CN116436327A - 一种基于神经网络的变流器自适应预测控制方法及系统 - Google Patents
一种基于神经网络的变流器自适应预测控制方法及系统 Download PDFInfo
- Publication number
- CN116436327A CN116436327A CN202310410445.6A CN202310410445A CN116436327A CN 116436327 A CN116436327 A CN 116436327A CN 202310410445 A CN202310410445 A CN 202310410445A CN 116436327 A CN116436327 A CN 116436327A
- Authority
- CN
- China
- Prior art keywords
- current
- value
- neural network
- converter
- moment
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000003044 adaptive effect Effects 0.000 title claims description 22
- 239000003990 capacitor Substances 0.000 claims abstract description 30
- 238000005070 sampling Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 13
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 description 33
- 230000008859 change Effects 0.000 description 8
- 238000010248 power generation Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- 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
- G06N3/0499—Feedforward 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- H02J3/381—Dispersed generators
-
- 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
- H02M1/08—Circuits specially adapted for the generation of control voltages for semiconductor devices incorporated in static converters
- H02M1/088—Circuits specially adapted for the generation of control voltages for semiconductor devices incorporated in static converters for the simultaneous control of series or parallel connected semiconductor devices
-
- 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
- H02M1/36—Means for starting or stopping converters
-
- 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
- H02M7/5387—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 in a bridge configuration
-
- 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
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/60—Arrangements for transfer of electric power between AC networks or generators via a high voltage DC link [HVCD]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Rectifiers (AREA)
Abstract
