范宝奇，罗晓曙，廖志贤，姚　鑫

（广西师范大学电子工程学院，桂林　541004）

神经网络准PR光伏并网逆变器控制技术

范宝奇，罗晓曙，廖志贤，姚鑫

（广西师范大学电子工程学院，桂林541004）

针对单相并网逆变系统高度非线性的特性，为解决传统逆变器控制系统自适应能力差的问题，在分析了比例谐振PR（proportional resonant）控制与准PR控制策略的优缺点的基础上，将神经网络算法和准PR算法结合，提出一种基于神经网络参数自整定的准PR控制方法。解决了准PR控制数字化精度不够和参数整定困难的问题。利用Matlab/Simulink平台对神经网络准PR控制进行仿真，仿真结果表明：与准PR控制相比，基于BP神经网络准PR控制的电流跟踪总谐波畸变率降低，动态响应性能更快，系统自适应程度更高，有较好的应用价值。

并网逆变器；误差反传神经网络；电流控制；准比例谐振控制

随着分布式光伏并网逆变器系统的发展，越来越多的分布式发电系统与电网相连，逆变器作为光伏并网系统中连接光伏电池阵列和电网的核心装置，其输出电压会在一定程度上对电网产生影响［1］。因此随着光伏并网系统技术的发展，对逆变器的控制要求也越来越高。

传统的线性控制算法如比例积分微分PID （proportion integration differentiation）控制、重复控制、滞环控制等算法简单，容易实现，被广泛用于单相并网逆变控制之中，但是跟踪正弦参考信号时存在相位和幅值的稳态误差、抗干扰能力不强等缺点［2-4］。无差拍控制动态性能良好，但需要依赖被控对象精确的数学模型［5］，应用上存在局限性。这些线性控制方法存在的缺点严重影响了光伏并网逆变器的输出电压的精度。

比例谐振PR（proportional resonant）控制可以减小稳态误差，但是PR控制器的缺点是在非基波频率处，其增益很小。当电网频率发生偏移时，增益明显下降，并且不能有效抑制电网谐波。另一方面，由于光伏逆变器输出端接入电网，使整个系统具有复杂的非线性特点，因此就要求逆变器有较强的自适应、自调整的能力。而传统准PR控制参数整定方法有很大的局限性。

本文主要研究准PR控制参数自整定技术，利用BP神经网络对非线性函数的逼近能力和高度的自适应能力，来实现准PR控制参数的自整定，同时利用BP神经网络具有自主学习的能力使控制系统智能化。

1　单相全桥逆变器系统结构

电流型单相全桥逆变器系统的结构如图1所示，系统采用单极性脉冲宽度调制SPWM（sinusoi⁃dal pulse width modulation）方式，输入端为太阳能光伏电池，通过SPWM控制信号控制V1～V4的绝缘栅双极型晶体管IGBT（insulated gate bipolar tran⁃sistor），将直流电转化为交流电，输出电压UAB经过LC滤波器滤波之后，再经过隔离变压器接入电网。利用隔离变压器自身的高频衰减特性，降低负载突变和短路对公共电网的影响。系统采用电流闭环控制策略，控制目标是使输出电流与电网电压同频同相。

图1　单相全桥逆变器系统结构Fig.1　Structure of single-phase full-bridge inverter system

2　准PR控制策略

由于PI控制存在稳态误差，不能实现对电网电压的无静差跟踪，会降低系统效率和减小逆变器的功率因数。因此PR控制逐渐被引入到并网控制逆变器的电流控制技术当中［6］。

PR控制是基于内膜控制的一种控制方法［7］。PR控制的传递函数为

式中：Kp为比例增益；Kr为谐振项增益；ω0为基波角频率。

将基波频率ω0带入式（1），可以得到其增益表达式为

PR控制的波特图如图2所示。由图可以看出PR控制器在特定频率ω0处的开环增益无穷大，从而限制了控制信号和参考信号之间的稳态误差［8］。但是在非基波频率处PR控制器的增益很小，而电网由于负载的高度非线性，电网频率会在一定范围波动。随着电网频率的偏移PR控制器的增益会明显下降，因此PR控制抑制电网谐波干扰的能力有限。因此产生了PR控制的进一步改进形式，即准PR控制。

准PR控制的传递函数为

准PR控制器的波特图如图3所示。对比2种控制的波特图可以看出：准PR控制在基波频率处的增益为50 dB，相角裕度无穷大，因此可以实现对参考信号跟踪的零稳态误差。准PR控制保留了PR控制的优点，同时通过减小部分基波频率处的增益，增大了控制频率范围，减小了电网频率波动带来的影响，具有很好的稳定裕度。

