随着新能源发电技术的快速发展,电压源逆变器成为新能源场站接入电网的重要设备.模型预测电流控制(model predictive current control, MPCC)方法因其实现简单、动态响应快等优点,在电压源逆变器系统中得到广泛应用[1 3] .然而,MPCC方法的控制效果受系统模型和参数影响,当控制参数与实际参数不匹配时,控制性能下降[4 ] .
为降低MPCC方法对模型参数的依赖性,部分学者提出无模型预测电流控制(model-free predictive current control, MFPCC)方法.MFPCC通过最小二乘估计[5 -6 ] 、超局部模型[7 -8 ] 、神经网络[9 ] 以及查询表(look-up table, LUT)等方法降低参数的影响.其中,基于LUT的MFPCC方法因原理简单、参数鲁棒性高而备受关注,该方法记录过去时刻应用电压矢量对应的电流梯度,将其存储在LUT中用于电流预测.然而,基于LUT的MFPCC方法面临另一个问题,即电流梯度更新停滞.文献[10 ]中电流梯度通过采样电流更新,在使用长期未更新梯度时,预测误差增加.文献[11 ]中对应用电压进行判断,当某电压矢量长期未使用时,强制其应用于下一时刻以更新其对应电流梯度,该做法会导致频繁使用非最优矢量,影响预测电流性能.文献[12 ]中分析电流梯度与对应电压矢量的关系,通过采样电流梯度估算其余电流梯度,实现LUT数据的全部更新,当连续控制周期使用相同电压矢量时,估算方法不再适用.因此,仍需对电流梯度更新停滞问题进行研究,此外,上述方法仅使用并网逆变器的自然开关状态,利用的电压矢量数量有限,存在电流纹波大的问题.
为降低电流纹波,基于多矢量的MFPCC方法被提出,文献[13 -14 ]中将两个基本电压矢量按给定方式组合,增加可利用电压矢量数量,提升预测控制效果.文献[15 -16 ]中在此基础上通过采样电流、电流梯度等信息计算双矢量的占空比,合成电压矢量从有限集扩展为无限集,进一步减小电流纹波.然而,这些方法中电流梯度均通过电流采样获得,采样电流中可能包含开关切换时的尖峰电流,严重影响电流梯度的准确性.为消除采样噪声对电流梯度的影响,文献[17 -18 ]中通过在每个控制周期内改变采样点避开开关动作噪声,该方法仅适用于开关动作位置固定的情形.当采用多矢量时,文献[19 ]中通过已知信息计算多矢量中个基本矢量的占空比,获得各基本矢量作用时间,从而避开开关切换时的尖峰电流,这使得控制系统变得复杂,实现较为困难.
为解决更新停滞及采样噪声干扰问题,并进一步抑制电流纹波,本文提出一种基于二阶广义积分器(second order generalized integrator, SOGI)的并网逆变器三矢量MFPCC采样噪声补偿方法.在每个控制周期中,采用3个基本电压矢量及其对应的电流梯度对输出电流进行预测,并根据三矢量与基本矢量坐标分量的重叠关系,将LUT分为两步进行更新,从而有效消除更新停滞现象.此外,通过理论分析采样噪声对电流梯度的影响,对电流梯度中的采样噪声成分进行估计与补偿.最后,通过仿真与实验验证了所提方法在降低电流纹波、消除更新停滞以及补偿采样噪声方面的有效性.
1 基于LUT的MFPCC基本原理
图1 为并网逆变器拓扑结构和电压矢量图.图中:U dc 为直流侧电源;S1、S2为A 相开关管;iA ~iC 为逆变器三相输出电流;L 为滤波电感;R 为线路电阻;e 表示三相电网电压.基于LUT的MFPCC方法定义的电流梯度为两个控制周期采样电流的差值,具体如下:
(1) $\begin{array}{l}{i}_{pre}(k+1)-{i}_{\mathrm{s}}\left(k\right)=\\ \left({u}_{x}\right(k)-R{i}_{\mathrm{s}}(k)-e(k\left)\right){T}_{\mathrm{s}}/L=\mathrm{\Delta }{i}_{x}\left(k\right)\end{array}$
式中:ipre (k+1) 为k+1 时刻预测电流;is (k) 为k 时刻采样电流;Ts 为控制周期;e(k) 为k 时刻三相电网电压做Clark变换后得到的矢量;$\mathrm{\Delta }{i}_{x}\left(k\right)$ k 时刻应用矢量ux (k) 对应的电流梯度,其中,${u}_{x}\in \{{u}_{0},{u}_{1},{u}_{2},{u}_{3},{u}_{4},{u}_{5},{u}_{6},{u}_{7}\}$ .
图1
图1
并网逆变器的电路拓扑和电压矢量
Fig.1
Topology and voltage vector of grid-connected inverter
式(1)中$\mathrm{\Delta }{i}_{x}\left(k\right)$ $\mathrm{\Delta }{i}_{x}\left(k-1\right)$ $\mathrm{\Delta }{i}_{x}(k-1)$
(2) $\begin{array}{c}\Delta {i}_{x}(k-1)={i}_{\mathrm{s}}\left(k\right)-{i}_{\mathrm{s}}(k-1)\end{array}$
将采样得到的电流梯度存储在LUT中对应电压矢量处,并用于预测控制,其原理如图2 所示.
图2
图2
MFPCC更新原理
Fig.2
Principle of conventional MFPCC updating
2 基于扩展LUT的两步更新三矢量MFPCC方法
为消除更新停滞,进一步减小电流纹波,提出一种基于扩展LUT的两步更新三矢量MFPCC方法.
2.1 三矢量MFPCC基本原理
三电压矢量由最近三个基本电压矢量线性组成,其具体合成方式及分布区域如图3 所示.
图3
图3
三电压矢量合成方式及分布区域
Fig.3
Synthesis and distribution area of three-voltage vectors
假设某一时刻内使用的三电压矢量uv (v=1~6) 对应基本电压矢量为$\left({u}_{x},{u}_{y},{u}_{{\mathrm{z}}^{\text{'}}}\right)$
(3) $\begin{array}{c}\left.\begin{array}{l}{u}_{v}=\frac{{t}_{x}}{{T}_{\mathrm{s}}}{u}_{x}+\frac{{t}_{y}}{{T}_{\mathrm{s}}}{u}_{y}+\frac{{t}_{z\text{'}}}{{T}_{\mathrm{s}}}{u}_{\mathrm{z}\text{'}}\\ {T}_{\mathrm{s}}={t}_{x}+{t}_{y}+{t}_{z\text{'}}\end{array}\right\}\end{array}$
式中:tx 、ty 、tz' 分别为基本电压矢量ux 、uy 、uz' 的作用时间,其中ux 、uy 代表非零矢量,uz' 代表零矢量u0 和u7 .
