多电平逆变器的SHEPWM控制系统及方法

摘要

多电平逆变器的SHEPWM控制系统及方法属于逆变器技术领域，尤其涉及一种多电平逆变器的SHEPWM控制系统及方法。本发明采用粒子群‑细菌觅食优化算法(PSO‑BFO)实现多电平逆变器的SHEPWM技术，在保证输出波形的同时准确的求出开关角实现特定谐波消除，达到简化运算流程，降低计算时间的目的。本发明多电平逆变器的SHEPWM控制系统包括DPS处理电路、电压采样电路、隔离驱动电路、开关电源电路和电压传感器,其结构要点电压传感器、电压采样电路、DPS处理电路、隔离驱动电路依次相连，隔离驱动电路的输出端口与T型三电平光伏并网逆变器的开关器件的控制端口相连。

说明书

技术领域

本发明属于逆变器技术领域，尤其涉及一种多电平逆变器的SHEPWM控制系统及方法。

背景技术

近年来电力电子技术发展迅猛，多电平逆变器在高电压大容量领域得到了越来越多的重视。多电平逆变器具有谐波畸变率低、能量转换效率高的优点，且输出电压高、功率大，不需要输出变压器进行辅助，因此在高压大功率场合得到很多应用。由于电网侧电流和电压波形容易受到影响，且大部分负载呈非线性，很容易造成基波电流畸变，所产生的谐波会干扰设备的稳定运行，使得设备或零件的报废率增加，会带来较大的经济损失。研究如何抑制和消除电网中的有害谐波显得意义重大。到目前为止，消谐技术可分为很多种。其中，通过对逆变器拓扑结构的改进，搭建多重逆变电路能够实现消谐，但电路结构较复杂，成本高，还会引起其它问题。通过引入电能质量补偿器能有效的抑制谐波干扰，但是对系统参数设置要求较高，设计不合理甚至会影响系统的稳定性。通过控制开关器件的导通和关断，生成特定阶梯波，能够达到消除指定低频次谐波的目的，对消谐能起到较好的效果。SHEPWM技术具有开关频率低、开关损耗小、输出波形质量好、逆变效率高、输出滤波器尺寸小等优点，因此受到了越来越多的关注。将粒子群算法作为一个变异算子引入细菌觅食算法的聚集操作中,提出一种混合的粒子群-细菌觅食优化算法。其基本思想为:先由粒子群算法完成全局空间的搜索,记忆个体和群体的最优信息,将每一个粒子都看成是细菌,再由细菌觅食算法的趋向和聚集操作完成局部搜索的功能,以此提高细菌觅食算法全局搜索能力的同时,又提高粒子群算法的局部搜索能力。混合算法的优 点是算法流程简单，对初值没有要求，参数简洁，易于实现，无需复杂的搜索调整对优化问题的连续性无任何要求。

发明内容

本发明就是针对上述问题，采用粒子群-细菌觅食优化算法(PSO-BFO)实现多电平逆变器的SHEPWM技术，在保证输出波形的同时准确的求出开关角实现特定谐波消除，达到简化运算流程，降低计算时间的目的。

为实现上述目的，本发明采用如下技术方案，本发明多电平逆变器的SHEPWM控制系统包括DPS处理电路、电压采样电路、隔离驱动电路、开关电源电路和电压传感器,其结构要点电压传感器、电压采样电路、DPS处理电路、隔离驱动电路依次相连，隔离驱动电路的输出端口与T型三电平光伏并网逆变器的开关器件的控制端口相连；电压传感器的输入端口与T型三电平光伏并网逆变器的输出端口相连；开关电源电路的输出端口分别与DPS处理电路电源端口、电压采样电路电源端口、隔离驱动电路电源端口相连。

作为一种优选方案，本发明所述电压采样电路采用OPA4376芯片U5，DPS处理电路采用TMS320F283XXPGF芯片U3，U5的3脚为检测三电平光伏并网逆变器输出U-端口，U5的2脚为检测三电平光伏并网逆变器输出U+端口，U5的1脚与U3的42脚相连；

U5的5脚为检测三电平光伏并网逆变器输出V-端口，U5的6脚为检测三电平光伏并网逆变器输出V+端口，U5的7脚与U3的46脚相连。

作为另一种优选方案，本发明所述开关电源电路采用UC28C45芯片。

另外，本发明所述隔离驱动电路采用7800A光耦U10、U11、U13、U14、U15、U16、U17、U18、U19、U20，U11的2脚分别与NPN三极管Q3的集电极、3.3V电源相连，Q3的基极与U3的5脚相连，Q3的发射极分别与地线、U11的3脚相 连，U11的7脚为U1控制端；

