CN107104577A - 一种基于卡尔曼滤波的虚拟磁链电压预测方法 - Google Patents
一种基于卡尔曼滤波的虚拟磁链电压预测方法 Download PDFInfo
- Publication number
- CN107104577A CN107104577A CN201710267879.XA CN201710267879A CN107104577A CN 107104577 A CN107104577 A CN 107104577A CN 201710267879 A CN201710267879 A CN 201710267879A CN 107104577 A CN107104577 A CN 107104577A
- Authority
- CN
- China
- Prior art keywords
- voltage
- mtd
- msub
- mtr
- kalman filtering
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
- H02M1/00—Details of apparatus for conversion
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
- H02M7/00—Conversion of ac power input into dc power output; Conversion of dc power input into ac power output
- H02M7/42—Conversion of dc power input into ac power output without possibility of reversal
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
- H02M1/00—Details of apparatus for conversion
- H02M1/0003—Details of control, feedback or regulation circuits
Abstract
本发明公开了一种基于卡尔曼滤波的虚拟磁链电压预测方法，布置电流传感器，采集实时的三相电流数据；根据三相电流数据求解电压两相静止坐标，获取同期历史电压两相静止坐标参数数据；采用卡尔曼滤波技术构建动态卡尔曼滤波电压两相静止坐标参数预测模型，将实时采集到的电压两相静止坐标，历史同期电压两相静止坐标，以及更新的均方误差输入到动态模型，对下一时刻的电压两相静止坐标参数进行预测。
Description
技术领域
本发明属于光储发电技术领域，具体涉及一种基于卡尔曼滤波的虚拟磁链电压预测方法。
背景技术
随着全球能源形势的日益紧张和环境污染的加剧，人们开始吧目光转向可再生能源，太阳能以其清洁、无污染、技术成熟等优点，受到越来越多的人的青睐，世界各国都在积极的发展太阳能发电技术。
逆变器是光伏发电系统的必须设备。并网光伏逆变器分为隔离型和非隔离型两大类。在隔离并网系统中，变压器将电能转换为磁能，再将磁能转换为电能，显然在这一过程中将导致能量的热损耗。一般数千瓦的小容量变压器导致的能量损失可以达到5％，甚至更高。分布式清洁能源多在数千瓦的小容量，因此提高光伏并网系统效率的有效手段便是采用无变压器的非隔离式光伏逆变器结构。而在非隔离型系统中，由于省去了笨重的工频变压器和复杂的高频变压器，系统结构变简单、质量变轻、成本降低并具有相对较高的效率。
逆变器又称电源调整器，根据逆变器在光伏发电系统中的用途可分为离网式逆变器和并网式逆变器二种；离网式逆变器即独立型电源用逆变器。根据波形调制方式又可分为方波逆变器、阶梯波逆变器、正弦波逆变器和组合式三相逆变器。对于用于并网系统的逆变器，根据有无变压器又可分为变压器型逆变器和无变压器型逆变器。在我国“十一五”期间，诸如逆变器等光伏发电配套设备多处在研发和创新阶段，较少受到政策关注。“十二五”时期，光伏发电市场的趋势是向全产业链发展，晶硅、组件以外的配套设备将受到市场与政策的进一步关注，发改委将逆变器列入指导目录鼓励类，就是这一趋势的体现。“十三五”规划中提到，到2020年，我国太阳能发电装机达到110GW，其中光热发电总装机规模为5GW，分布式光伏总装机规模达到60GW以上。其中并未提及集中式地面电站的发展规划，但经计算，地面电站的总装机规模应该在45GW以内。2010年，我国光伏并网容量达500兆瓦，逆变器市场在5亿元左右。2011年6月，“十二五”国内的光伏装机容量目标大幅上调到10GW，较之前公布的目标翻了一番。随着光伏逆变器行业竞争的不断加剧，大型光伏逆变器企业间并购整合与资本运作日趋频繁，国内优秀的光伏逆变器生产企业愈来愈重视对行业市场的研究，特别是对企业发展环境和客户需求趋势变化的深入研究。正因为如此，一大批国内优秀的光伏逆变器品牌迅速崛起，逐渐成为光伏逆变器行业中的翘楚。
