Vienna整流器RBF神经网络外环电压滑模控制方法

摘要

本发明涉及一种Vienna整流器RBF神经网络外环电压滑模控制方法，电流内环电压外环对Vienna整流器进行控制，采用RBF神经网络逼近的滑模控制器实现对外电压环的控制，将RBF神经网络和滑模控制结合起来，利用RBF神经网络近距离电压外环滑模的非线性函数，有效减小启动器增益和抖动。同时，将中点电位平衡控制与RBF神经网络滑模控制器一起加入，形成了新的电压外环控制算法，不仅节省了资源，而且提升了控制系统的动静态性能。在保证系统强鲁棒性的同时提升了控制系统的动静态性能。

权利要求

1.一种Vienna整流器RBF神经网络外环电压滑模控制方法，电流、电压传感器实时检测到的交流侧三相电源的电压和电流，通过转换公式转换到dq坐标系下电压edq和电流idq，再加上交流侧dq坐标系下参考量电流 送入PI电流内环控制得到输出控制电压ud、uq，利用锁相环PLL检测到的实时相位角θ将ud、uq转换到静止坐标系下电压送入SVPWM调制，输出信号对三对由MOSFET组成的双向开关进行控制；其特征在于，其中交流侧dq坐标系下参考量电流 由外环电压控制获得，所述外环电压控制：直流输出端通过传感器检测输出上下两端的电容电压 与电容电压期望值 以及直流输出端电压参考值Voref、dq坐标系下电压ed送入采用RBF神经网络逼近的滑模控制器 实现对外电压环的控制，输出dq轴的电流参考值 令所述滑模控制器 的滑模面的设计如下：

其中： Voref为直流输出端电压参考值；kp、ki为滑模面上的误差值和误差积分值的两个系数，取值都要大于0，选择较大的kp使系统的快速性得到保证，同时选择较小的ki能够降低系统的抖动；所述滑模控制器为：其中sgn为饱和函数，控制参数都取正数，C为输出端上下端电容值；ε为趋近率系数；Rl为负载电阻；

所述RBF神经网络分为三层结构，分别为作为系统输入的输入层、中间信息处理的隐含层和作为系统输出的输出层，每个隐含层节点有一个中心向量c，c和输入参数向量x具有相同的维数，它们之间的欧式距离定义为||x(t)‑cj(t)||；

网络输入为：

隐含层的基函数通常选择如下的高斯基函数：

其中bj为正的表示高斯基函数宽度的标量；m是隐含层节点数，m＝15；

T

将滑模控制器 作为神经网络的输出，隐含层节点向量为H＝[h1 h2...h15] ，相应的中T T心点向量和基宽参数向量分别为：c＝[c1 c2...c15]，b＝[b1 b2...b15]；

其输出表达式：

T

上式中：W＝[w1 w2...w15]是连接权值向量；

将传统滑模控制运行得到的各个量在系统稳定输出时间段0.02s到0.05s的采样数据作为输入层样本，用于神经网络的训练，获得训练后神经网络用于滑模控制器。

2.根据权利要求1所述Vienna整流器RBF神经网络外环电压滑模控制方法，其特征在于，所述RBF神经网络的学习过程分为两个阶段，第一个阶段为无监督学习，根据输入的样本确定隐含层的高斯基函数的中心点向量cj与基宽参数bj，采用K‑means算法来实现中心向量cj的调整；

第二阶段是无监督学习，训练隐含层到输出层之间的权值w，w的学习算法如下：式中：β为学习效率，为了保证学习算法的收敛性，通常取0＜β＜1； 为期望输出值与实际输出值；

当样本离中心向量较远时，hj非常小，当作0处理；只有当hj大于设定数值时才对权值进行相应修改，因此隐含层节点向量H中只有个别元素为1，其余为0，每次训练时只有少数几个权值需调整，保证了RBF较快的学习速度。

