CN106100398A - 一种基于万有引力神经网络的微电网储能逆变器控制方法 - Google Patents

Abstract

本发明公开了一种基于万有引力神经网络的微电网储能逆变器控制方法，所述微电网储能逆变器主要包括单相逆变桥与LCL滤波器。本发明在收集大量微电网运行数据的基础上，建立微电网电压的神经网络逆模型，并利用万有引力搜索算法优化神经网络逆模型的权值和阈值；将优化后的神经网络逆模型输出与PI控制器的输出相叠加，构成微电网储能逆变器的复合控制方法。本发明的有益效果在于可以有效的提高微电网的抗负载扰动能力，并提高微电网的电能质量。

Description

一种基于万有引力神经网络的微电网储能逆变器控制方法

技术领域

本发明涉及一种基于万有引力神经网络的微电网储能逆变器控制方法，属于微电网控制技术领域。

背景技术

近年来，随着传统能源的日益短缺，由风力发电、光伏发电等新能源发电结合蓄电池、超级电容等储能单元构成的微电网成为了各国学者研究的热点。微电网可工作于并网模式与独立运行模式。并网模式下，外部大电网可为微电网提供电压支撑；独立运行模式下，需要借助于储能逆变器装置为微电网提供电压支撑。

现有的储能逆变器装置常采用单闭环控制、双闭环控制、无差拍控制、重复控制等控制方法。单闭环控制具有结构简单的特点，但是动态响应特性较差；双闭环控制具有较快的动态响应特性，但是控制器参数不容易整定；无差拍控制与重复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。相对大电网而言，微电网容量较小，采用上述储能逆变器控制方法时，储能单元的储能水平和负载的变化容易影响微电网电压的波形质量，尤其是非线性负载，不仅恶化微电网电压的波形质量，甚至还会导致系统不稳定。因此，有必要对上述储能逆变器装置及控制方法加以改进，以改善微电网电压的波形质量。

发明内容

本发明的目的在于针对现有技术之弊端，提供一种鲁棒性好、控制品质高的基于万有引力神经网络的微电网储能逆变器控制方法，以改善微电网电压的波形质量。

本发明所述问题是以下述技术方案实现的：

一种微电网储能逆变器控制方法，所述储能逆变器构成中包括MPU控制器以及依次连接于储能单元与微电网母线之间的单相逆变桥和LCL滤波器，所述MPU控制器通过第一电压传感器、第二电压传感器、第三电压传感器分别采集储能单元端口电压、LCL滤波器的滤波电容电压和微电网母线电压，通过电流传感器采集LCL滤波器电网侧电感电流，并通过驱动模块控制单相逆变桥，所述MPU控制器按以下方式运作：

1.通过第一电压传感器采集储能单元端口电压u_dc，通过第二电压传感器采集LCL滤波器的滤波电容电压u_c，通过第三电压传感器采集微电网母线电压u_o，通过电流传感器采集LCL滤波器电网侧电感电流i_o；以逆变器作为对象，建立并训练相应的万有引力神经网络逆模型，具体如下：

a.在逆变器上采集运行数据；

其中，对于储能单元端口电压，共选取T种不同电压水平，每一电压水平下，考虑微电网系统带线性和非线性负载以及负载切换时的M种工况，共有T*M种工况。为了保证样本数据充分包含系统的动、静态信息，分别通过开环和单闭环两种控制方式进行样本收集。开环控制方式下，选取不同幅值的正弦信号和常值信号，再叠加随机信号后作为储能逆变器单相逆变桥的PWM占空比信号；单闭环控制方式下，通过常规PI控制器计算PWM占空比信号。对于每种工况，两种控制方式下均设定逆变桥开关频率为20kHz，以50us为控制周期进行一个周波的运行数据采集。对于第k个控制周期，记d(k)为该周期的PWM控制信号占空比，并在该周期即将结束时进行储能单元端口电压u_dc、LCL滤波器的滤波电容电压u_c、LCL滤波器电网侧电感电流i_o、微电网母线电压u_o的采样，分别记为u_dc(k)、u_c(k)、i_o(k)、u_o(k)，所有工况共采集800*T*M组数据；

