1.本发明涉及一种逆变器电压控制方法及系统，属于逆变器电压控制技术领域。
背景技术：
2.凭借结构简单、鲁棒性强、稳态精度高等优点，电压电流双环pi控制策略广泛应用于lc型逆变器的电压跟踪控制中。然而，随着新能源渗透率的提高和交直流微网技术的发展，电力系统的安全稳定运行将变得更依赖于逆变器的控制方式，这对逆变器的控制品质提出了更高的要求，传统电压环pi控制器无法兼顾超调与快速性指标，动态响应性能不足，难以实现对逆变器的高质量电压控制。
3.为此，专家学者对传统pi控制器作出了诸多改进。将误差和误差积分作为模糊控制器的输入，根据历史误差调节pi控制器的参数，提高了电力弹簧的控制效果和自适应性；对传统pi控制器的结构进行优化，在其反馈通道上增加一比例环节，改善了永磁同步电机调速系统的控制性能；采用基于变参数pi的控制方案，有效抑制了转速恢复初始时刻双馈风电机组的功率突变，避免了系统频率的二次下跌。作为先进控制理论的一种典型方法，单神经元pi已在直驱泵系统、调光电源控制、农机导航等场合获得大量应用，但是将其用于lc型逆变器电压控制方面的文献还鲜有报道。
技术实现要素：
4.本发明的目的在于克服现有技术中的不足，提供一种逆变器电压控制方法，能够使lc型逆变器电压超调小、响应速度快，同时具有较好的抗扰能力和稳态性能，显著地提升了电力系统的动态品质。为达到上述目的，本发明是采用下述技术方案实现的：
5.第一方面，本发明提供了一种逆变器电压控制方法，包括：
6.对lc型逆变器的电压电流数据进行采样；
7.将采样数据输入预先优化的电压环控制器，对电力系统中lc型逆变器的电压进行控制；其中，所述预先优化的电压环控制器为：在单神经元pi控制器的基础上，引入rbf神经网络辨识算法对被控对象的jacobian信息进行辨识，并采用amsgrad优化算法改进单神经元pi控制器。
8.结合第一方面，进一步地，所述lc型逆变器采用带前馈补偿的电感电流内环电容电压外环双环控制的控制方式。
9.结合第一方面，进一步地，所述获取lc型逆变器的电压电流数据，包括：
10.根据三相lc型逆变器的主电路和基尔霍夫定律，得到在d、q同步坐标系下，逆变器的电压电流方程为：
[0011][0012]
式(1)中，l为三相滤波电感，r为滤波电感l的寄生电阻，c为三相滤波电容，id、iq分别表示逆变器电感电流的d、q轴分量，ud、uq分别表示逆变器输出电压的d、q轴分量，u
od
、u
oq
分别表示三相电容电压的d、q轴分量，i
od
、i
oq
分别表示三相负载电流的d、q轴分量，ω表示角频率。
[0013]
结合第一方面，进一步地，所述单神经元pi控制器由单神经元算法构成，单神经元pi控制器的算法通过下式表示：
[0014][0015]
式(2)中，u(m)表示第m次采样时控制器的输出；x
p
表示比例状态变量，xi表示积分状态变量，通过下式表示：
[0016][0017]
式(3)中，t表示采样周期；e(m)表示第m次采样时刻被控对象的误差，通过下式表示：
[0018]
e(m)＝r(m)-y(m)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0019]
式(4)中，r(m)表示第m次采样时被控对象的输入指令值，y(m)表示第m次采样时被控对象的实际输出值；
[0020]
式(2)中，k
p
表示比例权值，ki表示积分权值，通过神经网络的学习过程实现自适应调节，在权值调整过程中，引入二次型性能指标函数j(m)，当j(m)最小时，达到最优的控制效果，k
p
和ki沿负梯度方向变化，满足自适应律：
[0021][0022]
式(5)中，η表示比例权值k
p
和积分权值ki的学习速率；二次型性能指标函数j(m)通过下式表示：
[0023][0024]
由(6)可知，式(5)中：
[0025]
[0026]
由(2)可知则：
[0027][0028]
式(5)中，为被控对象的jacobian信息，由rbf神经网络辨识算法进行辨识得到。
[0029]
结合第一方面，优选地，所述单神经元pi控制器根据电力系统运行状态，动态调节单神经元pi控制器参数。
