CN114690633A - 一种光伏逆变器控制器参数辨识方法 - Google Patents
一种光伏逆变器控制器参数辨识方法 Download PDFInfo
- Publication number
- CN114690633A CN114690633A CN202210249684.3A CN202210249684A CN114690633A CN 114690633 A CN114690633 A CN 114690633A CN 202210249684 A CN202210249684 A CN 202210249684A CN 114690633 A CN114690633 A CN 114690633A
- Authority
- CN
- China
- Prior art keywords
- controller
- parameters
- recursive
- parameter
- square
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Inverter Devices (AREA)
Abstract
本发明提供一种光伏逆变器控制器参数辨识方法,包括:建立光伏逆变器控制器的数学模型,确定需要辨识的控制器参数;利用塔斯汀离散方法将所述数学模型转化成差分方程,进而得到带遗传因子递推最小二乘法的协方差矩阵及迭代公式作为辨识系统;实时获取光伏逆变器控制器的输入输出量作为所述辨识系统的输入量,以残差平方最小作为带遗传因子递推最小二乘法的最优参数估计,当待辨识控制器参数达到预设的精度时停止迭代,所述辨识系统输出此时的控制器参数估计值,将控制器参数估计值带入差分方程的表达式逆推控制器参数。本发明通过最小化误差的平方寻找最优估计值,极大降低寻优结果的随机性,提高辨识结果的计算速度和精确度。
Description
技术领域
本发明涉及光伏逆变器领域,具体是一种光伏逆变器控制器参数辨识方法。
背景技术
随着太阳能等清洁能源的广泛应用,光伏发电技术迅速发展,成为国内外学者的研究热点。光伏逆变器作为光伏发电系统的核心组成部分,其内部的安全稳定运行是实现光伏发电的必要条件。逆变器的模型及参数决定系统的动态特性,在实际应用中,由于制造商知识产权的保护及测量方法受限等因素,难以准确获取逆变器控制器参数,对光伏系统进行仿真建模时,建立的模型与实际工况存在偏差,使仿真结果可信度降低。通过辨识方法准确获取控制器参数对改善及研究光伏发电系统起重要作用。
目前,针对辨识光伏逆变器控制器参数的研究相对较少,大多采用智能算法辨识系统参数,例如粒子群优化算法、遗传优化算法等。粒子群优化算法存在一定的局限性,如搜索范围受局限,搜索精度较低,容易陷入局部极值的情况;遗传算法寻优机制依据进化学理论,其编程较为复杂,因此搜索速度较慢,其估算结果一定程度上依赖初始数据的选择。
本申请的发明人在完成本发明的过程中经过研究发现:光伏逆变器多为电压源型逆变器,其控制结构采用外环内环级联方式,控制器参数属于小规模数据,适宜采用递推最小二乘法辨识方法,为防止计算数据饱和,可提出递推最小二乘法并实现在线辨识。由于递推最小二乘法不存在数据修正能力,加入遗忘因子可提高数据的更新能力。因此本发明提出一种带遗忘因子递推最小二乘法辨识光伏逆变器控制器参数的方法,该方法通过最小化误差的平方寻找最优估计值,极大降低寻优结果的随机性,且适用于动静态系统的参数辨识,是最小二乘法的进一步优化方法。
发明内容
针对现有技术存在的上述缺陷,本发明提供一种光伏逆变器控制器参数辨识方法,无需考虑光伏逆变器主电路的参数及拓扑,仅通过控制器的输入量及输出量辨识控制器参数,通过最小化误差的平方寻找最优估计值,极大降低寻优结果的随机性,提高辨识结果的计算速度和精确度。
一种光伏逆变器控制器参数辨识方法,包括如下步骤:
步骤一:建立光伏逆变器控制器的数学模型,确定需要辨识的控制器参数,其中所述光伏逆变器为电压源型逆变器,控制器的控制结构采用双闭环PI调节器;
步骤二:利用塔斯汀离散方法将所述数学模型转化成差分方程,进而得到带遗传因子递推最小二乘法的协方差矩阵及迭代公式作为辨识系统;
步骤三:实时获取光伏逆变器控制器的输入输出量作为所述辨识系统的输入量,以残差平方最小作为带遗传因子递推最小二乘法的最优参数估计,当待辨识控制器参数达到预设的精度时停止迭代,所述辨识系统输出此时的控制器参数估计值,将控制器参数估计值带入差分方程的表达式逆推控制器参数。
进一步的,步骤一中根据建立的控制器的数学模型,推导控制器的传递函数G(s),在主电路参数已知的情况下,所述需要辨识的控制器参数为kPU,kIU,kPI,kII,其中kPU,kIU为电压环的比例系数和积分时间常数;kPI,kII为电流环比例系数和积分时间常数。
进一步的,步骤二中获得带遗传因子递推最小二乘法的协方差矩阵及迭代公式的具体步骤如下:
步骤2.1:将控制器的传递函数G(s)离散化转化为G(z):
并将G(z)写成的差分方程的形式:
