基于BP神經網絡的光伏并網逆變器諧波抑制方法

摘 要：為了抑制逆變器信號中的諧波，提高電網質量，本文引進改進BP神經網絡，以某分布式光伏并網為例研究逆變器諧波抑制方法。提取分布式光伏并網逆變器輸出信號并進行建模。根據逆變器輸出的時域信號對其進行轉換，采用改進BP神經網絡中的誤差反向傳播算法，根據神經網絡的實際輸出值與目標輸出值的差值建立針對逆變器信號的誤差函數，根據上文所述對逆變器負荷諧波進行識別。在逆變器回路中集成濾波器，對逆變器混合諧波進行抑制。對比試驗結果表明，使用本文設計方法可以良好抑制逆變器諧波。

關鍵詞：改進BP神經網絡；抑制方法；諧波；逆變器；光伏并網；分布式" " "中圖分類號：TM 46" " " " " " 文獻標志碼：A

光伏發電是重要的清潔能源，具有清潔、可再生和無污染等優勢，在全球得到了廣泛推廣和應用。但是，光伏發電系統的運行特性給電網帶來了許多挑戰，其中諧波問題十分突出。

周浩等[1]向PWM三相調制參考電壓波形中添加相應的諧波成分，抵消在電機電流中的諧波，緩解定子電流的畸變情況，降低轉矩脈動，提高系統靈活性。由于逆變器與被控電機具有非線性，給定電壓與實際值存在誤差，因此不能完全消除轉子位置觀測器誤差。此外，雖然觀測器精度已經明顯提升，但是在突加突減負載轉矩或階躍給定轉速等極限工況下，轉速信號容易失靈，影響了系統的穩定性和準確性。劉青松等[2]構建復合諧波電壓模型，采用自適應線性神經元（Adaptive Linear Neuron，ADALINE）算法提取電機電流中的諧波成分，并計算補償電壓值，能夠有效抑制諧波。但是ADALINE算法的訓練過程可能受到電機參數變化的影響，導致諧波抑制效果不穩定。為保證逆變器的運行質量，本文引進改進BP神經網絡，以某分布式光伏并網為例，設計逆變器諧波抑制方法。

1 分布式光伏并網逆變器信號建模

為更直觀掌握逆變器的動態特性和輸出信號，本文提取了分布式光伏并網逆變器的輸出信號，并對其信號進行建模。在逆變器運行過程中，采用PWM脈寬調制技術控制輸出電壓和電流[3]，計算過程如公式（1）所示。

式中：u（t）為逆變器輸出的電壓信號；k為不同的頻率分量；d（k）為不同頻率分量的幅度；R為矩形脈沖函數；t為逆變器輸出電壓信號在隨時間變化過程中的具體時刻，表示逆變器輸出電壓在不同瞬間狀態的時間參數；T為PWM周期。

對逆變器輸出電壓信號進行深入分析，為辨識其中的諧波成分，采用傅里葉級數對逆變器輸出電壓的采樣信號進行護理。周期性信號的傅里葉級數計算過程如公式（2）所示。

式中：U（t）為逆變器輸出電壓隨時間變化的函數；a0為直流分量；n為第n次諧波；w0為基波角頻率；bn為第n次諧波的余弦系數。

為了提高逆變器的功率因數，需要對其功率因數進行校正，利用校正后的功率因數建立逆變器輸出信號模型[4]，如公式（3）所示。

式中：E為逆變器信號模型；P為有功功率；S為視在功率；V為電壓有效值；I為電流有效值；φ為電壓和電流之間的相位差。

經過上述步驟，完成分布式光伏并網逆變器信號建模。

2 基于改進BP神經網絡的逆變器負荷諧波識別

在完成分布式光伏并網逆變器信號建模后，本文引進改進BP神經網絡對逆變器負荷諧波進行識別[5]。在該過程中，為了提取并分析逆變器輸出的諧波成分，需要對信號進行變換。根據逆變器輸出的時域信號對其進行轉換，計算過程如公式（4）所示。

式中：X（f）為不同頻率下諧波的幅度；x（t）為逆變器輸出的時域信號；e為變換系數。

在上述內容的基礎上，采用改進BP神經網絡中的誤差反向傳播算法，根據神經網絡的實際輸出值與目標輸出值的差值建立針對逆變器信號的誤差函數[6]。誤差函數計算過程如公式（5）所示[7]。

