一种三相PWM整流器中基于神经网络的直流母线电容容量辨识方法

khalil and d.c.lee.dc-link capacitance estimation in ac/dc/ac pwm converters using voltage injection.ieee trans.ind appl.,sep./oct.2008,44(5):1631
–
1637.]。但该方法由于向系统注入电压谐波，系统运行性能降低。
4.尽管前面提到的方法已经通过仿真和实验进行了验证，但是存在注入电压电流谐波使系统电能质量降低、高频信号采样不全导致辨识精度降低、额外的直流侧电流采样电路导致复杂性与成本增加以及未考虑方法的实用性等一系列缺点。因此，现有的电容容量辨识方法很少在实际中采用，这意味着对在不增加任何硬件成本的情况下，基于控制系统并利用已知电路电压电流的电容容量辨识新方法的研究十分必要。


技术实现要素：

5.针对现有技术中存在的缺陷，本发明的目的是提出一种三相pwm整流器中基于神经网络的直流母线电容容量辨识方法，在未知直流侧负载大小且不添加额外传感器的情况下，可实时在硬件电路不同工况下进行电容容量辨识，达到高性能运行pwm整流器的效果。此外，基于离线仿真电路采集电压电流构建数据集，并构建训练了一种用于直流母线电容容量辨识的神经网络，通过实际硬件电路不控整流阶段采集电压电流数据以及协同滤波，实现直流母线电容容量的辨识。
6.一种用于直流母线电容容量辨识的神经网络，使用网侧a相交流电压电流和直流母线电压纹波δu
dc
作为神经网络的输入，无需额外硬件检测电路(例如直流侧电流传感器等)，属于无模型辨识，且数据的获取以及神经网络的训练可完全基于仿真数据，因此可以将辨识方法的复杂性和实现难度降至最低，更适合于在实际中的应用。
7.为达到以上目的，本发明采用的技术方案是：三相pwm整流器中基于神经网络的直流母线电容容量辨识方法，包括以下步骤：
8.(1)采集仿真中的电路数据，包括不同功率及直流母线电容下的a相电压、a相电流以及直流侧母线电压波动值δudc，构建数据集；
9.(2)利用仿真电路中构建的数据集，以电压电流为输入、直流母线电容容值为目标，构建并训并训练了一种用于直流母线电容容量辨识的神经网络；
10.(3)在实际硬件电路不控整流阶段采集电压电流数据并协同滤波，基于神经网络训练结果，进行电容容量的辨识；
11.(4)利用辨识出的电容容值自整定电压环参数，启动pwm整流运行。
12.进一步，数据集是基于搭建的仿真电路中采集的电压电流数据构建的。在仿真采集数据阶段，网侧交流电压、直流侧负载及直流母线电容分别多次变化，同时采集a相电压、a相电流以及直流侧母线电压波动值δudc，可以构建出一个包含电路任意工况的数据集。
13.进一步，神经网络的输入可以是多个电压电流，本发明中的神经网络有三个输入，输出的目标为想要辨识的参数值，可以是电容电感或者电阻，本发明以电容值为目标。
14.更进一步，建立了一个以a相电压、a相电流以及直流侧母线电压波动值δudc为输入，电容值为输出的三输入、一输出的神经网络。
15.进一步，在实际硬件电路不控整流阶段采样得到电压电流后，要经过协同滤波处理，剔除噪声干扰，使之与仿真中的电压电流基本一致后，作为神经网络的输入进行直流母线电容容量辨识。
16.进一步，确定电容尚未老化后，利用辨识出来的电容容值，自动计算出此阶段最合适的电压环控制参数，从而启动并保证pwm整流器高质量运行。
17.本发明的效果在于：采用本发明所述方法，构建并训练了一个简洁有效的神经网络来进行直流母线电容容量辨识，所提方法可在不同等级的网侧电压、直流侧负载下高精度地实现直流母线电容容量的辨识，利用辨识出来的电容容值，自动计算出此阶段最合适的电压环控制参数，从而启动并保证pwm整流器高质量运行；神经网络的训练数据只需在仿真中获取，可以覆盖实际所需运行的工况，为不同功率等级下或电路发生动态变化时实现高精度辨识提供保证；优化了神经网络输入数据的类型和数量，并且在其他拓扑中也可实现高精度且具有良好动态辨识性能的电容容量辨识；综上，采用本发明所述方法，在实际应用中无需额外的直流侧电流传感器，在保证高精度辨识结果与良好动态辨识性能的前提下，极大地降低了方法的复杂性与实现难度。
附图说明
18.图1是本发明的整体结构图；
19.图2是仿真中原始数据采集电路图；
20.图3是本方法采用的神经网络结构图
21.图4是使用本方法的400μf辨识结果；
22.图5是使用本方法的200μf辨识结果；
23.图6是使用本方法辨识后整体运行过程；
24.图7是pwm整流状态a相电压电流及直流母线电压。
具体实施方式
25.下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
