CN113629780A - 微电网功率转换器控制方法、系统、存储介质及设备 - Google Patents

微电网功率转换器控制方法、系统、存储介质及设备 Download PDF

Info

Publication number
CN113629780A
CN113629780A CN202110920633.4A CN202110920633A CN113629780A CN 113629780 A CN113629780 A CN 113629780A CN 202110920633 A CN202110920633 A CN 202110920633A CN 113629780 A CN113629780 A CN 113629780A
Authority
CN
China
Prior art keywords
power converter
model
neural network
layers
grid
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.)
Granted
Application number
CN202110920633.4A
Other languages
English (en)
Other versions
CN113629780B (zh
Inventor
张祯滨
欧路利可·巴巴悠米
李�真
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN202110920633.4A priority Critical patent/CN113629780B/zh
Publication of CN113629780A publication Critical patent/CN113629780A/zh
Application granted granted Critical
Publication of CN113629780B publication Critical patent/CN113629780B/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
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • 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
    • 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
    • H02J2300/28—The renewable source being wind energy
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Inverter Devices (AREA)

Abstract

本发明涉及微电网功率转换器控制方法、系统、存储介质及设备，其中，微电网功率转换器控制方法包括，获取微电网中各电源的电压及对应的开关状态；基于训练完成的神经网络‑模型预测控制模型获取优化后的电压向量和开关状态，基于训练完成的神经网络滤波参数估计模型，获取电感和电容从标称值的变化量；利用优化后的电压向量和对应的开关状态以及电感和电容的变化量，获取更新后的滤波器参数和预测电流实现功率转换器的控制。保持了微电网中功率转换器模型预测控制的优良控制性能。在滤波电感和电容发生意外变化的情况下，能够保持精确的控制性能，性能优于模型预测控制，需要更少的计算内存和处理器速度/功率，因此降低了硬件成本。

