CN117833248A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN117833248A CN117833248A CN202410254177.8A CN202410254177A CN117833248A CN 117833248 A CN117833248 A CN 117833248A CN 202410254177 A CN202410254177 A CN 202410254177A CN 117833248 A CN117833248 A CN 117833248A
- Authority
- CN
- China
- Prior art keywords
- current
- voltage
- vector
- switch
- switching
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 239000013598 vector Substances 0.000 claims abstract description 136
- 239000011159 matrix material Substances 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 38
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000009471 action Effects 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 13
- 239000003990 capacitor Substances 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract 1
- 230000008859 change Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000004044 response Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Inverter Devices (AREA)
Abstract
本发明提供一种T型三电平并联有源电力滤波器无模型预测控制方法,属于电力系统的自动化领域。为了克服T型三电平并联有源电力滤波器(3LT²SAPF)在采用模型预测控制时的缺陷,采用线性拟合无模型预测控制方法(SMFPC)。本发明通过线性拟合的方法,先分析开关矢量之间的关系,建立了用于谐波电流跟踪的每个开关矢量的电流误差矩阵,并设计中点电压和直流母线电压的成本函数,输出最佳的开关矢量,直接对电路进行控制。本发明的优点在于能够在参数失配或电路位置情况下采用模型预测控制,保证网侧电流、中点电压和直流母线电压的稳定。与传统的模型预测控制方法相比,本发明明显提高了系统的鲁棒性,并能实时对系统进行控制,系统电流质量提高。
Description
技术领域
本发明属于电力系统的自动化领域,具体涉及一种T型三电平并联有源电力滤波器无模型预测控制方法。
背景技术
目前,电力系统中非线性负载增多,谐波污染问题日益严重,电网的电力质量引起了广泛关注。为了解决谐波和无功功率补偿问题,采用了并联有源电力滤波器(SAPF)。在抑制谐波电流的功率变换器中,三电平T型变换器(3LT2C)在低压应用中具有较高的效率和可控性、较小的输出电流纹波等优点,被广泛应用。通过使用与LCL滤波器相接的3LT2C变换器,可以改善SAPF补偿电流的质量,并进一步降低电网电流的总谐波失真度。
图1显示了连接了LCL的三电平T型并联有源电力滤波器(LCL-3LT2C SAPF)的拓扑结构。直流母线侧由两个串联电容组成,的电压为/>,/>的电压为/>。直流电压/>由AC电网通过LCL滤波器提供,3LT2C变换器由六个水平开关和六个与LCL滤波器相连的垂直半桥开关组成。其参数包括变换器侧电感/>,电网侧电感/>和滤波电容/>,/>和/>代表/>和的寄生电阻,/>是被动阻尼电阻,/>代表NP电流,/>、/>、/>、/>、/>、/>和/>分别表示变换器侧电压、变换器侧电流、SAPF输出电流、滤波电容电压、电网电流、电网电压和负载电流。SAPF输出/>对负载电流/>的谐波部分进行补偿,从而改善电网电流的电能质量。
在APF的控制方法中,模型预测控制(MPC)因为能够减少对系统的控制延迟的影响,得到了广泛应用。但是,MPC控制器严重依赖于物体的建模精度,并且受到模型参数变化的严重影响。当系统中的参数由于外界温湿度变化、传感器噪声等各种原因出现失配时,系统的控制精度将大大降低,甚至危害整个网络的安全。
