神经网络法优化SVPWM技术的应用

图6-18 反向传播神经网络

本方案是采用反向传播神经网络（CPN）对SVPWM变频器对称调制模式法进行改进的方案。CPN由一个全互连的神经元阵列组成，当外部输入模式出现时，网络的每个神经元都同时工作。网络采用“赢者通吃”的竞争学习机制，完成对复杂模式的分类过程，并在回复（Recalling）模式时，按一定权值来分配模式间的关系，此技术称为CPN-SVM技术。CPN-SVM技术首先判定参考电压U_ref处于确定的6个分类模式区域中的哪一个，就可知合成基本电压矢量U_k和U_k＋1。CPN-SVM与传统的SVM相一致，也是利用非零矢量将整个平面分为6个扇区。因而，此处的分类模式数为6，是一个确定的量。为此，可省去传统神经网络繁琐的“学习、训练”过程，这一点也正是神经网络引入CPN-SVM的优势所在。

如图6-18所示，在一个神经网络的输入层加上输入矢量U，则6个已确定竞争层的节点，通过竞争的胜者，即为SVPWM中最靠近U_ref的主矢量U_k。这样，只需求出最大与次大的，即可得出主、辅矢量U_k和U_k＋1。这是借鉴Kohonen神经网络所带来的有益提示。由图6-18可知，竞争层节点n_i是参考电压矢量U_aref、U_bref、U_cref的简单的线性组合，根据三相交流可得权值矩阵如式（6-19）所示。其中，第1、2、3列分别为A、B，C三相，正半周为正，负半周为负，最大值取1，左右边各取1／2。权值矩阵的后3行系数符号恰好与上3行系数的符号相反，可进一步减少计算量。

设n_i和n_i＋1为竞争层（竞争网络见图4-18）的胜者，则有

即

比较式（6-20）即可得

(www.xing528.com)

图6-19 CPN-SVM实现流程

CPN-SVM整个计算过程（见图6-19）具体实施步骤如下：①根据式（6-19）计算n₁，n₂，…，n₆；②根据竞争网络选择最大的n_i和次大的n_i＋1，并记录它们的系数i和i＋1；③依据式（6-21）计算开关矢量的作用时间t_i和t_i＋1；④根据系数i、i＋1查表选择对应的开关矢量，即可确定参考矢量所在的扇区。相对于传统的SVM而言，CPN-SVM所需步骤大大减化，不仅不需要进行Park变换、而且避免了判断扇区所需的反正切函数（或者TI简化算法中的若干次乘法运算），计算作用时间所采用的正弦函数。软件仿真算法采用ode23tb。图6-20a表示直流电压变化曲线，图6-20b表示交流A相电压和电流变化曲线。图6-21是相应的实验波形，图6-22为A相电流频谱，其中n为谐波次数，m为各次谐波幅值与基波幅值之比。其仿真结果与实验结果基本一致，从而验证了该系统能实现高功率因数。

图6-20 基于CPN-SVM的电压型变流器的仿真波形

a）直流电压变化曲线 b）交流A相电压和电流变化曲线

图6-21 基于CPN-SVM的电压型变流器A相电流的实验波形

图6-22 A相电流频谱

本方案通过实验可得到下述结论：所提出的基于神经网络的电压型变流器SVM（CPN-SVM）技术的实现是一种非常简单易行的方法，该方法避免了正弦、反正切等非线性运算，缩短了计算时间。基于神经网络SVM控制技术即可实现电压型变流器单位功率因数，能将输出直流电压稳定在一个设定的直流电压值附近，且保持其小纹波特性，是一种应用前景看好的调制方法。