BP神經網絡的結構如圖6所示，輸出層3個神經元的值為準PR控制器的參數Kp、Kr、ωc。

圖6　BP神經網絡結構Fig.6　Structure of BP neural network

神經網絡輸入層3個神經元的輸入分為參考電流Iref、逆變器輸出電流Iout和兩者電流誤差ei。輸入層各神經元的輸入輸出分別為。

式中，f（x）為隱含層的激活函數，采用sigmoid函數。

將參考電流Iref作為目標信號，定義誤差函數為

利用梯度下降法求神經元之間的權值變化，隱含層第i個神經元到輸出層第j個神經元之間的權值為wjl，其學習算法采用附加動量法。則帶有附加動量因子的權值調節公式為

式中：k為訓練次數；mc為動量因子，取0.95左右；η為學習速率。

其中

則

輸出層3個神經元分別代表Kp、Kr、ωc，根據式（5）得

可得神經網絡輸出層權系數的學習算法為

同理可得隱含層權系數的學習算法為

5　仿真及結果

本仿真基于Matlab/Simulink平臺，直流端電壓為400 V，電網電壓220 V，頻率為50 Hz，參考電流Iref為30 A，濾波電感取10 mH，電感電阻取0.5 Ω，濾波電容取40 μF；逆變器開關頻率取10 kHz；準PR控制器的初始系數值分別為Kp=4，Kr=100，ωc=5。圖7和圖8為準PR控制與神經網絡準PR控制THD對比。圖9和圖10為準PR控制與經過神經網絡整定系數之后準PR輸出電流跟蹤誤差。

對比圖7和圖8可以看出，采用神經網絡參數整定后準PR輸出電流總的諧波失真下降了1.33%。對比圖9和圖10可以看出，系統達到穩態的時間由原來的0.05 s減少到0.03 s。輸出電流誤差由±0.6 A降低到±0.4 A，輸出電流相對誤差為1.3%。輸出電流波動更小，達到穩定狀態時間更短。

以上結果可以看出，單獨采用神經網絡準PR控制可以使輸出波形的質量更好，幅值波動減小，降低了總諧波畸變率，更快達到穩定狀態。通過神經網絡的參數整定，使整個控制系統達到一種最優的狀態。

圖7　準PR控制FFT分析Fig.7　FFT analysis of quasi-PR control

圖8　神經網絡準PR控制FFT分析Fig.8　FFT analysis of quasi-PR control based on neural network

圖9　準PR控制電流跟蹤誤差Fig.9　Current tracking error of quasi-PR control

圖10　神經網絡準PR控制電流跟蹤誤差Fig.10　Current tracking error of quasi-PR control based on neural network

6　結語

本文提出了一種適用于單相逆變器的神經網絡準PR控制方案，目的在于改善準PR控制器人工整定參數不精確，控制性能不理想的問題。仿真結果表明，基于BP神經網絡的準PR控制器利用神經網絡對非線性系統良好的自適應能力和自學習能力，進一步改善了準PR控制的性能，經過神經網絡整定之后的PR參數可認為是控制系統的全局最優解。使整個系統具有更好的自調節能力和抗干擾能力，并使輸出波形質量更高，反應時間更快。

［1］張勇（Zhang Yong）.分布式發電對電網繼電保護的影響綜述（Review of impact of distributed generation on distribution system protection）［J］.電力系統及其自動化學報（Proceedings of the CSU-EPSA），2010，22（2）：145-151.

［2］馬兆彪，惠晶，潘建，等（Ma Zhaobiao，Hui Jing，Pan Ji?an，et al）.基于重復PI控制的光伏并網逆變器的研究（Study on photovoltaic grid-connected inverter based on repetitive-PI control）［J］.電力電子技術（Power Electron?ics），2008，42（3）：25-27.

［3］胡江，魏星（Hu Jiang，Wei Xing）.基于自適應粒子群算法的直流輸電PI控制器參數優化（Parameter optimiza?tion of HVDC technology PI controller based on adaptive particle swarm optimization）［J］.電網技術（Power Sys?tem Technology），2008，32（S2）：71-74.

