[发明专利]一种多变压器推挽型光伏逆变器

权利要求书

1.一种多变压器推挽型光伏逆变器，其特征是，它包括数字信号处理器（DSP）及依次连接的DC/DC变换器、DC/AC变换器和滤波器（LB），所述数字信号处理器（DSP）内设置有DC/AC变换器的PI控制器、人工神经网络模型（ANN）和前馈运算器（                                                ）构成的复合控制器，所述人工神经网络模型（ANN）的输入端接DC/AC变换器第个采样周期时的状态变量，其输出的第个采样周期时输出电压的预测值接前馈运算器（）的负输入端，所述前馈运算器（）的正输入端接时刻的电压设定值，其输出信号与PI控制器的输出信号叠加后控制DC/AC变换器的占空比。

2.根据权利要求1所述的一种多变压器推挽型光伏逆变器，其特征是，所述复合控制器按如下步骤构造：

a.建立系统等效模型

将由DC/AC变换器、滤波器（LB）和负载（Z）组成的逆变系统等效为一个四输入单输出的模型，其输入变量为第个采样周期时的直流母线电压、PI控制器输出占空比、输出电流、输出交流电压，输出变量为第个采样周期时的预测电压； 

b. 训练样本数据的采集

在逆变器装置平台上，通过闭环控制DC/DC变换器的占空比，得到逆变直流母线波动电压，随机给定DC/AC变换器功率管的占空比，采集对应的输出电流反馈值和输出电压反馈值，连续采集样本数据集组；

c. 建立DC/AC变换器的静态人工神经网络模型（ANN）

神经网络包含一个输入层、一个隐含层、一个输出层，输入层包括四个神经元，隐含层包括六个神经元并使用logsig转移函数，输出层包括一个神经元并使用purelin转移函数；利用步骤b获取的训练样本数据，采用变学习速率的误差反传算法对人工神经网络模型（ANN）进行训练，确定其中的各个神经元的权系数和阈值；

d.构造前馈运算器（）

前馈运算器（）的输入信号为第+1个采样周期时电压设定值及第个采样周期时电压预测值，前馈运算器输出占空比为：

      

其中：为前馈控制器控制权值；

e.构造复合控制器

将PI控制器输出占空比与前馈运算器输出占空比叠加即为复合控制器的输出。

3.根据权利要求1或2所述的一种多变压器推挽型光伏逆变器，其特征是，所述DC/DC变换器包括六个场效应管、功率驱动器（U1）、三个推挽变压器、整流桥（ZQ）、电池电压传感器（V1）和第一信号调理电路（TL1），第一场效应管（Q1）和第二场效应管（Q2）的源极接光伏电池（B）的负极，漏极分别通过第一推挽变压器（T1）的两个初级线圈与光伏电池（B）的正极相连，栅极分别与功率驱动器（U1）的两个输出端相连，第一电阻（R1）与第一电容（C1）串接后并联在第一推挽变压器（T1）的一个初级线圈上，第二电阻（R2）与第二电容（C2）串接后并联在第一推挽变压器（T1）的另一初级线圈上；第三场效应管（Q3）和第四场效应管（Q4）的源极接光伏电池（B）的负极，漏极分别通过第二推挽变压器（T2）的两个初级线圈与光伏电池（B）的正极相连，栅极分别与功率驱动器（U1）的两个输出端相连，第三电阻（R3）与第三电容（C3）串接后并联在第二推挽变压器（T2）的一个初级线圈上，第四电阻（R4）与第四电容（C4）串接后并联在第二推挽变压器（T2）的另一初级线圈上；第五场效应管（Q5）和第六场效应管（Q6）的源极接光伏电池（B）的负极，漏极分别通过第三推挽变压器（T3）的两个初级线圈与光伏电池（B）的正极相连，栅极分别与功率驱动器（U1）的两个输出端相连，第五电阻（R5）与第五电容（C5）串接后并联在第三推挽变压器（T3）的一个初级线圈上，第六电阻（R6）与第六电容（C6）串接后并联在第三推挽变压器（T3）的另一初级线圈上；三个推挽变压器的次级线圈串联连接后接整流桥（ZQ）的交流输入端，所述整流桥（ZQ）的直流输出端接DC/AC变换器的输入端；所述功率驱动器（U1）的两个输入端分别接DSP的GPIO0和GPIO1端；所述电池电压传感器（V1）接于光伏电池（B）两端，其输出信号经第一信号调理电路（TL1）接DSP的ADCINA0端。