应用神经网络的变流器波形复合控制策略.doc

1、1应用神经网络的变流器波形复合控制策略作者简介：戴瑜兴（1956-） ，男，湖南浏阳人，湖南大学教授，温州大学教授 摘要：针对港口现有岸电电源产品所采用控制策略的不足，研究分析了岸电电源 PWM 可逆变流器数学模型在 DQ 坐标系下的特点，提出了一种基于改进的重复控制和神经网络内模控制的变流器输出波形复合控制策略采用 BP 神经网络结构作为内模控制器的预估模型和控制器，神经网络预估模型可在线学习建立与被控对象相匹配的精确模型，神经网络控制器动态响应快，输出无静差，扰抗性好实验证明，应用该复合控制策略的系统整流功率因数接近于 1；供电非线性混合负载输出波形失真率低于 2%；动态响应快，在 2 个

2、周期内恢复稳定输出 关键词：神经网络；可逆变流器；波形复合控制；重复控制 中图分类号：TM9215 文献标识码：A 岸电电源是供电停港船舶的港口岸上电源，可代替停港船舶的主辅燃油发电机供电，是控制港区空气质量日益恶化的重要方式 PWM 可逆变流器是岸电电站的核心研究对象，与传统变流技术相比，具有高功率因素和低谐波污染的优点，在岸电电源、UPS、军用设备、太阳能和风能等清洁能源使用中得到广泛的应用 港口现有岸电变流器多使用 PID 控制、内模控制、无差拍控制和重复控制等方式，无法同时满足大功率、强冲击、高稳定的供电需求而未2得到广泛使用 PID 控制虽鲁棒性较强，但在非线性负载、噪声或扰动影响下

3、，设定的控制参数无法得到稳定和精确的控制效果内模控制虽参数简明，动态响应较好并有较强的鲁棒性和抗干扰性，但难于建立精准模型无差拍控制静态输出稳定及动态反应较快，但易出现较强振荡，鲁棒性较差重复控制较大改进了电源变流器的稳定输出，但因有一个周期的控制延迟影响了动态响应效果神经内模控制在有精确模型的基础上可确保系统有很好的鲁棒性和动态性能，但因其需要在线训练学习才能获得精确模型，致使算法还未获得大量应用2-6目前，各种输出高精稳定且抗扰性强的智能控制策略成为高性能变流器的研究热点 针对两电平三相 PWM 可逆变流器在 DQ 坐标系下的特点，本文利用改进的重复控制策略与神经网络内模控制策略相结合，设

4、计了变流器输出波形复合控制器，并通过实验测试了该控制策略性能 1 变流器拓扑结构及模型解耦 两电平三相 PWM 可逆变流器拓扑结构如图 1 所示该结构共分为网侧滤波单元、电压型 PWM 整流单元、直流储能单元、电压型 PWM 逆变单元与负载侧滤波单元等 5 个部分 2 重复控制单元控制器设计 重复控制理论是建立在内模控制的基础上，其核心在于内部模型设计在常用重复控制策略模型应用中普遍存在两个方面不足一是由于延时单元的存在，使得系统动态性能较差，对扰动调节时间超过了一个周期二是因滤波器 Q（z）的使用，使得系统增强稳定性的同时存在了静差 滤波单元时，系统理论上可以实现无静差，但是这种纯积分控制结

5、3构使系统稳定性和鲁棒性变得很差，在工程实际应用中是被禁止的因此为改善系统稳定性，一般使辅助补偿器 Q（z）为低通滤波形式或者为略小于 1 的常数，如 095 延时单元是内模组成部分，当控制信号检测到误差信息时使延时至下一个周期动作的存在虽然影响了系统动态性能却是重复控制内模的固有组成部分，不能舍弃因指令和扰动在很多情形下都重复出现，如图 2所示，经改进的嵌入式结构使系统保留了指令信号的快速响应通道 补偿器将获得的系统补偿量在下一周期作用于控制对象校正输出取，该设计可保证系统运行稳定性并改善修正效果，超强补偿相位幅值其中为重复控制幅值增益补偿；为相位补偿；S（z）起滤波作用消除谐振峰值、校正中

6、低频增益并增强高频衰减特性的存在虽然使的相位补偿相对滞后，却增强了系统的高频抗干扰能力和系统稳定性 3 神经网络内模控制单元设计 神经内模控制器设计如图 3 所示，分别用神经网络控制器NNC（neural network controller）和神经网络预估模型 NNM（neural network model）取代内模控制结构中的被控对象预估模型和内模控制器由内模原理可知，只要 NNM 和 NNC 稳定则系统稳定，即当 NNC 为 NNM 的逆时，系统误差 32 神经网络控制器 NNC 设计 根据内模原理稳定性充分条件，控制器 NNC 设计结构应是预估模型NNM 结构的逆，故 NNC 应采用

