[論文レビュー] Data-Enabled Predictive Control for Grid-Connected Power Converters

Linbin Huang, Jeremy Coulson+2 more|arXiv (Cornell University)|Mar 18, 2019

Microgrid Control and Optimization参考文献 23被引用数 5

ひとこと要約

本稿では、システムモデルを必要としない入出力データのみに依存する、新規のデータ駆動型予測制御（DeePC）アルゴリズムを用いた、グリッド接続型パワーコンバータ向けのデータ駆動型予測制御手法を提案する。DeePCの高次系におけるスケーラビリティの問題を解消するため、再帰的予測誤差法（PEM）を用いて同定されたNステップARMAモデルを用いた有限時間ホライズン出力ベースのモデル予測制御（MPC）手法を導入し、2エリアVSC-HVDC接続電力系における低周波数エリア間振動を効果的に抑制することを示す。

ABSTRACT

We apply a novel data-enabled predictive control (DeePC) algorithm in grid-connected power converters to perform safe and optimal control. Rather than a model, the DeePC algorithm solely needs input/output data measured from the unknown system to predict future trajectories. We show that the DeePC can eliminate undesired oscillations in a grid-connected power converter and stabilize an unstable system. However, the DeePC algorithm may suffer from poor scalability when applied in high-order systems. To this end, we present a finite-horizon output-based model predictive control (MPC) for grid-connected power converters, which uses an N-step auto-regressive-moving-average (ARMA) model for system representation. The ARMA model is identified via an N-step prediction error method (PEM) in a recursive way. We investigate the connection between the DeePC and the concatenated PEM-MPC method, and then analytically and numerically compare their closed-loop performance. Moreover, the PEM-MPC is applied in a voltage source converter based HVDC station which is connected to a two-area power system so as to eliminate low-frequency oscillations. All of our results are illustrated with high-fidelity, nonlinear, and noisy simulations.

研究の動機と目的

• 弱いグリッド条件下におけるグリッド接続型パワーコンバータの不安定性および振動を解消すること。伝統的なモデルベース制御手法は、不確実または未知のシステムダイナミクスのため、この状況では機能しない。
• 特にシステムパラメータが未知または時間変動する場合に、高次系におけるモデルベース制御の限界を克服すること。
• 測定された入出力データのみを用いて、最適かつ安全なパワーコンバータ制御を実現するスケーラブルなデータ駆動型制御フレームワークを構築すること。
• 最適性と計算スケーラビリティのトレードオフを評価するために、DeePCと提案されたPEM-MPC手法の性能を比較すること。
• 4台の同期発電機を有する実世界の高次電力系において、PEM-MPC手法が低周波数エリア間振動を効果的に抑制できることを実証すること。

提案手法

• 入出力トレースから構築されたデータハンケル行列を用いて、システムダイナミクスを非パrametricに表現するDeePCアルゴリズムを適用し、モデルフリーの予測制御を可能にする。
• パラメトリックなシステムモデルを必要とせず、入力および出力制約を組み込んだリceding-horizon最適制御問題をDeePCフレームワークに基づいて定式化する。
• 未知のシステムをNステップARMAモデルで表現する有限時間ホライズン出力ベースのMPC手法を提案し、再帰的最小二乗予測誤差法（PEM）を用いて同定する。
• オンラインでのシステム同定とリアルタイム制御適応を可能にするために、PEMを再帰的に実装し、高次系におけるスケーラビリティを向上させる。
• システム同定と制御を段階的に統合した連結型PEM-MPCフレームワークを構築し、大規模電力系におけるリアルタイム実装を可能にする。
• 制御および同定のための入出力として、VSC-HVDC駅からの測定信号（d軸およびq軸電流指令値、直流電圧、送電線有効電力）を用いる。

実験結果

リサーチクエスチョン

• RQ1 DeePCは、システムモデルに依存せずに、不安定なグリッド接続型パワーコンバータの安定化と不要な振動の抑制を効果的に行えるか？
• RQ2 最適制御コストおよびロバストネスの観点から、DeePCとモデルベースのPEM-MPC手法の性能はどのように比較できるか？
• RQ3 複数の同期発電機を有する高次電力系において、PEM-MPC手法は低周波数エリア間振動をどの程度効果的に抑制できるか？
• RQ4 予測ホライズン（N）および初期データ長（Tini）の選定が、PEM-MPCのリアルタイム動作における性能および安定性にどのように影響するか？
• RQ5 PEM-MPC手法は再帰的に実装可能であり、高次で部分的に未知の電力系においても効果的にスケーリング可能か？

主な発見

• DeePCは、システムモデルを一切使用せず、入出力データのみを用いて不安定なシステムを安定化させ、グリッド接続型コンバータにおける振動を完全に除去した。
• Lemma 3.2で正式に示されたように、非パrametricなデータ中心の表現によるため、DeePCはPEM-MPCを最適制御コストの観点で実際に上回る。
• VSC-HVDC駅を用いたシミュレーションにより、4台の同期発電機を有する2エリア電力系において、PEM-MPC手法が低周波数エリア間振動を効果的に減衰させることを実証した。
• Tini = 50およびN = 80の場合、PEM-MPCはほぼ最小の時間領域コストを達成しており、同定されたARMAモデルがシステムダイナミクスを良好に表現していることを示している。
• Tini = 5およびN = 10に縮小しても、PEM-MPCは依然として振動を抑制するが、モデル不一致のためわずかな残存振動が生じる。
• Tiniを5から50に増加させると、時間領域コストは顕著に低下するが、さらにTiniを増加させても性能向上は顕著ではなく、Tini = 50で十分なモデル表現が得られていることが示唆される。