基于神经网络的整流器PI参数在线自整定方法

1. 项目背景与核心思路

在电力电子控制领域，整流器的PI参数整定一直是个让人头疼的问题。传统方法要么依赖工程师经验手动调试，要么采用离线优化后固定参数运行。我在实际项目中发现，当电网阻抗变化或负载突变时，固定PI参数往往会导致系统动态性能下降。

最近尝试将神经网络与Simulink结合，实现了整流器PI参数的在线自整定。这个方案最大的特点是能根据系统实时响应自动调整参数，实测在负载阶跃变化时，直流母线电压超调量减少了40%以上。

2. 系统架构设计

2.1 整体控制框图

系统采用双闭环控制结构：

• 外环电压环：控制直流母线电压
• 内环电流环：控制网侧电流

创新点在于用神经网络替代传统PI参数查表法。神经网络输入层包含：

• 直流电压误差
• 电流误差
• 误差变化率
• 历史控制量

输出层直接生成KP、KI参数，采样周期设置为100μs。

2.2 神经网络选型

对比了BPNN、RBFNN和Elman网络后，最终选择改进型Elman网络：

• 隐层节点数：8个（通过试错法确定）
• 激活函数：隐层用tanh，输出层用线性
• 学习率：初始0.01，带衰减系数0.95

注意：网络规模不宜过大，否则会影响实时性。在i7-11800H处理器上测试，单次前向计算时间需控制在50μs以内。

3. Simulink实现细节

3.1 关键模块搭建

1. 神经网络模块：

matlab复制function [Kp, Ki] = NN_PI_Tuner(e_v, e_i, de, u_prev)
% 定义persistent变量存储网络参数
persistent net
if isempty(net)
    net = init_elman_net(); 
end
% ... 网络前向计算代码
end

2. PWM整流器主电路：

• 采用平均值模型提高仿真速度
• 开关频率设为10kHz
• 死区时间2μs

3.2 实时交互实现

通过S-Function Builder创建定制模块：

1. 在Configuration Parameters中启用"Allow tasks to execute concurrently"
2. 设置Fixed-step size为100e-6
3. 使用Rate Transition模块处理不同采样率模块间的数据交互

4. 训练与调参实战

4.1 数据采集方案

设计多种工况的激励信号：

• 幅值±20%的直流电压阶跃
• 负载电流0-100%突变
• 电网电压±10%波动

记录约2万组数据样本，输入输出做归一化处理：

code复制x_norm = (x - x_mean) / x_std;

4.2 训练技巧

采用递推最小二乘法(RLS)在线更新权重：

matlab复制for k=1:N
    K = P * phi' / (lambda + phi * P * phi');
    theta = theta + K * (y(k) - phi * theta);
    P = (eye(n) - K * phi) * P / lambda;
end

关键参数设置：

• 遗忘因子λ=0.98
• 初始协方差矩阵P=100I
• 训练终止条件：RMSE<0.005或迭代500次

5. 典型问题排查

5.1 系统振荡问题

现象：轻载时出现高频振荡
解决方法：

1. 在神经网络输出后增加一阶低通滤波

   matlab复制Kp_filtered = (1-alpha)*Kp_prev + alpha*Kp_new;
   

2. 限制参数变化率：|ΔKp|<0.1/sample

5.2 实时性不足

优化方案：

1. 将神经网络计算移到快速中断服务例程
2. 使用Lookup Table简化隐层计算
3. 启用Simulink的ACCELERATOR模式

6. 性能对比测试

在100kW实验平台上对比三种控制方式：

实测发现当电网阻抗突然增大50%时，本文方法的电压跌落比固定PI参数减少62%。

7. 工程应用建议

1. 硬件部署：

• 使用TI C2000系列DSP
• 为神经网络计算保留至少10%的CPU余量
• ADC采样与PWM中断同步触发

2. 安全策略：

c复制if(fabs(Kp)>Kp_max || isnan(Kp)){
    Kp = Kp_default;
    NN_Reset_Weights();
}

3. 现场调试时，建议先保存一组可靠的固定PI参数作为备份，待神经网络输出稳定后再逐步切换到在线整定模式。