Description

微电网功率转换器控制方法、系统、存储介质及设备
技术领域
本发明涉及微电网控制领域，具体为微电网功率转换器控制方 法、系统、存储介质及设备。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必 然构成在先技术。
微电网是由分布式电源、储能装置、能量转换装置、负荷、监控 和保护装置等组成的小型发配电系统，通过功率调节器和配合的变换 器实现各电源之间的功率协调控制。目前的功率调节器具有多输入多 输出(MIMO)功能，通过滑模控制，H-Infinity控制或模型预测控制 实现多输入输出功能。
由于需要功率调节器或是功率转换器实现多输入多输出(MIM O)的功能，那么需要数字信号处理器和微控制器等硬件具有较高的 功率消耗，进而实现较高的处理速度和较大内存要求，因此硬件部分 的成本较高。
其次，功率调节器的多输入多输出功能中，每当参数发生意外变 化时，为了确保功率调节器的性能稳定，通常需要多个传感器来提供 微电网信号的测量，而传感器则通过无模型，干扰估计和自适应模型 的方式进行信号处理，类似于卡尔曼滤波器，滑模控制和基于最小二 乘的无模型方法等，都需要复杂的信号处理过程，这会带来较高的计 算成本。
发明内容
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供微电网功率转换器控制方法，包括以下 步骤：
获取微电网中各电源的电压及对应的开关状态；
基于训练完成的神经网络-模型预测控制模型获取优化后的电压 向量和开关状态，基于训练完成的神经网络滤波参数估计模型，获取 电感和电容从标称值的变化量；
利用优化后的电压向量和对应的开关状态以及电感和电容的变 化量，获取更新后的滤波器参数和预测电流，基于更新后的滤波器参 数和预测电流实现功率转换器的控制。
训练完成的神经网络-模型预测控制模型包括依次连接的至少四 组输入层、至少四组隐藏层和输出层。
训练完成的神经网络滤波参数估计模型中，基于电感参数变化量 实现电感参数估计的模型包括，依次连接的至少两组输入层、至少三 组隐藏层和输出层；基于电容参数变化量实现电容参数估计的模型包 括，依次连接的至少两组输入层、至少三组隐藏层和输出层。
微电网包括通过功率转换器连接的直流子网和交流子网，直流子 网和交流子网各自连接风力涡轮发电机组、太阳能光伏板发电机组和 储能系统。
针对风力涡轮机转换器控制的无传感器估计神经网络包括，依次 连接的至少四组输入层、至少四组隐藏层和输出层。将风速、涡轮扭 矩、viWT(α)和viWT(β)输入所需的输入层。
针对太阳能转换器控制的无传感器估计神经网络包括，依次连接 的至少四组输入层、至少四组隐藏层和输出层。
针对电池转换器控制的无传感器估计神经网络包括，依次连接的 至少四组输入层、至少四组隐藏层和输出层。
本发明的第二个方面提供视网膜病变图像分类模型训练系统，包 括：
参数获取模块，被配置为：获取微电网中各电源的电压及对应的 开关状态；基于训练完成的神经网络-模型预测控制模型获取优化后 的电压向量和开关状态，基于训练完成的神经网络滤波参数估计模 型，获取电感和电容从标称值的变化量；
预测控制模块，被配置为：利用优化后的电压向量和对应的开关 状态以及电感和电容的变化量，获取更新后的滤波器参数和预测电 流，基于更新后的滤波器参数和预测电流实现功率转换器的控制。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处 理器执行时实现如上述所述的微电网功率转换器控制方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在 处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述 所述的微电网功率转换器控制方法中的步骤。
与现有技术相比，以上一个或多个技术方案存在以下有益效果：
1、保持了微电网中功率转换器模型预测控制的优良控制性能。 在滤波电感和电容发生意外变化的情况下，能够保持精确的控制性 能，性能优于模型预测控制(MPC)。
2、相较于传统的模型预测控制(MPC)需要更少的计算内存和 处理器速度/功率，因此降低了硬件成本。
3、减少了精确控制操作所需的传感器数量，间接的降低了微电 网系统复杂度，从而提高可靠性。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步 理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对 本发明的不当限定。
图1是本发明一个或多个实施例提供的通过可再生能源资源的 混合AC/DC微电网电力结构示意图；
图2是本发明一个或多个实施例提供的ANN-MPC逆变器控制原 理示意图；
图3(a)是本发明一个或多个实施例提供的训练ANN-MPC控 制中ANN模型的处理过程流程图；
图3(b)是本发明一个或多个实施例提供的逆变器的ANN模型 结构示意图；
图3(c)是本发明一个或多个实施例提供的ANN模型用于电感 参数估计时的结构示意图；
图3(d)是本发明一个或多个实施例提供的ANN模型用于电容 参数估计的结构示意图；
图4是本发明一个或多个实施例提供的自适应MPC逆变器控制 原理示意图；
图5是本发明一个或多个实施例提供的DC-DC转换器的ANN- MPC控制原理示意图；
图6是本发明一个或多个实施例提供的DC-DC转换器的MPC 控制原理示意图；
图7是本发明一个或多个实施例提供的ANN无传感器控制的D C子微电网结构示意图；
图8(a)是本发明一个或多个实施例提供的无传感器风力涡轮 机变换器控制的ANN模型结构示意图；
图8(b)是本发明一个或多个实施例提供的无传感器太阳能转 换器控制的ANN模型结构示意图；
图8(c)是本发明一个或多个实施例提供的无传感器电池转换 器控制的ANN模型结构示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一 步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本 发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式， 而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除 非上下文另外明确指出，否则单数形式也意图包括复数形式，此外， 还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其 指明存在特征、步骤、操作、器件、组件和/或它们的组合。
