弱电网下LCL换流器谐振的自适应抑制研究_李君卫.pdf

弱电网下 换流器谐振的自适应抑制研究李君卫，汤亚芳，张尚然（黔南民族师范学院，贵州 都匀；贵州大学 电气工程学院，贵阳；河北省仪器仪表工程技术研究中心，河北 承德）摘要：型换流器因其体积小，滤波性能好等优点广泛地应用于并网系统。但其自身的谐振问题不可忽略，电容电流反馈有源阻尼是常用的谐振抑制方法。在实际应用中，电网阻抗能够对 滤波器谐振产生影响。基于此，提出一种基于遗传算法优化 神经网络的自适应谐振抑制方法，该方法依据遗传算法对 神经网络进行初始参数的优化，利用 神经网络自身的辨识能力对 控制器的参数进行识别，实时修正 控制器参数和有源阻尼系数，从而实现 型换流器在电网阻抗变化时保持系统稳定。最后分别采用传统无参数优化方法、神经网络优化方法以及所提方法进行实验，通过仿真结果的分析，验证了该方法的有效性。关键词：滤波器；并网换流器；弱电网；谐振抑制；神经网络；遗传算法：中图分类号：文献标识码：文章编号：（），（，55，c cc gg，g 555，gg cg c，g，）：o o o oo o o，o o o o o o o o o o oo o o o o，o o o o o o ，o o o o o oo o o o o o o o o o o oo o o o o，oo o oo o，o o o oo o o：，o o，o，o o，o，o基金项目：国家自然科学基金资助项目（）；贵州省科技厅自然科学基金重点资助项目（）；贵州省教育厅自然科学基金项目（，）；黔南州自然科学基金项目（）；黔南民族师范学院自然科学基金项目（，）引 言基于可再生能源的分布式发电系统（o o，）作为一种高效且极具市场潜力的发电方式，在现代化电网系统中占据了重要地位。型换流器作为可再生能源发电系统与智能电网之间的电能交互第 卷 第 期电测与仪表 年 月 日 ，器件，在现代化智能电网中发挥着举足轻重的作用。但 滤波器本身作为一个三阶系统，其自身所存在的谐振尖峰也是威胁并网换流器系统稳定性的一个关键因素，因此对 滤波器谐振的抑制具有现实意义。目前，大量文献研究了用于抑制 型换流器谐波谐振的方法，即无源阻尼和有源阻尼方法。与无源阻尼方法相比，有源阻尼因其不产生额外功耗、便于控制、良好的系统性能等优势，大量应用于中高功率换流器场合的谐振抑制。通过对换流器系统的控制结构图的等效化简，证明了“虚拟阻抗”的存在，并展示了无源阻尼与有源阻尼之间的等效关系。并网换流器控制策略中常用的控制器为 控制器和 控制器。控制器能够有效地抑制电网谐波，但是当电网的谐波频率趋近于系统的截止频率时，控制器的引入会减小系统的相角裕度，容易造成系统不稳定。控制器能够改善系统的稳态性能，对小于截止频率 的谐波有一定的抑制能力，且能够保证无静差调节，实现电网系统的稳定运行。但是无论哪种控制器，其参数的设计均是在标准状态下设计的，且对所建模型的精确度要求比较高，当电网阻抗发生变化时，会影响系统的稳态误差，从而影响并网系统的电能质量。基于此，以 型并网换流器为研究对象，提出基于遗传算法优化 神经网络的谐振抑制策略以及闭环参数设计方法。该策略可以依据电网阻抗的变化，通过 神经网络的辨识能力整定出新的 控制器参数，并从相角裕度、幅值裕度、系统阻尼比等方面进行分析，得到与电容电流反馈系数的联系，从而求得 控制器参数最佳的反馈系数。并基于 仿真平台进行了验证。型换流器数学模型三相并网系统经过坐标变换后可用单相系统进行描述，因此，为简化三相系统的分析过程，有必要建立单相并网换流器模型。单相并网换流器的控制结构如图 所示，直流电源 为换流器输入，为直流侧电容，为换流器输出电流，为换流器输出电压，为滤波电容，为滤波电容电压，为换流器侧电感，为网侧电感，为电容电流，为并网电流，为电网电压，开关器件为完全对称的开关桥臂，设开关器件为理想器件。图 中并网换流器控制策略为：并网电流与含有电网相、频信息的参考电流取差值，并经调节器输入正弦脉宽调制策略（）模块产生调制脉冲以控制功率开关的通断。