本发明属于并联ups系统技术领域,尤其涉及一种基于神经网络的并联ups系统状态反馈控制方法。
背景技术:
并联ups系统具有诸多优点,但其有效控制具有挑战性。这些挑战是由于动态加载条件和多个变流器的相互作用。为了实现对并联ups系统的有效控制,主要由两个控制目标来实现。第一个目标是调整输出电压,以完善正弦非线性和快速变化的负载条件。第二个挑战是尽量减小变流器之间的循环电流。
但上述两个控制目标存在一个共同缺点,其均需要精确的系统参数(电阻、电容和电感等)。这也解释了现有的控制方法为何总是考虑使用相同的并联逆变器。而事实上,由于加热、老化等诸多因素的影响,系统参数往往会出现波动。因此,对于具有更多系统参数的并联ups系统,需要更复杂有效的系统标识符。
目前,基于训练或学习的神经网络(nn)系统已经发展了几十年,但在电力电子领域的应用并不多。这可能是由于理论控制技术与物理应用之间存在较大的差距。
因此,本发明提出了一种基于神经网络的并联ups系统状态反馈控制方法。
技术实现要素:
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是提供一种基于神经网络的并联ups系统状态反馈控制方法。
为实现上述目的,本发明提供了一种并联ups系统,包括并联布置的n个逆变器,n个逆变器的输出端分别与一个lc滤波器连接,每个lc滤波器均与交流母线连接,各逆变器均与集中电压和负载共享控制器连接。
本发明实施例的另一目的在于提供一种基于神经网络的并联ups系统状态反馈控制方法,包括以下步骤:
建立并联ups系统的状态空间模型;
完全已知系统动力学的状态反馈跟踪控制设计;
基于神经网络进行并联ups系统参数识别。
作为本发明实施例的另一种优选方案,所述的建立并联ups系统的状态空间模型,包括以下步骤:
系统的控制输入u(t)为每个逆变器的一组电压基准,表示为式(1):
其中,vj表示第j个逆变器的输入电压,n表示逆变器总数;
系统的状态变量x(t)为并联逆变器的输出电压vo和逆变器的输出电流ij,表示为式(2):
其中,ij为第j个逆变器的输出电流,n为逆变器总数;
系统的状态空间模型
其中:
其中,lj为第j逆变器输出滤波器的输出电感,cj为第j逆变器输出滤波器的电容,rj为第j逆变器输出滤波器的输出电阻;d(t)表示补偿系数。
作为本发明实施例的另一种优选方案,基于状态空间系统模型,系统的理想状态轨迹x*(t)表示为式(4):
其中,
作为本发明实施例的另一种优选方案,所述的进行完全已知系统动力学的状态反馈跟踪控制设计,包括以下步骤:
跟踪误差定义为e(t)=x(t)-x*(t),由式(3)可得跟踪误差动力学公式,表示为式(5):
根据式(5),将稳定跟踪控制公式,表示为式(6):
u(t)=ue(t)+ud(t)+udes(t)(6)
其中,
将式(6)代入式(5)得式(9)
其中
作为本发明实施例的另一种优选方案,k,m1和m2为控制增益矩阵,该矩阵的要求为式(7)、式(8):
bud(t)=-bm1d(t)=-d(t)(7)
作为本发明实施例的另一种优选方案,保证
作为本发明实施例的另一种优选方案,所述的基于神经网络进行并联ups系统参数识别,包括以下步骤:
式(3)采样间隔为ts的离散的系统动力学改写为式(10):
x[k+1]=adx[k]+bdu[k]+d[k](10)
其中,
离散系统动力学式(10)用神经网络在ω紧集上表示为式(11)
x[k+1]=wax[k]+εa[k]+wbu[k]+εb[k]+d[k]
=wsσs[k]+εs[k]+d[k](11)
其中,
利用神经网络识别器,系统在k处的状态估计模型式,表示为式(12):
则识别误差公式,表示为:
其中,
神经网络权值的更新规律
其中,
作为本发明实施例的另一种优选方案,目标神经网络权值的上界为||ws||≤wsm,其中为wsm一个正常数;神经网络激活函数和重构误差的上界为||σs[k]||≤σsm,且||εs[k]||≤εsm,σsm和εsm为正常数。
本发明的有益效果是:本发明提出了一种基于神经网络的并联ups系统状态反馈控制方法,严格证明了辨识误差的收敛性,通过matlab进行仿真研究,首次证明了神经网络的辨识能力和所提出的控制算法的性能和有效性。
附图说明
图1是并联ups系统中n个逆变器的拓扑结构;
图2是并联ups系统的状态反馈控制框图;
图3是实验例1的仿真结果波形;
图4是实验例2的仿真结果波形。
图1中,iload(t)为负载电流;vij*为第j个逆变器的输入电压参考值。
具体实施方式
下面结合附图和实施例对本发明作进一步说明:
实施例1
