CN111654056B - 一种光伏并网逆变器系统的电压跟踪控制方法与系统 - Google Patents

一种光伏并网逆变器系统的电压跟踪控制方法与系统 Download PDF

Info

Publication number
CN111654056B
CN111654056B CN202010406097.1A CN202010406097A CN111654056B CN 111654056 B CN111654056 B CN 111654056B CN 202010406097 A CN202010406097 A CN 202010406097A CN 111654056 B CN111654056 B CN 111654056B
Authority
CN
China
Prior art keywords
connected inverter
photovoltaic grid
voltage
grid
representing
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.)
Active
Application number
CN202010406097.1A
Other languages
English (en)
Other versions
CN111654056A (zh
Inventor
彭云建
孟晴晴
孙伟杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202010406097.1A priority Critical patent/CN111654056B/zh
Publication of CN111654056A publication Critical patent/CN111654056A/zh
Application granted granted Critical
Publication of CN111654056B publication Critical patent/CN111654056B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B10/00—Integration of renewable energy sources in buildings
    • Y02B10/10—Photovoltaic [PV]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Inverter Devices (AREA)
  • Control Of Electrical Variables (AREA)

Abstract

本发明公开了一种光伏并网逆变器系统的电压跟踪控制方法及系统，该方法包括下述步骤：以光伏并网逆变器输出电压和滤波电感的电流为控制量，建立光伏并网逆变器线性时不变系统模型；将光伏并网逆变器系统和参考市网电压系统的状态变量进行重构，建立增广系统；采用输出反馈控制策略及基于值迭代的在线积分强化学习算法求解增广系统的调节问题；采用基于神经网络的自适应状态观测器收集积分强化学习算法所需要的状态数据。本发明采用的积分强化学习的输出反馈控制，仅需要光伏并网逆变器系统中的部分动力学参数，光伏并网逆变器系统的输出电压即可跟踪上参考市网正弦电压。