y(k)=-a1y(k-1)-a2y(k-2)-...+b0u(k)+b1u(k-1)+... (2)
式中k为离散时刻;y(k)为控制器输出的离散量;u(k)为控制器输入的离散量;
θT=[a1,a2,...,b0,b1,...]为待辨识的参数,待辨识的参数是由控制器参数kPU,kIU,kPI,kII形成的表达式,辨识出θ即可推出控制器参数。将式(2)写成对应的向量方程形式为:
Yk=Hkθ (3)
式中:
k0为差分方程中最大差分数;
步骤2.2:递推最小二乘法以最小化残差平方作为目标寻求最优解,即目标函数为:
进而得到协方差矩阵的逆矩阵,计算得到递推最小二乘法k时刻的估计值为:
步骤2.3:在迭代公式中加入遗忘因子,得到带遗忘因子的递推最小二乘法的迭代公式如下:
式中λ代表遗忘因子,且满足0<λ≤1。
采用上述技术方案的有益效果体现在:
1、本发明通过最小化误差平方的思想寻找最优解,与粒子群等搜索算法相比,大大降低辨识控制器参数的随机性,提高辨识结果的精确度,本发明能够实现在线辨识并同步辨识所有参数,避免分步辨识各个参数;
2、本发明采用的递推最小二乘法思想简单,编程容易实现,递推思想大大减少数据的存储及计算,在一定程度提高参数辨识的速度;
3、本发明在递推最小二乘法的基础上加入遗忘因子,可降低旧数据的权重,增强新数据的作用,使辨识方法具备修正能力,从而提高辨识参数的准确度。
附图说明
图1为本发明涉及的光伏逆变器及其控制结构;
图2为本发明光伏逆变器控制器参数辨识方法的基本原理图;
图3为本发明光伏逆变器控制器参数辨识方法其中一个实施例的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图2及图3,本发明实施例提供一种光伏逆变器控制器参数辨识方法,包括如下步骤:
步骤一:建立光伏逆变器控制器的数学模型,确定需要辨识的控制器参数,其中所述光伏逆变器为电压源型逆变器,控制器的控制结构采用双闭环PI调节器。光伏逆变器的详细结构如图1所示,光伏逆变器主电路一般为三相桥式结构,控制结构采用电压外环、电流内环级联的方式,控制器采用PI调节器。
根据建立的控制器的数学模型,可推导控制器的传递函数G(s),在主电路参数已知的情况下,由图1知控制器中待辨识的参数为kPU,kIU,kPI,kII,kPU,kIU为电压环的比例系数和积分时间常数;kPI,kII为电流环比例系数和积分时间常数。
步骤二:利用塔斯汀(Tustin)离散方法将所述数学模型转化成差分方程,进而得到带遗传因子递推最小二乘法的协方差矩阵及迭代公式作为辨识系统。
塔斯汀(Tustin)离散化方法是根据梯形法则将传递函数中的微分算子s替换为塔斯汀法又名双线性转换法,能够保证连续系统与离散系具有较小的误差,其稳定性较强。离散化后可得到递推最小二乘法的模型,并获取协方差矩阵及增益向量,最后得到带遗传因子递推最小二乘法的迭代公式。
为获取带遗传因子递推最小二乘法的迭代公式,其推导过程包括以下步骤:
步骤2.1:将控制器的传递函数G(s)离散化转化为G(z):
并将G(z)写成的差分方程的形式:
y(k)=-a1y(k-1)-a2y(k-2)-...+b0u(k)+b1u(k-1)+... (2)
式中k为离散时刻;y(k)为控制器输出的离散量;u(k)为控制器输入的离散量;
θT=[a1,a2,...,b0,b1,...]为待辨识的参数,待辨识的参数是由控制器参数kPU,kIU,kPI,kII形成的表达式,辨识出θ即可推出控制器参数。将式(2)写成对应的向量方程形式为:
Yk=Hkθ (3)
式中:
k0为差分方程中最大差分数;
步骤2.2:递推最小二乘法以最小化残差平方作为目标寻求最优解,即目标函数为:
进而得到协方差矩阵的逆矩阵,计算得到递推最小二乘法k时刻的估计值为:
步骤2.3:为使辨识方法具有一定的修正能力,在迭代公式中加入遗忘因子,提高数据利用率,因此得到带遗忘因子的递推最小二乘法的迭代公式如下:
式中λ代表遗忘因子,且满足0<λ≤1;遗忘因子的大小可以调节遗忘数据的速度,适当增加或减少遗忘因子可以获取更高的辨识精度。
步骤三:如图2所示,实时获取光伏逆变器控制器的输入输出量作为所述辨识系统的输入量,以残差平方最小作为带遗传因子递推最小二乘法的最优参数估计,当待辨识控制器参数达到预设的精度ε时停止迭代,即辨识参数的流程图如图3所示。所述辨识系统输出此时的控制器参数估计值,为辨识参数[a1 a2 ... b0 b1...]的估计值,将控制器参数估计值带入差分方程的表达式逆推控制器参数。
本发明实时获取光伏逆变器控制器的输入输出量作为辨识系统的输入量,以残差平方最小作为递推最小二乘法的最优参数估计,当待辨识参数达到预设的精度时停止迭代输出控制器参数估计值;使用递推方法大大减少对数据的储存,容易实现自适应控制;遗忘因子的加入将降低旧数据的权重,提高递推最小二乘法对数据的修正能力。本发明方法实现简单,计算速度较快,适应于逆变器控制器参数的辨识。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何属于本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (4)