b.利用采集的运行数据构造样本；

对应于第k个控制周期，所构造的样本为{u_dc(k-1)，u_c(k-1)，u_o(k)，u_o(k-1)，i_o(k)，i_o(k-1)，d(k-1)，d(k)}，其中，u_dc(k-1)为第k-1个控制周期的储能单元端口电压，u_c(k-1)为第k-1个控制周期的LCL滤波器的滤波电容电压，u_o(k)为第k个控制周期的微电网母线电压，u_o(k-1)为第k-1个控制周期的微电网母线电压，i_o(k)为第k个控制周期的LCL滤波器电网侧电感电流，i_o(k-1)为第k-1个控制周期的LCL滤波器电网侧电感电流，d(k-1)为第k-1个控制周期的单相逆变桥的PWM信号占空比，d(k)为第k个控制周期的单相逆变桥的PWM信号占空比；

c.选取三层BP神经网络建立系统的逆模型，其中，输入层神经元节点数为7个，隐含层神经元节点数为5个，输出层神经元节点数为1个，隐含层神经元转移函数使用双曲正切函数，输出层神经元转移函数使用S型函数；对应于第k个控制周期所构造的样本，取BP神经网络的第一个输入端为u_dc(k-1)，第二个输入端为u_c(k-1)，第三个输入端为u_o(k)，第四个输入端为u_o(k-1)，第五个输入端为i_o(k)，第六个输入端为i_o(k-1)，第七个输入端为d(k-1)，BP神经网络的输出为d(k)；

d.随机抽取800*T*M个样本数据中的720*T*M个样本做为训练样本，剩余80*T*M个样本做为检验样本，利用万有引力搜索算法对BP神经网络模型进行优化，具体步骤如下：

①设置粒子群体规模N以及各粒子初始位置i＝1，2，3，…，N，D为粒子维数，并采用随机数生成的方式初始化各粒子位置；

②计算各粒子的适应度函数值：

定义粒子的适应度函数f_i为BP神经网络在训练样本上的均方差：

$f_i=\frac{1}{mp}\underset{p=1}{\overset{p}{\Σ}}\underset{j=1}{\overset{m}{\Σ}}{({\hat{x}}_{pj}-x_{pj})}^2$

其中：m为输出节点个数；P为训练样本的个数；为网络期望输出值；x_pj为网络实际输出值；

③更新群体中的f_best与f_worst(f_best＝minf_j，f_worst＝maxf_j)，按下式计算各粒子的质量M_i：

$M_i=\frac{m_i}{\underset{j=1}{\overset{N}{\Σ}}{m}_j}$

$m_i=\frac{f_i-f_{worst}}{f_{best}-f_{worst}};$

④按照下式计算各粒子的引力合力F_i与加速度a_i：

$F_i^d\left(t\right)=\underset{j\≠i}{\Σ}{\mathrm{rand}}_j{F}_{ij}^d\left(t\right);a_i^d\left(t\right)=\frac{F_i^d\left(t\right)}{M_i\left(t\right)};F_{ij}^d\left(t\right)=G\left(t\right)\frac{M_{pi}\left(t\right)M_{aj}\left(t\right)}{\left|\right|P_i\left(t\right),P_j\left(t\right)|{|}_2}\left(p_j^d\right(t)-p_i^d(t\left)\right),$

式中：t为迭代次数，F_i ^d(t)为第i个粒子受到的来自其它粒子引力合力F_i的第d维分量，为第i个粒子的第d维的加速度，rand_i为[0，1]之间的随机数，G(t)为引力时间常数；M_pi(t)和M_aj(t)分别为第i个粒子的被动惯性质量和第j个粒子的主动惯性质量，和分别为第i个粒子与第j个粒子的第d维的位置；

