基于神经网络控制的PWM整流器研究.docVIP

　　基于神经网络控制的PWM整流器研究|第1 内容加载中...Key experiment 1 引 言 神经网络控制作为一种极有潜力的控制手段吸引了众多学者的研究[1]，因其本身具有并行处理能力、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[2]。而电力电子系统属于比较严重的非线性系统, 在单位功率因数整髌髦校缌骺刂票旧硎且恢趾芮康姆窍咝钥刂疲车闹突返缌骺刂平虾玫奶逑至苏庖坏鉡3]。它也因此取得了较好的鲁棒性和快速的电流响应.。但是它开关频率不固定，本文在滞环控制的基础上用先离线训练了一个神经网络控制器代替滞环控制器,这种控制方法保持了滞环电流控制鲁棒性好，电流响应快的优点，同时可以限制器件的最高开关频率。 2 控制系统的工作原理 高功率因数P整流器的结构如图１所示，其工作原理见文献[4] 500)this.style.ouseg(this) 500)this.style.ouseg(this)图1 三相电压源变流器主电路 用神经网络来控制的整流器的控制原理 图如图2所示（单相等效电路）。 500)this.style.ouseg(this) 500)this.style.ouseg(this) 图2 系统控制框图 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，再分别与对应相的同步信号相乘，得到内环电流的参考 信号im*，再与实际相电流im相比较得到电流误差信号Δi=im*-im,，电流误差信号再输入神经网络控制器，神经网络的输出即为开关信号。其导师信号见表１ 本文中的神经网络拓扑结构如图３所示（包括输入层），为三层前向神经网络，学习算法是误差反向传播方法（BP算法）。 节点的作用函数采用Sigmoid函数 O 500)this.style.ouseg(this) 式中O 500)this.style.ouseg(this) 是第r步迭代时第k层第 i个神经元节点对于第h个样本输入时的输出， 500)this.style.ouseg(this) 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一层（第k-1层）的输入总和 表1 导师信号 开关模式 A B C Y1 Y2 Y3 1 0.1 0.1 0.1 0 0 0 2 0.1 0.1 -0.1 0 0 1 3 0.1 -0.1 0.1 0 1 0 4 -0.1 0.1 0.1 1 0 0 5 0.1 -0.1 -0.1 0 1 1 6 -0.1 0.1 -0.1 1 0 1 7 -0.1 -0.1 0.1 1 1 0 8 -0.1 -0.1 -0.1 1 1 1 500)this.style.ouseg(this) , 500)this.style.ouseg(this) 为第r步迭代时第k-1层第j个神经元节点对于第k层第i个神经元的权系数.， 500)this.style.ouseg(this) 为第r步迭代时第k层第i节点的阀值，使用平方型误差函数 500)this.style.ouseg(this) ，以及H个样本总误差 500)this.style.ouseg(this) ，式中 500)this.style.ouseg(this) 为第h个样本输入时，输出层第i个神经元节点的期望输出。采用使用最为广泛的BP算法，网络的学习表达式如下： 500)this.style.ouseg(this) (1) 500)this.style.ouseg(this) (2) 式中 μ为为学习步长 对于输出层（在本文中为第3层） 500)this.style.ouseg(this) 对于中间层有 500)this.style.ouseg(this) 500)this.style.ouseg(this)图3 神经网络控制器 上面是最基础的BP训练学习算法，在它的基础上可以有变学习步长或带动量项系数的BP算法。 采用批处理的学习方法，依表一的学习规则用matlab进行离线训练得到网络的结构为（3，4，3），通过多次反复训练，取系统的训练误差为1%100，同时考虑到神经网络控制器用定点DSPTMSF240实现时数值范围和数值精度的矛盾，决定取网络各层的权值和各个神经元的阀值如下： 500)this.style.ouseg(this) 500)this.style.ouseg(this) 500)this.style.ouseg(this) 500)this.style.ouseg(this) 再利用MATLAB中的Simulik环境搭出神经网络控制器作为一个子系统置于整个系