基于SVPWM的三相逆变器需要实时监测大电网电压电流等物理量来计算空间矢量，根据开关表来控制开关管通断，影响逆变器输出来跟踪电网电压。传统的电压电流传感器，成本居高不下，体积也过于庞大，安装不易，不利于工程实践。使用电压拟合的虚拟磁链技术，通过霍尔电流传感器采集电流信息，经过算法优化，拟合成电压信息，传递给执行机构，进行开关管动作的判断。该方法避免了谐波分量和传感器的测量的固有误差带来的影响，同时优秀的算法预测特性消除了系统运行时的运算环节的延时，提高运算的准确性和实时性。
针对虚拟磁链的计算，使用纯积分环节存在的固有误差不可避免。AD芯片采样时难免会固有的产生微小的直流偏置，从而会导致积分饱和现象。不仅如此，积分时如若初始相位并非±π/2，也将导致产生与相位偏差所产生的直流分量。
融入虚拟磁链进行的逆变器控制方法研究也比较广泛。缺点也较为明显，虽然考虑到控制环中矩阵转换的计算繁杂性，但未根源性的解决控制环延时效果。提出的解决办法也只是减少运算环节，但也会带来降低检测转换数据的精准性，从而降低了控制的精度。同时忽略了逆变器运行中存在的测量噪声和EMI噪声的影响。虚拟磁链虽然有一定的滤波功能但并无法完全排除这些噪声带来的影响。从仿真结果也可以看出，实际的效果也并不明显，也存在这波形畸变的问题。
近年来，随着对分布式发电和微电网技术研究的逐渐深入，并网逆变器作为其关键部件之一也得到了广泛的关注。为了提高并网逆变器的性价比，改善分布式发电系统的电能质量，出现了具有复合功能的多功能并网逆变器这一全新的研究领域。
由于虚拟磁链技术是由电压积分得到的，必须克服积分存在着直流偏置与饱和积分等现象，否则将同样影响控制的准确度。直流偏置出现的现象主要分以下两个方面：AD采样可能存在着直流分量；从积分的数学运算中会出现的和积分初值相位相关的直流分量。
AD采样可能存在着直流分量，再小的直流分量，在没有积分的情况下可以忽略不计，但是当采用虚拟磁链时，这样的误差偏移会随着积分时间的增加而偏移量越来越大，其自我增强的机制最终会严重影响系统的定向精度。
发明内容
根据以上现有技术的不足，本发明所要解决的技术问题是提出一种基于卡尔曼滤波的虚拟磁链电压预测方法，通过结合卡尔曼滤波和模拟电压法，分析预测开关动作时刻的电压数据。
为了解决上述技术问题，本发明采用的技术方案为：一种基于卡尔曼滤波的虚拟磁链电压预测方法，包括以下步骤：
1)布置电流传感器，采集实时的三相电流数据ia,ib、ic；
2)根据三相电流数据求解电压两相静止坐标Uα、Uβ；
3)获取同期历史电压两相静止坐标Uα、Uβ参数数据；
4)采用卡尔曼滤波技术构建动态卡尔曼滤波电压两相静止坐标Uα、Uβ参数预测模型，所述动态卡尔曼滤波电压两相静止坐标Uα、Uβ参数预测模型描述如式(1)所示：
xk＝Akxk+Hk*(yk-Ck*Ak*xk) (1)
其中，xk为k时刻电压两相静置坐标Uα、Uβ状态预测值，Ak为转移矩阵，Hk为卡尔曼滤波增益矩阵，yk为k时刻电压两相静止坐标Uα、Uβ测量值，Ck为量测矩阵，Hk＝PkCk′*inv(Ck*Pk*Ck′+Rk)，Pk为均方误差，Rk为测量噪声矩阵，Pk＝Ak*p*Ak′+Qk，Qk为系统噪声矩阵；
5)由步骤4)得到xk+1的值来更新Uα、Uβ参数的预测状态，并且计算增益矩阵以及均方误差；
6)输出Uα、Uβ的预测值和估计均方误差，并且令k增加1，返回步骤1)。
作为一种优选实施方式：所述步骤2)中电压两相静止坐标Uα、Uβ的求解方法具体如下：
式中：iα、iβ为电流两相静止坐标，p为有功功率，q为无功功率，其中，
Udc为直流母线电压分量，SA、SB、SC为开关信号，L为滤波器的电感数值；
作为一种优选实施方式，所述步骤5)中Uα、Uβ参数的预测状态用状态预测记录方程表示：Xk＝xk，Xk为电压两相静止坐标Uα、Uβ参数状态预测记录值。
作为一种优选实施方式，所述步骤5)中Uα、Uβ参数的均方误差表示为：Pk＝(1-HkCk)*Pk。
本发明有益效果是:虚拟磁链具有计算简单，易于数字化操作的优点，在交流检测应用中备受关注。但受其本身计算的缺点，对电网电压进行积分时引起的直流偏置与积分饱和现象，严重影响空间矢量定向的精确性。同时无论如何简化控制环节计算延时与检测误差在所难免，导致控制时刻电压并非检测时刻电压，对控制效果有一定影响影响。控制方法在检测电压信号的过程中加入虚拟磁链技术，设计了虚拟磁链观测器取代锁相环技术，有效的消除了积分时引起的直流偏置与积分饱和现象。同时推出利用卡尔曼滤波的优秀跟踪预测特性拟合采样电压的虚拟磁链优化算法。