[0030]
结合第一方面，进一步地，所述rbf神经网络辨识算法的rbf神经网络包括2个输入节点、5个隐含层节点和1个输出节点，则：
[0031]
初始化神经网络的输入向量x＝[x1,x2]
t
，其中x1＝u(k-1)，x2＝y(k-1)，隐含层径向基向量h＝[h1,h2,h3,h4,h5]
t
，权值向量w＝[w1,w2,w3,w4,w5]
t
，则rbf神经网络的输出为：
[0032][0033]
根据梯度下降法，隐含层第j个神经元节点的的权值、节点中心和基宽参数按以下方式调节：
[0034][0035]
式(10)中，λ表示隐含层第j个神经元节点的权值wj、节点中心bj和基宽参数c
ji
的学习速率；α为动量因子，e(m)为rbf神经网络辨识的性能指标函数，通过下式表示：
[0036][0037]
式(10)和(11)中，ed(m)表示第m次采样时刻rbf神经网络的辨识误差；
[0038]
rbf神经网络的初始参数通过下式表示：
[0039][0040]
式(12)中，y
min
、y
max
分别表示控制对象期望输出的最小值、最大值，u
min
、u
max
为控制器输出的最小值、最大值；
[0041]
则被控对象的jacobian信息为：
[0042][0043]
结合第一方面，优选地，隐含层径向基向量为高斯基函数，通过下式表示：
[0044][0045]
式(14)中，cj为隐含层第j个神经元节点的中心矢量，cj＝[c
j1
,c
j2
]
t
，bj为隐含层第j个神经元节点的基宽参数。
[0046]
结合第一方面，进一步地，所述amsgrad优化算法在动量法的基础上利用历史梯度信息实现学习速率的自适应调整。
[0047]
结合第一方面，进一步地，所述amsgrad优化算法中的伪代码包括：
[0048]
初始时的权值θ0、初始时的学习速率γ0、初始时的一阶动量因子ε0，二阶动量因子ρ，第m次迭代的梯度gm、第m次迭代的权值θm、第m次迭代的学习速率γm、第m次迭代的一阶动量因子sm、第m次迭代的一阶动量sm、第m次迭代的二阶动量am、第m次迭代的二阶动量常数σ。
[0049]
结合第一方面，优选地，初始时的一阶动量因子ε0＝0.9。
[0050]
结合第一方面，优选地，二阶动量因子ρ＝0.999。
[0051]
结合第一方面，优选地，常数σ＝10-8
。
[0052]
结合第一方面，优选地，还包括：比较传统pi控制器、单神经元pi控制器和预先优化的电压环控制器的跟踪性能。
[0053]
第二方面，本发明提供了一种逆变器电压控制系统，包括：采样模块：对lc型逆变器的电压电流数据进行采样；
[0054]
处理模块：用于将采样数据输入预先优化的电压环控制器，对电力系统中lc型逆变器的电压进行控制；其中，所述预先优化的电压环控制器为：在单神经元pi控制器的基础上，引入rbf神经网络辨识算法对被控对象的jacobian信息进行辨识，并采用amsgrad优化算法改进单神经元pi控制器。
[0055]
第三方面，本发明提供了一种计算机设备，包括处理器及存储介质；
[0056]
所述存储介质用于存储指令；
[0057]
所述处理器用于根据所述指令进行操作以执行第一方面所述方法的步骤。
[0058]
第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述方法的步骤。
[0059]
与现有技术相比，本发明实施例所提供的一种逆变器电压控制方法及系统所达到的有益效果包括：
[0060]
本发明对lc型逆变器的电压电流数据进行采样；将采样数据输入预先优化的电压环控制器，对电力系统中lc型逆变器的电压进行控制；其中，所述预先优化的电压环控制器为：在单神经元pi控制器的基础上，引入rbf神经网络辨识算法对被控对象的jacobian信息进行辨识，并采用amsgrad优化算法改进单神经元pi控制器；
[0061]
本发明利用神经网络自组织、自学习的优点，实现pi控制器参数的自动调整，并且采用具有自适应学习速率的amsgrad优化梯度算法，使单神经元pi控制器控制性能达到更优；
