一种三相PWM整流器直接功率控制方法与流程

本发明涉及一种三相pwm整流器直接功率控制方法，属于电力电子技术领域。

背景技术：

三相pwm整流器广泛应用于传统工业及新兴行业，比如智能微网。一般，在风力发电中，pwm整流器在进行发电机转速调节的同时实现ac/dc电能变换。另一个重要的应用领域是作为电动汽车与电网的接口电路，电动汽车作为储能装置可以从电网吸收电能，同时也可以领用v2g技术向电网馈送电能。此外，pwm整流器还广泛应用于静止无功补偿器(svg)、有源滤波器(apf)、以及统一潮流控制器(upfc)等。

pwm整流器的控制分为两大类，其中一种是基于电压定向控制(voc)，在voc中，交流侧电流在d-q坐标系中分解为有功及无功分量，通常q轴电流给定设为零从而实现单位功率因数控制，然而由于电流控制器(滞环、比例积分(pi)、比例谐振(pr))对参数变化及外部扰动敏感而影响voc的控制性能。由于磁饱和及开关器件的存在使得三相pwm整流器的动态过程存在非线性及无法预料的外部扰动。近年来，滑模控制广泛应用于高度非线性及不确定性的电力电子电路中，然而，控制器的中间变量可能会引起系统振荡，特别当系统开关频率有限的情况下。另一种为基于瞬时有功及无功功率理论的直接功率控制，由于有功功率和无功功率直接作为控制变量，没有电流环，控制系统具有更好的动态性能。查表法根据功率预测值和开关表选择下一周期的开关状态，模型预测控制依据一个最小化评价函数选择电压矢量从而决定开关状态，系统结构简单，动态响应快，但是输出功率波动大，而且开关频率不固定，除此以外，基于查表法的直接功率控制还需要快速精确的功率估测。基于s/svpwm的直接功率控制在开关频率固定和控制精度方面更优越，现有的直接功率控制器大多采用pi控制而存在和voc一样的缺陷。

backstepping控制(bsc)技术由于其非线性迭代设计而受到关注，由每一迭代步骤中的李雅普诺夫函数组成了总的李雅普诺夫函数保证了整个系统及每个迭代步骤的稳定性。而现有的backstepping控制器设计未考虑系统不确定项的影响，当系统参数变化和外部扰动发生时，系统的控制性能无法保证。

技术实现要素：

本发明的目的在于提供一种三相pwm整流器直接功率控制方法，以解决现有技术中导致的上述多项缺陷或缺陷之一。

为达到上述目的，本发明是采用下述技术方案实现的：

本发明提供了一种三相pwm整流器直接功率控制方法，方法包括如下步骤：

根据三相pwm整流器网侧的三相电流和三相电压，计算三相pwm整流器的瞬时有功功率和瞬时无功功率，构建三相pwm整流器的平均状态空间模型；

在三相pwm整流器的平均状态空间模型中引入解耦控制信号，计及系统中的不确定项，设计无功功率的神经网络自适应backstepping控制器和直流输出电压的神经网络自适应backstepping控制器；系统中的不确定项包括直流输出电压模型中的不确定项和无功功率模型中的不确定项。

将直流输出电压vo的平方与直流输出电压给定值的平方的误差和有功功率输入到直流输出电压的神经网络自适应backstepping控制器获取输出控制率upcon；将无功功率q和无功功率的给定值q^*的误差输入无功功率的神经网络自适应backstepping控制器获取输出控制率uqcon；

将对upcon和uqcon进行耦合变换得到耦合结果在电压空间矢量的d轴分量ucond和q轴分量uconq作为svpwm调制策略的输入，得到三相pwm整流器中开关的开关控制信号。