正如背景技术中所描述的，功率调节器要满足微电网的运行实现 多输入多输出的功能，会带来较高的硬件成本和信号处理过程的计算 成本。
以下实施例中，功率调节器适用的微电网是混合AC-DC微电网， 其具有AC和DC总线和载荷并排操作。该微电网具有可再生能源(例 如风能和太阳能)和为电网供电的储能系统。由于功率转换器的模型 预测控制(MPC)具有较高的性能，但需要大量内存和计算速度/功率支 持，并且模型预测控制(MPC)还需要在控制过程的多个部分获取微电 网的电压和电流等参数，获取参数的多个测量传感器增加了实施成 本，提高了微电网系统的故障率，也降低了可靠性。
因此，以下实施例给出了微电网功率转换器控制方法、系统、存 储介质及设备，应用人工神经网络(ANN)来模拟模型预测控制(MP C)的功能，并且还提供微电网中的电压和电流参数的估计，从而需要 更少的计算内存和功率，并且减少控制网络中的传感器数量，从而提 高可靠性，使得微电网所需的硬件成本较低,并提高可靠性。
名词解释：ANN为人工神经网络；MPC为模型预测控制。
实施例一：
如图1-8所示，本实施例的目的是提供微电网功率转换器控制方 法，包括以下步骤：
获取微电网中各电源的电压及对应的开关状态；
基于训练完成的神经网络-模型预测控制模型获取优化后的电压 向量和开关状态，基于训练完成的神经网络滤波参数估计模型，获取 电感和电容从标称值的变化量；
利用优化后的电压向量和对应的开关状态以及电感和电容的变 化量，获取更新后的滤波器参数和预测电流，基于更新后的滤波器参 数和预测电流实现功率转换器的控制。
具体过程如下：
图1展示了由太阳能、风能和储能系统供电的混合AC-DC微电网。 在该系统中，直流子网和交流子网各自连接了风力涡轮发电机组、太 阳能光伏板发电机组和储能系统，并通过AC-DC或DC-DC模块连接 到各自对应的直流子网和交流子网，而直流子网和交流子网则通过互 连的功率转换器连接。本实施例将分三部分进行说明：
逆变器的ANN-MPC控制，DC-DC转换器的ANN-MPC控制，以 及无传感器的ANN估计。
1、逆变器ANN-MPC控制；
如图2所示的ANN-MPC逆变器控制器，它包括一个经训练的AN N-MPC控制器，该控制器为逆变器的H桥生成优化的电压向量vopt和相 应的开关状态S(tk)。它还有一个经训练的ANN滤波器参数估计器，用 于确定电感和电容分别从标称值Lf和Cf变化的量。图中的其余部分是 下垂控制逆变器的常见部分，这部分是该领域的技术人员了解的。
生成经过训练的ANN-MPC控制器和经过训练的滤波器参数估计 器的过程如图3(a)所示，用于ANN-MPC控制的神经网络的结构如 图3(a)-(d)所示。
其中，逆变器的ANN模型包括依次连接的至少四组输入层、至 少四组隐藏层和输出层。
用于电感参数估计的ANN模型包括，依次连接的至少两组输入 层、至少三组隐藏层和输出层。
用于电容参数估计的ANN模型包括，依次连接的至少两组输入 层、至少三组隐藏层和输出层。
首先模拟图4中的模型，该模型基于传统的MPC。然后收集并存 储了{if,vf,v*,vopt,∫v∈(αβ),∫i∈(αβ)}个模拟数据在过滤器参数{0.1Lf,0.2L f,0.3Lf,…,1.0Lf}和{0.1Cf,0.2Cf,0.3Cf,…,1.0Cf},}变化的时间内或以较 小的步骤提高训练准确性。接下来使用前馈网络模型，根据图3(b) 中的模型，使用MATLAB/Simulink的人工神经网络工具箱(或任何其 他ANN软件)设计ANN。上一步收集的数据用于训练模型，让神经 网络学习MPC如何优化输入数据以生成输出vopt。最后，如果回归系 数R＝1，则在验证结果之前检查获得的结果。使用图3(a)中相同的算 法，为{v∈α,v∈β,i∈α,i∈β}收集的数据用于训练图1中的ANN模型。图3(c),3(d) 为ΔC/Cf和ΔL/Lf的估计输出。
上述过程是创建图2中的ANN-MPC和ANN参数估计的步骤，如 下式所示：
Figure BDA0003207279000000091
上式用于获取在MPC控制器中最小化的成本函数，vf为滤波电容 两端的电压，if为流过滤波电感的电流，uSW表示电源转换器在过去 和现在的采样时刻之间切换的变化次数，ψlim为物理设备针对电流的 限制(或最大额定电流)，k为数字采样时刻，χi是电流的加权因子， χu是开关输入的加权因子，usw(k)＝∑|u(k)-u(k-1)|保持设备电流 的物理限制。
Figure BDA0003207279000000092
Figure BDA0003207279000000093
Figure BDA0003207279000000094
式(2a)和(2b)用于估计滤波器电感从标称值变化的量，v∈ 为电子转换器输出电压的动态变化，它是滤波器电感微小变化的函 数，vi为被LC滤波器滤波之前的转换器输出电压，vf是滤波电容器两 端的电压，ΔL是在电感的标称值中的微小变化量，Lf是标称滤波器 电感，∫v∈(t)是电压变化动态的时间积分，
Figure BDA0003207279000000095
是电感电流的导数， if_amp是if的幅度，m2是调谐系数；
Figure BDA0003207279000000096
Figure BDA0003207279000000101
Figure BDA0003207279000000102
式(3a)和(3b)用于估计滤波器电容从标称值变化的量，ΔC是电容 相对于标称值的微小变化，Cf是标称滤波器电容，∫i∈(t)是电流变化 动态的时间积分，
Figure BDA0003207279000000103
是电容器电压的导数，υf_amp是vf的幅度，n2是 调谐系数，δC如下式：
Figure BDA0003207279000000104
δy是相对于标称值的参数变化的符号,
Figure BDA0003207279000000105
Figure BDA0003207279000000106
估计后更新的滤波器参数为：
Figure BDA0003207279000000107