本发明公开了一种基于神经网络的变流器自适应预测控制方法及系统，涉及变流器自适应控制技术领域。包括以下步骤：获取变流器开关管不同开关状态下当前时刻的电路参数；利用人工神经网络对下一时刻电流值和直流母线电压值进行预测；根据测量电流值与参考电流值误差最小原则设置代价函数，将预测的电流值和直流母线电压值代入代价函数；选取令代价函数最小的开关状态作为下一时刻的开关状态；根据下一时刻的开关状态对变流器的开关管进行控制。本发明有效克服了传统解决方案中存在的因系统电路参数波动导致的电流谐波畸变率上升和电容电压不平衡加剧的问题，在不增加额外硬件的条件下充分保障了变流器系统在复杂环境下高性能运行。
Description
技术领域
本发明涉及变流器自适应控制技术领域，尤其涉及一种基于神经网络的变流器自适应预测控制方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
电力变流器，因具备能源控制、信息保障、定制化需求管理、网络运行管理等功能，已作为核心能量变换装备，广泛应用于可再生能源发电并网、微电网、储能、新能源电动汽车等系统中。然而，电力变流器长期工作在大功率、强电磁干扰、时变负载、有限散热等恶劣工况下，系统内部阻抗值波动剧烈，进一步增加变流器系统的输出电流谐波畸变率，导致电能质量下降；更会降低变流器和输出端负载电器寿命，造成重大经济损失。因此，研究电力变流器的自适应预测控制策略，提升系统鲁棒性，对可再生能源发电并网、新能源电动汽车等系统的高效、高可靠运行具有重要的科学及工程意义。
现有的预测控制方法主要是将变流器的系统模型参数和铭牌值作为输入参数应用到控制器中，通过预测下一采样时刻变流器交流侧电流值和直流侧电容电压值，遍历变流器产生的有效电压矢量，然后以代价函数最小为准则，选择最优开关状态应用于变流器。
然而，传统的模型预测控制方法在系统电路参数变化时，预测性能显著下降。这一方面会使变流器交流侧电流谐波畸变率上升，控制性能下降，降低负载电器使用寿命。另一方面会加剧上下两侧电容电压的不平衡，导致电容老化速度不一致，承受较大电压的电容寿命将大幅缩短，增大二次故障发生机率。因此，如何克服因系统电路参数波动导致的电流谐波畸变率上升和电容电压不平衡加剧的现象成为亟待解决的问题。
发明内容
针对现有技术存在的不足，本发明的目的是提供一种基于神经网络的变流器自适应预测控制方法及系统，基于预测控制理论，将模型预测控制中和系统电路参数相关的控制参数全部替换为神经网络权值，通过测量交流测三相电压值和三相电流值以及直流侧上下两电容电压值，对神经网络进行在线训练，通过训练得出的权值对系统未来一段时间内的状态变化轨迹进行预测，以代价函数最小为准则，选择最优开关状态应用于变流器，保障变流器在复杂工况下保持高性能运行。
为了实现上述目的，本发明是通过如下的技术方案来实现：
本发明第一方面提供了一种基于神经网络的变流器自适应预测控制方法，包括以下步骤：
获取变流器开关管不同开关状态下当前时刻的电路参数；
利用人工神经网络根据当前时刻的电路参数和开关状态对下一时刻电流值和直流母线电压值进行预测；
根据测量电流值与参考电流值误差最小原则设置代价函数，将预测的电流值和直流母线电压值代入代价函数；
选取令代价函数最小的开关状态作为下一时刻的开关状态；
根据下一时刻的开关状态对变流器的开关管进行控制。
进一步的，所述变流器为T型三电平有源前端变流器。
进一步的，所述当前时刻的电路参数包括采样周期、每个开关管的开关状态、网侧滤波电感值、网侧等效电阻值、网侧每一相的电压值、变流器交流侧每一相输出电压值和电流值、直流母线上下电容电压值以及负载电流。
更进一步的，利用人工神经网络根据当前时刻的电路参数和开关状态对下一时刻电流值和直流母线电压值进行预测的具体步骤为：
根据网侧每一相的电压值、变流器交流侧每一相输出电压值和电流值通过直流母线电压控制环计算参考电流值和参考电压值；
设置人工神经网络参数，构建神经网络预测模型，基于历史三相电压值和三相电流值以及直流侧上下两电容电压值，借助梯度下降法对反向传播神经网络进行训练；
利用训练好的神经网络预测模型根据当前时刻的参考电流值和参考电压预测下一时刻的参考电流值、参考电压值和直流母线电压值。
进一步的，所述代价函数为：
其中，k为当前采样时刻；k+1为下次采样时刻；上标p代表该参数为预测参数值；α、β为abc三相直角坐标系经clark坐标变换后的α、β轴；cost为k时刻的代价函数值；
为变流器交流侧在α轴上k+1时刻的电流参考值；/>
为变流器交流侧在β轴上k+1时刻的电流参考值；/>
为预测的变流器交流侧在α轴上k+1时刻的电流值；/>
为预测的变流器交流侧在β轴上k+1时刻的电流值；λdc为权重系数；/>
代表k+1时刻直流侧上下两电容电压差的平方。
本发明第二方面提供了一种基于神经网络的变流器自适应预测控制系统，包括：
数据获取模块，被配置为获取变流器开关管不同开关状态下当前时刻的电路参数；
神经网络预测模块，被配置为利用人工神经网络根据当前时刻的电路参数和开关状态对下一时刻电流值和直流母线电压值进行预测；
代价函数模块，被配置为根据测量电流值与参考电流值误差最小原则设置代价函数，将预测的电流值和直流母线电压值代入代价函数；
