CN115001016A - 一种基于无模型预测的变流器并网优化控制方法及系统 - Google Patents

一种基于无模型预测的变流器并网优化控制方法及系统 Download PDF

Info

Publication number
CN115001016A
CN115001016A CN202210645617.3A CN202210645617A CN115001016A CN 115001016 A CN115001016 A CN 115001016A CN 202210645617 A CN202210645617 A CN 202210645617A CN 115001016 A CN115001016 A CN 115001016A
Authority
CN
China
Prior art keywords
model
grid
converter
extended state
optimization control
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
CN202210645617.3A
Other languages
English (en)
Other versions
CN115001016B (zh
Inventor
张祯滨
欧路利可·巴巴悠米
李�真
叶荣
李智
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 CN202210645617.3A priority Critical patent/CN115001016B/zh
Publication of CN115001016A publication Critical patent/CN115001016A/zh
Application granted granted Critical
Publication of CN115001016B publication Critical patent/CN115001016B/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
    • 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
    • H02M1/0048—Circuits or arrangements for reducing losses
    • 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
    • H02M1/44—Circuits or arrangements for compensating for electromagnetic interference in converters or 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
    • 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]
    • 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
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Feedback Control In General (AREA)

Abstract

本公开属于电力电子变流器技术领域，具体涉及一种基于无模型预测的变流器并网优化控制方法及系统，包括：构建变流器并网动态模型；在所构建的变流器并网动态模型中添加扩展状态观测器，计算扩展状态观测器的估计状态变量；基于预设的无模型预测模型对所得到的估计状态变量进行预测，对扩展状态观测器的状态参数进行跟踪寻优，完成变流器并网的优化控制。本公开采用新型的扩展状态观测器，采用较低的观测器增益，不会降低整体的干扰抑制能力，提高控制的鲁棒性和控制精度。

