微网电流控制方法及微网电流控制系统与流程

1.本技术涉及电力系统三相逆变器的控制技术，特别是涉及一种微网电流控制方法及微网电流控制系统。


背景技术：

2.微电网系统中存在多变流器并联运行的情况，为实现并联运行，变流器中的逆变器一方面需要满足输出电压相位、频率、幅值的一致性，以抑制环流的产生；另一方面需要保证各台变流器的输出平均分担负载，避免部分模块过载的问题。功率下垂控制是多变流器并联系统常用控制方式，但是传统下垂控制的要求苛刻，需要逆变器的输出阻抗与电力线的线路阻抗之和呈电感性，由于不同电压等级的连接线路对应不同的阻抗比，每台逆变器的线路长度存在差异，以及各种不确定的电路网络的存在，会导致线路阻抗值(电力线的阻抗值)的不同，而使电流均分效果不理想。


技术实现要素：

3.基于此，有必要针对上述技术问题，提供一种能够使得逆变器的输出阻抗与线路阻抗之和实时呈电感性的新的微网电流控制方法，和一种新的微网电流控制系统。
4.一种微网电流控制方法，包括：
5.获取各逆变器的滤波电感电流i
li_abc
、滤波电容电压u
ci_abc
和输出电流i
oi_abc
；
6.根据所述滤波电感电流i
li_abc
、滤波电容电压u
ci_abc
、输出电流i
oi_abc
和预设函数，得到各逆变器的虚拟阻抗z
vi
；
7.根据所述滤波电感电流i
li_abc
、滤波电容电压u
ci_abc
和虚拟阻抗z
vi
，得到各逆变器的驱动脉冲，所述驱动脉冲用于调节各逆变器的输出电流i
oi_abc
至预设输出电流。
8.在其中一个实施例中，所述微网电流控制方法还包括：
9.构建包括输入层、隐含层和输出层的预设径向基函数神经网络模型；
10.选取各逆变器的初始滤波电感电流i’li_abc
、初始滤波电容电压u’ci_abc
和初始输出电流i’oi_abc
作为所述输入层的输入变量，高斯基函数作为所述隐含层的径向基函数，虚拟阻抗z
vi
作为所述输出层的输出变量；
11.给出输出变量中各隐含层径向基函数的加权系数的初始权值，并选定所述预设径向基函数神经网络模型的学习速率和惯性系数；
12.设置所述预设径向基函数神经网络模型的目标函数，所述目标函数为作为输出变量的虚拟阻抗z
vi
对应的任意两台逆变器的输出电流i
oi_abc
之差的平方和；
13.进行神经网络学习，根据所述学习速率和惯性系数在线调整输出变量中各隐含层径向基函数的加权系数的权值，直至所述目标函数的函数值不大于预设值，得到虚拟阻抗z
vi
和输入变量之间的初始函数，所述初始函数为预设函数。
14.在其中一个实施例中，所述微网电流控制方法还包括：
15.将所述滤波电感电流i
li_abc
、所述滤波电容电压u
ci_abc
和所述输出电流i
oi_abc
作为
新的输入变量；
16.根据初始函数、新的输入变量、所述学习速率和所述惯性系数进行神经网络学习，在线调整所述初始函数中加权系数的权值，得到虚拟阻抗z
vi
和新的输入变量之间的实时函数，并将所述实时函数作为新的预设函数。
17.在其中一个实施例中，根据所述学习速率和惯性系数在线调整输出变量中各隐含层径向基函数的加权系数的权值的步骤还包括：
18.根据学习速率和惯性系数在线调整所述输出变量中各隐含层径向基函数的中心值和宽度值。
19.在其中一个实施例中，获取各逆变器的滤波电感电流i
li_abc
、滤波电容电压u
ci_abc
和输出电流i
oi_abc
的步骤包括：
20.经过预设周期通过载波同步信号同步各逆变器的参考时间；
21.在同一参考时间获取所述滤波电感电流i
li_abc
、滤波电容电压u
ci_abc
和输出电流i
oi_abc
。
22.在其中一个实施例中，根据所述滤波电感电流i
li_abc
、滤波电容电压u
ci_abc
和虚拟阻抗z
vi
，得到各逆变器的驱动脉冲的步骤包括：
23.根据所述滤波电感电流i
li_abc
和滤波电容电压u
ci_abc
，得到各逆变器的输出电压的参考频率ωi和参考电压幅值ui*；
24.将三相滤波电容电压u
ci_abc
转换成两相旋转坐标系下的d轴分量u
cdi
和q轴分量u
cqi
后，根据所述参考频率ωi、参考电压幅值ui*、所述滤波电容电压的d轴分量u
cdi
和q轴分量u
cqi
、所述虚拟阻抗z
vi
，得到各逆变器的d轴电流指令i
drefi
和q轴电流指令i
qrefi
；
25.将三相所述滤波电感电流i
li_abc
转换成两相旋转坐标系下的d轴分量i
ldi
和q轴分量i
lqi
后，根据所述d轴电流指令i
drefi
、q轴电流指令i
qrefi
、所述滤波电感电流的d轴分量i
ldi
和q轴分量i
lqi
，得到各逆变器的驱动脉冲。
26.在其中一个实施例中，所述微网电流控制方法还包括：根据驱动脉冲得到各所述逆变器的输出电流i
oi_abc
的步骤。
27.上述微网电流控制方法，在线路阻抗值波动的情况下，通过各逆变器的滤波电感电流i
li_abc
、滤波电容电压u
ci_abc
、输出电流i
oi_abc
和预设函数，得到各逆变器的虚拟阻抗z
vi
，进而得到各逆变器的驱动脉冲，根据驱动脉冲调节各逆变器的输出电流i
oi_abc
至预设输出电流，通过虚拟阻抗的引入，达到消除线路阻抗值波动对输出电流即电流均分效果的影响的目的。
28.一种微网电流控制系统，与多逆变器并联系统相连，所述多逆变器并联系统包括若干台并联的逆变器，所述逆变器包括依次连接的逆变桥、滤波电感和滤波电容，所述滤波电容通过电力线与负荷相连，所述微网电流控制系统包括：
29.采集模块，用于获取各逆变器的滤波电感电流i
li_abc
、滤波电容电压u
ci_abc
和输出电流i
oi_abc
；
30.虚拟阻抗模块，与所述采集模块相连，用于根据所述滤波电感电流i
li_abc
、滤波电容电压u
ci_abc
、输出电流i
oi_abc
和预设函数，得到各逆变器的虚拟阻抗z
vi
；