开关状态选择模块，被配置为选取令代价函数最小的开关状态作为下一时刻的开关状态；
控制模块，被配置为根据下一时刻的开关状态对变流器的开关管进行控制。
进一步的，所述变流器为T型三电平有源前端变流器。
进一步的，所述当前时刻的电路参数包括采样周期、每个开关管的开关状态、网侧滤波电感值、网侧等效电阻值、网侧每一相的电压值、变流器交流侧每一相输出电压值和电流值、直流母线上下电容电压值以及负载电流。
更进一步的，利用人工神经网络根据当前时刻的电路参数和开关状态对下一时刻电流值和直流母线电压值进行预测的具体步骤为：
根据网侧每一相的电压值、变流器交流侧每一相输出电压值和电流值通过直流母线电压控制环计算参考电流值和参考电压值；
设置人工神经网络参数，构建神经网络预测模型，基于历史三相电压值和三相电流值以及直流侧上下两电容电压值，借助梯度下降法对反向传播神经网络进行训练；
利用训练好的神经网络预测模型根据当前时刻的参考电流值和参考电压预测下一时刻的参考电流值、参考电压值和直流母线电压值。
进一步的，所述代价函数为：
其中，其中，k为当前采样时刻；k+1为下次采样时刻；上标p代表该参数为预测参数值；α、β为abc三相直角坐标系经clark坐标变换后的α、β轴；cost为k时刻的代价函数值；
为变流器交流侧在α轴上k+1时刻的电流参考值；/>
为变流器交流侧在β轴上k+1时刻的电流参考值；/>
为预测的变流器交流侧在α轴上k+1时刻的电流值；/>
为预测的变流器交流侧在β轴上k+1时刻的电流值；λdc为权重系数；/>
代表k+1时刻直流侧上下两电容电压差的平方。
以上一个或多个技术方案存在以下有益效果：
本发明公开了一种基于神经网络的变流器自适应预测控制方法，基于预测控制理论，将模型预测控制中和系统电路参数相关的控制参数全部替换为神经网络权值，通过测量网侧三相电压值、变流器交流侧三相电压值和三相电流值以及直流侧上下两电容电压值，对神经网络进行在线训练，通过训练得出的权值对系统未来一段时间内的状态变化轨迹进行预测，以代价函数最小为准则，选择最优开关状态应用于变流器。本发明有效克服了传统解决方案中存在的因系统电路参数波动导致的电流谐波畸变率上升和电容电压不平衡加剧的问题，在不增加额外硬件的条件下建立了新型预测控制方法，充分保障了变流器系统在复杂环境下高性能运行，提升了控制系统的鲁棒性和可靠性，避免了可再生能源发电并网和新能源电动汽车等应用场合因变流器控制性能显著下降而造成的巨额经济损失。
本发明面向可再生能源发电并网、微电网、储能、新能源电动汽车等系统中的先进电能变换装备，提出了一种基于神经网络的变流器自适应预测控制系统。该系统在经典模型预测控制的框架下，采用神经网络权值代替模型参数，实现了参数失配、外部扰动等工况下变流器的自适应预测控制。本发明无需增设额外硬件电路，且对系统模型依赖性低，可有效抑制因模型参数变化引起的系统控制性能差、易失稳等问题对控制性能的影响，极大地提高了以电力变流器为核心装备的能量变换系统的鲁棒性与可靠性。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
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为本发明实施例一变流器经典模型预测控制流程图；
图2为本发明实施例一T型三电平有源前端变流器拓扑图；
图3为本发明实施例一基于神经网络的变流器自适应预测控制方法流程图；
图4为本发明实施例一神经元的非线性数学模型图；
图5为本发明实施例一反向传播神经网络结构图。
具体实施方式
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。
应当说明的是，本发明实施例中，涉及到变流器电路参数等相关的数据，当本发明以上实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
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；
实施例一：
本实施例将以T型三电平(T-type Three-level,TTL)变流器为例，提供了一种基于神经网络的变流器自适应预测控制方法，如图1所示，具体包括以下步骤：
步骤1，获取变流器开关管不同开关状态下当前时刻的电路参数。
TTL变流器拓扑如图2所示，该变流系统包括一个三相电压源，其电压值为ea,eb,ec、每一相电压源上串联有一个网侧滤波电感和网侧等效电阻，网侧滤波电感值记为Lg，网侧等效电阻记为Rg。还包括十二个开关管(Ga1,Ga2,…,Gc3,Gc4)，本实施例中采用IGBT，每个开关管都反并联一个二极管，共有十二个二极管Da1,Da2,…Dc3,Dc4，对应于十二个开关管Ga1,Ga2,…,Gc3,Gc4。还包括直流母线电容C1,C2和直流侧负载，其直流母线上下电容电压分别为Vdc1和Vdc2，直流侧负载值记为RL。iL为负载电流值。vx和