Description

一种基于无模型预测的变流器并网优化控制方法及系统
技术领域
本公开属于电力电子变流器技术领域，具体涉及一种基于无模型预测的变流器并网优化控制方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
电力电子转换器的模型预测控制(MPC)是一种先进的控制方法，与线性控制相比具有多个优点。但是，当存在模型参数变化和系统模型中的不匹配状况时，MPC的控制性能会下降。基于此，可采用不需要系统模型参数的控制方法，例如通过在系统运行期间跟踪测量的电流变化，基于抗扰控制的方法。
据发明人了解，可采用主动抗扰控制(ADRC)，基于ADRC原理的功率转换器的无模型预测控制需要扩展状态观察器(ESO)来估计总系统干扰；从控制输入中减去估计的扰动，保证无扰动控制，进而确保测量传感器噪声和参数不确定性等干扰对控制精度的影响最小；但是需要高观测器增益才能实现有效性能，高增益放大了高频测量传感器噪声，降低了抗干扰性能和鲁棒控制性能；也可采用无模型预测控制(MFPC)，利用ESO，不需要模型参数MFPC的ESO具有高增益，可增强抗扰控制，但是这种高增益ESO受限于高频测量噪声和参考跟踪精度。
发明内容
为了解决上述问题，本公开提出了一种基于无模型预测的变流器并网优化控制方法及系统，采用新型的扩展状态观测器，采用较低的观测器增益，不会降低整体的干扰抑制能力，提高控制的鲁棒性和控制精度。
根据一些实施例，本公开的第一方案提供了一种基于无模型预测的变流器并网优化控制方法，采用如下技术方案：
一种基于无模型预测的变流器并网优化控制方法，包括：
构建变流器并网动态模型；
在所构建的变流器并网动态模型中添加扩展状态观测器，计算扩展状态观测器的估计状态变量；
基于预设的无模型预测模型对所得到的估计状态变量进行预测，对扩展状态观测器的状态参数进行跟踪寻优，完成变流器并网的优化控制。
作为进一步的技术限定，所构建的变流器并网动态模型为：
Figure BDA0003685792260000021
其中，iabc表示电网电流，egabc表示电网电压；uabc＝f(Sabc)表示功率转换器的输出电压，是开关状态Sabc的函数；L表示滤波器电感，R表示滤波器电阻。
作为进一步的技术限定，构建所添加的扩展状态观测器的时域数学模型，对所构建的时域数学模型进行离散化处理，得到扩展状态观测器的离散数学模型。
进一步的，所述扩展状态观测器的估计状态变量为所述扩展状态观测器的离散数学模型中扰动量的累加和。
作为进一步的技术限定，所述无模型预测模型的具体形式为：
Figure BDA0003685792260000031
其中，
Figure BDA0003685792260000032
表示下一个采样时刻(k+1)的电网电流预测估计值，
Figure BDA0003685792260000033
表示离散样本在当前采样时刻(k)的估计电流，Ts表示采样时间，α＝1/L，u(k)表示开关状态Sabc(k)引起的转换器电压，idq(k)表示当前采样时刻(k)的测量电流，
Figure BDA0003685792260000034
表示ESO带宽的估计干扰值，其中，总估计扰动值为
Figure BDA0003685792260000035
Figure BDA0003685792260000036
进一步的，通过所得到的无模型预测模型，基于最小化成本函数来跟踪参考电流参考值，实现对变流器并网的优化控制。
作为进一步的技术限定，所述扩展状态观测器采用级联扩展状态观测器或并行多频扩展状态观测器。
根据一些实施例，本公开的第二方案提供了一种基于无模型预测的变流器并网优化控制系统，采用如下技术方案：
一种基于无模型预测的变流器并网优化控制系统，包括：
建模模块，其被配置为构建变流器并网动态模型；
计算模块，其被配置为在所构建的变流器并网动态模型中添加扩展状态观测器，计算扩展状态观测器的估计状态变量；
优化控制模块，其被配置为基于预设的无模型预测模型对所得到的估计状态变量进行预测，对扩展状态观测器的状态参数进行跟踪寻优，完成变流器并网的优化控制。
根据一些实施例，本公开的第三方案提供了一种计算机可读存储介质，采用如下技术方案：
一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的基于无模型预测的变流器并网优化控制方法中的步骤。
根据一些实施例，本公开的第四方案提供了一种电子设备，采用如下技术方案：
一种电子设备，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程序，所述处理器执行所述程序时实现如本公开第一方面所述的基于无模型预测的变流器并网优化控制方法中的步骤。
与现有技术相比，本公开的有益效果为：
本公开基于所采用的状态控制器，实现了变流器并网优化控制过程的更高干扰抑制和更低观测器增益，实现了更好地高频测量噪声的性能；在不降低参考跟踪精度的情况下提高了变流器并网优化控制的鲁棒性和抗干扰性；在控制的过程中，基于不确定或变化的模型参数，实现变流器并网过程的高性能预测控制。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1是本公开实施例一中的基于无模型预测的变流器并网优化控制方法的流程图；