31.控制模块，分别与所述采集模块和所述虚拟阻抗模块相连，用于根据所述滤波电感电流i
li_abc
、所述滤波电容电压u
ci_abc
和所述虚拟阻抗z
vi
，得到各逆变器的驱动脉冲，所述
驱动脉冲用于调节各逆变器的输出电流i
oi_abc
至预设输出电流。
32.在其中一个实施例中，所述采集模块还用于获取各滤波电感的初始滤波电感电流i’li_abc
、初始滤波电容电压u’ci_abc
和初始输出电流i’oi_abc
；所述虚拟阻抗模块包括：
33.训练单元，用于构建包括输入层、隐含层和输出层的预设径向基函数神经网络模型，所述输入层的输入变量为所述初始滤波电感电流i’li_abc
、初始滤波电容电压u’ci_abc
和初始输出电流i’oi_abc
，所述隐含层的径向基函数为高斯基函数，所述输出层的输出变量为虚拟阻抗z
vi
；
34.所述训练单元还用于设置输出变量中各隐含层径向基函数的加权系数的初始权值，所述预设径向基函数神经网络模型的学习速率、惯性系数和目标函数；
35.所述训练单元还用于根据所述学习速率和惯性系数进行神经网络学习，在线调整输出变量中各隐含层径向基函数的加权系数的权值，得到虚拟阻抗z
vi
和输入变量之间的初始函数，此时目标函数的函数值不大于预设值；
36.虚拟阻抗单元，与所述训练单元连接，用于获取所述初始函数作为预设函数；
37.其中，所述目标函数为作为输出变量的虚拟阻抗z
vi
对应的任意两台逆变器的输出电流i
oi_abc
之差的平方和。
38.在其中一个实施例中，所述训练单元还用于将所述滤波电感电流i
li_abc
、所述滤波电容电压u
ci_abc
和所述输出电流i
oi_abc
作为新的输入变量，并根据所述初始函数、所述新的输入变量、所述学习速率和所述惯性系数进行神经网络学习，在线调整所述初始函数中加权系数的权值，得到虚拟阻抗z
vi
和所述新的输入变量之间的实时函数；
39.所述虚拟阻抗单元还用于获取所述实时函数作为新的预设函数。
40.在其中一个实施例中，所述训练单元还用于根据所述学习速率和惯性系数在线调整各隐含层径向基函数的中心值和宽度值。
41.在其中一个实施例中，所述采集模块包括与所述逆变器一一对应连接的若干个采集电路，所述采集电路用于获取所述逆变器的滤波电感电流i
li_abc
、滤波电容电压u
ci_abc
和输出电流i
oi_abc
后得到采集数据，所述控制模块包括与所述逆变器及采集电路一一对应连接的若干个控制电路；所述微网电流控制系统还包括：
42.主站模块，所述主站模块内包含所述虚拟阻抗模块，用于获取并发送所述虚拟阻抗z
vi
；
43.若干从站模块，各所述从站模块的第一端与各所述采集电路一一对应连接，用于获取所述采集电路的采集数据；各所述从站模块的第二端串联后与所述主站模块的第二端连接，用于获取所述虚拟阻抗z
vi
，并将所述采集数据发送给所述主站模块；
44.所述主站模块还用于向所述虚拟阻抗模块发送所述采集数据；各所述从站模块的第三端与各所述控制电路一一对应连接，用于将所述虚拟阻抗z
vi
发送给所述控制电路；
45.所述控制电路用于根据所述采集数据及所述虚拟阻抗z
vi
得到所述逆变器的驱动脉冲。
46.在其中一个实施例中，所述主站模块还用于发送载波同步信号，各所述从站模块还用于接收所述载波同步信号并实现逆变器的载波移相同步。
47.在其中一个实施例中，所述控制电路包括：
48.坐标转换单元，与所述采集电路连接，用于将三相所述滤波电感电流i
li_abc
转换成
两相旋转坐标系下的d轴分量i
ldi
和q轴分量i
lqi
；还用于将三相所述滤波电容电压u
ci_abc
转换成两相旋转坐标系下的d轴分量u
cdi
和q轴分量u
cqi
；
49.功率下垂单元，与所述采集电路连接，用于根据所述滤波电感电流i
li_abc
和滤波电容电压u
ci_abc
，得到逆变器的输出电压的参考频率ωi和参考电压幅值ui*；
50.电压环单元，分别与所述坐标转换单元、功率下垂单元和所述从站模块连接，用于根据所述参考频率ωi、参考电压幅值ui*、所述滤波电容电压的d轴分量u
cdi
和q轴分量u
cqi
、虚拟阻抗z
vi
，得到逆变器的d轴电流指令i
drefi
和q轴电流指令i
qrefi
；
51.电流环单元，分别与所述坐标转换单元和电压环单元连接，用于根据所述d轴电流指令i
drefi
、q轴电流指令i
qrefi
、所述滤波电感电流的d轴分量i
ldi
和q轴分量i
lqi
，得到所述逆变器的驱动脉冲。
52.上述微网电流控制系统，在线路阻抗值波动的情况下，通过各逆变器的滤波电感电流i
li_abc
、滤波电容电压u
ci_abc
、输出电流i
oi_abc
和预设函数，得到各逆变器的虚拟阻抗z
vi
，进而得到各逆变器的驱动脉冲，根据驱动脉冲调节各逆变器的输出电流i
oi_abc
至预设输出电流，达到消除线路阻抗值波动对输出电流即电流均分效果的影响的目的。
附图说明
53.为了更清楚地说明本技术实施例或传统技术中的技术方案，下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
54.图1为两台逆变器并联运行的等效电路；
55.图2为一实施例中微网电流控制方法的流程示意图；
56.图3为多逆变器并联系统拓扑图；
57.图4为另一个实施例中微网电流控制方法的流程示意图；
58.图5为一实施例中预设径向基函数神经网络模型的结构示意图；
59.图6为一个实施例中根据滤波电感电流、滤波电容电压和虚拟阻抗得到各逆变器的驱动脉冲的流程示意图；
60.图7为一实施例中同步各逆变器的参考时间的示意图；
61.图8为一实施例中微网电流控制系统的系统结构示意图；
62.图9为另一实施例中微网电流控制系统的系统结构示意图；
63.图10为一实施例中控制电路的系统结构示意图。
具体实施方式
