王启明

(施耐德电气(中国)有限公司，北京 100102)

三电平逆变器被广泛应用于高电压、大功率变频调速系统中，其使用2台串联的电容器将输入的直流电平划分为2段，与输入电平一起构成3个输入电平，并按一定的开关顺序逻辑控制产生3种相电压电平，在输出端合成正弦波。此时，有效控制开关阵列的开关位控制频率，可调整逆变器的输出波形质量。通过调整输出波形品质，进而依照反馈结果实施开关阵列的控制，可以实现逆变器的自动化控制。文献[1]中，采用合理的神经网络取代传统控制理念，通过模糊控制矩阵策略实现更标准的输出波形，提升了输出波形品质。

本文研究的重点在于设计经典三电平逆变器的开关阵列人工智能控制算法，采用复杂多列神经网络的控制模式实现三电平逆变器经典模型下对12个大功率晶闸管的控制。

1 三电平逆变器的开关阵列构成

三电平逆变器主回路结构由a、b、c三相各4个开关构成，每一相输出状况均由各4个开关的不同状态组合决定，构成三电平逆变器输出波形和交流侧波形，此波形所输出的交流波形共有5个电压控制层，电压控制层按照工频50 Hz设计波形，以此实现三电平控制器的控制。本文所使用的开关阵列为：

(1)

式中：S为开关函数；Sa1，Sa2，Sa3，Sa4为a相电开关函数；Sb1，Sb2，Sb3，Sb4为b相电开关函数；Sc1，Sc2，Sc3，Sc1为c相电开关函数。

在设计复杂神经网络控制矩阵的过程中，要先设计12列相对独立的多列神经网络，分别对矩阵中的12个晶闸管开关量进行二值化判断，如图1所示。

在神经网络的数据反馈思路下，可将图1系统进行简化，形成图2所示的神经网络构建模式。

图1 三电平逆变器的开关阵列模式示意图

图2中三电平逆变器的一次侧在直流电源系统中取电，通过双电容将直流系统分解为3个电平(UC1，UC2，Udc，且UC1+UC2=Udc)，在开关阵列控制下形成输出波形。而二次侧在电压互感器中获得录波图数据后，根据该录波图数据对多列神经网络进行挖掘和分析，之后利用程控执行系统对晶闸管开关阵列进行控制[2-3]。

图2 三电平逆变器的二次侧架构

2 多列神经网络设计

2.1 输入侧数据结构设计

根据前文分析可知，输入侧数据是指通过互感器得到的电压录波图数据，该录波图能够将波形的细节展现出来，但要求采样频率确保每个波形周期有足够大量的采集点。为了分析不同采样频率下的实际运行效果，设计在200 Hz(每波形4个采样点)、400 Hz(每波形8个采样点)、800 Hz(每波形16个采样点)、1 600 Hz(每波形32个采样点)条件下的数据采集方式，数据采样方案见表1。

表1 数据采样方案对照表

表1中，在神经网络每周期(其中定义网络—编译网络—拟合网络—评估网络—做出预测为一个周期)输入最近3个波形的采样数据，根据不同的采样频率形成不同的神经网络输入量。后续研究中通过仿真分析对不同采样频率下的实际开关量分析效果进行分析。参照数据为50 Hz采样频率(每波形1个采样点)下的开关频率控制效果，每个输入数据单记录数据格式为双精度浮点型变量(Double)格式。

2.2 输出侧数据结构设计

神经网络的输出侧为矩阵(式(1))中12个开关的二值化数据，也就是当二值化输出结果为1.000时开关导通，当二值化输出结果为0.000时，开关断开。

通常，在目标输出频率下绘制的开关控制方波，通过控制晶闸管开关的控制线高低电平切换沿的位置，能够获得更高精度的输出波形控制结果。但此种模式并未能充分融合反馈数据，虽然控制稳定性较高，却无法有效管理输出波形的最终控制效果[4-5]。

采用多列神经网络管理该晶闸管开关阵列的控制电平，虽然没有明确的控制方波图，但是能够充分考虑反馈数据在控制过程的优势。在传统模式下的方波图输出能够提高控制输入数据的稳定性，而神经网络模式下的方波图输出能够提高控制目标数据的稳定性[6]。采用神经网络输出数据，共需要输出12个二值化变量，并根据该二值化变量控制晶闸管阵列。二值化模块输出的变量并非逻辑型(Logical)变量，而是双精度浮点型(Double)变量，其输出值落点在[0.000,1.000]区间，根据数据实施深入挖掘，确保结果无限接近于0.000或1.000。其判断函数如式(2)所示：

(2)

即当输入值x小于0.05时，输出逻辑型变量伪值，即为式(2)中的F值，认为该开关应为低电平断开状态；当输入值x大于0.95时，输出逻辑型变量真值，即为式(2)中的T值，认为该开关应为高电平接通状态；当输入值x为0.05～0.95时，输出逻辑型变量为E值，无法明确具体状态，认为该开关应为低电平接通状态或高电平断开状态。

