基于GSA和SVM算法的Z源逆变器驱动控制

2019-06-24王金玉孟令琪

自动化仪表 2019年5期

王金玉，孟令琪，李港

(1.东北石油大学电气信息工程学院，黑龙江大庆 163318;2.天津市滨海新区大港油田第六采油厂，天津 300450)

0 引言

传统感应电机驱动系统采用电压源逆变器(voltage source inverter，VSI)或电流源逆变器(current source inverter，CSI)作为功率变换单元，输出电压小于传统VSI的输入直流电压[1-3]。此外，在类似的桥上发射晶闸管是有限的，因为它短路了直流电源[4-5]。传统的电压源型变频调速系统中，降压型逆变器输出电压低于电网电压，这对许多要求系统过载运行的场合很不利。系统本身不具备穿越电网电压跌落的能力，通常通过增加一级Boost电路升压来承受电网电压跌落。但是该方法提高了系统复杂度，增加了系统成本和体积。[6-7]Z源逆变器克服了常规VSI和CSI的不足，可以用来控制上述问题[8-11]。

1 系统分析

1.1 Z源逆变器控制方案

算法控制流程如图1所示。

图1 算法控制流程框图

1.2 利用GSA获得PI控制器的参数优化

GSA旨在解决优化问题。基于人口的启发式算法是基于重力和质量相互作用的规律[13]。该算法由搜索器组成，通过引力相互作用。这些粒子被认为是对象，它们的性能是由它们的质量来衡量的。重力导致了一种全球运动，所有物体都向其他物体移动，物体质量更大[14]。利用该算法对较重的质量进行了缓慢的运动，并给出了较好的解决方案。质量的位置表示问题的解，在这里，重力和惯性质量是由一个适应度函数决定的。该算法通过调整重力和惯性质量来导航，而每个质量给出一个单独的解决方案。每个质量都被最重的质量所吸引。因此，最重的质量是搜索空间中最优解。

本文利用GSA对IM的误差速度进行优化，使其最小化。为实现最小误差，最优地预测了PI控制器的比例(Kp)和积分(Ki)增益参数。在优化参数的基础上，对PI调优进行了准确分析，并给出了参考交轴电流。GSA的详细过程描述如下。

过程1 随机初始化N个粒子的位置。在本文中，随机生成比例(Kp)和积分(Ki)增益参数。

(1)

过程2 适应性进化和最佳适应度计算。

为了最小化或最大化问题，通过评估迭代中所有代理的最佳和最差的适合性来执行适应性进化。

(2)

式中：Kp和Ki分别为比例和积分增益参数。

过程3 更新引力常数(G)。

重力常数G由以下方程计算:

(3)

式中：T为系统迭代的次数，在开始时初始化G0和α，它们将随着时间的推移而减少，以控制搜索的准确性。

过程4 大量粒子的计算。

每个粒子的重力和惯性质量在迭代t中计算如下:

(4)

(5)

过程5 计算加速度和惯性质量。

根据牛顿第二定理，粒子i在第d维上t时刻的加速度计算为：

(6)

作用于第i个粒子上的总作用力计算为：

(7)

式中：Kbest为一组质量比较大的粒子的数量，是一个随着时间增加而减少的线性函数，最后只有一个惯性质量最大的粒子作用于其他的粒子。

(8)

过程6 更新粒子的速度和位置。

在下一次迭代(t+1)中，粒子的速度和位置由下列方程计算:

(9)

(10)

过程7 返回到过程2循环迭代，直到达到循环次数或要求精度为止。

过程8 结束循环，输出结果。

首先，随机初始化粒子的位置和速度，再计算各个粒子的适应度函数，以此计算粒子的惯性质量，求出惯性质量的最好值和最坏值。其次，计算每个粒子在每一维上的引力，以求得引力加速度。最后，更新粒子的位置和速度。以此循环，直到得到最后结果。

1.3 SVM产生控制脉冲

D=[ai,bi]

(11)

式中:ai∈Tp为输入向量；bi∈(+1,-1]为类标签。

①逆变器的参数分别由参考交轴电流和实际交轴电流两部分组成。这些是从分离的目标类中选择的两个类。

②选择在式(12)中给出的单独的目标类的决策函数。

(12)

式中:W为m和n之间的超平面的法线；ec,θ为m和n的偏移值；Wc,θx为Wc,θ和x之间的标量积；K(a,b)为核函数；δ为非负拉格朗日乘子。

③K(a,b)值根据这个函数进行控制。核函数为线性、高斯、多项式和正切双曲。将适当的函数应用于式(11)，其核函数描述如下:

线性核函数:

K(a,b)=(a,b)

(13)

高斯核函数:

(14)

多项式核函数:

K(a,b)=(a,b)p

(15)

切双曲核函数:

K(a,b)=tanh(a,b-θ)

(16)

式中:τ为标准差；p为多项式。

④根据决策函数的符号函数对信号进行分类，用于设置阈值决策。符号函数说明如下:

(17)

对类决策函数进行了总结。Gc,θ(x)的类决策函数为：

(18)

式中:o为类分类;Gθ(x)的类决策函数是确定的。最后检查了maxfv=(k-1)条件。

⑤为了评估式(19)所估计的训练误差，测试误差由式(20)确定:

(19)

(20)

这个过程一直持续到训练和测试的缺陷被显著降低。SVM约束的选择完全取决于支持向量机的精度，它是实现选择合适值的最优性能的标志。一旦过程完成，支持向量机就准备好给参考三相电流。最后，将SVM输出转换为适当的控制脉冲。

2 仿真试验

本文利用GSA和SVM来控制系统的Z源逆变器。该方法是在MATLAB/Simulink的工作平台上实现的。利用GSA控制Z源逆变器的速度，并借助于电机的实际和参考转速。SVM用于预测VSI的控制脉冲。在上述过程的基础上，通过所提出的方法和现有的方法来生成控制信号。对该方法进行了测试，并对其性能进行了说明。系统的实现参数如表1所示。

表1 实现参数

然后用所提方法对三相IM定子电流进行了评估。它清楚地表明瞬态周期很短，即定子电流中的振荡消失。在转子转速的变化过程中，对升压输入下的电压和转子速度进行了性能分析，如图2、图3所示。振荡时间后，定子电流在模拟时间结束时作出恒定响应。

图2 电压性能分析

图3 转子速度性能分析

从图2、图3可以看出，在0～0.5 s之间系统响应是受限的，所以不影响系统的性能。转矩、通量、电流的性能分析分别如图4、图5和图6所示。

图4 转矩性能分析

图5 通量性能分析

图6 电流性能分析

在定子电流中，使用不同技术的总“谐波”失真(total harmonic distortion,THD)的数量是明确指定的。基于上述考虑，利用驱动系统获得的速度响应和定子电流分析了所提方法的性能。通过评价，确定了该方法的有效性。根据Z源IM驱动系统的总体性能，对其有效性进行了评价。利用该控制器，与其他控制器相比，Z源IM驱动系统在较低的误差下实现了更好的速度响应。从以上分析可知，GSA和SVM控制器的速度控制性能优于其他控制器。