所述系统的不确定项包括系统中滤波器参数变化、电网波动、负载变化；

进一步的，使用神经网络观测器在线估测系统中不确定项的值。

所述不确定项的表达式为：

其中，△ls，△c，△rs，和△rl分别为ls，c，rs，和rl的变化量；us是电网相电压的等效值，rl为网侧滤波电感l的等效电阻；c为三相pwm整流器直流输出端的滤波电容；up为解耦控制信号；wp为直流输出电压模型中的不确定项、wq为无功功率模型中的不确定项；rl为负载；

wp和wq的边界假设给定为|wp(t)|<ρp，|wq(t)|<ρq，其中|·|为取绝对值运算，ρp和ρq为给定正常数。

进一步的，计算三相pwm整流器的瞬时有功功率和瞬时无功功率的方法包括如下步骤：

使用等功率clark变换方法和等功率park变换方法，对三相pwm整流器网侧的三相电压和三相电流进行三相静止坐标系到两相旋转坐标系的等功率坐标变换，得到两相旋转坐标系下电压值的d轴分量usd、电压值的q轴分量usq、电流值的d轴分量isd、电流值的q轴分量isq；

三相pwm整流器的瞬时有功功率和瞬时无功功率的计算公式为：

p＝usdisd+usqisq

q＝usqisd-usdisq

其中，p为三相pwm整流器的瞬时有功功率，q为三相pwm整流器瞬时无功功率。

进一步的，三相pwm整流器的平均状态空间模型为：

其中，vo为三相pwm整流器的直流输出电压，usd为三相pwm整流器网侧的三相电压进行三相静止坐标系到两相旋转坐标系的等功率变换后得到两相旋转坐标系下电压值的d轴分量，p为三相pwm整流器的瞬时有功功率，q为三相pwm整流器的瞬时无功功率，dd和dq分别为占空比在d轴和q轴上的分量，c为三相pwm整流器直流输出端的滤波电容，us是电网相电压的等效值，rl为网侧滤波电感l的等效电阻；rl为负载等效电阻。

进一步的，设计无功功率的神经网络自适应backstepping控制器的方法包括如下步骤：

构建计及系统不确定项的三相pwm整流器的无功功率q模型的动态方程：

其中，us是电网相电压的等效值，rl为网侧滤波电感l的等效电阻；uq为解耦控制信号；wq为无功功率模型中的不确定项；

根据计及不确定项的三相pwm整流器的无功功率模型动态方程，设计无功功率的神经网络自适应backstepping控制器。

进一步的，设计直流输出电压的神经网络自适应backstepping控制器的方法包括：

构建计及系统不确定项的三相pwm整流器的直流输出电压动p的动态方程：

其中，us是电网相电压的等效值，rl为网侧滤波电感l的等效电阻；c为三相pwm整流器直流输出端的滤波电容；up为解耦控制信号；wp为直流输出电压模型中的不确定项；rl为负载；

根据计及不确定项的三相pwm整流器的输出直流电压动态方程，设计直流输出电压的神经网络自适应backstepping控制器。

直流输出电压模型中的不确定项wp的估测值的表达式为：

其中，wp为直流输出电压的神经网络自适应backstepping控制器中神经网络观测器的输出层与隐藏层间的权重矩阵，op为直流输出电压的神经网络自适应backstepping控制器中神经网络观测器的输出；

无功功率模型中的不确定项wq的估测值的表达式为：

其中，wq为无功功率的神经网络自适应backstepping控制器的中神经网络观测器的输出层与隐藏层间的权重矩阵，oq为无功功率的神经网络自适应backstepping控制器中神经网络观测器的输出。

本发明的有益效果是：

(1)在三相pwm整流器的平均状态模型中引入不确定项，提高系统对参数变化及外界干扰的鲁棒性；

(2)设计无功功率的神经网络自适应backstepping控制器和直流输出电压的神经网络自适应backstepping控制器；消除控制系统中间变量可能出现的震荡现象；

