[发明专利]一种新型储能逆变器电压控制策略

说明书

本发明公开一种新型储能逆变器电压控制策略，包括支持向量机算法、粒子群优化、复合控制，其特征在于该策略基于支持向量机 (SVM) 的复合逆控制策略，在分析支持向量机的基础上，采用了粒子群算法优化各参数，根据影响逆变器输出电压的相关扰动量，构建逆变器的逆模型结构，利用储能逆变器在不同工况下的运行数据训练支持向量机逆模型，将逆模型输出的占空比作为储能逆变器的输入，同时利用输出电压反馈，构成闭环控制，以提高系统的控制性能。采用增加闭环的复合逆控制算法有效地补偿了电流的波动对端口电压的影响，电压谐波含量少，稳态误差小，输出电压得到了有效地控制，畸变量较少，系统的动态性能和鲁棒性得到了显著提升。

技术领域

本发明属于电压控制领域，尤其涉及一种基于支持向量机的新型储能逆变器电压控制策略。

背景技术

在微网系统中，储能逆变器作为能量转换器件必不可少，交直流变换过程中必须保证在带任何负载情况下输出电压波形的正弦度和准确性，其控制性能的优良直接关系到微电网的正常运行。由于逆变器输出侧 LC 滤波器的存在，逆变器输出阻抗不为零，所产生的输出电压降低。尤其是带非线性负载时，不连续的脉冲电流产生的瞬态压降将会造成输出电压波形的严重畸变。针对这个问题，许多学者专家提出了电压平均值控制策略、双闭环PID、无差拍控制、反复补偿及扰动观察反复补偿等控制方式，但是都有自己的局限性。双闭环控制具有较快的动态响应特性，但是控制器参数不易整定。无差拍控制在理论上具有控制偏差小的优点，但是对模型的依赖性较高。反复补偿技术能有效地抑制周期性波动负载的影响，但是选择控制增益比较困难。

随着人工智能技术的不断发展，智能学习算法在对象辨识方面体现出了强大的生命力，比如神经网络、支持向量机等方法以其强大的逼近非线性映射的能力，大量的应用于辨识那些具有不确定性或高度非线性的被控对象。

发明内容

本发明就是针对上述问题，设计了一种新型储能逆变器电压控制策略，该策略基于支持向量机 (SVM) 的复合逆控制策略，在分析支持向量机的基础上，采用了粒子群算法优化各参数，根据影响逆变器输出电压的相关扰动量，构建逆变器的逆模型结构，利用储能逆变器在不同工况下的运行数据训练支持向量机逆模型，将逆模型输出的占空比作为储能逆变器的输入，同时利用输出电压反馈，构成闭环控制，以提高系统的控制性能。

本发明采用的技术方案是，一种新型储能逆变器电压控制策略，包括支持向量机算法、粒子群优化、复合控制。

所述的支持向量机算法，是一种基于“小样本”的学习算法，目前可以将其分为支持分类算法 ( SVC) 和支持向量回归算法 (SVR) ，前者主要用于辨识分类，后者主要用于函数逼近。本发明采用支持向量回归算法来逼近期望的占空比信号。

所述的粒子群优化，主要作用是优化支持向量机的关键参数: 惩罚参数C、不敏感损失参数以及核参数，这些参数选择的正确与否直接关系到支持向量机模型的准确性和泛化能力。

所述的复合控制，引入输出量反馈构成闭环系统，将逆变器输出电压进行反馈，与期望值求差值后进行PID 运算，使输出紧随输入。

本发明的有益效果是，该新型储能逆变器电压控制策略，采用增加闭环的复合逆控制算法有效地补偿了电流的波动对端口电压的影响，电压谐波含量少，稳态误差小，输出电压得到了有效地控制，畸变量较少，系统的动态性能和鲁棒性得到了显著提升。

附图说明

下面结合附图和具体实施方式对本发明做进一步说明。本发明保护范围不仅局限于以下内容的表述。

图 1 是本发明电路原理框图。

具体实施方式

如图所示，本发明的新型储能逆变器电压控制策略，包括支持向量机算法、粒子群优化、复合控制。