⑤按照下式更新各粒子的速度v_i与位置P_i：

$v_i^d(t+1)={\mathrm{rand}}_j\×v_i^d\left(t\right)+a_i^d\left(t\right)$

$p_i^d(t+1)=p_i^d\left(t\right)+v_i^d(t+1)$

式中：为第i个粒子的第d维的位置；为第i个粒子的第d维的速度；

⑥返回步骤②，达到最大迭代次数后停止迭代，此时f_best所对应的粒子位置即为优化后的BP神经网络权值与阈值；

2.利用训练好的BP神经网络逆模型与PI控制器对逆变器进行控制，具体步骤为：

a.利用训练好的BP神经网络逆模型进行单相逆变桥PWM信号占空比的计算，对于第k+1个控制周期，取第一个输入端为第k个控制周期的储能单元端口电压u_dc(k)，第二个输入端为第k个控制周期的LCL滤波器的滤波电容电压u_c(k)，第三个输入端为第k+1个控制周期的微电网母线电压设定值u^* _o(k+1)，第四个输入端为第k+1个控制周期的微电网母线电压u_o(k)，第五个输入端为第k+1个控制周期的LCL滤波器电网侧电感电流估计值依据计算，第六个输入端为第k个控制周期的LCL滤波器电网侧电感电流i_o(k)，第七个输入端为第k个控制周期的单相逆变桥的PWM信号占空比d(k)，得出BP神经网络的输出为第k+1个控制周期的单相逆变桥的PWM信号占空比d(k+1)；

b.将第k+1个控制周期的微电网母线电压设定值u^* _o(k+1)与第k个控制周期的微电网母线电压u_o(k)的偏差送入PI控制器，得到闭环控制量d_C(k+1)，即

$d_C(k+1)=K_{p}e(k+1)+K_i\underset{j=1}{\overset{k+1}{\Σ}}e\left(j\right)$

其中：e(k+1)＝u^* _o(k+1)-u_o(k)，K_p表示比例系数，K_i表示积分系数；

c.将神经网络逆模型与PI控制器构成复合控制器，其输出为神经网络逆模型的输出d(k+1)和PI控制器的输出d_C(k+1)叠加，作为最终的单相逆变桥PWM信号占空比D(k+1)，即：

D(k+1)＝d(k+1)+d_C(k+1)

本发明的有益效果在于：

1)利用万有引力搜索算法优化微电网储能逆变器神经网络逆模型，可有效提高逆模型的精度；

2)可以有效的提高微电网的抗负载扰动能力，从而提高微电网的电能质量。

附图说明

图1为本发明所采用的硬件结构图；

图2为采用三层BP神经网络的逆模型结构图；

图3利用万有引力搜索算法对BP神经网络模型进行优化的流程图；

图4为BP神经网络逆模型计算单相逆变桥PWM信号占空比示意图；

图5为采用常规PI控制方法的储能逆变器输出电压、电流波形图；

图6为采用本发明所提控制方法的储能逆变器输出电压、电流波形图；

图中各标号清单为：UT1、第一电压传感器，UT2、第二电压传感器，UT3、第三电压传感器，CT、电流传感器，L1、LCL滤波器工频逆变桥侧电感，L2、LCL滤波器电网侧电感，C、LCL滤波器滤波电容，Q1～Q4、第一功率管～第四功率管。

具体实施方式

下面结合附图对本发明技术方案做进一步的详细描述，以使本领域技术人员可以更好的理解本发明并能予以实施，但所举的实施例不作为对本发明的限定。

请参阅图1，本发明所采用的硬件结构包括MPU控制器、单相逆变桥、LCL滤波器、第一电压传感器UT1、第二电压传感器UT2、第三电压传感器UT3、电流传感器CT与驱动模块。单相逆变桥由第一功率管Q1～第四功率管Q4组成，LCL滤波器由单相逆变桥侧电感L1、滤波电容C、电网侧电感L2组成。

其中，储能单元的输出正端与第一电压传感器的测量正端连接，储能单元的输出负端与第一电压传感器的测量负端连接；第一电压传感器的测量输出端与MPU控制器连接；单相逆变桥的输入正端与储能单元的输出正端连接，单相逆变桥的输入负端与储能单元的输出负端连接，单相逆变桥的输出正端与LCL滤波器逆变桥侧电感一端连接，单相逆变桥的输出负端与第二电压传感器的测量负端连接；LCL滤波器逆变桥侧电感一端与单相逆变桥的输出正端连接，LCL滤波器逆变桥侧电感另一端与第二电压传感器的测量正端连接；第二电压传感器的测量正端与LCL滤波器逆变桥侧电感另一端连接，第二电压传感器的测量负端与单相逆变桥的输出负端连接，第二电压传感器的测量输出端与MPU控制器连接；LCL滤波器的滤波电容正端与LCL滤波器逆变桥侧电感另一端连接，LCL滤波器的滤波电容正端与单相逆变桥的输出负端连接；LCL滤波器电网侧电感的正端与LCL滤波器的滤波电容正端连接，LCL滤波器电网侧电感的负端与电流传感器的测量正端连接；电流传感器的测量正端与LCL滤波器电网侧电感的负端连接，电流传感器的测量负端与第三电压传感器的测量正端连接，电流传感器的测量输出端与MPU控制器连接；第三电压传感器的测量正端与微电网母线正端连接，第三电压传感器的测量负端与微电网母线负端连接，第三电压传感器的测量输出端与MPU控制器连接；驱动模块的输入端与MPU控制器连接，驱动模块的一输出端与单相逆变桥的第一功率管Q1、第四功率管Q4的栅极连接，驱动模块的另一输出端与单相逆变桥的第二功率管Q2、第三功率管Q3的栅极连接；