(3)引入神经网络观测器在线估测不确定项的值，进一步提高系统的鲁棒性。

附图说明

图1是根据本发明实施例提供的一种三相pmw整流器主电路结构图；

图2是根据本发明实施例提供的一种三相pwm整流器直接功率控制系统框图；

图3是根据本发明实施例提供的神经网络结构图；

图4是根据本发明实施例提供的自适应backstepping神经网络控制直流输出电压vo的控制框图；

图5是根据本发明实施例提供的自适应backstepping神经网络控制无功功率q的控制框图；

图6是根据本发明实施例提供的自适应backstepping神经网络控制与pr(比例谐振)控制在突加负载时输出直流电压的波形；

图7是根据本发明实施例提供的自适应backstepping神经网络控制与pr(比例谐振)控制在网侧滤波电感在额定值±10％范围内变化时网侧a相电流thd变化；

图8是根据本发明实施例提供的自适应backstepping神经网络控制在突加负载时有功功率和无功功率波形；

图9是根据本发明实施例提供的自适应backstepping神经网络控制在网侧a相电压降落5％时网侧a向电流的谐波分析结果示意图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

参照图1所示的三相pwm整流器主电路结构图，其中电感l表示网侧滤波器，其等效电阻为rl，t1～t6表示六个开关器件，d1～d6为与六个开关器件反并联的二极管，c是直流输出端滤波电容，rl为负载；i为直流输出端电流，ic为直流输出端滤波电容上的电流，io为负载rl上的电流。

参照图2，本实施例提供的神经网络自适应backstepping的三相pwm整流器直接功率控制系统包括直流输出电压模型和无功功率模型两个独立的自适应backstepping，控制系统在微控制器tms320f28335的dsp上执行。本实施例提供一种三相pwm整流器直接功率控制方法一种三相pwm整流器直接功率控制方法，所述方法包括如下步骤：

步骤1：构建三相pwm整流器的平均状态空间模型：

步骤1.1：采集三相pwm整流器网侧的三相电流、三相电压；

通过霍尔电压传感器和电流传感器检测网侧三相正弦电压usa、usb、usc，网侧三相正弦电流isa、isb、isc，霍尔电压传感器检测直流输出电压vo。

步骤1.2：对三相电压、三相电流进行三相静止坐标系到两相旋转坐标系的等功率变换；

步骤1.2.1：利用等功率clark变换得到网侧三相正弦电压和电流在两相静止坐标系下的值usα、usβ和isα、isβ；

步骤1.2.2：利用等功率park变换得到两相旋转坐标系下电压值的d轴分量usd、电压值的q轴分量usq、电流值的d轴分量isd、电流值的q轴分量isq；

其中，ω＝2πf,其中f为电网频率；t为系统执行时刻。

步骤1.3：计算有三相pwm整流器瞬时有功功率和无功功率；

三相pwm整流器瞬时有功功率p和无功功率q的计算公式为：

p＝usdisd+usqisq(3a)

q＝usqisd-usdisq(3b)

步骤1.4：建立去耦后的三相pwm整流器的瞬时功率动态模型和直流输出电压的动态方程；

步骤1.4.1：建立三相pwm整流器瞬时功率表示的平均状态空间模型；

基于电压定向，考虑整流器输入功率和输出功率守恒，三相pwm整流器瞬时功率表示的平均状态空间模型可表示为：

其中，dd和dq为占空比在d-q轴上的分量，c是直流输出端的滤波电容，rl为负载，rl网侧滤波电感l的等效电阻；

公式(4b)和公式(4c)中，其中us是电网相电压的有效值。

步骤2：设计无功功率的神经网络自适应backstepping控制器和直流输出电压的神经网络自适应backstepping控制器：

步骤2.1：建立去耦后的三相pwm整流器的瞬时功率动态模型和直流输出电压的动态方程；

设计解耦控制信号up和uq：

up＝(usd-lsωq-ddvo)/ls(5a)

uq＝(lsωp+dqvo)/ls(5b)