图2是本公开实施例二中的具有并联多频扩展状态观测器的并网功率转换器的无模型预测控制结构图；
图3是本公开实施例二中的并行多频扩展状态观测器；
图4是本公开实施例二中并行ESO的滤波电感标称值(1.0L)下的控制性能示意图；
图5是本公开实施例二中并行ESO的滤波电感值为0.5L时的控制性能示意图；
图6是本公开实施例三中的具有多频扰动估计的级联扩展状态观测器的结构示意图；
图7是本公开实施例三中的频率轴上具有线性间距的扰动函数频谱示意图；
图8是本公开实施例三中的基于级联扩展状态观测器的功率转换器的无模型预测控制结构图；
图9是本公开实施例三中的具有级联扩展状态观测器的并网功率转换器的无模型预测控制示意图；
图10是本公开实施例三中级联ESO的滤波器电感在标称值(1.0L)下的性能示意图；
图11是本公开实施例三中级联ESO的滤波电感值为0.5L时的控制性能示意图；
图12是本公开实施例四中的基于无模型预测的变流器并网优化控制系统的结构框图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开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公开的示例性实施方式。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。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例一
本公开实施例一介绍了一种基于无模型预测的变流器并网优化控制方法。
如图1所示的一种基于无模型预测的变流器并网优化控制方法，包括：
构建变流器并网动态模型；
在所构建的变流器并网动态模型中添加扩展状态观测器，计算扩展状态观测器的估计状态变量；
基于预设的无模型预测模型对所得到的估计状态变量进行预测，对扩展状态观测器的状态参数进行跟踪寻优，完成变流器并网的优化控制。
作为一种或多种实施方式，构建的变流器并网动态模型为：
Figure BDA0003685792260000071
其中，iabc表示电网电流，egabc表示电网电压；uabc＝f(Sabc)表示功率转换器的输出电压，是开关状态Sabc的函数；L表示滤波器电感，R表示滤波器电阻。
作为一种或多种实施方式，构建所添加的扩展状态观测器的时域数学模型，对所构建的时域数学模型进行离散化处理，得到扩展状态观测器的离散数学模型。
作为一种或多种实施方式，所述扩展状态观测器的估计状态变量为所述扩展状态观测器的离散数学模型中扰动量的累加和。
作为一种或多种实施方式，所述无模型预测模型的具体形式为：
Figure BDA0003685792260000072
其中，
Figure BDA0003685792260000073
表示下一个采样时刻(k+1)的电网电流预测估计值，
Figure BDA0003685792260000074
表示离散样本在当前采样时刻(k)的估计电流，Ts表示采样时间，α＝1/L，u(k)表示开关状态Sabc(k)引起的转换器电压，idq(k)表示当前采样时刻(k)的测量电流，
Figure BDA0003685792260000075
表示ESO带宽的估计干扰值，其中，总估计扰动值为
Figure BDA0003685792260000081
Figure BDA0003685792260000082
本实施例基于所采用的状态控制器，实现了变流器并网优化控制过程的更高干扰抑制和更低观测器增益，实现了更好地高频测量噪声的性能；在不降低参考跟踪精度的情况下提高了变流器并网优化控制的鲁棒性和抗干扰性；在控制的过程中，基于不确定或变化的模型参数，实现变流器并网过程的高性能预测控制。
实施例二
在实施例一的基础上，本公开实施例二介绍了一种基于并行多频扩展状态观测器的无模型预测控制方法。
如图3所示的具有并联多频扩展状态观测器的并网功率转换器的无模型预测控制结构示意图，并网变流器具有如下动态模型
Figure BDA0003685792260000083
其中，iabc表示电网电流，egabc表示电网电压；uabc＝f(Sabc)表示功率转换器的输出电压，是开关状态Sabc的函数；L表示滤波器电感，R表示滤波器电阻。
公式(1)可转化为:
Figure BDA0003685792260000084
其中y＝iabc,u＝uabc,
Figure BDA0003685792260000085
是恒定控制输入增益，
Figure BDA0003685792260000086
Figure BDA0003685792260000087
是系统中的总干扰和测量噪声。
假设总干扰的形式为:
Figure BDA0003685792260000091
其中，|Fi|是F的第i个分量的幅度，角频率为ωi，相位为φi.。本实施例的目标是找到F,的估计值(即
Figure BDA0003685792260000092
)，系统带宽为ω0。
将带宽ω0划分为具有频率{ω01,ω02,…,ω0n}}的有限区间，使得(ω01<ω02<…<ω0n)，最高频率ω0n＝ω0.
