随着现代电力电子装置的发展，其应用范围越来越广，所应用的场合也越来越复杂。由于电力电子装置所控制的对象越来越复杂，各种不确定因素和种种难以描述的非线性特性存在，使得基于传统控制的对象模型越来越难得建立；再者人们对电力电子装置输出控制要求的日益提高，越来越要求控制的智能化和宽适应能力。神经网络源于对人脑信息处理机制的模拟，具有很强的适应复杂环境的能力和多目标控制的自学习能力，并具有良好的非线性函数逼近能力。因此神经网络控制策略能解决逆变系统中的常规控制策略无法解决的许多问题，理论上来说可以设计出一个与系统数学模型无关的，自学习、自适应的鲁棒性好动态响应快的智能控制系统。神经网络的这些特性为我们解决现代电力电子装置控制上的种种难题提供了一条很好的途径。
    近十几年来，人工神经网络在控制领域中的研究也取得了很大的进展。人工神经网络能够通过自身的学习过程了解系统的结构、参数、不确定性和非线性，并给出系统所需的控制规律，由它构成的控制器具有很强的鲁棒性。单神经元是神经网络最基本的单元，在神经网络控制中，单神经元是最基本的控制部件。因此，由单个神经元构成的控制器引起了控制界的广泛兴趣。神经元控制器结构简单，自学习、自组织能力强，分布式存储，并行结构运算，可以调和系统动、静态间的矛盾，对对象模型精度要求不高，且抗干扰能力强，故实际应用较多。神经网络对于复杂不确定问题的自适应能力,可以用作控制系统的补偿环节和自适应环节;神经网络对任意非线性关系的描述能力,可以用于非线性系统的辨识和控制;神经网络的快速优化计算能力,可用于复杂控制问题的优化计算;神经网络的分布式存储能力及并行处理和合成能力,可用作复杂控制系统中的信息转换接口。
    结合上述特性，控制中对神经网络的使用大致分为下面几类：
1.神经网络与反馈联合控制：神经网络需要一个过程来根据训练样本进行学习，学习完成后，网络才能用于控制系统，因此在学习阶段采用与神经网络控制器相并联的常规控制器来改善系统的初始响应，提高系统鲁棒性。
2.神经网络PID控制： PID调节概念清晰、方法简便、调节容易，可靠性好，与神经网络的自学习自组织功能相结合，利用神经网络来在线整定PID调节器参数，可以提高控制器对系统和环境的适应能力和控制效果。
3.神经网络自校正控制：神经网络自校正控制是利用神经网络的良好的逼近能力，在被控系统参数变化的情况下，自动调整控制器参数，消除扰动的影响。
4.神经网络模型参考自适应控制：非线性系统的神经网络模型参考自适应控制系统在结构上与线性系统的模型参考自适应系统相同。只是对象的辨识模型为神经网络。
5.神经网络滑模控制：神经网络具有良好的学习能力，引入滑模控制后，可以在不确定的环境下通过自学习来改进滑模开关曲线，进而改善控制效果。
6.神经网络模糊控制：神经网络模糊控制利用神经网络进行学习，模糊控制器进行似然推理，使得输出的控制信号平滑，同时加快了学习速度。
7.神经网络专家系统控制：专家系统是一种知识性表达，适用于逻辑推理，神经网络则反映的是一种输入输出的数学映射关系，长于直觉推理，把二者结合起来，发挥各自的优势，可以产生更好的控制效果。
8.完全神经网络控制:完全神经网络控制包括神经网络反馈控制，神经网络自适应控制，神经网络非线性控制等，它的特点是其辨识，估计，计算，控制等都由神经网络完成，其形式多种多样应用范围较广。 目前，由于缺乏相应的神经网络计算机的硬件支持，通常利用串行方法来模拟神经网络机制解决实时控制问题，由于计算量大，计算速度限制，在实际应用中还有许多问题需要解决。而随着FPGA等大规模集成电路技术的进步，纯硬件化的专用神经网络芯片的实现将使现有的神经网络算法的实现焕然一新。