26.本发明设计的是三相pwm整流器中基于神经网络的直流母线电容容量辨识方法，采集仿真中的电路数据构建数据集，并设计了一种用于直流母线电容容量辨识的bp神经网络。依此进行电容容量的辨识并自整定电压环参数，启动pwm整流运行。图1是本发明的一个实施例的整体网络结构图。
27.其具体实现步骤如下：
28.步骤一，在三相pwm整流器不控整流阶段仿真采集原始数据并构建数据集，如图2所示。仿真采样频率与实际采样频率一致，为5khz；ea、ia、δudc每0.08秒存储一次，采集400个点；仿真中直流母线电容容值为200μf，之后依次分别将100μf的电容c1～c8并联至直流母线侧，共八次；考虑不同的负载条件，负载电阻从130ω开始，依次并联r1、r2两个相同电阻变化3次；考虑不同的功率条件，交流电压有效值由15v开始，至110v结束依次变化10次，最终有180组训练数据集可用于神经网络训练。
29.步骤二，利用仿真电路中构建的数据集，以电压电流为输入、直流母线电容容值为目标，构建并训练了一种用于直流母线电容容量辨识的bp神经网络，如图3所示。具体实施细节如下：
30.首先，神经网络的输入量为a相电压、a相电流以及直流侧母线电压波动值δudc，输出量为直流母线电容容值。接着，确定本实施例中隐含层神经元数量：初始阶段，隐含层
神经元数量设置为200个，令回归响应为1，此时神经网络过拟合；接下来，逐步减少神经元数量，观察并记录每次改变神经元数量之后的回归响应，直至隐含层神经元数量降至1个。在上述过程中，神经网络由过拟合-拟合良好-欠拟合逐步过渡，由回归响应反映拟合情况。最终选择单隐含层、共16个神经元的神经网络结构，最优隐含层神经元数为16。最终，训练神经网络并将训练结果写入dsp。下面给出所提用于直流母线电容容量辨识的bp神经网络的训练过程:
31.确定神经网络输入量
32.x0＝(x
01
,x
02
,
…
,x
0m
,
…
x
0λ
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
33.ea＝(e
a1
,e
a2
,
…
,e
am
,
…
,e
aλ
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
34.ia＝(i
a1
,i
a2
,
…
,i
am
,
…
,i
aλ
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
35.δu
dc
＝(δu
dc1
,δu
dc2
,
…
,δu
dcm
,
…
,δu
dcλ
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
36.其中，λ表示功率等级,设功率等级m下原始电路数据为x
0m
，电路a相电压电流为e
am
、i
am
，直流母线电压波动值为δu
dcm
，m＝1,2,
…
,λ，则x0为原始电路数据，ea、ia为a相电压电流，δu
dc
为直流母线电压波动值。此时，输出量为
37.x＝(x1,x2,
…
,xm,
…
x
λ
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
38.其中，x为神经网络输出的直流母线电容容量估计值，xm为功率等级m下电容容量估计值。并选取神经网络激活函数
[0039][0040]
其中，t为神经网络各层的输入变量。
[0041]
将仿真数据随机划分85％为训练集，15％为测试集并对训练数据进行归一化处理，如式(33)
[0042][0043]
其中，表示输入量中功率等级m下第k个采样数据归一化后的输入样本值，φ
km
表示输入量中功率等级m下第k个采样数据，φ
kmmin
，φ
kmmax
是训练样本中第k个采样数据里的最大值和最小值；
[0044]
计算隐含层各神经元的输入和输出。首先隐含层各神经元的输入为
[0045][0046]
其中，h表示隐含层神经元下标，u
hm
表示隐含层功率等级m下第h个神经元输入，x
km
是输入层功率等级m下第k个采样数据，w
kh
表示输入层第k个神经元与隐含层第h个神经元之间的连接权值，θh为隐含层第h个神经元阈值。此时，隐含层各神经元输出为
[0047]hhm
＝f(u
hm
),h＝1,2,
…
,n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0048]
其中，h
hm
是隐含层功率等级m下第h个神经元的输出量，f(.)是激活函数。
[0049]
计算输出层各神经元的输入和输出。首先，输出层神经元的输入为
[0050]
[0051]
其中，ym是功率等级m下输出层输入量，vh表示隐含层第h个神经元与输出层神经元之间的连接权值，ξ为输出层阈值。此时，输出层的输出为
[0052]