［4］顧和榮，楊子龍，鄔偉揚（Gu Herong，Yang Zilong，Wu Weiyang）.并網逆變器輸出電流滯環跟蹤控制技術研究（Research on hysteresis-band current tracking control of grid-connected inverter）［J］.中國電機工程學報（Pro?ceedings of the CSEE），2006，26（9）：108-112.

［5］張凱，彭力，熊健，等（Zhang Kai，Peng Li，Xiong Jian，et al）.基于狀態反饋與重復控制的逆變器控制技術（State-feedback-with-integral control plus repetitive control for PWM inverters）［J］.中國電機工程學報（Pro?ceedings of the CSEE），2006，26（10）：56-62.

［6］劉勝榮（Liu Shengrong）.基于DSP控制的光伏發電系統逆變器的研制（Design and Development of PV Invert?er Based on Digital Signal Processor）［D］.廣州：華南理工大學電力學院（Guangzhou：School of Electric Power，South China University of Technology），2010.

［7］Song Hong-Seok，Keil Roger，Mutschler Peter，et al.Ad?vanced control scheme for a single-phase PWM rectifier in traction applications［C］//38th IEEE Industry Applica?tions Conference.Salt Lake，USA，2003：1558-1565.

［8］王成山，李琰，彭克（Wang Chengshan，Li Yan，Peng Ke）.分布式電源并網逆變器典型控制方法綜述（Overview of typical control methods for grid-connected inverters of distributed generation）［J］.電力系統及其自動化學報（Proceedings of the CSU-EPSA），2012，24 （2）：12-20.

［9］ 胡雯，孫云蓮，張巍（Hu Wen，Sun Yunlian，Zhang Wei）.基于改進的自適應遺傳算法的智能配電網重構研究（Reconfiguration of smart distribution using im?proved adaptive genetic algorithm）［J］.電力系統保護與控制（Power System Protection and Control），2013，41 （23）：85-90.

［10］胡壽松.自動控制原理［M］.北京：科學出版社，2007.

［11］孫浩，張曼，陳志剛，等（Sun Hao，Zhang Man，Chen Zhi?gang，et al）.并網光伏發電系統的通用性機電暫態模型及其與電磁暫態模型的對比分析（Comparative study on electromechanical and electromagnetic tran?sient model for grid-connected photovoltaic power sys?tem）［J］.電力系統保護與控制（Power System Protec?tion and Control），2014，42（3）：128-133.

Quasi PR Photovoltaic Grid-connected Inverter Control Method Based on BP Neural Network

FAN Baoqi，LUO Xiaoshu，LIAO Zhixian，YAO Xin
（College of Electronic Engineering，Guangxi Normal University，Guilin 541004，China）

According to the highly nonlinear characteristics of single-phase grid connected inverter system，in order to solve the poor adaptive capacity of the traditional inverter，based on the analysis of the advantages and disadvantages of quasi-PR control and PR control strategy，the neural network algorithm and quasi-PR algorithm are combined，a selftuning parameter neural network quasi-PR control method is put forward.The problem of the imprecise quasi PR digital control and parameters tuning difficult is be solved.Using the Matlab/simulink platform train，the neural network PR control is simulated.The simulation results show that compared with quasi PR control，the total harmonic distortion of tracking current which produced by neural network quasi PR control method decreased，and the dynamic response per?formance is better，and the adaptive degree of the system became higher.So this method has great application value.

grid connected inverter；back-propagation neural network；current control；quasi proportional resonant control

TM615

A

1003-8930（2016）03-0030-05

10.3969/j.issn.1003-8930.2016.03.006

范寶奇（1987—），男，碩士研究生，研究方向為光伏并網發電理論與應用。Email：fanbaoqi1987@126.com

羅曉曙（1961—），男，通信作者，博士，教授，研究方向為非線性電路理論及非線性系統控制、復雜網絡理論與應用、工業自動化控制。Email：lxs@mailbox.gxnu.edu.cn

廖志賢（1986—），男，碩士，講師，研究方向為光伏并網發電理論與應用。Email：zhixianliao@mailbox.gxnu.edu.cn

2014-06-16；

2015-06-23