CN112383237B - 一种并网逆变器的模型预测控制方法 - Google Patents

一种并网逆变器的模型预测控制方法 Download PDF

Info

Publication number
CN112383237B
CN112383237B CN202011075046.1A CN202011075046A CN112383237B CN 112383237 B CN112383237 B CN 112383237B CN 202011075046 A CN202011075046 A CN 202011075046A CN 112383237 B CN112383237 B CN 112383237B
Authority
CN
China
Prior art keywords
inverter
current
voltage
cost function
value
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
CN202011075046.1A
Other languages
English (en)
Other versions
CN112383237A (zh
Inventor
黄景涛
任兆文
弓少康
程相超
杨清
邱联奎
宋书中
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.)
Henan University of Science and Technology
Original Assignee
Henan University of Science and Technology
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 Henan University of Science and Technology filed Critical Henan University of Science and Technology
Priority to CN202011075046.1A priority Critical patent/CN112383237B/zh
Publication of CN112383237A publication Critical patent/CN112383237A/zh
Application granted granted Critical
Publication of CN112383237B publication Critical patent/CN112383237B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • H02M7/44—Conversion of dc power input into ac power output without possibility of reversal by static converters
    • H02M7/48—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode
    • H02M7/483—Converters with outputs that each can have more than two voltages levels
    • H02M7/487—Neutral point clamped inverters
    • 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
    • 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
    • H02M7/44—Conversion of dc power input into ac power output without possibility of reversal by static converters
    • H02M7/48—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode
    • H02M7/53—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode using devices of a triode or transistor type requiring continuous application of a control signal
    • H02M7/537—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode using devices of a triode or transistor type requiring continuous application of a control signal using semiconductor devices only, e.g. single switched pulse inverters
    • H02M7/5387—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode using devices of a triode or transistor type requiring continuous application of a control signal using semiconductor devices only, e.g. single switched pulse inverters in a bridge configuration
    • H02M7/53871—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode using devices of a triode or transistor type requiring continuous application of a control signal using semiconductor devices only, e.g. single switched pulse inverters in a bridge configuration with automatic control of output voltage or current
    • 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
    • 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
    • H02M1/0009—Devices or circuits for detecting current in a converter
    • 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)

Abstract

本发明涉及一种并网逆变器的模型预测控制方法，属于交流‑直流变换技术领域，本发明的控制方法，能够当逆变器工作环境变化时，根据具体需求对控制目标(入网电流、直流母线电压)的重要性进行重新分配，实时分配代价函数的各权重因子，调节控制目标的控制程度，使最终选择的开关状态组合更为合理，实现重要性更强的控制目标的快速调节，可靠性高，能够提高逆变器在不同环境下稳定工作的适应能力，控制入网电流、直流母线电压的灵活性较强，系统工作稳定。本发明的控制方法尤其适合可再生能源发电场合，应用前景较好。