实施例中，第一功率管Q1、第二功率管Q2、第三功率管Q3、第四功率管Q4选用IPB60R190C6，驱动模块为MCP14E4；LCL滤波器中的单相逆变桥侧电感L1选用0.5mH电感，电网侧电感L2选用0.1mH电感，滤波电容C选用0.47uf无极性电容，第一电压传感器UT1、第二电压传感器UT2、第二电压传感器UT3均采用MCP6022；电流传感器CT采用霍尔电流传感器ACS712ELCTR-058-1；

通过第一电压传感器采集储能单元端口电压u_dc，通过第二电压传感器采集LCL滤波器的滤波电容电压u_c，通过第三电压传感器采集微电网母线电压u_o，通过电流传感器采集LCL滤波器电网侧电感电流i_o；以逆变器作为对象，建立并训练相应的万有引力神经网络逆模型，具体如下：

a.在逆变器上采集运行数据；

对于储能单元端口电压，共选取T种不同电压水平。实施例中，T＝6，电压水平以20V为间隔，最低340V，最高440V。每一电压水平下，考虑微电网系统带线性和非线性负载以及负载切换时的M种工况，共有T*M种工况。实施例中，取M＝43，即共有258种工况。

为了保证样本数据充分包含系统的动、静态信息，分别通过开环和单闭环两种控制方式进行样本收集。开环控制方式下，选取不同幅值的正弦信号和常值信号，再叠加随机信号后作为储能逆变器单相逆变桥的PWM占空比信号；单闭环控制方式下，通过PI控制器计算PWM占空比信号。对于每种工况，两种控制方式下均设定逆变桥开关频率为20kHz，以50us为控制周期进行一个周波的运行数据采集。对于第k个控制周期，记d(k)为该周期的PWM控制信号占空比，并在该周期即将结束时进行储能单元端口电压u_dc、LCL滤波器的滤波电容电压u_c、LCL滤波器电网侧电感电流i_o、微电网母线电压u_o的采样，分别记为u_dc(k)、u_c(k)、i_o(k)、u_o(k)，所有工况共采集800*T*M组数据。实施例中，共采集206400组数据；

b.利用采集的运行数据构造样本；

对应于第k个控制周期，所构造的样本为{u_dc(k-1)，u_c(k-1)，u_o(k)，u_o(k-1)，i_o(k)，i_o(k-1)，d(k-1)，d(k)}，其中，u_dc(k-1)为第k-1个控制周期的储能单元端口电压，u_c(k-1)为第k-1个控制周期的LCL滤波器的滤波电容电压，u_o(k)为第k个控制周期的微电网母线电压，u_o(k-1)为第k-1个控制周期的微电网母线电压，i_o(k)为第k个控制周期的LCL滤波器电网侧电感电流，i_o(k-1)为第k-1个控制周期的LCL滤波器电网侧电感电流，d(k-1)为第k-1个控制周期的单相逆变桥的PWM信号占空比，d(k)为第k个控制周期的单相逆变桥的PWM信号占空比；