附图说明
下面对本说明书附图所表达的内容及图中的标记作简要说明：
图1是本发明的具体实施方式的卡尔曼滤波结构框图。
图2是本发明的具体实施方式的卡尔曼滤波算法框图。
具体实施方式
下面通过对实施例的描述，本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等，作进一步详细的说明，以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
对AD的采样环节存在的误差分析后，决定采用优化拟合电压的方法消除不利影响。该方法结合了卡尔曼滤波和模拟电压法，准确的拟合电压，提供准确的实时的采样数据。拟合电压法主要是为了简化电路，减少检测误差，减少电压传感器的使用。
具体公式如下：
其中Uα、Uβ为电压两相静止坐标，iα、iβ为电流两相静止坐标，ia,ib、ic为三相电流，p,q分别为有功无功功率，Udc为直流母线电压分量，SA、SB、SC为开关信号，L是LCL滤波器的电感数值。
采样使用单周期多采样的方式，结合卡尔曼滤波的优秀的跟踪预测功能，将采样的数据作为学习数组，跟踪采样数据，在不断的优化跟踪性能中，滤除存在的噪声，预测采样数据后一采样时刻的电压，也即开关动作执行时刻电压，同时传递给执行程序，作为实时的采样数据。这样既降低了输入噪声对观测值的影响，同时实时预测开关管动作时的真实数据，依据预测的真实数据做出更加准确的开关动作。卡尔曼滤波的预测与自我更新机制步骤如下：均方误差预测：
Pk＝Ak*p*Ak′+Qk
计算卡尔曼滤波增益：
Hk＝PkCk′*inv(Ck*Pk*Ck′+Rk)
更新状态预测：
xk＝Akxk+Hk*(yk-Ck*Ak*xk)
更新预测状态预测：
Xk＝xk
更新预测均方误差：
Pk＝(1-HkCk)*Pk
其中采样数组共k个数据，Pk为均方误差,Ak为转移矩阵(由状态空间平均建模法分析得出)，p为误差初值，Qk为系统噪声矩阵，Hk为卡尔曼滤波增益矩阵，Ck为量测矩阵，Rk为测量噪声矩阵，xk为状态预测值，Xk为状态预测记录值，yk为测量值。
从预测与自我更新机制步骤可以看出，卡尔曼滤波器的一个更新循环可以分为两个步骤：预测更新与误差更新。预测更新包括对状态值的提前预测和对均方误差的提前预测。误差更新包括计算卡尔曼滤波增益、更新均方误差和更新状态值的估计值。所以这两个步骤又可称为预测与校正。反复循环自我更新，充分合理的利用观测值提高预测精准度，预测最后时刻，即开关管动作时刻的瞬时数值，传递给系统后，达到实时操作的效果。
上面对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。本发明的保护范围应该以权利要求书所限定的保护范围为准。
Claims (4)
1.一种基于卡尔曼滤波的虚拟磁链电压预测方法，其特征在于包括以下步骤：
1)布置电流传感器，采集实时的三相电流数据ia,ib、ic；
2)根据三相电流数据求解电压两相静止坐标Uα、Uβ；
3)获取同期历史电压两相静止坐标Uα、Uβ参数数据；
4)采用卡尔曼滤波技术构建动态卡尔曼滤波电压两相静止坐标Uα、Uβ参数预测模型，所述动态卡尔曼滤波电压两相静止坐标Uα、Uβ参数预测模型描述如式(1)所示：
xk＝Akxk+Hk*(yk-Ck*Ak*xk) (1)
其中，xk为k时刻电压两相静置坐标Uα、Uβ状态预测值，Ak为转移矩阵，Hk为卡尔曼滤波增益矩阵，yk为k时刻电压两相静止坐标Uα、Uβ测量值，Ck为量测矩阵，Hk＝PkCk′*inv(Ck*Pk*Ck′+Rk)，Pk为均方误差，Rk为测量噪声矩阵，Pk＝Ak*p*Ak′+Qk，Qk为系统噪声矩阵；
5)由步骤4)得到xk+1的值来更新Uα、Uβ参数的预测状态，并且计算增益矩阵以及均方误差；
6)输出Uα、Uβ的预测值和估计均方误差，并且令k增加1，返回步骤1)。
2.根据权利要求1所述的基于卡尔曼滤波的虚拟磁链电压预测方法，其特征在于，所述步骤2)中电压两相静止坐标Uα、Uβ的求解方法具体如下：
<mrow>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>U</mi>
<mi>&alpha;</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>U</mi>
<mi>&beta;</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msubsup>