无模型预测控制(MFPC)是指在系统参数和结构未知的情况下,通过传感器采样并处理数据,由此产生控制信号,从而达到抑制谐波、保持系统稳定的方法。使用MFPC进行控制能提高整体性能,且由于无需建立系统状态空间方程,可以在不同拓扑中使用相同模型。电机领域学者们提出并广泛应用了不同的MFPC控制方法,如神经网络和超局部模型等。
但现有方法运用在并网逆变器的模型预测控制当中仍存在一定问题,例如超局部模型方法能达到控制预期,但仍需一部分电路模型和参数,无法完全实现无模型预测控制;而神经网络计算负担重且存在较长的延时,在并网逆变器的预测控制中较难实现。
传统的模型预测控制方法能较好实现系统的控制,但对于模型未知系统或参数失配情况的鲁棒性较低;现阶段提出的无模型预测控制存在不能完全无模型化和计算负荷量大的问题。因此,减少无模型预测控制方法的计算量并实现完全无模型是研究问题的关键。
发明内容
本发明目的在于提供一种不依靠具体拓扑、对参数失配有强鲁棒性,并将得到的控制信号施加在器件上来维持电力系统稳定、提高电能质量的方法。
为了实现上述的目的,本发明采用如下技术方案: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,包括以下步骤:
步骤S1:采样;使用传感器对电压值、电流值和开关状态进行采样,得到上侧电容器的电压、下侧电容器的电压/>、电容电流/>、机侧电流/>、开关矢量组,包括27个开关矢量/>、直流母线电压/>;
步骤S2:计算电流差分值;
其中表示/>时刻dq轴上的机侧电流差分,/>表示k时刻下的开关矢量组,/>表示此前在开关矢量/>作用下存储在微处理器存储器中的电流差分值,然后根据上式进行更新电流差分值;
步骤S3:更新电流差分矩阵:
其中表示在开关矢量/>作用下dq轴上的机侧电流差分;
步骤S4:遍历27种开关矢量,计算每种开关矢量下的电流值,并对开关矢量进行分类,得到N个开关矢量类别组;
步骤S5:计算不同开关矢量类别组下的预测值和成本函数,选择最优开关矢量控制T型三电平并联有源电力滤波器,具体如下:
首先计算不同开关矢量下中点电压的预测值和成本函数,从每一个开关矢量类别组中选择/>组成本函数最小的开关矢量,形成新开关矢量组/>,计算公式为:
其中,表示在k+1时刻的中点电压预测值, k-1时刻下的开关矢量/>表示为/>;/>是三相机侧电流在k时刻下的预测值,通过电流预测公式得到;/>为k时刻下的上侧电容器的电压,/>为k时刻下的下侧电容器的电压,/>为k时刻下的电容电流;/>为中点电压成本函数,/>为中点电压/>的参考值;
然后计算新开关矢量组中不同开关矢量下的机侧电流/>的预测值和成本函数,从新的开关矢量组/>中选择/>组成本函数最小的开关矢量,形成最优开关矢量组/>,计算公式为:
其中,表示/>时刻机侧电流/>在开关矢量/>作用下的预测值,/>表示/>时刻机侧电流/>的参考值;/>为机侧电流成本函数;
最后计算最优开关矢量组中每个开关矢量所对应直流母线电压/>的成本函数,选择成本函数最小值对应的开关矢量直接控制T型三电平并联有源电力滤波器,计算式为:
其中,为k+1时刻下的直流母线预测电压,/>表示/>时刻直流母线电压/>的值,/>为直流母线参考电压;/>为直流母线电压成本函数。
具体的,电流差分矩阵中各个开关矢量的电流差分具体计算公式如下:
其中,表示开关矢量中的零矢量引起的dq轴电流的自然衰减。
具体的,步骤S3中对开关矢量进行分类,得到7个开关矢量类别组,具体如下:
第1组:,/>,/>,/>,/>,;
第2组:;
第3组:,/>,/>,/>,/>,;
第4组:;
第5组:,/>,/>,/>,/>,;
第6组:;
第7组:。
具体的,中点电压的参考值/>为0。
具体的,机侧电流的参考值采用/>方法对非线性负载的谐波电流进行提取;具体地,首先对三相负载电流进行Clarke和Park变换,然后通过一个截止频率为20Hz的低通滤波器对负载电流分量/>和/>进行滤波,最后通过对滤波后的电流进行反Clarke变换和Park变换,得到三相负载电流的基波分量,负载电流减去基波电流即得到机侧电流/>的参考值。
整体的系统框图如图5所示,首先使用传感器对电压值、电流值和开关状态进行采样。计算不同开关矢量下的预测值和成本函数,选择/>组成本函数最小的开关矢量,形成新开关矢量组/>。更新电流差分矩阵,计算新开关矢量组/>中不同开关矢量下的/>的预测值和成本函数,从新开关矢量组/>中选择/>组成本函数最小的开关矢量,形成最优开关矢量组/>。计算最优开关矢量组/>中每个开关矢量所对应/>的成本函数,选择最小值对应的开关矢量直接控制T型三电平并联有源电力滤波器。系统将补偿谐波分量,保持电网电流处于正弦值,提高电能质量。
由于上述技术方案的运用,因此,本发明具有如下特点:
1、本发明采用线性拟合的无模型预测控制方法(SMFPC)对T型三电平并联有源电力滤波器进行控制,通过建立不同开关矢量作用下的电流差分矩阵对电流进行预测,并及时更新差分矩阵,保证了机侧电流在参数变化时的稳定;