[0062]
本发明提供的逆变器电压控制方法，能够使lc型逆变器电压超调小、响应速度快，同时具有较好的抗扰能力和稳态性能，显著地提升了电力系统的动态品质；本发明提供的预先优化的电压环控制器具有结构简单、控制效果好、自适应性强以及应用方便等优点，是实现电力系统中逆变器高质量电压控制的一条有效途径。
附图说明
[0063]
图1是本发明实施例1中一种逆变器电压控制方法的流程示意图；
[0064]
图2是本发明实施例1中一种逆变器电压控制方法的逆变器拓扑结构；
[0065]
图3是本发明实施例1中一种逆变器电压控制方法中预先优化的电压环控制器的结构图。
具体实施方式
[0066]
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。
[0067]
实施例一：
[0068]
一种逆变器电压控制方法，包括：
[0069]
对lc型逆变器的电压电流数据进行采样；
[0070]
将采样数据输入预先优化的电压环控制器，对电力系统中lc型逆变器的电压进行控制；其中，所述预先优化的电压环控制器如图3所示：在单神经元pi控制器的基础上，引入rbf神经网络辨识算法对被控对象的jacobian信息进行辨识，并采用amsgrad优化算法改进单神经元pi控制器。
[0071]
lc型逆变器采用带前馈补偿的电感电流内环电容电压外环双环控制的控制方式。其中，双环均采用pi控制器以减小系统稳态误差和改善电压跟踪能力。
[0072]
获取lc型逆变器的电压电流数据，包括：
[0073]
如图2所示为逆变器拓扑结构，根据三相lc型逆变器的主电路和基尔霍夫定律，得到在d、q同步坐标系下，逆变器的电压电流方程为：
[0074][0075]
式(1)中，l为三相滤波电感，r为滤波电感l的寄生电阻，c为三相滤波电容，id、iq分别表示逆变器电感电流的d、q轴分量，ud、uq分别表示逆变器输出电压的d、q轴分量，u
od
、u
oq
分别表示三相电容电压的d、q轴分量，i
od
、i
oq
分别表示三相负载电流的d、q轴分量，ω表示角频率。
[0076]
具体的，单神经元pi控制器能够针对环境变换进行学习，根据系统运行状态动态调整控制器参数，具有较强的鲁棒性，且能抑制超调，改善电压环的动态响应能力。单神经元pi控制器是在数字增量式pi算法基础上，运用神经网络进行设计的。设第m次采样时刻被控对象的误差为：
[0077]
e(m)＝r(m)-y(m)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0078]
式(2)中，r(m)表示第m次采样时被控对象的输入指令值，y(m)表示第m次采样时被控对象的实际输出值；
[0079]
设定神经元的输入为：
[0080][0081]
式(3)中，x
p
表示比例状态变量，xi表示积分状态变量，t表示采样周期；则单神经元pi控制器的算法通过下式表示：
[0082][0083]
式(4)中，u(m)表示第m次采样时控制器的输出。比例状态变量x
p
和积分状态变量xi即pi控制器的比例、积分系数，通过神经网络的学习过程实现自适应调节。
[0084]
在权值调整过程中，引入二次型性能指标函数j(m)，当j(m)最小时，达到最优的控制效果，k
p
和ki沿负梯度方向变化，满足自适应律：
[0085][0086]
式(5)中，η表示比例权值k
p
和积分权值ki的学习速率；二次型性能指标函数j(m)通过下式表示：
[0087][0088]
由(6)可知，式(5)中：
[0089][0090]
由(2)可知则：
[0091][0092]
式(5)中，为被控对象的jacobian信息，由rbf神经网络辨识算法进行辨识得到。
[0093]
在单神经元pi控制器的基础上，引入rbf神经网络辨识算法对被控对象的jacobian信息进行辨识，具体步骤包括：
[0094]
步骤1：采用具有2个输入节点，5个隐含层节点和1个输出节点的rbf神经网络来辨识被控对象的jacobian信息。