7、与 NNM 同样的三层 BP 神经网络结构设计由图 4 知，NNC 结构比 NNM 多一个输入层网络节点 44 复合控制器设计及实验验证 复合控制器结构框图设计如图 5 所示通过改进的重复控制单元和神经网络内模控制单元共同作用于可逆变流器中电流输入和电压输出该控制方案中，重复控制单元通过改进可保证在稳态时输出高精度的稳态波形，能够适用于船舶各精密仪器用电需求，但一旦有给定指令，重复控制器需延时至下一个周期作用被控制对象神经内模控制单元控制无静差，动态响应快，在重复控制的延时周期能快速动态响应指令，很好的填补了重复控制单元的不足，但神经网络内模控制单元中 NNM 预估模型需要在线训练学习才能获得

8、精确模型因此神经网络内模控制与重复控制单元综合的波形复合控制器使系统的负载适应性和鲁棒性得到增强，强有效地改善了可逆变流器的输出波形 搭建如图 6 所示实验平台验证该波形复合控制策略，以 TI 公司生产的时钟频率达 150 MHz 的 TMS320F28335 为 DSP 控制芯片，辅以各采样电路、驱动电路及保护电路等用泰克 TDS3032 示波器和电能质量分析仪Fluke43B 做为测试工具，采用表 1 中参数验证可逆变流器波形复合控制器的实际控制效果 41 稳态性能 通过搭建的实验平台分别测试 PWM 整流器和 PWM 逆变器稳态性能图7（a）为电能质量分析仪对 PWM 整流器稳态时输入

9、A 相的功率因数测试结果，表明整流网侧功率因数高达 099 图 7（b）为 PWM 整流器输出直流电压波形和 A 相输入电流波形测试结果表明输出电压稳定在 600 V2%，A 相波形失真率为 19%可见 PWM 整流器功率因数高，对电网无谐5波污染 42 动态响应 采用负载突然增加或减少来验证该复合控制器的动态响应性能图 10为变流器负载突变时 PWM 逆变器波形测试结果由输出波形可知变流器均在负载突变的第一个周期迅速响应，在两个周期内输出均稳定下来，证明采用复合控制器的变流器具有良好的动态响应性能 图 11 为采用复合控制与采用 PI 控制 PWM 逆变器动态输出波形比较测试结果，显示突加负

10、载时采用复合控制的输出波形在突变周期的顶部稍有失真，随后没有明显的变化采用 PI 控制的输出波形则有严重的失真，随后波形有幅值变化显然采用复合控制的波形明显好于 PI 控制波形 43 鲁棒性和扰抗性 通过调节实验平台 PWM 整流部分输出的直流电压大小，测试 PWM 逆变部分输出电压的波动大小，分析该系统的鲁棒性和扰抗性测试数据如表 2 所示，逆变部分在直流母线波动的状况下，输出始终稳定其中相电压误差始终稳定在 2%以内，THD 值在 18%以内，输出频率稳定 5 结语 分析了港口现有岸电电源产品所采用控制策略的不足，研究了岸电电源中 PWM 可逆变流器的数学模型在 DQ 坐标系下的特点，提出

11、了一种基于改进的重复控制和神经网络内模控制的波形复合控制策略，该策略能够很好的综合两种控制策略的优势，互补不足通过搭建实验平台验证该控制策略，实验证明，应用该复合控制策略的 PWM 可逆变流器波形输出稳定，精度高，THD 值低，负载适应性强，动态响应快，符合船级社的船舶用电标准，可以在岸电电源应用中推广使用 6参考文献 1杨金辉数字化 PWM 逆变系统控制关键技术研究及其应用D长沙：湖南大学电气与信息工程，2010 YANG JinhuiDigital PWM inverter system control key technologies and its applications study

12、DChangsha： College of Electrical and Information Engineering， Hunan University，2010（In Chinese） 2KHERSONSKY Y，ISLAM M， PETERSON K Challenges of connecting shipboard marine systems to medium voltage shoreside electrical powerJ IEEE Transactions on Industry Applications，2007，43（3）. 3李士勇.模糊控制神经控制和智能控制论

13、M哈尔滨：哈尔滨工业大学出版社，1998：91-101 LI ShiyongFuzzy controlneurocontrol and intelligent cyberneticsMHarbin： Harbin Institute of Technology Press，1998：91-101 （In Chinese） 4SHIGEMATSU J，SUDUO S， SHI A Present conditions and future trends for AMPJ Shikawajima Harima Engineering Review， 2006，46（4）：156-160 5郜克存，

14、戴瑜兴，杨金辉，等三相高功率因数整流器的神经网络内模控制J电机与控制学报，2012，16（2）：44-49 GAO Kecun，DAI Yuxing， YANG Jinhui，et al The control 7method of threephase rectifier based on neural network internal model theoryJ.Electric Machines and Control，2012，16（2）：44-49 （In Chinese） 6SHIGEMATSU J，SUDOU S， SHI A. Present conditions and fu

15、ture trends for shikawajimaJ.Harima Engineering Review，2006， 46（4）：156-160 7KEVIN L P， PCNIAMIN B C， MOHAMMEDL， et alTackling ship pollution from shore sideJ IEEE Industry Applications Magazine， 2009， JanFeb：56-60 8赵耀 内模控制系统鲁棒跟踪控制器的参数化及优化J控制与决策，2009，24（5）： 734-737 ZHAO YaoParameterization and optimization of robust tracking controllers for internal model controlJ Control and Decision，2009，24（5）： 734-737 （In Chinese）