CN116365600A - 基于神经网络观测器的并联逆变器无模型预测控制方法 - Google Patents

基于神经网络观测器的并联逆变器无模型预测控制方法 Download PDF

Info

Publication number
CN116365600A
CN116365600A CN202310301764.3A CN202310301764A CN116365600A CN 116365600 A CN116365600 A CN 116365600A CN 202310301764 A CN202310301764 A CN 202310301764A CN 116365600 A CN116365600 A CN 116365600A
Authority
CN
China
Prior art keywords
control
grid
neural network
inverter
predictive 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.)
Pending
Application number
CN202310301764.3A
Other languages
English (en)
Inventor
龙波
曹天旭
沈大为
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.)
University of Electronic Science and Technology of China
Yangtze River Delta Research Institute of UESTC Huzhou
Original Assignee
University of Electronic Science and Technology of China
Yangtze River Delta Research Institute of UESTC Huzhou
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 University of Electronic Science and Technology of China, Yangtze River Delta Research Institute of UESTC Huzhou filed Critical University of Electronic Science and Technology of China
Priority to CN202310301764.3A priority Critical patent/CN116365600A/zh
Publication of CN116365600A publication Critical patent/CN116365600A/zh
Pending legal-status Critical Current

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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Inverter Devices (AREA)

Abstract

本发明的全称为：基于神经网络观测器的并联逆变器无模型预测控制方法。本发明为了解决T型三电平并联并网逆变器系统在滤波器电感参数失配的鲁棒控制问题，采用了参考值修正的中点电压控制，神经网络观测器和简化的顺序模型预测控制。参考值修正的中点电压实现中点电压不依赖于滤波器电感的反馈控制。神经网络观测器对网侧电流和零序环流的超局部模型的不确定项进行估计。简化的顺序模型预测控制设计了先控制零序环流、后控制并网电流的两个代价函数，并通过电压矢量分组表将运算简化，最终输出逆变器的最优控制信号。本发明让逆变器在参数失配下中点电压平衡、零序环流得到充分抑制，并输出高质量的总并网电流，提高了并网控制系统的鲁棒性。