<mi>i</mi>
<mi>&alpha;</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>i</mi>
<mi>&beta;</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>i</mi>
<mi>&alpha;</mi>
</msub>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<msub>
<mi>i</mi>
<mi>&beta;</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>i</mi>
<mi>&beta;</mi>
</msub>
</mtd>
<mtd>
<msub>
<mi>i</mi>
<mi>&alpha;</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>p</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>q</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
式中：iα、iβ为电流两相静止坐标，p为有功功率，q为无功功率，其中，
Udc为直流母线电压分量，SA、SB、SC为开关信号，L为滤波器的电感数值；
3.根据权利要求1所述的基于卡尔曼滤波的虚拟磁链电压预测方法，其特征在于，所述步骤5)中Uα、Uβ参数的预测状态用状态预测记录方程表示：
Xk＝xk
Xk为电压两相静止坐标Uα、Uβ参数状态预测记录值。
4.根据权利要求1所述的基于卡尔曼滤波的虚拟磁链电压预测方法，其特征在于，所述步骤5)中Uα、Uβ参数的均方误差表示为：Pk＝(1-HkCk)*Pk。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710267879.XA CN107104577A (zh) | 2017-04-22 | 2017-04-22 | 一种基于卡尔曼滤波的虚拟磁链电压预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710267879.XA CN107104577A (zh) | 2017-04-22 | 2017-04-22 | 一种基于卡尔曼滤波的虚拟磁链电压预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107104577A true CN107104577A (zh) | 2017-08-29 |
Family
ID=59657084
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710267879.XA Pending CN107104577A (zh) | 2017-04-22 | 2017-04-22 | 一种基于卡尔曼滤波的虚拟磁链电压预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107104577A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103684178A (zh) * | 2013-12-17 | 2014-03-26 | 清华大学 | 一种永磁同步电机转速滤波装置和滤波方法 |
| CN104518722A (zh) * | 2013-10-08 | 2015-04-15 | 广东美的制冷设备有限公司 | 同步电机的力矩补偿控制系统及其力矩补偿控制方法 |
| CN105762789A (zh) * | 2015-11-09 | 2016-07-13 | 湘潭大学 | 一种无电压传感器的三相变流器模型预测控制方法 |
| CN105932689A (zh) * | 2016-04-29 | 2016-09-07 | 南方电网科学研究院有限责任公司 | 一种链式statcom的控制方法及系统 |
| CN106130426A (zh) * | 2016-07-18 | 2016-11-16 | 南京理工大学 | 基于ekf的无传感器超高速永磁同步电机转速控制方法 |
-
2017
- 2017-04-22 CN CN201710267879.XA patent/CN107104577A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104518722A (zh) * | 2013-10-08 | 2015-04-15 | 广东美的制冷设备有限公司 | 同步电机的力矩补偿控制系统及其力矩补偿控制方法 |