Description

一种光伏并网逆变器系统的电压跟踪控制方法与系统
技术领域
本发明涉及逆变器输出电压控制技术领域，具体涉及一种光伏并网逆变器系统的电压跟踪控制方法与系统。
背景技术
随着全球能源短缺以及环境污染严重的严峻形势，光伏发电成为新能源发电的重要分支，在生产以及生活方面的作用愈发重要。线性二次型跟踪问题是近些年国内外兴起的现代控制理论的分支，主要致力于研究出最优的控制策略，不仅使得被控系统能跟踪上参考轨迹，而且使得系统预设的性能指标达到最优。传统的动态规划算法通过离线求解代数Riccati方程得到最优控制策略，该方法依赖系统动力学的全部信息，然而光伏并网逆变器的固件随着使用时间会有一定程度的磨损，那么对于部分模型未知的逆变器系统，该方法已不适用。
发明内容
为了克服现有技术存在的缺陷与不足，一种光伏并网逆变器系统的电压跟踪控制方法与系统，通过设计输出反馈控制器，实现了仅需要部分动力学信息，逆变器系统的输出电压即可跟踪上参考市网正弦电压的效果。
为了达到上述目的，本发明采用以下技术方案：
本发明提供一种光伏并网逆变器系统的电压跟踪控制方法，包括下述步骤：
以光伏并网逆变器输出电压和滤波电感的电流为控制量，建立光伏并网逆变器线性时不变系统模型；
将光伏并网逆变器系统和参考市网电压系统的状态变量进行重构，建立增广系统；
采用输出反馈控制策略及基于值迭代的在线积分强化学习算法求解增广系统的调节问题；
采用基于神经网络的自适应状态观测器收集积分强化学习算法所需要的状态数据。
作为优选的技术方案，所述建立光伏并网逆变器线性时不变系统模型，具体表示为：
Figure BDA0002491354400000021
y＝Cx
Figure BDA0002491354400000022
C＝[1 0]
Figure BDA0002491354400000023
其中，x∈Rn×1表示为光伏并网逆变器系统的状态变量，u∈Rm×1表示光伏并网逆变器系统的控制输入变量，y∈Rp×1表示光伏并网逆变器系统的输出变量，A、B、C分别表示光伏并网逆变器系统的状态矩阵、输入矩阵和输出矩阵，Cf和Lf分别表示滤波电容和滤波电感，Ro表示电网的电阻值，r表示电感电阻，Vs表示光伏系统的直流电压，vo表示光伏并网逆变器输出电压，iL表示滤波电感的电流。
作为优选的技术方案，所述参考市网电压系统表示为：
Figure BDA0002491354400000024
yr＝Gxr
Figure BDA0002491354400000025
G＝[1 0]
其中，
Figure BDA0002491354400000026
表示状态变量，
Figure BDA0002491354400000027
表示参考市网电压，F和G分别表示参考市网电压系统的状态矩阵和输出矩阵，f表示参考正弦电压的频率；
所述建立增广系统，具体表示为：
Figure BDA0002491354400000031
Figure BDA0002491354400000032
Figure BDA0002491354400000033
其中，A、B、C分别表示光伏并网逆变器系统的状态矩阵、输入矩阵和输出矩阵。
作为优选的技术方案，所述采用输出反馈控制策略及基于值迭代的在线积分强化学习算法求解增广系统的调节问题，具体步骤包括：
S1：给定任意的初始控制增益
Figure BDA0002491354400000034
矩阵L0和矩阵P0；
S2：通过使用积分强化学习贝尔曼方程进行值函数更新，积分强化学习贝尔曼方程表示如下：
Figure BDA0002491354400000035
S3：在策略迭代中更新控制增益Ko和矩阵L：
Figure BDA0002491354400000036
Figure BDA0002491354400000037
S4：重复迭代步骤S2和步骤S3，直到满足||Pi+1-Pi||≤ε停止迭代，得到最优控制策略，其中，ε为设定的常数值。
作为优选的技术方案，所述自适应状态观测器具体表示为：
Figure BDA0002491354400000041
Figure BDA0002491354400000042
其中，
Figure BDA0002491354400000043
和
Figure BDA0002491354400000044
分别表示自适应状态观测器的状态变量和输出变量，g表示为观测器的增益矩阵，满足Am-gC为Hurwitz矩阵，
Figure BDA0002491354400000045
表示权重，
Figure BDA0002491354400000046
表示被选为S形函数的激活函数；
Figure BDA0002491354400000047
激活函数表示为：
