基于支持向量機的儲能逆變器電壓控制策略研究

李繼森, 林永君, 劉立立, 劉衛亮

(華北電力大學 控制與計算機工程學院，河北保定071003)

?

基于支持向量機的儲能逆變器電壓控制策略研究

李繼森, 林永君, 劉立立, 劉衛亮

(華北電力大學 控制與計算機工程學院，河北保定071003)

微網孤島運行中，由于儲能逆變器帶非線性負載時電流波動大，以及逆變器內阻不可忽略，導致輸出端口電壓波形難以控制。針對此問題提出了基于支持向量機(SVM)的復合逆控制策略。在分析支持向量機的基礎上，采用了粒子群算法優化各參數。根據影響逆變器輸出電壓的相關擾動量，構建逆變器的逆模型結構，利用儲能逆變器在不同工況下的運行數據訓練支持向量機逆模型。將逆模型輸出的占空比作為儲能逆變器的輸入，同時利用輸出電壓反饋，構成閉環控制，以提高系統的控制性能。仿真結果表明，該控制策略相比直接逆控制和雙環PID控制能提高儲能逆變器的動態性能并減少電壓諧波含量。

儲能逆變器；支持向量機；逆模型；諧波

0 引言

在微網系統中，儲能逆變器作為能量轉換器件必不可少，交直流變換過程中必須保證在帶任何負載情況下輸出電壓波形的正弦度和準確性，其控制性能的優良直接關系到微電網的正常運行。由于逆變器輸出側LC濾波器的存在，逆變器輸出阻抗不為零，所產生的輸出電壓降低。尤其是帶非線性負載時，不連續的脈沖電流產生的瞬態壓降將會造成輸出電壓波形的嚴重畸變。針對這個問題，許多學者專家提出了電壓平均值控制策略、雙閉環PID、無差拍控制、反復補償及擾動觀察反復補償等控制方式，但是都有自己的局限性。雙閉環控制具有較快的動態響應特性，但是控制器參數不易整定。無差拍控制在理論上具有控制偏差小的優點，但是對模型的依賴性較高。反復補償技術能有效地抑制周期性波動負載的影響，但是選擇控制增益比較困難[1-4]。

隨著人工智能技術的不斷發展，智能學習算法在對象辨識方面體現出了強大的生命力，比如神經網絡、支持向量機等方法以其強大的逼近非線性映射的能力，大量的應用于辨識那些具有不確定性或高度非線性的被控對象。

本文提出利用復合逆模型控制技術，來解決逆變器帶整流性負載電壓難控制的問題。首先采用支持向量機的方法，建立逆變器的逆模型，根據逆變器的各種狀態下運行數據對模型進行訓練。逆模型配合PI閉環控制，得到良好的控制效果。另外，逆模型的控制結構簡單、魯棒性強、抗干擾能力也得到一定改善。

1 支持向量機的基本理論及優化

1.1 回歸支持向量機原理

支持向量機(SVM)是由Vapnik于1995年提出的一種基于“小樣本”的學習算法，目前可以將其分為支持分類算法(SVC)和支持向量回歸算法(SVR)，前者主要用于辨識分類，后者主要用于函數逼近[5]。本文采用支持向量回歸算法來逼近期望的占空比信號。

對于非線性支持向量機，用非線性回歸函數表示為：

(1)

用來估計訓練的樣本集為D={(xi,yi)}，其中，i=1,2,…,n，xi∈Rd，yi∈R。

引入松弛變量ξi≥0，ξi*≥0，則訓練集D中所有的n個樣本(xi,yi)都應滿足一下約束條件：

(2)

優化目標為

(3)

式中：C為用來平衡模型復雜項和訓練誤差的懲罰參數；ε為不敏感損失參數。

凸二次規劃問題可以轉化為以下對偶二次規劃問題求解：

(4)

(5)

其中K(xi,xj)為核函數，一般為高斯核函數

求解上式便可求得非線性SVR的回歸函數為：

(6)