xm＝f(ym)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0053]
计算每组样本误差em：
[0054][0055]
其中，x’m
是功率等级m下期望输出的电容辨识值。
[0056]
修正权值与阈值。首先，样本误差对输出层输出量求偏导
[0057][0058]
接着，输出层输出xm对输出层输入ym求偏导
[0059][0060]
隐含层与输出层之间的权值修正量为
[0061][0062]
其中，η是输出层至隐含层的学习率。修正权值为
[0063]
v'h＝vh δvhꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)
[0064]
令则输出层阈值修正量为
[0065]
δξ＝ηδδm＝η(x'
m-xm)ym(1-ym)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)
[0066]
输出层修正阈值为
[0067]
ξ'＝ξ δξ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(18)
[0068]
输入层与隐含层权值修正量为
[0069]
δw
kh
＝β(x'
m-xm)ym(1-ym)vhu
hm
(1-u
hm
)xmꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19)
[0070]
其中，β为隐含层到输入层的学习率。隐含层修正权值为
[0071]
w'
kh
＝w
kh
δw
kh
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(20)
[0072]
隐含层阈值修正量为
[0073]
δθ＝β(x'
m-xm)ym(1-ymvh)u
hm
(1-u
hm
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(21)
[0074]
隐含层修正阈值为
[0075]
θ'＝θ δθ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(22)
[0076]
计算总误差e：
[0077][0078]
其中，λ表示功率等级，em为第m个误差。
[0079]
如果误差e大于最小误差，继续重复上述过程直至误差e小于最小误差，此时停止训练并将训练结果写入dsp。
[0080]
步骤三，在实际硬件电路不控整流阶段采样得到电压电流后，首先经过协同滤波处理，包括第一次递推式平均算法去噪及第二次平均值滤波来剔除噪声干扰，使之与仿真中的电压电流基本一致后，然后将其作为神经网络的输入进行直流母线电容容量辨识.
[0081]
步骤四，确定电容尚未老化后，利用辨识出来的电容容值，自动计算出此阶段最合适的电压环控制参数，从而启动并保证pwm整流器高质量运行。
[0082]
为了显示本发明的显著效果，本实施例给出一些利用实施例得出的实验结果。首先在ea＝50v条件下,进行了直流母线电容容量辨识实验，实验结果如图4所示。图4为c＝392μf,r
l
＝65ω下不控整流的a相电压电流以及直流母线电压，电容容量辨识值约为401μf，与实际值392μf近似相等，辨识误差率为2.3％。相同条件下，改变直流母线电容容值大小到c＝198μf进行实验，a相电压电流以及直流母线电压如图5所示，电容容量辨识值约为206μf，接近实际值198μf，辨识误差率为4％。可见，在不控整流阶段，本发明可准确地辨识出电容容值。在不控整流阶段完成电容容量辨识之后，计算电压环参数并启动pwm整流，实验波形如图6所示。t
1-t2为不控整流阶段，此阶段完成电容容量辨识，采用电容辨识值来判断其健康状态。在确保电容正常后，使用电容辨识值计算电压环pi参数，然后在t2时刻启动pwm整流器。由图6可以看出，启动阶段没有电压和电流冲击。pwm整流器在t3时刻工作在稳定状态，实验波形如图7所示。可以看出，由本发明辨识出的电容容值计算出的电压pi环参数，启动pwm整流器可以实现正弦网侧电流和单位功率因数。
[0083]
本实施例获得的实验结果可以说明，使用本发明所述的方法不但实现了直流母线电容的准确辨识，而且由本发明所述方法辨识出的电容容值计算出的电压pi环参数，启动pwm整流器可以实现正弦网侧电流和单位功率因数。
[0084]
本发明可以用其它具体形式来实施，而不脱离其精神或本质特征。所描述的实施例在所有方面都被认为仅是说明性的而非限制性的，例如：
[0085]
1)数据集构建参数的选择及拓扑的选取不局限于实施例中的配置；
[0086]
2)神经网络的输入数据、输出目标也不局限于实施例中所用到的。因此，本发明的范围由所附权利要求书而非上述描述来指示。落入权利要求的等效技术方案的意义和范围中的所有变化都包含在其范围之中。