Figure BDA0002491354400000048
其中
Figure BDA0002491354400000049
权重
Figure BDA00024913544000000410
表示为：
Figure BDA00024913544000000411
其中，
Figure BDA00024913544000000412
Ac＝Am-gC，η和ρ都表示学习率。
本发明还提供一种光伏并网逆变器系统的电压跟踪控制系统，包括：
光伏并网逆变器线性时不变系统模型构建模块、增广系统构建模块、增广系统调节问题求解模块和基于神经网络的自适应状态观测器；
所述光伏并网逆变器线性时不变系统模型构建模块用于将光伏并网逆变器输出电压和滤波电感的电流作为控制量，建立光伏并网逆变器线性时不变系统模型；
所述增广系统构建模块用于将光伏并网逆变器系统和参考市网电压系统的状态变量进行重构，建立增广系统；
所述增广系统调节问题求解模块用于采用输出反馈控制策略及基于值迭代的在线积分强化学习算法，求解增广系统的调节问题；
所述基于神经网络的自适应状态观测器用于收集积分强化学习算法所需要的状态数据。
本发明与现有技术相比，具有如下优点和有益效果：
(1)本发明采用积分强化学习算法求解光伏逆变器系统电压跟踪控制，达到了仅使用部分动力学参数通过输出反馈即可得到最优控制策略，使得部分模型未知的逆变器系统的输出电压完美跟踪上参考市网正弦电压的效果，实现了替代完全依赖系统动态的离线算法的目的。
(2)本发明采用值迭代技术求解积分强化学习贝尔曼方程，相比于离线算法中策略迭代技术要求初始控制策略必须稳定的弊端，由于值迭代技术不需要初始稳定的控制策略，即放松了初始控制策略的条件，因此适用范围更为广泛。
附图说明
图1为本实施例单相光伏并网逆变器基本电路图。
图2为本实施例增广系统方框图。
图3为离线得到逆变器系统电压跟踪控制的流程示意图。
图4为本实施例积分强化学习算法的流程示意图。
图5为具有自适应状态观测器的积分强化学习算法示意图。
图6为在线得到逆变器系统电压跟踪控制的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例
本实施例提供一种基于积分强化学习的光伏逆变器系统电压跟踪控制的方法，包括下述步骤：
S1：以光伏并网逆变器输出电压和滤波电感的电流为控制量，建立光伏并网逆变器线性时不变系统模型，建立光伏并网逆变器线性时不变系统模型的具体步骤为：
如图1所示，在单相光伏并网逆变器的等效电路中，在给定的参数以及电源拓扑结构下，逆变器的动力学模型可以由两个基本电路方程式表示：
Figure BDA0002491354400000061
Figure BDA0002491354400000062
其中，Cf和Lf分别为滤波电容和滤波电感，r是电感电阻，iL是滤波电感的电流，Vs是光伏系统的直流电压，u是SPWM的调制电压，uVs是由SPWM调制的光伏并网逆变器桥的输出电压，io＝vo/Ro是理想的输出电流，Ro是电网的电阻值。
以光伏并网逆变器输出电压vo和滤波电感的电流iL为控制量：
Figure BDA0002491354400000063
设计如下的光伏并网逆变器线性时不变系统模型：
Figure BDA0002491354400000064
y＝Cx
Figure BDA0002491354400000065
C＝[1 0]
其中x∈Rn×1表示为逆变器系统的状态变量，u∈Rm×1表示逆变器系统的控制输入变量，y∈Rp×1表示逆变器系统的输出变量，A，B，C分别为逆变器系统的状态矩阵、输入矩阵、输出矩阵，Cf和Lf分别为滤波电容和滤波电感，Ro是电网的电阻值，r是电感电阻，Vs是光伏系统的直流电压；
S2：将光伏逆变器系统和参考市网电压系统的状态变量进行重构，建立增广系统，将光伏逆变器的电压跟踪问题转变为最优调节问题，建立增广系统的具体步骤为：
基于给定的参考市网电压系统：
Figure BDA0002491354400000071
yr＝Gxr
Figure BDA0002491354400000072
G＝[1 0]
其中
Figure BDA0002491354400000073
为状态变量，
Figure BDA0002491354400000074
是参考市网电压，F和G分别为参考市网电压系统的状态矩阵、输出矩阵，f是参考正弦电压的频率。
通过使用光伏逆变器系统和参考市网电压系统的状态变量进行重构：
Figure BDA0002491354400000075
那么基于重构的状态变量，可以将其转化为增广系统：
Figure BDA0002491354400000076
Figure BDA0002491354400000077
