[發明專利]Vienna整流器RBF神經網絡外環電壓滑模控制方法

有效

• 申請號: 202110293623.2
• 申請日: 2021-03-19
• 公開（公告）號: CN113131767B
• 公開（公告）日: 2022-11-04
• 發明（設計）人: 楊旭紅;陳陽;方劍峰;羅新;高子軒;方浩旭;李輝;金宏艷;吳亞雄;張蘇捷
• 申請（專利權）人: 上海電力大學
• 主分類號: H02M7/219
• 分類號: H02M7/219;H02M1/00
• 代理公司: 上海申匯專利代理有限公司 31001
• 代理人: 徐俊;徐穎

1.一種Vienna整流器RBF神經網絡外環電壓滑模控制方法，電流、電壓傳感器實時檢測到的交流側三相電源的電壓和電流，通過轉換公式轉換到dq坐標系下電壓e_dq和電流i_dq，再加上交流側dq坐標系下參考量電流送入PI電流內環控制得到輸出控制電壓u_d、u_q，利用鎖相環PLL檢測到的實時相位角θ將u_d、u_q轉換到靜止坐標系下電壓送入SVPWM調制，輸出信號對三對由MOSFET組成的雙向開關進行控制；其特征在于，其中交流側dq坐標系下參考量電流由外環電壓控制獲得，所述外環電壓控制：直流輸出端通過傳感器檢測輸出上下兩端的電容電壓與電容電壓期望值以及直流輸出端電壓參考值V_oref、dq坐標系下電壓e_d送入采用RBF神經網絡逼近的滑模控制器實現對外電壓環的控制，輸出dq軸的電流參考值令

所述滑模控制器的滑模面的設計如下：

其中：V_oref為直流輸出端電壓參考值；k_p、k_i為滑模面上的誤差值和誤差積分值的兩個系數，取值都要大于0，選擇較大的k_p使系統的快速性得到保證，同時選擇較小的k_i能夠降低系統的抖動；所述滑模控制器為：

其中sgn為飽和函數，控制參數都取正數，C為輸出端上下端電容值；ε為趨近率系數；R_l為負載電阻；

所述RBF神經網絡分為三層結構，分別為作為系統輸入的輸入層、中間信息處理的隱含層和作為系統輸出的輸出層，每個隱含層節點有一個中心向量c，c和輸入參數向量x具有相同的維數，它們之間的歐式距離定義為||x(t)-c_j(t)||；

網絡輸入為：

隱含層的基函數通常選擇如下的高斯基函數：

其中b_j為正的表示高斯基函數寬度的標量；m是隱含層節點數，m＝15；

將滑模控制器作為神經網絡的輸出，隱含層節點向量為H＝[h₁ h₂...h₁₅]^T，相應的中心點向量和基寬參數向量分別為：c＝[c₁ c₂...c₁₅]^T，b＝[b₁ b₂...b₁₅]^T；

其輸出表達式：

上式中：W＝[w₁ w₂...w₁₅]^T是連接權值向量；

將傳統滑模控制運行得到的各個量在系統穩定輸出時間段0.02s到0.05s的采樣數據作為輸入層樣本，用于神經網絡的訓練，獲得訓練后神經網絡用于滑模控制器。

2.根據權利要求1所述Vienna整流器RBF神經網絡外環電壓滑模控制方法，其特征在于，所述RBF神經網絡的學習過程分為兩個階段，第一個階段為無監督學習，根據輸入的樣本確定隱含層的高斯基函數的中心點向量c_j與基寬參數b_j，采用K-means算法來實現中心向量c_j的調整；

第二階段是無監督學習，訓練隱含層到輸出層之間的權值w，w的學習算法如下：

式中：β為學習效率，為了保證學習算法的收斂性，通常取0＜β＜1；為期望輸出值與實際輸出值；

當樣本離中心向量較遠時，h_j非常小，當作0處理；只有當h_j大于設定數值時才對權值進行相應修改，因此隱含層節點向量H中只有個別元素為1，其余為0，每次訓練時只有少數幾個權值需調整，保證了RBF較快的學習速度。