一种基于WOA-BP的并网逆变器智能PI调节算法的制作方法

一种基于woa-bp的并网逆变器智能pi调节算法
技术领域
1.本发明属于电网控制技术领域，涉及逆变器并网控制，尤其是一种基于woa-bp的并网逆变器智能pi调节算法。

背景技术：

2.输出电压波形质量是并网逆变器的重要性能指标。在实际的并网逆变器中，由于通常采用滤波单元，输出阻抗具有二阶甚至更高阶的特性，各种非线性负载很可能导致逆变器输出电压的畸变。pi控制方法以其简单的优点被广泛应用于逆变器控制中，但对于非线性负载情况，很难达到理想的控制效果。
3.基于精确数学模型的传统控制方法往往难以获得良好的控制效果。如何更精确地获得逆变器数学模型是单偏差电网微电网储能逆变器系统建模与控制的关键，也是目前迫切需要解决的问题。

技术实现要素：

4.本发明的目的在于克服现有技术的不足，提供一种基于woa-bp的并网逆变器智能pi调节算法，其通过误差反向传播算法调整隐含层节点的权重，使网络更符合实际系统模型，具有控制精度高、稳定性强且响应速度快等特点。
5.本发明解决现有的技术问题是采取以下技术方案实现的：
6.一种基于woa-bp的并网逆变器智能pi调节算法，包括以下步骤：
7.步骤1、建立带lcl滤波器的并网逆变器模型，选择基于并网逆变器模型的bp神经网络逆系统的参数；
8.步骤2、采用woa算法优化bp神经网络结构；
9.步骤3、建立基于woa-bp神经网络的pi控制器，并对逆变器系统的输出电压进行控制。
10.进一步，所述带lcl滤波器的并网逆变器模型包括如下变量：逆变器直流母线电压u
dc
、负载电压uo、滤波电容电压uc、逆变器输出电流i1、负载电流i2、负载电压uo和pwm的占空比信号d。
11.进一步，所述基于并网逆变器模型的bp神经网络逆系统的参数包括：
12.当前采样周期的变量：逆变器直流母线电压u
dc
(k)、负载电压uo(k)、滤波电容电压uc(k)和逆变器输出电流i1(k)、负载电流i2(k)；
13.下一采样周期的变量：负载电压uo(k+1)；
14.将上一个采样周期的pwm信号的占空比d(k-1)作为bp神经网络逆模型的输入，将当前采样周期的pwm信号的占空比d(k)作为其输出。
15.进一步，所述bp神经网络结构包括如下三层：输入层、隐藏层和输出层；所述输入层有7个节点，输出层有一个对应于逆模型结构的节点，隐藏层节点数为6个，将logsig函数f(x)＝1/(1-e-x
)作为隐藏层的节点传递函数，将纯线性函数作为输出层的节点传输函数。
16.进一步，所述步骤2的具体实现方法包括以下步骤：
17.⑴
设置鲸鱼数量n和算法的最大迭代次数t
max
，初始化加权系数信息；
18.(2)计算每条鲸鱼的适应度，到当前最优鲸鱼的位置并保留，代入bp神经网络：w
i*
(t)和w
j*
(t)；
19.(3)计算参数a、p和系数向量a、c；判断捕食机制概率p是否小于50％，是则直接转入步骤(4)，否则采用气泡网捕食机制，然后更新位置；
20.(4)判断系数向量a的绝对值是否小于1，是则包围猎物，然后更新位置；否则全局随机搜索猎物，然后更新位置；
21.(5)位置更新结束，计算每条鲸鱼的适应度，并与先前保留的最优鲸鱼的位置比较，若优于，则利用新的最优解替换；
22.(6)判断当前计算是否达到最大迭代次数，如果是，则获得全局最优权值w
ibest
(0)和w
jbest
(0)，计算结束，否则进入下一次迭代，并返回步骤(3)。
23.进一步，所述步骤(3)利用下式更新位置：
[0024][0025]
其中d
′
表示当前搜索个体与当前最优解的距离；b为螺旋形状参数；l是值域为[-1，1]均匀分布的随机数；p为捕食机制概率，值域为[0，1]的随机数。
[0026]
