[发明专利]一种并网逆变器的自组织T-S模糊神经网络控制方法

权利要求书

1.一种并网逆变器的强度自判断T-S型模糊神经网络控制方法，其特征在于，该方法包括如下步骤：

(1)采集并网逆变器网侧的三相电压u_a、u_b、u_c，通过锁相环得到电网相位wt。同时通过abc/dq坐标变换得到d-q坐标系下的电压值u_d、u_q；

(2)采集并网逆变器逆变器侧的三相电流i_a、i_b、i_c，同时通过abc/dq坐标变换得到d-q坐标系下的电流值i_d、i_q，与期望值i_d^*、i_q^*进行比较做差，得到误差信号e_t1、e_t2、和传入到自组织模糊RBF神经网络控制器中；

(3)模糊神经网络采用T-S型结构，前件网络的第三层通过激活强度对控制规则的贡献度进行判断，提升网络的性能和规模。

(4)激活强度判断条件为：若p(k-1)＜r，则前件网络的隶属度层及后件网络的隐含层分别增加一个神经元。反之保持现有结构不变，并更新中心值；

其中p(k-1)＝maxs_j(k-1)，s_j是模糊规则激活强度，x_i是输入向量，c_ij是隶属函数的宽度，r∈(0，1)；

(5)中心更新规则：式中c(k)为更新中心值，N为该类的样本数，c(k-1)为上一时刻的中心值，x_k为当前时刻的输入样本。

(6)增加新的神经元后，对该模糊规则中所属隶属度函数的中心值和宽度值及前件网络的权值进行初始化，c(k)＝x_k，σ(k)＝σ_k-1，w_k＝w_j＝1，其中c(k)为新增隶属度函数中心值，σ_k为新增隶属度函数宽度，σ_k-1为新入数据最小欧式距离的中心的宽度值，w_k为前件网络的权值。

(7)激活强度判断后，SOTSFNN进行相应的计算，并通过梯度下降法对模糊规则的中心值、宽度值、权值以及学习率进行学习。

(8)网络的输出Δk_pd、Δk_id、Δk_dd、Δk_pq、Δk_iq、Δk_dq实时在线调节两个电流控制PID参数，采用增量式PID算法，整个控制器的输出为u(kd)＝u(kd-1)+k_pd[e(kd)-e(kd-1)]+k_ide(kd)+k_dd(k)[e(kd)-2e(kd-1)+e(kd-2)]，u(kq)＝u(kq-1)+k_pq[e(kq)-e(kq-1)]+k_iqe(kq)+k_dq(k)[e(kq)-2e(kq-1)+e(kq-2)]；

式中，k为第k个控制周期，k-1表示第k-1个周期，e(k)、e(k-1)、e(k-2)分别表示第k个周期、第k-1个周期、和第k-2个周期的电流误差，k_p(k)、k_i(k)、k_d(k)分别表示第k个周期的P、I、D参数的取值。