2、本发明采用了线性拟合方法,减轻了器件计算负担,能够对谐波电流的变化进行及时跟踪响应,保证电能质量的稳定,需要的计算资源较少;
3、本发明通过拟合得到的电流计算NP电压和直流母线电压的参考值,能够保证参数发生变化时NP电压和直流母线电压的稳定,保证系统的稳定运行。
附图说明
图1:本发明中带有LCL滤波器的3LT2C SAPF拓扑结构;
图2:本发明中的线性拟合的无模型预测控制方法工作原理图;
图3:本发明中的3LT2C SAPF的开关矢量分布图;
图4:本发明中的谐波提取法示意图;
图5:本发明中3LT2C SAPF的SMFPC实施框图;
图6:本发明中SMFPC控制流程图;
图7:本发明中无参数失配SMFPC的实验结果图;其中(a)SAPF输出电流、参考值和误差;(b)网侧电流、参考值和误差;(c) NP 电压;(d) 直流母线电压;
图8:本发明中电感失配情况下MPC的实验结果图;其中(a)SAPF输出电流、参考值和误差;(b)电网电流、参考值和误差;
图9:本发明中电感失配情况下SMFPC的实验结果图;其中(a)SAPF输出电流、参考值和误差;(b)电网电流、参考值和误差;
图10:本发明中电容失配情况下的MPC的实验结果图;其中(a)SAPF输出电流、参考值和误差;(b)电网电流、参考值和误差;
图11:本发明中电容失配情况下的SMFPC的实验结果图;其中(a)SAPF输出电流、参考值和误差;(b)电网电流、参考值和误差;
图12:本发明中非线性负载瞬时变化时的SMFPC结果图,其中(a)SAPF输出电流、参考值和误差;(b)网侧电流、参考值和误差;(c)NP电压;(d)直流母线电压。
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。
本发明提供了一种适用于T型三电平并联有源电力滤波器的线性拟合无模型预测控制方法,采用了传感器对所需电流电压、开关器件状态实时采样,通过计算成本函数最终给出最优控制策略并直接作用于器件,对电路进行控制。通过线性拟合来减轻计算负担,同时控制NP电压和直流母线电压稳定,保证系统的稳定运行。
一种实施例的控制结构示意图如图5所示,本实施例的主要内容包括:机侧电流控制单元、NP电压控制单元、直流母线电压控制单元。其中机侧电流/>控制单元采用线性拟合方法,建立不同开关矢量下电流的差分矩阵以得到预测值,通过/>谐波提取法得到参考值。NP电压采用/>的预测值得到/>的预测值,以0V作为参考值。直流母线电压采用/>的预测值,并结合PID算法得到/>的预测值,以800V作为参考值。按照NP电压、机侧电流、直流母线电压控制的顺序比较成本函数,最终得到最优的开关矢量。具体如下:
机侧电流控制单元采用线性拟合方法,建立不同开关矢量下电流的差分矩阵以得到预测值,通过/>谐波提取法得到参考值的具体推导过程如下:
首先通过传感器进行采样,采用构建电流差分矩阵的方法对不同开关矢量作用下的电流差分值进行存储,并及时更行矩阵;分析电流差分的组成如下:
其中,表示/>时刻/>的值,/>表示串联电感的等效电阻的阻值,/>表示串联电感的感抗,/>表示采样时间,/>和/>表示dq轴下的理想电网电压,/>和/>表示dq轴下逆变器输入电压,/>表示坐标系矢量旋转的角速度,/>和/>表示dq轴机侧电流;
不同电压矢量引起的电流差分可以表示如下:
其中,和/>表示零矢量引起的dq轴电流的自然衰减,/>和/>表示由开关矢量中非零矢量引起的电流的强制响应,/>和/>表示根据开关矢量变化的逆变器输入电压。
电流差分可以分为两部分:开关矢量中零矢量引起的自然衰减和开关矢量中非零矢量引起的强制响应。由不同矢量引起的逆变器输入电压之间的关系如图3所示,开关矢量组可以分为7个类别组,如表1所示:
表1 开关矢量表
第七类是零矢量,引起自然衰减;其他矢量还会引起强制响应,而此类强制响应与图3中的相位和幅值有关;可以根据以下公式推导出该类别中其他开关矢量引起的电流差异:
其中表示在开关矢量/>作用下dq轴上的机侧电流差分,/>表示零矢量引起的dq轴电流的自然衰减。
27个开关矢量的电流差分矩阵如下所示:
基于线性拟合的原理,可以通过以下电流预测通用公式得到电流波形变化的预测值:
其中表示k时刻下的开关矢量组,/>表示/>时刻在开关矢量作用下的电流,/>表示开关矢量/>的电流差分;电路拓扑不变,则开关矢量/>产生的电流差分也近似不变;线性拟合方法具体原理如图2所示,图中1-5对应五个时序中控制程序的操作,在采样时间/>内,/>时刻电流的预测值/>可以通过/>时刻的电流值/>和电流差分值/>求和得到。相对应的,时刻电流在开关矢量/>控制下的预测值/>可以通过/>时刻的电流值/>和不同开关矢量所对应的电流差分值/>求和得到,为了减少操作时延带来的影响,采用两步预测的方法对电流进行预测。
在对机侧电流进行控制的过程中,以3LT2C SAPF中A相为例,时刻的机侧电流差分为:
其中表示/>时刻dq轴上的机侧电流差分,在采样时间/>固定且足够短的条件下,同一开关矢量作用后的两个机侧电流差分很接近,因此可以近似为:
其中表示/>时刻dq轴上的机侧电流差分,表示此前在开关矢量/>作用下存储在微处理器存储器中的电流差分值,即可根据上式进行更新电流差分值。
然后可以得到顺序无模型预测控制(SMFPC)的机侧电流预测方程:
用于机侧电流跟踪的SMFPC成本函数表示如下:
其中,表示/>时刻/>在开关矢量/>作用下的预测值,表示/>时刻/>的值,/>表示此前在开关矢量作用下存储在微处理器存储器中的电流差分值,/>表示/>时刻/>的参考值。
为得到机侧电流的参考值,需要对非线性负载的谐波电流进行提取。本发明采用了广泛使用的方法,如图4所示。首先,对三相负载电流进行Clarke和Park变换,然后通过一个截止频率为20Hz的低通滤波器对负载电流分量/>和/>进行滤波,以去除交流分量;最后,通过对滤波后的电流进行反Clarke变换和Park变换,得到三相负载电流的基波分量;参考谐波电流/>、/>和/>是负载电流减去基波电流的结果。此外,直流母线电压控制单元是通过在d分量中引入有功功率参考信号/>来实现的。
NP电压(中点电压)控制单元采用的预测值得到/>的预测值,具体表达式如下:
其中,是NP电压,/>是三相机侧电流在/>时刻下的预测值,通过电流预测公式得到;/>表示在/>时刻的中点电压预测值;上侧电容器的电压/>、下侧电容器的电压/>、电容电流/>通过采样得到。
为了使系统的寿命较长,NP电压应保持接近零电压的稳定状态,上下两侧电容分得电压近似相等,即中点电压的参考值为0;中点电压的成本函数如下所示:
计算中点电压预测值和参考值之间的差值记为成本函数,该值越低,说明这种情况下,所对应的开关矢量在中点电压的控制上有更优的表现。从所有的开关矢量类别组中选择/>组成本函数最小的开关矢量,形成/>;
直流母线电压单元采用机侧电流的预测值,并结合PID算法得到直流母线电压的预测值,以800V作为参考值。为保证系统正常运行,直流母线电压/>应保持稳定,其预测值和参考值计算公式如下:
其中,为直流母线预测电压,/>表示/>时刻直流母线电压/>的值,/>是上侧电容器的电压,/>是电容电流,/>是三相机侧电流预测值,/>表示/>时刻开关矢量。/>为直流母线参考电压。
当直流母线电压保持在800V可以确保电路的正常运行,直流母线电压成本函数计算如下:
其中,为直流母线预测电压,/>为直流母线参考电压。
一种并联T型三电平并联有源电力滤波器无模型预测控制方法的流程如下:首先通过传感器对电压值、电流值和开关状态进行采样,通过NP电压控制单元获取NP电压的预测值与参考值,以此来计算NP电压成本函数的最小值,该值越低,说明这种情况下,所对应的开关矢量在中点电压的控制上有更有的表现,从所有的开关矢量组中选择组成本函数最小的开关矢量,形成/>;然后通过机侧电流/>控制单元获取机侧电流的预测值与参考值,以此来计算机侧电流成本函数值,该值越低,说明这种情况下对应的开关矢量对于机侧电流/>有更优的控制效果,从/>中选择/>组成本函数最小的开关矢量,形成/>;然后通过直流母线电压单元获取直流母线电压的预测值与参考值,以此来计算直流母线电压成本函数的最小值,比较在不同开关矢量下直流母线电压预测值和参考值之间的差值,成本函数越低,则说明对应的开关矢量对于直流母线电压的控制有越好的效果。从/>中选择最小成本函数所对应的开关矢量,即为此时刻应采用的开关矢量。
最后,将所选择的开关矢量生成对应的开关序列,直接作用于T型三电平转换器,对电路进行控制;将该开关矢量延长一个单位时间,使用卡尔曼滤波器进行电压和电流采样及变量估计,提高系统鲁棒性。
以一台采用图6控制方案的3LT2C SAPF为例,该系统的运行实现过程如下:
步骤S110:采样;使用传感器对电压值、电流值和开关状态进行采样,得到上侧电容器的电压、下侧电容器的电压/>、电容电流/>、机侧电流/>、开关矢量组/>,包括27个开关矢量/>、直流母线电压/>;
步骤S120:计算电流差分值;
其中表示/>时刻dq轴上的机侧电流差分,/>表示k时刻下的开关矢量组,/>表示此前在开关矢量/>作用下存储在微处理器存储器中的电流差分值,然后根据上式进行更新电流差分值/>;
步骤S130:更新电流差分矩阵:
其中表示在开关矢量/>作用下dq轴上的机侧电流差分,具体值如下:/>
其中表示零矢量引起的dq轴电流的自然衰减。
步骤S140:遍历27种开关矢量,计算每种开关矢量下的电流值,并对开关矢量进行分类,得到7个开关矢量类别组,具体如下:
第1组:,/>,/>,/>,/>,;
第2组:;
第3组:,/>,/>,/>,/>,;
第4组:;
第5组:,/>,/>,/>,/>,;
第6组:;
第7组:。
步骤S150:计算不同开关矢量类别组下的预测值和成本函数,选择最优开关矢量控制T型三电平并联有源电力滤波器,具体如下:
首先计算不同开关矢量下中点电压的预测值和成本函数,选择/>组成本函数最小的开关矢量,形成开关矢量组/>,计算式为:
其中,表示在k+1时刻的中点电压预测值,/>是三相机侧电流在k时刻下的预测值,通过电流预测公式得到;/>为中点电压成本函数,/>为中点电压/>的参考值;电流预测公式如下:/>
其中表示k时刻下的开关矢量组,/>表示k时刻在开关矢量组/>作用下的电流,/>表示开关矢量组/>的电流差分。
之后计算不同开关矢量下的的预测值和成本函数,从/>中选择/>组成本函数最小的开关矢量,形成/>,计算式为:
其中,表示/>时刻机侧电流/>在开关矢量/>作用下的预测值,/>表示/>时刻机侧电流/>的参考值;/>为机侧电流成本函数;
最后计算中每个开关矢量所对应/>的成本函数,选择最小值对应的开关矢量直接控制3LT2C SAPF,计算式为:
其中,为直流母线预测电压,/>表示/>时刻直流母线电压/>的值,/>为直流母线参考电压;/>为直流母线电压成本函数。
分别对比SMFPC和MPC在参数正常、参数失配情况下,网侧电流、机侧电流、NP电压和直流母线电压的稳定情况。电路拓扑结构如图1所示,按照图1在MATLAB中搭建仿真模块,按照表2设置预定控制参数,仿真验证,同时在实验室搭建了一个额定功率为10 kW的LCL-3LT2C SAPF。
电路具体参数值如表2所示。
表2 电路参数规格
首先在参数适配时运行SMFPC控制,系统能保持稳定,参数波形如图7所示。可以发现,谐波电流和电网侧电流的峰值分别约为14A和24A。两个变量的预测值和参考值基本重合,差异很小。电网电流的预测值和参考值的差值波动在1A左右,最大达到2.8A,此时SMFPC的网侧电流误差率约为2.08%。图7(c)中的NP电压在0V左右波动,最大值为1.5V,表明已经实现了对NP电压的控制。图7(d)展示了直流母线电压,基本稳定在800V,可以认为此时SMFPC具有良好的控制效果。
分别改变电感和电容的参数,再次比较两种方法的控制效果。在图8中,电感失配,谐波电流的峰值为14A,而网侧电流的峰值保持在24A。此时预测值和参考值存在明显偏差,网侧电流误差波动约为15A,且最大偏差可达16A,即MPC算法的网侧电流误差率约为31.25%。如图9所示,谐波电流的峰值同样约为14A,网侧电流的峰值约为24A。两个受控变量的预测值和参考值基本重合,差异很小,网侧电流误差在1.3A左右波动,最大达到2.1A,则SMFPC的网侧电流误差率约为2.71%。对比图8和图9,在电感参数失配时,MPC和SMFPC的效果存在显著差异。由于其模型独立性,当电感参数失配时,SMFPC只有2.71%的网侧电流误差率,而MPC的网侧电流误差率达到31.25%,可以认为已经失控。
如图10所示,电容失配时,谐波电流峰值为14.5A,网侧电流峰值为24A,预测值和参考值几乎不重合,存在明显差异,网侧电流误差围绕16A波动,最大值甚至可以达到17.6A,此时MPC的网侧电流误差率约为33.33%。如图11所示,谐波电流峰值约为14.5A,网侧电流峰值约为24A,预测值和参考值基本重合,差异非常小,网侧电流误差围绕0.9A波动,最大为2.4A,SMFPC的网侧电流误差率约为1.88%。从图10和图11可以看出,当电容参数不匹配时,MPC和SMFPC的效果存在显著差异。由于其模型独立性,当电容参数失配时,SMFPC只有1.88%的网侧电流误差率,而MPC的网侧电流误差率达到33.33%,可以认为已经失控。
设置非线性负载的瞬时变化以检验SMFPC的瞬时控制效果,瞬时改变非线性负载的数值,SMFPC控制下,网侧电流、NP电压和直流母线电压在经过短暂的波动后仍能保持稳定,如图12(a)和(b),负载变化前后,预测值和参考值曲线可以很好地重叠,即使在变化的瞬间存在一些波动,也能在很短的时间内再次实现良好的跟随。在变化之前,SMFPC的网侧电流误差率约为2.08%,变化后为3.33%,可以认为提出的SMFPC控制方法具有对非线性负载参数变化进行实时控制的能力。图12(c)展示了NP电压围绕0 V波动,表明已经实现了对NP电压的控制。图12(d)展示了直流母线电压值,在变化之前基本稳定在750 V左右,在变化后约为800 V,证明已经实现了直流母线电压的稳定。系统稳定性得到了保障。
由图8和图9、图10和图11的波形对比,可以得出:线性拟合SMFPC在最优解选择和参数鲁棒性方面具有显著优势,能够保证网侧电流、NP电压和直流母线电压的稳定,同时图12表明,该方法可以及时响应非线性负载瞬时变化。可看出,本发明中的线性拟合无模型预测控制技术,不需要任何电路参数或具体电路拓扑结构,即可实现SAPF的无功补偿、NP电压平衡和直流电压维持,无需加权因子和特定模型,能够有效抑制谐波电流,保证系统的稳定。
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 (6)
