基于粒子群與神經(jīng)網(wǎng)絡的光伏逆變器設計

張玉 周睿 張烈平

關鍵詞： 粒子群優(yōu)化; 神經(jīng)網(wǎng)絡; 光伏逆變器; 算法; 逆模型; 諧波含量

中圖分類號： TN711?34; TM615 ? ? ? ? ? ? ? ? 文獻標識碼： A ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2019）02?0085?04

Design of photovoltaic inverter based on particle swarm optimization and neural network

ZHANG Yu1，2， ZHOU Rui1， ZHANG Lieping1，2

（1. School of Mechanical and Control Engineering， Guilin University of Technology， Guilin 541004， China;

2. Guangxi Key Laboratory of Building New Energy and Energy Saving， Guilin University of Technology， Guilin 541004， China）

Abstract： The PI control has the advantages of simple structure， good robustness and high reliability， but its parameter setting is difficult， and it is unable to track the system changes well in the complex nonlinear condition of the photovoltaic power generation system. In allusion to the above problems， an inverter model is established and analyzed， and on this basis， an inverter control algorithm based on the combination of particle swarm optimization and neural network is proposed. The off?line optimization is conducted for the system， taking the absolute error and the total harmonic aberration rate as constraint conditions， so as to obtain the samples of optimal PI parameters. The samples are trained by using the neural network to obtain the inverse model of the system. The changing load is compensated to make the output better follow the system changes. The results of system simulation and experiment show that the method can effectively improve the dynamic response speed of the photovoltaic inverter and reduce the harmonic content of the output voltage.

Keywords： particle swarm optimization; neural network; photovoltaic inverter; algorithm; inverse model; harmonic content

正弦波交流逆變電源是光伏并網(wǎng)、交流調速等電力電子設備的核心裝置，其對逆變器的交流側輸出波形都有較高要求[1]。如并網(wǎng)時，要求逆變器輸出波形總畸變率（Total Harmonic Distortion，THD）限值5%，功率因數(shù)不小于0.95（超前或滯后），這需要逆變器具有較強的抗擾能力以及較快的動態(tài)響應[2]。為得到高質量的輸出電壓和較好的功率因數(shù)，光伏發(fā)電系統(tǒng)逆變器一般采用電壓外環(huán)和電流內環(huán)的雙閉環(huán)控制策略，決定雙閉環(huán)控制效果的關鍵是其PI參數(shù)的確定。雙閉環(huán)控制系統(tǒng)設計的難點是在確定外環(huán)與內環(huán)參數(shù)時，需要綜合考慮它們相互之間的影響[3]。

傳統(tǒng)的雙閉環(huán)控制方法為達到較好的效果，需建立精確的系統(tǒng)模型，通過湊試法等確定較為合適的PI參數(shù)[4]。但由于光伏發(fā)電系統(tǒng)經(jīng)常會發(fā)生負載變化或直流側電壓突變，系統(tǒng)矩陣、閉環(huán)特征值及動態(tài)響應均會發(fā)生改變，造成參數(shù)難以適合變化后的系統(tǒng)。尤其針對光伏發(fā)電系統(tǒng)的非線性特性，其建模過程復雜，參數(shù)湊試困難，難以實現(xiàn)參數(shù)的實時調整[5]。針對上述問題，提出了一種基于粒子群與神經(jīng)網(wǎng)絡相結合的逆變器控制算法。PSO算法只需選擇一個合適的評價函數(shù)，即可找到當前系統(tǒng)狀態(tài)下的最優(yōu)參數(shù)值，算法簡單。由于雙閉環(huán)PI控制策略一旦設定好參數(shù)，在系統(tǒng)運行時就很難根據(jù)變化的系統(tǒng)進行實時更改，無法快速跟隨系統(tǒng)[6]。所以將變化的負載視為擾動項，利用神經(jīng)網(wǎng)絡擬合，建立系統(tǒng)逆模型，進而可以在控制器處進行補償，用以抵消負載變化引起的擾動，從而使輸出能較快地跟隨系統(tǒng)變化。