c.选取三层BP神经网络建立系统的逆模型，如图2所示。其中，输入层神经元节点数为l＝7个，隐含层神经元节点数为m＝5个，输出层神经元节点数为h＝1个，隐含层神经元转移函数使用双曲正切函数，输出层神经元转移函数使用S型函数；设w_lh＝{w_ji|j＝1，…，l，i＝1，…，h}为输入层神经元与隐含层神经元之间的连接权值集合，w_hm＝{w_kj|k＝1，…，m，j＝1，…，h}为隐含层神经元与输出层神经元之间的连接权值集合，b_h和b_m分别表示隐含层神经元与输出层神经元的阈值。对应于第k个控制周期所构造的样本，取BP神经网络的第一个输入端为u_dc(k-1)，第二个输入端为u_c(k-1)，第三个输入端为u_o(k)，第四个输入端为u_o(k-1)，第五个输入端为i_o(k)，第六个输入端为i_o(k-1)，第七个输入端为d(k-1)，BP神经网络的输出为d(k)；

d.随机抽取800*T*M个样本数据中的720*T*M个样本做为训练样本，剩余80*T*M个样本做为检验样本。实施例中，抽取206400个样本数据中的185760个样本做为训练样本，剩余20640个样本做为检验样本。利用万有引力搜索算法对BP神经网络模型进行优化。

万有引力搜索算法是Rashedi等人首先提出的一种基于万有引力定律进行寻优的智能优化方法。该方法将优化问题的解视为一组在空间运行的粒子，粒子之间通过万有引力作用相互吸引，粒子运动遵循动力学规律，万有引力的作用使得粒子朝着质量最大的粒子移动，而质量最大的粒子占据最优位置，从而可求出优化问题的最优解。算法通过个体间的万有引力相互作用实现优化信息的共享，引导群体向最优解区域搜索。

该算法的原理为：

在D维的搜索空间中，设有N个粒子，定义第i个粒子位置为i＝1，2，3，…，N，第t次迭代时，粒子j对i的万有引力定义为

$F_{ij}^d\left(t\right)=G\left(t\right)\frac{M_{pi}\left(t\right)M_{aj}\left(t\right)}{\left|\right|P_i\left(t\right),P_j\left(t\right)|{|}_2}\left(x_j^d\right(t)-x_i^d(t\left)\right)---\left(1\right)$

式中：G(t)为引力时间常数；M_pi(t)和M_aj(t)分别为粒子i的被动惯性质量和粒子j的主动惯性质量。

假设引力质量与惯性质量相等，根据每个粒子的适应度函数值计算粒子惯性质量：

M_ai＝M_pi＝M_i (2)

$m_i=\frac{f_i-f_{worst}}{f_{best}-f_{worst}}---\left(3\right)$

$M_i=\frac{m_i}{\underset{j=1}{\overset{N}{\Σ}}{m}_j}---\left(4\right)$

对于极小化问题，f_best＝minf_j，f_worst＝maxf_j。

对于第i个粒子，受到来自其它粒子引力的合力可用引力的随机加权和表示为：

$F_i^d\left(t\right)=\underset{j\≠i}{\Σ}{\mathrm{rand}}_j{F}_{ij}^d\left(t\right)---\left(5\right)$

基于牛顿第二定律，粒子i产生的加速度为：

$a_i^d\left(t\right)=\frac{F_i^d\left(t\right)}{M_i\left(t\right)}---\left(6\right)$

则粒子的速度和位置可以更新为：

$v_i^d(t+1)={\mathrm{rand}}_i\×v_i^d\left(t\right)+a_i^d\left(t\right)---\left(7\right)$

$p_i^d(t+1)=p_i^d\left(t\right)+v_i^d(t+1)---\left(8\right)$

式中：为第i个粒子的第d维的位置；为第i个粒子的第d维的速度；第i个粒子的第d维的加速度；rand_i为[0，1]之间的随机数。

图3为本发明利用万有引力搜索算法对BP神经网络模型进行优化的流程图，具体步骤如下：

①设置粒子群体规模N以及各粒子初始位置i＝1，2，3，…，N，D为粒子维数，并采用随机数生成的方式初始化各粒子位置；实施例中，取N＝40，D＝46，最大迭代次数为1000次；

②计算各粒子的适应度函数值：

定义粒子的适应度函数f_i为BP神经网络在训练样本上的均方差：

$f_i=\frac{1}{mp}\underset{p=1}{\overset{p}{\Σ}}\underset{j=1}{\overset{m}{\Σ}}{({\hat{x}}_{pj}-x_{pj})}^2$