U10的2脚分别与NPN三极管Q2的集电极、3.3V电源相连，Q2的基极与U3的6脚相连，Q2的发射极分别与地线、U10的3脚相连，U10的7脚为U2控制端；

U14的2脚分别与NPN三极管Q6的集电极、3.3V电源相连，Q6的基极与U3的11脚相连，Q6的发射极分别与地线、U14的3脚相连，U14的7脚为V1控制端；

U13的2脚分别与NPN三极管Q5的集电极、3.3V电源相连，Q5的基极与U3的12脚相连，Q5的发射极分别与地线、U13的3脚相连，U13的7脚为V2控制端；

U16的2脚分别与NPN三极管Q8的集电极、3.3V电源相连，Q8的基极与U3的13脚相连，Q8的发射极分别与地线、U16的3脚相连，U16的7脚为V3控制端；

U17的2脚分别与NPN三极管Q9的集电极、3.3V电源相连，Q9的基极与U3的16脚相连，Q9的发射极分别与地线、U17的3脚相连，U17的7脚为V4控制端；

U15的2脚分别与NPN三极管Q7的集电极、3.3V电源相连，Q7的基极与U3的17脚相连，Q7的发射极分别与地线、U15的3脚相连，U15的7脚为W1控制端；

U18的2脚分别与NPN三极管Q10的集电极、3.3V电源相连，Q10的基极与U3的18脚相连，Q10的发射极分别与地线、U18的3脚相连，U18的7脚为W2控制端；

U20的2脚分别与NPN三极管Q12的集电极、3.3V电源相连，Q12的基极与 U3的19脚相连，Q12的发射极分别与地线、U20的3脚相连，U20的7脚为W3控制端；

U19的2脚分别与NPN三极管Q11的集电极、3.3V电源相连，Q11的基极与U3的20脚相连，Q11的发射极分别与地线、U19的3脚相连，U19的7脚为W4控制端。

本发明多电平逆变器的SHEPWM控制方法包括以下部分：

1、建立T型三电平光伏并网逆变器的SHEPWM消谐模型，T型三电平逆变器单相输出电压波形由傅里叶级数表示：

U₀(t)＝∑[A_nsin(nωt)+B_ncos(nωt)](1)

其中

式中，U₀为逆变器输出电压；A_n、B_n为振幅；ω为角频率；

SHEPWM波形具有正负两半周期的镜对称性，该级数的直流分量、余弦分量和偶次正弦分量皆为零，仅含有奇次正弦项谐波；则：

$\left(\begin{array}{cc}{A}_n=0& n=0,1,2,3,\mathrm{...}\\ B_n=0& n=0,2,4,\mathrm{6...}\\ B_n=\frac{4U_d}{n\pi }\underset{k=1}{\overset{N}{\Sigma }}{(-1)}^{k+1}\cos \left({\mathrm{n\alpha }}_k\right)& n=1,3,5,\mathrm{7...}\end{array}\right)---\left(2\right)$

$0<{\alpha }_1<{\alpha }_2<...<{\alpha }_{N-1}<{\alpha }_N<\frac{\pi }{2}---\left(3\right)$

$\begin{array}{cc}{B}_1=\frac{4U_d}{\pi }\underset{k=1}{\overset{N}{\Sigma }}{(-1)}^{k+1}\cos \left({\mathrm{n\alpha }}_k\right)& n=1,3,5,\mathrm{7...}\end{array}---\left(4\right)$

式中，U_d为逆变器直流侧电源电压值；N为在1/4周期内所取的开关角个 数；α_k为N个开关角中的第k个开关角；

选定的基波用q表示，则B₁＝q；再令其余的n-1个低阶高次谐波幅值为零，

则：B_n＝0n＝1,3,5,7,…(5)

