神经网络控制算法在光伏并网逆变器控制中的应用

吉林省教育厅“十二五”科学技术研究项目(吉教科合字2013第293号)

张运波

(长春工程学院电气与信息工程学院，长春 130012)

神经网络控制算法在光伏并网逆变器控制中的应用

吉林省教育厅“十二五”科学技术研究项目(吉教科合字2013第293号)

张运波

(长春工程学院电气与信息工程学院，长春 130012)

摘要：针对太阳能光伏发电并网逆变器的特点，分析了传统PID控制方法的局限性，详细介绍了基于BP神经网络整定的PID控制系统的设计方法，编写了光伏发电并网逆变器控制程序，并进行了计算机仿真实验。仿真结果证明，基于BP神经网络PID控制的光伏并网逆变系统具有抗干扰能力强、并网电流正弦波波形质量好等特点，完全能够实现与电网电压同频同相。

关键词：光伏发电；并网逆变器；BP神经网络；PID控制

逆变器是并网光伏发电系统的核心部件，它直接影响到发电系统的输出波形、动态性能、抗干扰能力和并网电流与电网电压的同步等。因此，研究逆变器的控制方法，对于提高系统的发电效率与发电质量、降低成本具有极其重要的意义。

逆变器的控制方法很多，目前处于主导地位的仍然是PID控制技术。但是，常规PID控制器存在着参数一经选取即固定不变的缺点。当光照强度和环境温度发生变化时，光伏发电系统的工作条件发生变化，若PID控制器的参数固定不变，将导致逆变跟踪电网电压的精度降低，难以实现平滑并网的要求。本文在深入研究神经网络控制技术的基础上，从光伏发电自身的特点出发，设计了神经网络PID控制器，并应用于并网电流的控制中。数字仿真表明，该控制器通过实时改变PID控制器参数值，有效改善了并网电流波形和光伏系统并网控制的动态过程，实现了光伏发电系统的平滑并网。

1光伏发电并网逆变器的结构和数学模型

1.1光伏发电并网逆变器的结构

两级式并网逆变器的主电路结构如图1所示，前级DC/DC为Boost电路，其作用是得到系统功率点，即光伏阵列工作点；后级为逆变和滤波电路，完成光伏逆变系统对电网的跟踪，实现电能由直流电变为与电网电压同频、同相的交流电的任务，是整个并网系统的重点，它决定着光伏发电系统输入到电网的电能质量。

图1　两级式并网逆变器电路图

1.2光伏发电并网逆变器的数学模型

并网光伏发电系统采用由并网电流内环和直流电压外环组成的双闭环结构，分别完成逆变控制和直流侧电压稳定控制。在本系统中，电压环采用常规PID控制器，而并网电流内环采用BP神经网络PID控制器。

在图1中，选取逆变器输出端流经滤波电感L的电流iL为状态变量，得如下方程：

(1)

式(1)经过拉普拉斯变换，解出IL(s)为：

(2)

式中：RL为电感及交流进线的等效电阻；uab为未经滤波的逆变器输出电压。

如果忽略死区时间的非线性影响和功率开关器件T1～T4的开关延时，采用SPWM控制方式来实现控制，则桥式逆变环节是一个纯滞后环节，可等效为一个小惯性环节，其传递函数为：

(3)

式中：Ka为逆变器增益，与PID调节器的最大限幅值有关；Tp为一个开关周期，当开关频率取20kHz时，Tp为50μs。

由式(2)和(3)可得系统的并网电流闭环结构图，如图2所示。其中，a是反馈系数，L是逆变器滤波电感。

图2　系统并网电流闭环结构图

由图2可得系统被控对象的传递函数为：

(4)

本系统中，a=15，Ka=45，L=4mH，RL=2Ω，Tp=50μs，于是得到：

(5)

对式(5)进行z变换，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神经网络的PID整定理论研究

2.1BP神经网络的基本思想

BP(Back Propagation)神经网络的拓扑结构包括输入层、隐含层和输出层，如图3所示。其基本思想可概括为：利用输出后的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此一层一层的反传下去，从而获得所有其它各层的误差估计。即是一种信号的正向传播和误差的反向传播算法。

1)BP的传播对象是误差，传播的目的是得到所有层的估计误差，后向是说由后层误差推导前层误差。

2)BP网络能学习和存贮大量的输入输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。BP神经网络的学习目的是希望得到一个模型，保证对某个输入，能够输出一个期望的输出；学习的方式是在外界输入样本的刺激下不断改变网络的连接权值；学习的本质是对各连接权值进行动态调整；学习的核心是权值调整规则，即在学习过程中，网络中各神经元的连接权值变化所依据的一定的调整规则。