本实施例提供一种基于神经网络的并联ups系统状态反馈控制方法,其包括以下步骤:
一、建立并联ups系统的状态空间模型,包括以下步骤:
系统的控制输入u(t)为每个逆变器的一组电压基准,表示为式(1):
其中,vj表示第j个逆变器的输入电压,n表示逆变器总数;
系统的状态变量x(t)为并联逆变器的输出电压vo和逆变器的输出电流ij,表示为式(2):
其中,ij为第j个逆变器的输出电流,n为逆变器总数;
系统的状态空间模型
其中:
其中,lj为第j逆变器输出滤波器的输出电感,cj为第j逆变器输出滤波器的电容,rj为第j逆变器输出滤波器的输出电阻;d(t)表示补偿系数;
基于上述状态空间系统模型,可以给出系统的理想状态轨迹x*(t),表示为式(4):
其中,
因此,控制目标包括:
1)使并联逆变器输出电压跟踪输出电压参考值,输出电压参考值是时间的正弦函数;
2)使逆变器的输出电流跟踪输出电流参考值,输出电流参考值由均匀共享的负载电流和充电电流计算;
3)取消系统循环电流。
二、进行完全已知系统动力学的状态反馈跟踪控制设计,包括以下步骤:
跟踪误差定义为e(t)=x(t)-x*(t),由式(3)可得跟踪误差动力学公式,表示为式(5):
根据式(5),将稳定跟踪控制公式,表示为式(6):
u(t)=ue(t)+ud(t)+udes(t)(6)
其中,
bud(t)=-bm1d(t)=-d(t)(7)
将式(6)代入式(5)得式(9)
其中
三、基于神经网络,进行并联ups系统参数在线辨识,包括以下步骤:
式(3)采样间隔为ts的离散的系统动力学可以改写为式(10):
x[k+1]=adx[k]+bdu[k]+d[k](10)
其中,
离散系统动力学式(10)可以用神经网络(nn)在ω紧集上表示为式(11)
x[k+1]=wax[k]+εa[k]+wbu[k]+εb[k]+d[k]
=wsσs[k]+εs[k]+d[k](11)
其中,
利用神经网络(nn)识别器,系统在k处的状态估计模型式,表示为式(12):
则识别误差公式,表示为:
其中,
参数识别式,即神经网络识别器权值的更新规律
其中,
因此,通过设计的神经网络识别器学习系统动力学后,可以将其应用状态反馈跟踪控制。并联ups系统的状态反馈控制框图如图2所示。通过式(3)得到并联ups系统的状态空间模型
实施例2
在实施例1的基础上,所述的并联ups系统,其包括并联布置的n个逆变器,n个逆变器的输出端分别与一个lc滤波器连接,每个lc滤波器均与交流母线连接,各逆变器均与集中电压和负载共享控制器连接。
实验例1
表1给出了并联逆变器和负载的参数设置,用于仿真。
表1
另外,期望状态引用(x*(t))的计算如下:
v*(t)=vmsin(ωt)
式中,vm为输出电压的选定幅值,ω为系统基频。
为了验证本发明的有效性,案例#1:从空载到线性负载的阶梯变化,平衡各逆变器的参数设置。
利用matlabsimulink中的simpowersystemtm进行了仿真。总的模拟时间是1秒,但是只有0.4秒到0.6秒的结果被放大,并且为了更好地说明案例#1,案#1的仿真结果如图3所示。试验是在参数平衡的条件下进行的,即各并联模块间的电感、电阻、电容相等。在仿真过程中,系统初始无负载连接,神经网络从系统干扰中学习。然后在0.495s处增加线性步长负载,神经网络从系统干扰中学习。需要指出的是,线性负载是在电流达到峰值时故意连接到系统上的,这样可以观察到更大的扰动。因此,从图3(a)中可以看出,流过逆变器的四种电流i1、i2、i3、i4是相同且重叠的。如图3(b)所示,循环电流(i1-i2,i2-i3,i3-i4)变为零。如图3(c)所示,电压输出(vo)始终能够很好且快速地跟踪参考电压v*(vref),甚至在增加负载的时刻也是如此。然后将负载电流(iload)绘制在图3(d)中。
实验例2
表2给出了并联逆变器和负载的参数设置,用于仿真。
表2
另外,期望状态引用(x*(t))的计算如下:
v*(t)=vmsin(ωt)
式中,vm为输出电压的选定幅值,ω为系统基频。
案例#2的仿真结果如图4所示。通过各逆变器的不平衡参数的设定,验证了该控制算法抑制循环电流的有效性。因此,有意地将一个逆变器的电感降低到原值的一半。即l1从2mh减小到1mh,而l2、l3、l4保持2mh,线性负载条件下逆变器的输出电流如图4(a)所示。从图4(b)中可以看出,在暂态过程中,由于其中一个逆变器模块的电感减小,循环电流增大。除此之外,输出电压仍然可以跟踪参考电压,如图4(c)所示,总体性能很好。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。