为整流器三相输出电压与电流值。通过控制IGBT导通状态，三电平变流器可输出三种电平：高电平(P)、零电平(O)以及低电平(N)，对应电压值分别为/>
0、/>
因此共有27中开关状态。
因此，当前时刻的电路参数包括采样周期Ts、每个开关管的开关状态Sx1 
网侧滤波电感值Lg、网侧等效电阻值Rg、网侧每一相的电压值ea,eb,ec、变流器交流侧每一相输出电压值vx和电流值/>
直流母线上下电容电压值Vdc1和Vdc2，以及负载电流值iL。其中，Vdc＝Vdc1+Vdc2，Vo＝Vdc1-Vdc2。
步骤2，利用人工神经网络根据当前时刻的电路参数和开关状态对下一时刻电流值和直流母线电压值进行预测。
步骤2.1，根据网侧每一相的电压值、变流器交流侧每一相输出电压值和电流值通过直流母线电压控制环计算参考电流值
和/>
参考电压值。其中，/>
为变流器交流侧在α轴上k+1时刻的电流参考值；/>
为变流器交流侧在β轴上k+1时刻的电流参考值。
本实施例中，通过直流母线电压控制环计算参考电流值的具体过程为：采用锁相环控制原理，锁相环的主要作用是得出相位，该相位用于Park变换，将输入的三相参数值转到dq轴上。直流母线参考电压作为参考值，通过PI控制计算变流器交流侧电流在dq轴上的参考值；再通过坐标变换，将dq轴上的参考值变换到α和β轴上，得到α和β轴上的电流参考值。
步骤2.2，设置人工神经网络参数，构建神经网络预测模型。如图3所示，根据经验设置基础权值和人工神经网络模型参数，通过测量交流测三相电压值和三相电流值以及直流侧上下两电容电压值对神经网络进行在线训练，训练得到更新后的权值，通过训练得出的权值更新人工神经网络模型，迭代到一定次数后得到最优的人工神经网络模型，采用最优的人工神经网络模型对系统未来一段时间内的状态变化轨迹进行预测。
步骤2.2.1人工神经网络技术在参数估计、模式识别、故障诊断、预测控制等领域应用广泛，它在数据处理的过程中对人脑神经元网络进行抽象模拟。其中，神经元是神经网络中的基本单元，如图4所示，主要由输入信号、连接权、求和单元、阈值、激活函数及输出信号组成。
人工神经网络包括线性神经网络、径向基神经网络、竞争学习神经网络、反向传播神经网络等等，其中，反向传播神经网络因其高非线性映射能力被广泛应用于多个科学领域，其训练过程包括信号的正向传播与误差的反向传播。它是典型的多层前馈神经网络，其结构如图5所示，可分为输入层、隐含层和输出层。本实施例所提出的基于神经网络的变流器自适应预测控制的优势在于其能够通过从测量数据与估算数据中挖掘信息，对神经网络进行在线训练，保证变流器系统自适应地跟踪系统电路参数的变化。
本实施例采用iα(k)、iβ(k)、eα(k+1)-vα(k+1)、eβ(k+1)-vβ(k+1)、iα(k)为变流器交流侧在k时刻α轴上的电流值；iβ(k)为变流器交流侧在k时刻β轴上的电流值；eα(k+1)-vα(k+1)表示k+1时刻网侧电压在α轴上的值减去变流器交流侧电压在α轴上的值；eβ(k+1)-vβ(k+1)表示k+1时刻网侧电压在β轴上的值减去变流器交流侧电压在β轴上的值。当前时刻的开关状态ia|Sa1(k)|+ib|Sb1(k)+ic|Sc1(k)|作为神经网络的五个输入参数，其中，
为变流器三相标号为1的IGBT的开关状态。采用0、0、-Vdc(k)作为神经网络的阈值，采用/>作为激活函数，采用/>
作为输出。其计算公式为：
其中，Ts为采样周期。
步骤2.3，基于历史三相电压值和三相电流值以及直流侧上下两电容电压值，借助梯度下降法对反向传播神经网络进行训练。
步骤2.4，利用训练好的神经网络预测模型根据当前时刻的参考电流值和参考电压预测下一时刻的参考电流值、参考电压值和直流母线电压值。本实施例中，计算出K+1时刻的参考电流值、参考电压值和直流母线电压值后，可以继续代入上述公式中求取K+2时刻的参考电流值、参考电压值和直流母线电压值，进而实现一段时间内的轨迹预测。
步骤3，根据测量电流值与参考电流值误差最小原则设置代价函数，将预测的电流值和直流母线电压值代入代价函数。
代价函数为：
其中，k为当前采样时刻；k+1为下次采样时刻；上标p代表该参数为预测参数值；α、β为abc三相直角坐标系经clark坐标变换后的α、β轴；cost为k时刻的代价函数值；
为变流器交流侧在α轴上k+1时刻的电流参考值；/>
为变流器交流侧在β轴上k+1时刻的电流参考值；/>
为预测的变流器交流侧在α轴上k+1时刻的电流值；/>
为预测的变流器交流侧在β轴上k+1时刻的电流值；λdc为权重系数，用来处理对电压平衡在代价函数中对开关频率降低有贡献的变量之间的关系；/>
代表k+1时刻直流侧上下两电容电压差的平方。
步骤4，代价函数最小代表了采用当前开关状态可以使变流器的实际输出值与期望输出值最接近，因此，选取令代价函数最小的开关状态作为下一时刻的开关状态。
步骤5，根据下一时刻的开关状态对变流器的开关管进行控制。