64.为了便于理解本技术，下面将参照相关附图对本技术进行更全面的描述。附图中给出了本技术的实施例。但是，本技术可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使本技术的公开内容更加透彻全面。
65.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中在本技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术。
66.可以理解，本技术所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。
67.需要说明的是，当一个元件被认为是“连接”另一个元件时，它可以是直接连接到另一个元件，或者通过居中元件连接另一个元件。此外，以下实施例中的“连接”，如果被连接的对象之间具有电信号或数据的传递，则应理解为“电连接”、“通信连接”等。
68.在此使用时，单数形式的“一”、“一个”和“所述/该”也可以包括复数形式，除非上下文清楚指出另外的方式。还应当理解的是，术语“包括/包含”或“具有”等指定所陈述的特征、整体、步骤、操作、组件、部分或它们的组合的存在，但是不排除存在或添加一个或更多个其他特征、整体、步骤、操作、组件、部分或它们的组合的可能性。同时，在本说明书中使用的术语“和/或”包括相关所列项目的任何及所有组合。
69.参见图1，图1为两台逆变器并联运行的等效电路。u1∠φ1和u2∠φ2分别为逆变器1和逆变器2的空载输出电压，其角度为输出电压与母线电压的相角差；x1和x2分别为逆变器1和逆变器2的输出感抗与线路感抗之和；r1和r2分为逆变器1和逆变器2的输出电阻与线路电阻之和；xl和rl分别为负荷阻抗值；e∠0为并联交流母线电压。以逆变器1为例，可以得到逆变器1的输出有功功率以及无功功率为：
[0070][0071][0072]
其中，为阻抗角。实际情况下φ1很小，且当x1远大于r1时，可以得到简化后的有功功率及无功功率为：
[0073][0074][0075]
由式(3)和式(4)可得，p1与相角φ1成正比关系，q1与电压e成正比关系，可以得到有功功率-频率下垂控制方程为：
[0076][0077]
式(5)中，ω为逆变器1的频率，ω0为逆变器1的额定频率，m为逆变器1输出电压的频率的下垂控制系数，u为逆变器1的输出电压，u0为逆变器1的额定电压，n为逆变器1输出电压的幅值的下垂控制系数。
[0078]
在输出阻抗和电力线的线路阻抗之和为电感性的下垂并联系统中，只要逆变器的
下垂控制系数的值相等，就可以达到均流的效果。然而实际情况下不同电压等级的馈线对应不同的阻抗比，同时多台逆变器的加入也会影响电力线的线路阻抗的大小，微电网可能出现的不确定电路网络会改变线路拓扑结构，这些因素会使功率均分效果不理想。
[0079]
参见图2，为一实施例中微网电流控制方法的流程示意图。
[0080]
如图2所示，在其中一个实施例中，提供一种微网电流控制方法，包括：
[0081]
s10，获取各逆变器的滤波电感电流i
li_abc
、滤波电容电压u
ci_abc
和输出电流i
oi_abc
。
[0082]
本实施例采用多台逆变器并联的方式接入负载，参见图3，为多逆变器并联系统拓扑图，每台逆变器包括依次连接的直流微源u
dci
(图中未示出)、逆变桥102、滤波电感104、滤波电容106，所述拓扑图还包括公共耦合点pcc、电网grid、并网开关k1、负荷开关k2、负荷；并网时，并网开关k1闭合；离网时，并网开关k1断开；带负荷时负荷开关k2闭合，不带负荷时负荷开关k2断开，并网和离网均可选择是否带负荷运行。本技术研究的是一种离网条件下的微网电流控制方法，离网时，滤波电容106通过电力线与负荷连接，其中，u
dci
为第i台逆变器中直流微源的输出电压，i
li_abc
为第i台逆变器中的滤波电感电流，u
ci_abc
为第i台逆变器中的滤波电容电压，i
oi_abc
为第i逆变器的输出电流。本技术中，获取各逆变器的滤波电感电流i
li_abc
、滤波电容电压u
ci_abc
和输出电流i
oi_abc
的器件并不唯一，可以采用互感器，也可以采用电阻与霍尔传感器组成的测量电路。
[0083]
s20，根据所述滤波电感电流i
li_abc
、滤波电容电压u
ci_abc
、输出电流i
oi_abc
和预设函数，得到各逆变器的虚拟阻抗z
vi
。
[0084]
根据各逆变器当前的滤波电感电流i
li_abc
、滤波电容电压u
ci_abc
、输出电流i
oi_abc
和各逆变器的预设函数，得到用于调节各逆变器下一步的输出电流至预设输出电流的虚拟阻抗z
vi
，预设函数指的是引入虚拟阻抗z
vi
之后，并联系统中任意两台逆变器当前的输出电流之差的平方和不大于预设数值a时，虚拟阻抗z
vi
与滤波电感电流i
li_abc
、滤波电容电压u
ci_abc
、输出电流i
oi_abc
之间的关系函数。此时，逆变器对应的输出阻抗和电力线的线路阻抗之和为电感性，在功率下垂控制系数的值相等的情况下，可以达到均流的效果。
[0085]
以i＝3为例，(i
o1_abc
－i
o2_abc
)2+(i
o1_abc
－i
o3_abc
)2+(i
o2_abc
－i
o3_abc
)2≤a，此时逆变器1、逆变器2和逆变器3对应的输出阻抗和电力线的线路阻抗之和均为电感性。对于线路变化、有逆变器加入或切出时多逆变器并联系统中均流效果不理想的问题，通过引入虚拟阻抗达到了有功功率均分即电流均分的目的(各逆变器的负荷相同)。
[0086]
s30，根据所述滤波电感电流i
li_abc
、滤波电容电压u
ci_abc
和虚拟阻抗z
vi
，得到各逆变器的驱动脉冲，所述驱动脉冲用于调节各逆变器的输出电流i
oi_abc
至预设输出电流。
[0087]
具体地，引入虚拟阻抗z
vi
后，根据当前的滤波电感电流i
li_abc
、滤波电容电压u
ci_abc
和虚拟阻抗z
vi
得到各逆变器对应的驱动脉冲，通过该驱动脉冲将各逆变器的输出电流i
