一种采用神经网络矢量控制策略实现的箱式光伏并网逆变器

蔡长虹 纪昆 江启芬

（扬州华鼎电器有限公司）

0 引言

近年来，随着新能源发电容量的增加，越来越多的光伏发电系统接入到电网中，对电网安全、可靠运行造成威胁，也对光伏发电并网控制技术有了更高要求[1]。逆变器是分布式光伏发电并网的关键设备之一，其控制技术对并网特性有重要影响，一直也是国外内光伏技术研究的重点[2]。传统电流源型并网逆变器是将逆变器控制为电流源。通过电流控制回路的参考电流指令，对光伏电池阵列进行最大功率跟踪控制（MPPT）。由于光伏日照随机性很大，光伏并网系统输出功率有很大波动，也就使得光伏发电系统对电网容易造成随机波动性冲击[3]，因此合理的逆变器控制是提高系统稳定性的一个主要手段。目前，双闭环控制是并网逆变器中普遍使用的一种控制拓扑，通过在电压环内增加一个电流内环可显著提高系统的动态响应速度，及时削减负载扰动造成的影响[4-5]。但随着并网逆变器功率的增大，并网逆变器外接的LCL滤波器较电感（L）滤波器在滤波效果、成本和体积等各方面都有较大优势，因而得到广泛应用。但LCL滤波器为三阶系统，存在并联谐振问题[6]，解决LCL滤波器的谐振问题，一般采用无源阻尼法和有源阻尼法，基于无传感器的有源阻尼法得到广泛研究。

目前已有很多针对光伏并网逆变器的矢量控制技术，如无功和有功功率坐标变换d-q理论[7-8]可以有效地实现并网电压和功率控制。基于坐标变换理论，很多文献[[9-12]提出并研究了基于变频率比例谐振（Proportional Resonant，PR）控制器来解决网侧频率波动对逆变器控制造成的影响。PR控制器的优点是实现简单，但是对系统的频率变化很敏感，而且通常需要很高的采样和切换频率（通常15kHz以上），这样会容易造成能量损失。为保证工程实现和系统稳定性，文献[13]采用比例积分（PI）与PR控制器作为内环控制器来克服电网频率波动对稳定性的问题。另外滑动模式控制（Sliding-mode Control）被很多国外文献[14-16]用来设计鲁棒控制器来解决系统不稳定的问题。

近年来，国内外开始研究针对逆变器的最优化智能控制器技术，本文提出一种基于人工神经网络的内环电流矢量控制技术，并引入了粒子群优化算法来实现快速优化神经网络在线识别自学习功能，从而实现MPPT的最优化控制。本文提出的双回路控制策略可以解决现有光伏逆变器谐波及直流分量抑制过程中对非线性负载扰动的抑制的效果低的问题，从而大幅提高光伏发电的电能质量，提高光伏微网的电能利用率，最后通过实际工程应用验证了本文提出的控制策略。

1 光伏并网逆变器矢量控制策略

1.1 基于LCL滤波的单相逆变器

图1显示的是基于LCL滤波的光伏并网逆变器主电路原理图，左边直流端电容电压Vdc代表逆变器直流输入，右边单相电压源Vg代表并网电压，中间有后置滤波器LCL电路来抑制高频谐波。为了实现矢量控制，图2增加了相应的虚部电路。

图1 基于LCL滤波的光伏并网逆变器主电路原理图

图2 基于LCL滤波的光伏逆变器矢量控制原理图

1.2 数学模型

基于旋转坐标系d-q变换理论，图2显示的逆变器数学模型可以用以下方程式来表示：

式中，ωs为电网电压的角频率，所有其他变量的d-q变换关系如下：

1.3 解耦后矢量控制

带LCL滤波的单相逆变器的矢量控制原理一般是忽略电容部件并简化系统成L滤波形式后用PI控制器来实现，系统状态方程式可以表示为[17]：

式中，简化的等效电感值Leq=Lc3+Lg3，等效电阻Req=Rc3+Rg3，和描述了在旋转坐标系下输入电压和输出电流之间的状态方程，利用这个状态方程，系统控制器设计可以表示为如图3所示。