Description

一种并网逆变器的模型预测控制方法
技术领域
本发明属于交流-直流变换技术领域，具体涉及一种并网逆变器的模型预测控制方法。
背景技术
近年来，诸如光伏等可再生能源分布式发电技术受到越来越多得关注，分布式发电系统中每个发电单元通过整流器、逆变器、滤波器在公共耦合点(PCC)处并入电网。然而，可再生能源发电系统存在许多不足，例如太阳能、风能等能源随机性大，波动性强，无法提供稳定的能源，会对逆变器的直流母线稳定造成影响；另外，当电网出现弱电网特性时，逆变器的交流侧工作情况变得复杂，也影响入网电流稳定输出。
为了解决上述问题，现有技术中一般采用有限控制集模型预测控制(FiniteControl Set-MPC,FCS-MPC)方法，通过设定代价函数，选取一组开关状态集合，对逆变器进行控制，实现对直流母线电压和入网电流的稳定性控制。由于代价函数中的权重函数一般为人为设定，且设定后固定不变，代价函数只会在特定的工作环境下发挥最好的工作性能，实现直流母线电压和入网电流的控制。
例如，当设计代价函数时，如果将逆变器输出的入网电流为主要控制目标，因此该项权重因子较大，对于其他目标例如直流母线中点电压平衡则作为次要目标，权重因子相对较小。但是，当在某个时间段，逆变器工作环境发生变化，变化为直流母线中点电压发生较大偏移，而此处入网电流比较稳定，偏移较小或无偏移，按照上述的控制方法，仍是以控制入网电流为主，而直流母线中点电压却得不到很好的调节，控制效果不佳，影响系统工作的稳定性。
同理，若以直流母线中点电压平衡为主要控制目标，以逆变器输出入网电流为次要控制目标，当电网侧出现扰动时，还仍以控制直流母线中点电压平衡为主，无法快速、有效的调节入网电流，控制效果不佳，影响系统的工作稳定性。
发明内容
本发明的目的是提供一种并网逆变器的模型预测控制方法，用于解决现有方法控制并网逆变器的效果不佳，以及影响系统工作稳定性的问题。
基于上述目的，一种并网逆变器的模型预测控制方法的技术方案如下：
1)获取当前时刻逆变器输出的入网电流ig，利用ig和设定的入网电流预测模型，在逆变器的各个开关状态组合下，确定下一时刻入网电流预测值ig(k+1)；所述的入网电流预测模型通过ig、ig(k+1)与逆变器的输出电压ui之间的关系得到，所述逆变器的输出电压由逆变器的开关状态组合决定，逆变器的各个开关状态组合从预先设定的控制集中选择；
2)获取当前时刻逆变器输入端的直流母线中点电压uz，利用uz和设定的直流母线中点电压预测模型，在逆变器的各个开关状态组合下，确定下一时刻的直流母线中点电压预测值uz(k+1)；所述的直流母线中点电压预测模型通过uz与uz(k+1)之间的关系得到；
3)将步骤1)中各个开关状态组合下求得的ig(k+1)，和步骤2)中各个开关状态组合下求得的uz(k+1)，代入预设的代价函数中，得到N个代价函数值，其中N为逆变器中开关状态组合的数量，比较代价函数值的大小，优选出一组开关状态组合，以控制逆变器中的开关；
所述的代价函数包括功率控制代价函数和直流母线中点电压控制代价函数，所述功率控制代价函数包括入网电流预测值ig(k+1)和设置的第一权重因子；所述直流母线中点电压控制代价函数包括直流母线中点电压预测值uz(k+1)和设置的第二权重因子；
当接收到优化指令时，利用遗传算法确定一组最优的第一权重因子和第二权重因子，步骤如下：
(1)随机生成初始种群，种群中的每个个体均包括第一权重因子和第二权重因子的信息，对种群进行编码；
(2)计算种群的适应度函数，该适应度函数为所述代价函数的倒数，确定每次迭代的最优适应度函数值；选择最优个体保留，其余个体进行交叉、变异操作；重复本步骤直到达到设定迭代次数；
(3)将每次迭代保留的最优适应度函数值求倒数，再求得平均值fm，将平均值fm与设定的代价函数值gm作比较，若gm>fm，则将寻优得到的第一权重因子和第二权重因子代入代价函数中；若gm≤fm，则不更新第一权重因子和第二权重因子。
上述技术方案的有益效果是：
本发明的控制方法，能够当逆变器工作环境变化时，利用遗传算法，对控制目标(入网电流、直流母线电压)的重要性进行重新分配，实时分配代价函数的各权重因子，调节控制目标的控制程度，使最终选择的开关状态组合更为合理，实现重要性更强的控制目标的快速调节，可靠性高，能够提高逆变器在不同环境下稳定工作的适应能力，控制的灵活性较强，系统工作稳定。本发明的控制方法尤其适合可再生能源发电场合，应用前景较好。
进一步的，所述的直流母线中点电压控制代价函数为：
Figure GDA0003001579190000021
其中，gc为直流母线中点电压控制代价函数值，ξ为第二权重因子，uze＝uz(k+1)，
Figure GDA0003001579190000031
hp为惩罚项，
Figure GDA0003001579190000032
Figure GDA0003001579190000033
为uz的导数，用来表征uz的变化率，通过欧拉后向公式求得，即
Figure GDA0003001579190000034
进一步的，所述的功率控制代价函数为：