将公式5a带入4b，将公式5b代入公式4c，得到去耦后的三相pwm整流器的瞬时功率动态模型的表达式：

将式(4a)等号两边取导数，并将式(6a)带入，可得直流输出电压模型的动态方程：

引入去耦控制信号，使得直流输出电压和无功功率实现相互独立设计，简化设计与控制器参数调试过程。

步骤2.2：建立计及不确定项的实际的三相pwm整流器的动态方程；

考虑系统中电路参数等不确定项的存在，得到计及不确定项的三相pwm整流器的动态方程可表示为：

其中假设直流输出电压模型中的不确定项wp和无功功率模型中的不确定项wq是有界的，可表示为：

其中△ls，△c，△rs，和△rl分别为ls，c，rs，和rl的变化量。直流输出电压模型中的不确定项wp和无功功率模型中的不确定项wq的边界假设给定为|wp(t)|<ρp，|wq(t)|<ρq，其中|·|为取绝对值运算，ρp和ρq为给定正常数。

使用神经网络观测器在线估测系统中不确定项的值，参照图3，神经网络包含输入层、隐藏层和输出层三部分，输入层和隐藏成的激发函数都选择sigmiod函数。

输入层i层的输入信号为neti＝xi，输入层的输出oi为：

oi＝f(neti)＝[1+exp(-neti)]^-1(10)

式中f为激发函数，i＝1,2…ri。

输入层的输出的按权重相加作为隐藏层j层的输入netj＝∑wjioi，j＝1,2…rj,隐藏层的输出为：

oj＝f(netj)＝[1+exp(-netj)]^-1(11)

隐藏层输出的按权重相加作为输出层k层的输入netk＝∑wkjok,k＝1，输出层直接输出。

直流输出电压模型中不确定项wp的估测值的表达式为：

式中wp为直流输出电压的神经网络自适应backstepping控制器中神经网络观测器的输出层与隐藏层间的权重矩阵，op为直流输出电压的神经网络自适应backstepping控制器中神经网络观测器的输出。

无功功率模型中不确定项wq的估测值得表达式为：

式中wq为无功功率的神经网络自适应backstepping控制器的中神经网络观测器的输出层与隐藏层间的权重矩阵，oq为无功功率的神经网络自适应backstepping控制器中神经网络观测器的输出。

为了提高神经网络的在线学习能力，利用梯度下降法在线训练权重，以直流输出电压神经网络观测器为例(无功功率神经网络观测器方法相同)，构建最小误差wp^*为误差为0时，神经网络中输出层与隐藏层间的权重值，为ep的估测值。

式中wpji和wpkj分别为直流输出电压神经网络估测器中隐藏层与输入层及输出层与隐藏层之间的权重值，n为第n个采样周期，η表示学习率。

步骤2.3：设计直流输出电压vo的神经网络自适应backstepping控制器，其输出控制律为upcon；

根据如公式(8a)所示的计及不确定项的三相pwm整流器的直流输出电压动态方程，设计直流输出电压vo的神经网络自适应backstepping控制器；

直流输出电压vo的神经网络自适应backstepping控制器输出控制律upcon表达式为：

式中α1为backstepping控制器递归过程中的稳定函数，直流输出电压的误差虚拟控制误差kv、ks为正常数，为wp的估测值，和的自适应律表达式为：

式中γp和βp为正常数。

取李雅普诺夫函数为：

李雅普诺夫函数的导数为：

如果直流输出电压的神经网络自适应backstepping控制器控制率取(17)-(19)，则即为一个负定函数，根据李雅普诺夫稳定定理和barbalat‘s定理可知误差(ev和es)将渐进为零，wp将渐进于wp^*，将渐进为零，由此可以保证直流输出电压控制的稳定性。