一、神经网络在电力电子装置中的应用
    神经网络在电力电子装置控制中的应用研究起步较晚，多用于故障诊断，在基于神经网络的电力电子装置的控制上多偏于理论分析。在电力电子装置系统控制研究上根据目前文献显示，这方面工作尚处于起步阶段，研究较少。
    目前完全神经网络控制的电力电子装置还处于实验阶段，文献【1】给出了一种基于DSP的完全神经网络控制的逆变器控制方案。它针对传统的基于最优消谐波理论的逆变器,采用了一种全新的神经网络控制器。当系统工作时,由基于DSP的在线神经网络实时调节逆变器输出电压的大小；同时各功率管的开关角由另一个神经网络通过最优PWM最优开关角的拟合,由DSP直接计算出来。整个控制系统具有结构简单、反应灵敏、调压精确、输出电能质量高,控制系统全数字化的特点。在其电压控制网络框图中，电压调节环实质上是一个单神经元。
    文献【1】中所设计的CVCF逆变器，要求在不同负载性质下都要有恒定的电压Uo输出，而不同的负载对电压基波取用需求不同，若按常规控制就要求控制器实时计算出不同负载模型下控制器内滤波器参数，而为了获得负载参数，需要加入大量的负载电流及相位检测环节。由于神经网络对光滑非线性函数具有的任意逼近能力,它适合控制各种非线性问题,所以这个问题可以由各种在线自适应神经网络控制系统解决,无需在线辨识对象的参数,只要实时检测对象的实际输出并与期望输出相比较,就可在线调节并形成自适应的闭环控制系统。
    文献【2】提出了一种将传统PID算法和神经网络算法结合的新型复合控制算法，并将其应用于直流调速系统。 该设计保持传统双闭环控制方法的优越性,将神经元网络理论应用于直流调速系统时,仍采用双闭环结构而电流环(内环)仍采用传统的PI调节器并校正成典型Ｉ型系统,以提高系统响应时快速性和限流的必要性,转速环(外环)则采用神经元PID控制器,以提高其鲁棒性。采用单神经元PID控制器的双闭环直流调速系统结构。单神经元PID控制器的参数设计主要是选择控制器的比例因子ｋ、学习速率η、权重初值、采样周期等参数,它们对学习和控制效果有一定的影响。这种复合控制的算法采用了边学习边控制的方式，充分利用了神经元的自学功能,在运行中根据被控对象特性的变化,对神经元的权重值进行在线调整,使得整个系统具有良好的自适应能力。结果证明,这种控制方法能够有效地克服传统双闭环控制存在的不足,只要选择适当的学习速率、比例因子、权重初值,就可使系统在允许负载下保持无静差,无超调的优良性能。SVPWM是一种广泛应用的电力电子装置控制技术，它通过对8个开关函数的组合使逆变器输出具有较小的脉动转矩，较低的谐波成分，并且具有较高的直流电压利用率，并且适合于数字化实现。但是其运算复杂，需进行主、辅矢量判定．输出序列组合．以及查表等过程，占据DSP大量时间且精度较差。
     文献【3】提出了一种基于Kononen网络的SVPWM快速算法，可快速判定主辅矢量，确定输出序列和求解出作用时间。Kohonen网络由一个全互连的神经元阵列组成；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、并在回复模式时、按一定权来分配模式间的关系。对于SVPWM的计算，由于8个开关函数已经将合成矢量的位置划分为6个区间，也就相当于6个模式已经确定，省去了分类训练的过程。而主矢量则是每个模式下竞争的胜者，次大的就是辅矢量。这种方式实现的SVPWM可以由纯硬件电路实现，极大的节省了DSP运算资源。还有的文献（文献【4】）提出了基于RBF网络的电机控制系统。它利用RBF网络进行电机定子电压电流和逆变器开关导通角之间的非线性映射，实现了无传感器控制。目前的神经网络算法实现，多是基于软件的串行模拟算法，这种实现方式计算量大，实时性差。而新一代的大规模集成器件FPGA的出现给我们提供了并行算法实现的可能。
    文献【5】对基于FPGA的硬件神经网络算法实现进行了详细的介绍。  三、小结及展望综合目前检索到的文献和资料，神经网络在电力电子装置中的应用还处于初步阶段。其算法的实现直接影响到它的应用。而且在实时控制中，神经网络的应用还是不如传统控制成熟。但是它强大的非线性处理能力有着极大的吸引力。将其与传统控制结合构成的复合控制器将是未来控制的一个新的亮点。   

参考文献：
【1】基于DSP的逆变器神经网络控制. 沈忠亭,严仰光. 电力电子技术.2002.10：50－53
【2】神经网络与PID结合的直流调速系统自适应控制.项云玮.机电工程.1999.6：37－39
【3】基于神经网络的一种快速SVPWM算法. 林平，蔡骊.电气自动化.2001.6：7-9
【4】基于自适应径向基函数神经网络的无刷直流电机直接电流控制. 夏长亮等.中国电机工程学报.2003.6.第23卷：123－127
【5】FPGA implementation of a pulse density neural network with learningability using simultaneous perturbation. Yutaka Maeda and Toshiki Tada. IEEE TRANSACTIONS ON NEURAL NETWORKS, VOL. 14, NO. 3, MAY 2003：688-695  

（责编：雪竹）