Figure GDA0003001579190000035
式中，ga为功率控制代价函数值，ie表示入网电流预测值ig(k+1)与设定给定值的偏差，Λ为权重矩阵，用于表示第一权重因子。
进一步的，所述代价函数值gm的设定方法为：根据当前时刻之前的一段时间内采用若干个开关状态组合下的历史代价函数值，求取历史代价函数值的平均值，得到代价函数值gm。
进一步的，所述的入网电流预测模型为：
xdq(k+1)＝ADxdq(k)+BDudq(k)
式中，xdq(k+1)用于表示k+1时刻的状态空间变量，包括：电感电流预测值iL(k+1)、入网电流预测值ig(k+1)、电容电压预测值uf(k+1)，k表示当前采样时刻，AD、BD为与逆变器拓扑结构有关的参数，xdq(k)用于表示k时刻的状态空间变量，udq(k)用于表示k时刻在当前开关状态组合下逆变器的输出电压uidq(k)的虚拟矢量以及电网电压虚拟矢量ugdq(k)。
进一步的，逆变器的输出电压ui的虚拟矢量根据逆变器的开关状态提前设定储存在控制器中，入网电流ig的虚拟矢量是将入网电流ig进行电流补偿后再经过二阶广义积分器处理得到的；
所述进行电流补偿的过程为：获取逆变器并网的公共耦合点电压ug，经过二阶广义积分器处理，得到公共耦合点电压ug的虚拟矢量，分离出公共耦合点电压ug的虚拟矢量的高频分量ugh，将该高频分量ugh乘以设定阻尼系数，得到电流补偿量icom，将入网电流ig减去所述电流补偿量icom。
通过对入网电流进行补偿，实现了并网电压畸变的抑制。
进一步的，所述的直流母线中点电压预测模型为：
uz(k+1)＝up(k+1)-un(k+1)
Figure GDA0003001579190000041
式中，up(k+1)、un(k+1)为k+1时刻下逆变器的直流母线上并联的正极母线电容电压预测值、负极母线电容电压预测值，uz(k+1)为k+1时刻的直流母线中点电压预测值，Ts为采样周期，mp＝1/C1，mn＝1/C2，C1、C2为正极母线电容值、负极母线电容值，ic1(k)为k时刻正极母线电容C1上的电流，ic2(k)为k时刻负极母线电容C2上的电流；up(k)、un(k)为k时刻的正极母线电容电压、负极母线电容电压。
附图说明
图1是本发明实施例中的逆变器应用至可再生能源并网发电系统的拓扑结构图；
图2是本发明实施例中的模型预测控制框图；
图3是本发明实施例中的模型预测控制方法流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的说明。
如图1所示的单相NPC逆变器，该逆变器主要由FCS-MPC控制器进行模型预测控制，生成开关状态控制信号Sa1～Sb4，通过驱动模块生成驱动信号，实现对逆变器的入网电流和直流母线中点电压平衡的最优控制，图1中的GA控制器用于根据FCS-MPC控制器发送的历史信息，采用遗传算法，确定模型预测控制的代价函数中需要的权重因子。因此，FCS-MPC控制器和GA控制器相配合，共同实现即将阐述的单相NPC逆变器的模型预测控制方法。
图2所示的逻辑框图，该方法的实现思路是：
首先是建立逆变器的交流入网电流预测模型和直流母线中点电压预测模型，采集当前时刻逆变器中相关的电压、电流值，代入交流入网电流预测模型和直流母线中点电压预测模型中，获取逆变器的开关状态组合的控制集合(集合中存在N组开关状态组合，N>2)，将控制集合中每一开关状态组合下求得的下一时刻入网电流预测值和直流母线中点电压预测值，代入预设的代价函数中，比较N个代价函数值的大小，根据代价函数值优选出一组开关状态组合，以控制逆变器中的开关。
其中，预设的代价函数包括两部分，分别为功率控制代价函数和直流母线中点电压控制代价函数，其中功率控制代价函数根据求得的入网电流预测值和对应的权重因子决定，直流母线中点电压控制代价函数由求得的直流母线中点电压预测值和对应的权重因子决定，而这些权重因子均利用遗传算法确定，相当于对应N组开关状态组合的N个代价函数中，为每一组开关状态组合匹配一组合适的权重因子，以实现对逆变器的入网电流和直流母线中点电压平衡的最优控制。
具体的，如图3所示，本实施例的单相NPC逆变器的模型预测控制方法如下：
步骤1)，获取逆变器的桥臂侧滤波电感L的电流iL，滤波电容Cf上的电压uf，入网电流ig和公共耦合点(PCC)电压ug，以及获取正极母线电容C1和负极母线电容C2上的电压up和un。这些值均可通过图1中的交流电压电流采样电路和直流电压采样电路采集获得。
步骤2)将步骤1)中采集的当前时刻电压和电流值，代入设定的控制器预测模型，能够得到在逆变器的不同开关状态组合下的下一时刻iL、ig、直流母线中点电压uz的预测值。
具体的，设定的控制器预测模型包括入网电流预测模型和直流母线中点电压预测模型，下面分别阐述各模型的具体构成：
(一)入网电流预测模型(AC-MP)
首先，构建虚拟矢量，需要构建虚拟矢量的对象包括逆变器的输出电压ui，PCC电压ug，逆变器侧滤波电感的电流iL，滤波电容上的电压uf，以及入网电流ig。具体构建过程如下：
设定一个二阶广义积分(SOGI)传递函数，SOGI传递函数(也称二阶广义积分器)为：