Description

基于神经网络观测器的并联逆变器无模型预测控制方法
技术领域
本发明属于电力电子变换器控制技术领域，具体涉及一种基于神经网络观测器的并联逆变器无模型预测控制方法。
背景技术
现目前，并网逆变器作为将直流电转化为高质量交流电的桥梁，在新能源分布式发电系统中起到了重要的作用。T型三电平逆变器具有更低的电网电流总谐波畸变和更高的功率，在低压领域得到了广泛应用。同时，并联并网逆变器系统可以提高容量，并进一步减小谐波含量。
近年来，电力的变换器控制算法的鲁棒性研究受到了关注。对于并网逆变器系统的滤波器环节，若其电感或电容因老化或故障发生了真实值与标称值不匹配的情况(即参数失配现象)，就会导致控制器的控制效果变差。而对于T型三电平的并联逆变器系统，参数失配不仅会导致网侧电流畸变率升高，还会引起中点电压的不平衡和零序环流的增加。鲁棒性研究的目的就是设计出参数失配下仍能保证高质量输出特性的控制算法。
无模型预测控制是近几年内被提出的一种鲁棒控制方法。无模型预测控制的前身是模型预测控制，其具有设计简单、动态响应快、易于实现多目标控制等优点，但是因依赖于精确的数学模型而缺少鲁棒性；无模型预测控制克服了这一缺点，通过设计超局部模型及其不确定项的估计算法等方法来提高鲁棒性。
超局部模型是对连续非线性系统的一种简化的数学描述，其包含一个或多个不确定项，需要通过如积分代数、滑模观测器、神经网络观测器等方法估计。由于这些估计方法不依赖于系统的参数，而仅依赖于采样得到的输入输出信息，因此用基于超局部模型的控制方法不会因参数失配而影响控制效果。
发明内容
本发明要解决的技术问题是：为实现T型三电平并联并网逆变器系统在其滤波电感发生参数失配时的鲁棒控制，提供了一种基于神经网络观测器的无模型预测控制方法。
为了实现上述的目的，本发明采用如下技术方案。
根据图1所示的拓扑结构图，通过电压传感器和电流传感器采集两台逆变器的三相网侧电流i1以及直流母线侧两个电容的电压up和un。零序环流iz定义为第一台逆变器的三相网侧电流之和。中点电压unp定义为un减up。
本发明的整体系统框图如图2所示。该控制器共分为三个部分：基于参考值修正的中点电压控制、神经网络观测器、简化的顺序模型预测控制。
下面是基于参考值修正的中点电压控制。记修正后的三相网侧电流参考值为i1arefM、i1brefM、i1crefM，修正公式为：
i1arefM(k)＝Iref*cos(ωk)- knp*unp(k) 式一
i1brefM(k)＝Iref*cos(ωk-2π/3)- knp*unp(k) 式二
i1crefM(k)＝Iref*cos(ωk+2π/3)- knp*unp(k) 式三
其中Iref为网侧电流参考值的幅值，ω为电网频率，knp为中点电压控制增益。
式一到式三中不涉及滤波电感的计算，因此可以实现中点电压的控制鲁棒性。
下面是神经网络观测器。首先构建出网侧电流的超局部模型：
di1/dt＝F+αu 式四
其中F为不确定项，α＝Vdc/2L1，u为逆变器的电压矢量。L1为滤波电感，Vdc为直流母线电压。
接着构建出零序环流的超局部模型：
diz/dt＝f+α[1 1 1]u 式五
其中f为不确定项。
之后，式四的不确定项F在每个采样时间内的神经网络观测公式为：
Figure BDA0004145303400000021
Figure BDA0004145303400000022
Figure BDA0004145303400000023
其中，下标E代表观测值，W代表权重系数矩阵，Ts代表采样时间，
Figure BDA0004145303400000024
为激活函数，k1、τ1、kw1为需设定的正实数。
最后，式五的不确定项f在每个采样时间内的神经网络观测公式为：
Figure BDA0004145303400000025
Figure BDA0004145303400000026
Figure BDA0004145303400000027
其中，w代表权重系数，k2、τ2、kw2为需设定的正实数。
下面是简化的顺序模型预测控制。首先，根据神经网络观测器在每个采样时间内计算出的不确定项估计值FE(k)和fE(k)，构建出网侧电流和零序环流的代价函数，分别为：
Ji＝||Ts[FE(k)+αu(k)]+i1(k)-i1refM(k)|| 式十二
Jz＝|Ts[fE(k)+α[1 1 1]u(k)]+iz(k)| 式十三
其中，||||代表向量2-范数，i1refM＝[i1arefM,i1brefM,i1crefM]T。
其次，在式十三中，u(k)共有27种情况，而[1 1 1]u(k)的所有情况可以根据其值的大小分为七组。为了减小计算量，将七组矢量各挑选一个代入Jz中，筛选出使Jz最小、第二小、第三小的3组矢量。这样就完成了对零序环流抑制的控制。
最后，将得到的三组矢量代入代价函数Ji中，求出使Ji最小的开关矢量，记作uopt(k)。这个开关矢量将转化为T型三电平并网逆变器开关器件的通断信号在下一个采样时刻送入。
由于上述技术方案的运用，因此，本发明具有如下特点：
1、本发明采用模型预测控制技术，无需PWM调制，能够保证T型三电平并联并网逆变器系统的中点电压平衡和零序环流的抑制，并提高网侧电流的输出质量。
2、本发明采用了顺序预测控制技术，相比于传统的模型预测控制，不仅避免了权重因子的选取，而且减小了循环运算的次数，减轻了运算处理器的负担。
3、本发明采用了基于参考值修正的中点电压控制和神经网络观测器，能够实现在滤波器电感参数失配情况下的鲁棒性。
附图说明
图1：本发明中的T型三电平并网逆变器拓扑结构图；
图2：本发明中的基于神经网络观测器的无模型预测控制框图；
图3：本发明中在参数失配下的三相总并网电流实验波形图；
图4：本发明中在参数失配下的零序环流实验波形图；
图5：本发明中在参数失配下的中点电压实验波形图。
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。
本发明提供了一种用于T型三电平并联并网逆变器系统在滤波器电感参数失配下的鲁棒控制方法。通过设计参考值修正的中点电压控制和神经网络观测器，使该控制方法不受滤波电感值变化的影响。整体的方案能够实现逆变器在参数失配下仍能保证中点电压的平衡、优良的总并网电流质量，和零序环流的充分抑制，提高了并联逆变器系统的鲁棒性。
一种实施例的控制结构示意图如图2所示，本实施例的主要内容包括以下步骤：
步骤S1：通过电压传感器和电流传感器采集两台逆变器的三相网侧电流i1以及直流母线侧两个电容的电压up和un。零序环流iz定义为第一台逆变器的三相网侧电流之和。中点电压unp定义为un减up。总并网电流ig定义为两台逆变器的三相网侧电流之和。
步骤S2：用中点电压unp修正三相网侧电流参考值i1arefM、i1brefM、i1crefM。修正公式为：
i1arefM(k)＝Iref*cos(ωk)- knp*unp(k) 式一
i1brefM(k)＝Iref*cos(ωk-2π/3)- knp*unp(k) 式二
i1crefM(k)＝Iref*cos(ωk+2π/3)- knp*unp(k) 式三
其中Iref为网侧电流参考值的幅值，ω为电网频率，knp为中点电压控制增益。
步骤S3：用延迟环节z-1得到三相网侧电流i1和零序环流iz在上一个采样时刻的值。
步骤S4：将i1(k)和i1(k-1)代入神经网络观测器中，得到不确定项估计值FE(k)。计算公式为：
Figure BDA0004145303400000041
Figure BDA0004145303400000042
Figure BDA0004145303400000043
其中，下标E代表观测值，W代表权重系数矩阵，α＝Vdc/2L1，u为逆变器的电压矢量，Ts代表采样时间，
Figure BDA0004145303400000044
为激活函数，k1、τ1、kw1为需设定的正实数。L1为滤波电感，Vdc为直流母线电压。
步骤S5：步骤S4：将iz(k)和iz(k-1)代入神经网络观测器中，得到不确定项估计值fE(k)。计算公式为：
Figure BDA0004145303400000045
Figure BDA0004145303400000046
Figure BDA0004145303400000047
其中，w代表权重系数，k2、τ2、kw2为需设定的正实数。
步骤S6：将[1 1 1]u根据u的27种情况所得到的值的大小分为7组，如表1所示。
步骤S7：把7个分组在表1中的7个代表矢量代入代价函数Jz中，筛选出使Jz最小、第二小、第三小的3个矢量。所述代价函数式为：
Jz＝|Ts[fE(k)+α[1 1 1]u(k)]+iz(k)| 式十
步骤S8：将Jz的3个矢量根据表1还原回若干个矢量，组成备选矢量集合。
步骤S9：将步骤S8得到的所有备选矢量带入到代价函数Ji中，求出使Ji最小的电压矢量，记作uopt(k)。所述代价函数式为：
Ji＝||Ts[FE(k)+αu(k)]+i1(k)-i1refM(k)|| 式十二
其中，||||代表向量2-范数，i1refM＝[i1arefM,i1brefM,i1crefM]T。
表1是电压矢量的分组
Figure BDA0004145303400000051
步骤S10：将两台逆变器依以上步骤计算出的uopt(k)转化为两台逆变器各自的开关器件的通断信号在下一个采样时刻送入。下一采样时刻重新开始执行步骤S1。
效果实验例
为了验证所提出的基于神经网络观测器的无模型预测控制的有效性，以一台采用图2控制方案的并联并网逆变器系统为例，其中第一台逆变器的滤波电感实际值为5mH，第二台逆变器的滤波电感实际值为12mH。所提出方法的控制参数分别为：knp＝0.1，k1＝k2＝10000，kw1＝kw2＝0.01，τ1＝τ2＝100。并网逆变器、电网参数如表2所示。
表2是两台并网逆变器、电网部分参数
Figure BDA0004145303400000052
从图3～图5可以看出，在参数失配情况下，三相总网侧电流的波形质量很高，测得总谐波畸变率为1.89％，符合国家标准。零序环流的峰峰值在0.8A以内，抑制效果显著。中点电压的最大值仅为2.2V，波动非常小。以上的实验结果说明本发明能够使T型三电平并联并网逆变器系统在参数失配下保证高质量的逆变效果、中点电压的平衡和零序环流的抑制。
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 (2)