oi_abc
调节至预设输出电流，即通过驱动脉冲将各逆变器的输出电流i
oi_abc
之间的波动控制在一定范围内，从而达到提高均流效果的目的。
[0088]
参见图4，为另一实施例中微网电流控制方法的流程示意图。
[0089]
如图4所示，在其中一个实施例中，所述微网电流控制方法还包括：
[0090]
s40，构建包括输入层、隐含层和输出层的预设径向基函数神经网络模型。
[0091]
如图5所示，构建预设径向基函数神经网络模型，包括具有3个输入节点的输入层x，用于接收和传输数据；具有3个隐含层h，用于对接收的数据进行非线性变化；具有1个输
出节点的输出层zv，与隐含层之间的关系是线形的。
[0092]
s50，选取预设径向基函数神经网络模型输入层的输入变量、隐形层的径向基函数、输出层的输出变量。
[0093]
选取各逆变器的初始滤波电感电流i’li_abc
、初始滤波电容电压u’ci_abc
和初始输出电流i’oi_abc
作为输入层x的输入变量xi，高斯基函数作为隐形层h的径向基函数hij，虚拟阻抗z
vi
作为输出层zv的输出变量。
[0094]
即，输入变量xi＝[i
′
li_abc u
′
ci_abc i
′
oi_abc
]
t
，径向基函数作为输出变量的虚拟阻抗其中，w
ij
、c
ij
和b
ij
分别为第i台逆变器对应的输出变量中第j个隐含层径向基函数h
ij
的加权系数的权值、径向基函数h
ij
的中心值、径向基函数h
ij
的宽度值，1≤j≤p，p为所述预设径向基函数神经网络模型中隐含层的个数。
[0095]
第i台逆变器的径向基函数h
ij
的初始中心值和初始宽度值分别为：
[0096][0097][0098]
以第1台逆变器为例，隐含层的径向基函数为：
[0099]
径向基函数的初始中心值c1j(0)为：
[0100][0101]
其中，输入变量x1＝[i
′
l1_abc u
′
c1_abc i
′
o1_abc
]
t
，minx1当前输入变量x1中的最小值，maxx1为当前输入变量x1中的最大值，1≤j≤p，p为所述预设径向基函数神经网络模型中隐含层的个数。
[0102]
当前神经网络模型有3个隐含层，即p＝3，径向基函数的初始中心值c
11
(0)-c
13
(0)的表达式为：
[0103][0104]
径向基函数初始宽度值b1j(0)的表达式为：
[0105][0106]
径向基函数h
1j
的表达式为：
[0107][0108]
输出变量的虚拟阻抗z
v1
的表达式为：
[0109]zv1
＝w
11h11
+w
12h12
+w
13h13
ꢀꢀ
(12)
[0110]
其中，w
11
、w
12
、w
13
分别为径向基函数h
11
、径向基函数h
12
、径向基函数h
13
的加权系数的权值。
[0111]
s60，给出输出变量中各隐含层径向基函数的加权系数的初始权值，并选定所述预设径向基函数神经网络模型的学习速率和惯性系数。
[0112]
以第1台逆变器为例，具体地，分别给出各隐含层径向基函数h
11
、h
12
、h
13
的初始权值w
11
(0)、w
12
(0)、w
13
(0)，其中，w
11
(0)+w
12
(0)+w
13
(0)＝1；选定神经网络的学习速率η和惯性系数α。在本技术中，初始权值可以选取w
11
(0)＝w
12
(0)＝w
13
(0)；学习速率η的初始值可以设置为0.001，若不符合预期则乘以3用0.003代替，若仍不符合预期就用0.01代替，以此类推直到找到合适的学习速率η；惯性系数α可以选取0-1之间的任意值，例如0.3、0.5、0.7、0.9等。在实际应用中，可以根据实际需要选取不同的初始权值w
11
(0)、w
12
(0)、w
13
(0)、学习速率η和惯性系数α。
[0113]
s70，设置所述预设径向基函数神经网络模型的目标函数，所述目标函数为作为输出变量的虚拟阻抗z
vi
对应的任意两台逆变器的输出电流i
oi_abc
之差的平方和。
[0114]
设置神经网络学习的目标函数f(i
oi_abc
)为以当前虚拟阻抗z
vi
得到的任意两台逆变器的输出电流i
oi_abc
之差的平方和，以3台逆变器并联为例，此时，目标函数为f(i
oi_abc
)＝(i
o1_abc
－i
o2_abc
)2+(i
o1_abc
－i
o3_abc
)2+(i
o2_abc
－i
o3_abc
)2。
[0115]
s80，进行神经网络学习，根据所述学习速率和惯性系数在线调整输出变量中各隐含层径向基函数的加权系数的权值，获取虚拟阻抗z
vi
和输入变量之间的初始函数。
[0116]
进行神经网络学习，根据学习速率η和惯性系数α在线调整输出变量中各隐含层径向基函数的加权系数的权值w
ij
，直至所述目标函数的函数值不大于预设值，得到虚拟阻抗z
vi
和输入变量xi之间的初始函数，所述初始函数为预设函数。
[0117]
具体地，进行神经网络学习，以初始权值w
i1
(0)、w
i2
(0)、w
i3
(0)得到虚拟阻抗z
vi0
后，根据虚拟阻抗z
vio
对应的驱动脉冲调节各逆变器后得到的输出电流i
oi_abc
,然后根据各逆变器的输出电流i
oi_abc
得到目标函数f(i
oi_abc
)的函数值，若函数值大于预设值，则根据学习速率η和惯性系数α在线调整各隐含层径向基函数的加权系数的权值w
ij
，重复获取目标函数的函数值的步骤，直至逆变器对应的函数值不大于预设值，此时虚拟阻抗z
vi
和输入变量xi之间的函数为初始函数，此时加权系数的权值w
ij
为初始函数的系数。通过预设径向基函
数神经网络模型对系统性能的学习将输出层zv输出的虚拟阻抗z
vi
整定到最佳参数，达到消除线路阻抗值(即电力线的阻抗值)的波动对电流均分效果的影响。
[0118]
在线调整加权系数的权值的过程中，加权系数的权值迭代公式为：
[0119][0120]
式(13)中，w
ij