1.一种T型三电平并联有源电力滤波器无模型预测控制方法,其特征在于,包括以下步骤:
步骤S1:采样;使用传感器对电压值、电流值和开关状态进行采样,得到上侧电容器的电压、下侧电容器的电压/>、电容电流/>、机侧电流/>、开关矢量组/>,包括27个开关矢量/>、直流母线电压/>;
步骤S2:计算电流差分值;
;
;
其中表示/>时刻dq轴上的机侧电流差分,/>表示k时刻下的开关矢量组,/>表示此前在开关矢量/>作用下存储在微处理器存储器中的电流差分值,然后根据上式进行更新电流差分值;
步骤S3:更新电流差分矩阵:
;
其中表示在开关矢量/>作用下dq轴上的机侧电流差分;
步骤S4:遍历27种开关矢量,计算每种开关矢量下的电流值,并对开关矢量进行分类,得到N个开关矢量类别组;
步骤S5:计算不同开关矢量类别组下的预测值和成本函数,选择最优开关矢量控制T型三电平并联有源电力滤波器,具体如下:
首先计算不同开关矢量下中点电压的预测值和成本函数,从每一个开关矢量类别组中选择/>组成本函数最小的开关矢量,形成新开关矢量组/>,计算公式为:
;
;
其中,表示在k+1时刻的中点电压预测值, k-1时刻下的开关矢量/>表示为;/>是三相机侧电流在k时刻下的预测值,通过电流预测公式得到;/>为k时刻下的上侧电容器的电压,/>为k时刻下的下侧电容器的电压,为k时刻下的电容电流;/>为中点电压成本函数,/>为中点电压/>的参考值;
然后计算新开关矢量组中不同开关矢量下的机侧电流/>的预测值和成本函数,从新的开关矢量组/>中选择/>组成本函数最小的开关矢量,形成最优开关矢量组/>,计算公式为:
;
;
其中,表示/>时刻机侧电流/>在开关矢量/>作用下的预测值,/>表示/>时刻机侧电流/>的参考值;/>为机侧电流成本函数;
最后计算最优开关矢量组中每个开关矢量所对应直流母线电压/>的成本函数,选择成本函数最小值对应的开关矢量直接控制T型三电平并联有源电力滤波器,计算式为:
;
;
其中,为k+1时刻下的直流母线预测电压,/>表示k时刻直流母线电压的值,/>为直流母线参考电压;/>为直流母线电压成本函数。
2.根据权利要求1所述的一种T型三电平并联有源电力滤波器无模型预测控制方法,其特征在于,所述电流差分矩阵中各个开关矢量的电流差分具体计算公式如下:
;
其中,表示开关矢量中的零矢量引起的dq轴电流的自然衰减。
3.根据权利要求1所述的一种T型三电平并联有源电力滤波器无模型预测控制方法,其特征在于,所述步骤S4中对开关矢量进行分类,得到7个开关矢量类别组,具体如下:
第1组:,/>,/>, />,/>,;
第2组:;
第3组:,/>,/>,/>,/>,;
第4组:;
第5组:,/>,/>,/>,/>,;
第6组:;
第7组:。
4.根据权利要求1所述的一种T型三电平并联有源电力滤波器无模型预测控制方法,其特征在于,中点电压的参考值/>为0。
5.根据权利要求1所述的一种T型三电平并联有源电力滤波器无模型预测控制方法,其特征在于,所述机侧电流的参考值采用/>方法对非线性负载的谐波电流进行提取;具体地,首先对三相负载电流进行Clarke和Park变换,然后通过一个截止频率为20Hz的低通滤波器对负载电流分量/>和/>进行滤波,最后通过对滤波后的电流进行反Clarke变换和Park变换,得到三相负载电流的基波分量,负载电流减去基波电流即得到机侧电流/>的参考值。
6.根据权利要求1所述的一种T型三电平并联有源电力滤波器无模型预测控制方法,其特征在于,所述电流预测公式如下:;
其中表示k时刻下的开关矢量组,/>表示k时刻在开关矢量组/>作用下的三相机侧电流,/>表示开关矢量组/>的三相机侧电流差分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410254177.8A CN117833248B (zh) | 2024-03-06 | 2024-03-06 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410254177.8A CN117833248B (zh) | 2024-03-06 | 2024-03-06 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117833248A true CN117833248A (zh) | 2024-04-05 |
CN117833248B CN117833248B (zh) | 2024-05-10 |
Family