图2　PR控制器波特图Fig.2　Bode plots of PR controller

图3　准PR控制器波特图Fig.3　Bode plots of quasi-PR controller

3　准PR算法的实现

受到电力电子控制元器件精度和数字控制精度的限制，准PR控制不易实现。因此将式（3）中的谐振部分分解为

将模拟信号数字离散化，得到第k次采样时刻控制器的输出，即

式中，Ts为采样周期。

图4为准PR控制算法结构框图。

图4　准PR控制算法结构框图Fig.4　Block diagram of the quasi-PR control algorithm

4　神经网络准PR算法实现

电流内环控制是逆变器的核心控制部分。本文采用单极性SPWM控制。电流内环控制框图如图5所示。在输出端加入电网电压ug（s）作为前馈补偿，减小电网电压对逆变器输出电压的影响［9］。

图5　神经网络准PR电流内环控制框图Fig.5　Current loop control block diagram of quasi-PR based on neural network

准PR控制器对参数变化的自适应能力较弱［10］，因此不能使系统动态性能保持在最优的状态上，因此在保持准PR控制优点的基础上，本文提出一种基于BP神经网络的准PR控制［11］。

神经网络准PR控制器包括2个部分：准PR控制器和神经网络参数调节器。神经网络输出层的各神经元的输出分别对应准PR控制器的3个参数Kp、Kr、ωc。根据当前逆变器输出电流iout和参考电流iref的误差，通过在线学习，调整各层神经元之间的权系数wij和wjl，使神经网络模块输出适用于当前状态的参数值，并将神经网络模块整定后的参数传递给准PR控制器。神经网络控制算法在Matlab/Simulink平台中用S-Funcation生成仿真模块，然后准PR控制对逆变器输出电流进行闭环控制。

由于准PR控制器的3个参数Kp、Kr、ωc分别决定了控制器的比例增益、峰值增益和截止频率带宽需求，经过神经网络整定之后可使系统达到当前最佳的状态，故可提高电流的动态响应并进一步降低并网电流的THD。

BP神经网络的结构如图6所示，输出层3个神经元的值为准PR控制器的参数Kp、Kr、ωc。

图6　BP神经网络结构Fig.6　Structure of BP neural network

神经网络输入层3个神经元的输入分为参考电流Iref、逆变器输出电流Iout和两者电流误差ei。输入层各神经元的输入输出分别为。

式中，f（x）为隐含层的激活函数，采用sigmoid函数。

将参考电流Iref作为目标信号，定义误差函数为

利用梯度下降法求神经元之间的权值变化，隐含层第i个神经元到输出层第j个神经元之间的权值为wjl，其学习算法采用附加动量法。则带有附加动量因子的权值调节公式为

式中：k为训练次数；mc为动量因子，取0.95左右；η为学习速率。

其中

则

输出层3个神经元分别代表Kp、Kr、ωc，根据式（5）得

可得神经网络输出层权系数的学习算法为

同理可得隐含层权系数的学习算法为

5　仿真及结果

本仿真基于Matlab/Simulink平台，直流端电压为400 V，电网电压220 V，频率为50 Hz，参考电流Iref为30 A，滤波电感取10 mH，电感电阻取0.5 Ω，滤波电容取40 μF；逆变器开关频率取10 kHz；准PR控制器的初始系数值分别为Kp=4，Kr=100，ωc=5。图7和图8为准PR控制与神经网络准PR控制THD对比。图9和图10为准PR控制与经过神经网络整定系数之后准PR输出电流跟踪误差。

对比图7和图8可以看出，采用神经网络参数整定后准PR输出电流总的谐波失真下降了1.33%。对比图9和图10可以看出，系统达到稳态的时间由原来的0.05 s减少到0.03 s。输出电流误差由±0.6 A降低到±0.4 A，输出电流相对误差为1.3%。输出电流波动更小，达到稳定状态时间更短。

以上结果可以看出，单独采用神经网络准PR控制可以使输出波形的质量更好，幅值波动减小，降低了总谐波畸变率，更快达到稳定状态。通过神经网络的参数整定，使整个控制系统达到一种最优的状态。

图7　准PR控制FFT分析Fig.7　FFT analysis of quasi-PR control

图8　神经网络准PR控制FFT分析Fig.8　FFT analysis of quasi-PR control based on neural network

图9　准PR控制电流跟踪误差Fig.9　Current tracking error of quasi-PR control

图10　神经网络准PR控制电流跟踪误差Fig.10　Current tracking error of quasi-PR control based on neural network

6　结语

本文提出了一种适用于单相逆变器的神经网络准PR控制方案，目的在于改善准PR控制器人工整定参数不精确，控制性能不理想的问题。仿真结果表明，基于BP神经网络的准PR控制器利用神经网络对非线性系统良好的自适应能力和自学习能力，进一步改善了准PR控制的性能，经过神经网络整定之后的PR参数可认为是控制系统的全局最优解。使整个系统具有更好的自调节能力和抗干扰能力，并使输出波形质量更高，反应时间更快。

［1］张勇（Zhang Yong）.分布式发电对电网继电保护的影响综述（Review of impact of distributed generation on distribution system protection）［J］.电力系统及其自动化学报（Proceedings of the CSU-EPSA），2010，22（2）：145-151.