根据上面转化为增广系统的形式，可以将光伏逆变器的电压跟踪问题转变为最优调节问题。
针对重构的增广系统求解逆变器的电压跟踪问题时，需要预设性能指标函数，因此设置与跟踪误差和控制输入相关的二次型形式的性能指标函数：
Figure BDA0002491354400000078
其中γ表示折扣因子，折扣因子的引入，放宽了参考跟踪系统中F的取值，否则F必须是Hurwitz矩阵。
由于状态反馈控制中所需要的内部状态变量在实际应用系统中不易获得，因此采用输出反馈控制策略并离线求解增广系统的调节问题，输出反馈控制策略表示为：
u＝-(Kyy-Kryr)＝-KoY＝-KoC1X
如图2所示，根据增广矩阵的输入和输出向量，可以得到的增广系统方框图。并且基于增广系统的控制策略，最优跟踪控制的性能指标函数可以表示为二次型的形式：
Figure BDA0002491354400000081
其中C0＝[C -G]。
将性能指标函数的两端进行求导，可以得到增广系统的贝尔曼方程：
(A0X+B0u)TPX+XTP(A0X+B0u)-γXTPX+XTC0 TQC0X+uTRu＝0
把输出反馈控制策略代入到增广系统的贝尔曼方程，可以得到增广系统的李雅普诺夫方程：
Figure BDA0002491354400000082
其中策略改进步骤的更新公式
Figure BDA0002491354400000083
将
Figure BDA0002491354400000084
代入到李雅普诺夫方程中，即可得到增广系统的代数Riccati方程：
Figure BDA0002491354400000085
由于Lyapunov方程是非线性的，因此通常很难进行解析求解。进一步地，使用扩展的Kleinman算法离线迭代求解Lyapunov方程得到控制策略u，离线策略迭代算法分为两个步骤，在策略评估阶段评估控制策略，得到矩阵P，并基于矩阵P更新控制增益Ko。算法步骤如下：
步骤一：给定初始稳定的控制增益
Figure BDA0002491354400000086
和矩阵L0。
步骤二：通过增广系统的李雅普诺夫方程得到唯一的实对称正定解Pi：
Figure BDA0002491354400000091
步骤三：在策略迭代步骤中更新控制增益Ko和矩阵L：
Figure BDA0002491354400000092
Figure BDA0002491354400000093
步骤四：重复迭代步骤二和步骤三直到满足||Pi+1-Pi||≤ε即可得到最优控制策略，其中ε为极小的常数。
如图3所示，根据以上步骤可以得到光伏并网逆变器的输出反馈控制器，并且使用离线算法设计出最优控制策略u*，得到光伏并网逆变器的输出电压vo完美跟踪上参考市网正弦电压yr。
S3：由于离线策略迭代算法需要全部动力学参数，但是对于部分模型未知的逆变器系统，该算法已不适用，因此使用基于值迭代的在线积分强化学习算法代替离线算法，仅需要部分参数即可使得逆变器系统的输出电压完美跟踪上参考市网正弦电压。
相比于离线策略迭代算法，值迭代算法不需要初始稳定的控制策略，并且积分强化学习算法只需要部分动力学信息，利用状态数据进行交互，即可实现与离线算法同样的效果。
如图4所示，基于值迭代的在线积分强化学习算法具体步包括：
步骤一：给定任意的初始控制增益
Figure BDA0002491354400000094
矩阵L0和矩阵P0。
步骤二：通过使用积分强化学习贝尔曼方程进行值函数更新，代替离线算法中的李雅普诺夫方程，不需要全部动力学参数即可得到矩阵P。积分强化学习贝尔曼方程表示如下：
Figure BDA0002491354400000095
步骤三：在策略迭代步骤中更新控制增益Ko和矩阵L：
Figure BDA0002491354400000101
Figure BDA0002491354400000102
步骤四：重复迭代步骤二和步骤三直到满足||Pi+1-Pi||≤ε即可得到最优控制策略，其中ε为极小的常数。
上述的积分强化学习算法通过使用步骤二中的积分强化学习贝尔曼方程可代替离线策略迭代算法中的李雅普诺夫方程，进一步地，使用最小二乘方法求解积分强化学习贝尔曼方程的步骤：
首先将X(t)TPi+1X(t)进行线性参数化，并表示为
Figure BDA0002491354400000103
Figure BDA0002491354400000104
表示一组列向量：
Figure BDA0002491354400000105
其中，
Figure BDA0002491354400000106
表示矩阵Pi+1中第j行第k列的元素，j,k＝1,…,l，l＝n+nr。
Figure BDA0002491354400000107