与传统的模型预测控制方法不同，本发明在无需额外增设采用或硬件电路条件下，能够自适应地跟踪系统电路参数的变化，可推广至任何变流系统。本发明以系统电路中的电压和电流信号为输入，反向神经网络为训练网络，对系统进行预测控制，因其在线训练的便捷性和对系统参数变化的自适应性而有效地提高了控制系统的鲁棒性和可靠性。
实施例二：
本发明实施例二提供了一种基于神经网络的变流器自适应预测控制系统，以变流器为T型三电平有源前端变流器为例，包括：
数据获取模块，被配置为获取变流器开关管不同开关状态下当前时刻的电路参数；
神经网络预测模块，被配置为利用人工神经网络根据当前时刻的电路参数和开关状态对下一时刻电流值和直流母线电压值进行预测；
代价函数模块，被配置为根据测量电流值与参考电流值误差最小原则设置代价函数，将预测的电流值和直流母线电压值代入代价函数；
开关状态选择模块，被配置为选取令代价函数最小的开关状态作为下一时刻的开关状态；
控制模块，被配置为根据下一时刻的开关状态对变流器的开关管进行控制。
数据获取模块中，当前时刻的电路参数包括采样周期、每个开关管的开关状态、网侧滤波电感值、网侧等效电阻值、网侧每一相的电压值、变流器交流侧每一相输出电压值和电流值、直流母线上下电容电压值以及负载电流。
神经网络预测模块中，利用人工神经网络根据当前时刻的电路参数和开关状态对下一时刻电流值和直流母线电压值进行预测的具体步骤为：
根据网侧每一相的电压值、变流器交流侧每一相输出电压值和电流值通过直流母线电压控制环计算参考电流值和参考电压值；
设置人工神经网络参数，构建神经网络预测模型，基于历史三相电压值和三相电流值以及直流侧上下两电容电压值，借助梯度下降法对反向传播神经网络进行训练；
利用训练好的神经网络预测模型根据当前时刻的参考电流值和参考电压预测下一时刻的参考电流值、参考电压值和直流母线电压值。
代价函数模块中，代价函数为：
其中，其中，k为当前采样时刻；k+1为下次采样时刻；上标p代表该参数为预测参数值；α、β为abc三相直角坐标系经clark坐标变换后的α、β轴；cost为k时刻的代价函数值；
为变流器交流侧在α轴上k+1时刻的电流参考值；/>
为变流器交流侧在β轴上k+1时刻的电流参考值；/>
为预测的变流器交流侧在α轴上k+1时刻的电流值；/>
为预测的变流器交流侧在β轴上k+1时刻的电流值；λdc为权重系数，用来处理对电压平衡在代价函数中对开关频率降低有贡献的变量之间的关系；/>
代表k+1时刻直流侧上下两电容电压差的平方。
本发明的基于神经网络的变流器自适应预测控制系统，不仅可以应用于T型三电平有源前端变流器，也可以应用于可再生能源发电并网、新能源汽车电驱等系统中变流装备的精确故障诊断与预警，并为其高可靠容错控制提供了新思路。进一步可有限延长设备使用寿命，避免因参数扰动、环境变化、故障误诊而引发的安全事故与经济损失。
以上实施例二中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于神经网络的变流器自适应预测控制方法，其特征在于，包括以下步骤：
获取变流器开关管不同开关状态下当前时刻的电路参数；
利用人工神经网络根据当前时刻的电路参数和开关状态对下一时刻电流值和直流母线电压值进行预测；
根据测量电流值与参考电流值误差最小原则设置代价函数，将预测的电流值和直流母线电压值代入代价函数；
选取令代价函数最小的开关状态作为下一时刻的开关状态；
根据下一时刻的开关状态对变流器的开关管进行控制。
2.如权利要求1所述的基于神经网络的变流器自适应预测控制方法，其特征在于，所述变流器为T型三电平有源前端变流器。
3.如权利要求1所述的基于神经网络的变流器自适应预测控制方法，其特征在于，所述当前时刻的电路参数包括采样周期、每个开关管的开关状态、网侧滤波电感值、网侧等效电阻值、网侧每一相的电压值、变流器交流侧每一相输出电压值和电流值、直流母线上下电容电压值以及负载电流。
4.如权利要求3所述的基于神经网络的变流器自适应预测控制方法，其特征在于，利用人工神经网络根据当前时刻的电路参数和开关状态对下一时刻电流值和直流母线电压值进行预测的具体步骤为：
根据网侧每一相的电压值、变流器交流侧每一相输出电压值和电流值通过直流母线电压控制环计算参考电流值和参考电压值；
设置人工神经网络参数，构建神经网络预测模型，基于历史三相电压值和三相电流值以及直流侧上下两电容电压值，借助梯度下降法对反向传播神经网络进行训练；
利用训练好的神经网络预测模型根据当前时刻的参考电流值和参考电压预测下一时刻的参考电流值、参考电压值和直流母线电压值。
5.如权利要求1所述的基于神经网络的变流器自适应预测控制方法，其特征在于，所述代价函数为：
其中，k为当前采样时刻；k+1为下次采样时刻；上标p代表该参数为预测参数值；α、β为abc三相直角坐标系经clark坐标变换后的α、β轴；cost为k时刻的代价函数值；
为变流器交流侧在α轴上k+1时刻的电流参考值；/>
为变流器交流侧在β轴上k+1时刻的电流参考值；
为预测的变流器交流侧在α轴上k+1时刻的电流值；/>