其中：m为输出节点个数；p为训练样本的个数；为网络期望输出值；x_pj为网络实际输出值；

③更新群体中的f_best与f_worst，按照式(4)计算各粒子的质量M_i；

④按照公式(5)(6)计算各粒子的引力合力F_i与加速度a_i；

⑤按照公式(7)(8)更新各粒子的速度v_i与位置P_i；

⑥返回步骤②，达到最大迭代次数后停止迭代，此时f_best所对应的粒子位置即为优化后的BP神经网络权值与阈值。实施例中，优化后的BP神经网络权值与阈值如表1所示。

表1

利用训练好的BP神经网络逆模型与PI控制器对逆变器进行控制，具体步骤为：

a.利用训练好的BP神经网络逆模型进行单相逆变桥PWM信号占空比的计算，对于第k+1个控制周期，取第一个输入端为第k个控制周期的储能单元端口电压u_dc(k)，第二个输入端为第k个控制周期的LCL滤波器的滤波电容电压u_c(k)，第三个输入端为第k+1个控制周期的微电网母线电压设定值u^* _o(k+1)，第四个输入端为第k+1个控制周期的微电网母线电压u_o(k)，第五个输入端为第k+1个控制周期的LCL滤波器电网侧电感电流估计值依据计算，第六个输入端为第k个控制周期的LCL滤波器电网侧电感电流i_o(k)，第七个输入端为第k个控制周期的单相逆变桥的PWM信号占空比d(k)，得出BP神经网络的输出为第k+1个控制周期的单相逆变桥的PWM信号占空比d(k+1)，如图4所示。

b.将第k+1个控制周期的微电网母线电压设定值u^* _o(k+1)与第k个控制周期的微电网母线电压u_o(k)的偏差送入PI控制器，得到闭环控制量d_C(k+1)，即

$d_C(k+1)=K_{p}e(k+1)+K_i\underset{j=1}{\overset{k+1}{\Σ}}e\left(j\right)$

其中：e(k+1)＝u^* _o(k+1)-u_o(k)，K_p表示比例系数，K_i表示积分系数；实施例中，取K_p＝0.02，K_i＝1200。

c.将神经网络逆模型与PI控制器构成复合控制器，其输出为神经网络逆模型的输出d(k+1)和PI控制器的输出d_C(k+1)叠加，作为最终的单相逆变桥PWM信号占空比D(k+1)，即：

D(k+1)＝d(k+1)+d_C(k+1)

为验证本发明所提逆模型控制方法的功效，首先令微电网工作在满载-空载-满载切换工况下，比较采用本发明所提控制方法与常规PI控制方法的微电网电压变化过程。具体做法是微电网首先满载运行，t1时刻突减负载，使微电网工作在空载模式，t2时刻突加负载，使微电网工作在满载模式。采用两种控制方法的储能逆变器输出电压(即微电网电压)、电流波形分别见图5和图6。

由图5可知，采用常规PI控制方法时，微电网由满载切换为空载后，微电网电压发生了明显振荡，大约经过0.7个电网周波后微电网电压才能跟踪参考电压；t₂时刻微电网切换为满载工作，切换瞬间储能逆变器输出电流突然增大，微电网电压明显被拉低。由图6可知，采用所提逆模型控制方法时，微电网由满载切换为空载后，微电网电压仅仅需要0.1个周波就能很好的跟踪参考电压，调节时间明显缩短；t₂时刻微电网切换为满载工作，切换瞬间微电网电压虽然也有降低，但降低的幅度明显小于PI控制方法，说明所提逆模型控制方法较常规PI控制方法对微电网的负载切换具有更好的适应能力。

为了验证本发明所提逆模型控制方法对储能单元端口电压变化的适应能力，选取不同电压水平的四种工况，进行微电网带电阻性负载与整流性负载(电阻性负载3kW，整流性负载3kW，晶闸管触发角α＝60°)试验，并计算微电网电压总谐波畸变率THD，如表2所示。可知，四种工况下的微电网电压总谐波畸变率较为接近，均满足国家电网规定的THD＜5％的电能质量要求，说明本发明所提逆模型控制方法对储能单元端口电压变化也具有较强的适应能力。

表2

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可推想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (1)