Figure GDA0003001579190000051
其中，kd为SOGI阻尼系数，ω为角频率，D(s)为构建的与原信号相角相差π/2的正交信号，H(s)为构建的与原信号同相位的信号，且SOGI在ω附近增益为1，对其他角频率处均有滤波作用。
根据步骤1)中获取的电压电流值，设逆变器的当前时刻状态变量为xa＝(iL,uf,ig)T，则经过SOGI传递函数后，构建的虚拟矢量x(包括iLαβ、ufαβ、igαβ)可表示为：
Figure GDA0003001579190000052
定义单相NPC三电平逆变器模型的开关状态Sa1、Sa2、Sb1、Sb2，且
Figure GDA0003001579190000053
Figure GDA0003001579190000054
根据上面定义的开关状态以及单相NPC逆变器工作要求，可用的开关状态组合有9个(即N＝9)。设逆变器的两个桥臂中点电压为uab，则每个有效开关状态均对应一个uab的值，根据uab的变化规律，就可以构建9个不同的虚拟电压矢量ui，其对应关系如表1所示。
表1：开关状态组合的控制集
Figure GDA0003001579190000061
设上面虚拟电压矢量ui的控制集合为D，其中v＝Udc。根据表1可得ui的电压矢量形式为uiαβ＝(real(ui),imag(ui))，其中real(ui)为ui的实部，即uab，imag(ui)为ui的虚部。与构建状态变量xa的虚拟矢量x的原理相似，建立ug的虚拟矢量ugαβ，并设u＝(uiαβ,ugαβ)T。
上面得到的虚拟矢量x和u经过Park变换后得到dq轴上的状态变量xdq和udq，分别为：
Figure GDA0003001579190000062
建立如下的逆变器状态空间模型：
Figure GDA0003001579190000063
其中
Figure GDA0003001579190000064
C＝(1 1 0)，其中
Figure GDA0003001579190000065
Figure GDA0003001579190000066
mL＝1/L,mg＝1/L2,mf＝1/Cf。
将式(3)通过欧拉前向公式离散化，可得如下的入网电流预测模型(AC-MP)：
Figure GDA0003001579190000067
其中，xdq(k+1)表示k+1时刻电感电流预测值iL(k+1)、入网电流预测值ig(k+1)、电容电压预测值uf(k+1)，xdq(k)表示k时刻电感电流iL、电容电压uf、入网电流ig的虚拟矢量，udq(k)表示k时刻在当前开关状态下逆变器的输出电压ui，以及公共耦合点电压ug的虚拟矢量，
Figure GDA0003001579190000071
CD＝C，Ts为采样周期，k表示当前采样时刻。设ie＝y(k+1)-y*(k+1)，其中y*(k+1)为输出给定值，即
Figure GDA0003001579190000072
y(k+1)为下一时刻(k+1时刻)逆变器输出电流在dq轴上的预测值iLdq、入网电流在dq轴上的预测值igdq。
上面输出给定值y*(k+1)的确定过程如下：
第二控制器(701)从能量管理系统(8)处获得入网有功功率和无功功率给定值P*，Q*；并根据上面滤波电容电压的dq轴分量在下一时刻的预测值ufd(k+1)、ufq(k+1)，计算滤波电容消耗无功功率为：
Figure GDA0003001579190000073
式中，Qc为滤波电容消耗的无功功率，Cf为滤波电容值。
根据上面得到的Qc，以及入网有功功率和无功功率给定值P*、Q*，计算逆变器的桥臂侧输出功率给定值为：
Figure GDA0003001579190000074
式中，PL *为桥臂侧输出有功功率给定值，QL *为桥臂侧输出无功功率给定值。
则输出给定值y*(k+1)可通过下式求得：
Figure GDA0003001579190000075
其中，公式左边即为输出给定值y*(k+1)。
(二)直流母线中点电压预测模型(DC-MP)
根据逆变器的交流侧桥臂电流iL，结合逆变器模型的开关状态组合Sa1、Sa2、Sb1、Sb2，计算出直流侧直流母线电流ip、in，计算公式如下：
Figure GDA0003001579190000076
则母线电容电流为：
Figure GDA0003001579190000077
式中，ic1为正极母线电容C1上的电流，ic2为负极母线电容C2上的电流。
正极母线电容电压up、负极母线电容电流un可用动态方程可表示为：
Figure GDA0003001579190000081
其中mp＝1/C1，mn＝1/C2，令C1＝C2＝C，则mp＝mn。同样将式(15)离散化后可得直流母线预测模型(DC-MP)，表达式如下：
Figure GDA0003001579190000082
设直流母线中点电压uz＝(up-un)，即图1中的Udc，其中up、un为由图1中的直流电压采样电路采集获得，结合公式(16)，则可得直流母线中点电压预测模型为：
uz(k+1)＝Tsmpin(k)+uz(k) (12)
