基于神经网络逆控制的微网储能逆变器输出电压研究

doi:10.16182/j.issn1004731x.joss.201611024

系统仿真学报 ›› 2016, Vol. 28 ›› Issue (11): 2813-2822.doi: 10.16182/j.issn1004731x.joss.201611024

基于神经网络逆控制的微网储能逆变器输出电压研究

刘卫亮, 林永君, 刘长良, 陈文颖, 马良玉

华北电力大学自动化系,保定 071003

收稿日期:2015-07-10 修回日期:2015-11-26 出版日期:2016-11-08 发布日期:2020-08-13
作者简介:刘卫亮(1983-),男,河北衡水,博士生,讲师,研究方向为新能源与微电网技术;林永君(1965-),男,山东莱西,博士,教授,研究方向为新能源控制技术。
基金资助:
华北电力大学中央高校科研业务费(2015ZD17,2014MS143)

Neural Network Inverse Control for the Output Voltage of Energy Storage Inverter in Micro-grid

Liu Weiliang, Lin Yongjun, Liu Changliang, Chen Wenying, Ma Liangyu

Automation Department of North China Electric Power University, Baoding 071003, China

Received:2015-07-10 Revised:2015-11-26 Online:2016-11-08 Published:2020-08-13

摘要/Abstract

摘要： 为改善微网中储能逆变器的输出电压波形质量,提出了一种基于神经网络的逆模型控制方法。建立了储能逆变器的数学模型,分析了影响其输出电压的主要因素,利用前向神经网络建立了系统的扩展逆模型;针对BP训练算法容易陷入局部最优的问题,通过万有引力算法进行了网络初始参数优化;将神经网络逆模型与原模型串联后,采用PI控制器实施闭环控制。仿真结果表明,该方法可以有效的提高储能逆变器的动态响应速度,并降低输出电压的谐波含量。制作了10 kW储能逆变器样机进行试验,结果表明了所提方法的可行性与有效性。

关键词: 储能逆变器, 逆模型, 神经网络, 谐波含量

Abstract: In order to improve the output voltage waveform quality of energy storage inverter in micro-grid, an inverse control method was proposed based on BP neural network. Mathematical model of the energy storage inverter was established, and the main factors affecting the output voltage were analyzed, and then the expansion inverse model of the system was established based on BP neural network. In order to overcome the local optimum disadvantage in BP training algorithm, gravity algorithm was adopted to optimize the network initial parameters. The neural network inverse model was put in series with its original model to form a pseudo linear system, and then PI controller was selected to perform the single loop control. The simulation results show that the proposed control method can effectively improve the dynamic response speed of the inverter output voltage and reduce the harmonic content. Experiment is performed on 10 kW inverter prototype, which proves the proposed method feasibility and effectiveness.

Key words: energy storage inverter, inverse model, neural network, harmonic content

中图分类号:

TM85

刘卫亮, 林永君, 刘长良, 陈文颖, 马良玉. 基于神经网络逆控制的微网储能逆变器输出电压研究[J]. 系统仿真学报, 2016, 28(11): 2813-2822.

Liu Weiliang, Lin Yongjun, Liu Changliang, Chen Wenying, Ma Liangyu. Neural Network Inverse Control for the Output Voltage of Energy Storage Inverter in Micro-grid[J]. Journal of System Simulation, 2016, 28(11): 2813-2822.