1.2 粒子群優化SVM模型參數

支持向量機模型建立的準確程度與懲罰參數C、不敏感損失函數ε以及核函數有很大的關系。參數選擇的正確與否直接關系到支持向量機模型的準確性和泛化能力。本文中提出了利用粒子群算法(PSO)優化支持向量機的關鍵參數：懲罰參數C、不敏感損失參數ε以及核參數γ。

粒子群算法是由Kennedy和Eberthart于1995年受人工生命研究結果啟發，在模擬鳥群覓食過程中的遷徙和群集行為時提出的一種基于群體智能的進化計算技術[6-10]。PSO算法首先生成初始種群，也就是在可行解的空間中隨機初始化一群粒子，每個粒子都為優化問題的可行解，并由目標函數為之確定一個適應值。每一個粒子在解的空間中運動，其運動的方向與距離受一個速度決定，通常粒子總是追隨當前的最優粒子變化，經過逐代的搜索最后得到一個最優解[11]。

粒子群算法采用如下公式對粒子所在位置不斷更新：

(7)

(8)

式中：i=1,2,…,m ；d=1,2,…,D；ω是非負數，稱為慣性因子；加速常數c1和c2是非負數；r1和r2是[0，1]范圍內變化的隨機數；α稱為約束因子，目的是控制速度的權重。

本文利用粒子群算法優化懲罰參數C，不敏感損失函數ε以及核參數γ，因此可以設置三維的目標搜索空間，每個群體規模可以設置為30個。根據支持向量機的特點，既要考慮到模型的準確性又要確保模型具有一定的泛化能力。另外在實際應用當中懲罰參數C要盡量小一些，這樣計算復雜度會降低很多。在此設定粒子群的適應度函數為

(9)

優化算法步驟為：

Step1：數據集的處理，確定支持向量回歸模型的訓練集和測試集。

Step2：粒子群初始化，設置粒子群體規模、初始位置及速度。

Step3：根據設置好的參數，進行模型訓練，按照式(9)計算當前粒子適應度。保存當前個體最優和群體最優值。

Step4：按照式(7)、(8)更新粒子的速度及位置。

Step5：是否滿足終止條件，若滿足則終止運算，并確定最優的粒子及支持向量機模型的最佳參數；否則轉至step3。

2 儲能逆變器逆模型及控制策略

2.1 儲能逆變器影響電壓因素分析

微網中儲能逆變器帶整流性負載的拓撲結構如圖1所示，udc為逆變器輸入電壓；r為考慮各種因素后線路等效電阻；電感L1和電容C2構成LC濾波器，整流負載上帶阻感性負載L2和R，功率開關器件V1～V4構成逆變橋，采用雙極性PWM脈寬調制方式，占空比為d，當開關頻率足夠高時，依據平均狀態模型，有d=ui/udc。

圖1 儲能逆變器拓撲結構

依據儲能逆變器的拓撲結構，分析影響輸出的變量如下:

(1)負載。負載的變化直接影響了系統的特性，從而影響了系統輸出波形，這也是影響電壓波形最主要的因素。但是負載的變化不能直接測量，只能通過檢測輸出電流，間接的反映負載切換，LC濾波器的電感電流呈現微分特性，具有一定的超前性，可以作為擾動量引入到電壓控制當中。

(2)儲能電池的輸出電壓udc。其值受儲能單元工作狀態影響，隨著放電時間的增長，端口電壓會出現較大波動，進而影響輸出電壓的穩態值。

(3)PWM控制信號占空比d。作為逆變器控制的輸入量，直接影響逆變器的輸出。

2.2 逆模型的建立

逆變器系統的輸入輸出的映射關系是非線性一一對應的，可以利用支持向量機學習算法建立逆變器的逆模型，即通過輸出量來反推輸入量。

(10)

這樣就可以構造逆模型如圖2所示。

圖2 逆變器逆模型結構

2.3 輸出反饋PID+逆模型復合控制

若將SVM辨識的逆模型的輸出直接作為逆變器的輸入，也就是將逆模型與逆變器串聯起來，這樣便使得期望的電壓輸出與逆變的輸出之間的傳遞函數為1，構成偽線性系統。但是這是一種開環控制，控制起來比較簡單，但是必須依賴于逆模型高精度，而在實際的運行當中，逆模型不可避免的存在一定的建模誤差，再加上外界不可控的干擾，直接逆模型控制的控制動態性能和魯棒性并不好。因此可以引入輸出量反饋構成閉環系統，改善系統特性。

