一种基于粒子群算法和神经网络学习算法的光伏逆变器的控制方法
阅读说明：本技术 一种基于粒子群算法和神经网络学习算法的光伏逆变器的控制方法 (A kind of control method of the photovoltaic DC-to-AC converter based on particle swarm algorithm and Learning Algorithm ) 是由 陈亮 王玉龙 黄帅 金尚忠 徐时清 张淑琴 杨凯 谷振寰 杨家军 祝晓明 徐瑞 于 2019-09-10 设计创作，主要内容包括：本发明公开了一种基于粒子群算法和神经网络学习算法的光伏逆变器的控制方法,属于光伏逆变器领域,包括在逆变器基础上加上一种基于粒子群算法和神经网络学习算法相结合的逆变器控制算法,具体包括通过粒子群算法对光伏系统进行离线寻优,得到最优的光伏逆变器参数和利用神经网络对样本进行训练,得到光伏系统的逆模型,对变化的负载进行补偿,减小负载的变化对系统的影响。本发明通过粒子群算法可以选出当前系统状态下的最好的PI参数值,而通过BP神经网络建立相应的逆模型,可以对控制器进行补偿,从而减小变化的负载对系统的影响。(The invention discloses a kind of control methods of photovoltaic DC-to-AC converter based on particle swarm algorithm and Learning Algorithm, belong to photovoltaic DC-to-AC converter field, including adding a kind of inverter control algorithm combined based on particle swarm algorithm and Learning Algorithm on the basis of inverter, it specifically includes and off-line optimization is carried out to photovoltaic system by particle swarm algorithm, it obtains optimal photovoltaic DC-to-AC converter parameter and sample is trained using neural network, obtain the inversion model of photovoltaic system, the load of variation is compensated, influence of the variation to system of load is reduced.The present invention can select the best PI parameter value under current system conditions by particle swarm algorithm, and establish corresponding inversion model by BP neural network, can compensate to controller, to reduce influence of the load to system of variation.)
技术领域
本发明属于光伏逆变器技术领域，具体涉及一种基于粒子群算法和神经网络学习算法的光伏逆变器的控制方法。
背景技术
在不同的应用环境下，交流逆变电源对逆变器的输出波形也有较高的要求。为得到高质量的输出电压和较好的功率因数，光伏发电系统逆变器一般采用电压外环和电流内环的双闭环控制策略，决定双闭环控制效果的关键是其PI参数的确定。传统的双闭环控制方法，需要先建立精确的系统模型，再通过凑试法等得到较为适宜的PI参数。但由于光伏发电系统经常会发生负载变化，系统矩阵、闭环特征值及动态响应均会发生改变，造成已经确定的参数难以适合变化后的系统。尤其针对光伏发电系统的非线性特性，参数凑试困难，很难对已定参数进调整。
发明内容
本发明的目的在于提供一种基于粒子群算法和神经网络学习算法的光伏逆变器的控制方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于粒子群算法和反向传播神经网络学习算法的光伏逆变器的控制方法，包括在逆变器基础上加上一种基于粒子群算法和神经网络学习算法相结合的逆变器控制算法，具体包括如下步骤：
S1、通过粒子群算法中的群体中粒子间的合作与群体智能指导优化搜索，在每一次迭代中，粒子通过2个极点来更新自己的位置和速度，得到最优位置和速度的PI控制器参数：
S101、将当前的粒子所代表的PI控制器参数输入逆变系统模型中，得到负载电压；
S102、将负载电压带入到目标函数当中得到适应值；
S103、将适应值输回粒子群算法中进行优化处理；
S104、若迭代次数达到最大则直接输出相应的PI控制器参数，得到最佳的PI控制器参数；反之，则将迭代次数加1，重复S101-S103，得到最优的PI控制器参数；
S2、利用神经网络算法对样本进行训练，得到神经网络逆模型，对变化的负载进行补偿，减小负载误差对系统的影响。
作为一种优选的实施方式，S1中所述的PI控制器参数包括比例系数、积分系数和电容电流反馈系数。