将使用图3所示的新型扩展状态观测器(ESO)估计干扰
Figure BDA0003685792260000093
这个ESO有多个并行的ESO，每个都调谐到预定义间隔内的频率。反馈y是测量的输出状态，用作所有并行ESO的输入。每个ESOi的输出(即
Figure BDA0003685792260000094
)是ESOi的频率ω0ii处的总干扰的估计分量。
改进后的估计扰动为：
Figure BDA0003685792260000095
其中，n是并行ESO的总数。
对于所研究的扩展状态观测器，令x＝iabc，估计状态
Figure BDA0003685792260000096
ESO被建模为
Figure BDA0003685792260000097
其中，
Figure BDA0003685792260000098
是状态变量x(t)的估计值，γ1i和γ2i是ESOo的观测器增益，
Figure BDA0003685792260000099
中的估计误差，γ1i＝2ω0i,
Figure BDA00036857922600000910
ρ是定义的参数ρ＝n＝ESO的总数，ω0＝＝ESO系统的总带宽。
对公式(5)做离散变化，可得：
Figure BDA0003685792260000101
其中，公式(6)用于在离散时刻k的微控制器上进行数字实现，并且采样时间为Ts，γ01i和γ02i是ESOi的离散观测器增益，
Figure BDA0003685792260000102
中的误差，γ01i＝2Tsω0j,
Figure BDA0003685792260000103
ρ是参数定义为ρ＝ESO总数，ω0＝整体ESO系统带宽。
总估计扰动
Figure BDA0003685792260000104
为：
Figure BDA0003685792260000105
作为一种或多种实施方式，本实施例中的一阶系统的转换器，包括并网转换器、永磁同步电机(PMSM)驱动器和双馈感应电机(DFIM)驱动器，以图2中带电感滤波器的三相并网变流器的无模型状态预测，时域动态定义在(1)中，可得两步状态预测的实现如下：
Figure BDA0003685792260000106
其中，γ01＝2Tsω0,，ω0表示整个ESO系统带宽，
Figure BDA0003685792260000107
是下一个采样(k+1)时刻的电网电流预测估计值，
Figure BDA0003685792260000108
是当前离散样本(k)的估计电流，Ts是采样时间，α＝1/L，u(k)是表2中开关状态Sabc(k)引起的转换器电压，idq(k)是当前采样时刻的测量电流，
Figure BDA0003685792260000109
是估计的干扰在ESO带宽。
因此，控制目标是通过最小化成本函数J来跟踪参考
Figure BDA00036857922600001010
最小化成本函数为
Figure BDA00036857922600001011
其中，
Figure BDA0003685792260000111
且
Figure BDA0003685792260000112
kp,ki是调节Vdc的PI控制器增益，即直流母线电压，
Figure BDA0003685792260000113
是直流母线电压参考。
本实施例中控制方案的控制性能结果如图4和图5所示，控制的状态变量是电网电流iabc，将1个ESO(常规方法)的性能与建议的级联ESO(ρ＝7ESO)的性能进行了比较，ESO的频率值如表1所示，适用于级联7ESO。用户可以为ρ选择任何大于1的正整数。然而，微处理器的计算时间和内存需求将随着级联ESO数量的增加而增加。
表1 ESO频率值的选择
Figure BDA0003685792260000114
在图4中，系统在滤波器电感的标称值下运行。系统带宽，ω0＝10,000。在0.15s时，参考电压从200V变为250V，并在3.0s时回到200V。对于功率和电流，7ESO的过冲远小于1ESO的过冲。此外，电流的THD为1.3801％(1ESO,先验艺术)和1.3779％(7ESO)。
在图5中，滤波器电感为0.5L，系统带宽ω0＝200。在0.15s时，参考电压从200V变为250V，并在3.0s时回到200V。对于功率和电流，7ESO的过冲远小于1ESO的过冲。此外，电流的THD为2.6515％(1ESO，现有技术)和2.7051％(7ESO)。
这些结果表明，对于标称模型参数和不匹配的模型参数，使用多个多频并行ESO，在不损失跟踪精度的情况下，实现了对干扰的更大鲁棒性。
实施例三
在实施例一的基础上，本公开实施例三介绍了一种基于级联扩展状态观测器的无模型预测控制方法。
基于ADRC原理，一个无模型系统可以用方程(10)建模：
Figure BDA0003685792260000121
其中，y是输出，u(t)是控制输入,F(t)是总系统扰动，α:α>0是一个常数系数。
将总未知干扰F建模为傅里叶级数(11)：
Figure BDA0003685792260000122
在哪里|Fi|是F的第i个分量的幅度，角频率为ωi，相位为φi.。
给定有限的系统带宽ω0，我们可以在ω0处计算估计
Figure BDA0003685792260000123
基于公式(11)，可知F在不同频率有几个分量。因此，在图6中引入了新的扩展状态观测器(ESO)来估计F在有限频率{ω01,ω02,…,ω0n}、
Figure BDA0003685792260000131
和
Figure BDA0003685792260000132
处的分量。让我们以F的估计值的幅度谱为例，即
Figure BDA0003685792260000133
如图7所示，这是针对从零到带宽ω0的频率线性扩展(ω01<ω02<…<ω0n)。
图6中的ESO包括级联线性ESO，称为ESOi，每个都调谐到频率ω0i，其中i＝{1,2,3,…,n}.。
每个ESO有两个输出：状态估计
Figure BDA0003685792260000134
和干扰估计
Figure BDA0003685792260000135
每个前一个ESO的状态估计是下一个ESO的输入。只有第一个ESO，即ESO1接收测量的系统输出y作为其输入。将所有干扰估计加在一起以提供对带宽ω0内总干扰的更准确估计。
等式(12)和(13)显示了图6中ESO的时域数学模型，即
Figure BDA0003685792260000136
其中，e1＝ESO1估计误差，γ11＝2ω01,
Figure BDA0003685792260000137
Figure BDA0003685792260000138
ρ＝ESO总数，，而ω0＝整个ESO系统带宽。
Figure BDA0003685792260000139
其中，ei＝ESOi估计误差,γ1i＝2ω0i,
Figure BDA00036857922600001310
Figure BDA00036857922600001311
ρ＝ESO总数，而ω0＝整个ESO系统带宽。
对公式(12)和公式(13)做离散变化，得(14)和(15)。这有助于在离散时刻k和采样时间Ts在微控制器上实现数字化
Figure BDA0003685792260000141
其中，e1＝ESO1估计误差，γ011＝2Tsω01,
Figure BDA0003685792260000142
Figure BDA0003685792260000143
ρ＝ESO总数，而ω0＝整个ESO系统带宽。
Figure BDA0003685792260000144
其中，EI＝eSOi估计误差,γ01i＝2Tsω0i,
Figure BDA0003685792260000145
Figure BDA0003685792260000146
ρ＝ESO总数，而ω0＝整个ESO系统带宽。
总估计扰动
Figure BDA0003685792260000147
为
Figure BDA0003685792260000148
无模型状态预测如下：
Figure BDA0003685792260000149
其中，γ01＝2TSω0,ω0＝整个ESO系统带宽，
Figure BDA00036857922600001410
是估计的状态变量，x是测量的状态变量。
因此，控制目标是通过最小化成本函数J来跟踪参考x*(k+2)：
Figure BDA00036857922600001411
对于表2中n＝{0,1,…,7}的值，每个开关状态电压udq在成本函数中进行评估。在这8个选项中，应用J最小值的电压udq作为功率转换器的开关状态Sabc。
表2：并网功率变换器的开关状态
Figure BDA0003685792260000151
本实施例中所采用的基于级联扩展状态观测器的功率转换器的无模型预测控制如图8所示。
本实施例所采用的控制方案在如图9所示的并网转换器上实施运行。用于控制的状态变量是电网电流x＝iabc。将一个ESO(传统方法)的性能与建议的级联ESO(ρ＝7ESO)的性能进行了比较，具体的ESO的频率值如表1所示，结果如图10和图11所示。用户可以为ρ选择任何大于1的正整数。微处理器的计算时间和内存需求将随着级联ESO数量的增加而增加。
在图10中，系统在滤波器电感的标称值下运行。系统带宽，ω0＝10,000。在0.1s时，参考电压从200V变为250V。对于功率和电流，7个ESO的过冲远小于单个ESO(现有技术)的过冲。此外，电流的总谐波失真(THD)为1.56％(single ESO)和1.58％(7ESO)。
在图11中，滤波器电感为0.5L，系统带宽ω0＝200。在0.1s时，参考电压从200V变为250V。7个ESO的过冲远小于单个ESO的过冲，无论是功率还是电流。此外，1ESO和7ESO的电流THD均为3.02％。
结果表明，使用级联ESO可以实现更高的抗干扰鲁棒性，而不会损失跟踪精度。级联ESO为标称模型参数和不匹配的模型参数提供了显着的性能改进。
实施例四
本公开实施例四介绍了一种基于无模型预测的变流器并网优化控制系统。
如图12所示的一种基于无模型预测的变流器并网优化控制系统，包括：
建模模块，其被配置为构建变流器并网动态模型；
计算模块，其被配置为在所构建的变流器并网动态模型中添加扩展状态观测器，计算扩展状态观测器的估计状态变量；