定义为由Kronecker乘积形成的二次基集，并表示为：
Figure BDA0002491354400000108
并且将贝尔曼方程的右侧的积分项和二次型项分别表示为：
Figure BDA0002491354400000109
Figure BDA00024913544000001010
基于上面的等式转换，贝尔曼方程可以转化为：
Figure BDA00024913544000001011
根据上式可知，
Figure BDA00024913544000001012
可在一些持续激励条件下，使用最小二乘方法唯一确定，因此，为了满足持续激励条件，每次在求解矩阵P前需要收集
Figure BDA00024913544000001013
个状态数据
Figure BDA00024913544000001014
因此上式方程可以转化为：
Figure BDA0002491354400000111
其中
Figure BDA0002491354400000112
Figure BDA0002491354400000113
Figure BDA0002491354400000114
根据上式可知，
Figure BDA0002491354400000115
表示的是当前策略下未知向量Pi+1的第i+1次估计，根据向量
Figure BDA0002491354400000116
即可获得矩阵Pi+1，那么基于矩阵Pi+1，控制增益
Figure BDA0002491354400000117
和矩阵Li+1可在策略改进步骤中进行更新，并在随后的下一次迭代中对其进行评估。
S4：在积分强化学习算法的步骤中可知，在求解积分强化学习贝尔曼方程得到矩阵P时，需要收集状态样本数据，但是传统的状态观测器需要系统的全部动态，因此为了在不依赖状态信息的情况下实现该算法，使用基于神经网络的自适应状态观测器收集积分强化学习算法所需要的状态数据，自适应状态观测器模型具体公式为：
Figure BDA0002491354400000118
Figure BDA0002491354400000119
其中
Figure BDA00024913544000001110
和
Figure BDA00024913544000001111
分别是观测器的状态变量和输出变量，g是为观测器的增益矩阵，满足Am-gC为Hurwitz矩阵，
Figure BDA00024913544000001112
表示为权重，
Figure BDA00024913544000001113
是被选为S形函数的激活函数。
Figure BDA00024913544000001114
激活函数表示为：
Figure BDA00024913544000001115
其中
Figure BDA00024913544000001116
权重
Figure BDA00024913544000001117
表示为：
Figure BDA00024913544000001118
其中
Figure BDA00024913544000001119
Ac＝Am-gC，η和ρ都是学习率。
如图5所示，给出了IRL算法学习过程中使用基于神经网络的自适应观察器的方案，通过状态观测器估计的状态将用于整个积分强化学习算法中，直到得到最优输出反馈控制策略，最后将输出反馈控制策略应用于连续时间线性系统中，并且不再需要状态观察器。
如图6所示，本实施例通过状态观测器与积分强化学习结合，得到在线算法求解逆变器系统的电压跟踪问题，达到了仅使用部分参数即可使得逆变器系统的输出电压vo完美跟踪上参考市网正弦电压yr的效果；本实施例采用值迭代技术求解积分强化学习贝尔曼方程，相比于离线算法中策略迭代技术要求初始控制策略必须稳定的弊端，值迭代技术放松了初始控制策略的条件，适用范围更为广泛。
本实施例还提供一种光伏并网逆变器系统的电压跟踪控制系统，包括：
光伏并网逆变器线性时不变系统模型构建模块、增广系统构建模块、增广系统调节问题求解模块和基于神经网络的自适应状态观测器；
在本实施例中，光伏并网逆变器线性时不变系统模型构建模块用于将光伏并网逆变器输出电压和滤波电感的电流作为控制量，建立光伏并网逆变器线性时不变系统模型；
在本实施例中，增广系统构建模块用于将光伏并网逆变器系统和参考市网电压系统的状态变量进行重构，建立增广系统；
在本实施例中，增广系统调节问题求解模块用于采用输出反馈控制策略及基于值迭代的在线积分强化学习算法，求解增广系统的调节问题；
在本实施例中，基于神经网络的自适应状态观测器用于收集积分强化学习算法所需要的状态数据。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (4)