使并网换流器输出电流与电网电压有一致的相位信息，并保证并网换流器的输出电流的 符合并网标准要求。根据电路理论中各个元件之间的电气属性关系，即可得到单相并网换流器电网电流闭环系统的控制框图，如图 所示。DGudCdcugigiinvirefL1L2CicH1PLLPIPWM-+-uinv 图 并网换流器的控制结构 oo o o oiLirefiCiguguC+-+GPI(s)Kpwm1/sL11/sC1/sL2i2HHi1+-图 单相并网换流器的控制系统框图 o o oo o o o并网系统的开环传递函数为：（）（）（）谐振分析 并网换流器谐振分析文中所做分析仅涉及高次谐波，理想的电网电压则只在基波电压处产生作用，因此文中仅将电网电压视为扰动量的影响。由图 可得 到并网电流 的传递函数为：Y（）（）（）（）（）由式（）可知，滤波器的谐振角频率为：（）考虑电网阻抗下并网系统谐振分析并网系统中，电网阻抗的大小能够影响 滤波器的工作性能，电网线路阻抗以感性为主，用 表示。并网电流受 影响，设 为网侧电感和电网阻抗之和（），由此可得 到并网电流 的传递函第 卷 第 期电测与仪表 年 月 日 ，数为：Y（）（）（）（）（）则该传递函数存在谐振频率为：（）（）（）图 为传递函数 Y（）分别在考虑电网阻抗和理想电网阻抗情况下的波特图。Magnitude(dB)-100-50050102103104105Phase(deg)-270-180-90Bode Diagram频率(rad/s)r1r2图 传递函数 Y（）的伯德图 o o o Y（）图 可以看出：电网阻抗变大后，系统谐振发生了变化，滤波器在频率、处存在谐振尖峰，两种情况下的相位信息均向负方向作 的穿越。由控制理论可知，负穿越会在右半平面产生闭环极点，从而引起并网换流器系统的失稳运行。考虑 因素后，换流器并网系统的谐振角频率 会向低频段处移动。显然，在没有配置阻尼抑制谐振情况下，系统难以保持稳定。策略分析 电容电流反馈有源阻尼电容电流反馈有源阻尼是采用控制的方法来修正 滤波器的频率特性，该方法能够有效地削弱系统的谐振尖峰，不会降低 滤波器的低频增益和高频谐波衰减能力，且不增加系统额外功率损耗，更具有实用价值。选取电容电流反馈系数 控制器可以降低并网点处的电流谐波，改善并网电能的质量。在并网系统稳定运行中合适电容电流反馈系数的选取受 控制器参数以及系统的稳定裕度的影响较大。设计思路可归纳为：依据并网换流器的幅值裕度、相位裕度 与、的关系，求解 的取值范围，并确定出最优值。接下来详细分析、与、的关系。采用电容电流补偿时，不同的补偿系数对谐振的抑制效果不同。当 值较大时，系统具有较小的谐振尖峰，对谐振频率 具有更佳的阻尼效果，几乎不影响高频和低频段的幅频特性；且随着 值的增大，相角裕度随之变小。因此，选取不同的 值，能够影响并网系统的相角裕度和幅值裕度。图 所示为、取不同参数时，并网系统的内环伯德图。先固定 参数，对 参数进行调整；再将 参数固定，对 参数进行调整。可以看出，参数的增加会增大相角裕度，减小幅值裕度；而 参数的数值越大，会使相角裕度有所降低，对于幅值裕度却几乎没有影响。因此，在对幅值裕度进行计算时，可将 控制器视为比例调节器。-150-100-50050Magnitude(dB)102103104105106-270-225-180-135-90Phase(deg)Bode Diagram of G(s)Frequency(rad/s)kp=0.2;ki=100kp=0.6;ki=100kp=1;ki=100kp=1,ki=150图 、不同时，系统电流内环伯德图 o 为了保证系统具有良好的动态性能和鲁棒性，在谐振频率 处保证 在（，）范围内以及（）（考虑 的裕量）即可。