设基波调制度如果消除5,7,11,13,…,6i-1,6i+1,…,M次谐波(M为可校区的最高次谐波次数)，得到：

$\left(\begin{array}{c}{f}_1\left(\alpha \right)=\frac{U_{sm\left(1\right)}}{U_d/2}=\frac{4}{\pi }\underset{i=1}{\overset{N}{\Sigma }}{(-1)}^{i+1}cos\left({\alpha }_i\right)=m\\ f_2\left(\alpha \right)=\frac{4}{5\pi }\underset{i=1}{\overset{N}{\Sigma }}{(-1)}^{i+1}cos\left(5{\alpha }_i\right)=0\\ .\\ .\\ .\\ f_N\left(\alpha \right)=\frac{4}{M\pi }\underset{i=1}{\overset{N}{\Sigma }}{(-1)}^{i+1}\cos \left({\mathrm{M\alpha }}_i\right)=0\end{array}\right)---\left(6\right)$

式中，U_sm(1)为基波；

SHEPWM控制用算法根据不同的m值计算出式(6)中满足要求的α值；所要求的解的是一个非线性超越方程组，它有N个不同的解，即α₁,α₂,…,α_N-1,α_N，消去5,7,11,13次谐波，则N＝5，将式(6)变换为

$\left(\begin{array}{c}{f}_1\left(\alpha \right)=\frac{U_{sm\left(1\right)}}{U_d/2}=\frac{4}{\pi }\underset{i=1}{\overset{5}{\Sigma }}{(-1)}^{i+1}\cos \left({\alpha }_i\right)-m={ϵ}_1\\ f_2\left(\alpha \right)=\frac{4}{5\pi }\underset{i=1}{\overset{5}{\Sigma }}{(-1)}^{i+1}\cos \left(5{\alpha }_i\right)={ϵ}_2\\ f_3\left(\alpha \right)=\frac{4}{7\pi }\underset{i=1}{\overset{5}{\Sigma }}{(-1)}^{i+1}\cos \left(7{\alpha }_i\right)={ϵ}_3\\ f_4\left(\alpha \right)=\frac{4}{11\pi }\underset{i=1}{\overset{5}{\Sigma }}{(-1)}^{i+1}\cos \left(11{\alpha }_i\right)={ϵ}_4\\ f_5\left(\alpha \right)=\frac{4}{13\pi }\underset{i=1}{\overset{5}{\Sigma }}{(-1)}^{i+1}\cos \left(13{\alpha }_i\right)={ϵ}_5\end{array}\right)---\left(7\right)$

最小化多目标问题被统一成一个单目标问题，并作为目标函数：

$\left(\begin{array}{c}\min :B\left(\alpha \right)={ϵ}_1^2+{ϵ}_2^2+{ϵ}_3^2+{ϵ}_4^2+{ϵ}_5^2\\ s.t.:0\le {\alpha }_1<{\alpha }_2<{\alpha }_3<{\alpha }_4<{\alpha }_5\le \pi /2\end{array}\right)---\left(8\right)$

设计函数适应度为

$g\left(a\right)=\frac{1}{{ϵ}_1^2+{ϵ}_2^2+{ϵ}_3^2+{ϵ}_4^2+{ϵ}_5^2}---\left(9\right)$

PSO算法中的速度和位置更新方程为

$v_{id}^{k+1}={\mathrm{wv}}_{id}^k+c_1{\mathrm{rand}}_1^k({\mathrm{pbest}}_{id}^k-x_{id}^k)+c_2{\mathrm{rand}}_2^k({\mathrm{gbest}}_{id}^k-x_{id}^k)---\left(10\right)$

$x_{id}^{k+1}=x_{id}^k+v_{id}^{k+1}---\left(11\right)$

i＝1,2,…,m；d＝1,2,…,D；k为迭代次数；rand₁,rand₂是[0,1]之间的随机数；ω为惯性权重；c₁为认知学习因子；c₂为社会学习因子；pdest为个体最优位置；gbest为整个群体的最优位置；

PSO算法作为变异算子引入BFO算法中,去除了式(10)速度更新算法中的个体认知部分仅使用社会认知部分,即群体信息的共享部分,如式(12)；同时，将通过PSO变异算子得到的群体信息加入到位置更新方程中,如式(13)；利用PSO算法的记忆功能提高BFO算法的全局搜索能力和搜索效率；

PSO的粒子速度更新公式为

$v_{id}^{k+1}={\mathrm{wv}}_{id}^k+c_2{\mathrm{rand}}_2^k({\mathrm{gbest}}_d^k-x_{id}^k)---\left(12\right)$