針對以上不足，本文提出閉環控制的思想，將逆變器輸出電壓進行反饋，與期望值求差值后進行PID運算，使輸出緊隨輸入。增加閉環回路后，構成了復合控制器，系統的動態性能和魯棒性得到了顯著提升，控制框圖如3所示。

圖3 支持向量機逆模型復合控制系統

2.4 訓練樣本的獲取

要想建立準確的逆模型，首先要得到足夠多的實驗樣本，這些樣本必須體現逆變器的整體特性，保證樣本數據可以覆蓋逆變器工作的整個樣本空間。因此需要充分的激勵原系統，從而獲得有效地訓練樣本。

搭建了3 kW的儲能逆變器模型，為了保證樣本的多樣性，需采集逆變器不同工況下的數據，PWM占空比輸入選取了不同幅值的正弦信號與隨機信號疊加的設置，負載選用線性負載和非線性感性負載相切換，設置逆變器分別運行在25%，50%，75%以及100%的阻性負載和整流性負載的工況下。以25 kHz的采樣頻率進行數據采集，分別采樣直流側輸入電壓值udc、逆變器輸出電壓u0、電感電流i1、占空比信號d。

3 仿真與驗證

3.1 樣本采集與訓練

借助MATLAB中Simulink工具箱搭建容量為3 kW的微型儲能逆變器控制仿真模型如圖4所示。各參數設置如下：線路及濾波器等效電阻R1=2 Ω，濾波電感L1=0.2 mH，濾波電容C2=12 uF，電壓輸入在350～450 V波動，輸出電壓頻率50 Hz，采樣頻率25 kHz。逆變器的PWM輸入和負載整流器的導通角按照不同工況設置。

圖4 仿真模型搭建

模型運行后，采集了44 000組樣本數據，涵蓋逆變器不同工況下的特性。逆模型學習是在MATLAB環境下，調用了臺灣大學林志仁等開發的LIBSVM軟件包，并在此基礎上采用粒子群算法優化了支持向量機的參數，設置粒子群體規模為20個，最大迭代次數為30次。迭代完成后，獲得的群體最優值，即為所要獲得的懲罰參數C=4.487，不敏感損失參數ε=0.02以及核參數γ=1.628。進化過程如圖5所示。

圖5 PSO優化支持向量機迭代

圖6 支持向量機建模特性圖

最終獲得有效地支持向量634個，利用有效的支持向量，對采集的600組數據進行了驗證，驗證效果如圖6所示，可以得出預測誤差控制在了-0.02到0.02之間，驗證了支持向量機逆模型預測的準確性。

3.2 SVM逆模型仿真

在Simulink中建立了逆變器SVM逆模型復合控制器如圖7所示。

圖7 復合逆控制器SPWM控制器

針對儲能逆變器控制性能的測試，本文選取了整流性負載。整流性負載輸出電流突變較大，再加上逆變器內部阻抗的存在，對輸出電壓波形影響較大，因此整流性負載下逆變器電輸出電壓質量可以反映出逆變器性能的好壞。

本文中分別采用了雙閉環PI控制(控制參數為：電流內環kp=0.5，ki=10；電壓外環kp=0.3，ki=20)，直接逆控制和支持向量機復合控制算法(控制參數：kp=0.4，ki=5)進行測試。電壓給定為峰值為311 V頻率為50 Hz的正弦波，整流橋采用全波可控整流，正負半波的導通和關斷角分別為45°和135°。圖8，9分別是整流性負載在50%和90%時電壓電流波形(圖中電流放大10倍)的情況，(a)是采用雙閉環PI控制；(b)采用支持向量機直接逆控制；(c)采用支持向量機復合逆控制。其中整流性負載在50%和90%時電能質量參數如表1、2所示。