因电流梯度$\mathrm{\Delta }i$ u 对应,假设三电压矢量uv 对应的合成电流梯度为$\mathrm{\Delta }{i}_{v}$
(4) $\begin{array}{c}\left.\begin{array}{l}\mathrm{\Delta }{i}_{v}=\frac{{t}_{x}}{{T}_{\mathrm{s}}}\mathrm{\Delta }{i}_{x}+\frac{{t}_{y}}{{T}_{\mathrm{s}}}\mathrm{\Delta }{i}_{y}+\frac{{t}_{z\text{'}}}{{T}_{\mathrm{s}}}\mathrm{\Delta }{i}_{\mathrm{z}\text{'}}\\ {T}_{\mathrm{s}}={t}_{x}+{t}_{y}+{t}_{z\text{'}}\end{array}\right\}\end{array}$
基本矢量作用时间利用文献[20 ]中价值函数反比法求得:
(5) $\begin{array}{c}\left.\begin{array}{l}{t}_{x}=\frac{{G}_{y}{G}_{z\text{'}}}{{G}_{x}{G}_{y}+{G}_{x}{G}_{z\text{'}}+{G}_{y}{G}_{z\text{'}}}{T}_{\mathrm{s}}\\ {t}_{y}=\frac{{G}_{x}{G}_{z\text{'}}}{{G}_{x}{G}_{y}+{G}_{x}{G}_{z\text{'}}+{G}_{y}{G}_{z\text{'}}}{T}_{\mathrm{s}}\\ {t}_{z\text{'}}=\frac{{G}_{x}{G}_{y}}{{G}_{x}{G}_{y}+{G}_{x}{G}_{z\text{'}}+{G}_{y}{G}_{z\text{'}}}{T}_{\mathrm{s}}\end{array}\right\}\end{array}$
式中:Gx 、Gy 、Gz' 分别为基本电压矢量ux 、uy 、uz' 作用时的基本价值函数.
(6) $\begin{array}{c}{i}_{pre}(k+1)={i}_{\mathrm{s}}\left(k\right)+\Delta {i}_{v}\left(k\right)\end{array}$
考虑控制存在一步延迟,对其进行补偿得到k +2时刻的预测电流:
(7) $\begin{array}{c}{i}_{pre}(k+2)={i}_{pre}(k+1)+\Delta {i}_{v}(k+1)\end{array}$
式中:$\mathrm{\Delta }{i}_{v}(k+1)=\mathrm{\Delta }{i}_{v}\left(k\right)$ .
将式(7)中得到的k +2时刻预测电流代入下式进行价值函数评估并选取最优解:
(8) $\begin{array}{c}{G}_{v}={\left({i}_{ref}(k+2)-{i}_{pre}(k+2)\right)}^{2}\end{array}$
式中:Gv 为三矢量对应电流梯度作用时的价值函数;iref (k+2) 为给定参考电流.
2.2 基于扩展LUT的电流梯度更新
将LUT表格扩展一位用于存储三矢量电流梯度Δiv ,并使用该数据更新基本矢量对应的电流梯度.
假设k-1 时刻的电流梯度为Δiv ,由式(2)可得:
(9) $\begin{array}{l}\mathrm{\Delta }{i}_{v}(k-1)={i}_{\mathrm{s}}\left(k\right)-{i}_{\mathrm{s}}(k-1)=\\ \frac{{T}_{\mathrm{s}}}{L}{u}_{v}(k-1)-\frac{{T}_{\mathrm{s}}}{L}\left(R{i}_{\mathrm{s}}\right(k-1)+e(k-1\left)\right)\end{array}$
如果k-1 时刻作用为8个基本电压矢量um (m=0~7) ,其对应的电流梯度为$\mathrm{\Delta }{i}_{m}$
(10) $\begin{array}{l}\mathrm{\Delta }{i}_{m}(k-1)=\frac{{T}_{\mathrm{s}}}{L}{u}_{m}(k-1)-\\ \frac{{T}_{\mathrm{s}}}{L}\left(R{i}_{\mathrm{s}}\right(k-1)+e(k-1\left)\right)\end{array}$
为消除is (k-1) 和e(k-1) 带来的影响,并建立$\mathrm{\Delta }{i}_{v}$ $\mathrm{\Delta }{i}_{m}$
(11) $\begin{array}{l}\mathrm{\Delta }{i}_{v}(k-1)-\mathrm{\Delta }{i}_{m}(k-1)=\\ \frac{{T}_{\mathrm{s}}}{L}\left({u}_{v}\right(k-1)-{u}_{m}(k-1\left)\right)\end{array}$
给出k-2 时刻$\mathrm{\Delta }{i}_{v}$ $\mathrm{\Delta }{i}_{m}$
(12) $\begin{array}{l} \mathrm{\Delta }{i}_{v}(k-2)-\mathrm{\Delta }{i}_{m}(k-2)=\\ {T}_{\mathrm{s}}/L\left({u}_{v}\right(k-2)-{u}_{m}(k-2\left)\right)\end{array}$
在此以α 轴分量为例进行更新计算,通过式(11)和式(12)比较消除参数L 的影响:
(13) $\begin{array}{l}\frac{\mathrm{\Delta }{i}_{v\alpha }(k-1)-\mathrm{\Delta }{i}_{m\alpha }(k-1)}{\mathrm{\Delta }{i}_{v\alpha }(k-2)-\mathrm{\Delta }{i}_{m\alpha }(k-2)}=\\ \frac{{u}_{v\alpha }(k-1)-{u}_{m\alpha }(k-1)}{{u}_{v\alpha }(k-2)-{u}_{m\alpha }(k-2)}\end{array}$
(14) $\begin{array}{l}\mathrm{\Delta }{i}_{m\alpha }(k-1)=\mathrm{\Delta }{i}_{v\alpha }(k-1)-\\ \frac{{u}_{v\alpha }(k-1)-{u}_{m\alpha }(k-1)}{{u}_{v\alpha }(k-2)-{u}_{m\alpha }(k-2)}\times \\ \left(\mathrm{\Delta }{i}_{v\alpha }\right(k-2)-\mathrm{\Delta }{i}_{m\alpha }(k-2\left)\right)\end{array}$
因此,LUT中8个基本电流梯度Δimα 可使用三矢量电流梯度Δivα 进行更新,同理电流梯度β 轴分量也按此种方法更新.本节所提的基于扩展LUT的基本电流梯度更新方法如图4 所示.
图4
图4
基于扩展LUT的电流梯度更新方法
Fig.4
Updating method for current gradient based on extended LUT
2.3 两步更新消除停滞
在式(14)中,当分母${u}_{v\alpha }(k-2)-{u}_{m\alpha }(k-2)=0$
首先,给出两步更新的划分标准,判断三电压矢量与基本电压矢量的αβ 轴分量是否相等,具体如下:
(15) $\begin{array}{c}\left.\begin{array}{l}\left|{u}_{v\alpha }-{u}_{m\alpha }\right|\le {\delta }_{\alpha }\\ \left|{u}_{v\beta }-{u}_{m\beta }\right|\le {\delta }_{\beta }\end{array}\right\}\end{array}$
式中:${\delta }_{\alpha }$ ${\delta }_{\beta }$
将满足式(15)的基本电压矢量记为u 2nd ,剩余的基本电压矢量记为u 1st .如图5(a) 所示,当三电压矢量u v1 与基本电压矢量u 2 、u 6 的α 轴分量相等时,后者对应的电流梯度无法通过式(14)更新,记为u 2nd .进行第一步更新,使用式(14)更新u 0 、u 1 、u 3 、u 4 、u 5 对应的电流梯度.对于第二步更新,可将式(11)~(14)中Δi v 替换为第一步更新中的Δi 1st ,式(14)则改写为
(16) $\begin{array}{l} \mathrm{\Delta }{i}_{\alpha }^{2\mathrm{n}\mathrm{d}}(k-1)=\mathrm{\Delta }{i}_{\alpha }^{1\mathrm{s}\mathrm{t}}(k-1)-\\ \frac{{u}_{\alpha }^{1\mathrm{s}\mathrm{t}}(k-1)-{u}_{\alpha }^{2\mathrm{n}\mathrm{d}}(k-1)}{{u}_{\alpha }^{1\mathrm{s}\mathrm{t}}(k-2)-{u}_{\alpha }^{2\mathrm{n}\mathrm{d}}(k-2)}\times \\ \left(\mathrm{\Delta }{i}_{\alpha }^{1\mathrm{s}\mathrm{t}}\right(k-2)-\mathrm{\Delta }{i}_{\alpha }^{2\mathrm{n}\mathrm{d}}(k-2\left)\right)\end{array}$
图5
图5
两步更新法原理图
Fig.5
Schematic of two step updating method
同理,β 轴下基本电流梯度也可通过两步更新消除停滞现象.如图5(b) 所示,以uv 5 为例,此时u 5 、u 6 对应的电流梯度β 分量在第二步更新,先通过采样更新的电流梯度Δiv 更新u 0 、u 1 、u 2 、u 3 、u 4 对应的电流梯度,随后选取任一已更新电流梯度更新u 5 、u 6 对应的电流梯度.
