一种新的仿真神经网络空间矢量PWM.docVIP

对电压源逆变器环节的一种新的仿真神经网络空间矢量PWM(脉宽调制)控制器 摘要-本文提出了一种新的基于网络神经系统对电压馈入式变频器的空间矢量调制(SVM)的控制器。应用在极限轨迹与良好的线性度之间的调制理论，这种ANN-SVPWM控制器完全覆盖欠调制模式和过调制模式线性扩展操作直到方波(六步)。ANN控制器的优点是非常快的实现SVM算法,这就可增加电源开关的静态转换器的转换频率。本设计采用在固定权重和监管模式下的个人培训策略。ANN-SVPWM控制器的适用于 伏/赫兹 控制技术和扩展到一个向量的控制方法。运行ANN控制器的计算机仿真程序可以用Matlab / Simulink结合神经网络工具箱开发设计。 关键字: Space vector, Pulse-Width- Modulation, Artificial Neural Network, Voltage Source Inverter, undermodulation,overmodulation . 介绍 空间矢量调制(SVM)最近发展成为很受欢迎的驱动过电压变频器的脉冲宽度调制(PWM)的方法，因为它有很好谐波质量和操作的扩展线性范围[1]。然而,SVM的困难在于它需要复杂的联机计算,这个计算限制了其一些千赫兹的开关频率的操作。开关频率可通过使用一个高速 DSP和运用查找表的简化的计算来扩展，而且容易降低脉冲宽度决议。 电源开关最近在开关频率领域得到改进。现代快速IGBTs允许操作50千赫。然而,DSP -基于SVM实际上在这块区域存在不足 ，仿真神经网络(ANN)-基于SVM在这块区域可以接任[2]。 近年来仿真神经网络技术的应用在电力电子行业已经得到很大的发展。在过去,神经网络实现了瞬时电流控制PWM(脉宽调制)[4 - 7]。不过，电流控制PWM(脉宽调制)一样给不了最佳的性能。一些对SVM在神经网络的实施的研究实现了这个[3,2]。尽管这ANN-SVM控制器具有快速计算的优势,但是它的局限性是训练过调制并列非线性范围技术很困难。 为了避免这一个斑点,在这篇文章的摘要利用两种主要的方法成功调试ANN-SVM的反向传播正反馈:1)在两种有界限的轨迹之间的线性调制方法[8](克服了非线性过调制界限的困难)。 2)8组捕捉实现个人培训策略的方法（克服在3模式下的SVM的重复:欠调制模式，过调制模式1，过调制模式3）。 在欠调制和过调制区域的空间矢量PWM SVM技术已经在文学方面被讨论和得到发展,并且一些作者[1],[8]-[10]描述了它在过调制的运行。 在这些调制的方法中,轨迹[8]之间的调制方法有简单和线性好的优点。 欠调制(0 M 0.907) 在欠调制模式,旋转参考电压残留在六边形。在这一地区的SVM的策略基于在一个采样周期(Ts)产生三次连续的转换电压的向量,平均输出电压参考参考电压。逆变器开关状态的有效的责任周期的方程描述如下: 这里 d1 -延迟时间的切换向量工作周期(2 t1 / Ts) d2 -引线切换向量的工作周期(2 t2 / Ts) d0 -零点切换向量的工作周期(2t0/ Ts) M-调制因子M = V*/V1sw(V* -参考电压矢量的大小，V1sw –六步电压波形的峰值)。 分别乘以工作周期和 Ts / 2周期获得时间间隔。 过调制模式1(0.907 M 0.952) 这种模式开始于参考电压V*超过六边形里的可变循环和达到六边形侧面。在六边形轨迹,工作d0消失: