CN115864521A - 一种面向并网逆变器的动态阻尼无源化顺序模型预测控制方法 - Google Patents
一种面向并网逆变器的动态阻尼无源化顺序模型预测控制方法 Download PDFInfo
- Publication number
- CN115864521A CN115864521A CN202310016640.0A CN202310016640A CN115864521A CN 115864521 A CN115864521 A CN 115864521A CN 202310016640 A CN202310016640 A CN 202310016640A CN 115864521 A CN115864521 A CN 115864521A
- Authority
- CN
- China
- Prior art keywords
- inverter
- grid
- voltage
- current
- dynamic damping
- 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
Landscapes
- Inverter Devices (AREA)
Abstract
本发明公开了一种面向并网逆变器的动态阻尼无源化顺序模型预测控制方法,采用基于动态阻尼无源化的部分顺序模型预测控制,通过建立T型三电平LCL的欧拉‑朗格朗日(EL)模型,得到无源化逆变器输出电压,该电压用作模型预测控制的参考值以实现对逆变器电压的鲁棒控制。本发明采用了部分顺序模型预测控制,其思想是将中点电位平衡、网侧电流、逆变器侧输出电压这三个控制目标分配到两层预测控制,中点电压平衡单独放在第一层,网侧电流以及逆变器侧输出电压作为第二层,通过两层淘汰得到综合最优开关矢量作为逆变器的驱动信号。本发明方法极大地提高了系统的抗干扰能力,保证了中点电位平衡,同时实现了高质量,高鲁棒的网侧电流输出性能。
Description
技术领域
本发明属于增强并网逆变器入网电流鲁棒性,提升系统抗扰动能力技术领域,具体涉及一种面向并网逆变器的动态阻尼无源化顺序模型预测控制方法。
背景技术
随着电力系统中分布式新能源发电所占比例的增加,并网逆变器在能源转换中发挥着越来越重要的作用。与两电平拓扑相比,三电平逆变器由于输出电流质量高,已广泛应用于低压和中压领域。现有的几种三电平逆变器结构(例如二极管箝位和基于飞跨电容的三电平逆变器)中,T型三电平逆变器(3LT2C)因其独特的优点(具有更少的开关元件和更高的效率)而受到广泛研究。
近年来,并网逆变器系统的鲁棒性与抗扰动能力在新能源发电领域中受到越来越多的重视,另外,由于模型预测控制(MPC)能够实现并网发电系统的多目标控制以及快速动态响应,因此MPC在逆变器系统控制中越来越受欢迎。然而在MPC控制3LT2C正常运行期间,可能出现各种不可预知的扰动导致控制器性能下降,比如由于元件老化现象和环境温度升高,滤波器参数可能会偏离其期望值等。环境扰动导致的3LT2C模型失配可能引发严重的电网电流失真。当扰动(如电网电压畸变、电压下降)发生时,MPC恢复不足,导致系统不稳定。扰动的产生会对输出电流质量造成干扰,导致并网电流达不到入网标准。
在已有的研究中,针对不同的扰动来源,工程中提出了不同的鲁棒MPC策略。针对LCL滤波器引起的谐振主要有两种方法可以克服。第一种是在电路中加入额外的物理电阻以提高系统的阻尼。然而,这可能会产生额外的成本和功率损失。第二种是有源阻尼(AD)策略,采用电流反馈控制算法抑制谐振,比如在MPC的代价函数中加入可能引发谐振的状态变量(i1,i2等)对其进行优化抑制谐振。然而,新反馈变量的引入会导致代价函数中权重因子的数量增加,从而使其选择过程更加复杂。
另外,为了克服参数变化带来的干扰,通常使用观测器来补偿模型的精度。比如在MPC中加入基于扩展卡尔曼滤波器(EKF)的干扰观测器用于提高系统鲁棒性。在该方法中,使用EKF观测器计算电网电压,做到了在弱电网条件下保证输出性能,消除了系统中的内部干扰。然而,引入额外的非线性观测器需要对多个参数进行调整,这需要进行大量重复性实验来确定参数的最优选择,但通常来说要选到最优参数是非常困难且耗时的。
发明内容
本发明要解决的技术问题是:为提高MPC控制T型三电平LCL型并网逆变器时的抗扰动能力并实现多目标优化,提出了一种面向并网逆变器的动态阻尼无源化顺序模型预测控制方法。
为了实现上述的目的,本发明采用如下技术方案。
一种面向并网逆变器的动态阻尼无源化顺序模型预测控制方法,包括以下步骤:
步骤S1:设在k时刻使用电压、电流传感器对T型三电平LCL型并网逆变器的网侧电压vg,网侧电流i2,直流母线侧电容电压vp和vn进行采样,并利用卡尔曼滤波器计算出逆变器侧电流估计值和电容电压估计值/>并且记录当前开关状态;
步骤S2:将上一步中得到的状态量通过Clarke变换转到αβ0坐标系下,得到状态变量矩阵x(t)=[i1αβ,i2αβ,vcαβ]T;
步骤S3:在得到状态变量矩阵之后,利用基尔霍夫电流定律建立T型三电平LCL型并网逆变器的电路方程;
步骤S4:建立以逆变器开关矢量为变量的模型预测方程;
步骤S6:计算约束矢量的代价函数值,并对其进行归类,判断NP电压采样值的正负值,选择不同的并集(uf∪u-或uf∪u+)进入到预测控制的第二层;
步骤S7:经过第一层控制淘汰后,将确定的集合送入到第二层控制中对网侧电流的质量以及抗扰动能力进行优化,最后选出使得第二层代价函数值最小的开关矢量作用于逆变器。
进一步地,步骤S4中通过式三、式四,建立以逆变器开关矢量为变量的模型预测方程。
进一步地,所述式三如下:
其中,x(k+1)、y(k+1)分别为未来k+1时刻的状态变量与输出矢量;x(k)、u(k)以及vg(k)分别为k时刻的状态变量,开关状态以及电网电压;A为系统矩阵,B为控制矩阵,B=-F-1(I-A)G;T为电网电压的控制矩阵,T=-F-1(I-A)P。
进一步地,所述式四如下:
其中,Δvdc(k+1)为未来k+1时刻的中点电压,Ts是采样时间,u(k)、i1(k)、Δvdc(k)分别代表采样k时刻,逆变器的开关状态、逆变器侧电流值以及中点电压,Cdc为直流侧的电容。
进一步地,所述式十二如下:
进一步地,步骤S6中根据式十三,计算约束矢量的代价函数值。
进一步地,所述式十三如下:
其中,Jlayer1(|uk|)为DDPB-PSMPC第一层代价函数,自变量为k时刻开关状态的绝对值|uk|,Ts是采样时间,u(k)、i1(k)、Δvdc(k)分别代表采样k时刻,逆变器的开关状态、逆变器侧电流值以及中点电压,Cdc为直流侧的电容。
本发明的技术原理:首先,为在提高并网逆变器高频衰减能力的同时减少滤波器体积和损耗,采用LCL型滤波器。同时为了进一步提升T型三电平并网逆变器的鲁棒性,将无源化控制思想嵌入到模型预测控制中,其次,为在控制器中选取合适的注入阻尼,为无源化策略设计了动态阻尼注入规则,该规则将计算出改进的无源逆变器输出电压作为模型预测控制中的参考值。通过跟踪逆变器侧电压,提升系统的抗扰动能力,实现网侧电流的高质量输出。
根据逆变器输出电压误差,外推出电流误差的预测值,因为电流误差与逆变器侧电压存在耦合,因此采用电流误差的预测值为准则,向系统注入动态阻尼。为实现逆变器多目标优化,设计部分顺序模型预测控制分别为中点电位平衡、网侧电流,逆变器侧输出电压设计两侧控制层。逆变器存在的27种开关矢量先进入第一层预测控制进行NP电压控制,根据NP电压采样值选择留下的候选矢量集合,再进入第二层预测控制MPC2(控制电流与电压)选择综合最优的开关序列作为驱动信号。
本发明提升了T型三电平逆变器的鲁棒性以及抗扰动能力,在满足中点电位平衡下,通过向系统注入动态阻尼对系统的扰动能量进行抑制以提升鲁棒性。传统预测控制的系统需要选取两个权重因子,控制器参数设计过程复杂。本设计引入部分顺序模型预测控制,在减少权重因子个数的同时,可优化控制目标分配控制层以及控制顺序,提高控制器性能
由于上述技术方案的运用,因此,本发明具有如下优势:
1.本发明为实现对T型三电平并网逆变器进行模型预测控制的同时,提高系统的抗扰动能力,引入动态无源化控制策略,分析系统的扰动能量对鲁棒性的影响,通过在一定时间内将扰动能量完全耗散以确保系统的稳定性。
2.本发明引入了部分顺序模型预测控制策略,相比于传统MPC,该策略对需要优化的三个目标分为两级并分配各自的代价函数,将权重因子数从两个降为一个。不仅避免了多权重因子复杂设计过程,而且将网侧电流以及逆变器侧输出电压放在同一层综合控制,确保了入网电流的高质量以及鲁棒性。
附图说明
图1:本发明中的T型三电平LCL型并网逆变器拓扑结构图;
图2:本发明中的部分顺序模型预测控制的矢量筛选流程图;
图3:本发明中的动态阻尼无源化部分顺序模型预测控制框图;
图4:本发明中的动态阻尼无源化部分顺序模型预测控制与传统MPC控制下,网侧电流跟踪对比图;
图5:本发明中的动态阻尼无源化部分顺序模型预测控制与传统MPC控制下,中点电压差图;
图6:本发明中的动态阻尼无源化部分顺序模型预测控制与传统MPC控制下,加入非线性电感时,网侧电流对比图;
图7:本发明中的动态阻尼无源化部分顺序模型预测控制与传统MPC控制下,加入电网电感后,网侧电流对比图。
具体实施方式
以下将结合本发明的优选实例和附图对技术方案进行清楚、完整地描述。应当理解,优选实例仅仅为了说明本发明,而不是为了限制本发明的保护范围。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前提下,所获得的其它所有实施例,都属于本发明保护范围。
根据图1所示T型三电平并网逆变器拓扑图,其中Vdc是直流母线承受的电压,直流母线侧使用两个串联电容Cdc平分高压。两个电容上的电压分别是vp和vn。为了减小额外的功率损耗,本设计使用有源阻尼技术(AD-Algorithm)来抑制LCL滤波器带来的谐振问题。根据基尔霍夫定律,对3LT2C建立电路方程得到:
其中,i1、i2、vc、vg分别逆变器侧电流、网侧电流、电容电压以及电网电压,分别为逆变器侧电流、网侧电流以及电容电压的微分,L1、R1分别为逆变器侧电感以及电感的寄生电阻,L2、R2分别为网侧电感以及电感的寄生电阻,Cf为滤波电容,Vdc为直流母线电压。
为了简化三相矢量的建模方程,将式一中的矢量变换到αβ0坐标系下,根据式一的电路关系,可以得到系统的连续时间状态空间表达式以及输出方程:
其中,在αβ0坐标下的状态变量为x(t)=[i1αβ,i2αβ,vcαβ]T,为状态变量矩阵的导数,y(t)为输出矢量矩阵,F为状态矩阵,G、C分别为输入输出控制矩阵,P为扰动矩阵,K3S/2S为坐标变换矩阵,各矩阵具体表示为:
式二中的输出矢量y包含逆变器侧以及网侧电流。使用Du Hamel公式对式二进行离散处理,离散时间预测模型可以表示如下:
其中,x(k+1)、y(k+1)分别为未来k+1时刻的状态变量与输出矢量;x(k)、u(k)以及vg(k)分别为k时刻的状态变量,开关状态以及电网电压;A为系统矩阵,B为控制矩阵,B=-F-1(I-A)G;T为电网电压的控制矩阵T=-F-1(I-A)P。
3LT2C面临着中性点(NP)电压波动的问题(vp≠vn),当NP电压不平衡时,两个直流侧串联电容器会出现不平衡充电和放电的过程。因此,控制由不平衡NP电流引起的NP电压波动显得尤为重要。本设计采用前向Euler差分法,得到NP电压差的预测模型为:
其中,Δvdc(k+1)为未来k+1时刻的中点电压,Ts是采样时间,u(k)、i1(k)、Δvdc(k)分别代表采样k时刻,逆变器的开关状态、逆变器侧电流值以及中点电压,Cdc为直流侧的电容。
无源化控制(PBC)是一种衡量系统能量耗散情况的控制方法。通过保证系统受到扰动时,产生的扰动能量能在规定时间内全部耗散掉,以保证系统的鲁棒性以及抗扰动能力。基于无源性的控制将状态变量与系统能量直接相关,通过阻尼注入和功率共享确保能量存储函数的收敛。在本设计中引入PBC,通过建立欧拉-拉格朗日模型(EL model)以弥补MPC鲁棒性不足的间题。选择作为输入矢量,/>和/>为逆变器侧电压,vgα和vgβ为网侧电压,LCL-3LT2C的EL模型可以描述为
Mx+Jx+Rx=i 式五
其中,M和R是正定对称矩阵,分别反映系统的能量存储和耗散情况。J是斜对称矩阵,反映了系统内部的耦合情况。M,R和J具体表示为:
M=diag[L1,L1,L2,L2,Cf,Cf],R=diag[R1,R1,R2,R2,0,0]
其中,L1、R1分别为逆变器侧电感以及电感的寄生电阻,L2、R2分别为网侧电感以及电感的寄生电阻,Cf为滤波电容,定义误差矩阵为:xe=x*-x,LCL-3LT2C基于误差分析的EL表达式可以写为:
其中,M为能量存储矩阵,R为能量耗散矩阵,J为耦合矩阵;xe与代表误差矩阵及其导数,x*与/>代表状态变量参考矩阵及其导数;将误差能量函数选择为:/>为确保状态变量达到期望的平衡点,需保证系统满足以下约束:
为确保LCL-3LT2C满足式七,需要向系统注入阻尼,使其快速达到参考状态变量指令。注入阻尼项表示为(R+Rx)xe=Rdxe,在注入阻尼中,阻尼矩阵Rx=diag[rx1,rx1,rx2,rx2,rx3,rx3]。结合式六与式七,为了保证系统的稳定性,状态变量的误差项应为零,在此基础上,PBC的输入矩阵以及能量函数导数可以通过式八计算:
为了便于数字处理器实现该算法,通过后向欧拉法对式八进行离散表示如下:
其中,i(k)、x*(k)、xe(k)为采样k时刻的输入矩阵、状态变量参考矩阵以及误差矩阵;x*(k-1)为采样k-1时刻的状态变量参考矩阵,R为能量耗散矩阵,Rx为阻尼矩阵,Ts为采样时间。
在推导出PBC以及MPC控制表达式后,将PBC控制思想嵌入到MPC中以提升系统的鲁棒性以及抗扰动能力。MPC在处理多目标优化(MOOP)有着独特的优势,在将PBC嵌入到MPC时只需在MPC代价函数中加入PBC控制目标即可,嵌入过程非常便捷。在本发明中,选择对逆变器侧电压进行优化,将PBC的输出电压/>作为其追踪的参考值,通过优化/>来抑制谐振,因为本发明提出的动态阻尼PBC下的顺序模型预测控制(DDPB-PSMPC)的整体代价函数可以表示为:
其中,为DDPB-PSMPC整体代价函数,i2 *(k+1)、i2(k+1)为未来k+1时刻网侧电流的参考值以及预测值,Ts是采样时间,u(k)、i1(k)、Δvdc(k)分别代表采样k时刻,逆变器的开关状态、逆变器侧电流值以及中点电压,Cdc为直流侧的电容, 为未来k+1时刻逆变器输出电压的无源参考值以及预测值,λ2、λ4分别是中点电压跟踪以及逆变器侧电压追踪的权重因子,与现有MPC不同,DDPB-MPC考虑的能量耗散和控制,通过优化逆变器侧电压来代替对i1的控制。但是,在使用EL模型计算/>时,EL模型中的阻尼项Rx既会影响系统稳定性也影响着稳态误差,为了选取合适的阻尼,本发明采用动态阻尼注入来综合确保系统稳定性以及静态误差。
在阻尼项Rx=diag[rx1,rx1,rx2,rx2,rx3,rx3]中,仅仅只有rx1影响因此只需要对rx1设计动态变化规则,因为/>与i1相耦合,使用i1的误差预测值来调整rx1,首先,通过实验测试确定rx1的基准值/>在/>阻尼注入时,可以保证在没有扰动时,网侧电流达到高质量输出。其次,在DDPB-PSMPC中,逆变器侧电流误差/>迭代方程采用了外推法,为了确保外推误差的精确,通过二阶拉格朗日外推法,得到电流误差的预测值,总的误差预测值以及平均差预测值,表示为:/>
其中分别是逆变器侧电流在α轴下的k+1时刻预测值,在k、k-1、k-2时刻的采样值;分别是逆变器侧电流在β轴下的k+1时刻预测值,在k、k-1、k-2时刻的采样值;/>以及/>为未来k+1时刻的逆变器电流误差总预测值以及预测平均值。
从式十可以看出,对于DDPB-MPC,整合的成本函数中有两个加权因子,式十中的控制目标具有不同的数量级,因此需要进行多次的重复性实验来确定目标变量对应的权重因子,这将花费大量的时间。为了简化控制器设计,本发明采用了一种新的部分顺序模型预测控制(PSMPC)来降低代价函数中权重因子数量。
在LCL-3LT2C中,控制目标分别是网侧电流i2,逆变器侧电压以及NP电压Δvnp,在传统的SMPC中,每个控制目标都拥有自己的代价函数,并且SMPC为每个目标分配了单独的控制层。本发明中,DDPB-PSMPC将NP电压Δvnp的控制放在第一层,并将i2、/>的控制一起放在第二层综合优化,设计的理由如下:
首先,根据式四推导的NP电压预测方程,NP电压预测值具有绝对值特性。因此,在对NP电压进行预测时,27个开关矢量可以降低为8个,开关矢量的数量大大减少,在计算代价函数时能够降低控制器的计算负担。此外,NP电压不平衡会导致功率器件耐压不均衡,功率主电路可靠性降低,因此将NP不平衡电压放在第一层优化,以保证硬件设备的安全性。在PSMPC中,NP电压的优化代价函数如下:
其中,Jlayer1(|uk|)为DDPB-PSMPC第一层代价函数,自变量为k时刻开关状态的绝对值|uk|,Ts是采样时间,u(k)、i1(k)、Δvdc(k)分别代表采样k时刻,逆变器的开关状态、逆变器侧电流值以及中点电压,Cdc为直流侧的电容。
改进的NP电压代价函数将下一时刻NP电压的变化方向作为第一层选择矢量的标准,带绝对值的开关矢量被分为了两类,一类成为自由矢量(|0-0-0|,|1-1-1|),另一类成为受约束矢量(8个带绝对值矢量与自由矢量的差集),从式十三可以看出,在理想条件下自由矢量的代价函数始终为0,这说明自由矢量对NP电压的变化不具有影响。因此自由矢量在第一层不需要经过淘汰可直接进入到第二层,其在去绝对值之后,组成集合uf。受约束矢量会影响NP电压下一时刻的变化,因此需要被约束。根据第一层代价函数的大小,如果Jlayer1(|uk|)≥0,则矢量去绝对值后被归为正集u+,反之则被归为负集u-。根据当前NP电压的采样值的正负,决定进入第二层预测控制的并集(uf∪u-或uf∪u+)。
在PSMPC的第二层中,将对i2、综合进行控制,这是因为这两个控制目标可以优化网侧电流的质量,提高电流的抗扰动能力。由于两个控制目标具有不同的单位和数量级,因此需要引入一个调整因子来调整电压/>的数量级。第二层鲁棒控制的代价函数表达式为:
其中,Jlayer2为DDPB-PSMPC第二层代价函数,i2 *(k+1)、i2(k+1)为未来k+1时刻网侧电流的参考值以及预测值,为未来k+1时刻逆变器输出电压的无源参考值以及预测值,λc是分配给/>的调整因子,对于该因子的选择应该遵循的原则是:该因子能够使i2、/>的跟踪误差处于相同的数量级。经过第一层代价函数淘汰后的矢量进入第二层对电流的质量以及抗扰动能力进行优化。
具体本发明实施例的开关矢量筛选流程图如图2所示、控制框图如图3所示,本实施例的面向并网逆变器的动态阻尼无源化顺序模型预测控制方法,包括以下步骤:
步骤S1:设在k时刻使用电压、电流传感器对T型三电平LCL型并网逆变器的网侧电压vg,网侧电流i2,直流母线侧电容电压vp和vn进行采样,并利用卡尔曼滤波器计算出逆变器侧电流估计值和电容电压估计值/>并且记录当前开关状态;
步骤S2:将上一步中得到的状态量通过Clarke变换转到αβ0坐标系下,得到状态变量矩阵x(t)=[i1αβ,i2αβ,vcαβ]T;
步骤S3:在得到状态变量矩阵之后,利用基尔霍夫电流定律建立T型三电平LCL型并网逆变器的电路方程;
步骤S4:通过式三、式四,建立以逆变器开关矢量为变量的模型预测方程;
步骤S6:根据式十三,计算约束矢量的代价函数值,并对其进行归类,判断NP电压采样值的正负值,选择不同的并集(uf∪u-或uf∪u+)进入到预测控制的第二层;
步骤S7:经过第一层控制淘汰后,将确定的集合送入到第二层控制中对网侧电流的质量以及抗扰动能力进行优化,最后选出使得第二层代价函数值最小的开关矢量作用于逆变器。
以一台采用图3控制策略的T型三电平LCL型逆变器为例,验证所提出的动态无源化模型预测控制(LCL-SMPC)的有效性。对逆变器分别实施DDPB-PSMPC策略,传统i1i2Δvnp预测控制(控制逆变器侧电流、网侧电流、NP电压,简称A-MPC),以及传统i1vci2Δvnp预测控制(控制逆变器侧电流、网侧电流、逆变器电压、NP电压,简称B-MPC)。图4为所提出方法与MPC的网侧电流跟踪对比。图5为DDPB-PSMPC方法与两种传统MPC方法的中点电位平衡情况对比图,图6、图7为加入非线性电感以及电网电感后,提出方法与A-MPC以及B-MPC逆变器电流的电能质量对比。
表1 是并网逆变器、电网、控制环节部分参数
参数 | 描述 | 值 |
V<sub>dc</sub>(V) | 直流电压 | 500 |
C<sub>1</sub>(μF) | 直流侧电容 | 500 |
L<sub>1</sub>(mH) | 逆变器侧电感 | 4 |
L<sub>2</sub>(mH) | 网侧电感 | 2 |
C(μF) | 滤波电容 | 4 |
R<sub>1</sub>(Ω) | 逆变器侧电阻 | 0.1 |
R<sub>2</sub>(Ω) | 网侧电阻 | 0.1 |
λ<sub>c</sub> | 调整因子 | 0.125 |
V<sub>g</sub>(V) | 电网电压(有效值) | 110 |
f<sub>w</sub>(kW) | 开关频率 | 15 |
ω(rad/s) | 电网频率 | 314.16 |
图4为网侧电流跟踪图,其中网侧电流指令值为15A。(a)图为所提出方法,(b)图为A-MPC方法,(c)图为B-MPC方法,通过FFT(快速傅里叶变换)分析可以看出,DDPB-PSMPC控制下,网侧电流有着最小的THD(谐波总畸变率)。图5展示了T型三电平逆变器在三种控制下,中点电压的情况。其中图5(a)、(b)、(c)分别为DDPB-PSMPC、A-MPC、B-MPC控制下的中点电压波动情况;可以看出在三种控制策略下,NP不平衡电压都被很好地抑制了,NP电压的波动都被限制在了[-100mV,+200mV]范围内。图6为在加入非线性电感后DDPB-PSMPC与两种传统方法的电流对比图,在系统中加入非线性电感,一方面可以模拟更加复杂的非线性负载,另外也模拟系统未知的非线性扰动。其中,图6(a)描述了非线性电感中磁通量与电流的非线性关系。当电感电流连续变化时,磁通量呈非线性变化。图6(b)、(c)、(d)分别为DDPB-PSMPC、A-MPC、B-MPC控制下的加入非线性电感后的网侧电流图。当切换到非线性电感时,在三种方法中,DDPB-PSMPC下的电网电流失真最小,总谐波失真最小(8.8%)。与DDPB-PSMPC相比,A-MPC的总谐波失真增加了3.8%,电网电流严重失真。B-MPC法的THD(10.7%)低于AMPC法(12.6%),但高于DDPB-PSMPC法。图7展现了在电网中加入电网电感后三种方法下输出电流的质量,电网电感代表了一种外部扰动。其中,图7(a)、(b)、(c)分别为DDPB-PSMPC、A-MPC、B-MPC控制下电网电感变化时的网侧电流情况。系统开始运行时,电网电感为8mH,当电网电感从8mH增加到20mH之后,扰动明显加剧,此时DDPB-PSMPC的THD为0.98%,比电感增加之前增加了0.14%,A-MPC方法的电流THD增加到了3.41%,而B-MPC控制下的电流THD从1.10%增加到了1.91%。对于传统的两种预测控制方法中,波形都明显失真。这表明DDPB-PSMPC在电网电感变化下具备更强的鲁棒性。
本发明提出的用于提高T型三电平LCL型并网逆变器抗扰动能力的控制策略。通过在无源化控制中注入动态阻尼并将动态无源化控制嵌入到模型预测控制中,确保了T型三电平LCL型并网逆变器在遭受外部扰动以及内部参数扰动时,仍能保持强鲁棒性,输出高质量电流。另外采用部分顺序模型预测控制来减少代价函数中权重因子个数,避免多权重因子的复杂选取过程,通过优化预测控制的顺序分配,提高控制器性能。整体方案不仅能保证逆变器网侧电流质量符合并网要求,谐振尖峰的抑制,直流侧中点电位平衡,而且极大地提高了逆变器对于(内部以及外部)扰动的抗干扰能力,具有很强的鲁棒性。
上述实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所展示的实施例,而是要符合于本文所公开的原理和新颖特点相一致的最宽的范围,凡根据本发明精神实质所作的等效变化或修饰,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种面向并网逆变器的动态阻尼无源化顺序模型预测控制方法,其特征在于,包括以下步骤:
步骤S1:设在k时刻使用电压、电流传感器对T型三电平LCL型并网逆变器的网侧电压vq,网侧电流i2,直流母线侧电容电压vp和vn进行采样,并利用卡尔曼滤波器计算出逆变器侧电流估计值和电容电压估计值/>并且记录当前开关状态;
步骤S3:在得到状态变量矩阵之后,利用基尔霍夫电流定律建立T型三电平LCL型并网逆变器的电路方程;
步骤S4:建立以逆变器开关矢量为变量的模型预测方程;
步骤S6:计算约束矢量的代价函数值,并对其进行归类,判断NP电压采样值的正负值,选择不同的并集(uf∪u-或uf∪u+)进入到预测控制的第二层;
步骤S7:经过第一层控制淘汰后,将确定的集合送入到第二层控制中对网侧电流的质量以及抗扰动能力进行优化,最后选出使得第二层代价函数值最小的开关矢量作用于逆变器。
2.根据权利要求1所述的面向并网逆变器的动态阻尼无源化顺序模型预测控制方法,其特征在于,步骤S4中通过式三、式四,建立以逆变器开关矢量为变量的模型预测方程。
5.根据权利要求1所述的面向并网逆变器的动态阻尼无源化顺序模型预测控制方法,其特征在于,步骤S5中根据式十二定义的动态阻尼注入规则。
7.根据权利要求1所述的面向并网逆变器的动态阻尼无源化顺序模型预测控制方法,其特征在于,步骤S6中根据式十三,计算约束矢量的代价函数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310016640.0A CN115864521A (zh) | 2023-01-06 | 2023-01-06 | 一种面向并网逆变器的动态阻尼无源化顺序模型预测控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310016640.0A CN115864521A (zh) | 2023-01-06 | 2023-01-06 | 一种面向并网逆变器的动态阻尼无源化顺序模型预测控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115864521A true CN115864521A (zh) | 2023-03-28 |
Family
ID=85656940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310016640.0A Pending CN115864521A (zh) | 2023-01-06 | 2023-01-06 | 一种面向并网逆变器的动态阻尼无源化顺序模型预测控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115864521A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116599367A (zh) * | 2023-05-19 | 2023-08-15 | 燕山大学 | 基于电流源型变换器的无源积分终端滑模预测控制方法 |
CN117277400A (zh) * | 2023-08-04 | 2023-12-22 | 昆明理工大学 | 一种目标函数在线优化水-光发电系统的控制方法 |
CN117543705A (zh) * | 2024-01-04 | 2024-02-09 | 深圳大学 | 一种lcl型并网逆变器多变量两步预测控制的方法 |
CN117833248A (zh) * | 2024-03-06 | 2024-04-05 | 电子科技大学 | 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 |
CN117833248B (zh) * | 2024-03-06 | 2024-05-10 | 电子科技大学 | 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 |
-
2023
- 2023-01-06 CN CN202310016640.0A patent/CN115864521A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116599367A (zh) * | 2023-05-19 | 2023-08-15 | 燕山大学 | 基于电流源型变换器的无源积分终端滑模预测控制方法 |
CN116599367B (zh) * | 2023-05-19 | 2023-10-03 | 燕山大学 | 基于电流源型变换器的无源积分终端滑模预测控制方法 |
CN117277400A (zh) * | 2023-08-04 | 2023-12-22 | 昆明理工大学 | 一种目标函数在线优化水-光发电系统的控制方法 |
CN117277400B (zh) * | 2023-08-04 | 2024-04-30 | 昆明理工大学 | 一种目标函数在线优化水-光发电系统的控制方法 |
CN117543705A (zh) * | 2024-01-04 | 2024-02-09 | 深圳大学 | 一种lcl型并网逆变器多变量两步预测控制的方法 |
CN117543705B (zh) * | 2024-01-04 | 2024-03-26 | 深圳大学 | 一种lcl型并网逆变器多变量两步预测控制的方法 |
CN117833248A (zh) * | 2024-03-06 | 2024-04-05 | 电子科技大学 | 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 |
CN117833248B (zh) * | 2024-03-06 | 2024-05-10 | 电子科技大学 | 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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115864521A (zh) | 一种面向并网逆变器的动态阻尼无源化顺序模型预测控制方法 | |
