一种变流器模型预测控制方法技术

本发明专利技术公开了一种变流器模型预测控制方法，包括以下步骤：计算变流器模型预测控制算法的广义预测误差，并进行滤波；针对广义预测误差，构建神经网络回归模型；采用神经网络回归模型计算广义预测误差，并对变流器预测模型的输出值进行补偿；由补偿后的预测模型输出值计算最优控制量，并实施该控制量

【技术实现步骤摘要】
一种变流器模型预测控制方法


[0001]本专利技术涉及一种变流器模型预测控制方法
。

技术介绍

[0002]变流器模型预测控制算法是近年来受到广泛关注的变流器优化控制方法，与传统变流器控制方法相比，模型预测控制算法具有控制直接
、
易于实现多目标控制，且具有优良的鲁棒性与自适应性
。
在经典模型预测控制理论中，预测模型
、
代价函数以及反馈校正是模型预测控制算法的三要素，而在现有的变流器模型预测控制算法中，反馈校正策略的实施还存在一些问题，表现为：预测误差的计算不准确
、
统一的预测误差补偿难以匹配变流器开关函数组合的离散特性
。
[0003]事实上，预测误差是模型预测控制算法中预测模型计算必然存在的误差，主要由模型参数失配
、
环境干扰以及数值计算的截断误差等因素组成
。
而在经典变流器模型预测控制算法中，预测模型的输入为离散特性的开关函数组合，因此预测误差还与开关函数组合有关
。
[0004]针对经典变流器模型预测控制算法的预测误差补偿问题，现有的解决方案包括：
1、
文献
(Finite Control Set Model Predictive Control with Feedback Correction for Power Converters.CES Transactions on Electrical Machines and Systems,2018,2(3):312
‑
319.)
计算当前时刻的预测误差，并按比例补偿未来时刻预测模型的输出，但未考虑不同开关函数组合对预测误差的影响；
2、
文献
(
基于预测误差补偿的鲁棒型永磁同步电机模型预测电流控制
[J]. 中国电机工程学报
,2021,41(17):6071
‑
6081.)
采用查找表获取各开关函数组合的预测误差，实现对预测误差的精准补偿，但难以保证全部开关函数组合对应的预测误差可以及时更新
。