式中，uz(k+1)为下一时刻的直流母线中点电压预测值，记uze＝uz(k+1)。
步骤3)将步骤2)中得到的iL、ig、uz的预测值代入设定的代价函数中，进行代价函数寻优，每一组开关状态对应一组的预测值均可求得一个代价函数值g，选择代价函数值最小的那一组开关状态作为下一时刻的控制量。
具体的，设定的代价函数包括两部分，根据不同控制目标，包括功率控制代价函数和直流母线中点电压控制代价函数，其中，功率控制代价函数的表达式如下：
Figure GDA0003001579190000083
其中，ga为功率控制代价函数值，Λ为权重矩阵，Λ＝diag(λ1，λ2，λ3，λ4)；其中，权重因子λ1和λ2表示逆变器输出电流在d轴和q轴上的预测值的控制程度，权重因子λ3和λ4表示入网电流在d轴和q轴上的预测值的控制程度，λ1～λ4均根据遗传算法确定。
直流母线中点电压控制代价函数为：
Figure GDA0003001579190000084
其中，gc为直流母线中点电压控制代价函数值，
Figure GDA0003001579190000085
hp为惩罚项，
Figure GDA0003001579190000086
Figure GDA0003001579190000087
为uz的导数，用来表征uz的变化率，在控制器中可通过欧拉后向公式求得，即
Figure GDA0003001579190000091
通常情况下，控制器只关心uze是否为0，因此代价函数仅为
Figure GDA0003001579190000092
目标是控制uze最小即可。实际工作环境下，逆变器只会输出每个虚拟矢量实部的电压，根据表1中ui的实部可得，部分不同的开关状态可输出相同的电压，如(0,1,0,0)和(1,1,0,1)，他们的输出效果是等效的；但是在保证交流测电流输出不变的情况下直流母线电流方向相反，因此控制器可以灵活使用两个等效开关状态调节直流母线电压不发生偏移。但是当控制器中引入虚拟矢量后，各个开关状态之间相互独立，控制集中不再含有等效开关状态，因此需要在gc中加入直流母线变化率的有关信息和惩罚项hp来抵消虚拟矢量对控制策略的影响。
本发明中的gc在直流母线中点电压不在平衡点时，即uze≠0的情况下，通过计算
Figure GDA0003001579190000093
来判断uze的变化趋势，若uze会进一步偏离平衡点，即
Figure GDA0003001579190000094
时，利用hp阻值控制器选择该开关状态，即使该状态会使电流输出最优；当直流母线中点电压在平衡点上或在附近波动时，即uze＝0或
Figure GDA0003001579190000095
的情况下，gc无需对开关状态进行额外的惩罚，控制器可正常寻优。
因此，结合式(13)和式(14)，能够确定的总代价函数为：
g＝ga+ξgc (15)
其中，g为总代价函数，由于ga和gc量纲不同，因此再添加一个权重因子ξ，该值也是根据遗传算法(GA)确定的。作为其他实施方式，还可以将设置的权重因子ξ作为直流母线中点电压控制代价函数的一部分，叠加到该代价函数中，即
Figure GDA0003001579190000096
最终的总代价函数表达式不变。
FCS-MPC控制器首先遍历控制集D中每个开关状态组合，分别利用预测模型计算出相对应的电流预测值(包括入网电流预测值和逆变器输出电流预测值)和直流母线中点电压预测值，随后进行代价函数寻优，每组预测值均可求得一个代价函数值g，本实施例中能够得到9个代价函数值g，最后，FCS-MPC控制器在9个代价函数值中，选择令g值最小的预测值所对应的开关状态作为下一个时刻的控制量输出，即
Figure GDA0003001579190000097
其中，S(k+1)为下一个时刻的控制量输出，D表示控制集合。
在每个代价函数的计算过程中，利用GA控制器，采用遗传算法，对上面5个权重因子进行寻优，具体过程如下：
①首先，随机生成初始种群，每个种群包含20个个体，用Xi(i＝1,2,…20)表示每个个体都包含5个权重因子(λ1，λ2，λ3，λ4，ξ)的信息，并对种群进行编码。根据控制器设计经验，设定权重因子取值范围，如表2所示，表中个参数的最大值和最小值也可根据实际工况进行调整。
表2，权重因子取值范围
Figure GDA0003001579190000101
运算精度选取acc＝0.001，因此各参数编码长度为：
Figure GDA0003001579190000102
其中，Lbit为各参数编码长度，max为表2中各参数的最大值，min为表2中每个参数的最小值。
各个参数解码方式采用二进制编码，具体为：
Figure GDA0003001579190000103
其中，a为表2中的各个参数。
②然后进行适应度计算，适应度函数为总代价函数的倒数，即：
f＝g-1 (19)
其中，f为适应度函数。
③选择操作
具体的，采用轮盘赌算法进行选择操作，将所有个体按适应度放在同一个圆盘中，按照随机选取的方法在其中选取一点，判断是哪一个个体。其中适应度比较大被选取的可能性比较大，但是也有可能选取到适应度比较差的，这就避免了局部最优的缺点，在选择操作方法中具有容易实施，效果好的特点。在选取之后，将最优个体保留下来，并且记录该个体对应的适应度fopt。每个个体被选中的概率为：
