神經(jīng)網(wǎng)絡控制算法在光伏并網(wǎng)逆變器控制中的應用

吉林省教育廳“十二五”科學技術研究項目(吉教科合字2013第293號)

張運波

(長春工程學院電氣與信息工程學院，長春 130012)

神經(jīng)網(wǎng)絡控制算法在光伏并網(wǎng)逆變器控制中的應用

吉林省教育廳“十二五”科學技術研究項目(吉教科合字2013第293號)

張運波

(長春工程學院電氣與信息工程學院，長春 130012)

摘要：針對太陽能光伏發(fā)電并網(wǎng)逆變器的特點，分析了傳統(tǒng)PID控制方法的局限性，詳細介紹了基于BP神經(jīng)網(wǎng)絡整定的PID控制系統(tǒng)的設計方法，編寫了光伏發(fā)電并網(wǎng)逆變器控制程序，并進行了計算機仿真實驗。仿真結果證明，基于BP神經(jīng)網(wǎng)絡PID控制的光伏并網(wǎng)逆變系統(tǒng)具有抗干擾能力強、并網(wǎng)電流正弦波波形質量好等特點，完全能夠實現(xiàn)與電網(wǎng)電壓同頻同相。

關鍵詞：光伏發(fā)電；并網(wǎng)逆變器；BP神經(jīng)網(wǎng)絡；PID控制

逆變器是并網(wǎng)光伏發(fā)電系統(tǒng)的核心部件，它直接影響到發(fā)電系統(tǒng)的輸出波形、動態(tài)性能、抗干擾能力和并網(wǎng)電流與電網(wǎng)電壓的同步等。因此，研究逆變器的控制方法，對于提高系統(tǒng)的發(fā)電效率與發(fā)電質量、降低成本具有極其重要的意義。

逆變器的控制方法很多，目前處于主導地位的仍然是PID控制技術。但是，常規(guī)PID控制器存在著參數(shù)一經(jīng)選取即固定不變的缺點。當光照強度和環(huán)境溫度發(fā)生變化時，光伏發(fā)電系統(tǒng)的工作條件發(fā)生變化，若PID控制器的參數(shù)固定不變，將導致逆變跟蹤電網(wǎng)電壓的精度降低，難以實現(xiàn)平滑并網(wǎng)的要求。本文在深入研究神經(jīng)網(wǎng)絡控制技術的基礎上，從光伏發(fā)電自身的特點出發(fā)，設計了神經(jīng)網(wǎng)絡PID控制器，并應用于并網(wǎng)電流的控制中。數(shù)字仿真表明，該控制器通過實時改變PID控制器參數(shù)值，有效改善了并網(wǎng)電流波形和光伏系統(tǒng)并網(wǎng)控制的動態(tài)過程，實現(xiàn)了光伏發(fā)電系統(tǒng)的平滑并網(wǎng)。

1光伏發(fā)電并網(wǎng)逆變器的結構和數(shù)學模型

1.1光伏發(fā)電并網(wǎng)逆變器的結構

兩級式并網(wǎng)逆變器的主電路結構如圖1所示，前級DC/DC為Boost電路，其作用是得到系統(tǒng)功率點，即光伏陣列工作點；后級為逆變和濾波電路，完成光伏逆變系統(tǒng)對電網(wǎng)的跟蹤，實現(xiàn)電能由直流電變?yōu)榕c電網(wǎng)電壓同頻、同相的交流電的任務，是整個并網(wǎng)系統(tǒng)的重點，它決定著光伏發(fā)電系統(tǒng)輸入到電網(wǎng)的電能質量。

圖1　兩級式并網(wǎng)逆變器電路圖

1.2光伏發(fā)電并網(wǎng)逆變器的數(shù)學模型

并網(wǎng)光伏發(fā)電系統(tǒng)采用由并網(wǎng)電流內環(huán)和直流電壓外環(huán)組成的雙閉環(huán)結構，分別完成逆變控制和直流側電壓穩(wěn)定控制。在本系統(tǒng)中，電壓環(huán)采用常規(guī)PID控制器，而并網(wǎng)電流內環(huán)采用BP神經(jīng)網(wǎng)絡PID控制器。

在圖1中，選取逆變器輸出端流經(jīng)濾波電感L的電流iL為狀態(tài)變量，得如下方程：

(1)

式(1)經(jīng)過拉普拉斯變換，解出IL(s)為：

(2)

式中：RL為電感及交流進線的等效電阻；uab為未經(jīng)濾波的逆變器輸出電壓。

如果忽略死區(qū)時間的非線性影響和功率開關器件T1～T4的開關延時，采用SPWM控制方式來實現(xiàn)控制，則橋式逆變環(huán)節(jié)是一個純滯后環(huán)節(jié)，可等效為一個小慣性環(huán)節(jié)，其傳遞函數(shù)為：

(3)