1.一种光伏逆变器控制器参数辨识方法,其特征在于:包括如下步骤:
步骤一:建立光伏逆变器控制器的数学模型,确定需要辨识的控制器参数,其中所述光伏逆变器为电压源型逆变器,控制器的控制结构采用双闭环PI调节器;
步骤二:利用塔斯汀离散方法将所述数学模型转化成差分方程,进而得到带遗传因子递推最小二乘法的协方差矩阵及迭代公式作为辨识系统;
步骤三:实时获取光伏逆变器控制器的输入输出量作为所述辨识系统的输入量,以残差平方最小作为带遗传因子递推最小二乘法的最优参数估计,当待辨识控制器参数达到预设的精度时停止迭代,所述辨识系统输出此时的控制器参数估计值,将控制器参数估计值带入差分方程的表达式逆推控制器参数。
2.如权利要求1所述的光伏逆变器控制器参数辨识方法,其特征在于:步骤一中根据建立的控制器的数学模型,推导控制器的传递函数G(s),在主电路参数已知的情况下,所述需要辨识的控制器参数为kPU,kIU,kPI,kII,其中kPU,kIU为电压环的比例系数和积分时间常数;kPI,kII为电流环比例系数和积分时间常数。
3.如权利要求2所述的光伏逆变器控制器参数辨识方法,其特征在于:步骤二中获得带遗传因子递推最小二乘法的协方差矩阵及迭代公式的具体步骤如下:
步骤2.1:将控制器的传递函数G(s)离散化转化为G(z):
并将G(z)写成的差分方程的形式:
y(k)=-a1y(k-1)-a2y(k-2)-...+b0u(k)+b1u(k-1)+... (2)
式中k为离散时刻;y(k)为控制器输出的离散量;u(k)为控制器输入的离散量;
θT=[a1,a2,...,b0,b1,...]为待辨识的参数,待辨识的参数是由控制器参数kPU,kIU,kPI,kII形成的表达式,辨识出θ即可推出控制器参数;
将式(2)写成对应的向量方程形式为:
Yk=Hkθ (3)
式中:
k0为差分方程中最大差分数;
步骤2.2:递推最小二乘法以最小化残差平方作为目标寻求最优解,即目标函数为:
进而得到协方差矩阵的逆矩阵,计算得到递推最小二乘法k时刻的估计值为:
步骤2.3:在迭代公式中加入遗忘因子,得到带遗忘因子的递推最小二乘法的迭代公式如下:
式中λ代表遗忘因子,且满足0<λ≤1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210249684.3A CN114690633A (zh) | 2022-03-14 | 2022-03-14 | 一种光伏逆变器控制器参数辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210249684.3A CN114690633A (zh) | 2022-03-14 | 2022-03-14 | 一种光伏逆变器控制器参数辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114690633A true CN114690633A (zh) | 2022-07-01 |
Family
ID=82138150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210249684.3A Pending CN114690633A (zh) | 2022-03-14 | 2022-03-14 | 一种光伏逆变器控制器参数辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114690633A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115292965A (zh) * | 2022-09-28 | 2022-11-04 | 广东电网有限责任公司中山供电局 | 一种基于最小二乘回归的动态光伏模型参数辨识方法 |
-
2022
- 2022-03-14 CN CN202210249684.3A patent/CN114690633A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115292965A (zh) * | 2022-09-28 | 2022-11-04 | 广东电网有限责任公司中山供电局 | 一种基于最小二乘回归的动态光伏模型参数辨识方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qian et al. | Load frequency control by neural-network-based integral sliding mode for nonlinear power systems with wind turbines | |