式中：K為誤差函數；m為輸出神經元的數量；t（k）為目標輸出值；y（k）為神經網絡在處理第個樣本數據過程中的實際輸出值；X（k）為信號在頻域中的誤差值。

在誤差反向傳播過程中，需要計算誤差對權重的梯度并且調整權重。

梯度計算的關鍵步驟是計算輸出層的誤差信號和隱藏層的誤差信號，計算過程如公式（6）、公式（7）所示。

式中：δ1為輸出層的誤差信號；y為神經網絡的實際輸出值；f '（χ）為誤差信號對權重的梯度導數。

式中：δ2為隱藏層的誤差信號；δ0為權重調整初始化系數；W為隱藏層的凈輸入；f '為激活函數的導數。

根據得到的誤差信號識別逆變器負荷諧波。負荷諧波計算過程如公式（8）所示。

式中：M為逆變器負荷諧波信號；N'為樣本總數。

采用以上方法完成基于改進BP神經網絡的逆變器負荷諧波識別。

3 逆變器混合諧波抑制

對諧波進行識別后，為了抑制逆變器輸出的混合諧波，筆者在逆變器回路中集成了濾波器，以無源濾波器為例，其設計通常基于電感和電容的諧振頻率與需要抑制的諧波頻率相匹配的原則，根據需要抑制的諧波頻率設計濾波器的諧振頻率[8]。計算過程如公式（9）所示。

式中：Q0為濾波器的諧振頻率；L為電感值；C為電容值。調整L、C的值，可以使濾波器的諧振頻率與需要抑制的諧波頻率相匹配，達到抑制諧波的目的。

除了無源濾波器外，還可以利用改進BP神經網絡來動態調整逆變器的控制策略，以抑制混合諧波。假設神經網絡的輸出為控制參數調整量Δp，即PWM占空比的調整量，逆變器新的控制參數計算過程如公式（10）所示。

式中：p為更新的逆變器控制參數；p'為逆變器原有的控制參數；Δp為控制參數調整量。

神經網絡輸入逆變器輸出的諧波信息，學習并輸出控制參數的調整量，對逆變器輸出諧波的動態抑制。利用上述步驟完成逆變器混合諧波抑制。

4 對比試驗

4.1 試驗準備

在本次試驗中，本文選擇某商住項目作為分布式光伏并網的研究試點項目。該項目是試點地區首個將光伏建筑一體化太陽能發電屋頂技術進行實踐的示范工程。2008年，該地區共部署了288塊高效電池組件。組件安裝在4棟25層高樓的屋頂，每棟樓分別配置12.6 kW的裝機量，占用裝機面積92 m2，即每棟使用72塊組件。項目選用單晶175 W組件，并采用全上網發電模式，日均發電量約200 kWh，全部電力均輸送至電網。

據統計，該項目年發電量為62 000 kWh，環保效益高，節能減排能力強。分析并網中的逆變器規格、型號和技術參數等，技術參數見表1。

某光伏電站逆變器諧波抑制能力不足，導致電網諧波含量超標。該電站使用的逆變器型號為某品牌50 kVA型，其諧波抑制能力未達到國家標準，其總諧波失真（Total Harmonic Current Distortion，THDi）指標為7.2%，明顯超過國家規定的5%限值。

在這次事件中，諧波含量超標不僅導致電網電壓波形畸變，還引發了保護裝置誤動作，造成局部停電事故。據統計，受影響區域停電時間為5 h，給企業和居民帶來不便，經濟損失達8萬元。

4.2 試驗步驟

將XINVERT-30KTL并網逆變器作為試驗對象，保證其具備基本的并網功能和諧波產生特性。準備1臺能夠實時監測并記錄逆變器輸出電壓諧波特性的設備，例如諧波分析儀。構建一套數據采集系統，其作用是實時采集逆變器輸出電壓的波形數據。該系統包括傳感器、數據采集卡和數據存儲設備等組件。根據逆變器的特性和試驗需求設計并構建一個改進BP神經網絡模型。模型技術參數見表2。

