[论文解读] Safe Trajectory Gradient Flow Control of a Grid-Interfacing Inverter

Trager Joswig-Jones, Baosen Zhang|arXiv (Cornell University)|Jan 15, 2026

Microgrid Control and Optimization被引用 0

一句话总结

论文提出一套 Safe Trajectory Gradient Flow (STGF) 控制器，通过安全梯度流实现对并网逆变器的电流幅值约束的滚动时域轨迹优化，提供近似最优的稳态性能、可行性保障，以及比 MPC 更低的计算时间。

ABSTRACT

Grid-interfacing inverters serve as the interface between renewable energy resources and the electric power grid, offering fast, programmable control capabilities. However, their operation is constrained by hardware limitations, such as bounds on the current magnitude. Existing control methods for these systems often neglect these constraints during controller design and instead rely on ad hoc limiters, which can introduce instability or degrade performance. In this work, we present a control framework that directly incorporates constraints into the control of a voltage-source inverter. We propose a safe trajectory gradient flow controller, which applies the safe gradient flow method to a rolling horizon trajectory optimization problem to ensure that the states remain within a safe set defined by the constraints while directing the trajectory towards an optimal equilibrium point of a nonlinear program. Simulation results demonstrate that our approach can drive the outputs of a simulated inverter system to optimal values and maintain state constraints, even when using a limited number of optimization steps per control cycle.

研究动机与目标

• 强烈说明在逆变器控制中直接强制执行硬件电流极限以防止损坏和劣化。
• 开发将状态和输入约束纳入优化问题的控制框架。
• 在实时保持安全约束的同时实现有功/无功的近似最优工作点。

提出的方法

• 将逆变器控制建模为在有限时域上的受约束非线性规划，目标为成本 c(x,u) 且约束 g(x)≤0, h(x)=0。
• 将安全梯度流应用于轨迹优化，在每个控制周期更新有限数量的梯度步长。
• 采用滚动时域（类似 MPC）方法：在每一步求解带有有限更新的受约束优化，然后仅应用第一步控制量。
• 合成一个二次规划（QP），在保持状态在安全集合内的同时尽量修改梯度方向，基于控制屏障函数的概念。
• 使用前向欧拉离散化动力学，在每个时域迭代中通过 CVXPY/OSQP 求解 STGF QP。

实验结果

研究问题

• RQ1 STGF 能否在始终满足电流幅值约束的前提下，引导逆变器向 NLP 最优解收敛？
• RQ2 在电流极限下，与 MPC 和一个改进的下垂控制器相比，STGF 的输出轨迹收敛性和安全性表现如何？
• RQ3 在滚动时域框架中每个控制周期仅更新少量梯度步长的计算收益与权衡是什么？
• RQ4 时域长度和更新次数如何影响可行性、稳定性以及参考有功/无功设定点的跟踪？

主要发现

• STGF 将逆变器状态引导至 NLP 最优工作点，同时遵守电流幅值约束。
• 与 MPC 相比，STGF 在输出轨迹接近最优时能够得到类似或接近最优的轨迹，并且在电流极限激活时控制输入更平滑。
• STGF 的每步求解时间显著更快（在所述设置中平均约比 MPC 快 40 倍），最大求解时间也更小，但要实现完整的实时性仍需进一步提速。
• 基于下垂的控制虽然可能更快，但在电流极限下无法稳定到 NLP 最优输出，并可能违反安全约束。
• 只要预测动力学与真实动力学一致且步长选取适当，该方法在任何时刻均保持可行性（随时性属性）。