1.一种基于极限学习机的逆变器反步模糊神经网络控制方法，其特征在于，所述逆变器为三相全桥式LC型逆变器，所述控制方法包括如下步骤：步骤1：根据三相全桥式LC型逆变器的滤波电感电流和滤波电容电压，构建三相逆变器的α‑β坐标系上系统动力学模型；

α‑β坐标系上系统动力学模型为：

其中： 和 分别为α轴和β轴上逆变器交流侧电感上的电流， 和 分别为α轴和β轴上逆变器交流侧流经负载的电流， 和 分别为α轴和β轴上逆变器交流侧电容电压，r为回路等效负载，uconα和uconβ分别为α轴和β轴上逆变器交流侧输出的电压，uk＝DiVdc＝KPWMuconk，式中一个开关周期内占空比为Di＝ucon/Vtri，逆变器等效增益为KPWM＝Vdc/Vtri，Vdc为直流母线电压，ucon为低频正弦波幅值，Vtri为高频三角载波信号的振幅；

步骤2：根据步骤1构建的系统动力学模型，将其转换为二阶系统，选择系统状态变量，并加入集总不确定项，构建新的三相逆变器等效系统模型；

二阶系统为：

选择交流输出电压 作为系统状态，选择控制信号(uconα,uconβ)作为控制输入，并加入集总不确定项对扰动参数进行系统扩张，构建新的三相逆变器等效系统模型为：T

其中：u(t)＝[uconα,uconβ]； ap1＝‑r/L；ap2＝‑1/(LC)；bp＝KPWM/(LC)；cp1＝‑1/C；cp2＝‑r/(LC)；ap1n,ap2n,bpn,cp1n,cp2n分别为ap1,ap2,bp,cp1,cp2的标称值；Δap1n,Δap2n,Δbpn,Δcp1n,Δcp2n表示系统参数变化的不确定性；dp(t)为电压集总不确定性向量，定义为：这里的扰动项dp(t)受真实系统的正常数的限制，这里假设给定dp(t)的界限为：||dp(t)||1≤ρ

其中：||·||1表示一范数算子，ρ为正常数；

步骤3：根据步骤2构建的三相逆变器等效系统模型，运用反步法来设计控制器，引入稳定函数和虚拟误差，构建反步控制器；

反步控制器设计为：

其中：k2为正常数，系统状态 跟踪参考输出电压

ev为电压误差：ev＝xd‑x；

α为稳定函数：

es为虚拟误差：

步骤4：根据步骤3构建的反步控制器，利用模糊神经网络对反步控制器进行优化，构建反步模糊神经网络控制器，并加入自适应律来调整控制器参数；

反步模糊神经网络控制器设计为：

其中：Ny为规则总数yo(o＝1,…,No)表示输出层的每个节点，lk(k＝1,...,Ny)表示规则层的第k个输出， 表示规则层和输出层之间的可调权重；

FNN参数的自适应律设计为：

如果 或者 且

如果 且

如果 或者 且

如果 且

如果 或者 且

如果 且

其中：||·||是欧几里德范数；ηω，ηm和ηc为正学习率；bω，bm和bc被给定为正参数界，步骤5：根据步骤4构建的反步模糊神经网络控制器，通过极限学习机算法，对系统的集总不确定性进行估计，并补偿扰动，构建基于极限学习机的反步模糊神经网络控制器；

基于极限学习机的反步模糊神经网络控制器设计为：

其中：H(x,w,b)是隐藏层函数，x为极限学习机的输入向量，w和b分别为隐藏神经元的输入权重和偏差的向量，他们由高斯分布生成， 为ELM的输出权重向量；

步骤6：根据步骤5构建的基于极限学习机的反步模糊神经网络控制器，获取控制器的输出，通过SVPWM来对三相逆变器的全桥开关进行信号控制。

2.根据权利要求1所述的基于极限学习机的逆变器反步模糊神经网络控制方法，其特征在于，所述步骤6获取控制器的三相逆变器全桥开关控制信号为：将uα和uβ作为SVPWM调制策略的输入，产生六路PWM信号控制六个开关器件的开关控制信号，使得直流输出电压Vdc跟踪给定值；采用SVPWM调制策略，开关频率等于采样频率，开关频率固定，利于三相PWM整流器滤波器参数的设计。