(t)为第t-1次目标函数的函数值大于预设值时，在线调整后得到的加权系数的权值；η为学习速率，α为惯性系数；w
ij
(0)为加权系数的初始权值，当t-2《0时，w
ij
(t-2)＝0。
[0121]
在其中一个实施例中，根据所述学习速率和惯性系数在线调整输出变量中各隐含层径向基函数的加权系数的权值的步骤还包括：
[0122]
根据学习速率和惯性系数在线调整各隐含层径向基函数的中心值和宽度值。
[0123]
在线调整加权系数的权值的同时，各隐含层径向基函数的中心值和宽度值的迭代公式如下：
[0124][0125][0126]
式(14)、式(15)中，c
ij
(t)、b
ij
(t)分别为权值w
ij
(t)对应的径向基函数的中心值和宽度值；η为学习速率，α为惯性系数；c
ij
(0)、b
ij
(0)分别为初始权值w
ij
(0)对应的径向基函数的初始中心值和初始宽度值，当t-2《0时，c
ij
(t-2)＝0、b
ij
(t-2)＝0。
[0127]
在其中一个实施例中，所述微网电流控制方法还包括：
[0128]
将滤波电感电流i
li_abc
、滤波电容电压u
ci_abc
和输出电流i
oi_abc
作为新的输入变量x’i；然后根据所述初始函数、所述新的输入变量x’i、所述学习速率和所述惯性系数进行神经网络学习，在线调整初始函数中加权系数的权值w
ij
，得到虚拟阻抗z
vi
和新的输入变量x’i之间的实时函数，并将所述实时函数作为新的预设函数。
[0129]
本实施例中，在初始函数的基础上，将根据驱动脉冲调节得到的各逆变器的滤波电感电流i
li_abc
、滤波电容电压u
ci_abc
和输出电流i
oi_abc
作为输入层新的输入变量，进行神经网络的学习后，得到虚拟阻抗z
vi
和输入变量x’i之间的实时函数，然后将实时函数作为新的预设函数继续调整各逆变器的输出电流i
oi_abc
，实现了对各逆变器输出电流i
oi_abc
的实时调整，达到适应灵活多变的微电网的目的。
[0130]
参见图6，为一个实施例中根据滤波电感电流、滤波电容电压和虚拟阻抗得到各逆变器的驱动脉冲的流程示意图。
[0131]
如图6所示，在其中一个实施例中，步骤s30包括：
[0132]
s300，根据滤波电感电流i
li_abc
和滤波电容电压u
ci_abc
，得到各逆变器的输出电压的参考频率ωi和参考电压幅值ui*。
[0133]
首先，根据滤波电感电流i
li_abc
和滤波电容电压u
ci_abc
，进行功率计算，得到三相逆变器的有功功率p和无功功率q；然后，根据有功功率p和无功功率q，得到各逆变器的输出电
压的参考频率ωi和参考电压幅值ui*。
[0134]
s302，根据参考频率、参考电压幅值、滤波电容电压和虚拟阻抗，得到各逆变器的d轴电流指令和q轴电流指令。
[0135]
将三相滤波电容电压u
ci_abc
转换成两相旋转坐标系下的d轴分量u
cdi
和q轴分量u
cqi
后，根据所述参考频率ωi、参考电压幅值ui*、所述滤波电容电压的d轴分量u
cdi
和q轴分量u
cqi
、所述虚拟阻抗z
vi
，得到各逆变器的d轴电流指令i
drefi
和q轴电流指令i
qrefi
。
[0136]
s304，根据滤波电感电流、d轴电流指令、q轴电流指令，得到各逆变器的驱动脉冲。
[0137]
将三相滤波电感电流i
li_abc
转换成两相旋转坐标系下的d轴分量i
ldi
和q轴分量i
lqi
后，根据所述d轴电流指令i
drefi
、q轴电流指令i
qrefi
、所述滤波电感电流的d轴分量i
ldi
和q轴分量i
lqi
，得到各逆变器的驱动脉冲。在获取驱动脉冲的过程中，通过虚拟阻抗z
vi
的加入，消除了线路阻抗值(电力线的阻抗值)的波动对后续电流均分效果的影响。
[0138]
在其中一个实施例中，所述获取各逆变器的滤波电感电流i
li_abc
、滤波电容电压u
ci_abc
和输出电流i
oi_abc
的步骤包括：
[0139]
经过通讯网络对时功能同步各逆变器的参考时间，之后主站经过预设周期下发载波同步信号同步各逆变器载波；在同一参考时间获取滤波电感电流i
li_abc
、滤波电容电压u
ci_abc
和输出电流i
oi_abc
。
[0140]
通过同步各逆变器的参考时间，然后在同一参考时间获取各逆变器的滤波电感电流i
li_abc
、滤波电容电压u
ci_abc
和输出电流i
oi_abc
，可以实现各逆变器之间的同步采样，从而提高对各逆变器控制的稳定性，达到消除各逆变器参考时间差异对各逆变器电流均分差异效果的影响的目的。
[0141]
本实施例通过基于ethercat(ether control automation technology,控制自动化技术)的微网逆变器的载波移相同步方法，达到实现同步各逆变器的参考时间的目的。用pc机做主站，带有从站控制芯片esc的各逆变器作为从站。ethercat报文的通讯路径：主站下发集总ethercat报文给各个从站，当报文到达某一从站时，该从站自动寻址，硬件完成数据读写，直接从报文中提取与其相关的信息，并将要上传的信息再插入到该报文中去，然后将报文传输到下一个从站，依次循环，当ethercat报文到达到最后一个从站时，最后一个从站处理完报文后，发回经过完全处理的报文，并由第一个从站作为相应报文发回给主站，完成一个通讯周期。通过ethercat的对时功能，使系统中所有的逆变器都运行在统一参考时间下，并且主站同时给所有逆变器的主控芯片dsp周期性的下发一个载波同步信号，使得每个逆变器实现载波同步，并且逆变器之间时间同步的精度较高，与上层通讯进行信号传输的通讯较快。达到实现同步采样偏差小，控制延时的目的，并且提高了系统的自适应控制。
[0142]