3 基于SOGI的采样噪声补偿方法
3.1 MFPCC采样噪声分析
图6 展示了在三矢量MFPCC采样过程中,采样电流中包含开关动作噪声,从而导致式(9)及式(14)、(16)中更新的电流梯度产生偏差,进而影响预测控制效果.
图6
图6
带有开关噪声的采样电流
Fig.6
Sampling current with switching noise
对采样噪声进行分析,假设iA ,iB ,iC 为采样值,经过Clarke变换后得到:
(17) $\begin{array}{c}\left[\begin{array}{l}{i}_{\alpha }\\ {i}_{\beta }\end{array}\right]={C}_{3/2}\left[\begin{array}{l}{i}_{A}\\ {i}_{B}\\ {i}_{C}\end{array}\right]=\left[\begin{array}{l}{i}_{\alpha 0}+{\lambda }_{\alpha }{i}_{\alpha 0}\\ {i}_{\beta 0}+{\lambda }_{\beta }{i}_{\beta 0}\end{array}\right]\end{array}$
式中:${i}_{\alpha }$ ${i}_{\beta }$ $\alpha \beta $ ${i}_{\alpha 0}$ ${i}_{\beta 0}$ ${\lambda }_{\alpha }{i}_{\alpha 0}$ ${\lambda }_{\beta }{i}_{\beta 0}$ $\alpha \beta $ ${\lambda }_{\alpha }$ ${\lambda }_{\beta }$
(18) $\begin{array}{l}\left[\begin{array}{l}\Delta {i}_{\alpha }\left(k\right)\\ \Delta {i}_{\beta }\left(k\right)\end{array}\right]=\left[\begin{array}{l}{i}_{\alpha }(k+1)-{i}_{\alpha }\left(k\right)\\ {i}_{\beta }(k+1)-{i}_{\beta }\left(k\right)\end{array}\right]=\\ \frac{{T}_{\mathrm{s}}}{L}\left[\begin{array}{l}{u}_{\alpha }\left(k\right)-R{i}_{\alpha 0}\left(k\right)-{e}_{\alpha }\left(k\right)\\ {u}_{\beta }\left(k\right)-R{i}_{\beta 0}\left(k\right)-{e}_{\beta }\left(k\right)\end{array}\right]-\frac{{T}_{\mathrm{s}}R}{L}\left[\begin{array}{l}{\lambda }_{\alpha }{i}_{\alpha 0}\left(k\right)\\ {\lambda }_{\beta }{i}_{\beta 0}\left(k\right)\end{array}\right]\end{array}$
电流梯度Δi =[iα iβ ]T 误差与电流采样值i 中的采样噪声有关.且在同一个控制周期内,采样噪声对各基本电流梯度影响一致.
3.2 基于SOGI的采样噪声补偿
图7 为SOGI[21 ] 结构框图.图中:u 、u' 分别为sogi的输入、输出,$\epsilon $ qu' 为SOGI输出信号u' 的正交分量.经3.1节分析,选择零矢量uz' 对应电流梯度Δi 0 来估算采样噪声对电流梯度造成的误差.以Δi 0 作为SOGI的输入目标,通过拉普拉斯变换得到其传递函数:
(19) $\begin{array}{c}G\left(s\right)=\frac{\mathrm{\Delta }i{\text{'}}_{0}\left(s\right)}{\mathrm{\Delta }{i}_{0}\left(s\right)}=\frac{p{\omega }_{0}s}{{s}^{2}+p{\omega }_{0}s+{\omega }_{0}^{2}}\end{array}$
式中:s 为拉普拉斯算子;Δi '0 为Δi 0 对应输出量;p 为SOGI的增益;${\omega }_{0}=2\mathrm{\pi }{f}_{0}$ f0 为电网频率,取50 Hz.
图7
图7
SOGI结构框图
Fig.7
Structure of SOGI
根据双线性变换原理,令$s=\frac{2(z-1)}{{T}_{\mathrm{s}}(z+1)},$
(20) $\frac{\mathrm{\Delta }i{\text{'}}_{0}\left(z\right)}{\mathrm{\Delta }{i}_{0}\left(z\right)}=\frac{p{\omega }_{0}\left(\frac{2}{{T}_{\mathrm{s}}}\frac{z-1}{z+1}\right)}{{\left(\frac{2}{{T}_{\mathrm{s}}}\frac{z-1}{z+1}\right)}^{2}+p{\omega }_{0}\left(\frac{2}{{T}_{\mathrm{s}}}\frac{z-1}{z+1}\right)+{\omega }_{0}^{2}}$
(21) $\begin{array}{l} \mathrm{\Delta }i{\text{'}}_{0}\left(k\right)=a\mathrm{\Delta }{i}_{0}\left(k\right)+b\mathrm{\Delta }{i}_{0}(k-2)+\\ c\mathrm{\Delta }i{\text{'}}_{0}(k-1)+d\mathrm{\Delta }i{\text{'}}_{0}(k-2)\end{array}$
$\begin{array}{l}a=\frac{2{T}_{\mathrm{s}}p{\omega }_{0}}{4+2{T}_{\mathrm{s}}p{\omega }_{0}+{T}_{\mathrm{s}}^{2}{\omega }_{0}^{2}}\\ b=\frac{-2{T}_{\mathrm{s}}p{\omega }_{0}}{4+2{T}_{\mathrm{s}}p{\omega }_{0}+{T}_{\mathrm{s}}^{2}{\omega }_{0}^{2}}\\ c=\frac{-2{T}_{\mathrm{s}}^{2}{\omega }_{0}^{2}+8}{4+2{T}_{\mathrm{s}}p{\omega }_{0}+{T}_{\mathrm{s}}^{2}{\omega }_{0}^{2}}\\ d=\frac{-4+2{T}_{\mathrm{s}}p{\omega }_{0}-{T}_{\mathrm{s}}^{2}{\omega }_{0}^{2}}{4+2{T}_{\mathrm{s}}p{\omega }_{0}+{T}_{\mathrm{s}}^{2}{\omega }_{0}^{2}}\end{array}$
(22) $\begin{array}{c}{E}_{\mathrm{r}}\left(k\right)=\Delta {i}_{0}\left(k\right)-\Delta i{\text{'}}_{0}\left(k\right)\end{array}$
将式(22)计算得到的噪声误差补偿到式(14)及式(16)更新的电流梯度中E r :
(23) $\begin{array}{c}\Delta i{\text{'}}_{x}\left(k\right)=\Delta {i}_{x}\left(k\right)-{E}_{\mathrm{r}}\left(k\right)\end{array}$
至此,LUT中各数据因采样噪声引起的误差得到补偿.