1.基于神经网络观测器的并联逆变器无模型预测控制方法，其特征在于，所述方法包括：在T型三电平LCL型并联并网逆变器系统的滤波器参数失配情况下，采用参考值修正的中点电压控制，神经网络观测器和简化的顺序模型预测控制实现控制鲁棒性；
参考值修正的中点电压控制实现中点电压不依赖于滤波器电感的反馈控制。神经网络观测器对网侧电流和零序环流的超局部模型的不确定项进行估计。简化的顺序模型预测控制设计了先控制零序环流、后控制并网电流的两个代价函数，并通过电压矢量分组表将运算简化，最终输出逆变器的最优控制信号；
该方法使并联并网逆变器系统的输出质量得到了大幅度的提升，防止了参数失配下的输出畸变，避免造成进一步的损失，提高了并网控制系统的鲁棒性；
该方法能够解决现有的新能源并网逆变系统中存在的：参数失配和运算处理器负担大等问题。
2.根据权利要求1所述的方法，其特征在于，基于神经网络观测器的并联逆变器无模型预测控制方法包括：
参考值修正的中点电压控制：三相网侧电流的参考值减去中点电压的增益来修正参考值；
神经网络观测器：用三相网侧电流i1和零序环流iz在当前采样时刻和上一采样时刻的值来估计超局部模型的不确定项FE(k)和fE(k)；
简化的顺序模型预测控制：设计一个控制零序环流的代价函数Jz，将27个备选矢量分为7组代入Jz，筛选出使Jz最小、第二小、第三小的3个矢量；将3个矢量根据分组还原回若干个备选矢量；再设计一个控制并网电流质量的代价函数Ji，将若干个矢量代入Ji，求出最优开关矢量uopt(k)，转化为逆变器开关器件的输入信号。
CN202310301764.3A 2023-03-27 2023-03-27 基于神经网络观测器的并联逆变器无模型预测控制方法 Pending CN116365600A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310301764.3A CN116365600A (zh) 2023-03-27 2023-03-27 基于神经网络观测器的并联逆变器无模型预测控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310301764.3A CN116365600A (zh) 2023-03-27 2023-03-27 基于神经网络观测器的并联逆变器无模型预测控制方法