圖8 50%整流負載下逆變器輸出波形圖

表1 50%整流性負載下電能質量參數

仿真結果表明，傳統的雙閉環PID控制，在負載較小時可以達到控制要求，但是負載增大后，PI的參數已經不適合當前負載，在整流負載晶閘管導通關斷瞬間，逆變器輸出端口電壓波動較大，并且基波電壓幅值達不到要求；采用支持向量機直接逆控制，電流的較大波動，也會影響逆變器的輸出電壓，引入較大量的諧波；而采用增加閉環的復合逆控制算法有效地補償了電流的波動對端口電壓的影響，電壓諧波含量少，穩態誤差小。

圖9 90%整流負載下逆變器輸出波形圖

表2 90%整流負載下電能質量參數

4 結論

針對逆變器帶整流負載難以控制的問題，提出了支持向量機復合逆控制的方案。利用SVM辨識逆變器系統的逆模型，再配合電壓PI反饋控制完成對逆變器的電壓波形的控制。從仿真實驗可以得出，輸出電壓得到了有效地控制，畸變量較少，基波幅值與預期相近，進一步證明了該方案的可行性。

[1]孫曉明,劉滌塵,黃涌,等. 一種基于電源周期平均模型的單相PWM逆變器準PID控制器[J]. 中國電機工程學報,2006,26(24):50-54.

[2]王川川,朱長青,顧闖. 逆變器雙環控制算法仿真研究[J]. 電子設計工程,2011,19(4):78-81.

[3]周娟,秦靜,王子績，等. 內置重復控制器無差拍控制在有源濾波器中的應用[J],電工技術學報,2013,28(2):233-238.

[4]陳禮恭. 單相光伏SPWM逆變器的重復控制策略研究[D].杭州：浙江工業大學,2013.

[5]唐賢倫. 群體智能與多Agent系統交叉結合——理論、方法與應用[M].北京：科學出版,2014.

[6]胡良謀,曹克強，等.支持向量機故障診斷及控制技術[M].北京：國防工業出版社.2011.10.

[7]馬云龍.神經網絡逆控制在單相光伏逆變系統中的應用研究[D].保定:華北電力大學,2015.

[8]李春來,劉衛亮,王印松，等. 基于FPGA的微網儲能逆變器電壓逆控制方案實現[J].電力科學與工程,2016，32(2):43-48.

[9]李浩然,楊旭紅,馮成臣. 帶LCL濾波器的并網逆變器雙環控制參數設計研究[J]. 華北電力大學學報(自然科學版),2015,42(6):72-77.

[10]KENNEDY J,EBERHART R.C. Pariticle swarm optimization[C]//IEEE International Conference on Neural Networks, Piscataway, 1995: 1942 -1948.

[11]VAPNIK V N.The nature of statistical learning theory[M].New York:Springer,1995.

LI Jisen, LIN Yongjun, LIU Lili ,LIU Weiliang(School of Control and Computer Engineering，North China Electric Power University，Baoding 071003， China )

Energy Storage Inverter Control Strategy Based on Support Vector Machine

The current fluctuation of the energy storage inverter with nonlinear load is large in the micro grid operation, and the existence of output impedance existing in the output port cannot be ignored, which causes the control difficulty for the voltage waveforms of the output terminal. In this paper, a hybrid inverse control strategy based on support vector machine is proposed aiming at that problem. The particle swarm optimization algorithm is used to optimize the parameters based on the analysis of support vector machine. According to the related disturbance of the inverter output voltage, the inverse model structure of the inverter is constructed, and the inverse model of the support vector machine is trained by the data training of the energy storage inverter under different working conditions. In order to improve the control performance of the system, the output of the inverse model is used as the input of the energy storage inverter, and is combined with the output voltage feedback. The simulation results show that the proposed control strategy can improve the dynamic performance of the energy storage inverter and reduce the voltage harmonics as well.

energy storage inverter; inverse model; support vector machine; harmonic

2016-06-16。

中央高校基本科研業務費專項資金(2015ZD17)。

李繼森(1990-)，男，碩士研究生，主要研究方向為新能源控制技術，E-mail：lijisen210@sina.com

TN743

A DOI:10.3969/j.issn.1672-0792.2016.09.009