4 系统整体控制
图8 为所提方法的整体控制框图,包括基于SOGI的采样噪声补偿和基于两步更新的三矢量MFPCC两部分.前者通过采样信息更新LUT数据,并使用SOGI对采样噪声误差进行估计、补偿;后者使用3个基本电压矢量合成三电压矢量,并通过价值函数选取最优解,所得最优矢量通过脉冲宽度调制(pulse width modulation, PWM)作用于逆变器.参考电流i ref 的角度θ 通过锁相环(phase locked loop, PLL)得到,同时,给出整体控制方法的实现步骤如下:
步骤1 通过采样电流信息更新三电压矢量对应的电流梯度Δiv .
步骤2 使用Δiv 更新LUT中基本电流梯度Δim .
步骤3 通过SOGI估算采样噪声E r ,并补偿给电流梯度.
步骤4 计算各基本电流梯度对应的基本价值函数Gm ,m =0~7.
步骤5 使用Gm 求三矢量电流梯度,并求其价值函数Gv ,v=1~6.
步骤6 通过Gv 选取最优解,并记录作用三矢量信息.
图8
图8
整体控制框图
Fig.8
Overall control block
5 仿真与实验分析
为验证所提方法的有效性,在MATLAB和Simulink中进行相关仿真,同时搭建以DSP TMS320F28335为核心的两电平电压源逆变器实验平台,包括两电平电压源逆变器,Chroma交、直流电压源和Lecroy-HDO4034示波器,如图9 所示.
图9
图9
两电平电压源逆变器实验平台
Fig.9
2L-VSI experiment platform
仿真与实验参数如表1 所示.下文简称文献[20 ]中的三矢量模型预测控制方法为TV-MPCC,文献[12 ]中的单矢量无模型预测控制方法为C-MFPCC,所提基于两步更新的三矢量无模型预测控制方法为TV-MFPCC,所提基于SOGI采样噪声补偿的三矢量无模型预测控制方法为SOGI-TV-MFPCC.
5.1 电流梯度更新停滞对比
在C-MFPCC方法中,当连续两个周期使用的电压矢量或$\alpha \beta $ 图10(a) 展示了未采用两步更新方式时的输出电流波形,图10(b) 展示了采用两步更新方式后的输出电流波形,后者拥有更好的输出电流性能.为清晰起见,在每个实验电流波形图下给出同样条件仿真中的电流梯度波形,图10(b) 对比10(a) ,因采用两步更新方式,电流梯度更新停滞得以消除,控制效果得到提升.
图10
图10
电流梯度更新停滞对比
Fig.10
Comparison of current gradients updating stagnation
5.2 更新方式实验对比
为验证SOGI-TV-MFPCC方法中三矢量更新方式的有效性,将其与C-MFPCC方法对比.考虑采样噪声对无模型预测控制的影响,否则无法说明效果优劣是因为更新方式还是噪声误差.故将所提采样噪声补偿方法应用于C-MFPCC方法,消除噪声干扰因素,同时也验证所提方法的通用性.图11(a) 为SOGI-C-MFPCC方法输出电流及总谐波失真(total harmonic distortion,THD).如图11(b) 所示,当使用三矢量MFPCC更新方法时,THD由3.19%降低为2.28%.结果表明,当控制集由单矢量扩展到三矢量时,可进一步减小电流纹波.
图11
图11
更新方式实验对比
Fig.11
Comparison of updating methods
5.3 系统参数失配实验对比
图12 比较了TV-MPCC方法和所提SOGI-TV-MFPCC方法在参数失配时的电流性能及预测误差.图12(a) TV-MPCC方法中,当控制参数(L )与实际参数出现失配,即${L}_{\mathrm{A}}=0.25L,0.5L,1.5L,2L,$ ${L}_{\mathrm{A}}=0.25L,0.5L,1.5L,2L$ 图12(b) 所示.故SOGI-TV-MFPCC方法拥有更好参数鲁棒性.
图12
图12
系统参数失配实验对比
Fig.12
Comparison of system parameters mismatch experiment
5.4 采样噪声实验对比
为验证所提SOGI-TV-MFPCC方法采样噪声补偿的有效性,将 2 000 个随机数存储在带电可擦可编程只读存储器中,在每个控制周期内,DSP读取存储的随机数,并将其注入到当前采样值中,作为采样噪声.在图13(b) 中,TV-MFPCC方法在3段不同程度噪声下,因噪声影响导致预测电流有较大误差.而SOGI-TV-MFPCC法在3段不同程度噪声情况下,因使用SOGI对采样噪声进行估计补偿,LUT数据具有更高可靠性,得到的输出电流效果均优于TV-MFPCC方法,如图13(c) 所示.利用MATLAB对比两种方法输出电流在αβ 坐标下的预测误差,所提SOGI-TV-MFPCC方法拥有良好的抗干扰能力.
图13
图13
采样噪声实验
Fig.13
Sampled noise experiment
5.5 不同条件下实验结果总结
为清晰起见,将4种方法(TV-MPCC、C-MFPCC、TV-MFPCC、SOGI-TV-MFPCC)在不同实验条件下进行对比,输出电流波形经MATLAB处理得到THD如表2 所示.噪声2和噪声1的含义如图13(a) 所示,在此表示注入采样噪声和不注入采样噪声,采样噪声即环境噪声.对比在固定条件下,测试条件的变化对4种方法输出电流的影响.对比
TV-MPCC方法,在注入噪声及参数失配实验中,所提SOGI-TV-MFPCC方法拥有更好控制效果.对比C-MFPCC以及TV-MFPCC方法,SOGI-TV-MFPCC在各项实验对比中均拥有更好输出电流性能.
6 结语
针对基于LUT的MFPCC中更新停滞以及噪声干扰问题,以并网逆变器为研究对象,提出计及采样噪声补偿的三矢量无模型预测电流控制方法.该方法给出三矢量电流梯度计算基本电流梯度公式,并根据三矢量与基本矢量坐标分量的重叠关系,将LUT划分为两步更新,消除更新停滞现象.同时,三矢量的使用使输出电流纹波进一步降低.通过SOGI对电流梯度中的采样噪声进行估计补偿,在注入不同幅值的随机噪声时,所提方法都拥有良好的抗干扰性能.
参考文献
View Option
[1]
郭磊磊 , 金楠 , 李琰琰 , 等 . 并网逆变器无电网电压传感器模型预测控制
[J]. 电工技术学报 2020 , 35 (12 ): 2612 -2622 .
[本文引用: 1]
GUO Leilei JIN Nan LI Yanyan et al . Grid voltage sensorless model predictive control for grid-connected inverters
[J]. Transactions of China Electrotechnical Society 2020 , 35 (12 ): 2612 -2622 .
[本文引用: 1]
[2]
陈琢 , 王琛琛 , 成前 . 基于单一矢量的两电平逆变器快速模型预测控制
[J]. 电工技术学报 2021 , 36 (Sup.2 ): 654 -664 .
CHEN Zhuo WANG Chenchen CHENG Qian . Fast model predictive control of two-level inverter based on single vector
[J]. Transactions of China Electrotechnical Society 2021 , 36 (Sup.2 ): 654 -664 .
[3]
郭磊磊 , 金楠 , 李琰琰 , 等 . 电压源逆变器虚拟矢量模型预测共模电压抑制方法
[J]. 电工技术学报 2020 , 35 (4 ): 839 -849 .