2.3 多列神经网络的整体架构

神经网络整体架构为多列并行模式，每列分为3个串联模块，如图3所示。

图3 多列神经网络整体架构图

图3中，每列神经网络串联数据包括降维模块、核心模块、二值化模块，在降维模块后整合12个降维模块输出数据，从而构成参照模块，并将参照模块输出分别赋值给12个二值化模块。其模块参数详见表2。

表2 神经网络模块参数表

表2中各功能模块的设计要素如下：

1)降维模块。

降维模块的统计学意义是将不同输入策略下的12、24、48、96个双精度浮点型变量进行降维，形成1个双精度浮点型变量，按照96个输入变量条件针对数据实施40%压缩比。隐藏层分为4层，分别为39、16、7、3个变量，在其他输入模式下也使用此隐藏层架构。因为在数据降维过程中需要整合数据信息损失量，所以基函数应采用待回归变量比较丰富的多项式函数设计节点基函数[7-9]。

(3)

式中：Y为节点输出值；j为多项式阶数；Aj为第j阶多项式的待回归系数；Xi为输入变量阵列中的第i个输入值。

2)核心模块与参照模块。

核心模块的统计学意义是根据降维模块输出的1个双精度浮点型变量创建一维数据的状态空间，参照模块的统计学意义是将12个降维模块输出的12个双精度浮点型变量搭建状态空间[10-11]。其本质就是放大数据投影的规律，在常用节点基函数类型中，能够放大数函数的数据细节，所以该两个模块均采用对数模块进行设计，其基函数如式(4)所示：

Y=∑(A·lnXi+B)

(4)

式中：A,B为待回归系数。此处自然常数取近似值2.718 281 828。

3)二值化模块[12]。

二值化模块使用二值化函数充分整合前置数据，输出在[0.000,1.000]区间上更接近0.000和1.000的输出数据。二值化基函数如式(5)所示：

Y=∑(A·eXi+B)-1

(5)

二值化模块的隐藏层采用3层设计，分别为3节点、7节点、3节点。

3 算法效能分析

本文采用电力CAE下SimuWorks模块进行数据仿真研究，分析该系统在三电平逆变器中的应用效果以及模型输出波形的质量。分析采用电力波形评价的标准偏差倍率法，使用6σ表示标准偏差倍率[13-14]。

3.1 采样频率的确定

本文采用标准偏差倍率的方式分析该模型的实际波形控制效果，可以得到图4。

图4 不同采样频率下该算法的标准偏差倍率

图4中，当反馈数据的采样频率达到200 Hz时，和50 Hz采样频率对比，其控制精度有了显著提升，加大采样频率到1 600 Hz，虽然精度有稳定提升，但提升效果并不显著。200 Hz采样频率下的6σ值为0.062，与50 Hz采样频率下的6σ值0.159相差2.56倍，直至采样频率为1 600 Hz时的6σ值从0.062提高到0.057，提升率8.1%。由此可知，通过提升反馈数据采样频率提升数据精度，并无工程学经济性。那么在以下研究中，均采用200 Hz的反馈数据采样频率，即每波形设置4个采样点，神经网络输入数据采用12个双精度浮点型数据格式。

3.2 算法效能分析

在相同硬件架构下(图1)分别采用模糊矩阵法和本文提出的多列神经网络法对开关阵列频率模型进行控制，并对比其运行效果，详见表3。

表3 两种算法控制效能比较结果

表3中，三电平逆变器对电压峰值的控制精度和输出波形频率的控制精度均只有微小差距，偏差率在2倍以内，t值分别为6.331和3.528，都小于10.000，P值都小于0.010，所以认为数据在统计学层面具有显著差异。但在对谐波控制方面，模糊矩阵法是神经网络法的26.4倍，t值等于0.000，P值等于0.000，其统计学差异极为显著。其中最大谐波功率占比指通过傅里叶变换提取的主波形功率值与主要次高峰功率值总和的比值。

使用SPSS24.0软件中的双变量t对以上数据的统计学差异进行校验，当t值小于10.000时，认为存在统计学差异；当P值小于0.050时认为其比较结果在信度置信空间内，当P值小于0.010时认为其比较结果统计学意义显著。而当出现t值等于0.000且P值等于0.000的分析结果时，认为其统计学差异超出量程。

综上可知，本文所设计的神经网络开关时序控制算法的重点在于控制三电平逆变器生成交流波形中的谐波功率占比，以此得到更纯净的电能输出质量。

4 结束语

本文采用多列神经网络分别对三电平逆变器中的12个开关阵列进行自动化控制，结果发现输出侧电压互感器的录波图频率控制在200 Hz时有较强的工程学经济性，通过算法能够限制200 Hz条件下产生的自然量程误差。相比于传统的模糊矩阵法，多列神经网络法能够提高电压峰值控制精度、波形频率控制精度，在最大谐波功率占比控制目标下，实现了26.4倍的精度提升，即多列神经网络可以有效控制三电平逆变器的输出波形，减少谐波量，提升输出电能质量。