优化控制模块，其被配置为基于预设的无模型预测模型对所得到的估计状态变量进行预测，对扩展状态观测器的状态参数进行跟踪寻优，完成变流器并网的优化控制。
详细步骤与实施例一提供的基于无模型预测的变流器并网优化控制方法相同，在此不再赘述。
实施例五
本公开实施例五提供了一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例一所述的基于无模型预测的变流器并网优化控制方法中的步骤。
详细步骤与实施例一提供的基于无模型预测的变流器并网优化控制方法相同，在此不再赘述。
实施例六
本公开实施例六提供了一种电子设备。
一种电子设备，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程序，所述处理器执行所述程序时实现如本公开实施例一所述的基于无模型预测的变流器并网优化控制方法中的步骤。
详细步骤与实施例一提供的基于无模型预测的变流器并网优化控制方法相同，在此不再赘述。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种基于无模型预测的变流器并网优化控制方法，其特征在于，包括：
构建变流器并网动态模型；
在所构建的变流器并网动态模型中添加扩展状态观测器，计算扩展状态观测器的估计状态变量；
基于预设的无模型预测模型对所得到的估计状态变量进行预测，对扩展状态观测器的状态参数进行跟踪寻优，完成变流器并网的优化控制。
2.如权利要求1中所述的基于无模型预测的变流器并网优化控制方法，其特征在于，所构建的变流器并网动态模型为：
Figure FDA0003685792250000011
Figure FDA0003685792250000012
其中，iabc表示电网电流，egabc表示电网电压；uabc＝f(Sabc)表示功率转换器的输出电压，是开关状态Sabc的函数；L表示滤波器电感，R表示滤波器电阻。
3.如权利要求1中所述的基于无模型预测的变流器并网优化控制方法，其特征在于，构建所添加的扩展状态观测器的时域数学模型，对所构建的时域数学模型进行离散化处理，得到扩展状态观测器的离散数学模型。
4.如权利要求3中所述的基于无模型预测的变流器并网优化控制方法，其特征在于，所述扩展状态观测器的估计状态变量为所述扩展状态观测器的离散数学模型中扰动量的累加和。
5.如权利要求1中所述的基于无模型预测的变流器并网优化控制方法，其特征在于，所述无模型预测模型的具体形式为：
Figure FDA0003685792250000021
其中，
Figure FDA0003685792250000022
表示下一个采样时刻(k+1)的电网电流预测估计值，
Figure FDA0003685792250000023
表示离散样本在当前采样时刻(k)的估计电流，Ts表示采样时间，α＝1/L，u(k)表示开关状态Sabc(k)引起的转换器电压，idq(k)表示当前采样时刻(k)的测量电流，
Figure FDA0003685792250000024
表示ESO带宽的估计干扰值，其中，总估计扰动值为
Figure FDA0003685792250000025
Figure FDA0003685792250000026
6.如权利要求5中所述的基于无模型预测的变流器并网优化控制方法，其特征在于，通过所得到的无模型预测模型，基于最小化成本函数来跟踪参考电流参考值，实现对变流器并网的优化控制。
7.如权利要求1中所述的基于无模型预测的变流器并网优化控制方法，其特征在于，所述扩展状态观测器采用级联扩展状态观测器或并行多频扩展状态观测器。
8.一种基于无模型预测的变流器并网优化控制系统，其特征在于，包括：
建模模块，其被配置为构建变流器并网动态模型；
计算模块，其被配置为在所构建的变流器并网动态模型中添加扩展状态观测器，计算扩展状态观测器的估计状态变量；
优化控制模块，其被配置为基于预设的无模型预测模型对所得到的估计状态变量进行预测，对扩展状态观测器的状态参数进行跟踪寻优，完成变流器并网的优化控制。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的基于无模型预测的变流器并网优化控制方法中的步骤。
10.一种电子设备，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1-7中任一项所述的基于无模型预测的变流器并网优化控制方法中的步骤。
CN202210645617.3A 2022-06-09 2022-06-09 一种基于无模型预测的变流器并网优化控制方法及系统 Active CN115001016B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210645617.3A CN115001016B (zh) 2022-06-09 2022-06-09 一种基于无模型预测的变流器并网优化控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210645617.3A CN115001016B (zh) 2022-06-09 2022-06-09 一种基于无模型预测的变流器并网优化控制方法及系统