式中：Ka為逆變器增益，與PID調節(jié)器的最大限幅值有關；Tp為一個開關周期，當開關頻率取20kHz時，Tp為50μs。

由式(2)和(3)可得系統(tǒng)的并網(wǎng)電流閉環(huán)結構圖，如圖2所示。其中，a是反饋系數(shù)，L是逆變器濾波電感。

圖2　系統(tǒng)并網(wǎng)電流閉環(huán)結構圖

由圖2可得系統(tǒng)被控對象的傳遞函數(shù)為：

(4)

本系統(tǒng)中，a=15，Ka=45，L=4mH，RL=2Ω，Tp=50μs，于是得到：

(5)

對式(5)進行z變換，可得到：

IL(k)=0.614IL(k-1)+7.58×10-10IL(k-2)+1.249u(k-1)+0.504u(k-2)。

(6)

2BP神經(jīng)網(wǎng)絡的PID整定理論研究

2.1BP神經(jīng)網(wǎng)絡的基本思想

BP(Back Propagation)神經(jīng)網(wǎng)絡的拓撲結構包括輸入層、隱含層和輸出層，如圖3所示。其基本思想可概括為：利用輸出后的誤差來估計輸出層的直接前導層的誤差，再用這個誤差估計更前一層的誤差，如此一層一層的反傳下去，從而獲得所有其它各層的誤差估計。即是一種信號的正向傳播和誤差的反向傳播算法。

1)BP的傳播對象是誤差，傳播的目的是得到所有層的估計誤差，后向是說由后層誤差推導前層誤差。

2)BP網(wǎng)絡能學習和存貯大量的輸入輸出模式映射關系，而無需事前揭示描述這種映射關系的數(shù)學方程。BP神經(jīng)網(wǎng)絡的學習目的是希望得到一個模型，保證對某個輸入，能夠輸出一個期望的輸出；學習的方式是在外界輸入樣本的刺激下不斷改變網(wǎng)絡的連接權值；學習的本質是對各連接權值進行動態(tài)調整；學習的核心是權值調整規(guī)則，即在學習過程中，網(wǎng)絡中各神經(jīng)元的連接權值變化所依據(jù)的一定的調整規(guī)則。

圖3　三層BP網(wǎng)絡結構圖

2.2基于BP網(wǎng)絡的PID控制理論

2.2.1BP網(wǎng)絡PID控制系統(tǒng)的結構

PID控制要取得較好的控制效果，就必須從變化無窮的非線性組合中找出比例、積分和微分三種控制作用的最佳組合關系。神經(jīng)網(wǎng)絡具有的任意非線性組合能力，可以通過對系統(tǒng)性能的學習來實現(xiàn)具有最佳組合的PID控制。

基于BP網(wǎng)絡的PID控制系統(tǒng)結構如圖4所示，控制器由2部分組成：一部分是經(jīng)典的PID控制器，它直接對被控對象進行閉環(huán)控制，并且三個參數(shù)kp、ki、kd為在線調整方式；另一部分為BP神經(jīng)網(wǎng)絡，它根據(jù)系統(tǒng)的運行狀態(tài)，調整PID控制器的參數(shù)，使被控系統(tǒng)的性能指標達到最優(yōu)。BP神經(jīng)網(wǎng)絡的內部結構如圖3所示，輸出層神經(jīng)元的輸出y1、y2、y3對應于PID控制器的三個可調參數(shù)kp、ki、kd。通過神經(jīng)網(wǎng)絡的自學習、加權系數(shù)調整，形成kp、ki、kd的最優(yōu)組合。

圖4　BP神經(jīng)網(wǎng)絡的PID控制系統(tǒng)結構如圖

2.2.2BP網(wǎng)絡PID控制算法

本文采用圖3所示的三層BP神經(jīng)網(wǎng)絡結構，以下計算中的上角標1)、2)、3)分別代表輸入層、隱含層和輸出層。

1)BP神經(jīng)網(wǎng)絡的輸入層

BP神經(jīng)網(wǎng)絡的輸入層的輸入為：

(7)

式中j=1，2……M，輸入變量的個數(shù)M取決于被控對象的復雜程度。

2)BP神經(jīng)網(wǎng)絡的隱含層

(8)

(9)

式(8)、式(9)中，i=1，2……Q。

隱含層神經(jīng)元的活化函數(shù)取正負對稱的Sigmoid函數(shù)，即：

(10)

3)BP神經(jīng)網(wǎng)絡的輸出層

網(wǎng)絡輸出層的輸入輸出為：

(11)

(12)

(13)

(14)

(15)

輸出層輸出節(jié)點分別對應3個可調參數(shù)kp、ki、kd。由于kp、ki、kd不能為負值，所以輸出層神經(jīng)元的活化函數(shù)取非負的Sigmoid函數(shù)：

(16)

取性能指標函數(shù)為：

(17)