如图7所示，微电网系统中的主站可以周期性的给各个从站108对时，将系统内所有从站108调为同一参考时间，而每个逆变器都配置有ethercat的从站控制芯片esc，这样系统中所有逆变器都会在同一参考时间下工作。那么，此时可以通过逆变器发送同步信号sync，周期性的同时触发对数据的采样。下面以逆变器的主控芯片dsp为dsp28335说明同步采样的实现：通过主控芯片dsp实时的采样电压电流信息，然后用于控制和发送载波，一般每采样一次就会进行控制一次，使得采样与控制相对同步，dsp中通过载波过零点产生的soc信号来触发采样，因此只要同步各个dsp中的载波，就可以使得各个dsp的采样同步。在dsp28335中，如果tbctl[phsen]位被设置1，当同步脉冲信号epwmx synci被检测到时，相位
寄存器tbphs的值将装载到时间基准计数器tbctr。当每个dsp相位寄存器tbphs的初值设置一致，将各个从站的sync信号接到dsp的epwmxsynci引脚，就可以让上位机配置系统中所有dsp的采样同步启动。通过对各个dsp做周期性地载波同步，消除各个dsp的时钟偏移，达到同步采样的目的。一般载波同步的周期为1ms，在实际应用中也可以根据实际情况选择载波同步的周期。
[0143]
在其中一个实施例中，所述微网电流控制方法还包括：根据驱动脉冲得到各所述逆变器的输出电流i
oi_abc
的步骤。
[0144]
以下举例说明微网电流控制方法，具体地，第一步，主站经过通讯网络对时功能给从站进行对时，并同步各逆变器的参考时间，使得所有逆变器工作在统一参考时间下，之后主站同时给所有逆变器的从站控制芯片esc周期性的下发一个载波同步信号，使得每个逆变器的控制芯片dsp的载波同步，实现dsp的同步采样；假设有n个逆变器并联，在同一时间，各逆变器中的主控芯片dsp控制获取逆变器的初始滤波电感电流i’li_abc
、初始滤波电容电压u’ci_abc
和初始输出电流i’oi_abc
；逆变器1将获取的初始滤波电感电流i’l1_abc
、初始滤波电容电压u’c1_abc
和初始输出电流i’o1_abc
转换成数据帧1后，传输给逆变器2，逆变器2将获取的初始滤波电感电流i’l2_abc
、初始滤波电容电压u’c2_abc
和初始输出电流i’o2_abc
插入数据帧1后得到数据帧2，并将数据帧2传输给逆变器3，以此类推，直至将包括逆变器1-逆变器n获取的初始滤波电感电流i’li_abc
、初始滤波电容电压u’ci_abc
和初始输出电流i’oi_abc
的数据帧n传输给主站。
[0145]
第二步，主站以获取的数据帧n中的初始滤波电感电流i’li_abc
、初始滤波电容电压u’ci_abc
和初始输出电流i’oi_abc
作为预设径向基函数神经网络模型的输入层的输入变量xi，高斯函数为神经网络模型的隐含层的基函数，虚拟阻抗z
vi
为神经网络模型的输出层，设定各逆变器对应的输出变量中各隐含形层径向基函数的加权系数的初始权值，并选定所述预设径向基函数神经网络模型的学习速率和惯性系数，并设置所述预设径向基函数神经网络模型的目标函数，所述目标函数为作为输出变量的虚拟阻抗z
vi
对应的并联系统中任意两台逆变器的输出电流之差的平方和，并设置目标函数的预设值。
[0146]
第三步，主站进行神经网络训练时，将各个输出层的虚拟阻抗作为传输数据帧发送给从站，从站从获取的传输数据帧中抽取与其对应的虚拟阻抗后，继续将传输数据帧传送给下一个从站，直至最后一个从站为止，然后将根据虚拟阻抗调整驱动脉冲之后得到的各逆变器的滤波电感电流i
li_abc
、滤波电容电压u
ci_abc
和输出电流i
oi_abc
回传给主站，主站计算目标函数的函数值，在函数值大于预设值时，根据学习速率和惯性系数，在输入变量不变的情况下，在线调整该逆变器中各隐含层径向基函数的加权系数的权值、径向基函数的中心值和宽度值，直至目标函数的函数值不大于预设值，停止神经网络训练，根据此时加权系数的权值、径向基函数的中心值和宽度值，确定虚拟阻抗z
vi
与输入变量xi的初始函数的表达式，该初始函数为各逆变器对应的获取虚拟阻抗的预设函数。
[0147]
第四步，主站根据第一滤波电感电流i
l1i_abc
、第一滤波电容电压u
c1i_abc
、第一输出电流i
o1i_abc
和初始函数得到各逆变器的第一虚拟阻抗z
v1i
后，通过从站控制芯片esc分别将第一虚拟阻抗z
v1i
传输给各个逆变器的主控芯片dsp，各个逆变器的主控芯片dsp控制对应的逆变器根据第一滤波电感电流i
l1i_abc
、第一滤波电容电压u
c1i_abc
和第一虚拟阻抗z
v1i
，得到各个逆变器的第一驱动脉冲，然后根据第一驱动脉冲调节各个逆变器的输出电流至第二
输出电流i
o2i_abc
，此时，第二输出电流i
o2i_abc
与预设输出电流之间的误差在可接受的范围内。
[0148]
第五步，主站获取各个逆变器的第二输出电流i
o2i_abc
及与第二输出电流i
o2i_abc
对应的第二滤波电感电流i
l2i_abc
、第二滤波电容电压u
c2i_abc
，并将其作为新的输入变量x’i，进行神经网络训练，得到虚拟阻抗z
vi
和所述输入变量x’i之间的实时函数，并将得到的实时函数作为新的预设函数，重复第四步和第五步。通过该方式，可以避免电路拓扑变化、负荷投切等不确定情况对各逆变器输出电流的均分效果的影响，提高系统电流均分的精度。
[0149]
上述微网电流控制方法，在线路阻抗值波动的情况下，通过各逆变器的滤波电感电流i
li_abc
、滤波电容电压u
ci_abc
、输出电流i
oi_abc
和预设函数，得到各逆变器的虚拟阻抗z
vi
，进而得到各逆变器的驱动脉冲，根据驱动脉冲调节各逆变器的输出电流i
oi_abc
至预设输出电流，通过虚拟阻抗的引入，达到消除线路阻抗值波动对输出电流即电流均分效果的影响的目的。
[0150]
参见图8，为一实施例中微网电流控制系统的系统结构示意图。
[0151]
