关键词:
模型预测控制
飞跨电容多电平变换器
计算复杂度
神经网络
自适应控制
无传感器
宽禁带半导体
摘要:
近年来,轨道交通、数据中心、工业制造、电力系统等领域对电能变换技术提出了更高的要求,研发具有高功率密度、高效率、高电压等级和中大功率容量的新型电力电子变换器具有重要意义。然而,半导体器件的物理特性制约了功率变换器的工作性能。为了提高功率变换器的工作电压和功率等级,学术界提出了多电平变换器。这其中,飞跨电容多电平变换器(FCMC)凭借其功率密度高以及扩展能力强的优势,受到了越来越多的关注。但是,目前FCMC变换器在大功率场合的应用仍然受到两方面因素的制约。首先,FCMC的内部状态量多,控制起来比较复杂,尤其在电平数较高的情况下缺乏合适的控制方法维持FCMC电容电压的稳定。其次,随着FCMC电平数增加,势必会引入更多的电压采样电路,这将导致系统的体积和成本上升。
本论文以FCMC对高性能控制策略的需求为出发点,围绕相关问题,将FCMC拓扑和模型预测控制相结合,针对变换器的特点设计预测模型及优化函数,可以在发挥预测控制良好动态性能的前提下,大幅优化其稳态性能,简化控制的复杂度。此外,本文提出了适用于FCMC的电压估计方法,该方法可以在不使用传感电路的情况下准确、迅速地获取各电容上电压值。论文的研究重点及主要的创新工作主要体现在以下几个方面:
(1)针对MPC计算复杂度随电平数增加呈指数上升的难题,首次提出了新型神经网络-模型预测控制(ANN-MPC)的概念。该方法利用神经网络取代FCSMPC的控制过程,传统FCS-MPC中繁重的计算负担从线上的迭代转移到线下ANN的训练过程中,从而有效地降低了控制过程中ANN-MPC控制器对计算资源的占用。飞跨电容五电平逆变器中的对比实验结果表明,ANN-MPC能够降低50%以上的FPGA资源占用,同时提供和FCS-MPC相同的控制性能。
(2)针对常用FCS-MPC开关频率不固定,以及电路中纹波较大的问题,提出了适用于多电平结构的新型固定频率调制型模型预测控制。本文提出的基于矢量分析的调制型模型预测控制在保留FCS-MPC优异的瞬态性能同时,使得变换器稳态性能与载波移相策略保持一致。即统一了传统预测控制的瞬态性能以及PWM调制下的稳态性能。同时,不再依赖对代价函数以及权重系数的选择。
(3)针对模型预测控制对系统参数失配敏感的共性问题,本文提出了基于神经网络的自适应模型预测控制(ANN-AMPC)。该方法建立神经网络模型对FCMC在不同系统参数下的运行数据进行学习。为了实现跟踪系统参数变化的能力,上一个工作周期的控制信号也加入到ANN的输入向量中。经过训练的ANN-AMPC可以自适应地跟踪系统参数的变化并实现最优控制性能,而无需额外的系统参数识别部分。此外,由于ANN在不同模型参数下的收敛是离线完成的,因此ANNAMPC可以提供更好的动态性能。
(4)针对现有FCS-MPC随FCMC电平数增加而指数性增长、输出波形频率不固定、输出纹波较大等不利因素,提出了一种新型CCS-MPC控制策略—分布式模型预测控制(DMPC)。DMPC基于纳什均衡策略而实现,结构呈现分布式特点,通过链式迭代对最优占空比进行求取。DMPC相对于FCS-MPC除了能实现固定频率控制外,最重要的优势在于随着FCMC电平数的增加,只需要增加部分子处理器模块,而无需对变换器整体进行重新设计,保证了计算负担增长率线性化,有利于高电平数FCMC的快速、定频控制。凭借其在控制性能和算法实现成本两个方面的优势,DMPC为FCMC向更高电平数、更高功率等级的推广提供了有力的技术支撑。
(5)飞跨电容多电平拓扑需要额外的采样电路对飞跨电容电压进行调节,这将导致系统成本和体积的上升。针对相关问题,本章研究了FCMC拓扑的快速电容电压观测技术,提出了基于反向传播算法的电容电压估计方法(SGDE),以及基于神经网络的电容电压估计方法(ANNE)。SGDE策略无需离线数据,通过实时采样到的输出电压就可以在线逼近电容电压值,其计算简洁,具备极强的扩展能力。本文通过仿真和实验在五电平FCMC和七电平FCMC中验证了SGDE的有效性。仿真和实验结果显示,SGDE的工作频率可以达到100 k Hz,且估计精度高于99%。ANNE策略首先收集多电平变换器的运行数据,继而离线训练好神经网络用来在线估计飞跨电容的电压值。本节通过仿真和实验在五电平FCMC中验证了ANNE的有效性。仿真和实验结果显示,ANNE的工作频率可以达到100 k Hz,且估计精度高于99%。此外,由于神经网络的收敛过程已经在线下完成,因而ANNE在线估计过程中抗扰动能力较强。