1 ?逆變器主電路模型

逆變器主電路如圖1所示，模型參數(shù)如表1所示。系統(tǒng)采用雙閉環(huán)控制策略，外環(huán)為基于PI控制設計的電壓環(huán)，[Gi（s）]為控制器，內環(huán)為系數(shù)是H的電容電流反饋，對于電壓型逆變器而言，其首要目標是控制輸出電壓[uo（s）]，使其符合理想輸出波形。其中KPWM為脈寬調制比例系數(shù)，[ZR]為負載的阻抗，L，C為濾波電感與濾波電容，它們構成濾波器，由圖1可以得到單相逆變器的數(shù)學模型，如圖2所示。

對圖2進行等效變換，并進行化簡，可以得到傳遞函數(shù)：

[Gs=uo（s）u*o（s）=Gi（s）KPWMCsC2Ls3+LZRs+HsCKPWM+GisKPWMCs+1] （1）

式中，系統(tǒng)會因負載阻抗[ZR]的變化而變化，若要使系統(tǒng)達到較好的控制效果，需要根據(jù)阻抗來調整控制器[Gi（s）]。使用PI控制器，一旦PI參數(shù)確定，便無法修改，而實際應用中，負載經(jīng)常會因電力設備的接入或斷開而發(fā)生變化，傳統(tǒng)的PI控制器不能根據(jù)負載變化而做出相應調整，故控制效果不算理想。

2 ?粒子群與神經(jīng)網(wǎng)絡控制器的設計

通過對上述模型分析，可知，能否得到高質量的電壓輸出，關鍵是PI參數(shù)的整定，和對負載變化的控制。針對PI參數(shù)選取的問題，采用PSO尋優(yōu)算法，對PI值進行離線優(yōu)化;對于由負載變化引起的非線性問題，通過對不同負載情況下系統(tǒng)的仿真，得到大量系統(tǒng)狀態(tài)的樣本，然后利用BP神經(jīng)網(wǎng)絡進行學習，得到控制器到負載處的系統(tǒng)逆模型，并利用它對控制器處進行補償，以此抵消負載變化的影響，從而達到較好的控制效果。

2.1 ?基于粒子群算法PI參數(shù)調整

粒子群算法又稱為PSO算法，是一種典型的群智能算法。大量試驗表明，PSO的優(yōu)化能力強于GA等進化算法[7]。粒子群由一定數(shù)量的個體組成，個體可以在指定的空間中根據(jù)自身歷史最優(yōu)位置信息和整體最優(yōu)位置信息，調整位置與移動速度，向更優(yōu)區(qū)域靠攏[8]。

粒子群的更新方式為：

[vijt+1=wvijt+c1r1xPijt-xijt+ ? ? ? ? ? ? ? ? ? ? c2r2xGgjt-xijt] （2）

式中，w為慣性權重，用于平衡局部優(yōu)化和全局優(yōu)化能力。通過大量實驗，Shi和Eberhart指出在[0.9，1.2]內粒子群很容易搜索到全局最優(yōu)區(qū)域。在此前提下，w小于0.8時能快速尋優(yōu)[9];i和j分別代表第i個粒子的數(shù)量和第j維（維數(shù)代表參數(shù)數(shù)量）;t代表迭代次數(shù);xij則為粒子個體;vij為粒子更新速度;c1和c2為加速因子;r1和r2為0～1之間的隨機數(shù);[xPij]為個體最優(yōu)粒子;[xGgj]為全局最優(yōu)粒子。

粒子群離線優(yōu)化控制器參數(shù)的模型如圖3所示，PSO在每個迭代周期中，將當前粒子代表的控制器參數(shù)輸出至逆變模型的控制器;然后得到逆變模型的輸出電壓值，通過計算，得到目標函數(shù)的適應值，再將其輸入回PSO中，進行優(yōu)化。目標函數(shù)是PSO在當前區(qū)域尋優(yōu)過程中的評價標準，目標函數(shù)值越小，代表尋優(yōu)區(qū)域越優(yōu)。因此通常將系統(tǒng)性能指標設為目標函數(shù)[10]。對于本系統(tǒng)，最關鍵的性能指標就是負載電壓誤差，但負載電壓中含有多次諧波，為保證誤差與總諧波畸變率盡可能小，將誤差的絕對值積分和總諧波畸變率作為優(yōu)化目標函數(shù)，該公式為：