位置更新公式为

${\theta }^i(j+1,k,l)={\theta }^i(j,k,l)+v_{id}^{k+1}---\left(13\right)$

其中j表示种群中个体的第j次趋向操作，k表示种群中个体的第k次复制操作，l表示种群中个体的；θⁱ(j,k,l)表示种群中的个体再执行第j次趋向操作、第k次复制操作、第l次迁徙操作后的位置；

通过在BFO算法中引入PSO变异按公式(12)和(13)更新细菌位置，计算出新的适应值，即SHEPWM控制的开关角；

2、进行以下步骤：

(1)系统初始化，确定不变的参数；

(2)随机初始化粒子群的速度和位置；根据式(8)的约束条件，随机产生一群可行解α₁,α₂,…,α_s，其中包含每个粒子的速度和位置；

(3)确定解空间为进行迁徙操作循环，每个粒子以概率P_ed被随机分布到解空间中；

(4)执行复制操作，定义健康度函数淘汰一半健康度较低的，并复制另一半健康度较高的；

(5)执行趋向操作Δ随机方向的一个单位向量；

(6)考虑细菌间的斥力和引力，计算细菌i的适应值函数J(i,j,k,l)令J_last＝J(i,j,k,l)；

(7)细菌翻转搜寻最优位置，同时按公式(12)和(13)更新菌群的位置θⁱ(j+1,k,l)，并计算菌群的适应值J(i,j+1,k,l)；

J(i,j+1,k,l)＝J(i,j,k,l)+J_cc(θⁱ(j+1,k,l),P(j+1,k,l))，判断与J_last的大小并更新J_last的值；

(8)判断是否达到最大循环次数，是则输出最优开关角，否则进行循环；

(9)应用新的开关状态驱动三电平逆变器系统实现SHEPWM控制。

本发明有益效果。

本发明针对T型三电平光伏并网逆变器的特点，采用一种粒子群-细菌觅食优化算法实现T型三电平光伏并网逆变器的SHEPWM控制的方法，基于一个T型 逆变器的消除谐波模型，确定一个求开关角的关系式，采用细菌觅食-粒子群算法求解SHEPWM技术中的开关角，对初值没有要求，算法流程简单，无需复杂的搜索调整，对优化问题的连续性没有要求，来简化SHEPWM的计算过程，实现特定谐波消除控制方法。

附图说明

下面结合附图和具体实施方式对本发明做进一步说明。本发明保护范围不仅局限于以下内容的表述。

图1为本发明设计的T型三电平光伏并网逆变器示意图。

图2为逆变器相电压SHEPWM模型示意图。

图3为本发明所设计的T型三电平逆变器的系统控制框图。

图4为本发明设计的粒子群-细菌觅食优化算法原理框图。

图5为本发明设计方法中的粒子群-细菌觅食优化算法流程图。

图6为本发明所设计的光伏并网逆变器SHEPWM控制的硬件电路图。

图7为本发明所设计的UV相电压检测电路。

图8(a)、(b)、(c)为本发明设计的DSP外围电路。

图9(a)、(b)、(c)为本发明设计的管脚保护电路。

图10为本发明设计的开关电源电路。

图11(a)、(b)、(c)为本发明设计的隔离驱动电路。

具体实施方式

如图所示，本发明是通过以下技术方案实施的：

1、粒子群-细菌觅食优化算法(PSO-BFO)的多电平逆变器的SHEPWM技术研究，该方法包括：(a)受控对象和控制方法；(b)整个控制系统硬件部分。

(a)受控对象和控制方法；受控对象为T型三电平光伏并网逆变器，逆变 器三相输出通过电阻电感负载与电网并网；控制方法采用基于粒子群-细菌觅食优化算法实现的特定谐波消除控制，基于一个消谐模型，确定特定谐波消除技术中的开关角；

PSO优化算法流程简单、无复杂的搜索调整过程、运算速度快且全局搜索能力强。但PSO算法在求解SHEPWM方程时，容易陷入局部最优，且解过早的收敛，使算法的全局搜索能力变差。且当算法进行到后期时，解的精度不能提高，导致算法的收敛速度变慢。BFO算法利用扩散机制全局搜索能力强。

鉴于以上分析,将PSO算法作为一个变异算子引入BFO算法的聚集操作中,提出一种混合的粒子群-细菌觅食优化算法(PSO-BFO)。其基本思想为:先由PSO算法完成全局空间的搜索,记忆个体和群体的最优信息,将每一个粒子都看成是细菌,再由BFO算法的趋向和聚集操作完成局部搜索的功能,以此提高BFO算法全局搜索能力的同时,又提高PSO算法的局部搜索能力。