选取要求系统的相角裕度，则需满足：（）（）将式（）带入到式（）中，整理可得：（）（）式中：（）（）（）（）（）（）求得并网系统的幅值裕度 为：o（）（）将式（）带入式（）中，并用比例调节器 代替 控制器（），化简得：（）（）第 卷 第 期电测与仪表 年 月 日 ，文献推导了 与系统阻尼比 和系统阻尼比 与 的关系式：（）（）（）式中 。为计算方便，不考虑滤波电容支路，用单 型滤波器简化 滤波器，并用比例控制器替代 控制器（），电流内环传递函数可简化为：（）（）（）因电流内环增益在截止频率 处为，即：（）（）（）整理后可得 与 之间的关系为：（）（）将式（）、式（）带入式（），电容电流系数可以得出在阻尼比 的约束条件下的：c（）若控制器中 参数因运行要求进行调整，则截止频率 也将会随之改变，较高的 值会促进系统的动态响应。通常，谐振频率 要大于截止频率，因此两者的比值 介于，之间。当系统阻尼固定时，值越小，则系统的谐振尖峰就越具有较好的阻尼效果；若截止频率 不变时，阻尼比越大，则谐振尖峰减小。有上述可知，在满足系统稳定运行的相位裕度和幅值裕度要求下，取值比较小的 能够使系统在不影响系统稳态的情况下表现出更好的动态响应。因此，对于电流内环参数、的选取过程为：（）依据控制器参数，代入式（）、式（），得到 的取值区间，；（）确定出系统的截止频率，代入式（），求出有阻尼比 的条件下的；（）验证 的结果是否能够满足 的范围，若能够满足则选取 与 数值比较大的值；否则，则选定为。由以上分析可知，电容电流反馈系数的选取受控制器参数影响，因此确定合适的 参数对系统谐振阻尼非常重要。基于遗传算法优化 的参数优化方法 神经网络文献于 年提出了 神经网络，并验证了该网络具有最佳的非线性逼近性能。神经网络具有学习速度快，避免局部最优等优点，相比较于 神经网络而言，表现出更强的普适性，广泛应用于各个领域。神经网络为三层前馈网络，结构如图 所示。x1x2xlc1c2cjcmwijy1y2j(|x-cj|)图 神经网络结构 o 图 为 神经网络的典型结构。网络包括信号输入层、中间隐层和输出层。图中 ，为网络输入向量，c c，c，c，c为 网络隐含层节点的数据中心矢量，为中间层到输出层的权向量。网络输出为 ，（）为第 个隐节点的径向基函数。对于隐层空间的数据中心点，径向基网络具有对称性，并且输入信号与数据中心的差值越小，则此节点被激活的程度就高，此为径向基网络的局部特性。常用高斯函数作为径向基函数：（）（c）（）式中 ，。，T称之为该基函数宽度或扩展系数，表示相同的输入数据与数据中心距离下不同函数值。因此，对于 网络，隐层的每个节点都会有自身对应的数据中心。由图 可知，网络第 k 个输出节点的输出可表示为：k（c，）（）式中 与 c的维数一致。遗传算法优化 常规 网络的梯度下降法训练方法容易陷入局部最优，所得初值不利于 参数整定，因此采用遗传算法进行网络优化。遗传算法（o，第 卷 第 期电测与仪表 年 月 日 ，）是迄今为止进化算法中、比较成熟、且应用最广的一种自适应概率搜索优化算法。基于遗传算法优化 神经网络的流程图如图 所示。神经网络部分遗传算法部分获得最优权值/基宽/数据中心选择初始网络的权值以网络训练误差作为适应度函数编码交叉变异计算适应度值满足条件确定网络拓扑结构网络参数更新NY图 遗传算法优化 网络示意图 o oo o遗传算法的适应度函数采用误差函数计算个体适应度：k（k k）（）式中 k为第 个样本输入而对应的神经元 k 的实际输出；k为神经元 k 的期望输出。优化 神经网络流程如下：（）确定初始种群。依据网络结构确定数据中心c、扩展系数 以及权值 种群规模；（）对个体进行实数编码。文中将数据中心 c和扩展常数交叉排列，将权值置在后部。其中，数据中心c和扩展常数的取值范围为，权值取值范围为，；（）执行遗传算法的选择、交叉和变异操作；（）评价适应度函数。如果满足要求则进入（），否则转入（）继续执行；（）将优化后的各参数赋给 神经网络。神经网络控制器优化所提出的自适应谐振抑制控制策略是基于采用 控制器的控制系统的基础上，加入自适应校正