Liu et al. | Robust distributed MPC for load frequency control of uncertain power systems | |
Onyeka et al. | Robust decentralised load frequency control for interconnected time delay power systems using sliding mode techniques | |
CN108490790A (zh) | 一种基于多目标优化的过热汽温自抗扰串级控制方法 | |
KR100989441B1 (ko) | 적응형 퍼지모델을 이용한 태양광 발전 제어 시스템 및 이를 이용한 최대전력 추정방법 | |
WO2022121446A1 (zh) | 控制系统、无功电压控制方法和装置、介质以及计算装置 | |
CN110797857B (zh) | 一种不确定性直流微电网的切换型模糊模型预测控制方法 | |
Hosseini et al. | Design and construction of photovoltaic simulator based on dual-diode model | |
CN108233805A (zh) | 永磁同步电机转速控制系统的扩张状态观测器的设计方法 | |
CN111221253A (zh) | 适用于三相并网逆变器的鲁棒模型预测控制方法 | |
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 | |
CN114690633A (zh) | 一种光伏逆变器控制器参数辨识方法 | |
CN109830987B (zh) | 计及分布式光伏随机性的主动配电网概率稳定性分析方法 | |
Hui et al. | Load following control of a PWR with load-dependent parameters and perturbations via fixed-time fractional-order sliding mode and disturbance observer techniques | |
CN110021931B (zh) | 一种计及模型不确定性的电力系统辅助预测状态估计方法 | |
Veisi et al. | Adaptive optimized fractional order control of doubly‐fed induction generator (DFIG) based wind turbine using disturbance observer | |
CN109165474B (zh) | 一种基于神经网络的逆变器重复控制设计方法 | |
CN114997505A (zh) | 一种经变流器并网电源的稳定性分析方法及系统 | |
CN115498616A (zh) | 一种柔性直流输电系统高频振荡主导环节快速识别方法 | |
Chen et al. | Improved pitch control strategy for the robust operation of wind energy conversion system in the high wind speed condition | |
Novikov et al. | SELECTING A METHOD FOR THE PARAMETRIC ADAPTATION OF PI-CONTROLLER IN THE CONTROL SYSTEMS OF BOILER ASSEMBLIES AT THERMAL POWER STATIONS WITH SUPERCRITICAL PARAMETERS. | |
CN113138620A (zh) | 一种基于混合bso-flc的光伏最大功率点跟踪方法及系统 | |
CN113033136A (zh) | 简化的光伏电池物理参数提取优化方法及系统 | |
Jing et al. | Prescribed performance finite‐time control of wind energy conversion systems with input constraint and system uncertainty | |
Xu et al. | Design of three-stage start-up optimal strategy based on fuzzy fractional-order proportion integration differentiation controller of pumped storage unit under low water head |
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 |