[发明专利]Vienna整流器RBF神经网络外环电压滑模控制方法

权利要求书

1.一种Vienna整流器RBF神经网络外环电压滑模控制方法，电流、电压传感器实时检测到的交流侧三相电源的电压和电流，通过转换公式转换到dq坐标系下电压e_dq和电流i_dq，再加上交流侧dq坐标系下参考量电流送入PI电流内环控制得到输出控制电压u_d、u_q，利用锁相环PLL检测到的实时相位角θ将u_d、u_q转换到静止坐标系下电压送入SVPWM调制，输出信号对三对由MOSFET组成的双向开关进行控制；其特征在于，其中交流侧dq坐标系下参考量电流由外环电压控制获得，所述外环电压控制：直流输出端通过传感器检测输出上下两端的电容电压与电容电压期望值以及直流输出端电压参考值V_oref、dq坐标系下电压e_d送入采用RBF神经网络逼近的滑模控制器实现对外电压环的控制，输出dq轴的电流参考值令

所述滑模控制器的滑模面的设计如下：

其中：V_oref为直流输出端电压参考值；k_p、k_i为滑模面上的误差值和误差积分值的两个系数，取值都要大于0，选择较大的k_p使系统的快速性得到保证，同时选择较小的k_i能够降低系统的抖动；所述滑模控制器为：

其中sgn为饱和函数，控制参数都取正数，C为输出端上下端电容值；ε为趋近率系数；R_l为负载电阻；

所述RBF神经网络分为三层结构，分别为作为系统输入的输入层、中间信息处理的隐含层和作为系统输出的输出层，每个隐含层节点有一个中心向量c，c和输入参数向量x具有相同的维数，它们之间的欧式距离定义为||x(t)-c_j(t)||；

网络输入为：

隐含层的基函数通常选择如下的高斯基函数：

其中b_j为正的表示高斯基函数宽度的标量；m是隐含层节点数，m＝15；

将滑模控制器作为神经网络的输出，隐含层节点向量为H＝[h₁ h₂...h₁₅]^T，相应的中心点向量和基宽参数向量分别为：c＝[c₁ c₂...c₁₅]^T，b＝[b₁ b₂...b₁₅]^T；

其输出表达式：

上式中：W＝[w₁ w₂...w₁₅]^T是连接权值向量；

将传统滑模控制运行得到的各个量在系统稳定输出时间段0.02s到0.05s的采样数据作为输入层样本，用于神经网络的训练，获得训练后神经网络用于滑模控制器。

2.根据权利要求1所述Vienna整流器RBF神经网络外环电压滑模控制方法，其特征在于，所述RBF神经网络的学习过程分为两个阶段，第一个阶段为无监督学习，根据输入的样本确定隐含层的高斯基函数的中心点向量c_j与基宽参数b_j，采用K-means算法来实现中心向量c_j的调整；

第二阶段是无监督学习，训练隐含层到输出层之间的权值w，w的学习算法如下：

式中：β为学习效率，为了保证学习算法的收敛性，通常取0＜β＜1；为期望输出值与实际输出值；

当样本离中心向量较远时，h_j非常小，当作0处理；只有当h_j大于设定数值时才对权值进行相应修改，因此隐含层节点向量H中只有个别元素为1，其余为0，每次训练时只有少数几个权值需调整，保证了RBF较快的学习速度。