作为一种优选的实施方式，S102中所述的目标函数为：
所述的目标函数值越小，寻优区域越优。
与现有技术相比，本发明的有益效果是：
本发明通过粒子群算法对系统进行离线寻优，从而得到系统此刻最优的逆变器参数，改善了逆变器参数整定困难的问题；利用神经网络对样本进行训练，对变化的负载进行补偿，从而使输出能较好地跟随系统变化，改善了系统动态响应慢、输出电压谐波含量高等问题。
附图说明
图1为本发明中单相逆变器的数学模型图；
图2为本发明中的粒子群算法离线优化模型图；
图3为本发明中的负载电流前反馈控制模型图；
图4为本发明中的训练误差的曲线图。
具体实施方式
下面结合实施例对本发明做进一步的描述。
以下实施例用于说明本发明，但不能用来限制本发明的保护范围。实施例中的条件可以根据具体条件做进一步的调整，在本发明的构思前提下对本发明的方法简单改进都属于本发明要求保护的范围。
本发明提供一种基于粒子群算法和神经网络学习算法的光伏逆变器的控制方法，包括在逆变器基础上加上一种基于粒子群算法和神经网络学习算法相结合的逆变器控制算法，具体包括如下步骤：
S1、通过粒子群算法中的群体中粒子间的合作与群体智能指导优化搜索，在每一次迭代中，粒子通过2个极点来更新自己的位置和速度，得到最优位置和速度的PI控制器参数。
请参阅图1，图1为单向逆变器的数学模型，对图1进行等效变换，并进行相应的化简。有化简计算之后，得到相应的传递函数：
由该的传递函数可以知道光伏系统会随着负载的变化而变化。而在实际情况下，负载经常变化，所以逆变器相应的控制算法继续改变。
通过粒子群算法找到此刻系统最优的逆变器参数；粒子群算法为一种多极值函数全局优化的有效方法，通过群体中粒子间的合作与竞争产生的群体智能指导优化搜索；每一次迭代中，粒子通过2个极值点来更新自己的的位置和速度，一个是粒子自身到此刻所能寻到的的最优解，称Pbest，另一个是整个群体至当前时刻找到的最优解，简称Gbest；第k次迭代时第i个粒子速度vi和位置Sik+1的更新方程为：
式中：k表示迭代次数；w为惯性权重；c1和c2为学习因子，c1是“自身认知”部分，c2是“社会认知”部分:r1和r2服从[0,1]上的均匀随机数。
请参阅图2，在光伏系统中粒子群离线优化控制器参数模型具体包括如下步骤：
S101、将当前的粒子所代表的控制器参数输入逆变系统模型中，得到负载电压；
S102、将负载电压入目标函数中，得到适应值；
目标函数为：
所述的目标函数值越小，寻优区域越优。
S103、将适应值输回粒子群算法中进行优化处理；
S104、如果目标函数值达到最小，则说明粒子在这个位置最优；如果没有达到最小值，则说明需要继续寻优，则需要重新代入S101-S103内走一遍，从而得到最优PI控制器参数值。
上述方案中，需要说明的是，目标函数是以光伏系统的一些指标决定的，对于光伏系统来说，负载电压误差是最关键的指标。
但负载电压中含有多次谐波，为保证误差与总谐波畸变率尽可能小，将误差的绝对值积分和总谐波畸变率作为优化目标函数，该公式为：
式子中：m,n为常系数，与负载反馈电压跟踪指令电压有关，而且保证该反馈电压波形的谐波含量少；THD反映了各次谐波所占比重之和的百分比，体现了交流输出电压谐波的含量；U1和U2分别为负载输出电压基波幅值和各次谐波幅值。
根据表1(见下方)的仿真参数值和图3中的负载电流前反馈控制模型，将K1,KP,H(反馈系数)优化区间设置为[1,5000],[0.01,3],[0,2]。与此同时通过查找文献可以得到m,n,c1,c2和权重系数w分别为0.1,0.9,1.45,0.9。通过粒子群优化算法最后得K1,KP,H分别为979,0.24,0.013。
参数
符号
数值
输出电压
V<sub>in</sub>
700V
输出功率
P<sub>0</sub>
6KW
基波频率
f<sub>0</sub>
50HZ
输出电压
U<sub>0</sub>
220HZ
开关频率
f<sub>sw</sub>
10KHZ
滤波电容
C
80μF
滤波电感
L
480μF
三角波幅值
V<sub>in</sub>
1
S2、利用神经网络算法对样本进行训练，得到神经网络逆模型，对变化的负载进行补偿，减小负载误差对系统的影响。
请参阅图4，图4为为了补偿负载对系统造成的影响而得到的前馈控制图。图中d为逆变桥的调制信号；iL为电感电流；由于实际控制中采用离散变量，所以设逆变器的第i个控制周期为i，并依据对逆变器输出电压影响因素的分析，在该周期和它之前周期对参考电压、输出电压、电感电流、逆变器PWM控制信号采样，将这些采集值作为输入值，当前周期的PWM控制信号d(k)作为输出，构建一个包含9个输入和1个输出的动态BP网络。选取隐含层神经元个数为15。之后需要大量的训练样本对神经网络逆模型进行训练，对表1的所代表的的逆变器进行仿真实验，尤其是要选取不同的线性与非线性负载值进行实验。对本次实验我们选取4种线性与非线性的负载，用以2微秒为采样周期进行样本采集，一共得到40000个样本。其中39000样本进行逆模型的训练，剩下1000个样本对逆模型进行精度检测。
本发明专利在逆变器模型基础上提出的出一种基于粒子群与神经网络相结合的逆变器控制算法，不仅很有效的找出最优逆变器参数，而且很好的提高了光伏逆变器的动态响应特性，降低了谐波含量，更加适应现实复杂的环境，拥有很大的应用前景。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。