其中的受控对象T型三电平光伏并网逆变器，建立T型三电平光伏并网逆变器的SHEPWM消谐模型，T型三电平逆变器单相输出电压波形可由傅里叶级数表示：

U₀(t)＝∑[A_nsin(nωt)+B_n>

其中

式中，U₀为逆变器输出电压；A_n、B_n为振幅；ω为角频率。

由于SHEPWM波形具有正负两半周期的镜对称性，该级数的直流分量、余弦分量和偶次正弦分量皆为零，仅含有奇次正弦项谐波。则：

$\left(\begin{array}{cc}{A}_n=0& n=0,1,2,3,\mathrm{...}\\ B_n=0& n=0,2,4,\mathrm{6...}\\ B_n=\frac{4U_d}{n\pi }\underset{k=1}{\overset{N}{\Sigma }}{(-1)}^{k+1}\cos \left({\mathrm{n\alpha }}_k\right)& n=1,3,5,\mathrm{7...}\end{array}\right)---\left(2\right)$

$0<{\alpha }_1<{\alpha }_2<...<{\alpha }_{N-1}<{\alpha }_N<\frac{\pi }{2}---\left(3\right)$

$\begin{array}{cc}{B}_1=\frac{4U_d}{\pi }\underset{k=1}{\overset{N}{\Sigma }}{(-1)}^{k+1}\cos \left({\mathrm{n\alpha }}_k\right)& n=1,3,5,\mathrm{7...}\end{array}---\left(4\right)$

式中，U_d为逆变器直流侧电源电压值；N为在1/4周期内所取的开关角个数；α_k为N个开关角中的第k个开关角。

选定的基波用q表示，则B₁＝q。再令其余的n-1个低阶高次谐波幅值为零，

则：B_n＝0n＝1,3,5,7,…(5)

设基波调制度如果消除5,7,11,13,…,6i-1,6i+1,…,M次谐波(M为可校区的最高次谐波次数)，得到：

$\left(\begin{array}{c}{f}_1\left(\alpha \right)=\frac{U_{sm\left(1\right)}}{U_d/2}=\frac{4}{\pi }\underset{i=1}{\overset{N}{\Sigma }}{(-1)}^{i+1}cos\left({\alpha }_i\right)=m\\ f_2\left(\alpha \right)=\frac{4}{5\pi }\underset{i=1}{\overset{N}{\Sigma }}{(-1)}^{i+1}cos\left(5{\alpha }_i\right)=0\\ .\\ .\\ .\\ f_N\left(\alpha \right)=\frac{4}{M\pi }\underset{i=1}{\overset{N}{\Sigma }}{(-1)}^{i+1}\cos \left({\mathrm{M\alpha }}_i\right)=0\end{array}\right)---\left(6\right)$

式中，U_sm(1)为基波。

SHEPWM技术的重点是要用算法根据不同的m值计算出式(6)中满足要求的α值。所要求的解的是一个非线性超越方程组，它有N个不同的解，即α₁,α₂,…,α_N-1,α_N，主要消去5,7,11,13次谐波，则N＝5，将式(6)变换为

$\left(\begin{array}{c}{f}_1\left(\alpha \right)=\frac{U_{sm\left(1\right)}}{U_d/2}=\frac{4}{\pi }\underset{i=1}{\overset{5}{\Sigma }}{(-1)}^{i+1}\cos \left({\alpha }_i\right)-m={ϵ}_1\\ f_2\left(\alpha \right)=\frac{4}{5\pi }\underset{i=1}{\overset{5}{\Sigma }}{(-1)}^{i+1}\cos \left(5{\alpha }_i\right)={ϵ}_2\\ f_3\left(\alpha \right)=\frac{4}{7\pi }\underset{i=1}{\overset{5}{\Sigma }}{(-1)}^{i+1}\cos \left(7{\alpha }_i\right)={ϵ}_3\\ f_4\left(\alpha \right)=\frac{4}{11\pi }\underset{i=1}{\overset{5}{\Sigma }}{(-1)}^{i+1}\cos \left(11{\alpha }_i\right)={ϵ}_4\\ f_5\left(\alpha \right)=\frac{4}{13\pi }\underset{i=1}{\overset{5}{\Sigma }}{(-1)}^{i+1}\cos \left(13{\alpha }_i\right)={ϵ}_5\end{array}\right)---\left(7\right)$