[F=a0te（t）dt+b·THD] （3）

[THD=n=2∞U2zonUzo1×100%] （4）

式中：[Uzo1]和[Uzon]分別為負載輸出電壓基波幅值和各次諧波幅值;THD反映了各次諧波所占比重之和的百分比，體現(xiàn)了交流輸出電壓諧波的含量;[a]，[b]為常系數(shù)，用來保證負載反饋電壓能很好地跟蹤指令電壓，同時還能保證該反饋電壓波形的諧波含量較少。根據(jù)表1逆變器仿真參數(shù)和圖3 PSO離線優(yōu)化模型，將[KP]的優(yōu)化區(qū)間設為[0.01，5]，[KI]的優(yōu)化區(qū)間設為[1，10 000]，電容電流反饋系數(shù)H的優(yōu)化區(qū)間設為[0，2]，通過參考部分文獻，并多次實驗分析，將PSO相關參數(shù)[a]，[b]，[c1]，[c2]和[w]分別設為0.1，0.9，1.45，1.45和0.9，經(jīng)過大約20 min的優(yōu)化，得到[KP]，[KI]，[H]的參數(shù)分別為0.24，979和0.013。

2.2 基于BP神經(jīng)網(wǎng)絡的逆模型補償控制器設計

BP學習算法實質是求取網(wǎng)絡總誤差函數(shù)的最小值問題，具體采用“最速下降法”，按誤差函數(shù)的負梯度方向進行權系數(shù)修正[11]。若將負載電流[iR]看作擾動量，則在相應位置加入同幅值的補償，即可抵消負載變化的影響，由于實際系統(tǒng)無法在負載處補償，因此將補償點前移，得到前饋控制圖，如圖4所示。

圖中：[d]為逆變橋的調制信號;[iL]為電感電流，設兩者之間的關系為[iL=f（d）]，則[Gi2s=df-1（iL）];由于實際控制中采用離散變量，所以設逆變器的第k個控制周期為k，并依據(jù)對逆變器輸出電壓影響因素的分析，在該周期對參考電壓[u*o]、輸出電壓[uo]、電感電流[iL]、逆變器PWM控制信號采樣，分別記為[u*ok]，[uo（k）]，[iL（k）]，d（k）。為了更好地反映出系統(tǒng)的動態(tài)特性，將其前一周期的采樣值[u*ok-1]，[iR（k-1）]，[iL（k-1）]，[d（k-1）]，[uo（k-1）]也作為輸入，當前周期的PWM控制信號d（k）作為輸出，構建一個包含9個輸入和1個輸出的動態(tài)BP網(wǎng)絡。選取隱含層神經(jīng)元個數(shù)為15。

為獲得神經(jīng)網(wǎng)絡逆模型的訓練樣本，對所建立的參數(shù)如表1所示的逆變器仿真模型進行仿真實驗，對逆變器運行數(shù)據(jù)進行記錄。其中，對于負載，共選取6種不同線性和非線性負載，以[2 ?μs]為采樣周期進行一個周波即0.02 s的樣本采集，所有情況一共得到60 000個樣本。均勻抽取其中的58 000個樣本作為逆模型訓練樣本，剩余2 000個樣本作為逆模型精度檢驗樣本。

對上述樣本進行訓練后，得到神經(jīng)網(wǎng)絡模型，其訓練誤差如圖5所示，訓練算法可迭代次數(shù)949次時便快速達到全局最優(yōu)，計算在檢驗樣本上的均方差MSE，得出MSE=10-5，說明模型具有較高的精度。部分檢驗樣本的誤差曲線如圖6所示。

3 ?仿真驗證

為了驗證上述控制方法下系統(tǒng)運行效果，在Simulink中構建了單相光伏并網(wǎng)系統(tǒng)，具體逆變器主要參數(shù)見表1，采樣時間Ts為[2×10-6 ?s]，仿真時長為0.1 s，[KP]，[KI]，[H]的參數(shù)分別為0.24，979和0.013;在t=0.05 s時，突然加入感性負載。仿真模型如圖7所示。該仿真模型與同樣參數(shù)的傳統(tǒng)雙閉環(huán)PI逆變器模型進行比較。

使用訓練好的神經(jīng)網(wǎng)絡控制器對逆變系統(tǒng)進行控制，仿真后的電壓、電流波形見圖8，誤差波形如圖9b）所示，諧波分析如圖10b）所示。