上式是计算电感和电容实际值的表达式。
2、DC-DC转换器ANN-MPC控制；
如图5所示，DC-DC转换器ANN-MPC控制器包括一个经训练的A NN-MPC控制器，该控制器为逆变器的H桥生成优化的电压向量vop和 相应的开关状态S(tk)。还包括一个经训练的ANN滤波器参数估计器， 用于确定电感和电容分别从标称值Lf和Cf变化的量。图中的其余部分 都是下垂控制逆变器的常见部分，这是该领域从业人员所熟悉的。生 成经过训练的ANN-MPC控制器和经过训练的滤波器参数估计器的过 程如图3(a)所示。
首先，模拟图6中的模型，该模型基于传统的MPC。然后收集并 存储了{if,vf,v*,vopt,∫v∈(αβ),∫i∈(αβ)}个模拟数据在过滤器参数{0.1 Lf,0.2Lf,0.3Lf,…,1.0Lf}和{0.1Cf,0.2Cf,0.3Cf,…,1.0Cf},}变化的时间内 或以较小的步骤提高训练准确性。接下来，使用前馈网络模型，根据 图3(b)中的模型，使用MATLAB/Simulink的人工神经网络工具箱(或 任何其他ANN软件)设计ANN。上一步收集的数据用于训练模型， 让神经网络学习MPC如何优化输入数据以生成输出vop。最后，如果 回归系数R＝1，则在验证结果之前检查获得的结果。使用图3(a)中相 同的算法，为{v∈,i∈}收集的数据用于训练图1中的ANN模型。3(c),3(d) 为ΔC/Cf和ΔL/Lf的估计输出。
3.无传感器ANN估计
无传感器控制的方式有利于提高系统的可靠性，基于图7中所示 的太阳能、风能和电池电源转换器，无传感器估计神经网络的结构如 图8(a)-(c)所示，图3(a)中的算法用于训练ANN模型图(8a)、(8 b)、(8c)当负载电阻在范围内变化时{0.1Rload,0.2Rload,0.3Rload,…,1.0Rload}， 因此，无需传感器即可准确预测电流(ifWT,ifPV,ifESS)，从而降低系统的 硬件成本。
其中，针对风力涡轮机转换器控制的无传感器估计神经网络包 括，依次连接的至少四组输入层、至少四组隐藏层和输出层。将风速、 涡轮扭矩、υiWT(α)和viWT(β)输入所需的输入层。vviWT(α)和viWT(β)分 别是风力发电机输出电压的α和β轴分量。
针对太阳能转换器控制的无传感器估计神经网络包括，依次连接 的至少四组输入层、至少四组隐藏层和输出层。将日照时间、温度、 viPV(α)和viPV(β)输入所需的输入层。υiPV(α)和viPV(β)分别是太阳能光 伏输出电压的α和β轴分量。
针对电池转换器控制的无传感器估计神经网络包括，依次连接的 至少四组输入层、至少四组隐藏层和输出层。将ifWT、ifPV、ifESS和viESS输入所需的输入层。ifWT为风电机组输出电流，ifPV为太阳能光伏输 出电流，ifESS为储能输出电流，viESS为储能输出电压。
上述控制过程保持了微电网中功率转换器模型预测控制的优良 控制性能。在滤波电感和电容发生意外变化的情况下，能够保持精确 的控制性能，性能优于模型预测控制(MPC)，并且比模型预测控制 (MPC)需要更少的计算内存和处理器速度/功率，因此降低了成本。 同时还减少了精确控制操作所需的传感器数量。降低了实施成本并提 高了系统的可靠性。
实施例二：
本实施例的目的是提供微电网功率转换器控制系统，包括：
参数获取模块，被配置为：获取微电网中各电源的电压及对应的 开关状态；基于训练完成的神经网络-模型预测控制模型获取优化后 的电压向量和开关状态，基于训练完成的神经网络滤波参数估计模 型，获取电感和电容从标称值的变化量；
预测控制模块，被配置为：利用优化后的电压向量和对应的开关 状态以及电感和电容的变化量，获取更新后的滤波器参数和预测电 流，基于更新后的滤波器参数和预测电流实现功率转换器的控制。
保持了微电网中功率转换器模型预测控制的优良控制性能。在滤 波电感和电容发生意外变化的情况下，能够保持精确的控制性能，性 能优于模型预测控制(MPC)，并且比模型预测控制(MPC)需要 更少的计算内存和处理器速度/功率，因此降低了成本。同时还减少 了精确控制操作所需的传感器数量。降低了实施成本并提高了系统的 可靠性。
实施例三：
本实施例提供了一种计算机可读存储介质，其上存储有计算机程 序，该程序被处理器执行时实现如上述实施例一所述的微电网功率转 换器控制方法中的步骤。
保持了微电网中功率转换器模型预测控制的优良控制性能。在滤 波电感和电容发生意外变化的情况下，能够保持精确的控制性能，性 能优于模型预测控制(MPC)，并且比模型预测控制(MPC)需要 更少的计算内存和处理器速度/功率，因此降低了成本。同时还减少 了精确控制操作所需的传感器数量。降低了实施成本并提高了系统的 可靠性。
实施例四：
本实施例提供了一种计算机设备，包括存储器、处理器及存储在 存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程 序时实现如上述实施例一所述的微电网功率转换器控制方法中的步 骤。
保持了微电网中功率转换器模型预测控制的优良控制性能。在滤 波电感和电容发生意外变化的情况下，能够保持精确的控制性能，性 能优于模型预测控制(MPC)，并且比模型预测控制(MPC)需要 更少的计算内存和处理器速度/功率，因此降低了成本。同时还减少 了精确控制操作所需的传感器数量。降低了实施成本并提高了系统的 可靠性。
以上实施例二至四中涉及的各步骤或模块与实施例一相对应，具 体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储 介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还 应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用 于由处理器执行的指令集并使处理器执行本发明中的任一方法。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明， 对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本 发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应 包含在本发明的保护范围之内。

