法律状态公告日
法律状态信息
法律状态
2023-02-28
未缴年费专利权终止 IPC(主分类):G05B13/04 专利号:ZL2017100993338 申请日:20170223 授权公告日:20191025
专利权的终止
2019-10-25
授权
授权
2017-06-16
实质审查的生效 IPC(主分类):G05B13/04 申请日:20170223
实质审查的生效
2017-05-24
公开
公开
技术领域
本发明涉及一种光伏并网逆变器的模糊神经全局快速终端滑模控制方法,属于逆变器控制方法技术领域,具体涉及模糊神经网络,终端滑模控制。
背景技术
随着国家对光伏发电产业的大力支持,光伏发电技术研究越来越火热,光伏电能已渐渐在电力能源配给中占据着重要作用,逆变器是光伏发电系统不可或缺的一部分,光伏系统易受环境变化影响的特点,对于逆变器控制提出了较高的要求。
逆变器是一种将直流电转换成交流电的电力设备,目前常用的控制策略是电流型控制策略,通过控制并网电流和电网电压同频同相。近年来,有学者提出电压型控制策略,其目标是控制逆变器输出电压,使其与电网电压保持一致,包括大小、幅值和相位。传统的控制方式如PID、PR、滞环、下垂控制等控制效果并不理想,系统鲁棒性较弱。
滑模控制是一种非线性控制方法,其滑动模态的设计与对象参数及扰动无关,滑模控制对参数变化及扰动不灵敏,物理实现简单。常规的滑模控制并不能使跟踪误差在有限的时间内收敛到零。终端滑模策略通过在滑模面中引入非线性项,使得系统跟踪误差能在有限的时间内收敛到零。普通终端滑模控制在远离平衡点时具有较快的收敛速度,但靠近平衡点时收敛速度变慢,全局快速终端滑模控制能具有全局快速性。模糊神经网络综合了模糊逻辑和神经网络结构,具有很强的自适应学习能力。
发明内容
目的:为了克服现有技术中存在的不足,将全局快速终端控制引入到逆变器中,然后使用模糊神经网络在线补偿系统不确定性,提供一种光伏并网逆变器的模糊神经全局快速终端滑模控制方法,使得逆变器鲁棒性大大增强,提高了并网性能。
技术方案:为解决上述技术问题,本发明采用的技术方案为:
一种光伏并网逆变器的模糊神经全局快速终端滑模控制方法,包括以下步骤:
步骤一、根据电路定理,建立光伏并网逆变器数学模型;
步骤二、考虑外界干扰及不确定性,对光伏并网逆变器数学模型进行修正;
步骤三、设计全局快速终端滑模面;
步骤四、设计控制律,并针对系统中存在的不确定性,采用模糊神经网络进行在线逼近;
步骤五、对步骤四中网络逼近误差进行补偿;
步骤六、设计自适应律,得到模糊神经全局快速终端滑模控制器的控制律方程;
步骤七、利用所得控制律方程,产生控制信号,控制逆变器的各个电力开关管。
所述步骤一中的一个周期内的光伏并网逆变器数学模型为:
其中,udc为逆变器直流侧电压,uac为逆变器并网电压,D为逆变器上呈对角关系的开关管S1、S4占空比,Cac、Lac分别为逆变器交流侧电容及电感,RL为交流侧负载。
所述步骤二中的修正后的光伏并网逆变器数学模型为:
其中,g(t)为集总参数,表示系统不确定性及外界干扰,以下简称不确定性。
所述步骤三中,全局快速终端滑模面为:
其中,e=uac-uacr为电压跟踪误差,uac为逆变器输出电压,uacr为电网参考电压;α,β为正常数,p,q(p>q)为正奇数。
所述步骤四中,滑模控制器的控制律为:
其中,g为系统不确定性,k·s为线性补偿项,k为一正常数;
采用模糊神经网络逼近系统不确定性,具体为:
其中,
所述步骤五中,对网络逼近误差进行补偿,具体为:
-εmsgn(s)(6)
其中,εm为网络逼近误差上界,sgn为符号函数。
所述自适应律为:
其中,
最终模糊神经全局快速终端滑模控制器的控制律为:
其中
所述步骤七包括如下步骤:根据步骤六所得占空比D,通过与三角载波比较,产生4路PWM波控制信号,其中S1,S4占空比为D,S2,S3占空比为1-D,控制逆变器4个开关管的通断,实现DC-AC变换并完成并网。
有益效果:本发明提供的光伏并网逆变器的模糊神经全局快速终端滑模控制方法,由于使用了全局快速终端滑模控制,使得逆变器对电网电压跟踪误差在有限时间内收敛到零;模糊神经网络在线补偿系统不确定性,增强了系统鲁棒性,且系统抖振小;另外,并网电压对直流侧电压的变化不敏感,这样就不必使用大电容来稳定直流侧电压,从而节约了成本。
附图说明
图1所示为本发明一种具体实施的主电路结构示意图。