Publications (2)

Publication Number Publication Date
CN115001016A true CN115001016A (zh) 2022-09-02
CN115001016B CN115001016B (zh) 2023-07-18

Family

ID=83032941

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210645617.3A Active CN115001016B (zh) 2022-06-09 2022-06-09 一种基于无模型预测的变流器并网优化控制方法及系统

Country Status (1)

Country Link
CN (1) CN115001016B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109245570A (zh) * 2018-09-18 2019-01-18 北方工业大学 基于扩张状态观测器的pwm整流器控制方法与装置
CN110601628A (zh) * 2019-08-30 2019-12-20 北方工业大学 一种基于扩张状态观测器的无模型预测电流控制方法
CN111221253A (zh) * 2020-03-11 2020-06-02 国网江苏省电力有限公司泗洪县供电分公司 适用于三相并网逆变器的鲁棒模型预测控制方法
CN111969645A (zh) * 2020-07-20 2020-11-20 武汉工程大学 一种基于直流电容的惯性支撑并网控制系统及方法
CN113285481A (zh) * 2021-05-25 2021-08-20 山东大学 并网变流器电感参数在线估计方法、预测控制方法及系统
CN113472226A (zh) * 2021-07-07 2021-10-01 郑州轻工业大学 基于滑膜观测器的并网逆变器双矢量无模型预测控制方法
CN114583974A (zh) * 2022-02-24 2022-06-03 国网浙江省电力有限公司台州供电公司 基于扩张状态观测器的多电平矩阵变流器控制方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109245570A (zh) * 2018-09-18 2019-01-18 北方工业大学 基于扩张状态观测器的pwm整流器控制方法与装置
CN110601628A (zh) * 2019-08-30 2019-12-20 北方工业大学 一种基于扩张状态观测器的无模型预测电流控制方法
CN111221253A (zh) * 2020-03-11 2020-06-02 国网江苏省电力有限公司泗洪县供电分公司 适用于三相并网逆变器的鲁棒模型预测控制方法
CN111969645A (zh) * 2020-07-20 2020-11-20 武汉工程大学 一种基于直流电容的惯性支撑并网控制系统及方法
CN113285481A (zh) * 2021-05-25 2021-08-20 山东大学 并网变流器电感参数在线估计方法、预测控制方法及系统
CN113472226A (zh) * 2021-07-07 2021-10-01 郑州轻工业大学 基于滑膜观测器的并网逆变器双矢量无模型预测控制方法
CN114583974A (zh) * 2022-02-24 2022-06-03 国网浙江省电力有限公司台州供电公司 基于扩张状态观测器的多电平矩阵变流器控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YONGCHANG ZHANG等: ""Model-Free Predictive Current Control of PWM Rectifier Under Unbalanced and Distorted Network"", pages 5944 - 5951 *

Also Published As

Publication number Publication date
CN115001016B (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
Algreer et al. Active online system identification of switch mode DC–DC power converter based on efficient recursive DCD-IIR adaptive filter
CN108020721B (zh) 一种基于IpDFT的非平衡电力系统的频率估计方法
WO2010059900A1 (en) Digital compensator for power supply applications
US11275397B2 (en) Power factor correction circuit, control method and controller
CN108712120B (zh) 基于扰动观测器的永磁电机电流预测谐振控制方法
JP6406268B2 (ja) 周期性外乱抑制制御装置
Liao et al. Robust dichotomy solution-based model predictive control for the grid-connected inverters with disturbance observer
CN111130123A (zh) 一种并联型有源电力滤波器的自适应控制方法
CN113315126B (zh) 一种有源电力滤波器指定次谐波抑制二次采样方法及系统
CN112310991A (zh) 基于扰动观测的储能变换器改进有限集模型预测控制方法
CN115276094A (zh) 基于结构自适应eso的并网变流器预测控制方法及系统
Busarello et al. Zero-crossing detection frequency estimator method combined with a Kalman filter for non-ideal power grid
CN102969913B (zh) 主动前端整流器模型预测控制参数不匹配补偿方法
CN115001016B (zh) 一种基于无模型预测的变流器并网优化控制方法及系统
Park et al. Advanced single-phase SOGI-FLL using self-tuning gain based on fuzzy logic
Nair et al. An improved fs-mpc algorithm for vienna rectifier based ev chargers
CN110601630A (zh) 磁链角度限幅处理、无速度传感器矢量控制方法及系统
CN115036929A (zh) 一种并联apf的控制方法及装置
WO2016184524A1 (en) Switched mode power supply compensation loop
CN114784819A (zh) 并联变流器的控制方法、系统、装置及控制器
Talla et al. Current reference generator for single-phase shunt active power filters based on MGP-FIR
CN109768752B (zh) 一种基于多用途扰动观测器的永磁同步电机无差拍电流预测控制方法
CN113358922A (zh) 非稳态电网信号的基波、谐波、间谐波电能功率测量方法
Du et al. The improved model predictive control based on novel error correction between reference and predicted current
CN117074778B (zh) 基于负载场景的谐波提取方法、装置和计算机设备

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