Publications (1)

Publication Number Publication Date
CN116365600A true CN116365600A (zh) 2023-06-30

Family

ID=86929068

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310301764.3A Pending CN116365600A (zh) 2023-03-27 2023-03-27 基于神经网络观测器的并联逆变器无模型预测控制方法

Country Status (1)

Country Link
CN (1) CN116365600A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116526884A (zh) * 2023-07-03 2023-08-01 合肥安赛思半导体有限公司 并网逆变器无模型预测控制方法及控制系统
CN117650710A (zh) * 2023-11-30 2024-03-05 山东大学 优先考虑零序环流抑制的模型预测电流控制方法及系统
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

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116526884A (zh) * 2023-07-03 2023-08-01 合肥安赛思半导体有限公司 并网逆变器无模型预测控制方法及控制系统
CN116526884B (zh) * 2023-07-03 2023-10-03 合肥安赛思半导体有限公司 并网逆变器无模型预测控制方法及控制系统
CN117650710A (zh) * 2023-11-30 2024-03-05 山东大学 优先考虑零序环流抑制的模型预测电流控制方法及系统
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
CN116365600A (zh) 基于神经网络观测器的并联逆变器无模型预测控制方法
Yan et al. A review on direct power control of pulsewidth modulation converters
CN110867887B (zh) Npc三电平逆变器最优序列模型预测控制装置及方法
Judewicz et al. Generalized predictive current control (GPCC) for grid-tie three-phase inverters
CN112104000A (zh) 一种储能并网逆变器的新型双闭环线性自抗扰控制方法
CN107546994B (zh) 一种多电平逆变器并网系统及方法
Monopoli et al. Performance comparison of variable-angle phase-shifting carrier PWM techniques
Kakosimos et al. A single-phase nine-level inverter for renewable energy systems employing model predictive control
CN105790306B (zh) 基于逆变器电流单传感器的lcl型并网逆变器控制方法
CN110460089B (zh) 一种基于多变量预测的lcl并网逆变器fcs-mpc控制方法
CN103414366A (zh) Npc三电平结构中直流侧中点电位平衡的控制方法
Bergna-Diaz et al. Optimal shaping of the MMC circulating currents for preventing AC-side power oscillations from propagating into HVdc grids
Kim et al. Improvement of grid-connected inverter systems with PR controllers under the unbalanced and distorted grid voltage
Armstrong et al. Three-phase grid connected PV inverters using the proportional resonance controller
Rodriguez et al. Enhancing inductive operation of low-capacitance cascaded H-bridge StatComs using optimal third-harmonic circulating current
Lee et al. Performance improvement of grid-connected inverter systems under unbalanced and distorted grid voltage by using a PR controller
CN113746108B (zh) 一种t型三电平sapf开路故障序列模型预测容错控制方法
CN112968468B (zh) 单dq-PI电流控制结构下并网变流器负序电流控制方法及系统
CN116582006B (zh) 一种三相-单相多电平变换器的协调控制方法
CN110504856B (zh) 一种基于最优相调制波分解的中点电位平衡算法
CN109962480B (zh) 静止无功发生器无锁相环控制系统、方法及应用
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
CN116436091A (zh) 构网型变流器暂态稳定提升控制方法和构网型变流器系统
Renault et al. Current control based on space vector modulation applied to three-phase H-Bridge STATCOM
Valdez-Fernandez et al. A 6h±1 repetitive scheme for the three-phase CHB 7-level converter used in an APF application

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