所述步骤(4)在系数向量a的绝对值小于1时，使用下式更新位置：
[0027]
x(t+1)＝x
*
(t)-a
·d[0028]
t表示当前迭代次数，a和c是系数向量，x
*
(t)是目前得到的最佳解的位置向量，x(t)向量是位置向量，||是绝对值，
·
是逐元素相乘；
[0029]
否则按下式更新位置：
[0030]d″
＝|c
·
x
rand
(t)-x(t)|
[0031]
x(t+1)＝x
rand
(t)-a
·d[0032]
其中d
″
为当前搜索个体与随机个体的距离；x
rand
(t)为当前随机个体的位置。
[0033]
进一步，所述基于woa-bp神经网络的pi控制器由pi控制器、bp神经网络和被控逆变器系统输出电压构成。
[0034]
进一步，所述步骤3的具体实现方法包括以下步骤：
[0035]
(1)确定bp神经网络的输入层节点数和隐藏层节点数，由woa优化得到bp神经网络全局最优加权系数初值w
ibest
(0)和w
jbest
(0)，此时位置k＝1；
[0036]
(2)根据逆变器系统输出电压检测模块得到输出电压数据，将采样得到实时输出电压值uo(k)与目标值u
oref
(k)经计算得到初始误差e(k)＝u
oref
(k)-uo(k)；
[0037]
(3)计算pi控制器的控制输出y(k)；
[0038]
(4)进行神经网络学习，根据每次训练结果y(k)与预想结果u
oref
(k)进行误差分析，进而计算实际pi输出误差f(k)并修正隐藏层和输出层的加权系数，实时自动调整隐藏层和输出层的加权系数wi(k)和wj(k)，实现pi控制参数的自适应调整；
[0039]
(5)设定输出电压误差阈值δu
max
，将k置k+1，返回步骤(2)，直至f(k)＜δu
max
，输出最佳pi控制参数，停止运行；若f(k)＞δu
max
，继续采样输出电压并更新pi控制参数。
[0040]
本发明的优点和积极效果是：
[0041]
本发明提出了一种基于woa-bp神经网络的智能pi调节方法对bp神经网络的加权系数初值进行优化，避免了初始权值陷入局部最优，并通过bp神经网络对系统性能的学习来实现具有最佳组合的pi控制功能，具有控制精度高、稳定性高、响应速度快、并发性强、计算量小并可自主控制输出功率等特点。
附图说明
[0042]
图1是本发明提供的带lcl滤波器的并网逆变器原理图；
[0043]
图2是本发明提供的基于并网逆变器模型的bp神经网络逆系统结构图；
[0044]
图3是本发明提供的基于woa优化bp神经网络加权系数初值的算法流程图；
[0045]
图4是本发明提供的基于woa-bp神经网络逆模型的pi控制器结构图。
具体实施方式
[0046]
以下结合附图对本发明实施例做进一步详述。
[0047]
本发明提出一种基于woa-bp的并网逆变器智能pi调节算法，包括以下步骤：
[0048]
步骤1、建立带lcl滤波器的并网逆变器模型，选择基于并网逆变器模型的bp神经网络逆系统的参数。
[0049]
在本步骤中，建立如图1所示的带lcl滤波器的并网逆变器模型，该并网逆变器的各个变量包括逆变器直流母线电压u
dc
、负载电压uo、滤波电容电压uc、逆变器输出电流i1、负载电流i2、负载电压uo和pwm的占空比信号d。
[0050]
根据图2所示的基于并网逆变器模型的bp神经网络逆系统，选择当前采样周期的变量：逆变器直流母线电压u
dc
(k)、负载电压uo(k)，滤波电容电压uc(k)和逆变器输出电流i1(k)，负载电流i2(k)；下一采样周期的变量：负载电压uo(k+1)；上一个采样周期的pwm信号的占空比d(k-1)作为bp神经网络逆模型的输入，并将当前采样周期的pwm信号的占空比d(k)作为其输出。
[0051]
