三相变流器神经网络滞环控制研究论文

摘要：神经网络技术在人工智能、自动控制以及模式识别等领域的研究与应用正方兴未艾。而滞环电流控制是一种传统常规的电流控制方式，在功率因数校正和无功补偿等领域有着广泛的应用。该文介绍了三相变流器的BP神经网络滞环电流内环控制，该方案可实现神经网络对快速变量的控制，提高滞环控制的性能，使系统对参数的变化有较强的不灵敏性和鲁棒性。该文分析了三相电源不平衡、某一路电流反馈丢失的工况下，系统的控制特性。为了使系统在轻负载下得到良好的频谱特性，采用实时变误差增益的控制策略，并讨论了容差带下限。同时借助于矢量调制的思想，结合神经网络滞环调节器，优化系统性能，减小系统EMI和开关损耗。

关键词：神经网络；滞环；变流器

1引言

如何提高工业用电的效率和减小谐波污染已倍受关注。在工业用电中，大部分电能是要经过变换才能用于生产的。由于快速功率开关性能的进一步提高，基于脉宽调制功率变换电路已经日益成为人们提高供电系统功率因数，降低谐波污染的有力工具，因而成为人们研究的热点。其中三相全控型电压源功率变换装置，主电路如图1所示。经过十余年的研究，已经开始实用化[1,2]。三相变流器的最流行的控制方式是采用双环控制。外环用于调整输出电压，快速的电流内环调节器常用来调节交流输入电流使其跟踪期望的电流轨迹，得到单位功率因数和低谐波的电流。

为提高系统的性能，采用神经网络滞环调节器[4~6]。神经网络控制作为一种极有潜力的控制手段吸引了众多的学者，因神经网络具有并行处理能力、自学习能力、容错能力，很适合于处理非线性系统的控制问题。在相对变化较慢的速度、温度、位置等物理量控制中取得成功的应用。但在速度较快的物理量的控制中，应用较少。

在电力电子学领域，神经网络多用于系统模型辨识，故障诊断等。随着DSP的运算速度的不断增加，使神经网络在快速量控制中应用成为可能。在各种变流器直接电流控制方式中，滞环控制是一种有效、简单的控制方式，两者的结合可以发挥各自的优势。滞环电流控制方式不需要系统更多的参数，运行容易，具有快速的电流响应和限幅能力[7]。但系统开关频率不固定，在严重的非平衡条件下，系统稳定性变差，产生大量的电流谐波，同时影响开关频率的变化。本文所用调节器，可以提高系统的鲁棒性。为了减少PWM技术在变换器中的损耗并获得优化的输出电流，减小EMI，采用矢量控制的基本思想[9]，给出基于滞环空间矢量控制方式的电流控制器。若使系统数字化，开关频率可由采样时间控制。

2基于神经网络的电流滞环控制器

电流滞环控制器运行时无需系统的储能器件的具体参数信息。用BP神经网络来替代传统电流滞环调节器，在滞环控制的基本控制思路上训练一个神经网络控制器来实现滞环控制控制的功能，导师信号如表1所示。基于神经网络滞环控制的系统控制结构框图如图2。三相电流的误差信号送入神经网络中，参与计算，输出开关信号S1，S3，S5，经过逻辑合成后加到主电路的驱动电路上。

图2所示神经网络调节器，该网络有3层（3-5-3结构）。节点的作用函数采用Sigmoid函数

式中是第r步迭代时第k层第i个神经元节点对于第h个样本输入时输出；为第r步时第k层第i个神经元节点对于第h个样本输入时所接收到的上1层（第k-1层）的输入总和

点的阈值。

各点的权值Wij和阈值θij通过MATLAB软件求出，通过DSP编程数字实现。Wij

图3为系统在神经网络滞环控制器作用下系统仿真与实验波形。

图3a为给出阶越给定时三相电流的响应过程，表明该调节器具有较快的响应速度。

图3b，c，d给出了正常工况时的开关波形，电流波形，系统的单位功率因数波形显示。

图3e绘出了三相电压不平衡时的三相电流。电源参数为Ea=Eb=Ec/0.85。变流器基本保持了每相电压电流的同相位。

通过波形可以看出神经网络滞环控制器较好地实现了滞环控制器所有的基本功能。电流控制鲁棒性好，电流响应快的优点，同时可以限制器件的最高开关频率，提高了滞环系统抗不平衡能力。满足系统单位功率因数和低谐波的要求，同时它还具有一个新的优点：当某个电流误差信号丢失情况下仍然能正常工作。