图3 基于LCL滤波的单相逆变器解耦矢量控制框图

Z变换后的PI控制器表示为：

式中，Kp，Ki分别为PI调节器的比例系数和积分系数；Tc为采样周期。

2 基于人工神经网络的矢量控制策略

2.1 控制系统结构图

图4为所提出的新型双回路光伏并网逆变器控制系统原理图，d轴用于控制有功功率以及PWM逆变器直流端电压，q轴用于控制无功功率以及并网支持电压。

图4所示系统主要包括以下几个主要组成部分：

图4 基于人工神经网络的矢量控制框图

1）外环电压控制器，利用PI控制方法分别对基于d-q参考坐标系的有功、无功功率、PWM逆变器直流电压以及并网支持电压进行调整控制；

2）内环电流控制器，利用人工神经网络来精确控制PWM逆变器并网运行时的输出电流，抑制直流分量；

3）扰动控制器，用P控制方法来控制补偿电网电压扰动所引起的电压不平衡；

4）后置滤波器，用LCL滤波器来抑制PWM逆变器产生的高次谐波分量。

2.2 神经网络控制器结构图

基于神经网络的内环电流控制器可以利用整个系统的动态方程来进行自学习，而不需要任何特殊的系统解耦策略或阻尼法来解决谐振问题，控制器具体输入输出变量如图5所示。

图5 基于人工神经网络的电流控制器结构及输入输出变量示意图

图5所示神经网络控制器主要包括输入层，隐层，以及输出层[18]，主要输入变量是电流误差及误差积分，输出变量是控制电压，这个神经网络控制器可以表示为电流误差，误差积分以及网络权系数的矢量函数形式：

另外图4中的扰动控制部分可以用P控制器来实现，如图6所示，控制器增益和PWM增益KPWM互补，考虑到系统扰动电压可以表示为电网标称电压和逆变器输出电压之差），PWM输出矢量控制信号可以表示为：

图6 扰动控制器结构示意图

2.3 神经网络控制器自学习优化

内环电流控制器内的人工神经网络控制器具备非线性快速优化神经网络在线识别自学习功能，该功能利用粒子群（PSO）优化算法来实现，自学习过程目标函数定义为：d-q轴电流误差和误差积分的平方值之和最小。

PSO 算法启动并优化人工神经网络的参数过程如图7所示，根据不同的系统外部环境设置，经过一系列的动态搜索调整，可以很快得到最优化的神经网络参数来优化神经网络电流控制器的控制效果。

图7 基于粒子群优化算法的神经网络自学习过程

3 硬件实验结果与性能评估

本论文所提出的新型控制方案被应用于实际光伏发电电路中来实现对逆变器电路的控制，为了评估其性能，传统的矢量控制方法也同时作了实验来比较二者的控制效果，图8是实验所用光伏电站及光伏电路低压端配电柜内部逆变器电路实际硬件图片。

图8 光伏电站及光伏电路低压端配电柜内部逆变器实物图

3.1 实验设置及实验参数

本实验所基于的光伏电路低压端电路示意图如图9所示。

作为比较，本实验中传统的矢量控制方法中内环电流控制器使用了PI控制方法，为了解决传统方法中LCL滤波器的谐振问题，采用了无源阻尼法，谐振频率fr可以表示为：

所需串联电阻Rz可以表示为：

本文所提出的基于神经网络的矢量控制方法利用整个系统的动态方程来进行自学习从而不需要任何阻尼法来解决谐振问题。实验所用逆变电路变量参数（参见图2）如下表所示。

表 实验参数表

图9 光伏电路低压端电路示意图

3.2 实验结果

（1） PSO算法优化速度

本文引入的PSO 算法优化速度很快，实验结果显示在平均重复次数少于100时已经能够收敛到最小化值，如图10所示，这样可以保证神经网络在线识别自学习的快速响应，从而快速实现最优化控制效果。

图10 粒子群优化算法的实验结果

（2）神经网络控制器电流控制效果

通过实时数据采集器的数据采集和输出，直流端电压控制以及电流回路矢量控制效果比较实验结果分别如图11～图14所示，与传统矢量控制策略相比，本文所提出的基于神经网络的最大功率点跟踪控制策略显示了更好的控制效果，具体体现在快速响应，准确跟踪以及无过载等方面。

图11 直流端电压Vdc控制实验结果比较

图12和图13显示了内环电流控制实验结果，图中的红线表示d-q轴参考电流（参见图3），电流波形比较结果显示基于神经网络的最大功率点跟踪控制策略性能明显优于传统矢量控制策略。

图12 内环电流控制实验结果比较

图13 内环电流控制实验结果比较

整个逆变器控制系统高频谐波分量控制效果比较如图14所示，和传统的双回路矢量控制系统相比，本文提出的系统方案可以快速响应电网定相的变化，达到最优控制效果。

4 结束语

针对LCL滤波形单相并网逆变器的控制，本文提出了基于神经网络的双回路控制策略，并首次引入了粒子群优化方法来对神经网络在线自学习进行快速优化，从而达到最大功率点跟踪的最优化控制效果。新型神经网络在线识别自学习整定控制器和外环控制器复合在一起，共同决定了系统的功率输出，一方面保证了系统输出波形有良好的跟踪能力，同时又具有快速的动态响应性能，并且对电网电压中的噪音和高次谐波也有很好的抑制作用，大幅提高光伏发电的电能质量。在实际光伏发电电路中的实验结果证明了本文所提出的控制方案的有效性和先进性。

图14 内环电流控制实验结果比较