步骤2.4：设计无功功率q的神经网络自适应backstepping控制器，其输出控制律为uqcon；

根据如公式(8b)所示的计及不确定项的三相pwm整流器的无功功率模型动态方程，设计无功功率q的神经网络自适应backstepping控制器；

无功功率q的神经网络自适应backstepping控制器输出控制律uqcon表达式为：

式中kq为正常数，无功功率误差eq＝q-q^*，q^*为无功功率的给定值，为wq的估测值，构建最小误差为eq的估测值。

和的自适应律表达式为：

式中γq和βq为正常数。

取李雅普诺夫函数为：

李雅普诺夫函数的导数为：

如果无功功率q的神经网络自适应backstepping控制器控制率取(20)-(22)，则即为一个负定函数，根据李雅普诺夫稳定定理和barbalat‘s定理可知误差eq将渐进为零，wq将渐进于wq^*，将渐进为零，由此可以保证无功功率控制的稳定性。

基于李雅普诺夫函数和barbalat’s定理保证控制变量收敛，系统稳定，在实现直流输出电压零静差调节的同时，保证网侧电流的正弦化，降低网侧电流的畸变率，有功和无功功率可以实现零静差直接调节。

步骤3：获取三相pwm整流器中六个开关的开关控制信号：

步骤3.1：将直流输出电压vo的平方与直流输出电压给定值的平方的误差和有功功率输入到直流输出电压的神经网络自适应backstepping控制器获取输出控制率upcon；将无功功率q和无功功率的给定值q^*的误差输入无功功率的神经网络自适应backstepping控制器获取输出控制率uqcon；

步骤3.2：对upcon和uqcon进行耦合变化得到耦合结果在电压空间矢量的d轴分量ucond和q轴分量uconq的表达式为：

ucond＝usd-lsωq-lsup(24a)

uconq＝lsωp-lsuq(24b)

步骤3.3：将ucond和uconq作为svpwm调制策略的输入，产生六路pwm信号控制六个开关器件的开关控制信号，使得直流输出电压vo跟踪给定值无功功率q跟踪给定值q^*。

采用svpwm调制策略，开关频率等于采样频率，开关频率固定，利于三相pwm整流器滤波器参数的设计。

对本发明实施例提供的方法的效果进行测试分析：

参照图6，在1s突加负载，1.5突卸负载时，本发明所提出一种三相pwm整流器直接功率控制方法与pr控制方法下，输出直流电压波形对比，对比仿真实验结果可得：本发明所提出的控制方法，在加卸载时，直流电压不仅超调小，稳定时间也比pr控制方法快很多；

图7为网侧滤波电感在额定值5mh的±10％范围内变化时，本发明所提出一种三相pwm整流器直接功率控制方法与pr控制方法下网侧a相电流的thd值的对比图，对比结果可得：当网侧滤波电感从4.5mh变换至6.5mh时，pr控制方法下网侧a相电流的thd值变化17.5％，而本发明方法控制下，网侧a相电流的thd值变化3％，同时本发明控制方法下，网侧a相电流的thd值低pr控制方法52.47％；

图8为在1s突加负载，1.5突卸负载时，本发明所提出一种三相pwm整流器直接功率控制方法下，有功功率和无功功率的波形图，在加卸载时，有功功率响应速度快，无超调；且在加卸载时，对无功功率响应无影响。

图9为网侧a相电压降落5％，与b、c相不对称时，网侧电流的谐波分析，由仿真结果可得：在电网电压允许波动范围内，本发明控制方法仍能保证网侧电流谐波低于2％。

本发明实施例提供的一种三相pwm整流器直接功率控制方法，根据瞬时功率理论计算三相pwm整流器的无功功率和有功功率，神经网络在线估测系统不确定项的值，直流输出电压神经网络自适应backstepping控制器输出控制律up，无功功率神经网络自适应backstepping控制器输出控制律uq，对up和uq进行耦合变换得到电压空间矢量的d轴分量ucond和q轴分量uconq，将两个电压空间矢量送入svpwm模块产生pwm控制信号，实现vo和q的零静差调节，本发明实施例提供的方案对系统参数及外界扰动具有较强的鲁棒性。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。