图2所示为本发明一种具体实施的方法结构示意图。
图3所示为逆变器电压跟踪效果图。
图4所示为电压跟踪误差图。
图5所示为控制量D变化图。
图6所示为跟逆变器并网电压频谱图。
图1中,S1-S4—电力开关管,udc—直流侧电压,uac—逆变器输出电压,uacr—电网参考电压,Cdc—直流侧电容,Lac—逆变器交流侧电感,Cac—逆变器交流侧电容,RL—负载。
具体实施方式
下面结合附图对本发明作更进一步的说明。
参见图1,本发明的逆变器控制结构使用H桥结构,由4个电力开关管S1、S2、S3、S4构成。Cdc为直流侧电容,Cac、Lac分别为逆变器交流侧电容及电感,RL为交流侧负载。通过控制电力开关管占空比,完成逆变器输出电压对电网电压的跟踪。
参见图2,一种光伏并网逆变器的模糊神经全局快速终端滑模控制方法,包括以下步骤:
步骤一、根据电路定理,建立光伏并网逆变器数学模型;
步骤二、考虑外界干扰及不确定性,对光伏并网逆变器数学模型进行修正;
步骤三、设计全局快速终端滑模面;
步骤四、设计控制律,并针对系统中存在的不确定性,采用模糊神经网络进行在线逼近;
步骤五、对步骤四中网络逼近误差进行补偿;
步骤六、设计自适应律,得到模糊神经全局快速终端滑模控制器的控制律方程;
步骤七、利用所得控制律方程,产生控制信号,控制逆变器的各个电力开关管。
实施例一
(1)根据电路理论,建立两组开关管分别导通时的电路方程,采用状态空间平均法,建立逆变器平均数学模型:
其中,uac为逆变器并网电压,udc为直流侧电压,D为逆变器上呈对角关系的开关管S1、S4占空比,Cac、Lac分别为逆变器交流侧电容及电感,RL为交流侧负载。
由于实际运行中,逆变器受到建模误差及外界干扰的影响,需对(1)式的光伏并网逆变器数学模型修正。考虑系统不确定性及外界干扰的实际逆变器数学模型为:
其中,g(t)为系统不确定性及外界干扰。
(2)设计全局快速终端滑模控制律
定义全局快速终端滑模面为
其中,e=uac-uacr为电压跟踪误差,uac为逆变器输出电压,uacr为电网参考电压。α,β为正常数,p,q(p>q)为正奇数。
为了保证系统的稳定性,定义Lyapunov函数为
根据Lyapunov稳定性定理,要使控制系统稳定,需
设计基于Lyapunov稳定性定理的控制律为
其中,g为系统不确定性,k·s为线性补偿项,k为一正常数。此时
(3)模糊神经网络补偿系统不确定性
由于系统不确定性无法获知,即式(4)中的控制律无法实现,故采用模糊神经系统对系统不确定性进行估计。
其中,
(4)对网络逼近误差进行补偿,具体为:
-εmsgn(s)>
其中,εm为网络逼近误差上界,sgn为符号函数。
(5)设计基于Lyapunov稳定性定理的自适应律
为了证明系统稳定性,重新定义Lyapunov函数为
其中
设计基于Lyapunov稳定性定理的自适应律为
其中,
(6)最终的模糊神经全局快速终端滑模控制器的控制律方程为:
其中
由Lyapunov稳定性定理知,控制系统稳定。
(7)根据步骤6所得占空比D,通过与三角载波比较,产生4路PWM波控制信号(其中S1,S4占空比为D,S2,S3占空比为1-D),控制逆变器4个开关管的通断,实现DC-AC变换并完成并网。
(8)通过仿真,验证发明:
在Matlab/Simulink里建立仿真模型,电路模型如图1所示,逆变器直流侧接光伏系统,仿真结果如图3至图6所示,
图3所示,逆变器输出电压很快就跟踪上电网电压,并与其波形重合。
图4所示,逆变器电压跟踪误差很快收敛到0。
图5所示,控制量D波形平滑,抖振小。
图6所示,由逆变器并网电压频谱图,看出THD仅为0.03%,谐波含量很低。
综上所述:
本发明由于使用了全局快速终端滑模控制,使得逆变器电压跟踪误差很快收敛到0;使用模糊神经网络在线补偿系统不确定性,增强了系统鲁棒性,且系统抖振小;另外,并网电压对直流侧电压的变化不敏感,这样便不必使用大电容来稳定直流侧电压,从而节约了成本。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
机译: 模糊神经网络的自动构成方法和利用自治结构构成的模糊神经网络的控制方法。
机译: 基于神经网络的自动外部去纤颤器的电信号检测方法,该神经网络具有加权模糊成员函数,能够准确快速地检测电击心信号
机译: 基于神经网络模糊逻辑控制的快速电池充电方法及装置