说明书

Vienna整流器RBF神经网络外环电压滑模控制方法

技术领域

[0001] 本发明涉及一种控制技术，特别涉及一种Vienna整流器RBF神经网络外环电压滑模控制方法。

背景技术

[0002] Vienna整流器具有功率开关器件少、无桥臂死区问题且每个开关管承受的电压应力只有直流输出电压的一半等特点，因其独特的优势受到越来越多的关注和应用。根据Vienna整流器的单向功率流特性，其主要应用在需要单向整流或两级变流中的前级升压整流部分，以中大功率应用场合为主。目前常见的应用场合包括有源滤波器、功率因数校正、航空电源、直流不间断电源(UPS)、通信电源、新能源发电及电动汽车直流充电桩等。尤其在互联网数据中心用的通信电源及电动汽车直流充电等场合，Vienna整流器具有较大优势，表现出很大的应用潜力。

[0003] 对于Vienna整流器的外环电压多采用PI控制算法，但存在对误差进行线性求和以及积分环节的饱和造成的电压超调以及动态响应慢等缺点，因此有必要从电压环着手进行控制系统的优化设计。

发明内容

[0004] 针对现在Vienna整流器外环PI控制电压超调以及动态响应慢的问题，提出了一种Vienna整流器RBF神经网络外环电压滑模控制方法，将RBF神经网络和滑模控制结合起来，利用RBF神经网络近距离电压外环滑模的非线性函数，有效减小启动器增益和抖动。同时，将中点电位平衡控制与RBF神经网络滑模控制器一起加入，形成了新的电压外环控制算法，不仅节省了资源，而且提升了控制系统的动静态性能。

[0005] 本发明的技术方案为：一种Vienna整流器RBF神经网络外环电压滑模控制方法，电流、电压传感器实时检测到的交流侧三相电源的电压和电流，通过转换公式转换到dq坐标系下电压edq和电流idq，再加上交流侧dq坐标系下参考量电流 送入PI电流内环控制得到输出控制电压ud、uq，利用锁相环PLL检测到的实时相位角θ将ud、uq转换到静止坐标系下电压送入SVPWM调制，输出信号对三对由MOSFET组成的双向开关进行控制；其中交流侧dq坐标系下参考量电流 由外环电压控制获得，所述外环电压控制：直流输出端通过传感器检测输出上下两端的电容电压 与电容电压期望值 以及直流输出端电压参考值Voref、dq坐标系下电压ed送入采用RBF神经网络逼近的滑模控制器 实现对外电压环的控制，输出dq轴的电流参考值 另

[0006] 优选的，所述滑模控制器 的滑模面的设计如下：

[0007]

[0008] 其中： Voref为直流输出端电压参考值；kp、ki为滑模面上的误差值和误差积分值的两个系数，取值都要大于0，选择较大的kp使系统的快速性得到保证，同时选择较小的ki能够降低系统的抖动；所述滑模控制器为：

[0009]

[0010] 其中sgn为饱和函数，控制参数都取正数，C为输出端上下端电容值；ε为趋近率系数；Rl为负载电阻。

[0011] 优选的，所述RBF神经网络分为三层结构，分别为作为系统输入的输入层、中间信息处理的隐含层和作为系统输出的输出层，每个隐含层节点有一个中心向量c，c和输入参数向量x具有相同的维数，它们之间的欧式距离定义为||x(t)‑cj(t)||；

[0012] 网络输入为：

[0013]

[0014] 隐含层的基函数通常选择如下的高斯基函数：

[0015]

[0016] 其中bj为正的表示高斯基函数宽度的标量；m是隐含层节点数，m＝15；

[0017] 将滑模控制器 作为神经网络的输出，隐含层节点向量为H＝[h1 h2  ... h15]T，相T T应的中心点向量和基宽参数向量分别为：c＝[c1 c2 ... c15]，b＝[b1 b2 ... b15]；

[0018] 其输出表达式：

[0019]

