使用基于S函数的PSO的光伏电网逆变器控制的模糊逻辑控制器的优化外文翻译资料

英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料

---

使用基于S函数的PSO的光伏电网逆变器控制的模糊逻辑控制器的优化

L.K. Letting a,uArr;, J.L. Munda a, Y. Hamama,b

摘要 本文提出了粒子群优化（PSO）算法作为C-Mex S函数的实现。 该算法用于优化并网光伏（PV）逆变器中的最大功率点跟踪（MPPT）的9规则模糊逻辑控制器（FLC）。FLC为MPPT生成DC总线电压基准。 旋转dq参考系中的数字PI电流控制方案用于调节DC总线电压和无功功率。 所提出的技术简化了最优控制器设计，并确保快速模拟速度，由于与仿真平台的无缝集成。 提出的方法的有效性验证使用PSIM和MATLAB / Simulink中的共模拟。 仿真结果表明，与固定步长MPPT相比，优化的FLC提供了更好的性能。

关键词：S函数; 粒子群优化; 光伏阵列; 逆变器; 模糊逻辑控制器; MPPT

1引言

在农村地区，光伏（PV）发电是可靠且经济的电力来源，特别是在发展中国家，人们收入低，由于生存能力和财政限制，电网供电没有完全扩大。操作PV能量转换系统接近最大值功率点（MPP）来提高光伏系统效率是至关重要的。光伏阵列电流和功率与端子电压，太阳辐射和温度呈非线性变化。最大功率点跟踪器用于操作PV阵列在其最佳功率点。在并网光伏中逆变器的总谐波失真（THD）注入电流和无功功率也需要控制以满足电网要求。

由于并网光伏系统的非线性性质，在设计控制系统时使用反馈线性化和基于人工智能的方法。Lalili 等人(2011)提出具有可变步长MPPT的输入输出反馈线性化技术在。avi 等人（2011）提出了一种用于NPC多电平逆变器的具有49规则模糊MPPT的数字PI电流控制。Tsengenes和Adamidis（2011）提出了三级NPC光伏并网逆变器为电网提供辅助服务。 Skretas和Papadopoulos（2009）提出了一种混合风力发电系统，应用人工神经网络用于MPPT和逆变器输出电压调节。Mohamed等人提出了一种在分布式发电系统中使用PSO调节逆变器电压调节的可变结构控制器（2008）。

图1 并网光伏逆变器示意图

图2 光伏阵列的电流 - 电压和功率 - 电压特性

图3并网电压源逆变器的等效电路

表1 光伏阵列特性

PV模块类型：BP3220N

系列中的模块数量 15 并行模块数量 1 典型最大功率 3 kW 最大功率时的电压（Vmp） 435 V 最大功率时的电流（Imp） 7.6 A 短路电流（Isc） 8.4 A 开路电压（Voc） 543 V

图4 变频器控制系统框图

本文提出了一种新的技术，其中PSO算法被实现为C-Mex S函数，并用于调整模糊逻辑控制器。FLC用于跟踪最大功率，而PI电流控制器用于DC总线电压调节和无功功率控制。通过在PSIM中实现电源电路和在MATLAB / Simulink中实现控制电路来进行协同仿真。基于增量电导将优化的FLC的性能与固定步长MPPT方法进行比较。这项工作的新方法是：（1）将标准PSO算法简化为CMex S函数;（2）应用PSO算法来优化具有9规则的小规则库的模糊逻辑控制器; 和（3）在PSIM和MATLAB / Simulink中的系统模型的共模拟。

2系统描述

电源电路的结构如图1所示。它由光伏阵列，直流链电容器，三相两电平逆变器，电网滤波器电感和三相交流电源组成。 在1kW / m 2的太阳辐射和25℃的环境温度下，PV阵列可以产生3kW的最大功率。光伏阵列的规格如表1所示，电流—电压和功率— 电压特性如图2所示。

2.1 控制系统

连接到AC电网的电压源逆变器（VSI）的等效电路可以表示为如图3所示。（Diaz等人，2010）。 当忽略损耗和谐波时的有功功率（P）和无功功率（Q）由（1）和（2）给出（Zhang和Xu，2001）。 Vs和Vc分别是交流电网和逆变器输出电压的基波分量，X是逆变器电网滤波电抗。Vc滞后Vs角度d。逆变器输出电压的瞬时值由（3）给出，其中m是调制指数，Vdc是直流母线电压。 P和Q可以通过改变m和d来独立控制。

逆变器控制系统如图4所示。 模糊PI控制器产生参考直流电压，其确保从PV阵列提取最大功率。 直流总线PI控制器使用电压参考来生成d轴电流参考。q轴电流基准设置为零，以确保以单位功率因数运行。使用空间矢量脉宽调制（SVPWM）控制逆变器开关。 SVPWM是一种高效的PWM技术，可以很好地利用直流母线，并在三相VSI中产生较少的谐波失真（Buso和Mattavelli，2006; Rathnakumar 等人，2005）。

图5 Simulink中的模型执行。

图6 模糊PI控制器的结构。

图7 隶属函数的编码

表2 FLC规则库

表3 边界条件

表4 PSO参数的初始化

2.2 PSIM和Simulink中的联合仿真

PSIM软件具有专用于电力电子和机器控制的高级功能，具有快速模拟速度，强大的算法，强大的波形处理和友好的用户界面。MATLAB / Simulink提供了一个适用于控制器设计和动态系统仿真的图形仿真环境。 但是，模拟的