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 | |
CN112688295B (zh) | 基于电流一致性的直流微网自适应下垂控制方法 | |
CN111541411A (zh) | 一种双三电平逆变器开绕组电机模型控制方法 | |
CN112953286A (zh) | 基于Q-Learning算法同容量三相逆变器并联环流抑制方法 | |
CN114142715A (zh) | 大功率并联逆变器共模谐振环流抑制方法及系统 | |
Zhang et al. | Multivariable sequential model predictive control of LCL‐type grid connected inverter | |
Hasan et al. | Integrating Particle Swarm Optimization and Routh-Hurwitz's Theory for Controlling Grid-Connected LCL-Filter Converter. | |
CN115459335B (zh) | 一种提高直流微电网稳定性的逆变器模型预测控制方法 | |
CN114710055B (zh) | 基于有限集单矢量的两并联功率变流器模型预测控制方法 | |
CN113746109B (zh) | 一种降低并网逆变器开关损耗的顺序模型预测控制方法 | |
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 | |
CN116488498A (zh) | 一种变换器控制方法及相关组件 | |
CN115864872A (zh) | 一种面向并联t型三电平整流器的公平顺序模型预测控制多目标优化方法 | |
Yağan et al. | Artificial neural networks controllers for three-phase neutral point clamped inverters | |
CN112838657B (zh) | 充电系统的控制方法、装置和终端设备 | |
CN112615557B (zh) | 三电平并网逆变器有限控制集模型预测定频方法 | |
Liasi et al. | Current Harmonic Compensation by Active Power Filter Using Neural Network-Based Recognition and Controller | |
Sharida et al. | Online Self-Tuning Current-Controller for Three-Phase Three-Level T-type Rectifier | |
Li et al. | Adaptive model predictive control for PUC grid-connected inverter system with inaccurate parameters | |
Hussaini et al. | Optimal Droop Control Design Using Artificial Intelligent Techniques for Electric Power Systems of More-Electric Aircraft | |
CN109950927B (zh) | 一种模块化多电平变流器的功率补偿策略 | |
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 | |
Chakravorty et al. | Harmonics Mitigation Based on Fuzzy Logic Controller | |
Li et al. | Current Estimation and Optimal Control in Multi-Phase DC-DC Converters with Single Current Sensor |
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 |