于是，最小化多目标问题被统一成一个单目标问题，并作为目标函数：

$\left(\begin{array}{c}\min :B\left(\alpha \right)={ϵ}_1^2+{ϵ}_2^2+{ϵ}_3^2+{ϵ}_4^2+{ϵ}_5^2\\ s.t.:0\le {\alpha }_1<{\alpha }_2<{\alpha }_3<{\alpha }_4<{\alpha }_5\le \pi /2\end{array}\right)---\left(8\right)$

设计函数适应度为

$g\left(a\right)=\frac{1}{{ϵ}_1^2+{ϵ}_2^2+{ϵ}_3^2+{ϵ}_4^2+{ϵ}_5^2}---\left(9\right)$

PSO算法中的速度和位置更新方程为

$v_{id}^{k+1}={\mathrm{wv}}_{id}^k+c_1{\mathrm{rand}}_1^k({\mathrm{pbest}}_{id}^k-x_{id}^k)+c_2{\mathrm{rand}}_2^k({\mathrm{gbest}}_{id}^k-x_{id}^k)---\left(10\right)$

$x_{id}^{k+1}=x_{id}^k+v_{id}^{k+1}---\left(11\right)$

i＝1,2,…,m；d＝1,2,…,D；k为迭代次数；rand₁,rand₂是[0,1]之间的随机数；ω为惯性权重；c₁为认知学习因子；c₂为社会学习因子；pdest为个体最优位置；gbest为整个群体的最优位置。

这里,PSO算法作为变异算子引入BFO算法中,去除了式(10)速度更新算法中的个体认知部分仅使用社会认知部分,即群体信息的共享部分,如式(12)。同时，将通过PSO变异算子得到的群体信息加入到位置更新方程中,如式(13)。其目的是利用PSO算法的记忆功能提高BFO算法的全局搜索能力和搜索效率。

PSO的粒子速度更新公式为

$v_{id}^{k+1}={\mathrm{wv}}_{id}^k+c_2{\mathrm{rand}}_2^k({\mathrm{gbest}}_d^k-x_{id}^k)---\left(12\right)$

位置更新公式为

${\theta }^i(j+1,k,l)={\theta }^i(j,k,l)+v_{id}^{k+1}---\left(13\right)$

其中j表示种群中个体的第j次趋向操作，k表示种群中个体的第k次复制操作，l表示种群中个体的。θⁱ(j,k,l)表示种群中的个体再执行第j次趋向操作、第k次复制操作、第l次迁徙操作后的位置。

通过在BFO算法中引入PSO变异按公式(12)和(13)更新细菌位置，计算出新的适应值，即SHEPWM控制的开关角。

(b)整个控制系统硬件部分：控制主电路、控制对象；其中控制主电路包括DPS处理器、管脚保护电路、电流采样电路、开关电源电路、隔离驱动保护电路；控制对象为T型三电平光伏并网逆变器。

所述方法主控制程序包括以下步骤：

(1)系统初始化，确定不变的参数；

(2)随机初始化粒子群的速度和位置；根据式(8)的约束条件，随机产生一群可行解α₁,α₂,…,α_s，其中包含每个粒子的速度和位置；

(3)确定解空间为进行迁徙操作循环，每个粒子以概率P_ed被随机分布到解空间中；

(4)执行复制操作，定义健康度函数淘汰一半健康度较低的，并复制另一半健康度较高的；

(5)执行趋向操作Δ随机方向的一个单位向量；

(6)考虑细菌间的斥力和引力，计算细菌i的适应值函数J(i,j,k,l)令J_last＝J(i,j,k,l)；

(7)细菌翻转搜寻最优位置，同时按公式(12)和(13)更新菌群的位置θⁱ(j+1,k,l)，并计算菌群的适应值J(i,j+1,k,l)；

J(i,j+1,k,l)＝J(i,j,k,l)+J_cc(θⁱ(j+1,k,l),P(j+1,k,l))，判断与J_last的大小并更新J_last的值；

(8)判断是否达到最大循环次数，是则输出最优开关角，否则进行循环；

(9)应用新的开关状态驱动三电平逆变器系统实现SHEPWM控制。

下面结合附图对本发明的技术方案进行具体描述：

图1为本发明设计的T型三电平光伏并网逆变器示意图，如图所示，TAi,TBi,TCi,(i＝1,2,3,4)共12个开关器件构成了该电路的拓扑结构，该电路利用反向串联的两个开关器件将输出端与中点相连接，实现中点箝位功能。C1和C2是直流侧的分压电容，分压电容之间的O点为零电位参考点。P是母线正极，N是母线负极。R、L表示负载，e表示电网。在三相平衡系统下，逆变桥输出电压分别为u_ia、u_ib、u_ic，电感电流分别为i_a、i_b、i_c，电网电压分别为e_a、e_b、e_c。根据基尔霍夫定律，三电平逆变器系统的三相电压电流方程可表示为：