按照梯度下降法修正網(wǎng)絡權系數(shù)，即按照E(k)對加權系數(shù)的負梯度方向搜索調整，并附加一個使搜索快速收斂全局最小的慣性項：

(18)

式中：η為學習速率；α為慣性系數(shù)。

(19)

(20)

由上式可得：

(21)

(22)

(23)

由此可得出網(wǎng)絡輸出層權的學習算法為：

(24)

(25)

同理：可得到隱含層的加權系數(shù)學習算法：

(26)

(27)

3BP神經(jīng)網(wǎng)絡PID控制算法的程序設計

按照2.2.2節(jié)推導的BP網(wǎng)絡PID控制算法和式(6)所示的光伏并網(wǎng)逆變器數(shù)學模型，設計BP網(wǎng)絡PID控制系統(tǒng)程序。基于BP網(wǎng)絡的PID控制系統(tǒng)的程序設計步驟可歸納如下：

1)確定BP網(wǎng)絡的結構，即確定輸入層節(jié)點數(shù)M和隱含層節(jié)點數(shù)Q，并給出各層加權系數(shù)的初值，選定學習速率和慣性系數(shù)，此時，k=1；

2)采樣得到r(k)和y(k)，計算該時刻誤差e(k)=r(k)-y(k);

3)計算神經(jīng)網(wǎng)絡各層神經(jīng)元的輸入、輸出，輸出層的輸出即為PID控制器的三個可調參數(shù)kp、ki、kd；

4)計算PID控制器的輸出u(k);

5)進行神經(jīng)網(wǎng)絡學習，在線調整加權系數(shù)，實現(xiàn)PID控制器參數(shù)的自適應調整；

6)置k=k+1，返回步驟(1)。

在本系統(tǒng)的程序設計中，選取輸入層節(jié)點數(shù)M=4，隱含層節(jié)點數(shù)Q=5，輸出層節(jié)點數(shù)O=3，學習速率η=0.20，慣性系數(shù)α=0.06，加權系數(shù)初始值取區(qū)間[-0.5，+0.5]上的隨機數(shù)，輸入指令信號取正弦函數(shù)r(k)=sin(2πt)，初始權值取隨機值，運行穩(wěn)定后用穩(wěn)定權值代替隨機值。

4仿真實驗和結論

運行基于MATLAB語言編寫的BP神經(jīng)網(wǎng)絡PID控制算法程序，得到仿真曲線如圖5所示。為了便于觀察，將輸出量放大了2倍。由圖5可以看出，基于BP神經(jīng)網(wǎng)絡PID控制的光伏并網(wǎng)逆變系統(tǒng)具有抗干擾能力強、動態(tài)特性好、并網(wǎng)電流正弦波波形質量高等特點，完全能夠實現(xiàn)與電網(wǎng)電壓同頻同相。

圖5　神經(jīng)網(wǎng)絡PID控制正弦輸入響應曲線

參考文獻

[1] 陳年，王宏華，韓偉.基于GA-BP神經(jīng)網(wǎng)絡的光伏陣列MPPT研究[J].電測與儀表，2014(2)：40-42.

[2] 呂天光，艾芊，韓學山，等.基于模糊理論的并網(wǎng)型含光伏微電網(wǎng)功率控制[J].電網(wǎng)技術，2014(9)：2404-2409.

[3] 黃慶豐，楊紅培，翟登輝.基于Simulink的兩級式單相光伏逆變器的系統(tǒng)仿真[J].電力系統(tǒng)保護與控制，2014(19)：58-61.

[4] 賀運勝.光伏發(fā)電系統(tǒng)的并網(wǎng)模糊PID控制[J].電網(wǎng)與清潔能源，2013(2)：86-89.

doi:10.3969/j.issn.1009-8984.2015.02.001

收稿日期：2015-03-03

基金項目：吉林省科技廳重點科技攻關項目(20130206083SF)

作者簡介：張運波(1964—)，男(漢)，遼寧丹東，教授主要研究電氣自動化。

中圖分類號：TM464

文獻標志碼：A

文章編號：1009-8984(2015)02-0001-03

The application of BP neural networks algorithms in
photovoltaic grid connected control systems

ZHANG Yun-bo

(SchoolofElectrical&InformationEngineering，

Changchuninstituteoftechnology，Changchun130012，China)

Abstract：According to the characteristics of solar photovoltaic grid connected inverter，the paper analyzes the limitations of traditional PID control method.The BP neural network PID control system design method is described in detail，the photovoltaic inverter control program are compiled，and the simulation is carried.The simulation results prove that the PID control photovoltaic grid connected control system based on the BP neural network the inverter has the characteristics of strong anti-interference ability and grid-connected current sine wave of good quality.The simulation waveform can achieve the same frequency and phase with grid voltage.

Key words：photovoltaic grid；connected control systems；the BP neural network；PID control