[发明专利]一种可变学习率BP-PID控制的并网逆变器直流分量抑制方法

权利要求书

1.一种可变学习率BP-PID控制的并网逆变器直流分量抑制方法，其特征在于，将PID控制器的参数调整转换成三层BP神经网络，再利用学习率在线可调的算法实现BP神经网络权值的实时更新，得到对应的PID控制器的整定参数，从而实现逆变器直流分量的抑制，具体包括以下步骤：

步骤一、构建BP神经网络的模型并初始化相关参数：建立三层BP神经网络，确定输入层j、隐含层i、输出层l的节点数与各层的激励函数，初始化输入层到隐含层的权值隐含层到输出层的权值给定系统直流分量的期望值rin＝0；

步骤二、样本输入：BP神经网络的输入层节点分别为实时采集到的逆变器并网电流中的直流分量值、直流分量期望值、直流分量上一时刻的误差值以及阈值，根据采样时间依次输入到控制算法中；

步骤三、信号的正向传播：根据输入层直流分量的实时采集值，计算得到实际直流分量估计值和期望值的差值error(k)，根据此差值，经过正向的权值计算得到输出层的三个输出，分别是PID控制器的比例、积分和微分参数；

步骤四、反馈调节：根据步骤三中得到的PID控制器的参数计算得到实时的控制量，输出叠加到并网系统中参考电流上，参与闭环电流调节，得到调整后的调制信号来控制功率开关管的通断，以此实现并网电流中直流分量的抑制；

步骤五、误差的反向传播：即实时计算直流分量误差对神经网络各层权值的梯度向量，根据此梯度方向的负方向计算连接权值的增量，对各层的权值进行不断的修正；

所述的学习率在线可调的算法的思想具体阐述如下：

a.首先规定一个比较小的学习率调整的直流分量极限值，假设为DC_band；当|DC(k)|＜DC_band时，说明直流分量的绝对值在一个很小的范围内波动，在直流分量变化时，都使学习率保持不变，即η(k)＝η(k-1)，神经网络连接权值的增量Δw_ji(k)、Δw_il(k)按照此学习率η(k)进行对应的调整；当|DC(k)|＞＝DC_band时，说明直流分量的绝对值较大，调整神经网络连接权值的增量Δw_ji(k)、Δw_il(k)的调整步长，即改变学习率η(k)的大小，来达到迅速减小直流分量的目的；

b.当e_dc(k)·e_dc(k-1)＞0时，说明当前时刻直流分量误差e_dc(k)与前一时刻直流分量误差e_dc(k-1)是同为正数或者同为负数的，对同为正数时进行分析；若当前时刻直流分量误差e_dc(k)的幅值小于前一时刻直流分量误差e_dc(k-1)的幅值，说明直流分量在向目标值靠近，即直流偏差正向减小的方向靠近，增大神经网络连接权值的增量Δw_ji(k)、Δw_il(k)的调整步长，即增大学习率η(k)的大小，令η(k)＝γ_act·η(k-1)，其中，γ_act取一个略大于1的正实数；若当前时刻直流分量误差e_dc(k)的幅值大于前一时刻直流分量误差e_dc(k-1)的幅值，说明直流分量在远离目标值，即直流偏差正向增大的方向靠近，减小神经网络连接权值的增量Δw_ji(k)、Δw_il(k)的调整步长，即减小学习率η(k)的大小，令η(k)＝γ_neg·η(k-1)，其中，γ_neg取一个略小于1的正实数；无论是增大学习率η(k)还是减小学习率η(k)，都是为了通过修正神经网络连接权值的增量Δw_ji(k)、Δw_il(k)的调整步长，达到迅速减小直流偏差并更加靠近给定值的目的；

c.由于学习率η(k)不能无限增大或者减小，需要对学习率η(k)进行限幅，规定学习率η(k)正向增加的极限值为η_limit；当η(k)增加到η_limit时，说明此时的误差调整速度已经达到最大，如果再增大会发生超调或者震荡；由于η(k)的负向减小因子γ_neg为正实数，所以η(k)负向减小时总大于零；因此，不管直流分量的误差变化趋势如何，都使神经网络连接权值的增量Δw_ji(k)、Δw_il(k)的调整步长按最大或最小输出，以迅速调整误差，使直流分量以最大的速度减小。

2.根据权利要求1所述的可变学习率BP-PID控制的并网逆变器直流分量抑制方法，其特征在于，所述BP神经网络各层的连接权值采用可变学习率和动量BP法结合的修正方法作为修正算法，对输入层到隐含层的权值进行分析，具体如下：

权值的修正公式为：

其中，表示当前时刻权值的增量，是当前时刻的连接权值，是下一时刻的连接权值；

采用可变学习率的算法后的权值增量为：

其中，η(k)是当前时刻的学习率，是当前时刻逆变器并网系统的性能指标函数，dc(k)是当前时刻的直流分量采集值；

加入动量BP法后的权值增量为：

其中，α是动量因子，分别是前一时刻与再前一时刻的输入层到隐含层的权值；

结合可变学习率和动量BP法，可得权值的增量为：

式中，表示调整的权值变化量，按照学习率可变的梯度下降法修正网络的权值，即按照对权值的负梯度方向进行搜索调整，并附加一个使搜索快速收敛全局极小的动量BP法的惯性项。