[發明專利]一種兆瓦級三相變流器神經網絡內模控制方法

有效

• 申請號: 201310290454.2
• 申請日: 2013-07-10
• 公開（公告）號: CN103368443A
• 公開（公告）日: 2013-10-23
• 發明（設計）人: 戴瑜興;郜克存;鄭崇偉;全惠敏;曾國強
• 申請（專利權）人: 溫州大學
• 主分類號: H02M7/5395
• 分類號: H02M7/5395
• 代理公司: 長沙正奇專利事務所有限責任公司 43113
• 代理人: 馬強

1.一種兆瓦級三相變流器神經網絡內模控制方法，包括兆瓦級三相變流器，所述兆瓦級三相變流器包括IGBT逆變模塊，所述IGBT逆變模塊通過LC濾波電路接負載；所述IGBT逆變模塊包括直流側電容和三個并聯的橋臂，所述直流側電容與所述橋臂并聯，所述橋臂由兩個IGBT串聯組成，其特征在于，該方法為：

1）計算兆瓦級變流器在靜止abc坐標下的數學模型：

AT00Au·uI·l=0(1/C)·I3(-1/L)·I3(-r/L)·AuuIl]]>

+0(-1/C)·I3(1/L)·A0UiIoph,]]>

其中，A=1-1001-1-101,]]>I₃為三階單位矩陣，u_u=[u_abu_bcu_ca]^T為LC濾波電路電容電壓，I_l=[I_aI_bI_c]^T為LC濾波電路電感電流，I_oph=[I_oaI_obI_oc]^T為LC濾波電路輸出電流，r為LC濾波電路電感損耗，C為LC濾波電路濾波電容值，L為LC濾波電路電感值，U_i為IGBT逆變模塊三相輸出電壓，i=A、B、C；

2）對所述數學模型進行坐標變換，得到：

0(-1/C)·T2S/3S(Ud/L)·AT2S/3S0u·αβi·αβ=0(1/C)·T2S/3S(-1/L)·AT2S/3S(-r/L)·AT2S/3S,]]>+0(-1/C)·T2S/3S(Ud/L)·AT2S/3S0Sα,βIα,β]]>

其中，T2S/3S=231-1/2-1/203/2-3/2;]]>為αβ坐標系下IGBT逆變模塊三相輸出電壓；為αβ坐標系下IGBT逆變模塊三相輸出電流；S_α,β為αβ坐標系下IGBT逆變模塊開關狀態；I_α,β為αβ坐標系下LC濾波電路輸出電流；

3）利用步驟2）的公式，得到兆瓦級變流器在αβ坐標系下數學模型：

u·αu·β=13Ciαiβ-13CIoαIoβ,]]>

i·αi·β=-r/L00-r/Liαiβ-1Luαuβ+1LUαUβ,]]>

其中，

i_α、i_β為αβ坐標系下兆瓦級變流器輸出電流、U_α、U_β為αβ坐標系下IGBT逆變模塊輸出電壓、u_α、u_β為αβ坐標系下兆瓦級變流器輸出電壓；

4）利用αβ坐標系下α相兆瓦級變流器輸出電壓建立神經網絡內模控制器模型：

y_α(k)=h₁u_α(k-1)+h₂u_α(k-2)-g₁y_α(k-1)-g₂y_α(k-2)，

其中，y_α(k)為α相兆瓦級變流器輸出電壓的離散值，h₁、h₂、g₁、g₂均為d軸變流器傳遞函數系數；u_α(k)為神經網絡逆模型；

5）將上述y_α(k)、u_α(k)作為神經網絡內部模型輸入，得到神經網絡內部模型表達式：

y_α(k+1)=f[y_α(k)，…，y_α(k-n+1)，u_α(k)，…，u_α(k-m+1)]+d_α(k)，

其中d_α(k)為d軸干擾噪聲；f()為神經網絡隱層輸入和隱層輸出之間的函數映射關系；

6）假設輸出無偏差跟蹤輸入，則y_α(k)≈r_α(k)，…，y_α(k-n+1)≈r_α(k-n+1)，得到神經網絡逆模型表達式：

u_α(k)=f^-1[r_α(k)，…，r_α(k-n+1)，u_α(k-1)，L，u_α(k-m+1)，e_f(k)]，

其中，e_f(k)為e_f(s)的離散值，e_f(s)=G_f(s)e_m(s)=G_f(s)[y_α(s)-y_m(s)]，G_f(s)為反饋函數，y_α(s)為y_α(k)的連續函數，y_m(s)為神經網絡輸出層輸出y_m(k)的連續函數，為神經網絡隱層節點與輸出節點間的網絡權值，為神經網絡隱層輸出，r_α(k)為當前時刻α相兆瓦級變流器參考輸入電壓；

7）定義J(k)為神經網絡學習目標函數，則神經網絡訓練性能指標函數J為：

J=Σk=1NJ(k)=Σk=1N[rα(k)-uα(k)]22=12Σk=1Nec2(k)≤ϵ2,]]>

其中，ε₂>0；N為神經網絡輸入或輸出樣本的長度；

8）求神經網絡訓練性能指標函數J的最小值，確定u_α(k)，從而求得y_α(k)，使y_α(k)很好地跟蹤輸入信號r_α(k)。

2.根據權利要求1所述的兆瓦級三相變流器神經網絡內模控制方法，其特征在于，所述步驟5）中，神經網絡隱層輸入和隱層輸出之間的函數映射關系為f(x)=11+e-ni(k),]]>x=[yα(k),···,yα(k-n+1),uα(k),···,uα(k-m+1)].]]>