[0020] 上式中：W＝[w1 w2 ... w15]T是连接权值向量；

[0021] 将传统滑模控制运行得到的各个量在系统稳定输出时间段0.02s到0.05s的采样数据作为输入层样本，用于神经网络的训练，获得训练后神经网络用于滑模控制器。

[0022] 优选的，所述RBF神经网络的学习过程分为两个阶段，第一个阶段为无监督学习，根据输入的样本确定隐含层的高斯基函数的中心点向量cj与基宽参数bj，采用K‑means算法来实现中心向量cj的调整；

[0023] 第二阶段是无监督学习，训练隐含层到输出层之间的权值w，w的学习算法如下：

[0024] 式中：β为学习效率，为了保证学习算法的收敛性，取0＜β＜1； 为期望输出值与实际输出值；

[0025] 当样本离中心向量较远时，hj非常小，当作0处理；只有当hj大于设定数值时才对权值进行相应修改，因此隐含层节点向量H中只有个别元素为1，其余为0，每次训练时只有少数几个权值需调整，保证了RBF较快的学习速度。

[0026] 本发明的有益效果在于：本发明Vienna整流器RBF神经网络外环电压滑模控制方法，采用RBF神经网络逼近控制率，在保证系统强鲁棒性的同时提升了控制系统的动静态性能。

附图说明

[0027] 图1为本发明Vienna整流器拓扑结构图；

[0028] 图2为本发明Vienna整流器dq坐标系下等效电路图；

[0029] 图3为本发明神经网络模型结构图；

[0030] 图4为本发明基于改进RBF神经网络控制器结构图；

[0031] 图5为本发明三相Vienna整流器控制框图；

[0032] 图6为本发明直流侧输出端电压波形图；

[0033] 图7为本发明交流输入端a相电压、电流波形图；

[0034] 图8为本发明有功功率、无功功率波形图；

[0035] 图9为本发明负载突变时a相电流频谱图；

[0036] 图10为本发明稳定后a相电流频谱图；

[0037] 图11a为传统PI加滑模混合控制方法直流侧输出电压值变化图；

[0038] 图11b为发明控制方法直流侧输出电压值变化图；

[0039] 图12a为传统PI加滑模混合控制方法交流测a相电流、电压值变化图；

[0040] 图12b为发明控制方法交流测a相电流、电压值变化图；

[0041] 图13a为传统PI加滑模混合控制方法系统有功、无功功率值变化图；

[0042] 图13b为发明控制方法下系统有功、无功功率值变化图；

[0043] 图14a为传统PI加滑模混合控制方法交流测三相电流值变化图；

[0044] 图14b为发明控制方法下交流测三相电流值变化图。

具体实施方式

[0045] 下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

[0046] 如图1为本发明Vienna整流器拓扑结构图(三相三开关三电平)，交流电通过Vienna整流器转化为直流电给负载供电，如图2所示Vienna整流器dq坐标系下等效电路图，交流点建立dq旋转坐标系下三相Vienna整流器电压外环的数学模型：

[0047]

[0048] 其中C为输出端上下端电容值； 为输出端上端电容电压； 为输出端下端电容电压；Sdq为交流侧d轴上端等效开关；Sqp为交流侧q轴上端等效开关；Sdn为交流侧d轴下端等效开关；Sqn为交流侧q轴下端等效开关；id为dq坐标系下d轴电流；iq为dq坐标系下q轴电流；Rl为负载电阻。

[0049] 选择直流端输出串联上下两个电容两端电压 与期望值 之间的误差值以及误差值随时间的积分值的加权值作为滑模面，这样既能保证系统的稳定性，又保证中点电位的平衡，因此，滑模面的设计如下：

[0050]

[0051] 其中： Voref为直流输出端电压参考值；kp、ki为滑模面上的误差值和误差积分值的两个系数，取值都要大于0，选择较大的kp使系统的快速性得到保证，同时选择较小的ki能够降低系统的抖动。