同樣條件下，傳統(tǒng)雙閉環(huán)PI控制誤差波形如圖9a）所示，諧波分析如圖10a）所示。

由圖8和圖9可知，在帶固定電阻性負載情況的0～0.05 s時間段，常規(guī)PI控制方法的逆變器輸出電壓波形和電流波形與基于PSO和神經(jīng)網(wǎng)絡的PI自整定逆變器均可以較好地跟隨參考電壓的幅值、相位，并且保證了電流與電壓的頻率、相位一致。從圖9可以看出，在T=0.05 s時突然加入負載后，逆變器輸出受到一定影響，發(fā)生了細微波動，但迅速回到穩(wěn)態(tài)。將圖9a）和圖9b）進行比較可以明顯看出，基于PSO和神經(jīng)網(wǎng)絡的PI控制與傳統(tǒng)雙閉環(huán)PI控制相比，前者穩(wěn)態(tài)誤差在±1.5 V內波動，在突加負載時，產(chǎn)生的擾動明顯較小;同樣PI參數(shù)的后者穩(wěn)態(tài)誤差在±4 V內波動，且在突加負載后，產(chǎn)生了高達6 V的波動。通過圖10a）和圖10b）的比較可以看出，前者的諧波含量小于后者。

4 ?結 ?論

本文提出基于PSO優(yōu)化PI控制器參數(shù)并使用BP神經(jīng)網(wǎng)絡建立逆模型進行補償?shù)墓夥⒕W(wǎng)逆變器設計方法，可自動尋找PI控制器最佳參數(shù)。通過分析逆變器模型影響輸出電壓的主要因素，利用BP神經(jīng)網(wǎng)絡建立了系統(tǒng)的逆模型，利用神經(jīng)網(wǎng)絡逆模型對控制器進行補償，減小負載變化對系統(tǒng)造成的影響。仿真實驗結果表明，該方法可以有效地提高光伏逆變器的抗負載擾動能力，從而降低輸出電壓的諧波含量。本文的下一步工作是考慮在該系統(tǒng)的基礎上進行逆模型的在線訓練與更新，從而對更多情況下的系統(tǒng)進行較好的適應。

參考文獻

[1] LYU Y， LIN H， CUI Y. Stability analysis of digitally controlled LCL?type grid?connected inverter considering the delay effect [J]. IET power electronics， 2015， 8（9）： 1651?1660.

[2] RAHMANI B， LI W， LIU G. An advanced universal power quality conditioning system and MPPT method for grid integration of photovoltaic systems [J]. International journal of electrical power & energy systems， 2015， 69： 76?84.

[3] ABO?AL?EZ K M， ELAIW A， XIA X. A dual?loop model predictive voltage control/sliding?mode current control for voltage source inverter operation in smart microgrids [J]. Electric power components and systems， 2014， 42（3）： 348?360.

[4] HUANG H， HU R， YI G. Research on dual?loop controlled grid?connected inverters on the basis of LCL output filters [J]. Electronics & electrical engineering， 2014， 20（1）： 8?14.

[5] KIREE C， KUMPANYA D， TUNYASRIRUT S， et al. PSO?based optimal PI（D） controller design for brushless DC motor speed control with back EMF detection [J]. Journal of electrical engineering & technology， 2016， 11（3）： 715?723.

[6] DHUMALE R B， LOKHANDE S D. Neural network fault diagnosis of voltage source inverter under variable load conditions at different frequencies [J]. Measurement， 2016， 91： 565?575.

[7] CALVINI M， CARPITA M， FORMENTINI A， et al. PSO?based self?commissioning of electrical motor drives [J]. IEEE transactions on industrial electronics， 2015， 62（2）： 768?776.

[8] GARG H. A hybrid PSO?GA algorithm for constrained optimization problems [J]. Applied mathematics and computation， 2016， 274： 292?305.

[9] SHI Y， EBERHART R. A modified particle swarm optimizer [C]// Proceedings of IEEE International Conference on Evolutionary Computation. Anchorage： IEEE， 2002： 69?73.

[10] ABDULLA P A， ARONIS S， ATIG M F， et al. Stateless model checking for TSO and PSO [C]// Proceedings of International Conference on Tools and Algorithms for the Construction and Analysis of Systems. Berlin： Springer， 2015： 353?367.

[11] ZAREMBA W， SUTSKEVER I， VINYALS O. Recurrent neural network regularization [C/OL]. [2015?02?19]. https：//arxiv.org/pdf/1409.2329.pdf.