Claims (10)

1.微电网功率转换器控制方法，其特征在于：包括以下步骤：
获取微电网中各电源的电压及对应的开关状态；
基于训练完成的神经网络-模型预测控制模型获取优化后的电压向量和开关状态，基于训练完成的神经网络滤波参数估计模型，获取电感和电容从标称值的变化量；
利用优化后的电压向量和对应的开关状态以及电感和电容的变化量，获取更新后的滤波器参数和预测电流，基于更新后的滤波器参数和预测电流实现功率转换器的控制。
2.如权利要求1所述的微电网功率转换器控制方法，其特征在于：所述微电网包括通过功率转换器连接的直流子网和交流子网，直流子网和交流子网各自连接风力涡轮发电机组、太阳能光伏板发电机组和储能系统。
3.如权利要求1所述的微电网功率转换器控制方法，其特征在于：所述训练完成的神经网络-模型预测控制模型包括依次连接的至少四组输入层、至少四组隐藏层和输出层。
4.如权利要求1所述的微电网功率转换器控制方法，其特征在于：所述训练完成的神经网络滤波参数估计模型中，基于电感参数变化量实现电感参数估计的模型包括，依次连接的至少两组输入层、至少三组隐藏层和输出层；基于电容参数变化量实现电容参数估计的模型包括，依次连接的至少两组输入层、至少三组隐藏层和输出层。
5.如权利要求2所述的微电网功率转换器控制方法，其特征在于：针对风力涡轮机转换器控制的无传感器估计神经网络包括，依次连接的至少四组输入层、至少四组隐藏层和输出层。
6.如权利要求2所述的微电网功率转换器控制方法，其特征在于：针对太阳能转换器控制的无传感器估计神经网络包括，依次连接的至少四组输入层、至少四组隐藏层和输出层。
7.如权利要求2所述的微电网功率转换器控制方法，其特征在于：针对电池转换器控制的无传感器估计神经网络包括，依次连接的至少四组输入层、至少四组隐藏层和输出层。
8.微电网功率转换器控制系统，包括：
参数获取模块，被配置为：获取微电网中各电源的电压及对应的开关状态；基于训练完成的神经网络-模型预测控制模型获取优化后的电压向量和开关状态，基于训练完成的神经网络滤波参数估计模型，获取电感和电容从标称值的变化量；
预测控制模块，被配置为：利用优化后的电压向量和对应的开关状态以及电感和电容的变化量，获取更新后的滤波器参数和预测电流，基于更新后的滤波器参数和预测电流实现功率转换器的控制。
9.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1中所述的微电网功率转换器控制方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1所述的微电网功率转换器控制方法中的步骤。
CN202110920633.4A 2021-08-11 2021-08-11 微电网功率转换器控制方法、系统、存储介质及设备 Active CN113629780B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110920633.4A CN113629780B (zh) 2021-08-11 2021-08-11 微电网功率转换器控制方法、系统、存储介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110920633.4A CN113629780B (zh) 2021-08-11 2021-08-11 微电网功率转换器控制方法、系统、存储介质及设备