1.一种光伏并网逆变器系统的电压跟踪控制方法，其特征在于，包括下述步骤：
以光伏并网逆变器输出电压和滤波电感的电流为控制量，建立光伏并网逆变器线性时不变系统模型；
将光伏并网逆变器系统和参考市网电压系统的状态变量进行重构，建立增广系统；
所述参考市网电压系统表示为：
Figure FDA0003442838910000011
yr＝Gxr
Figure FDA0003442838910000012
G＝[1 0]
其中，
Figure FDA0003442838910000013
表示状态变量，
Figure FDA0003442838910000014
表示参考市网电压，F和G分别表示参考市网电压系统的状态矩阵和输出矩阵，f表示参考正弦电压的频率；
所述建立增广系统，具体表示为：
Figure FDA0003442838910000015
Figure FDA0003442838910000016
Figure FDA0003442838910000017
其中，A、B、C分别表示光伏并网逆变器系统的状态矩阵、输入矩阵和输出矩阵；x∈Rn×1表示为光伏并网逆变器系统的状态变量，u∈Rm×1表示光伏并网逆变器系统的控制输入变量，y∈Rp×1表示光伏并网逆变器系统的输出变量；
采用输出反馈控制策略及基于值迭代的在线积分强化学习算法求解增广系统的调节问题，具体步骤包括：
S1：给定任意的初始控制增益
Figure FDA0003442838910000021
矩阵L0和矩阵P0；
S2：通过使用积分强化学习贝尔曼方程进行值函数更新，积分强化学习贝尔曼方程表示如下：
Figure FDA0003442838910000022
C0＝[C -G]
γ表示折扣因子；
S3：在策略迭代中更新控制增益Ko和矩阵L：
Figure FDA0003442838910000023
Figure FDA0003442838910000024
S4：重复迭代步骤S2和步骤S3，直到满足||Pi+1-Pi||≤ε停止迭代，得到最优控制策略，其中，ε为设定的常数值；
采用基于神经网络的自适应状态观测器收集积分强化学习算法所需要的状态数据。
2.根据权利要求1所述的光伏并网逆变器系统的电压跟踪控制方法，其特征在于，所述建立光伏并网逆变器线性时不变系统模型，具体表示为：
Figure FDA0003442838910000025
y＝Cx
Figure FDA0003442838910000026
C＝[1 0]
Figure FDA0003442838910000031
其中，x∈Rn×1表示为光伏并网逆变器系统的状态变量，u∈Rm×1表示光伏并网逆变器系统的控制输入变量，y∈Rp×1表示光伏并网逆变器系统的输出变量，A、B、C分别表示光伏并网逆变器系统的状态矩阵、输入矩阵和输出矩阵，Cf和Lf分别表示滤波电容和滤波电感，Ro表示电网的电阻值，r表示电感电阻，Vs表示光伏并网逆变器系统的直流电压，vo表示光伏并网逆变器输出电压，iL表示滤波电感的电流。
3.根据权利要求1所述的光伏并网逆变器系统的电压跟踪控制方法，其特征在于，所述自适应状态观测器具体表示为：
Figure FDA0003442838910000032
Figure FDA0003442838910000033
其中，
Figure FDA0003442838910000034
和
Figure FDA0003442838910000035
分别表示自适应状态观测器的状态变量和输出变量，g表示为观测器的增益矩阵，满足Am-gC为Hurwitz矩阵，
Figure FDA0003442838910000036
表示权重，
Figure FDA0003442838910000037
表示被选为S形函数的激活函数；
Figure FDA0003442838910000038
激活函数表示为：
Figure FDA0003442838910000039
其中
Figure FDA00034428389100000310
更新权重
Figure FDA00034428389100000311
表示为：
Figure FDA00034428389100000312
其中，
Figure FDA00034428389100000313
Ac＝Am-gC，η和ρ都表示学习率。
4.一种光伏并网逆变器系统的电压跟踪控制系统，用于实现上述权利要求1-3任一项所述的光伏并网逆变器系统的电压跟踪控制方法，其特征在于，包括：
光伏并网逆变器线性时不变系统模型构建模块、增广系统构建模块、增广系统调节问题求解模块和基于神经网络的自适应状态观测器；
所述光伏并网逆变器线性时不变系统模型构建模块用于将光伏并网逆变器输出电压和滤波电感的电流作为控制量，建立光伏并网逆变器线性时不变系统模型；
所述增广系统构建模块用于将光伏并网逆变器系统和参考市网电压系统的状态变量进行重构，建立增广系统；
所述增广系统调节问题求解模块用于采用输出反馈控制策略及基于值迭代的在线积分强化学习算法，求解增广系统的调节问题；
所述基于神经网络的自适应状态观测器用于收集积分强化学习算法所需要的状态数据。
CN202010406097.1A 2020-05-14 2020-05-14 一种光伏并网逆变器系统的电压跟踪控制方法与系统 Active CN111654056B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010406097.1A CN111654056B (zh) 2020-05-14 2020-05-14 一种光伏并网逆变器系统的电压跟踪控制方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010406097.1A CN111654056B (zh) 2020-05-14 2020-05-14 一种光伏并网逆变器系统的电压跟踪控制方法与系统