［2］马兆彪，惠晶，潘建，等（Ma Zhaobiao，Hui Jing，Pan Ji⁃an，et al）.基于重复PI控制的光伏并网逆变器的研究（Study on photovoltaic grid-connected inverter based on repetitive-PI control）［J］.电力电子技术（Power Electron⁃ics），2008，42（3）：25-27.

［3］胡江，魏星（Hu Jiang，Wei Xing）.基于自适应粒子群算法的直流输电PI控制器参数优化（Parameter optimiza⁃tion of HVDC technology PI controller based on adaptive particle swarm optimization）［J］.电网技术（Power Sys⁃tem Technology），2008，32（S2）：71-74.

［4］顾和荣，杨子龙，邬伟扬（Gu Herong，Yang Zilong，Wu Weiyang）.并网逆变器输出电流滞环跟踪控制技术研究（Research on hysteresis-band current tracking control of grid-connected inverter）［J］.中国电机工程学报（Pro⁃ceedings of the CSEE），2006，26（9）：108-112.

［5］张凯，彭力，熊健，等（Zhang Kai，Peng Li，Xiong Jian，et al）.基于状态反馈与重复控制的逆变器控制技术（State-feedback-with-integral control plus repetitive control for PWM inverters）［J］.中国电机工程学报（Pro⁃ceedings of the CSEE），2006，26（10）：56-62.

［6］刘胜荣（Liu Shengrong）.基于DSP控制的光伏发电系统逆变器的研制（Design and Development of PV Invert⁃er Based on Digital Signal Processor）［D］.广州：华南理工大学电力学院（Guangzhou：School of Electric Power，South China University of Technology），2010.

［7］Song Hong-Seok，Keil Roger，Mutschler Peter，et al.Ad⁃vanced control scheme for a single-phase PWM rectifier in traction applications［C］//38th IEEE Industry Applica⁃tions Conference.Salt Lake，USA，2003：1558-1565.

［8］王成山，李琰，彭克（Wang Chengshan，Li Yan，Peng Ke）.分布式电源并网逆变器典型控制方法综述（Overview of typical control methods for grid-connected inverters of distributed generation）［J］.电力系统及其自动化学报（Proceedings of the CSU-EPSA），2012，24 （2）：12-20.

［9］ 胡雯，孙云莲，张巍（Hu Wen，Sun Yunlian，Zhang Wei）.基于改进的自适应遗传算法的智能配电网重构研究（Reconfiguration of smart distribution using im⁃proved adaptive genetic algorithm）［J］.电力系统保护与控制（Power System Protection and Control），2013，41 （23）：85-90.

［10］胡寿松.自动控制原理［M］.北京：科学出版社，2007.

［11］孙浩，张曼，陈志刚，等（Sun Hao，Zhang Man，Chen Zhi⁃gang，et al）.并网光伏发电系统的通用性机电暂态模型及其与电磁暂态模型的对比分析（Comparative study on electromechanical and electromagnetic tran⁃sient model for grid-connected photovoltaic power sys⁃tem）［J］.电力系统保护与控制（Power System Protec⁃tion and Control），2014，42（3）：128-133.

Quasi PR Photovoltaic Grid-connected Inverter Control Method Based on BP Neural Network

FAN Baoqi，LUO Xiaoshu，LIAO Zhixian，YAO Xin
（College of Electronic Engineering，Guangxi Normal University，Guilin 541004，China）

According to the highly nonlinear characteristics of single-phase grid connected inverter system，in order to solve the poor adaptive capacity of the traditional inverter，based on the analysis of the advantages and disadvantages of quasi-PR control and PR control strategy，the neural network algorithm and quasi-PR algorithm are combined，a selftuning parameter neural network quasi-PR control method is put forward.The problem of the imprecise quasi PR digital control and parameters tuning difficult is be solved.Using the Matlab/simulink platform train，the neural network PR control is simulated.The simulation results show that compared with quasi PR control，the total harmonic distortion of tracking current which produced by neural network quasi PR control method decreased，and the dynamic response per⁃formance is better，and the adaptive degree of the system became higher.So this method has great application value.

grid connected inverter；back-propagation neural network；current control；quasi proportional resonant control

TM615

A

1003-8930（2016）03-0030-05

10.3969/j.issn.1003-8930.2016.03.006

范宝奇（1987—），男，硕士研究生，研究方向为光伏并网发电理论与应用。Email：fanbaoqi1987@126.com

罗晓曙（1961—），男，通信作者，博士，教授，研究方向为非线性电路理论及非线性系统控制、复杂网络理论与应用、工业自动化控制。Email：lxs@mailbox.gxnu.edu.cn

廖志贤（1986—），男，硕士，讲师，研究方向为光伏并网发电理论与应用。Email：zhixianliao@mailbox.gxnu.edu.cn

2014-06-16；

2015-06-23