Publications (2)

Publication Number Publication Date
CN113629780A true CN113629780A (zh) 2021-11-09
CN113629780B CN113629780B (zh) 2023-03-24

Family

ID=78384548

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110920633.4A Active CN113629780B (zh) 2021-08-11 2021-08-11 微电网功率转换器控制方法、系统、存储介质及设备

Country Status (1)

Country Link
CN (1) CN113629780B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115360732A (zh) * 2022-08-12 2022-11-18 广西大学 模型和数据驱动的光伏储能系统控制方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109067232A (zh) * 2018-08-03 2018-12-21 中国地质大学（武汉） 基于递归神经网络的并网逆变器电流控制方法
CN110232207A (zh) * 2019-04-30 2019-09-13 浙江大学 一种基于人工神经网络的电磁干扰滤波器设计方法
US20190296643A1 (en) * 2018-03-26 2019-09-26 The Board Of Trustees Of The University Of Alabama Systems, methods and devices for control of dc/dc converters and a standalone dc microgrid using artificial neural networks
CN111680815A (zh) * 2020-04-14 2020-09-18 国家电网有限公司 一种基于bp神经网络的微电网分级优化重构方法
CN112688307A (zh) * 2020-12-04 2021-04-20 国网江苏省电力有限公司连云港供电分公司 一种交直流混合微电网控制器及控制方法
CN113179059A (zh) * 2021-05-21 2021-07-27 南京理工大学 一种改进的虚拟同步发电机模型预测控制方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190296643A1 (en) * 2018-03-26 2019-09-26 The Board Of Trustees Of The University Of Alabama Systems, methods and devices for control of dc/dc converters and a standalone dc microgrid using artificial neural networks
CN109067232A (zh) * 2018-08-03 2018-12-21 中国地质大学（武汉） 基于递归神经网络的并网逆变器电流控制方法
CN110232207A (zh) * 2019-04-30 2019-09-13 浙江大学 一种基于人工神经网络的电磁干扰滤波器设计方法
CN111680815A (zh) * 2020-04-14 2020-09-18 国家电网有限公司 一种基于bp神经网络的微电网分级优化重构方法
CN112688307A (zh) * 2020-12-04 2021-04-20 国网江苏省电力有限公司连云港供电分公司 一种交直流混合微电网控制器及控制方法
CN113179059A (zh) * 2021-05-21 2021-07-27 南京理工大学 一种改进的虚拟同步发电机模型预测控制方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
IHAB S. MOHAMED,ETC.: "A Neural-Network-Based Model Predictive Control of Three-Phase Inverter With an Output LC Filter", 《IEEE ACCESS 》, vol. 7, 29 August 2019 (2019-08-29), pages 124737 - 124749, XP011745215, DOI: 10.1109/ACCESS.2019.2938220 *
ZHANG ZHENBIN,ETC.: "Distributed Secondary Frequency and Voltage Control of Parallel-Connected VSCs in Microgrids: A Predictive VSG-Based Solution", 《CPSS TRANSACTIONS ON POWER ELECTRONICS AND APPLICATIONS》, vol. 5, no. 4, 31 December 2020 (2020-12-31), pages 342 - 351 *
李昱等: "基于电流源变流器的永磁同步电机驱动系统全状态变量预测转矩控制", 《电工技术学报》, vol. 36, no. 1, 31 January 2021 (2021-01-31), pages 15 - 26 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115360732A (zh) * 2022-08-12 2022-11-18 广西大学 模型和数据驱动的光伏储能系统控制方法