[本文引用: 1]
GUO Leilei JIN Nan LI Yanyan et al . Virtual vector based model predictive common-mode voltage reduction method for voltage source inverters
[J]. Transactions of China Electrotechnical Society 2020 , 35 (4 ): 839 -849 .
[本文引用: 1]
[4]
LEE K J PARK B G KIM R Y et al . Robust predictive current controller based on a disturbance estimator in a three-phase grid-connected inverter
[J]. IEEE Transactions on Power Electronics 2012 , 27 (1 ): 276 -283 .
[本文引用: 1]
[5]
TINAZZI F CARLET P G BOLOGNANI S et al . Motor parameter-free predictive current control of synchronous motors by recursive least-square self-commissioning model
[J]. IEEE Transactions on Industrial Electronics 2020 , 67 (11 ): 9093 -9100 .
[本文引用: 1]
[6]
BROSCH A HANKE S WALLSCHEID O et al . Data-driven recursive least squares estimation for model predictive current control of permanent magnet synchronous motors
[J]. IEEE Transactions on Power Electronics 2021 , 36 (2 ): 2179 -2190 .
[本文引用: 1]
[7]
SAFAEI A MAHYUDDIN M N . Adaptive model-free control based on an ultra-local model with model-free parameter estimations for a generic SISO system
[J]. IEEE Access 2018 , 6 : 4266 -4275 .
[本文引用: 1]
[8]
JIANG T ZHANG Y C JIAO J et al . Model-free predictive current control of doubly fed induction generator based on ultra-local model
[C]// 2020 IEEE 9th International Power Electronics and Motion Control Conference Nanjing, China : IEEE , 2020 : 3057 -3062 .
[本文引用: 1]
[9]
NORAMBUENA M GALVEZ D . Model free artificial neural network for an induction machine
[C]// 2023 IEEE Conference on Power Electronics and Renewable Energy Luxor, Egypt : IEEE , 2023 : 1 -6 .
[本文引用: 1]
[10]
LIN C K LIU T H YU J T et al . Model-free predictive current control for interior permanent-magnet synchronous motor drives based on current difference detection technique
[J]. IEEE Transactions on Industrial Electronics 2014 , 61 (2 ): 667 -681 .
[本文引用: 1]
[11]
LIN C K YU J T LAI Y S et al . Improved model-free predictive current control for synchronous reluctance motor drives
[J]. IEEE Transactions on Industrial Electronics 2016 , 63 (6 ): 3942 -3953 .
[本文引用: 1]
[12]
MA C W LI H Y YAO X L et al . An improved model-free predictive current control with advanced current gradient updating mechanism
[J]. IEEE Transactions on Industrial Electronics 2021 , 68 (12 ): 11968 -11979 .
[本文引用: 2]
[13]
FENG Z Z CAO W P RUI T et al . A model-free predictive control method for grid-tied inverter based on discrete space vector
[C]// 2021 IEEE International Conference on Predictive Control of Electrical Drives and Power Electronics Jinan, China : IEEE , 2021 : 634 -639 .
[本文引用: 1]
[14]
ZHANG Y C ZHANG S G JIANG T et al . A modified model-free predictive current control method based on an extended finite control set for DFIGs applied to a nonideal grid
[J]. IEEE Transactions on Industry Applications 2022 , 58 (2 ): 2527 -2536 .
[本文引用: 1]
[15]
LIN C K YU J T AGUSTIN C A et al . A two-staged optimization approach to modulated model-free predictive current control for RL-connected three-phase two-level four-leg inverters
[J]. IEEE Access 2021 , 9 : 147537 -147548 .
[本文引用: 1]
[16]
REDDY V R AGUSTIN C A LIN C K et al . Modulated dual-voltage-vector model-free predictive current controller for synchronous reluctance motor drives with online duty cycle calculation
[J]. IEEE Access 2022 , 10 : 97856 -97867 .
[本文引用: 1]
[17]
LE V T LEE H H . An enhanced model-free predictive control to eliminate stagnant current variation update for PWM rectifiers
[J]. IEEE Journal of Emerging and Selected Topics in Power Electronics 2021 , 9 (6 ): 6804 -6816 .
[本文引用: 1]
[18]
YU F ZHOU C H LIU X et al . Model-free predictive current control for three-level inverter-fed IPMSM with an improved current difference updating technique
[J]. IEEE Transactions on Energy Conversion 2021 , 36 (4 ): 3334 -3343 .
[本文引用: 1]
[19]
LIN C K AGUSTIN C A YU J T et al . A modulated model-free predictive current control for four-switch three-phase inverter-fed SynRM drive systems
[J]. IEEE Access 2021 , 9 : 162984 -162995 .
[本文引用: 1]
[20]
王朋帅 . 基于可视化分析的永磁同步电机多矢量模型预测控制研究 [D]. 郑州 : 郑州轻工业大学 , 2023 .
[本文引用: 2]
WANG Pengshuai . Research on multi-vector model predictive control of permanent magnet synchronous motor based on visualization analysis [D]. Zhengzhou : Zhengzhou University of Light Industry , 2023 .
[本文引用: 2]
[21]
金胜赫 , 张化光 , 玄成哲 , 等 . 电网电压参数跳变时三相并网逆变器的同步方法
[J]. 上海交通大学学报 2017 , 51 (5 ): 585 -591 .
[本文引用: 1]
针对二阶广义积分器锁频环在电网同步系统启动和电网电压的参数跳变时会产生频率波动的问题，提出了一种基于自适应锁频环结构的二阶广义积分器的电网同步方法.该方法将反映电网电压的幅值、相位和频率的跳变的电压误差引入锁频环的增益.通过设计合适的锁频环增益，既能够有效抑制相位和幅值跳变引起的频率波动，又能够提高频率跳变时的响应速度.在电网电压正常、不平衡和畸变的情况下对所提出的电网同步方法进行了仿真.仿真结果验证了所提出方法的有效性.
JIN Shenghe ZHANG Huaguang XUAN Chengzhe et al . Grid synchronization method of three-phase grid-connected inverter under grid voltage parameters jump conditions
[J]. Journal of Shanghai Jiao Tong University 2017 , 51 (5 ): 585 -591 .
[本文引用: 1]
并网逆变器无电网电压传感器模型预测控制
1
2020
... 随着新能源发电技术的快速发展,电压源逆变器成为新能源场站接入电网的重要设备.模型预测电流控制(model predictive current control, MPCC)方法因其实现简单、动态响应快等优点,在电压源逆变器系统中得到广泛应用[1 3 ] .然而,MPCC方法的控制效果受系统模型和参数影响,当控制参数与实际参数不匹配时,控制性能下降[4 ] . ...
Grid voltage sensorless model predictive control for grid-connected inverters
1
2020
... 随着新能源发电技术的快速发展,电压源逆变器成为新能源场站接入电网的重要设备.模型预测电流控制(model predictive current control, MPCC)方法因其实现简单、动态响应快等优点,在电压源逆变器系统中得到广泛应用[1 3 ] .然而,MPCC方法的控制效果受系统模型和参数影响,当控制参数与实际参数不匹配时,控制性能下降[4 ] . ...