在該基礎上搭建1個模擬光伏并網環境的實驗平臺，包括光伏電池板、逆變器和電網模擬裝置等。保證試驗環境能夠真實反映逆變器在實際運行過程中的諧波產生情況。啟動數據采集系統，實時采集逆變器在并網運行過程中的輸出電壓波形數據，保證數據采集的準確性和完整性。將采集的波形數據導入改進BP神經網絡模型中，進行預處理并分析。提取波形中的諧波成分并計算諧波抑制前的THDi值。將生成的諧波抑制策略應用于逆變器中，實時監測逆變器輸出電壓的波形變化，利用諧波分析儀測量并記錄諧波抑制后的THDi值。

為滿足試驗結果的對比需求，筆者將本文方法與文獻[1]提出的基于滑模觀測器的抑制方法、文獻[2]提出的基于復合諧波電壓ADALINE的抑制方法作為對照，進行分布式光伏并網逆變器諧波抑制。

4.3 試驗結果

將逆變器輸出電壓的諧波抑制效果作為檢驗分布式光伏并網逆變器性能優劣的關鍵指標，其是保證電網電能質量，保障設備安全、穩定運行的重要環節。根據分析得到的諧波成分和THDi值生成相應的諧波抑制策略并應用于逆變器中。對比3種方法的諧波抑制效果，并直觀地評估改進BP神經網絡的應用效果。

基于上文所述，使用3種方法對逆變器輸出電壓中的大量諧波進行抑制，抑制效果如圖1～圖3所示。

由圖1～圖3可知，在3種方法中，使用文獻[1]、文獻[2]方法后，從逆變器輸出電壓波形圖可以清晰看出，在電壓中仍然攜帶大量諧波，即電壓波形圖的平滑度極低。在使用本文方法對逆變器進行諧波抑制后，逆變器的電壓波形圖平滑度較高。

上述試驗結果可以證明，在3種方法中，只有使用本文方法可以良好抑制逆變器諧波，提高逆變器在光伏并網中的效能。

5 結語

在光伏發電過程中，光照強度、環境溫度等自然因素的影響使逆變器在運行中出現了大量諧波。諧波不僅會影響電網正常運行，影響其他設備正常工作，還會導致電網電能質量下降，甚至引發電網事故。現有的諧波抑制方法（例如采用諧波濾波器、無源濾波器等）雖然在一定程度上能夠減少諧波的產生，但是其效果有限，并且存在成本高、維護復雜等問題。因此，尋找一種更高效、智能的諧波抑制方法十分重要。將BP神經網絡應用于光伏并網逆變器的諧波抑制中，可以對逆變器輸出電流、電壓等參數進行實時監測和分析，對諧波進行智能識別和抑制。對BP神經網絡的改進和優化可以進一步提高其諧波抑制的精度和效率。本文研究逆變器信號建模、負荷諧波識別和混合諧波抑制，對光伏發電系統諧波進行有效抑制，提高了電網電能質量，保障了電網安全、穩定運行。

參考文獻

[1]周浩，夏加寬.基于滑模觀測器的永磁同步電機諧波電流抑制[J].船電技術，2024，44（10）：69-74.

[2]劉青松，苗虹，嚴晶鋮，等.基于復合諧波電壓ADALINE的永磁同步電機驅動系統諧波抑制策略研究[J].重慶理工大學學報（自然科學），2024，38（8）：235-241.

[3]張為，顧萍萍，馬雨新，等.基于ANF的共直流母線OW-PMSM低次諧波抑制研究[J].電機與控制應用，2024，51（8）：85-96.

[4]侯超群，柳付軍，郭藝丹，等.基于LCL濾波器的雙饋風機網側變流器諧波抑制研究[J].自動化應用，2024，65 （13）：138-140.

[5]劉進海，史黎明，郭科宇，等.基于諧波注入分段供電永磁直線同步電機變流器開路推力波動抑制[J].中國電機工程學報，2024，44（13）：5308-5319.

[6]黃于丹，楊雙，李國銀，等.基于參數辨識的IPMSM電流諧波自適應抑制方法研究[J].陜西科技大學學報，2024， 42（3）：150-157.

[7]王獻章，徐向波，陳劭，等.基于改進型雙模分數階重復控制器的高速磁懸浮電機諧波電流抑制[J].電機與控制應用，2024，51（5）：81-89.

[8]李佳潤，陳勇，陳光，等. 基于比例諧振自抗擾控制的電機諧波抑制與噪聲優化[J].電子測量技術，2024，47 （9）：18-25.