MATLAB / Simulink中的电子电路的速度相对较慢。Acciani 等人（2009）对开关电路的时域分析的不同软件进行比较研究和报告，PSIM-Simulink共模拟给出了最好的结果。Khader 等人（2011）还建议在电力电子课程和研究中应用PSIM和Simulink协同仿真。 Yongchang等人（2006）的一项研究通过实施三级可调速驱动器来验证PSIM-Simulink协同仿真平台。PSIM提供了一个基于S函数的附加模块SimCoupler，它提供了PSIM和Simulink之间的接口。 使用协同仿真，PSIM在功率仿真和MATLAB / Simulink的控制仿真能力的能力得到充分利用。

2.3 使用S函数的建模和仿真

S函数提供了一种方便的机制来实现使用Simulink方程解算器交换运行时数据的自定义控制块。 每个都使用一组回调方法来执行各种模拟任务

模拟阶段（Mathworks，2007）。模拟阶段如图5所示。由于与Simulink的无缝集成，实现为S函数的算法比普通m文件运行得快得多。在线优化期间，该功能大大增强了仿真速度和结果的准确性。 模糊逻辑控制器和粒子群优化算法被编码为使用C代码的Level-2 S函数。C-Mex S功能可以在不使用Matlab工作区的情况下在各种优化程序之间进行直接数据交换。

3模糊逻辑控制器设计

模糊逻辑控制器的结构如图6所示。 在（4）和（5）中定义的第k个采样时刻有两个输入变量，误差E（k）和误差CE（k）的变化。E（k）是PV阵列功率电压特性的梯度。 Ppv（k）是PV阵列的瞬时功率，Vdc（k）是DC链路电压。当E（k）gt; 0时，系统向最大功率点（MPP）移动; 在E（k）= 0处，系统在MPP处操作; 并且对于E（k）lt;0，系统正在远离MPP。

E（k）和CE（k）的输入隶属函数（MF）使用梯形和三角形MF定义.MF如图7所示。 每个输入MF由两个参数x1和x2定义。FLC有九个规则，如表2所示。 规则库使用零阶Takagi-Sugeno模糊模型建模。 每个规则的DC总线电压基准的输出变化用（6）估计。将为规则库中的每个输出MF确定常数a，b和c。

一个FLC的优化参数被编码为如（7）所示的向量Si，其中Xi和Yi分别由输入MF的参数E（k）和CE（k）组成。Zⁱ由（6）中定义的三个输出MF参数组成。 因此，一个FLC使用31个参数来定义。

图8 优化步骤的例证。

4使用PSO的模糊逻辑控制器优化

4.1 粒子群优化原理

粒子群优化是基于群体的运动和智能的进化优化技术。它将社会互动的概念应用于解决问题。该算法由肯尼迪和Eberthart于1995年开发，用于模拟鸟的飞行模式，由三个因素控制：避免碰撞，匹配速度，和鸡群定心（Kennedy和Eberhart，1995）。开发人员观察到，鸟群的行为可以在优化中应用，通过使用被称为颗粒的潜在解的群体，其流过n维搜索空间。每个粒子的瞬时位置由（8）给出。

其中表示必须优化的问题的参数。最初，每个粒子位置是随机的，然后粒子以受到边界条件的随机速度移动。在时间步骤k 1，第i个粒子的速度由（9）给出。

图9 Simulink框图模型

表5 模拟参数

参数 数值

电网电压（Vrms） 110 V 电网频率（f） 50 Hz 电网滤波电感（L） 2mH 直流总线电容器（C） 10 mF 变频器开关频率（fs） 10 kHz 电流PI控制器 Kp = 12 Ki = 120 DC总线PI控制器 Kp = 0.25 Ki = 10

其中w是惯性系数; C1和C2分别是社会和认知率; Pi是粒子在运动过程中发现的最好的位置; Gbest是整个群体发现的最好的位置; rand（）是一个在0和1之间的均匀随机数发生器; Dt是时间步长。 然后使用（10）来评估每个颗粒的新位置。

如果粒子位置违反边界条件，则当前速度被设置为零，并且使用（11）来评估新的速度，并且使用（10）重新评估新的位置。

4.2 使用基于S函数的PSO算法优化FLC

在（7）中定义的FLC参数使用（8）来编码。 颗粒的边界条件和PSO初始化参数分别在表3和4中给出。 积分时间平方误差（ITSE）在表达式（12）中用作成本函数。 Ppv是从PV阵列获得的功率，Pmax是最大功率，N是迭代次数。

选择10ls的基本采样时间Ts用于PSIM和Simulink中的共模拟。 选择0.8s的第二采样时间Td作为每个FLC用于运行系统的时间。 然后使用离散的固定步进解算器进行模拟。 有必要Td是整数以便使用固定步长解算器。 S函数用采样时间Ts和Td初始化; 人口规模，P; 和迭代次数N。采样时间Ts和Td分别记录两个事件SampleHit（0）和SampleHit（1）。

图10 优化的FLC输入成员函数。

图11 优化FLC规则表面

事件的发生用于控制优化过程。 使用PSO算法在每次迭代结束时更新FLC参数。 FLC参数的调谐在图2的流程图中示出。 A.8和示例程序清单在附录中提供。

在S函数的计算输出方法中测试事件SampleHit（0）的发生。 S函数方法如图5所示。 在该事件期间，有效的FLC接收误差（E）和误差变化（CE）的当前值，并计算电压参考DV的变化。 在（12）中的成本函数中使用的采样时间计数器k也在该事件期间更新。

在S函数的更新离散状态方法中测试事件SampleHit（1）的发生。 如果事件已经发生：当前FLC的适合度被更新; 循环计数参数如图8所示， 已更新; 并且系统控制从当前FLC转移到群体中的下一个。 如果迭代完成（即，群体中的所有FLC已被用于运行系统），则使用PSO

剩余内容已隐藏，支付完成后下载完整资料

---

资料编号：[139835]，资料为PDF文档或Word文档，PDF文档可免费转换为Word