一种光伏离网逆变器MPPT控制系统的制作方法

本发明属于电力电子技术、大数据技术与控制理论的交叉技术领域，具体涉及一种光伏离网逆变器mppt控制系统。

背景技术：

在太阳能光伏逆变过程中，通常需要检测主回路直流电压及输出电流，计算出太阳能阵列的输出功率，并实现对最大功率点的追踪。现有的技术是检测光伏电池的输出电流电压，然后根据反馈控制的思想，利用pid控制算法对电流电压进行调节使太阳能光电板及逆变器输出达到最大功率点。但pid算法存在着诸多不足，在很多场合对最大功率点的跟踪不能达到预期的效果，比如，pid一般是等到误差发生后进行补偿控制，如果比例系数小，则反应慢，如果比例系数过大，就可能会超调。

技术实现要素：

针对现有技术难以很好地跟踪光伏逆变器最大功率点的缺陷，本发明的目的在于提供一种基于数据驱动及生成式对抗网络方法的光伏离网逆变器mppt控制系统。

为实现上述目的，本发明采用的技术方案为：

一种光伏离网逆变器mppt控制系统，包括数据采集子系统、控制子系统和执行子系统；所述数据采集子系统采集电流及电压数据，并发送至控制子系统；所述控制子系统接收所述数据采集子系统发送的数据，构建生成对抗网络进行数据分析建模，在模型建立后采用adrc控制方法形成控制指令信号，发送至执行子系统；所述执行子系统根据接收到的控制指令信号对最大功率点进行跟踪。

优选的，模型为3层结构的神经网络模型，其中，输入层的神经元节点数量为2个，输出层的神经元节点数量为1个，隐含层的神经元节点数量为10个，各神经元节点的计算公式如下：

yi＝f(kixi+bi)(1)，

其中，yi代表神经元节点的输出，xi代表神经元节点的输入，ki代表神经元节点的权值，bi代表神经元节点的阈值，f为sigmoid函数。

优选的，模型建立后采用卷积函数作为生成对抗网络的判别函数，进行模型修正。

更优选的，修正后的模型进行期望最大化(em)迭代优化。

本发明一种实施方式的有益效果：

采用生成对抗型网络进行分析建模，利用adrc的反馈控制结构形成控制指令信号，具有很强的自适应、自调整能力，能很好地跟踪光伏逆变器的最大功率点，提高离网型光伏逆变器功率输出能力。

附图说明

图1是本发明一种实施方式的结构示意图。

图2是本发明一种实施方式的修正神经网络模型的流程框图。

图3是二阶adrc控制器结构图。

具体实施方式

下面结合附图及具体实施方式对本发明进行详细的说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

本发明一种实施方式的光伏离网逆变器mppt控制系统，包括数据采集子系统、控制子系统和执行子系统，如图1所示。所述数据采集子系统主要在逆变器输出端设置，用于采集电流及电压数据，采集数据发送至控制子系统。所述控制子系统接收所述数据采集子系统发送的数据，构建生成对抗网络进行数据分析建模，在模型建立后采用adrc控制方法形成控制指令信号，发送至执行子系统。所述执行子系统与离网逆变器匹配，将接收到的控制指令信号作为执行子系统中电子器件pwm的占空比，对电子器件进行控制，实现对最大功率点的跟踪。

所述控制子系统包括算法模块，进行数据分析、建模、输出控制指令信号。本实施例中，所选模型为3层结构的神经网络模型，其中，输入层的神经元节点数量为2个，与电流及电压数据相对应，输出层的神经元节点数量为1个，隐含层神经元节点数量没有特别限定。

各神经元节点的计算公式如下：

yi＝f(kixi+bi)(1)，

其中，yi代表神经元节点的输出，xi代表神经元节点的输入，ki代表神经元节点的权值，bi代表神经元节点的阈值，f为sigmoid函数。

考虑到输入输出的节点数及对样函数的逼近精度，隐含层神经元节点数以10个为宜。

模型建立后，优选采用卷积函数作为生成对抗网络的判别函数，进行循环迭代，修正神经网络模型的权值、阈值，如图2所示。图中，数据样本为各神经元节点的输入数据，生成对抗模型预先设定各神经元节点的权值、阈值，采用卷积函数进行判别，如果判别结果符合卷积函数要求，表明各神经元节点的权值、阈值已修正，则输出模型；如果判别结果不符合要求，则进行循环迭代，修正对抗模型，直至符合卷积函数的要求为止，得到经修正的神经网络模型。

模型修正后，可以进行em迭代优化，其步骤可以为：

(a)设xi代表修正后的神经网络模型的两个输入和一个输出，构建xi、输入输出联合概率密度分布zi和分布参数θ的三元数组集合{xi；zi；θ}。

(b)根据参数的初始值或前次得到的模型参数计算出zi的后验概率：

qi(zi)＝p(zi|xi，θ)(2)，

式中，p为服从t分布的概率密度函数。

(c)将式(2)概率密度函数的似然函数最大化，并进行如下迭代：

控制相邻两次迭代所得结果误差不超过1‰，得到参数值θ。

(d)模型解析化：经以上步骤所得出的模型是非解析模型，需要进行解析化。本实施例采用的解析方法是进行时间序列建模，得到形如式(4)的解析模型：

式中，k是指模型的延迟步数；n1、n2、n3是指各个线性、非线性相的阶次；h0指模型的常数项；a是指输出延迟的各次系数；b是指输入延迟的各次系数；u′为输入信号；c是指输入信号非线性阶次系数。

解析后的模型可进行简化，然后采用如图3所示的二阶adrc进行控制，形成控制指令信号，发送至执行子系统，通过执行子系统跟踪最大功率点。图3中，y为控制对象的输出，u为控制量，v0为输入，z1，z2为跟踪微分器的输出，w为扰动，扩张状态观测器的状态变量z3能很好地跟踪对象状态变量，b0为对象的控制输入放大系数的粗略估计值。为使二阶adrc能够更好地控制一般的三阶对象，可先保持扩张观测器(eso)的所有参数不变；适当调整nlsef中的参数。然后，将已调整好的上述参数固定，通过调整eso中的增益来实现对不同的三阶对象的控制。

以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。

技术特征：

技术总结
本发明公开了一种光伏离网逆变器MPPT控制系统，包括数据采集子系统、控制子系统和执行子系统；所述数据采集子系统采集电流及电压数据，并发送至控制子系统；所述控制子系统接收所述数据采集子系统发送的数据，构建生成对抗网络进行数据分析建模，在模型建立后采用ADRC控制方法形成控制指令信号，发送至执行子系统；所述执行子系统根据接收到的控制指令信号对最大功率点进行跟踪。本发明的控制系统具有很强的自适应、自调整能力，能很好地跟踪光伏逆变器的最大功率点，提高离网型光伏逆变器功率输出能力。

技术研发人员：向小龙
受保护的技术使用者：湖南诺诚光伏能源有限公司
技术研发日：2019.03.01
技术公布日：2019.06.18