$\begin{array}{c}{u}_{ia}=L\frac{{\mathrm{di}}_a}{dt}+i_{a}R+e_a\\ u_{ib}=L\frac{{\mathrm{di}}_b}{dt}+i_{b}R+e_b\\ u_{ic}=L\frac{{\mathrm{di}}_c}{dt}+i_{c}R+e_c\end{array}---\left(1\right)$

图2为逆变器相电压SHEPWM模型示意图，T型三电平逆变器单相输出电压波形可由傅里叶级数表示：U₀(t)＝∑[A_nsin(nωt)+B_ncos(nωt)]

其中

式中，U₀为逆变器输出电压；A_n、B_n为振幅；ω为角频率。

图3为本发明所设计的T型三电平逆变器的系统控制框图，首先经过坐标变换，将abc坐标系变换到αβγ坐标系，在αβγ坐标系下，采用粒子群-细菌觅食优化算法，求解出开关角，求出的开关角给逆变器，控制逆变器并网电流的波形。

图4为本发明设计的粒子群-细菌觅食优化算法原理框图，通过这种智能优化算法计算出开关角，驱动逆变器。

图5为本发明设计方法中的粒子群-细菌觅食优化算法流程图，该控制算法由DSP处理器实现，由MATLAB/Simulink7.0进行仿真。在该智能算法中，采样周期为T_s＝1us，或者使采样频率为0.1KHZ。在图6所示流程图中，先由PSO算法完成全局空间的搜索,记忆个体和群体的最优信息,将每一个粒子都看成是细菌,再由BFO算法的趋向和聚集操作完成局部搜索的功能,以此提高BFO算法全局搜索能力的同时,又提高PSO算法的局部搜索能力。

图6为本发明所设计的光伏并网逆变器SHEPWM控制的硬件电路图，光伏电池板的原始电能通过逆变器，输出三电平电压，再经过滤波处理，与电网并网。为了保持系统的平稳运行，达到中点电位平衡控制的目的，本发明设计采用粒子群-细菌觅食优化算法实现SHEPWM控制，形成闭环回路，对并网电压进行控制。SHEPWM中，包括对负载电压的采样、直流侧电容电压的检测、DSP计算处理、开关电源电路设计以及隔离驱动电路的设计。

图7为本发明设计的UV相电压检测电路，经过精密运算放大器，对电压进行采样和放大之后，为DSP提供测量的负载电压信号。

图8为本发明设计的DSP外围电路。外围电路主要包括接口配置、复位电 路、ADC模块的设置和时钟电路。用阻容电路产生上电复位，电源芯片的输入为5V，输出为1.9V和3.3V电源为DSP供电，输出电源分别有两个复位信号，当电源不稳定或过低时，会产生复位信号。图9为DSP的管脚保护电路。

图10为本发明设计的开关电源电路。直流高压端加到高频脉冲变压器初级端，开关器件串联在变压器另一个初级端。开关器件周期性的导通和关断，使初级直流电压转换成一定周期的矩形波，再由脉冲变压器耦合到次级，滤波后得到相应的直流低压输出电压。该电路采用UC28C45芯片，通过变压器线圈感应出多组电压源。向主控板、驱动电路等提供低压电源。

图11为本发明设计的隔离驱动电路，即电流检测保护电路。驱动电路是将主控电路中的12个PWM信号，经过光电隔离和放大之后，为逆变电路的换流器件提供驱动信号。本发明设计中的隔离驱动电路由电流取样、信号隔离放大、信号放大输出三部分组成。7800A光耦的放大系数为8。

可以理解的是，以上关于本发明的具体描述，仅用于说明本发明而并非受限于本发明实施例所描述的技术方案，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换，以达到相同的技术效果；只要满足使用需要，都在本发明的保护范围之内。