基于单一矢量的两电平逆变器快速模型预测控制
0
2021
Fast model predictive control of two-level inverter based on single vector
0
2021
电压源逆变器虚拟矢量模型预测共模电压抑制方法
1
2020
... 随着新能源发电技术的快速发展,电压源逆变器成为新能源场站接入电网的重要设备.模型预测电流控制(model predictive current control, MPCC)方法因其实现简单、动态响应快等优点,在电压源逆变器系统中得到广泛应用[1 3 ] .然而,MPCC方法的控制效果受系统模型和参数影响,当控制参数与实际参数不匹配时,控制性能下降[4 ] . ...
Virtual vector based model predictive common-mode voltage reduction method for voltage source inverters
1
2020
... 随着新能源发电技术的快速发展,电压源逆变器成为新能源场站接入电网的重要设备.模型预测电流控制(model predictive current control, MPCC)方法因其实现简单、动态响应快等优点,在电压源逆变器系统中得到广泛应用[1 3 ] .然而,MPCC方法的控制效果受系统模型和参数影响,当控制参数与实际参数不匹配时,控制性能下降[4 ] . ...
Robust predictive current controller based on a disturbance estimator in a three-phase grid-connected inverter
1
2012
... 随着新能源发电技术的快速发展,电压源逆变器成为新能源场站接入电网的重要设备.模型预测电流控制(model predictive current control, MPCC)方法因其实现简单、动态响应快等优点,在电压源逆变器系统中得到广泛应用[1 3 ] .然而,MPCC方法的控制效果受系统模型和参数影响,当控制参数与实际参数不匹配时,控制性能下降[4 ] . ...
Motor parameter-free predictive current control of synchronous motors by recursive least-square self-commissioning model
1
2020
... 为降低MPCC方法对模型参数的依赖性,部分学者提出无模型预测电流控制(model-free predictive current control, MFPCC)方法.MFPCC通过最小二乘估计[5 -6 ] 、超局部模型[7 -8 ] 、神经网络[9 ] 以及查询表(look-up table, LUT)等方法降低参数的影响.其中,基于LUT的MFPCC方法因原理简单、参数鲁棒性高而备受关注,该方法记录过去时刻应用电压矢量对应的电流梯度,将其存储在LUT中用于电流预测.然而,基于LUT的MFPCC方法面临另一个问题,即电流梯度更新停滞.文献[10 ]中电流梯度通过采样电流更新,在使用长期未更新梯度时,预测误差增加.文献[11 ]中对应用电压进行判断,当某电压矢量长期未使用时,强制其应用于下一时刻以更新其对应电流梯度,该做法会导致频繁使用非最优矢量,影响预测电流性能.文献[12 ]中分析电流梯度与对应电压矢量的关系,通过采样电流梯度估算其余电流梯度,实现LUT数据的全部更新,当连续控制周期使用相同电压矢量时,估算方法不再适用.因此,仍需对电流梯度更新停滞问题进行研究,此外,上述方法仅使用并网逆变器的自然开关状态,利用的电压矢量数量有限,存在电流纹波大的问题. ...
Data-driven recursive least squares estimation for model predictive current control of permanent magnet synchronous motors
1
2021
... 为降低MPCC方法对模型参数的依赖性,部分学者提出无模型预测电流控制(model-free predictive current control, MFPCC)方法.MFPCC通过最小二乘估计[5 -6 ] 、超局部模型[7 -8 ] 、神经网络[9 ] 以及查询表(look-up table, LUT)等方法降低参数的影响.其中,基于LUT的MFPCC方法因原理简单、参数鲁棒性高而备受关注,该方法记录过去时刻应用电压矢量对应的电流梯度,将其存储在LUT中用于电流预测.然而,基于LUT的MFPCC方法面临另一个问题,即电流梯度更新停滞.文献[10 ]中电流梯度通过采样电流更新,在使用长期未更新梯度时,预测误差增加.文献[11 ]中对应用电压进行判断,当某电压矢量长期未使用时,强制其应用于下一时刻以更新其对应电流梯度,该做法会导致频繁使用非最优矢量,影响预测电流性能.文献[12 ]中分析电流梯度与对应电压矢量的关系,通过采样电流梯度估算其余电流梯度,实现LUT数据的全部更新,当连续控制周期使用相同电压矢量时,估算方法不再适用.因此,仍需对电流梯度更新停滞问题进行研究,此外,上述方法仅使用并网逆变器的自然开关状态,利用的电压矢量数量有限,存在电流纹波大的问题. ...
Adaptive model-free control based on an ultra-local model with model-free parameter estimations for a generic SISO system
1
2018
... 为降低MPCC方法对模型参数的依赖性,部分学者提出无模型预测电流控制(model-free predictive current control, MFPCC)方法.MFPCC通过最小二乘估计[5 -6 ] 、超局部模型[7 -8 ] 、神经网络[9 ] 以及查询表(look-up table, LUT)等方法降低参数的影响.其中,基于LUT的MFPCC方法因原理简单、参数鲁棒性高而备受关注,该方法记录过去时刻应用电压矢量对应的电流梯度,将其存储在LUT中用于电流预测.然而,基于LUT的MFPCC方法面临另一个问题,即电流梯度更新停滞.文献[10 ]中电流梯度通过采样电流更新,在使用长期未更新梯度时,预测误差增加.文献[11 ]中对应用电压进行判断,当某电压矢量长期未使用时,强制其应用于下一时刻以更新其对应电流梯度,该做法会导致频繁使用非最优矢量,影响预测电流性能.文献[12 ]中分析电流梯度与对应电压矢量的关系,通过采样电流梯度估算其余电流梯度,实现LUT数据的全部更新,当连续控制周期使用相同电压矢量时,估算方法不再适用.因此,仍需对电流梯度更新停滞问题进行研究,此外,上述方法仅使用并网逆变器的自然开关状态,利用的电压矢量数量有限,存在电流纹波大的问题. ...
Model-free predictive current control of doubly fed induction generator based on ultra-local model
1
2020
... 为降低MPCC方法对模型参数的依赖性,部分学者提出无模型预测电流控制(model-free predictive current control, MFPCC)方法.MFPCC通过最小二乘估计[5 -6 ] 、超局部模型[7 -8 ] 、神经网络[9 ] 以及查询表(look-up table, LUT)等方法降低参数的影响.其中,基于LUT的MFPCC方法因原理简单、参数鲁棒性高而备受关注,该方法记录过去时刻应用电压矢量对应的电流梯度,将其存储在LUT中用于电流预测.然而,基于LUT的MFPCC方法面临另一个问题,即电流梯度更新停滞.文献[10 ]中电流梯度通过采样电流更新,在使用长期未更新梯度时,预测误差增加.文献[11 ]中对应用电压进行判断,当某电压矢量长期未使用时,强制其应用于下一时刻以更新其对应电流梯度,该做法会导致频繁使用非最优矢量,影响预测电流性能.文献[12 ]中分析电流梯度与对应电压矢量的关系,通过采样电流梯度估算其余电流梯度,实现LUT数据的全部更新,当连续控制周期使用相同电压矢量时,估算方法不再适用.因此,仍需对电流梯度更新停滞问题进行研究,此外,上述方法仅使用并网逆变器的自然开关状态,利用的电压矢量数量有限,存在电流纹波大的问题. ...