3反馈丢失时的控制研究

反馈信号不正常是一种较为常见系统故障。常规数字滞环控制方案下，如果检测环节有故障，某一相电流反馈信号丢失，那么系统不能正常工作，系统线电流响应仿真曲线如图4a。但在神经网络控制电路中，由于神经网络的参与，调节器对单路反馈信号丢失具有一定的抑制作用。控制器检测电流反馈信号，如果连续3个周期检测到电流反馈信号为0，那么可确认反馈信号丢失，此时将该通道电流误差设为0，参与神经网络滞环调节器的运算，输出控制信号。系统实验波形如图4(b)~(d)，系统仍可以得到较好的输入电流与输出电压波形，这主要归功于神经网络的数据并行处理能力。从图4(b)~(d)中可以看出系统的电压电流响应还是较好的，对于单输入信号丢失的稳态电流波形显示出了很强的鲁棒性。而在同样参数的常规滞环电流控制下，当Dia丢失时，系统不能稳定工作。

4电流误差增益在线修正

从控制的效果来讲，如果滞环控制的容差带越小，那么系统输入电流的谐波成分就越小，THD值越接近于零。然而控制中由于系统参数的约束，如果容差带设计过小，系统难以实现，反而使得谐波成分增加。可以就额定负载下可以实现的容差带进行分析，然后留取一定的裕量，作为额定容差带，保证系统的条件能力。在控制中选择1.2倍的额定负载时允许的容差带作为导师信号中的δ值。

假设主电路3相参数对称，输入为理想三相正弦电压源，任意时刻总有三个开关处于开状态，另三个处于关状态。上下桥臂不能同时导通。这样，变流器的开关状态便形成8个开关函数。开关函数定义为如下：

di=(i=1,3,5)=1,当Si(i=1,3,5)导通，Sj(j=2,4,6)关断。di=0，当Si关断，Sj导通。

在1个开关周期内，假设占空比为Di。di=1时，输入端向负载端输出能量，电感电流减小；di=0时，输入电感存储能量，电感电流增加，电流波形如图5。

阶段1：

具有固定滞环带的电流控制方式有一些缺点。在滞环带范围内，由峰-峰电流的波动而产生的PWM频率的变化受基波波动的控制，同时，电流误差没有严格的控制。滞环控制系统中，滞环容差带是根据系统交流电流的额定工作点定的。这样，系统在低电流工作时，电流噪声成分相对增加，系统频谱变差。因此，根据静态工作点的改变，相应改变系统的滞环容差带，可以保证系统电流频谱不随功率变化而变，这种思想较为适合负载变动频繁的工作场合。系统的静态工作点的分析可以通过检测直流输出来得到，但不是最佳的方案，因为时间工作过程中系统负载特性可能较为复杂，阻性、感性、容性是不可预测的，暂态过程中输出电流与电压的相位难以维持相同。对于高频实时控制来讲，可以通过FFT算法来分析系统的功率输出获负载特性，但应用该方案负载程度增加。本文提出一种较为简单的控制方案。

将可逆变流器的三相静态电压量变换到两相旋转dq坐标系中，有

由于滞环控制可以控制系统功率因数为1，因此经过3/2变换后，输入有功功率是与d轴电流id成正比的，iq应该为0。设为id的标幺值，取额定负载时id的标幺值为1，所以在图2所示的基本控制器中，令，其中k在实现时要加下限幅。

则输入到神经网络中的电流为

nin=k△i(6)