如图8所示，在其中一个实施例中，提供一种微网电流控制系统，与多逆变器并联系统相连，所述多逆变器并联系统包括若干个并联的逆变器10，所述逆变器10包括依次连接的逆变桥、滤波电感和滤波电容，所述滤波电容通过电力线与负荷相连，所述微网电流控制系统包括：采集模块20、虚拟阻抗模块30和控制模块40。
[0152]
采集模块20用于获取各逆变器10的滤波电感电流i
li_abc
、滤波电容电压u
ci_abc
和输出电流i
oi_abc
。
[0153]
采集模块20采集并联的各个逆变器10中通过滤波电感的滤波电感电流i
li_abc
、滤波电容两端的滤波电容电压u
ci_abc
，以及通过负荷的输出电流i
oi_abc
。
[0154]
虚拟阻抗模块30与采集模块20相连，用于根据采集模块20采集到的滤波电感电流i
li_abc
、滤波电容电压u
ci_abc
、输出电流i
oi_abc
和预设函数，得到各逆变器10的虚拟阻抗z
vi
。
[0155]
控制模块40分别与采集模块20和虚拟阻抗模块30相连，用于根据所述滤波电感电流i
li_abc
、所述滤波电容电压u
ci_abc
和所述虚拟阻抗z
vi
，得到各逆变器10的驱动脉冲，所述驱动脉冲用于调节各逆变器10的输出电流i
oi_abc
至预设输出电流。
[0156]
控制模块40根据虚拟阻抗z
vi
得到各逆变器10的驱动脉冲后，通过驱动脉冲将各逆变器10的输出电流调整到同一数值，进而达到电流均分的目的，消除了逆变器10与负荷之间电力线的线路阻抗的变化对电流均分效果的影响。
[0157]
参见图9，为另一实施例中微网电流控制系统的系统结构示意图。
[0158]
如图9所示，在其中一个实施例中，所述采集模块20还用于获取各滤波电感的初始滤波电感电流i’li_abc
、初始滤波电容电压u’ci_abc
和初始输出电流i’oi_abc
；所述虚拟阻抗模块30包括训练单元302和虚拟阻抗单元304。
[0159]
训练单元302用于构建包括输入层、隐含层和输出层的预设径向基函数神经网络模型，所述输入层的输入变量为所述初始滤波电感电流i’li_abc
、初始滤波电容电压u’ci_abc
和初始输出电流i’oi_abc
，所述隐含层的径向基函数为高斯基函数，所述输出层的输出变量为虚拟阻抗z
vi
；
[0160]
训练单元302还用于设置输出变量中各隐含层径向基函数的加权系数的初始权值，所述预设径向基函数神经网络模型的学习速率、惯性系数和目标函数，所述目标函数为
作为输出变量的虚拟阻抗z
vi
对应的任意两台逆变器的输出电流i
oi_abc
之差的平方和；
[0161]
所述训练单元302还用于根据所述学习速率和惯性系数进行神经网络学习，在线调整输出变量中各隐含层径向基函数的加权系数的权值w
ij
，得到虚拟阻抗zvi和输入变量xi之间的初始函数，此时目标函数的函数值不大于预设值。
[0162]
训练单元302构建包括输入层、隐含层和输出层的预设径向基函数神经网络模型，输入层的输入变量xi为采集模块20获取的初始滤波电感电流i’li_abc
、初始滤波电容电压u’ci_abc
和初始输出电流i’oi_abc
，输入层的输入节点数量选择3；隐含层的径向基函数为高斯函数，隐含层的个数为3；输出层的输出变量为虚拟阻抗zvi，输出层的输出节点数量选择1。训练单元302还用于设置输出变量中各隐含层径向基函数的加权系数的初始权值w
ij
(0)、预设径向基函数神经网络模型的学习速率η、惯性系数α和目标函数f(i
oi_abc
)，其中，对于逆变器i来说，隐含层1、2、3的加权系数的初始权值w
i1
(0)+w
i2
(0)+w
i3
(0)＝1；目标函数f(i
oi_abc
)为以当前虚拟阻抗z
vi
得到的任意两台逆变器的输出电流i
oi_abc
之差的平方和。训练单元302以初始权值w
ij
(0)得到虚拟阻抗z
vi0
后，采集模块20获取根据虚拟阻抗z
vio
对应的驱动脉冲调节各逆变器后得到的输出电流i
oi_abc
，训练单元302与采集模块20相连，根据采集模块20采集到的输出电流i
oi_abc
得到对应的目标函数的函数值，当逆变器对应的函数值大于预设值时，训练单元302根据预设径向基函数神经网络模型的学习速率η、惯性系数α调整各隐含层径向基函数的加权系数的权值w
ij
，重复获取目标函数的函数值的步骤，直至逆变器对应的函数值不大于预设值，此时虚拟阻抗z
vi
和输入变量xi之间的函数为初始函数。通过该方式，训练单元302得到各个逆变器的初始函数。
[0163]
虚拟阻抗单元304与所述训练单元302连接，用于获取虚拟阻抗z
vi
和输入变量xi之间的初始函数作为预设函数。
[0164]
在其中一个实施例中，虚拟阻抗单元304还用于根据所述滤波电感电流i
li_abc
、滤波电容电压u
ci_abc
、输出电流i
oi_abc
和预设函数，得到各逆变器的虚拟阻抗z
vi
。
[0165]
在一个实施例中，所述训练单元302还用于将所述滤波电感电流i
li_abc
、所述滤波电容电压u
ci_abc
和所述输出电流i
oi_abc
作为新的输入变量x’i，并根据所述初始函数、所述新的输入变量x’i、所述学习速率和所述惯性系数进行神经网络学习，在线调整所述初始函数中加权系数的权值w
ij
，得到虚拟阻抗z
vi
和所述新的输入变量x’i之间的实时函数。
[0166]
所述虚拟阻抗单元304还用于获取所述虚拟阻抗z
vi
和所述新的输入变量x’i之间的实时函数作为新的预设函数。
[0167]
在初始函数的基础上，训练单元302实时将采集模块20获取的根据驱动脉冲调节得到的各逆变器的滤波电感电流i
li_abc
、滤波电容电压u
ci_abc
和输出电流i
oi_abc
作为输入层新的输入变量x’i，然后根据所述初始函数、所述新的输入变量x’i、所述学习速率和所述惯性系数进行神经网络的学习后，得到虚拟阻抗z
vi
和所述新的输入变量x’i之间的实时函数。虚拟阻抗单元304将实时函数作为新的预设函数得到各逆变器的虚拟阻抗z
vi
，然后通过控制模块40得到调整各逆变器的输出电流i