步骤2、采用鲸鱼优化算法(woa)优化bp神经网络结构。
[0052]
bp神经网络的结构有三层：输入层、隐藏层和输出层。输入层有七个节点，输出层有一个对应于逆模型结构的节点。通过测试方法，最终选择隐藏层节点数为6个。将logsig函数f(x)＝1/(1-e-x
)作为隐藏层的节点传递函数，将纯线性函数作为输出层的节点传输函数。
[0053]
在本步骤中，引入鲸鱼优化算法(woa)优化bp神经网络的加权系数初值wi(0)和wj(0)。woa模拟了座头鲸特有的搜索方法和围捕机制，主要包括围捕猎物、气泡网捕食、搜索猎物三个重要阶段。由于最优设计在搜索速度中的位置不是先验已知的，因此woa算法假定当前的最佳候选解是目标猎物或接近最优解。在定义了最佳搜索代理之后，其他搜索代理将尝试向最佳搜索代理更新它们的位置。这一行为由以下方程表示：
[0054]
d＝|c
·
x
*
(t)-x(t)|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0055]
x(t+1)＝x
*
(t)-a
·dꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0056]
t表示当前迭代次数，a和c是系数向量，x
*
(t)是目前得到的最佳解的位置向量，x(t)向量是位置向量，||是绝对值，
·
是逐元素相乘。如果存在更好的解决方案，那么应该在每次迭代中更新x
*
(t)。
[0057]
其中向量a和c的计算方式如下：
[0058]
a＝2a
×r1-a
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0059]
c＝2
×
r2ꢀꢀꢀꢀ
(4)
[0060]
在整个迭代过程中a由2线性降到0；r1和r2是[0，1]中的随机向量。
[0061]
座头鲸捕食主要有两个机制：包围捕食和气泡网捕食。采用气泡网捕食时，座头鲸与猎物间的位置更新用对数螺旋方程表达，woa根据概率p来选择气泡网捕食或者收缩包围，位置更新公式：
[0062][0063]
其中d
′
表示当前搜索个体与当前最优解的距离；b为螺旋形状参数；l是值域为[-1，1]均匀分布的随机数；p为捕食机制概率，值域为[0，1]的随机数。
[0064]
随着迭代次数t的增加，参数a和收敛因子a逐渐减小，若|a|＜1，则各鲸鱼逐渐包围当前最优解，在woa中属于局部寻优阶段。
[0065]
为保证所有鲸鱼能在解空间中充分搜索，woa根据鲸鱼彼此之间的距离来更新位置，达到随机搜索的目的。因此，当|a|≥1时，搜索个体会游向随机鲸，表达式如下：
[0066]d″
＝|c
·
x
rand
(t)-x(t)|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0067]
x(t+1)＝x
rand
(t)-a
·dꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0068]
其中d
″
为当前搜索个体与随机个体的距离；x
rand
(t)为当前随机个体的位置。
[0069]
为了提高woa-bp神经网络模型的精度，训练样本应覆盖逆变器的整个工作空间。在收集培训样本的过程中，直流母线电压设置在750v左右，并考虑不同负载和负载切换的各种条件。为了确保训练样本包含足够的系统静态和动态信息，选择了不同幅值的正弦波信号和定值信号，然后在其上叠加随机信号，形成pwm占空比驱动信号，该信号在0和1之间变化，开关频率为10khz。从获得样本中随机抽取作为训练样本，剩余样本作为测试样本。神经网络的训练过程用matlab进行，经过多步使得样本均方误差小于0.01，满足迭代终止条件。