[0052] 为了减弱滑模变结构的抖动，设计趋近率形式如下：

[0053] 其中ε为趋近率系数；

[0054] 对上式求导，可得：

[0055]

[0056] 对上式化简可得：

[0057]

[0058] 又控制系统满足：

[0059]

[0060] 其中Vo为直流输出端测量电压；ed为交流侧dq坐标系下d轴电压； 为交流侧dq坐标系下d轴电流的参考量；为交流侧dq坐标系下q轴电流的参考量。

[0061] 求解上式可得：

[0062]

[0063] 其中sgn为饱和函数，控制参数都取正数，选择较大的kp能够保证系统具有快速性，并且在保证系统具有鲁棒性的同时，较小的ki能够有效地降低系统的抖动。

[0064] 存在性及可达性的证明：

[0065] 证明：当趋近率中ε>0，则：

[0066]

[0067] 由上式可得该控制系统满足存在性和可达性的条件，Vienna整流器在实际的应用中，参数的摄动以及外在的扰动(如：电磁干扰等)造成滑模控制器中趋近率的参数难以确定，会造成较大的切换增益，进而造成较大的抖动。针对此问题，下面采用RBF神经网络逼近上面设计的滑模控制器

[0068] RBF神经网络模型的建立：

[0069] RBF神经网络有较好的局部逼近能力，分为三层结构，分别为作为系统输入的输入层、中间信息处理的隐含层和作为系统输出的输出层。每个隐含层节点有一个中心向量c，c和输入参数向量x具有相同的维数，它们之间的欧式距离定义为||x(t)‑cj(t)||。

[0070] 观察上述表达式 其中可以测量得到的变量为ed、 通过间接计算可以得到的变量为S1、S2、 其他量当作是参变量。为了实现对滑模控制器 很好的逼近，选择测量得到的变量和间接计算可以得到的7个变量作为网络输入为：

[0071]

[0072] 将传统滑模控制运行得到的各个量在系统稳定输出时间段(0.02s到0.05s)的采样数据作为输入层样本，用于神经网络的训练。

[0073] 隐含层的基函数通常选择如下的高斯基函数：

[0074]

[0075] 其中bj为正的表示高斯基函数宽度的标量；m是隐含层节点数,经过多次实验仿真，当m取15时达到的控制效果最好，所以本文m的取值为15。

[0076] 将控制器 作为神经网络的输出，其中的映射关系如下图3所示。图3中的隐含层T节点向量为H＝[h1 h2  ... h15] ，相应的中心点向量和基宽参数向量分别为：c＝[c1 c2 T T
... c15]，b＝[b1 b2 ... b15]。

[0077] 由图3可知，其输出表达式：

[0078]

[0079] 上式中：W＝[w1 w2 ... w15]T是连接权值向量。

[0080] RBF神经网络学习算法的设计：

[0081] 图4是本发明基于改进RBF神经网络控制器结构图，RBF神经网络的学习过程主要分为两个阶段。第一个阶段为无监督学习，它的主要的作用是根据输入的样本确定隐含层的高斯基函数的中心点向量cj与基宽参数bj。这里采用的是K‑means算法来实现中心向量cj的调整，具体分为下面4个步骤：

[0082] (1)对隐含层各个节点的中心向量值cj(0)(j＝1,2,…,14,15)初始化,确定学习的步长η(0),(η(0)∈(0,1))以及阈值误差值δ；

[0083] (2)根据输入的样本x(k)，计算出欧氏距离dj(k)，并且找到与样本距离最小的隐含节点；采用如下计算公式：

[0084] dj(k)＝||x(k)‑cj(k‑1)||，(j＝1,2,...,15)

[0085] dmin(k)＝min{dj(k)}＝dr(k)