Figure GDA0003001579190000111
其中，Pperpopulationi为个体Xi被选择的概率，N为种群大小，f(Xi)为个体Xi的适应度函数值。
④交叉操作
具体的，将剩余个体进行交叉操作，交叉概率设为0.8，操作步骤为：
41)随机选取两个个体的染色体，在一点的概率下判断是否需要交叉互换；
42)如果需要交叉互换，随机选取一个交叉互换的点；
43)在交叉互换点地方开始，随机选取片段长度；
44)进行交叉互换，遗传到下一代。
⑤变异操作
具体的，根据设定的变异概率，随机选取一个个体的染色体，在这个染色体随机一点进行编码取反操作。每次迭代将上面的交叉和变异操作重复m次，保证可以的到足够多的新个体，随后进行迭代。
本步骤中，变异概率设为0.01，每代变异20次，一共迭代100代。
GA控制器完成整个寻优过程后，将每次迭代保留的最优适应度函数值求倒数，再求得平均值fm，计算式如下：
Figure GDA0003001579190000112
⑥将fm与设定的代价函数值gm作比较，若gm>fm，则代表FCS-MPC控制器使用该权重因子可获得更好的控制效果，因此将GA控制器的寻优结果(最优权重因子)代入代价函数中；若gm≤fm，则证明GA控制器迭代出的权重因子不如已有权重因子控制效果好，则放弃该优化结果，不更新权重因子，等待下一次优化指令。
本步骤中，代价函数值gm的设定方法为：获取逆变器的输出历史信息，即在当前时刻之前的一段时间内采用的若干个历史代价函数值，求取平均值，得到代价函数值gm。
本发明的模型预测控制方法实现的控制效果是：能够当逆变器工作环境变化时，根据具体需求对控制目标(入网电流、直流母线电压)的重要性进行重新分配，实时更新控制目标的权重因子，使逆变器始终工作在最优工作点。例如，当可再生能源发电系统(如光伏发电系统)所提供的功率出现波动，此时平衡逆变器的直流母线电压变得更为重要，其相对的权重因子应增大，因此经过本发明的控制方法求代价函数时，利用遗传算法，优选并调整各参数的权重因子。同理，当电网侧出现扰动，控制逆变器稳定输出变得更为重要，经过本发明的控制方法，将入网电流和逆变器输出电流的权重因子进行调整，较稳态工作时更大，同时调小直流母线电压的权重因子。
综上，本发明的模型预测控制方法，尤其适合可再生能源发电场合，能够随着工作环境变化，实时调整控制目标权重因子，提高了控制灵活性，提升了逆变器在不同环境下稳定工作的适应能力，尤其适合可再生能源发电场合。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换。
例如，本实施例中，为了抑制电网电压畸变，还可以加入电网电压畸变抑制策略，将ig的虚拟矢量igαβ作如下调整：
Figure GDA0003001579190000121
式中，icom为加入电网电压畸变抑制策略的入网电流补偿量，H(s)和D(s)均通过上面公式(1)获取。
之所以作出上述调整，其原因在于：如图1所示，根据电感Lg对PCC处电压的影响，得出逆变器两个桥臂中点电压uab(即输出电压)，与PCC处电压ug之间的关系，关系式如下：
Figure GDA0003001579190000122
其中，e为电网电压，式(23)显示出了uab对ug的影响，分母中也缺少阻尼项。当Lg变化时，uab中的高频谐波分量会在Lg上感应出高频电压，甚至可能出现谐振，从而使ug不再等于e。由于第二控制器中的参考值计算和交流预测模型需要用到ug采样值，畸变的ug使得第二控制器不能准确计算出控制量，从而影响逆变器输出，对系统安全工作造成威胁。
因此，需要加入电网电压畸变抑制策略，该方法具体实现过程如下：
在建立ug虚拟矢量时分离ug畸变分量ugh，即ugh＝ug-ugH(s)，再乘一个阻尼系数1/Rg，得到电流补偿量icom，在ig的采样值中减去icom，用来抑制电网畸变，因此加入电网电压畸变抑制策略后得到如公式(22)所示入网电流的虚拟矢量。
又如，本实施例中，由于逆变器通过LCL滤波器并入电网，入网电流的波动和逆变器输出电流的波动均会影响系统工作稳定性，因此，在功率控制代价函数中，除了考虑入网电流控制，还考虑了逆变器输出电流的控制，在设置权重因子时，通过设置权重因子λ1和λ2，表示对逆变器输出电流的控制程度，设置权重因子λ3和λ4，表示对入网电流的控制程度。
作为其他实施方式，若不考虑逆变器输出电流iL的波动影响，则在功率控制代价函数中将体现该电流的部分去掉，也无需设置权重因子，相应令λ1和λ2等于0即可，利用上面的遗传算法对权重因子λ3、λ4、ξ进行寻优即可。
又如，本发明的模型预测控制方法，不仅适用于图1中的NPC逆变器，同样适用于其他拓扑结构的逆变器，针对不同拓扑的逆变器，需要设定不同的开关状态控制集。
因此，未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (5)