Model free artificial neural network for an induction machine
1
2023
... 为降低MPCC方法对模型参数的依赖性,部分学者提出无模型预测电流控制(model-free predictive current control, MFPCC)方法.MFPCC通过最小二乘估计[5 -6 ] 、超局部模型[7 -8 ] 、神经网络[9 ] 以及查询表(look-up table, LUT)等方法降低参数的影响.其中,基于LUT的MFPCC方法因原理简单、参数鲁棒性高而备受关注,该方法记录过去时刻应用电压矢量对应的电流梯度,将其存储在LUT中用于电流预测.然而,基于LUT的MFPCC方法面临另一个问题,即电流梯度更新停滞.文献[10 ]中电流梯度通过采样电流更新,在使用长期未更新梯度时,预测误差增加.文献[11 ]中对应用电压进行判断,当某电压矢量长期未使用时,强制其应用于下一时刻以更新其对应电流梯度,该做法会导致频繁使用非最优矢量,影响预测电流性能.文献[12 ]中分析电流梯度与对应电压矢量的关系,通过采样电流梯度估算其余电流梯度,实现LUT数据的全部更新,当连续控制周期使用相同电压矢量时,估算方法不再适用.因此,仍需对电流梯度更新停滞问题进行研究,此外,上述方法仅使用并网逆变器的自然开关状态,利用的电压矢量数量有限,存在电流纹波大的问题. ...
Model-free predictive current control for interior permanent-magnet synchronous motor drives based on current difference detection technique
1
2014
... 为降低MPCC方法对模型参数的依赖性,部分学者提出无模型预测电流控制(model-free predictive current control, MFPCC)方法.MFPCC通过最小二乘估计[5 -6 ] 、超局部模型[7 -8 ] 、神经网络[9 ] 以及查询表(look-up table, LUT)等方法降低参数的影响.其中,基于LUT的MFPCC方法因原理简单、参数鲁棒性高而备受关注,该方法记录过去时刻应用电压矢量对应的电流梯度,将其存储在LUT中用于电流预测.然而,基于LUT的MFPCC方法面临另一个问题,即电流梯度更新停滞.文献[10 ]中电流梯度通过采样电流更新,在使用长期未更新梯度时,预测误差增加.文献[11 ]中对应用电压进行判断,当某电压矢量长期未使用时,强制其应用于下一时刻以更新其对应电流梯度,该做法会导致频繁使用非最优矢量,影响预测电流性能.文献[12 ]中分析电流梯度与对应电压矢量的关系,通过采样电流梯度估算其余电流梯度,实现LUT数据的全部更新,当连续控制周期使用相同电压矢量时,估算方法不再适用.因此,仍需对电流梯度更新停滞问题进行研究,此外,上述方法仅使用并网逆变器的自然开关状态,利用的电压矢量数量有限,存在电流纹波大的问题. ...
Improved model-free predictive current control for synchronous reluctance motor drives
1
2016
... 为降低MPCC方法对模型参数的依赖性,部分学者提出无模型预测电流控制(model-free predictive current control, MFPCC)方法.MFPCC通过最小二乘估计[5 -6 ] 、超局部模型[7 -8 ] 、神经网络[9 ] 以及查询表(look-up table, LUT)等方法降低参数的影响.其中,基于LUT的MFPCC方法因原理简单、参数鲁棒性高而备受关注,该方法记录过去时刻应用电压矢量对应的电流梯度,将其存储在LUT中用于电流预测.然而,基于LUT的MFPCC方法面临另一个问题,即电流梯度更新停滞.文献[10 ]中电流梯度通过采样电流更新,在使用长期未更新梯度时,预测误差增加.文献[11 ]中对应用电压进行判断,当某电压矢量长期未使用时,强制其应用于下一时刻以更新其对应电流梯度,该做法会导致频繁使用非最优矢量,影响预测电流性能.文献[12 ]中分析电流梯度与对应电压矢量的关系,通过采样电流梯度估算其余电流梯度,实现LUT数据的全部更新,当连续控制周期使用相同电压矢量时,估算方法不再适用.因此,仍需对电流梯度更新停滞问题进行研究,此外,上述方法仅使用并网逆变器的自然开关状态,利用的电压矢量数量有限,存在电流纹波大的问题. ...
An improved model-free predictive current control with advanced current gradient updating mechanism
2
2021
... 为降低MPCC方法对模型参数的依赖性,部分学者提出无模型预测电流控制(model-free predictive current control, MFPCC)方法.MFPCC通过最小二乘估计[5 -6 ] 、超局部模型[7 -8 ] 、神经网络[9 ] 以及查询表(look-up table, LUT)等方法降低参数的影响.其中,基于LUT的MFPCC方法因原理简单、参数鲁棒性高而备受关注,该方法记录过去时刻应用电压矢量对应的电流梯度,将其存储在LUT中用于电流预测.然而,基于LUT的MFPCC方法面临另一个问题,即电流梯度更新停滞.文献[10 ]中电流梯度通过采样电流更新,在使用长期未更新梯度时,预测误差增加.文献[11 ]中对应用电压进行判断,当某电压矢量长期未使用时,强制其应用于下一时刻以更新其对应电流梯度,该做法会导致频繁使用非最优矢量,影响预测电流性能.文献[12 ]中分析电流梯度与对应电压矢量的关系,通过采样电流梯度估算其余电流梯度,实现LUT数据的全部更新,当连续控制周期使用相同电压矢量时,估算方法不再适用.因此,仍需对电流梯度更新停滞问题进行研究,此外,上述方法仅使用并网逆变器的自然开关状态,利用的电压矢量数量有限,存在电流纹波大的问题. ...
... 仿真与实验参数如表1 所示.下文简称文献[20 ]中的三矢量模型预测控制方法为TV-MPCC,文献[12 ]中的单矢量无模型预测控制方法为C-MFPCC,所提基于两步更新的三矢量无模型预测控制方法为TV-MFPCC,所提基于SOGI采样噪声补偿的三矢量无模型预测控制方法为SOGI-TV-MFPCC. ...
A model-free predictive control method for grid-tied inverter based on discrete space vector
1
2021
... 为降低电流纹波,基于多矢量的MFPCC方法被提出,文献[13 -14 ]中将两个基本电压矢量按给定方式组合,增加可利用电压矢量数量,提升预测控制效果.文献[15 -16 ]中在此基础上通过采样电流、电流梯度等信息计算双矢量的占空比,合成电压矢量从有限集扩展为无限集,进一步减小电流纹波.然而,这些方法中电流梯度均通过电流采样获得,采样电流中可能包含开关切换时的尖峰电流,严重影响电流梯度的准确性.为消除采样噪声对电流梯度的影响,文献[17 -18 ]中通过在每个控制周期内改变采样点避开开关动作噪声,该方法仅适用于开关动作位置固定的情形.当采用多矢量时,文献[19 ]中通过已知信息计算多矢量中个基本矢量的占空比,获得各基本矢量作用时间,从而避开开关切换时的尖峰电流,这使得控制系统变得复杂,实现较为困难. ...
A modified model-free predictive current control method based on an extended finite control set for DFIGs applied to a nonideal grid
1
2022
... 为降低电流纹波,基于多矢量的MFPCC方法被提出,文献[13 -14 ]中将两个基本电压矢量按给定方式组合,增加可利用电压矢量数量,提升预测控制效果.文献[15 -16 ]中在此基础上通过采样电流、电流梯度等信息计算双矢量的占空比,合成电压矢量从有限集扩展为无限集,进一步减小电流纹波.然而,这些方法中电流梯度均通过电流采样获得,采样电流中可能包含开关切换时的尖峰电流,严重影响电流梯度的准确性.为消除采样噪声对电流梯度的影响,文献[17 -18 ]中通过在每个控制周期内改变采样点避开开关动作噪声,该方法仅适用于开关动作位置固定的情形.当采用多矢量时,文献[19 ]中通过已知信息计算多矢量中个基本矢量的占空比,获得各基本矢量作用时间,从而避开开关切换时的尖峰电流,这使得控制系统变得复杂,实现较为困难. ...