5空间矢量调制神经网络控制器

这里Vk是变流器的电压矢量。

任意时刻变流器期望端电压Vr的相角对应于了复平面上6个区域中的1个。Vr可由给定区域内的邻近矢量来构成，从而降低电磁噪声和开关次数[8]。

通过后面的仿真和实验我们可以看到滞环神经网络控制器结构简单，由于系统属于数字化实现，最高开关频率是固定的，在这一点上使得系统参数易于设计。但滞环控制开关的状态是难以确定的。因此变流器期望电压矢量一般不是由相邻的矢量构成Vr的，任意时刻开关的状态不可预知。

在滞环控制过程中，结合空间矢量调制原理，根据系统滞环条件的需要及系统此时期望矢量的位置来修正开关波形，形成如表2所示导师信号。导师信号中z区确定如图8a所示，经过这种修正后系统稳态时电流控制器所产生的开关随时间而呈现空间矢量调制的特点，图8b所示为空间矢量滞环调节稳态工作时开关波形，可以看出稳态时开关按照规律由同一区域的开关矢量来合成。

式中Vs是电压源矢量；i*s参考电流矢量。

6仿真与实验说明

系统中的参考电流可由下面的方程得到

I*=P*/E

这里E可由整流滤波取平均值的方式得到。

参考电压Uref同输出电压Uo的差值经PI调节后，取其为电流峰值参考，再分别与三相的同步信号相乘，得到内环电流的参考信号I*，得到瞬时参考电流给定ijcom(j=a,b,c)，再与实际相电流ij相比较得到电流误差信号△ij，与K相乘然后输入神经网络控制器，神经网络的输出即为开关信号算法由DSP（TiTMS320c240[9]）来实现。主要参数及检测设备如下：

7结论

本文研究了三相变流器的神经网络控制方案。①将神经网络控制技术与电力电子电路滞环控制结合起来，实现了神经网络在快速变化量控制中的应用，可以提高系统鲁棒性与控制的容错能力，在三相输入电源不平衡和某一相负载电流反馈丢失时，系统依然保持较好的控制性能；②评估系统负载特性，并根据负载的变化而改变电流误差增益，有助于提高系统电流控制性能，全程优化谐波，算法较为简单；③容差带与负载特性、开关频率有机结合，才能保证系统的调节能力；④为了减小开关频率和开关损失，采用了将空间矢量调制运用到滞环控制中的技术，由于采用数字神经网络进行调节，易于实现。

参考文献

[1]邬伟扬，郑颖楠，刘彦民（WuWeiyang，ZhengYingnang，LiuYanmin）．AC/DC功率变流技术的发展与现状（AreviewofAC/DCpowerconversiontechnique）[R]．西安：中国电力电子技术学会五届一次理事会学术报告（xi’an：DissertationofChinapowerelectroniccouncilconference），1999．

[2]WeiyangWu，YingnanZheng，etal．Anovelindireetcurrentcontrolledrealizationforthethreephasevoltagesoureereversibleconverter[C]．IPEMC’2000August2000，TsinghuaUniversityBeijing，China.

[3]KiTaePark，JunKooKang，SeungKiSul．AnalysisanddesignofthreephaseboostPWMconverteragainstpowerdisturbances[C]．1997，774-776．

[4]FumioHarashima，etal．Applicationofneuralnetworkstopowerconvertercontrol[C]．Conf.Rec.IEEE-IASAnnu.Meeting,Conf.Rxc,1989，1087-1091．

[5]KamranF．Animproveddead-beatrectifierregulatorusinganeuralnetpredictor[C]．IEEE，PESC，1994，1431-1436．

[6]MalesaniL．AnovelhysteresiscontrolmethodforcurrentcontrolledvoltagesourcePWMinverterwithconstantmodulationfrequency[J]．IEEETransationsonIA，1990，26(1)：88-92．

[7]MinBd．SVPWMbasedhysteresiscontrolforthethreephasePWMconverter[J]．IEEProc．Electr．PowerAppl．1999，146(2)：225-230．

[8]TMS320F/C24xDSPcontrollersreferenceguide[M]．