技术实现思路

[0005]为解决上述技术问题，本专利技术提供了一种预测误差计算精准
、
补偿平稳的变流器模型预测控制方法
。
[0006]本专利技术解决上述问题的技术方案是：一种变流器模型预测控制方法，包括以下步骤：
S1.
计算变流器模型预测控制算法的广义预测误差，并进行滤波；变流器模型预测控制算法的广义预测误差定义为：预测模型计算出的状态预测值与状态参考值之间的偏差，即：
ꢀꢀ
(1),
式中，
、
为
k
时刻变流器输出电压参考值的实部和虚部，即输出电压的参考值为，
v
cop
α
(k)、v
cop
β
(k)
为补偿后的输出电压预测值的实部和虚
部，即输出电压的预测值为
v
cop
(k)=v
cop
α
(k)+jv
cop
β
(k)
，
Δ
v
op
α
(k)、
Δ
v
op
β
(k)
为广义预测误差的实部和虚部，即广义预测误差为
Δ
v
op
(k)
＝
Δ
v
op
α
(k)
＋
j
Δ
v
op
β
(k)
；采用多分辨率奇异值分解算法对用于训练神经网络的广义预测误差进行滤波，去除随机噪声，得到广义预测误差的主要特征
。
[0007]S2.
针对广义预测误差，构建神经网络回归模型；针对广义预测误差的实部和虚部，分别构建单隐含层
BP
神经网络回归模型，实现对下一时刻广义预测误差
Δ
v
op
(k+1)
的计算，模型输入为当前时刻系统的输出电压采样值
v
o
(k)、
控制量电压
v
s
(k)、
输出电压参考值
、
补偿后的输出电压预测值
v
cop
(k)
以及负载电流
i
o
(k)
；所构建的
BP
神经网络回归模型的主要参数为：输入神经元个数为4，隐含层神经元个数为5，输出层神经元个数为1，误差阈值设置为
10
‑6，算法迭代次数为
1000
，学习率设置为
0.01
，确认失败最大次数为
10
；用离线方式训练神经网络，输入样本数据为
{v
o
(k
‑
1)、v
s
(k
‑
1)、、v
cop
(k
‑
1)、i
o
(k
‑
1)}
，输出样本数据为经过多分辨率奇异值分解算法处理后的广义预测误差信号
Δ
v
op
(k)
，训练样本数据集的规模为
30000
组数据，其中
80%
作为训练数据，
20%
作为测试数据
。
[0008]S3.
采用神经网络回归模型计算广义预测误差，并对变流器预测模型的输出值进行补偿；在当前时刻
k
，将变流器模型预测控制算法给出的输出电压采样值
v
o
(k)、
控制量电压
v
s
(k)、
输出电压参考值
、
补偿后的输出电压预测值
v
cop
(k)
以及负载电流
i
o
(k)
，输入到训练好的神经网络，由神经网络计算出
k+1
时刻的广义预测误差
Δ
v
op
(k+1)
，并对变流器预测模型计算出的输出电压预测值
v
op
(k+1)
进行补偿，补偿策略为：
v
cop
(k+1)=v
op
(k+1)+a
c
·
Δ
v
op
(k+1)
ꢀꢀꢀ
(2)
，式中，
a
c
为补偿系数，由实验分析确定
。
[0009]S4.
由补偿后的预测模型输出值计算最优控制量，并实施该控制量；根据变流器模型预测控本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种变流器模型预测控制方法，其特征在于，包括以下步骤：
S1.
计算变流器模型预测控制算法的广义预测误差，并进行滤波；变流器模型预测控制算法的广义预测误差定义为：预测模型计算出的状态预测值与状态参考值之间的偏差，即：
ꢀꢀꢀꢀ
(1),
式中，
、
为
k
时刻变流器输出电压参考值的实部和虚部，即输出电压的参考值为，
v
cop
α
(k)、v
cop
β
(k)
为补偿后的输出电压预测值的实部和虚部，即输出电压的预测值为
v
cop
(k)=v
cop
α
(k)+jv
cop
β
(k)
，
Δ
v
op
α
(k)、
Δ
v
op
β
(k)
为广义预测误差的实部和虚部，即广义预测误差为
Δ
v
op
(k)
＝
Δ
v
op
α
(k)
＋
j
Δ
v
op
β
(k)
；采用多分辨率奇异值分解算法对用于训练神经网络的广义预测误差进行滤波，去除随机噪声，得到广义预测误差的主要特征；
S2.
针对广义预测误差，构建神经网络回归模型；针对广义预测误差的实部和虚部，分别构建单隐含层
BP
神经网络回归模型，实现对下一时刻广义预测误差
Δ
v
op
(k+1)
的计算，模型输入为当前时刻系统的输出电压采样值
v
o
(k)、
控制量电压
v
s
(k)、
输出电压参考值
、
补偿后的输出电压预测值
v
cop
(k)
以及负载电流
i
o
(k)
；所构建的
BP
神经网络回归模型的主要参数为：输入神经元个数为4，隐含层神经元个数为5，输出层神经元个数为1，误差阈值设置为
10
‑6，算法迭代次数为
1000
，学习率设置为
0.01
，确认失败最大次数为
10
；用离线方式训练神经网络，输入样本数据为
{v
o
(k
‑
1)、v
s
(k
‑
1)、、v
cop
(k
‑
1)、i
o
(k
‑
1)}
，输出样本数据为经过多分辨率奇异值分解算法处理后的广义预测误差信号
Δ
v
op
(k)
，训练样本数据集的规模为
30000
组数据，其中
80%
作为训练数据，
20%
作为测试数据；
S3.
采用神经网络回归模型计算广义预测误差，并对变流器预测模型的输出值进行补偿；在当前时刻
k
，将变流器模型预测控制算法给出的输出电压采样值
v
o
(k)、
控制量电压
v
s
(k)、
输出电压参考值
、
补偿后的输出电压预测值
v
cop
(k)
以及负载电流
i
o
(k)
，输入到训练好的神经网络，由神经网络计算出
k+1
时刻的广义预测误差
Δ
v
op
(k+1)
，并对变流器预测模型计算出的输出电压预测值
v
op
(k+1)
进行补偿，补偿策略为：<...

【专利技术属性】
技术研发人员：沈坤，陈昊翔，武梦谣，张萌妹，
申请(专利权)人：湖南师范大学，
类型：发明
国别省市：