[0095]
步骤2：初始化神经网络的输入向量x＝[x1,x2]
t
，其中x1＝u(k-1)，x2＝y(k-1)，隐含层径向基向量h＝[h1,h2,h3,h4,h5]
t
，权值向量w＝[w1,w2,w3,w4,w5]
t
，其中隐含层径向基向量为高斯基函数，通过下式表示：
[0096][0097]
式(9)中，cj为隐含层第j个神经元节点的中心矢量，cj＝[c
j1
,c
j2
]
t
，bj为隐含层第j个神经元节点的基宽参数。
[0098]
则rbf神经网络的输出为：
[0099][0100]
第m次采样时刻rbf神经网络的辨识误差，通过下式表示：
[0101]
ed(m)＝y(m)-yd(m)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0102]
步骤3：选取二次型函数作为rbf神经网络辨识的性能指标函数，，通过下式表示：
[0103][0104]
根据梯度下降法，隐含层第j个神经元节点的的权值、节点中心和基宽参数按以下方式调节：
[0105][0106]
式(13)中，λ表示隐含层第j个神经元节点的权值wj、节点中心bj和基宽参数c
ji
的学习速率；α为动量因子。
[0107]
则被控对象的jacobian信息为：
[0108][0109]
步骤4：确定rbf神经网络的初始参数，由下式确定：
[0110][0111]
式(15)中，y
min
、y
max
分别表示控制对象期望输出的最小值、最大值，u
min
、u
max
为控制器输出的最小值、最大值。
[0112]
采用amsgrad优化算法改进单神经元pi控制器，在动量法的基础上利用历史梯度信息实现学习速率的自适应调整，从而提高了算法的快速性和稳定性。
[0113]
amsgrad优化算法中的伪代码包括：
[0114]
初始时的权值θ0、初始时的学习速率γ0、初始时的一阶动量因子ε0，二阶动量因子ρ，第m次迭代的梯度gm、第m次迭代的权值θm、第m次迭代的学习速率γm、第m次迭代的一阶动量因子sm、第m次迭代的一阶动量sm、第m次迭代的二阶动量am、第m次迭代的二阶动量常数σ。为了防止分母为0，初始时的一阶动量因子ε0＝0.9，二阶动量因子ρ＝0.999，常数σ＝10-8
。
[0115]
还包括，比较传统pi控制器、单神经元pi控制器和预先优化的电压环控制器的跟踪性能。
[0116]
实施例二：
[0117]
本实施例公开了一种逆变器电压控制系统，包括：
[0118]
采样模块：对lc型逆变器的电压电流数据进行采样；
[0119]
处理模块：用于将采样数据输入预先优化的电压环控制器，对电力系统中lc型逆变器的电压进行控制；其中，所述预先优化的电压环控制器为：在单神经元pi控制器的基础
上，引入rbf神经网络辨识算法对被控对象的jacobian信息进行辨识，并采用amsgrad优化算法改进单神经元pi控制器。
[0120]
实施例三：
[0121]
本发明实施例提供了一种计算机设备，包括处理器及存储介质；
[0122]
所述存储介质用于存储指令；
[0123]
所述处理器用于根据所述指令进行操作以执行实施例一所述方法的步骤。
[0124]
实施例四：
[0125]
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现实施例一所述方法的步骤。
[0126]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0127]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0128]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0129]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0130]
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。