| CN103684178A (zh) * | 2013-12-17 | 2014-03-26 | 清华大学 | 一种永磁同步电机转速滤波装置和滤波方法 |
| CN105762789A (zh) * | 2015-11-09 | 2016-07-13 | 湘潭大学 | 一种无电压传感器的三相变流器模型预测控制方法 |
| CN105932689A (zh) * | 2016-04-29 | 2016-09-07 | 南方电网科学研究院有限责任公司 | 一种链式statcom的控制方法及系统 |
| CN106130426A (zh) * | 2016-07-18 | 2016-11-16 | 南京理工大学 | 基于ekf的无传感器超高速永磁同步电机转速控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103257271B (zh) | 一种基于stm32f107vct6的微电网谐波与间谐波检测装置及检测方法 | |
| CN105897030B (zh) | 一种无差拍定频模型预测控制方法、装置及系统 | |
| Džafić et al. | Real time multiphase state estimation in weakly meshed distribution networks with distributed generation | |
| CN108448568B (zh) | 基于多种时间周期测量数据的配电网混合状态估计方法 | |
| CN104778367B (zh) | 基于单一状态断面的广域戴维南等值参数在线计算方法 | |
| US8849614B2 (en) | System and method for monitoring and managing three-phase power flows in electrical transmission and distribution networks | |
| CN105071677B (zh) | 用于两电平三相并网逆变器的电流预测控制方法 | |
| CN108448585B (zh) | 一种基于数据驱动的电网潮流方程线性化求解方法 | |
| TWI479159B (zh) | 電壓穩定度即時估測方法 | |
| CN108257044A (zh) | 一种基于稳态电流模型的非侵入式负荷分解方法 | |
| CN104852566A (zh) | 基于模型预测的h桥级联型statcom控制系统 | |
| JP2014200167A (ja) | 電力推定装置、電力推定方法、および、プログラム | |
| CN113285481A (zh) | 并网变流器电感参数在线估计方法、预测控制方法及系统 | |
| CN102280877B (zh) | 一种多量测断面的电力系统不良支路参数辨识方法 | |
| CN104333034B (zh) | 基于支持向量机逆控制的光伏并网微型逆变器 | |
| CN103532170B (zh) | 用于并网电流滞环控制算法的开关周期固定控制方法 | |
| CN108306617A (zh) | 一种理想太阳能电池最大功率点参数的求解方法 | |
| CN104143837A (zh) | 具有参数自适应特性的逆变器无交流电压传感器控制方法 | |
| CN106468935A (zh) | 一种折线拟合求太阳能电池最大功率点方法 | |
| CN105743093A (zh) | 一种考虑风光出力不确定性的配电网潮流计算方法 | |
| CN110676836B (zh) | 基于扰动观测器的buck变流器并联动态补偿方法以及系统 | |
| CN105068590A (zh) | 光伏发电功率控制方法和系统 | |
| CN107104577A (zh) | 一种基于卡尔曼滤波的虚拟磁链电压预测方法 | |
| Salimbeni et al. | Integration of active filter and energy storage system for power quality improvement in microgrids | |
| CN109586289A (zh) | 一种配电网多时间尺度递归动态状态估计方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170829 |