[0070]
基于上述说明，本步骤通过引入woa算法确定最优bp神经网络结构，即优化隐藏层和输出层的加权系数wi(0)和wj(0)。标准woa算法主要依靠系数向量a选择搜索猎物的路径，并利用概率p决定最终捕食机制。如图3所示，本步骤的具体优化步骤为：
[0071]
步骤(1)、设置鲸鱼数量n和算法的最大迭代次数t
max
，初始化加权系数信息。
[0072]
步骤(2)、计算每条鲸鱼的适应度，到当前最优鲸鱼的位置并保留，代入bp神经网络即w
i*
(t)和w
j*
(t)。
[0073]
步骤(3)、计算参数a、p和系数向量a、c。判断概率p是否小于50％，是则直接转入步骤(4)，否则采用气泡网捕食机制：利用式(5-2)进行位置更新。
[0074]
步骤(4)、判断系数向量a的绝对值是否小于1，是则包围猎物：按式(2)更新位置；否则全局随机搜索猎物：按式(6)和式(7)更新位置。
[0075]
步骤(5)：位置更新结束，计算每条鲸鱼的适应度，并与先前保留的最优鲸鱼的位置比较，若优于，则利用新的最优解替换。
[0076]
步骤(6)：判断当前计算是否达到最大迭代次数，如果是，则获得全局最优权值w
ibest
(0)和w
jbest
(0)，计算结束，否则进入下一次迭代，并返回步骤(3)。
[0077]
步骤3、建立基于woa-bp神经网络的pi控制器，并对逆变器系统的输出电压进行控制。
[0078]
由于并网逆变器模型的误差，在一定条件下，直接使用逆模型控制策略的效果会急剧下降，因此，本发明将神经网络逆模型的输出作为前馈，并将其叠加到单回路pi控制器的输出。输出控制模块将带有输出控制量信息的电压信号转化成一个脉宽调制信号pwm，再输出相应的pwm占空比波形至功率驱动部分的开关管中，调整单周期内pwm高低电平所占的比例即可改变逆变器系统的输出电压。pi控制器将根据逆变器输出电压的偏差，产生相应的控制输出来调整上述误差。控制效果不完全取决于逆模型的精度，同时保持其快速动态响应的优点。
[0079]
如图4所示，基于woa-bp神经网络的pi控制器由三部分组成：pi控制器、bp神经网络和被控逆变器系统输出电压。bp神经网络具有任意非线性表达能力，可以通过对系统性能的学习来实现具有最佳组合的pi控制，利用bp神经网络建立可自适应调整两个参数k
p
、ki的pi控制器从而对逆变器系统的输出电压进行控制。
[0080]
本步骤基于woa-bp神经网络的pi调节具体步骤为：
[0081]
步骤(1)、启动程序，确定bp神经网络结构，即确定输入层节点数和隐藏层节点数，由woa优化得到bp神经网络全局最优加权系数初值w
ibest
(0)和w
jbest
(0)，此时位置k＝1。
[0082]
步骤(2)、根据逆变器系统输出电压检测模块得到输出电压数据，并进行a/d转换，将采样得到实时输出电压值uo(k)与目标值u
oref
(k)经计算得到初始误差e(k)＝u
oref
(k)-uo(k)。
[0083]
步骤(3)、计算pi控制器的控制输出y(k)。
[0084]
步骤(4)、进行神经网络学习，根据每次训练结果y(k)与预想结果u
oref
(k)进行误差分析，进而计算实际pi输出误差f(k)并修正隐藏层和输出层的加权系数，实时自动调整隐藏层和输出层的加权系数wi(k)和wj(k)，实现pi控制参数的自适应调整。
[0085]
步骤(5)、设定输出电压误差阈值δu
max
，将k置k+1，返回步骤(2)，直至f(k)＜δu
max
，输出最佳pi控制参数，停止运行；若f(k)＞δu
max
，继续采样输出电压并更新pi控制参数。
[0086]
需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