1.一种并网逆变器的模型预测控制方法，其特征在于，包括以下步骤：
1)获取当前时刻逆变器输出的入网电流ig，利用ig和设定的入网电流预测模型，在逆变器的各个开关状态组合下，确定下一时刻入网电流预测值ig(k+1)；所述的入网电流预测模型通过ig、ig(k+1)与逆变器的输出电压ui之间的关系得到，所述逆变器的输出电压由逆变器的开关状态组合决定，逆变器的各个开关状态组合从预先设定的控制集中选择；
2)获取当前时刻逆变器输入端的直流母线中点电压uz，利用uz和设定的直流母线中点电压预测模型，在逆变器的各个开关状态组合下，确定下一时刻的直流母线中点电压预测值uz(k+1)；所述的直流母线中点电压预测模型通过uz与uz(k+1)之间的关系得到；
3)将步骤1)中各个开关状态组合下求得的ig(k+1)，和步骤2)中各个开关状态组合下求得的uz(k+1)，代入预设的代价函数中，得到N个代价函数值，其中N为逆变器中开关状态组合的数量，比较代价函数值的大小，选出一组令代价函数值最小的开关状态组合，以控制逆变器中的开关；
所述的代价函数包括功率控制代价函数和直流母线中点电压控制代价函数，所述功率控制代价函数包括入网电流预测值ig(k+1)和设置的第一权重因子；所述直流母线中点电压控制代价函数包括直流母线中点电压预测值uz(k+1)和设置的第二权重因子；
当接收到优化指令时，利用遗传算法确定一组最优的第一权重因子和第二权重因子，步骤如下：
(1)随机生成初始种群，种群中的每个个体均包括第一权重因子和第二权重因子的信息，对种群进行编码；
(2)计算种群的适应度函数，该适应度函数为所述代价函数的倒数，确定每次迭代的最优适应度函数值；选择最优个体保留，其余个体进行交叉、变异操作；重复本步骤直到达到设定迭代次数；
(3)将每次迭代保留的最优适应度函数值求倒数，再求得平均值fm，将平均值fm与设定的代价函数值gm作比较，若gm>fm，则将寻优得到的第一权重因子和第二权重因子代入代价函数中；若gm≤fm，则不更新第一权重因子和第二权重因子；
所述的直流母线中点电压控制代价函数为：
Figure FDA0003244266320000011
其中，gc为直流母线中点电压控制代价函数值，ξ为第二权重因子，uze＝uz(k+1)，
Figure FDA0003244266320000012
为uz的导数，用来表征uz的变化率，通过欧拉后向公式求得，即
Figure FDA0003244266320000013
Figure FDA0003244266320000021
hp为惩罚项，
Figure FDA0003244266320000022
所述的功率控制代价函数为：
Figure FDA0003244266320000023
式中，ga为功率控制代价函数值，ie表示入网电流预测值ig(k+1)与设定给定值的偏差，Λ为权重矩阵，用于表示第一权重因子。
2.根据权利要求1所述的并网逆变器的模型预测控制方法，其特征在于，所述代价函数值gm的设定方法为：根据若干个开关状态组合下的历史代价函数值，求取历史代价函数值的平均值，得到代价函数值gm。
3.根据权利要求1所述的并网逆变器的模型预测控制方法，其特征在于，所述的入网电流预测模型为：
xdq(k+1)＝ADxdq(k)+BDudq(k)
式中，xdq(k+1)用于表示k+1时刻的状态空间变量，包括：电感电流预测值iL(k+1)、入网电流预测值ig(k+1)、电容电压预测值uf(k+1)，k表示当前采样时刻，AD、BD为与逆变器拓扑结构有关的参数，xdq(k)用于表示k时刻的状态空间变量，udq(k)用于表示k时刻在当前开关状态组合下逆变器的输出电压uidq(k)的虚拟矢量以及电网电压虚拟矢量ugdq(k)；
其中，AD、BD由逆变器状态空间模型离散化得到：
根据逆变器拓扑可得逆变器状态空间模型如下
Figure FDA0003244266320000024
y＝Cxdq
式中，xdq用于表示系统的状态空间变量，包括：电感电流iL、入网电流ig、电容电压uf，udq用于表示逆变器的输出电压矢量ui以及电网电压矢量ugdq；
且A、B、C为
Figure FDA0003244266320000025
C＝(1 1 0)
则AD、BD表示为
Figure FDA0003244266320000026
Figure FDA0003244266320000027
式中，mL、mg、mf为中间变量，且
mL＝1/L，mg＝1/L2，mf＝1/Cf
上式中，Ts为采样周期，02×2为2×2的0矩阵，ω为电网电压角频率，L为逆变器的桥臂侧滤波电感值，Cf为滤波电容值，L2为电网侧滤波电感值。
4.根据权利要求3所述的并网逆变器的模型预测控制方法，其特征在于，逆变器的输出电压ui的虚拟矢量根据逆变器的开关状态提前设定储存在控制器中，入网电流ig的虚拟矢量是将入网电流ig进行电流补偿后再经过二阶广义积分器处理得到的；
所述进行电流补偿的过程为：获取逆变器并网的公共耦合点电压ug，经过二阶广义积分器处理，得到公共耦合点电压ug的虚拟矢量，分离出公共耦合点电压ug的虚拟矢量的高频分量ugh，将该高频分量ugh乘以设定阻尼系数，得到电流补偿量icom，将入网电流ig减去所述电流补偿量icom。
5.根据权利要求1所述的并网逆变器的模型预测控制方法，其特征在于，所述的直流母线中点电压预测模型为：
uz(k+1)＝up(k+1)-un(k+1)
Figure FDA0003244266320000031
式中，up(k+1)、un(k+1)为k+1时刻下逆变器的直流母线上并联的正极母线电容电压预测值、负极母线电容电压预测值，uz(k+1)为k+1时刻的直流母线中点电压预测值，Ts为采样周期，mp＝1/C1，mn＝1/C2，C1、C2为正极母线电容值、负极母线电容值，ic1(k)为k时刻正极母线电容C1上的电流，ic2(k)为k时刻负极母线电容C2上的电流；up(k)、un(k)为k时刻的正极母线电容电压、负极母线电容电压。
CN202011075046.1A 2020-10-09 2020-10-09 一种并网逆变器的模型预测控制方法 Active CN112383237B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011075046.1A CN112383237B (zh) 2020-10-09 2020-10-09 一种并网逆变器的模型预测控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011075046.1A CN112383237B (zh) 2020-10-09 2020-10-09 一种并网逆变器的模型预测控制方法