1.一种基于万有引力神经网络的微电网储能逆变器控制方法，所述微电网储能逆变器包括MPU控制器以及依次连接于储能单元与微电网母线之间的单相逆变桥和LCL滤波器，其中，储能单元的输出正端与第一电压传感器的测量正端连接，储能单元的输出负端与第一电压传感器的测量负端连接；第一电压传感器的测量输出端与MPU控制器连接；单相逆变桥的输入正端与储能单元的输出正端连接，单相逆变桥的输入负端与储能单元的输出负端连接，单相逆变桥的输出正端与LCL滤波器逆变桥侧电感一端连接，单相逆变桥的输出负端与第二电压传感器的测量负端连接；LCL滤波器逆变桥侧电感一端与单相逆变桥的输出正端连接，LCL滤波器逆变桥侧电感另一端与第二电压传感器的测量正端连接；第二电压传感器的测量正端与LCL滤波器逆变桥侧电感另一端连接，第二电压传感器的测量负端与单相逆变桥的输出负端连接，第二电压传感器的测量输出端与MPU控制器连接；LCL滤波器的滤波电容正端与LCL滤波器逆变桥侧电感另一端连接，LCL滤波器的滤波电容正端与单相逆变桥的输出负端连接；LCL滤波器电网侧电感的正端与LCL滤波器的滤波电容正端连接，LCL滤波器电网侧电感的负端与电流传感器的测量正端连接；电流传感器的测量正端与LCL滤波器电网侧电感的负端连接，电流传感器的测量负端与第三电压传感器的测量正端连接，电流传感器的测量输出端与MPU控制器连接；第三电压传感器的测量正端与微电网母线正端连接，第三电压传感器的测量负端与微电网母线负端连接，第三电压传感器的测量输出端与MPU控制器连接；驱动模块的输入端与MPU控制器连接，驱动模块的一输出端与单相逆变桥的第一功率管Q1、第四功率管Q4的栅极连接，驱动模块的另一输出端与单相逆变桥的第二功率管Q2、第三功率管Q3的栅极连接；

所述MPU控制器通过第一电压传感器、第二电压传感器、第三电压传感器分别采集储能单元端口电压、LCL滤波器的滤波电容电压和微电网母线 电压，通过电流传感器采集LCL滤波器电网侧电感电流，并通过驱动模块控制单相逆变桥；

其特征在于，包括以下步骤：

步骤1.通过第一电压传感器采集储能单元端口电压u_dc，通过第二电压传感器采集LCL滤波器的滤波电容电压u_c，通过第三电压传感器采集微电网母线电压u_o，通过电流传感器采集LCL滤波器电网侧电感电流i_o；以逆变器作为对象，建立并训练相应的万有引力神经网络逆模型，具体如下：

a.在逆变器上采集运行数据；

其中，对于储能单元端口电压，共选取T种不同电压水平，每一电压水平下，考虑微电网系统带线性和非线性负载以及负载切换时的M种工况，共有T*M种工况；为了保证样本数据充分包含系统的动、静态信息，分别通过开环和单闭环两种控制方式进行样本收集；开环控制方式下，选取不同幅值的正弦信号和常值信号，再叠加随机信号后作为储能逆变器单相逆变桥的PWM占空比信号；单闭环控制方式下，通过常规PI控制器计算PWM占空比信号；对于每种工况，两种控制方式下均设定逆变桥开关频率为20kHz，以50us为控制周期进行一个周波的运行数据采集；对于第k个控制周期，记d(k)为该周期的PWM控制信号占空比，并在该周期即将结束时进行储能单元端口电压u_dc、LCL滤波器的滤波电容电压u_c、LCL滤波器电网侧电感电流i_o、微电网母线电压u_o的采样，分别记为u_dc(k)、u_c(k)、i_o(k)、u_o(k)，所有工况共采集800*T*M组数据；