ID=90524510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410254177.8A Active CN117833248B (zh) | 2024-03-06 | 2024-03-06 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117833248B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107069732A (zh) * | 2017-04-18 | 2017-08-18 | 西南交通大学 | 基于最小电流误差模型预测的有源滤波器谐波电流补偿方法 |
CN113746108A (zh) * | 2021-08-12 | 2021-12-03 | 电子科技大学 | 一种t型三电平sapf开路故障序列模型预测容错控制方法 |
CN113783202A (zh) * | 2021-08-30 | 2021-12-10 | 江苏师范大学 | 一种低运算量的三电平四桥臂有源电力滤波器fcs-mpc控制方法 |
CN115021602A (zh) * | 2022-05-25 | 2022-09-06 | 三江学院 | 基于虚拟同步机的三电平并网逆变器的双环模型预测方法 |
CN115864521A (zh) * | 2023-01-06 | 2023-03-28 | 电子科技大学长三角研究院(湖州) | 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 |
CN116365600A (zh) * | 2023-03-27 | 2023-06-30 | 电子科技大学长三角研究院(湖州) | 基于神经网络观测器的并联逆变器无模型预测控制方法 |
CN116526556A (zh) * | 2023-05-06 | 2023-08-01 | 电子科技大学长三角研究院(湖州) | 一种面向并联t型三电平整流器的无模型预测控制方法 |
CN116667347A (zh) * | 2023-04-19 | 2023-08-29 | 上海大学 | 一种有源电力滤波器谐波电流控制方法 |
CN117375376A (zh) * | 2023-10-23 | 2024-01-09 | 石家庄铁道大学 | 柔性互联电力电子变换器滑模预测控制方法及装置 |
-
2024
- 2024-03-06 CN CN202410254177.8A patent/CN117833248B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107069732A (zh) * | 2017-04-18 | 2017-08-18 | 西南交通大学 | 基于最小电流误差模型预测的有源滤波器谐波电流补偿方法 |
CN113746108A (zh) * | 2021-08-12 | 2021-12-03 | 电子科技大学 | 一种t型三电平sapf开路故障序列模型预测容错控制方法 |
CN113783202A (zh) * | 2021-08-30 | 2021-12-10 | 江苏师范大学 | 一种低运算量的三电平四桥臂有源电力滤波器fcs-mpc控制方法 |
CN115021602A (zh) * | 2022-05-25 | 2022-09-06 | 三江学院 | 基于虚拟同步机的三电平并网逆变器的双环模型预测方法 |
CN115864521A (zh) * | 2023-01-06 | 2023-03-28 | 电子科技大学长三角研究院(湖州) | 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 |
CN116365600A (zh) * | 2023-03-27 | 2023-06-30 | 电子科技大学长三角研究院(湖州) | 基于神经网络观测器的并联逆变器无模型预测控制方法 |
CN116667347A (zh) * | 2023-04-19 | 2023-08-29 | 上海大学 | 一种有源电力滤波器谐波电流控制方法 |
CN116526556A (zh) * | 2023-05-06 | 2023-08-01 | 电子科技大学长三角研究院(湖州) | 一种面向并联t型三电平整流器的无模型预测控制方法 |
CN117375376A (zh) * | 2023-10-23 | 2024-01-09 | 石家庄铁道大学 | 柔性互联电力电子变换器滑模预测控制方法及装置 |
Non-Patent Citations (1)
Title |
---|
郑士成等: ""三相并网逆变器的鲁棒模型预测电流控制"", 《控制工程》, vol. 30, no. 7, 20 July 2023 (2023-07-20), pages 1233 - 1241 * |
Also Published As
Publication number | Publication date |
---|---|
