[论文解读] 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 5

一句话总结

本文提出一种基于数据的预测控制方法，用于并网型电力转换器，采用一种新颖的Data-Enabled Predictive Control (DeePC)算法，该算法仅依赖于输入/输出数据，无需系统模型。为解决DeePC在高阶系统中的可扩展性问题，提出一种基于有限时域输出的模型预测控制（MPC）方法，利用递归预测误差法（PEM）识别的N步ARMA模型，有效抑制了VSC-HVDC并网的二区域电力系统中的低频互区内振荡。

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.

研究动机与目标

• 解决弱电网条件下并网电力转换器的不稳定性和振荡问题，传统基于模型的控制方法因系统动态特性不确定或未知而失效。
• 克服基于模型的控制在高阶系统中的局限性，特别是在系统参数未知或时变的情况下。
• 开发一种可扩展的、基于数据的控制框架，仅使用测量的输入/输出数据即可实现电力转换器的最优且安全调节。
• 比较DeePC与所提出的PEM-MPC方法的性能，评估最优性与计算可扩展性之间的权衡。
• 在包含多个同步发电机的实际高阶电力系统中，验证PEM-MPC方法在抑制低频互区内振荡方面的有效性。

提出的方法

• 应用DeePC算法，该算法利用从输入/输出轨迹构建的数据Hankel矩阵，非参数化地表示系统动态，实现无模型的预测控制。
• 在DeePC框架下构建一个移动时域最优调节问题，不依赖参数化系统模型，同时考虑输入和输出约束。
• 提出一种有限时域输出型MPC方法，利用通过递归最小二乘预测误差法（PEM）识别的N步ARMA模型来建模未知系统。
• 以递归方式实现PEM，以支持在线系统辨识和实时控制器自适应，提升高阶系统中的可扩展性。
• 构建一个串联的PEM-MPC框架，将系统辨识与控制顺序结合，实现在大规模电力系统中的实时应用。
• 使用来自VSC-HVDC站的实测信号——具体为直轴和交轴电流参考值、直流电压以及联络线有功功率——作为控制和辨识的输入与输出。

实验结果

研究问题

• RQ1 DeePC是否能有效稳定一个不稳定的并网电力转换器，并在不依赖系统模型的情况下抑制不必要的振荡？
• RQ2 与基于模型的PEM-MPC方法相比，DeePC在最优调节成本和鲁棒性方面表现如何？
• RQ3 PEM-MPC方法在包含多个同步发电机的高阶电力系统中，对低频互区内振荡的抑制程度如何？
• RQ4 预测时域（N）和初始数据长度（Tini）的选择如何影响PEM-MPC在实时运行中的性能与稳定性？
• RQ5 PEM-MPC方法是否能够以递归方式实现并有效扩展至高阶、部分未知的电力系统？

主要发现

• DeePC成功利用仅输入/输出数据稳定了一个不稳定系统，并消除了并网电力转换器中的振荡，无需任何系统模型。
• 由于其非参数化数据驱动表示，DeePC在最优调节成本方面被证明优于PEM-MPC，如引理3.2中正式证明。
• 通过VSC-HVDC站的仿真验证，PEM-MPC方法在含四台同步发电机的二区域电力系统中有效抑制了低频互区内振荡。
• 当Tini = 50且N = 80时，PEM-MPC实现了接近最小的时域成本，表明所识别的ARMA模型能良好表征系统动态。
• 即使Tini和N减小（如Tini = 5，N = 10），PEM-MPC仍能抑制振荡，但因模型失配出现轻微残余振荡。
• 随着Tini从5增加到50，时域成本显著降低，但进一步增加Tini带来的性能增益可忽略，表明在Tini = 50时已具备足够的模型表征能力。