[0086] 式子中：dj为欧氏距离；k—输入样本序号；r为与样本距离最小的隐含节点序号；dr为第r个节点距输入样本x(k)的距离。

[0087] (3)调整中心；

[0088] cj(k)＝cj(k‑1),j＝1,2,...,15,j≠r

[0089] cr(k)＝cr(k‑1)+η(k)[x(k)‑cr(k‑1)]

[0090]

[0091] 式子中：cj为中心向量调整初值；cr为中心向量调整后的值；η为学习步长。

[0092] 由上式可知，随着输入样本的增加，学习步长渐渐变小，最后趋于0。

[0093] (4)对于所有的输入样本重复进行步骤(2)和(3),一直到输入样本的总体误差J小于误差设定值δ。

[0094]

[0095] 基宽参数由所选取的中心向量的最大距离D来确定的，具体算法如下：

[0096] 学习的第二阶段是无监督学习，这个阶段是训练隐含层到输出层之间的权值w，w的学习算法如下：

[0097]

[0098] 式中：β为学习效率，为了保证学习算法的收敛性，通常取0＜β＜1； 为期望输出值与实际输出值。

[0099] 当样本离中心向量较远时，hj非常小，可以当作0处理。只有当hj大于某一数值(如0.05)时才会对权值进行相应修改。因此隐含层节点向量H中只有个别元素为1，其余为0，每次训练时只有少数几个权值需要调整，从而保证了RBF较快的学习速度。

[0100] 综上所述，得到如图5的Vienna整流器控制原理框图。根据电流、电压传感器实时检测到的三相电源的电压和电流，通过转换公式转换到dq坐标系下电压edq和电流idq，再加上交流侧dq坐标系下参考量电流 送入PI电流内环控制得到输出控制电压ud、uq，利用锁相环PLL检测到的相位角θ将ud、uq转换到静止坐标系下电压送入SVPWM调制，输出信号对三对由MOSFET组成的双向开关进行控制。其中交流侧dq坐标系下参考量电流 由外环电压控制获得。直流输出端通过传感器检测输出上下两端的电容电压 与电容电压期望值以及直流输出端电压参考值Voref、dq坐标系下电压ed送入通过改进RBF神经网络控制器实现对电压环的控制，输出dq轴的电流参考值 和

[0101] 系统除控制参数外的参数设置如下：三相交流电压有效值Vms＝220V,电网频率f＝50Hz，输入电感L＝0.35mH，输入电阻R＝0.05Ω，滤波电容C＝0.66mF，负载电阻Rl＝80Ω，开关频率fw＝20kHz，直流电压Voref＝800V。

[0102] 设置电流内环PI参数为：kpi＝0.2,kii＝2，外环滑模控制中滑模面的参数设置为：kp＝1500,ki＝300。仿真的总时长设置为0.1s(5个电网周期)，并且0.05s时，在输出端负载Rl从80Ω变为70Ω。仿真结果如下图6、7、8所示，从图6可以看出直流输出电压到达稳定值所需的时长约为0.004s；稳定前的超调在5V左右；在0.05s负载突变时，输出端直流电压会产生0.5V左右较小的波动，并且中点电位平衡能够快速实现，可以看出运用此控制算法增强了系统的抗干扰能力。图7中的输入a相电压、电流波形符合正弦曲线规律，系统启动时输入端的电流、电压畸变比较小，在0.05s负载突变时，电流、电压畸变变化较小。从图9看出a相电流在负载突变前THD为3.81％，图10负载稳定后的THD减小为1.73％。图8为有功功率、无功功率曲线，负载突变前，有功功率0.033s时达到稳定值7.6kw，0.05s负载突变后，输出功率逐渐变大，0.07s后达到最大值9.4kw，之后一直稳定在这个值。

[0103] 通过传统PI加滑模混合控制方法仿真结果图11a～14a与本发明控制方法仿真结果图11b～14b的对比分析，可以看出运用本发明控制算法有利于系统总体的动静态性能、抗干扰能力的提升。

[0104] 以上所述实施例仅表达了本发明的几种实施方式，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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。