为预测的变流器交流侧在β轴上k+1时刻的电流值；λdc为权重系数；/>
代表k+1时刻直流侧上下两电容电压差的平方。
6.一种基于神经网络的变流器自适应预测控制系统，其特征在于，包括：
数据获取模块，被配置为获取变流器开关管不同开关状态下当前时刻的电路参数；
神经网络预测模块，被配置为利用人工神经网络根据当前时刻的电路参数和开关状态对下一时刻电流值和直流母线电压值进行预测；
代价函数模块，被配置为根据测量电流值与参考电流值误差最小原则设置代价函数，将预测的电流值和直流母线电压值代入代价函数；
开关状态选择模块，被配置为选取令代价函数最小的开关状态作为下一时刻的开关状态；
控制模块，被配置为根据下一时刻的开关状态对变流器的开关管进行控制。
7.如权利要求6所述的基于神经网络的变流器自适应预测控制系统，其特征在于，所述变流器为T型三电平有源前端变流器。
8.如权利要求6所述的基于神经网络的变流器自适应预测控制系统，其特征在于，所述当前时刻的电路参数包括采样周期、每个开关管的开关状态、网侧滤波电感值、网侧等效电阻值、网侧每一相的电压值、变流器交流侧每一相输出电压值和电流值、直流母线上下电容电压值以及负载电流。
9.如权利要求8所述的基于神经网络的变流器自适应预测控制系统，其特征在于，利用人工神经网络根据当前时刻的电路参数和开关状态对下一时刻电流值和直流母线电压值进行预测的具体步骤为：
根据网侧每一相的电压值、变流器交流侧每一相输出电压值和电流值通过直流母线电压控制环计算参考电流值和参考电压值；
设置人工神经网络参数，构建神经网络预测模型，基于历史三相电压值和三相电流值以及直流侧上下两电容电压值，借助梯度下降法对反向传播神经网络进行训练；
利用训练好的神经网络预测模型根据当前时刻的参考电流值和参考电压预测下一时刻的参考电流值、参考电压值和直流母线电压值。
10.如权利要求6所述的基于神经网络的变流器自适应预测控制系统，其特征在于，所述代价函数为：
其中，k为当前采样时刻；k+1为下次采样时刻；上标p代表该参数为预测参数值；α、β为abc三相直角坐标系经clark坐标变换后的α、β轴；cost为k时刻的代价函数值；
为变流器交流侧在α轴上k+1时刻的电流参考值；/>
为变流器交流侧在β轴上k+1时刻的电流参考值；
为预测的变流器交流侧在α轴上k+1时刻的电流值；/>
为预测的变流器交流侧在β轴上k+1时刻的电流值；λdc为权重系数；/>
代表k+1时刻直流侧上下两电容电压差的平方。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310410445.6A CN116436327A (zh) | 2023-04-12 | 2023-04-12 | 一种基于神经网络的变流器自适应预测控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310410445.6A CN116436327A (zh) | 2023-04-12 | 2023-04-12 | 一种基于神经网络的变流器自适应预测控制方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116436327A true CN116436327A (zh) | 2023-07-14 |
Family
ID=87085132
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310410445.6A Pending CN116436327A (zh) | 2023-04-12 | 2023-04-12 | 一种基于神经网络的变流器自适应预测控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116436327A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116707331A (zh) * | 2023-08-02 | 2023-09-05 | 中国人民解放军空军预警学院 | 基于模型预测的逆变器输出电压高精度调节方法及系统 |
| CN116914685A (zh) * | 2023-09-15 | 2023-10-20 | 珠海汇众能源科技有限公司 | 固态断路器控制系统及固态断路器控制方法 |
-
2023
- 2023-04-12 CN CN202310410445.6A patent/CN116436327A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116707331A (zh) * | 2023-08-02 | 2023-09-05 | 中国人民解放军空军预警学院 | 基于模型预测的逆变器输出电压高精度调节方法及系统 |
| CN116707331B (zh) * | 2023-08-02 | 2023-10-20 | 中国人民解放军空军预警学院 | 基于模型预测的逆变器输出电压高精度调节方法及系统 |