b.利用采集的运行数据构造样本；

对应于第k个控制周期，所构造的样本为{u_dc(k-1)，u_c(k-1)，u_o(k)，u_o(k-1)，i_o(k)，i_o(k-1)，d(k-1)，d(k)}，其中，u_dc(k-1)为第k-1个控制周期的储能单元端口电压，u_c(k-1)为第k-1个控制周期的LCL滤波器的滤波电容电压，u_o(k)为第k个控制周期的微电网母线电压，u_o(k-1)为第k-1个控制周期的微电网母线电压， i_o(k)为第k个控制周期的LCL滤波器电网侧电感电流，i_o(k-1)为第k-1个控制周期的LCL滤波器电网侧电感电流，d(k-1)为第k-1个控制周期的单相逆变桥的PWM信号占空比，d(k)为第k个控制周期的单相逆变桥的PWM信号占空比；

c.选取三层BP神经网络建立系统的逆模型，其中，输入层神经元节点数为7个，隐含层神经元节点数为5个，输出层神经元节点数为1个，隐含层神经元转移函数使用双曲正切函数，输出层神经元转移函数使用S型函数；对应于第k个控制周期所构造的样本，取BP神经网络的第一个输入端为u_dc(k-1)，第二个输入端为u_c(k-1)，第三个输入端为u_o(k)，第四个输入端为u_o(k-1)，第五个输入端为i_o(k)，第六个输入端为i_o(k-1)，第七个输入端为d(k-1)，BP神经网络的输出为d(k)；

d.随机抽取800*T*M个样本数据中的720*T*M个样本做为训练样本，剩余80*T*M个样本做为检验样本，利用万有引力搜索算法对BP神经网络模型进行优化，具体步骤如下：

①设置粒子群体规模N以及各粒子初始位置i＝1，2，3，…，N，D为粒子维数，并采用随机数生成的方式初始化各粒子位置；

②计算各粒子的适应度函数值：

定义粒子的适应度函数f_i为BP神经网络在训练样本上的均方差：

其中：m为输出节点个数；p为训练样本的个数；为网络期望输出值；x_pj为网络实际输出值；

③更新群体中的f_best与f_worst(f_best＝min f_j，f_worst＝max f_j)，按下式计算各粒子的质量M_i：

④按照下式计算各粒子的引力合力F_i与加速度a_i：

式中：t为迭代次数，为第i个粒子受到的来自其它粒子引力合力F_i的第d维分量，为第i个粒子的第d维的加速度，rand_i为[0，1]之间的随机数，G(t)为引力时间常数；M_pi(t)和M_aj(t)分别为第i个粒子的被动惯性质量和第j个粒子的主动惯性质量，和分别为第i个粒子与第j个粒子的第d维的位置；

⑤按照下式更新各粒子的速度v_i与位置P_i：

式中：为第i个粒子的第d维的位置；为第i个粒子的第d维的速度；

⑥返回步骤②，达到最大迭代次数后停止迭代，此时f_best所对应的粒子位置即为优化后的BP神经网络权值与阈值；

步骤2.利用训练好的BP神经网络逆模型与PI控制器对逆变器进行控制，具体步骤为：

a·利用训练好的BP神经网络逆模型进行单相逆变桥PWM信号占空比的计算，对于第k+1个控制周期，取第一个输入端为第k个控制周期的储能单元端口电压u_dc(k)，第二个输入端为第k个控制周期的LCL滤波器的滤波电 容电压u_c(k)，第三个输入端为第k+1个控制周期的微电网母线电压设定值u^* _o(k+1)，第四个输入端为第k+1个控制周期的微电网母线电压u_o(k)，第五个输入端为第k+1个控制周期的LCL滤波器电网侧电感电流估计值依据计算，第六个输入端为第k个控制周期的LCL滤波器电网侧电感电流i_o(k)，第七个输入端为第k个控制周期的单相逆变桥的PWM信号占空比d(k)，得出BP神经网络的输出为第k+1个控制周期的单相逆变桥的PWM信号占空比d(k+1)；

b.将第k+1个控制周期的微电网母线电压设定值u^* _o(k+1)与第k个控制周期的微电网母线电压u_o(k)的偏差送入PI控制器，得到闭环控制量d_C(k+1)，即

其中：e(k+1)＝u^* _o(k+1)-u_o(k)，K_p表示比例系数，K_i表示积分系数；

c.将神经网络逆模型与PI控制器构成复合控制器，其输出为神经网络逆模型的输出d(k+1)和PI控制器的输出d_C(k+1)叠加，作为最终的单相逆变桥PWM信号占空比D(k+1)，即：

D(k+1)＝d(k+1)+d_C(k+1)。