A two-staged optimization approach to modulated model-free predictive current control for RL-connected three-phase two-level four-leg inverters
1
2021
... 为降低电流纹波,基于多矢量的MFPCC方法被提出,文献[13 -14 ]中将两个基本电压矢量按给定方式组合,增加可利用电压矢量数量,提升预测控制效果.文献[15 -16 ]中在此基础上通过采样电流、电流梯度等信息计算双矢量的占空比,合成电压矢量从有限集扩展为无限集,进一步减小电流纹波.然而,这些方法中电流梯度均通过电流采样获得,采样电流中可能包含开关切换时的尖峰电流,严重影响电流梯度的准确性.为消除采样噪声对电流梯度的影响,文献[17 -18 ]中通过在每个控制周期内改变采样点避开开关动作噪声,该方法仅适用于开关动作位置固定的情形.当采用多矢量时,文献[19 ]中通过已知信息计算多矢量中个基本矢量的占空比,获得各基本矢量作用时间,从而避开开关切换时的尖峰电流,这使得控制系统变得复杂,实现较为困难. ...
Modulated dual-voltage-vector model-free predictive current controller for synchronous reluctance motor drives with online duty cycle calculation
1
2022
... 为降低电流纹波,基于多矢量的MFPCC方法被提出,文献[13 -14 ]中将两个基本电压矢量按给定方式组合,增加可利用电压矢量数量,提升预测控制效果.文献[15 -16 ]中在此基础上通过采样电流、电流梯度等信息计算双矢量的占空比,合成电压矢量从有限集扩展为无限集,进一步减小电流纹波.然而,这些方法中电流梯度均通过电流采样获得,采样电流中可能包含开关切换时的尖峰电流,严重影响电流梯度的准确性.为消除采样噪声对电流梯度的影响,文献[17 -18 ]中通过在每个控制周期内改变采样点避开开关动作噪声,该方法仅适用于开关动作位置固定的情形.当采用多矢量时,文献[19 ]中通过已知信息计算多矢量中个基本矢量的占空比,获得各基本矢量作用时间,从而避开开关切换时的尖峰电流,这使得控制系统变得复杂,实现较为困难. ...
An enhanced model-free predictive control to eliminate stagnant current variation update for PWM rectifiers
1
2021
... 为降低电流纹波,基于多矢量的MFPCC方法被提出,文献[13 -14 ]中将两个基本电压矢量按给定方式组合,增加可利用电压矢量数量,提升预测控制效果.文献[15 -16 ]中在此基础上通过采样电流、电流梯度等信息计算双矢量的占空比,合成电压矢量从有限集扩展为无限集,进一步减小电流纹波.然而,这些方法中电流梯度均通过电流采样获得,采样电流中可能包含开关切换时的尖峰电流,严重影响电流梯度的准确性.为消除采样噪声对电流梯度的影响,文献[17 -18 ]中通过在每个控制周期内改变采样点避开开关动作噪声,该方法仅适用于开关动作位置固定的情形.当采用多矢量时,文献[19 ]中通过已知信息计算多矢量中个基本矢量的占空比,获得各基本矢量作用时间,从而避开开关切换时的尖峰电流,这使得控制系统变得复杂,实现较为困难. ...
Model-free predictive current control for three-level inverter-fed IPMSM with an improved current difference updating technique
1
2021
... 为降低电流纹波,基于多矢量的MFPCC方法被提出,文献[13 -14 ]中将两个基本电压矢量按给定方式组合,增加可利用电压矢量数量,提升预测控制效果.文献[15 -16 ]中在此基础上通过采样电流、电流梯度等信息计算双矢量的占空比,合成电压矢量从有限集扩展为无限集,进一步减小电流纹波.然而,这些方法中电流梯度均通过电流采样获得,采样电流中可能包含开关切换时的尖峰电流,严重影响电流梯度的准确性.为消除采样噪声对电流梯度的影响,文献[17 -18 ]中通过在每个控制周期内改变采样点避开开关动作噪声,该方法仅适用于开关动作位置固定的情形.当采用多矢量时,文献[19 ]中通过已知信息计算多矢量中个基本矢量的占空比,获得各基本矢量作用时间,从而避开开关切换时的尖峰电流,这使得控制系统变得复杂,实现较为困难. ...
A modulated model-free predictive current control for four-switch three-phase inverter-fed SynRM drive systems
1
2021
... 为降低电流纹波,基于多矢量的MFPCC方法被提出,文献[13 -14 ]中将两个基本电压矢量按给定方式组合,增加可利用电压矢量数量,提升预测控制效果.文献[15 -16 ]中在此基础上通过采样电流、电流梯度等信息计算双矢量的占空比,合成电压矢量从有限集扩展为无限集,进一步减小电流纹波.然而,这些方法中电流梯度均通过电流采样获得,采样电流中可能包含开关切换时的尖峰电流,严重影响电流梯度的准确性.为消除采样噪声对电流梯度的影响,文献[17 -18 ]中通过在每个控制周期内改变采样点避开开关动作噪声,该方法仅适用于开关动作位置固定的情形.当采用多矢量时,文献[19 ]中通过已知信息计算多矢量中个基本矢量的占空比,获得各基本矢量作用时间,从而避开开关切换时的尖峰电流,这使得控制系统变得复杂,实现较为困难. ...
2
2023
... 基本矢量作用时间利用文献[20 ]中价值函数反比法求得: ...
... 仿真与实验参数如表1 所示.下文简称文献[20 ]中的三矢量模型预测控制方法为TV-MPCC,文献[12 ]中的单矢量无模型预测控制方法为C-MFPCC,所提基于两步更新的三矢量无模型预测控制方法为TV-MFPCC,所提基于SOGI采样噪声补偿的三矢量无模型预测控制方法为SOGI-TV-MFPCC. ...
2
2023
... 基本矢量作用时间利用文献[20 ]中价值函数反比法求得: ...
... 仿真与实验参数如表1 所示.下文简称文献[20 ]中的三矢量模型预测控制方法为TV-MPCC,文献[12 ]中的单矢量无模型预测控制方法为C-MFPCC,所提基于两步更新的三矢量无模型预测控制方法为TV-MFPCC,所提基于SOGI采样噪声补偿的三矢量无模型预测控制方法为SOGI-TV-MFPCC. ...
电网电压参数跳变时三相并网逆变器的同步方法
1
2017
... 图7 为SOGI[21 ] 结构框图.图中:u 、u' 分别为sogi的输入、输出,$\epsilon $ qu' 为SOGI输出信号u' 的正交分量.经3.1节分析,选择零矢量uz' 对应电流梯度Δi 0 来估算采样噪声对电流梯度造成的误差.以Δi 0 作为SOGI的输入目标,通过拉普拉斯变换得到其传递函数: ...
Grid synchronization method of three-phase grid-connected inverter under grid voltage parameters jump conditions
1
2017
... 图7 为SOGI[21 ] 结构框图.图中:u 、u' 分别为sogi的输入、输出,$\epsilon $ qu' 为SOGI输出信号u' 的正交分量.经3.1节分析,选择零矢量uz' 对应电流梯度Δi 0 来估算采样噪声对电流梯度造成的误差.以Δi 0 作为SOGI的输入目标,通过拉普拉斯变换得到其传递函数: ...