| CN116914685A (zh) * | 2023-09-15 | 2023-10-20 | 珠海汇众能源科技有限公司 | 固态断路器控制系统及固态断路器控制方法 |
| CN116914685B (zh) * | 2023-09-15 | 2023-12-22 | 珠海汇众能源科技有限公司 | 固态断路器控制系统及固态断路器控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116436327A (zh) | 一种基于神经网络的变流器自适应预测控制方法及系统 | |
| CN112798982B (zh) | 基于模型的三相变流器功率管开路故障诊断方法及系统 | |
| CN103036460B (zh) | 一种三电平电压源型变换器模型预测控制方法 | |
| CN106953535B (zh) | 一种pfc ac/dc变换器的无模型功率控制方法 | |
| CN110198130B (zh) | 一种不平衡电网条件下的多矢量优化控制系统及方法 | |
| CN110045610A (zh) | 逆变器改进型多步模型预测控制方法、设备及存储设备 | |
| CN110619321B (zh) | 一种基于深度神经网络的充电桩技术状况诊断方法及系统 | |
| CN113193766B (zh) | 一种并联变流器集群的环流抑制直接预测控制方法及系统 | |
| Selim et al. | Fast quasi‐static time‐series analysis and reactive power control of unbalanced distribution systems | |
| CN112600431A (zh) | 基于mmc的sst新型dab dc-dc变换器的模型预测控制方法 | |
| Jia et al. | A concurrent diagnosis method of IGBT open-circuit faults in modular multilevel converters | |
| Bi et al. | A model predictive controlled bidirectional four quadrant flying capacitor DC/DC converter applied in energy storage system | |
| CN110134004B (zh) | 一种基于电力弹簧电路结构的pi控制参数整定方法 | |
| CN113809944B (zh) | 海上风电柔直变流器并网电流追踪及环流预测控制方法 | |
| CN110927565A (zh) | Svg主回路开关器件开路故障定位方法 | |
| CN115693745A (zh) | 一种柔性低频输电系统控制方法和装置 | |
| Aguilera et al. | Capacitor voltage estimation for predictive control algorithm of flying capacitor converters | |
| CN109888824B (zh) | 一种基于预测控制的光伏并网逆变控制方法 | |
| Kisengeu et al. | Under Voltage Load Shedding using Hybrid Metaheuristic Algorithms for Voltage Stability Enhancement: A Review | |
| CN113746109A (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 | |
| CN105576658A (zh) | 基于接线方式进行配电网改建工程经济性分析的方法 | |
| CN112564154A (zh) | 直流微电网非线性恒功率负载的不可测信号状态估计方法 | |
| Wang et al. | Neural network-based model predictive control approach for modular multilevel converters | |
| Zhang et al. | JITL based Fault Detection of DAB DC-DC Converter with EPS Control | |
| Tejaswini et al. | Supremacy of Power Electronic Technologies and their Applications in Modern Operating Converters in Smart Grid |
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 |