oi_abc
的驱动脉冲，实现了对各逆变器输出电流i
oi_abc
的实时调整，达到适应灵活多变的微电网的目的。
[0168]
在其中一个实施例中，所述训练单元还用于根据所述学习速率和惯性系数在线调整各隐含层径向基函数的中心值和宽度值。
[0169]
参见图9，为另一实施例中微网电流控制系统的系统结构示意图。
[0170]
如图9所示，在其中一个实施例中，所述采集模块20包括与所述逆变器10一一对应连接的若干个采集电路202，所述采集电路用于获取所述逆变器的滤波电感电流i
li_abc
、滤波电容电压u
ci_abc
和输出电流i
oi_abc
后得到采集数据，所述控制模块40包括与所述逆变器10及采集电路一一对应连接的若干个控制电路402；所述微网电流控制系统还包括：
[0171]
主站模块50，所述主站模块50的第一端与所述虚拟阻抗模块30连接，用于获取并发送所述虚拟阻抗z
vi
。
[0172]
若干从站模块60，各所述从站模块60的第一端与各所述采集电路202一一对应连接，用于获取所述采集电路202的采集数据；各所述从站模块60的第二端串联后与所述主站模块50的第二端连接，用于获取所述虚拟阻抗z
vi
，并将所述采集数据发送给所述主站模块50；所述主站模块50还用于向所述虚拟阻抗模块50发送所述采集数据；各所述从站模块60的第三端与各所述控制电路402一一对应连接，用于将所述虚拟阻抗z
vi
发送给所述控制电路402；
[0173]
所述控制电路402用于根据所述采集数据及所述虚拟阻抗z
vi
得到逆变器的驱动脉冲。
[0174]
在其中一个实施例中，所述主站模块50还用于发送载波同步信号，各所述从站模块60还用于接收所述载波同步信号并实现载波移相同步。可以实现各逆变器之间的同步采样，从而提高对各逆变器控制的稳定性，达到消除各逆变器参考时间差异对各逆变器电流均分差异效果的影响的目的。
[0175]
参见图10，为一实施例中控制电路的系统结构示意图。
[0176]
如图10所示，在其中一个实施例中，所述控制电路402包括坐标转换单元4022、功率下垂单元4024、电压环单元4026和电流环单元4028。
[0177]
坐标转换单元4022与所述采集电路202连接，用于将三相所述滤波电感电流i
li_abc
转换成两相旋转坐标系下的d轴分量i
ldi
和q轴分量i
lqi
；还用于将三相所述滤波电容电压u
ci_abc
转换成两相旋转坐标系下的d轴分量u
cdi
和q轴分量u
cqi
。
[0178]
在本实施例中，坐标转换单元4022为abc_dq单元，即三相静止坐标系到两相旋转坐标系变换单元，用于将采集电路采集到的三相交流量转换成直流量进行计算。
[0179]
功率下垂单元4024与所述采集电路202连接，用于根据所述滤波电感电流i
li_abc
和滤波电容电压u
ci_abc
，得到逆变器的输出电压的参考频率ωi和参考电压幅值ui*。
[0180]
电压环单元4026分别与坐标转换单元4022、功率下垂单元4024和所述从站模块60连接，用于根据所述参考频率ωi、参考电压幅值ui*、所述滤波电容电压的d轴分量u
cdi
和q轴分量u
cqi
、虚拟阻抗z
vi
，得到逆变器的d轴电流指令i
drefi
和q轴电流指令i
qrefi
。
[0181]
电流环单元4028分别与坐标转换单元4022和电压环单元4026连接，用于根据所述d轴电流指令i
drefi
、q轴电流指令i
qrefi
、所述滤波电感电流的d轴分量i
ldi
和q轴分量i
lqi
，得到逆变器的驱动脉冲。
[0182]
在其中一个实施例中，所述控制电路402还包括坐标逆转换单元4021和spwm单元4023：
[0183]
坐标逆转换单元4021与所述电流环单元4028连接，用于将电流环单元4028输出的d轴电压指令u
drefi
和q轴电压指令u
qrefi
，转换成三相坐标系下的a轴分量u
arefi
、b轴分量u
brefi
和c轴分量u
crefi
。
[0184]
spwm单元4023，即正弦脉冲调制单元4023，与所述坐标逆转换单元4021连接，用于根据三相坐标系下的a轴分量u
arefi
、b轴分量u
brefi
和c轴分量u
crefi
输出控制逆变器的开关的驱动脉冲。
[0185]
本发明的微网电流控制系统与微网电流控制方法一一对应，在上述微网电流控制方法的实施例阐述的技术特征及其有益效果均适用于所述微网电流控制系统的实施例中，特此声明。
[0186]
上述微网电流控制系统，在线路阻抗值波动的情况下，通过各逆变器的滤波电感电流i
li_abc
、滤波电容电压u
ci_abc
、输出电流i
oi_abc
和预设函数，得到各逆变器的虚拟阻抗z
vi
，进而得到各逆变器的驱动脉冲，根据驱动脉冲调节各逆变器的输出电流i
oi_abc
至预设输出电流，达到消除线路阻抗值波动对输出电流即电流均分效果的影响的目的。
[0187]
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述任一项所述微网电流控制方法的步骤。
[0188]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等
[0189]
在本说明书的描述中，参考术语“有些实施例”、“其他实施例”、“理想实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特征包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性描述不一定指的是相同的实施例或示例。
[0190]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0191]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。