Publications (2)

Publication Number Publication Date
CN111654056A CN111654056A (zh) 2020-09-11
CN111654056B true CN111654056B (zh) 2022-03-29

Family

ID=72349245

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010406097.1A Active CN111654056B (zh) 2020-05-14 2020-05-14 一种光伏并网逆变器系统的电压跟踪控制方法与系统

Country Status (1)

Country Link
CN (1) CN111654056B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114296345B (zh) * 2021-12-14 2024-04-16 国网湖北省电力有限公司电力科学研究院 一种电能多端口低压交流混合H2/Hinf优化控制方法
CN118017519B (zh) * 2024-01-22 2024-08-20 中国矿业大学 基于无模型积分强化学习算法的离网逆变器电压控制方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109802591A (zh) * 2019-03-08 2019-05-24 安徽大学 一种基于优化的三相并网逆变器可靠跟踪控制方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109802591A (zh) * 2019-03-08 2019-05-24 安徽大学 一种基于优化的三相并网逆变器可靠跟踪控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Adaptive optimal output feedback tracking control for unknown discrete-time linear systems using a combined reinforcement Q-learning and internal model method;Weijie Sun等;《IET Control Theory and Applications》;20191217;第3075-3086页 *
基于学习的鲁棒自适应评判控制研究进展;王鼎;《自动化学报》;20190630;第45卷(第6期);第1031-1043页 *

Also Published As

Publication number Publication date
CN111654056A (zh) 2020-09-11

Similar Documents

Publication Publication Date Title
Khooban et al. A novel deep reinforcement learning controller based type-II fuzzy system: Frequency regulation in microgrids
Xu et al. An offset-free composite model predictive control strategy for DC/DC buck converter feeding constant power loads
Yeganeh et al. Intelligent secondary control of islanded AC microgrids: A brain emotional learning-based approach
CN111654056B (zh) 一种光伏并网逆变器系统的电压跟踪控制方法与系统
CN113285481B (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
CN110149066A (zh) 一种基于模型控制预测的mmc桥臂电流控制方法及系统
Roy et al. Nonlinear backstepping controller design for improving fault ride through capabilities of DFIG-based wind farms
CN112383237A (zh) 一种并网逆变器的模型预测控制方法
Jin et al. Power-heat coordinated control of multiple energy system for off-grid energy supply using multi-timescale distributed predictive control
CN113359938B (zh) 一种基于非奇异快速终端滑模控制的光伏系统最大功率点跟踪方法
CN110829406A (zh) 一种基于哈密顿观测器的直流微电网母线电压控制方法
Kumar et al. Modified synchronous reference frame control of solar photovoltaic-based microgrid for power quality improvement
CN115481856A (zh) 考虑综合需求响应的综合能源系统多尺度调度方法及系统
CN112531715A (zh) 基于虚拟电阻的下垂控制多端直流微电网潮流计算方法
Su et al. Adaptive Robust SMC‐Based AGC Auxiliary Service Control for ESS‐Integrated PV/Wind Station
CN117791615A (zh) 一种高中压配电网分布式电压优化控制方法及系统
Liu et al. Discrete‐Time Optimal Control of Photovoltaic Grid‐Connected Inverter Based on Particle Swarm Optimization
CN115940683A (zh) 一种基于改进滑模控制的光伏并网逆变器控制方法
Rana et al. A robust adaptive inverse hyperbolic sine function (RA-IHSF)-based controlled solar PV grid integrated system
CN113422396A (zh) 用于光伏电站无功补偿时逆变器与svg配合的方法及装置
Ahmed et al. Fuzzy Based Active Filter For Power Quality Mitigation
CN117039977B (zh) 一种基于预测控制条件下的模糊超螺旋滑模观测器电感辨识方法
CN117833248B (zh) 一种t型三电平并联有源电力滤波器无模型预测控制方法
CN110059897A (zh) 基于混合整数pso算法的有源配电网日内滚动优化方法
Zhou et al. Active disturbance rejection control of load-side converter for photovoltaic microgrid based on fuzzy theory

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
GR01 Patent grant
GR01 Patent grant