参考文献 14

[1]	Chris Marnay, Owen C. The CERTS Micro-grid and the Future of the Micro-grid [DB/OL]. (2004-08-01) [2015-01-08]. http://certs. lbl.gov/pdf/55281.pdf.
[2]	杨新法, 苏剑, 吕志鹏, 等. 微电网技术综述[J]. 中国电机工程学报, 2014, (1): 57-70.
[3]	郭卫农, 陈坚. 基于状态观测器的逆变器数字双环控制技术研究[J]. 中国电机工程学报, 2002, 22(9): 64-68.
[4]	Buso S, Fasolo S, Mattavelli P.Uninterruptible power supply multi-loopcontrol employing digital predictive voltage and current regulators[J]. IEEE Transactions on Industrial Applications (S0093-9994), 2001, 37(6): 1846-1854.
[5]	Mattavelli P.An improved deadbeat control for UPS using disturbance observers[J]. IEEE Transactions on Industrial Electronics (S0278-0046), 2005, 52(1): 206-212.
[6]	刘新民, 邹旭东, 康勇, 等. 带状态观测器的逆变器增广状态反馈控制和重复控制[J]. 电工技术学报, 2007, 22(1): 91-95.
[7]	张凯, 彭力, 熊健, 等. 基于状态反馈与重复控制的逆变器控制技术[J]. 中国电机工程学报, 2006, 26(10): 56-62.
[8]	吴忠强, 王子洋, 邬伟扬. 基于模糊自整定PI控制和重复控制的单相正弦脉宽调制逆变电源复合控制方案[J]. 电网技术, 2005, 29(14): 30-34.
[9]	Zhang K, Peng L, Kang Y, et al.State-feedback- with-integral control plus repetitive control for UPS inverters[C]// IEEE Applied Power Electronics Conference and Exposition. Austin, USA: IEEE, 2005: 553-559.
[10]	戴先中, 陈珩, 何丹, 等. 神经网络逆系统及其在电力系统控制中的应用[J]. 电力系统自动化, 2001, 25(3): 11-17, 29.
[11]	陈敏, 姚玮, 邱智勇, 等. 应用整流性负载模型的单相逆变器特性分析[J]. 中国电机工程学报, 2008, 28(15): 44-48.
[12]	王志斌, 孔亚楠, 刘永成, 等. 遗传算法优化BP神经网络的大功率LED结温预测[J]. 光电子·激光, 2014, 25(7): 1303-1309.
[13]	王改革, 郭立红, 段红, 等.基于萤火虫算法优化BP神经网络的目标威胁估计[J]. 吉林大学学报(工学版), 2013, 168(4): 1064-1069.
[14]	孟超, 刘三民, 孙知信. 中心引力算法收敛分析及在神经网络中的应用[J]. 软件学报, 2013, 24(10): 2354-2365.

[1]	张森, 张孟炎, 邵敬平, 普杰信. 基于随机策略搜索的多机三维路径规划方法[J]. 系统仿真学报, 2022, 34(6): 1286-1295.
[2]	张立峰, 王会忍. 基于卷积神经网络及有限元仿真的电容层析成像图像重建[J]. 系统仿真学报, 2022, 34(4): 712-718.
[3]	康旭, 张晓峰. 基于生成对抗神经网络的雷达遥感数据增广方法[J]. 系统仿真学报, 2022, 34(4): 920-927.
[4]	周思锦, 陈棣成, 涂耿, 姜大志. 基于个性化和记忆机制的多模态情感计算模型[J]. 系统仿真学报, 2022, 34(4): 745-758.
[5]	孙晓安, 栾小丽, 刘飞. 基于智能优化灰色模型的电子固废预测[J]. 系统仿真学报, 2022, 34(3): 536-542.
[6]	魏娟, 游磊, 郭阳勇, 唐志海. 基于小波神经网络的多楼层疏散模型[J]. 系统仿真学报, 2022, 34(2): 269-277.
[7]	敖邦乾, 杨莎, 令狐金卿, 叶振环. 基于级联神经网络疲劳驾驶检测系统设计[J]. 系统仿真学报, 2022, 34(2): 323-333.
[8]	魏腾飞, 潘庭龙. 基于改进PSO优化LSTM网络的短期电力负荷预测[J]. 系统仿真学报, 2021, 33(8): 1866-1874.
[9]	赵瑛, 陆耀, 张健, 梁启弟, 龙炜. 基于深度神经网络的多视角人体动作识别[J]. 系统仿真学报, 2021, 33(5): 1019-1030.
[10]	刘晓琳, 吴竟祎. 飞机舵机电液加载系统控制补偿器设计与仿真[J]. 系统仿真学报, 2021, 33(5): 1031-1038.
[11]	于广宇, 董学平, 王祥民, 甘敏. 弹性网下基于LSTM的分解炉出口温度预测[J]. 系统仿真学报, 2021, 33(5): 1078-1085.
[12]	方群, 陈绪凯, 何昕, 祝玉军, 刘毅杨, 方阳阳, 李贺举. 基于SWIPT无线协作网络的中继选择算法研究[J]. 系统仿真学报, 2021, 33(4): 801-808.
[13]	仝卫国, 庞雪纯, 朱赓宏. 基于卷积神经网络的气液两相流流型识别方法[J]. 系统仿真学报, 2021, 33(4): 883-891.
[14]	冯新扬, 邵超. 跨卷积网络特征融合的SAR图像目标识别[J]. 系统仿真学报, 2021, 33(3): 554-561.
[15]	马立新, 朱勇杰, 季乐延. 神经网络优化的无感永磁同步电机控制系统[J]. 系统仿真学报, 2021, 33(3): 622-630.

基于神经网络逆控制的微网储能逆变器输出电压研究

Neural Network Inverse Control for the Output Voltage of Energy Storage Inverter in Micro-grid

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献 14

相关文章 15

编辑推荐

Metrics

本文评价