图3　三层BP网络结构图

2.2基于BP网络的PID控制理论

2.2.1BP网络PID控制系统的结构

PID控制要取得较好的控制效果，就必须从变化无穷的非线性组合中找出比例、积分和微分三种控制作用的最佳组合关系。神经网络具有的任意非线性组合能力，可以通过对系统性能的学习来实现具有最佳组合的PID控制。

基于BP网络的PID控制系统结构如图4所示，控制器由2部分组成：一部分是经典的PID控制器，它直接对被控对象进行闭环控制，并且三个参数kp、ki、kd为在线调整方式；另一部分为BP神经网络，它根据系统的运行状态，调整PID控制器的参数，使被控系统的性能指标达到最优。BP神经网络的内部结构如图3所示，输出层神经元的输出y1、y2、y3对应于PID控制器的三个可调参数kp、ki、kd。通过神经网络的自学习、加权系数调整，形成kp、ki、kd的最优组合。

图4　BP神经网络的PID控制系统结构如图

2.2.2BP网络PID控制算法

本文采用图3所示的三层BP神经网络结构，以下计算中的上角标1)、2)、3)分别代表输入层、隐含层和输出层。

1)BP神经网络的输入层

BP神经网络的输入层的输入为：

(7)

式中j=1，2……M，输入变量的个数M取决于被控对象的复杂程度。

2)BP神经网络的隐含层

(8)

(9)

式(8)、式(9)中，i=1，2……Q。

隐含层神经元的活化函数取正负对称的Sigmoid函数，即：

(10)

3)BP神经网络的输出层

网络输出层的输入输出为：

(11)

(12)

(13)

(14)

(15)

输出层输出节点分别对应3个可调参数kp、ki、kd。由于kp、ki、kd不能为负值，所以输出层神经元的活化函数取非负的Sigmoid函数：

(16)

取性能指标函数为：

(17)

按照梯度下降法修正网络权系数，即按照E(k)对加权系数的负梯度方向搜索调整，并附加一个使搜索快速收敛全局最小的惯性项：

(18)

式中：η为学习速率；α为惯性系数。

(19)

(20)

由上式可得：

(21)

(22)

(23)

由此可得出网络输出层权的学习算法为：

(24)

(25)

同理：可得到隐含层的加权系数学习算法：

(26)

(27)

3BP神经网络PID控制算法的程序设计

按照2.2.2节推导的BP网络PID控制算法和式(6)所示的光伏并网逆变器数学模型，设计BP网络PID控制系统程序。基于BP网络的PID控制系统的程序设计步骤可归纳如下：

1)确定BP网络的结构，即确定输入层节点数M和隐含层节点数Q，并给出各层加权系数的初值，选定学习速率和惯性系数，此时，k=1；

2)采样得到r(k)和y(k)，计算该时刻误差e(k)=r(k)-y(k);

3)计算神经网络各层神经元的输入、输出，输出层的输出即为PID控制器的三个可调参数kp、ki、kd；

4)计算PID控制器的输出u(k);

5)进行神经网络学习，在线调整加权系数，实现PID控制器参数的自适应调整；

6)置k=k+1，返回步骤(1)。

在本系统的程序设计中，选取输入层节点数M=4，隐含层节点数Q=5，输出层节点数O=3，学习速率η=0.20，惯性系数α=0.06，加权系数初始值取区间[-0.5，+0.5]上的随机数，输入指令信号取正弦函数r(k)=sin(2πt)，初始权值取随机值，运行稳定后用稳定权值代替随机值。

4仿真实验和结论

运行基于MATLAB语言编写的BP神经网络PID控制算法程序，得到仿真曲线如图5所示。为了便于观察，将输出量放大了2倍。由图5可以看出，基于BP神经网络PID控制的光伏并网逆变系统具有抗干扰能力强、动态特性好、并网电流正弦波波形质量高等特点，完全能够实现与电网电压同频同相。

图5　神经网络PID控制正弦输入响应曲线

参考文献

[1] 陈年，王宏华，韩伟.基于GA-BP神经网络的光伏阵列MPPT研究[J].电测与仪表，2014(2)：40-42.

[2] 吕天光，艾芊，韩学山，等.基于模糊理论的并网型含光伏微电网功率控制[J].电网技术，2014(9)：2404-2409.

[3] 黄庆丰，杨红培，翟登辉.基于Simulink的两级式单相光伏逆变器的系统仿真[J].电力系统保护与控制，2014(19)：58-61.

[4] 贺运胜.光伏发电系统的并网模糊PID控制[J].电网与清洁能源，2013(2)：86-89.

doi:10.3969/j.issn.1009-8984.2015.02.001

收稿日期：2015-03-03

基金项目：吉林省科技厅重点科技攻关项目(20130206083SF)

作者简介：张运波(1964—)，男(汉)，辽宁丹东，教授主要研究电气自动化。

中图分类号：TM464

文献标志码：A

文章编号：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