CN117833248B (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109950922B (zh) | 一种适用于vsc-hvdc的多步模型预测控制方法 | |
CN110460250B (zh) | 一种三相pwm整流器直接功率控制方法 | |
CN105978373B (zh) | 实现微电网稳定的三相逆变器逆推滑模控制方法及系统 | |
CN108039706B (zh) | 一种有源电力滤波器抗饱和频率自适应谐振控制方法 | |
CN107453362A (zh) | 基于神经网络的有源电力滤波器反演全局滑模模糊控制法 | |
CN102856904A (zh) | 基于模糊逼近的有源滤波器自适应模糊滑模控制方法 | |
CN105406741B (zh) | 一种三相电网电压不平衡时pwm整流器模糊滑模变结构控制方法 | |
CN110266044B (zh) | 一种基于储能变流器的微电网并网控制系统及方法 | |
Cai et al. | Active-damping disturbance-rejection control strategy of LCL grid-connected inverter based on inverter-side-current feedback | |
CN115940683A (zh) | 一种基于改进滑模控制的光伏并网逆变器控制方法 | |
Zhao et al. | Model-free predictive current control of three-level grid-connected inverters with lcl filters based on kalman filter | |
Zhou et al. | Hybrid prediction-based deadbeat control for a high-performance shunt active power filter | |
Nirmal et al. | Steady state error elimination and harmonic compensation using proportional resonant current controller in grid-tied DC microgrids | |
CN113328440A (zh) | 一种电动汽车充电站plc电路有源滤波控制方法 | |
CN105140924B (zh) | 一种混合型有源滤波器的非线性控制器设计方法 | |
CN112688338A (zh) | 一种基于锁频环稳态线性卡尔曼滤波的upqc电能质量补偿控制方法 | |
CN117833248B (zh) | 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 | |
ÙÒÑ et al. | Harmonic suppression of three-phase active power filter using backstepping approach | |
CN115276439A (zh) | 适应弱电网阻抗变化的lcl型并网逆变器谐振抑制方法 | |
Fei et al. | Adaptive Fuzzy-Neural-Network Control of Active Power Filter Using Fuzzy Backstepping Approach | |
Hajbani et al. | A novel Lyapunov-based robust controller design for LCL-type shunt active power filters using adaptive sliding-mode backstepping approach | |
Ahmed et al. | Fuzzy Based Active Filter For Power Quality Mitigation | |
Yao et al. | Research on VIENNA rectifier based on active disturbance rejection control | |
Yeganeh et al. | Weighting Factor Design for FS-MPC in VSCs: A Brain Emotional Learning-Based Approach | |
kumar Mahto et al. | Design of Controller for three-phase Grid-Connected Inverter Using Reinforcement Learning |
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 |