技术特征：

1.一种基于woa-bp的并网逆变器智能pi调节算法，其特征在于：包括以下步骤：步骤1、建立带lcl滤波器的并网逆变器模型，选择基于并网逆变器模型的bp神经网络逆系统的参数；步骤2、采用woa算法优化bp神经网络结构；步骤3、建立基于woa-bp神经网络的pi控制器，并对逆变器系统的输出电压进行控制。2.根据权利要求1所述的一种基于woa-bp的并网逆变器智能pi调节算法，其特征在于：所述带lcl滤波器的并网逆变器模型包括如下变量：逆变器直流母线电压u
dc
、负载电压u
o
、滤波电容电压u
c
、逆变器输出电流i1、负载电流i2、负载电压u
o
和pwm的占空比信号d。3.根据权利要求2所述的一种基于woa-bp的并网逆变器智能pi调节算法，其特征在于：所述基于并网逆变器模型的bp神经网络逆系统的参数包括：当前采样周期的变量：逆变器直流母线电压u
dc
(k)、负载电压u
o
(k)、滤波电容电压u
c
(k)和逆变器输出电流i1(k)、负载电流i2(k)；下一采样周期的变量：负载电压u
o
(k+1)；将上一个采样周期的pwm信号的占空比d(k-1)作为bp神经网络逆模型的输入，将当前采样周期的pwm信号的占空比d(k)作为其输出。4.根据权利要求1所述的一种基于woa-bp的并网逆变器智能pi调节算法，其特征在于：所述bp神经网络结构包括如下三层：输入层、隐藏层和输出层；所述输入层有7个节点，输出层有一个对应于逆模型结构的节点，隐藏层节点数为6个，将logsig函数f(x)＝1/(1-e-x
)作为隐藏层的节点传递函数，将纯线性函数作为输出层的节点传输函数。5.根据权利要求1或4所述的一种基于woa-bp的并网逆变器智能pi调节算法，其特征在于：所述步骤2的具体实现方法包括以下步骤：
⑴
设置鲸鱼数量n和算法的最大迭代次数t
max
，初始化加权系数信息；
⑵
计算每条鲸鱼的适应度，到当前最优鲸鱼的位置并保留，代入bp神经网络：w
i*
(t)和w
j*
(t)；
⑶
计算参数a、p和系数向量a、c；判断捕食机制概率p是否小于50％，是则直接转入步骤
⑷
，否则采用气泡网捕食机制，然后更新位置；
⑷
判断系数向量a的绝对值是否小于1，是则包围猎物，然后更新位置；否则全局随机搜索猎物，然后更新位置；
⑸
位置更新结束，计算每条鲸鱼的适应度，并与先前保留的最优鲸鱼的位置比较，若优于，则利用新的最优解替换；
⑹
判断当前计算是否达到最大迭代次数，如果是，则获得全局最优权值w
ibest
(0)和w
jbest
(0)，计算结束，否则进入下一次迭代，并返回步骤
⑶
。6.根据权利要求5所述的一种基于woa-bp的并网逆变器智能pi调节算法，其特征在于：所述步骤
⑶
利用下式更新位置：其中d'表示当前搜索个体与当前最优解的距离；b为螺旋形状参数；l是值域为[-1,1]均匀分布的随机数；p为捕食机制概率，值域为[0,1]的随机数。所述步骤
⑷
在系数向量a的绝对值小于1时，使用下式更新位置：
x(t+1)＝x
*
(t)-a
·
dt表示当前迭代次数，a和c是系数向量，x*(t)是目前得到的最佳解的位置向量，x(t)向量是位置向量，||是绝对值，
·
是逐元素相乘；否则按下式更新位置：d”＝|c
·
x
rand
(t)-x(t)|x(t+1)＝x
rand
(t)-a
·
d其中d”为当前搜索个体与随机个体的距离；x
rand
(t)为当前随机个体的位置。7.根据权利要求1所述的一种基于woa-bp的并网逆变器智能pi调节算法，其特征在于：所述基于woa-bp神经网络的pi控制器由pi控制器、bp神经网络和被控逆变器系统输出电压构成。8.根据权利要求1或7所述的一种基于woa-bp的并网逆变器智能pi调节算法，其特征在于：所述步骤3的具体实现方法包括以下步骤：
⑴
确定bp神经网络的输入层节点数和隐藏层节点数，由woa优化得到bp神经网络全局最优加权系数初值w
ibest
(0)和w
jbest
(0)，此时位置k＝1；
⑵
根据逆变器系统输出电压检测模块得到输出电压数据，将采样得到实时输出电压值u
o
(k)与目标值u
oref
(k)经计算得到初始误差e(k)＝u
oref
(k)-u
o
(k)；
⑶
计算pi控制器的控制输出y(k)；
⑷
进行神经网络学习，根据每次训练结果y(k)与预想结果u
oref
(k)进行误差分析，进而计算实际pi输出误差f(k)并修正隐藏层和输出层的加权系数，实时自动调整隐藏层和输出层的加权系数w
i
(k)和w
j
(k)，实现pi控制参数的自适应调整；
⑸
设定输出电压误差阈值δu
max
，将k置k+1，返回步骤
⑵
，直至f(k)<δu
max
，输出最佳pi控制参数，停止运行；若f(k)>δu
max
，继续采样输出电压并更新pi控制参数。

技术总结

本发明涉及一种基于WOA-BP的并网逆变器智能PI调节算法，其技术特点是包括以下步骤：建立带LCL滤波器的并网逆变器模型，选择基于并网逆变器模型的BP神经网络逆系统的参数；采用WOA算法优化BP神经网络结构；建立基于WOA-BP神经网络的PI控制器，并对逆变器系统的输出电压进行控制。本发明设计合理，其对BP神经网络的加权系数初值进行优化，避免了初始权值陷入局部最优，并通过BP神经网络对系统性能的学习来实现具有最佳组合的PI控制功能，具有控制精度高、稳定性高、响应速度快、并发性强、计算量小并可自主控制输出功率等特点。量小并可自主控制输出功率等特点。量小并可自主控制输出功率等特点。