Also Published As

Publication number Publication date
CN113629780B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
Hidalgo-Reyes et al. Classical and fractional-order modeling of equivalent electrical circuits for supercapacitors and batteries, energy management strategies for hybrid systems and methods for the state of charge estimation: A state of the art review
Eltamaly et al. Simulation and experimental validation of fast adaptive particle swarm optimization strategy for photovoltaic global peak tracker under dynamic partial shading
CN113472226B (zh) 基于滑模观测器的并网逆变器双矢量无模型预测控制方法
Yeganeh et al. Intelligent secondary control of islanded AC microgrids: A brain emotional learning-based approach
Khan et al. Artificial neural network-based voltage control of DC/DC converter for dc microgrid applications
de López Diz et al. A real-time digital twin approach on three-phase power converters applied to condition monitoring
CN110460035A (zh) 基于鲁棒扰动观测器的dc-dc变换器动态补偿方法及系统
Zheng et al. Finite-set quasi-sliding mode predictive control of $ LC $-filtered voltage source inverters
Zhou et al. A generalized extended state observer for supercapacitor state of charge estimation under disturbances
CN113629780B (zh) 微电网功率转换器控制方法、系统、存储介质及设备
Zhao et al. Model-free predictive current control of three-level grid-connected inverters with lcl filters based on kalman filter
Maamir et al. Neural network power management for hybrid electric elevator application
CN104821619B (zh) 基于可再生能源的蓄电池充电装置及其控制方法
Ghazzali et al. Fixed-time distributed voltage and reactive power compensation of islanded microgrids using sliding-mode and multi-agent consensus design
Bento et al. Model-free predictive control of interleaved DC-DC converters, based on ultra-local model, with constant switching frequency
Eydi et al. A novel strategy of maximum power point tracking for photovoltaic panels based on fuzzy logic algorithm
Baker et al. Resilient Model based Predictive Control Scheme Inspired by Artificial intelligence methods for grid-interactive inverters
Chao et al. A maximum power point tracking method based on extension neural network for PV systems
Božiček et al. Performance evaluation of the DSP-based improved time-optimal current controller for STATCOM
CN113765092B (zh) 电池测试直流微网分数阶模型预测虚拟惯性控制方法
Karad et al. Enhanced control of doubly fed induction generator based wind turbine system using soft computing assisted fractional order controller
Mehdi et al. Implementation of new adaptive power-split management strategy in a battery-super capacitor electric vehicle
Liu et al. A Novel Integral Reinforcement Learning-Based H∞ Control Strategy for Proton Exchange Membrane Fuel Cell in DC Microgrids
Babaiahgari et al. Stability analysis for interconnected DC microgrids with constant power loads
CN111682552A (zh) 电压控制方法、装置、设备及存储介质

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