逆变电源数字控制技术的应用

输出在取样周期末尾时的值。这个输出值的大小，与方波脉冲的极性与宽度有关，适当控制方波脉冲的极性与宽度，就能使负载上的输出在取样周期的末后与输出参考波形相重合。不断调整每一取样周期内方波脉冲的极性与宽度，就能在负载上获得谐波失真小的输出。因此，即使在很低的开关频率下，无差拍控制也能够保证输出波形的质量，这是其它控制方法所不能做到的,但是，其也有局限性：由于采样和计算时间的延迟，输出脉冲的占空比受到很大限制；对于系统参数的变化反应灵敏，如电源电压波动、负载变动，系统的鲁棒性差。

对于采样和计算延时的影响，一种方法是通过修改输出脉冲方式的方法来减小计算延时造成的占空比局限；另一种方法是通过状态观测器对系统状态提前进行预测，用观测值替代实际值进行控制，从而避免采样和计算延时对系统的影响。为了提高系统的鲁棒性，一种方法是采用负载电流预测方法来减小负载变动对电源输出的影响，但实际改善的程度有限；另一种可行的方法是对系统参数进行在线辨识，从而实时确定控制器参数，以达到良好的控制效果。

但是，在线系统辨识的计算复杂度和存储量都非常大，一般的微处理器很难在很短的时间内完成，因此实现的可能性不大，所以还没有一种比较好的方法来解决无差拍控制鲁棒性差的问题。正是由于无差拍控制在电源控制中的不足及局限性到目前还难以解决，使得无差拍控制在工业界的应用还有待不断的深入研究。

3.4重复控制　　

逆变器采用重复控制（repetitive control）是为了克服整流型非线性负载引起的输出波形周期性的畸变，它通常与其他PWM控制方式相结合。重复控制的思想是假定前一周期出现的基波波形将在下一基波周期的同一时间重复出现，控制器根据给定信号和反馈信号的误差来确定所需的校正信号，然后在下一个基波周期的同一时间将此信号叠加到原控制信号上，以消除后面各周期中将出现的重复畸变。　　

重复控制系统如图3(a),(b)所示[3-4]。图3中Ur为给定电压信号；Ud为电压扰动信号；P（z）为控制对象；Uo为电压的实际输出量。周期延迟环节点量（Z－N）对控制器进行超前相位补偿，补偿器的补偿电容量C（z）提供相位补偿和幅值补偿，以保证控制系统的稳定性，并改善输出波形。　　

重复控制使系统获得了很好的静态性能，且易于实现，但该技术却不能够获得好的动态性能。自适应重复控制方案成功地应用于逆变器的控制中。　　

模糊控制（fuzzy control）能够在准确性和简洁性之间取得平衡，有效地对复杂的电力电子系统做出判断和处理。将模糊控制应用于逆变器，具有如下优点:模糊控制器的设计不需被控对象的精确数学模型,并且有较强的鲁棒性和自适应性；查找模糊控制表只需占有处理器很少的时间，可采用较高采样率来补偿模糊规则和实际经验的偏差。　　

将输出电压和滤波电感电流反馈，即电压误差和电感电流作为输入模糊变量，可以实现逆变器的模糊控制，整流性负载时，其输出电压总谐波失真（total harmonic distortion,TH）小于5％，将模糊控制与无差拍控制相结合，可用来补偿由于非线性负载导致的电压降落，其系统如图4所示[5-6]。模糊控制从模仿人的思维外特性入手，模仿人的模糊信息处理能力。它对系统的控制是以人的经验为依据的，而人的经验正是反映人在思维过程中的判断、推理、归纳。理论上已经证明，模糊控制可以任意精度逼近任何线性函数，但受到当前技术水平的限制，模糊变量的分档和模糊规则都受到一定的限制，隶属函数的确定还没有统一的理论指导，带有一定的人为因素，因此，模糊控制的精度有待于进一步提高。　　此外神经网络控制是一种使用人工神经网络的控制方法。因为人工神经网络是建立在强有力的数学基础上，所以它有很大的潜力，这个数学基础包括各种各样的已被充分理解的数学工具。在无模型自适应控制器中，人工神经网络也是一个重要组成部分。但由于神经网络的实现技术没有突破，还没有成功地应用于逆变电源的控制中。

4结论　　

基于微处理器、SP的数字控制技术重复性强、耐用性强、适应性强等优点，越来越受到人们的重视。随着电力电子技术的快速发展，还会有更多、更适合逆变电源控制的智能控制策略。逆变电源的各种控制策略有其所长，有其所短。因而各种控制策略相互取长，集成为复合控制器，将在很大程度上简化控制，提高可靠性，使控制日臻完美，更好地满足逆变电源的控制要求。