Publications (2)

Publication Number Publication Date
CN112383237A CN112383237A (zh) 2021-02-19
CN112383237B true CN112383237B (zh) 2022-03-22

Family

ID=74581161

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011075046.1A Active CN112383237B (zh) 2020-10-09 2020-10-09 一种并网逆变器的模型预测控制方法

Country Status (1)

Country Link
CN (1) CN112383237B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114844027B (zh) * 2022-05-17 2024-04-12 兰州交通大学 一种基于有限控制集模型预测的光伏系统直流母线电压控制方法
CN114844115B (zh) * 2022-07-01 2022-11-15 浙江大学 一种基于模型预测控制的光伏变流器构网控制方法及装置
CN116996011B (zh) * 2023-08-02 2024-05-17 北京垒实科技有限公司 一种基于载波通信的分布式光伏柔性调控器
CN116707331B (zh) * 2023-08-02 2023-10-20 中国人民解放军空军预警学院 基于模型预测的逆变器输出电压高精度调节方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107565837A (zh) * 2017-07-31 2018-01-09 江苏大学 一种多代价函数降频模型预测直接功率控制方法
CN110245436A (zh) * 2019-06-19 2019-09-17 山东大学 一种基于遗传算法和机器学习的并行模拟电路优化方法
CN110460089A (zh) * 2019-07-09 2019-11-15 江苏师范大学 一种基于多变量预测的lcl并网逆变器fcs-mpc控制方法
CN110994616A (zh) * 2019-12-02 2020-04-10 湘潭大学 并网逆变器模型预测功率直流分量控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3496261B1 (en) * 2017-12-07 2023-11-22 ABB Schweiz AG Control and modulation of a converter

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107565837A (zh) * 2017-07-31 2018-01-09 江苏大学 一种多代价函数降频模型预测直接功率控制方法
CN110245436A (zh) * 2019-06-19 2019-09-17 山东大学 一种基于遗传算法和机器学习的并行模拟电路优化方法
CN110460089A (zh) * 2019-07-09 2019-11-15 江苏师范大学 一种基于多变量预测的lcl并网逆变器fcs-mpc控制方法
CN110994616A (zh) * 2019-12-02 2020-04-10 湘潭大学 并网逆变器模型预测功率直流分量控制方法

Also Published As

Publication number Publication date
CN112383237A (zh) 2021-02-19

Similar Documents

Publication Publication Date Title
CN112383237B (zh) 一种并网逆变器的模型预测控制方法
CN108649780B (zh) 一种考虑弱电网下逆变器稳定性的lcl滤波器参数优化方法
Prince et al. Kalman filter variant intelligent control for power quality improvement in photovoltaic active power filter system
CN112165271B (zh) 一种并网变流系统及其模型预测控制方法
CN110265991B (zh) 一种直流微电网的分布式协调控制方法
CN108667284B (zh) 一种模块化多电平换流器环流抑制方法
CN112701951B (zh) 基于宽容分层序列法的逆变器电压状态预测控制方法
Andani et al. Controller design for voltage-source converter using LQG/LTR
Gao et al. An active and reactive power controller for battery energy storage system in microgrids
CN110867856A (zh) 考虑vsc系统谐波稳定条件下的lcl滤波器参数优化方法
CN111769544B (zh) 一种配备svc的多机电力系统分布式数字控制器
Kaleybar et al. A comprehensive control strategy of railway power quality compensator for AC traction power supply systems
CN107069831B (zh) 一种下垂控制方法
CN107123991B (zh) 基于模糊粒子群算法的动态电压恢复器控制方法及装置
Sahoo et al. A modified least mean square technique for harmonic elimination
Zubi et al. Passive filter design using genetic algorthims for adjustable speed drives
CN113904578B (zh) 单相级联h桥变流器的无权重系数模型预测控制方法
CN113162063B (zh) 一种抑制超低频振荡的多直流协调控制器设计方法
CN115549504A (zh) 一种三电平储能变流器的控制方法
Farokhnia et al. Optimization of PI coefficients in DSTATCOM nonlinear controller for regulating DC voltage using Genetic Algorithm
CN113904341A (zh) 一种基于免疫遗传算法的配电网无功优化方法和装置
Mangaraj et al. VSC-Based DSTATCOM for PQ Improvement: A Deep-Learning Approach
Zhao et al. Model-Free Predictive Current Control of a Modular Multilevel Converter Based on Nearest-level Modulation
Kavousi et al. Implementation of selective harmonic elimination PWM switching strategy on DSTATCOM
Rafiei et al. IEEE-519 based optimal UPQC design under distorted voltages using Pareto based Min-Max constrained multi-objective optimization

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