基于机器学习的MMC模型预测控制方法及系统
文献发布时间：2024-04-18 19:53:33
技术领域
本发明属于电力工程技术领域。具体涉及一种基于机器学习的低计算量的模块化多电平换流器模型预测控制方法。
背景技术
模块化多电平换流器(Modular multilevel converter,MMC)的模块化设计，使得其在电压等级和功率等级的拓展上非常容易实现，在风电、光伏等可再生能源发电并网中有广泛的应用，但随着MMC运用在高压、大功率的场景下时，桥臂子模块数量达到数百个，所需要控制的子模块开关信号也随之增大，给控制器带来极大的计算负荷，MMC系统的运行效率受到影响。
发明内容
针对上述问题，本发明设计了一种基于机器学习的MMC模型预测控制（ModelPredictive Control，MPC）方法，首先将已搭建的MPC-MMC控制系统仿真数据进行数据预处理，然后通过神经网络（Neural Network）训练得到NN-MPC控制器，大幅降低了MMC控制器的计算量，方便工程应用。同时通过随机森林（RandomForest）技术来优化神经网络的初始权值和阈值，提高了神经网络的训练效率和训练精度。
本发明提供的技术方案是：
基于机器学习的MMC模型预测控制方法，其特征在于，包括以下步骤：
MPC-MMC仿真平台收集数据并对数据进行预处理；
将数据输入神经网络训练得到神经网络-MPC控制器（Neural Network-MPC，NN-MPC），采用随机森林来优化神经网络初始权值阈值，得到随机森林-神经网络-MPC控制器；
利用得到的随机森林-神经网络-MPC控制器模拟MPC控制器输出数据。
在上述的基于机器学习的MMC模型预测控制方法，从MPC-MMC模型中采样相关数据，通过归一化和VMD分解操作，得到一组优良数据集；归一化处理：
。
在上述的基于机器学习的MMC模型预测控制方法，采用变模态分解VMD操作，交流侧电流变分模型如下：
。
在上述的基于机器学习的MMC模型预测控制方法，随机森林-神经网络-MPC控制器的设计；将11个电气物理量输入层和隐藏层之间、隐藏层和输出层之间的权值和阈值
在上述的基于机器学习的MMC模型预测控制方法，样本数据集有M特征属性时，随机选取其中r个特征属性来训练N个样本子集；分别计算r个特征属性的基尼系数，表达式如下：
将特征属性按基尼系数从小到大依次排列，从r个特征属性中选取最优的特征属性作为森林的分裂节点，使其最大可能的生长而不进行修枝，构成决策树进而形成森林；
再导入测试集数据，分别计算所有的决策树的输出值，将所有输出值的均值作为随机森林最终的输出；采用均方根误差
。
在上述的基于机器学习的MMC模型预测控制方法，训练集每一组数据由11个电气物理量值、11×11×2个
在上述的基于机器学习的MMC模型预测控制方法，MPC-MMC仿真平台收集数据具体包括：
获取当前时刻满足相电流追踪的上、下桥臂投入子模块基数
对上、下桥臂补偿相同数量电平数，使最终投入的子模块数量
在上述的基于机器学习的MMC模型预测控制方法，最终投入的子模块数量
在上述的基于机器学习的MMC模型预测控制方法，
单步预测：构造单步模型预测环流控制价值函数，采用五电平补偿法，得到最优、次优、次次优补偿电平数；
多步预测：构造多步模型预测环流控制价值函数，根据单步预测得到的补偿电平数得到最优补偿电平数。
一种基于机器学习的MMC模型预测控制系统，其特征在于，包括
第一模块：MPC-MMC仿真平台收集数据并对数据进行预处理；
第二模块：将数据输入神经网络训练得到神经网络-MPC控制器（Neural Network-MPC，NN-MPC），采用随机森林来优化神经网络初始权值阈值，得到随机森林-神经网络-MPC控制器；
第三模块：利用得到的随机森林-神经网络-MPC控制器模拟MPC控制器输出数据。
本发明有如下优点：1、基于机器学习的MMC模型预测控制方法，有效避免了传统MPC改进算法核心特征：需要详尽的在线评估使得目标函数最小的开关信号。通过机器学习的方法有效避免了大量数据的计算，大大降低了系统计算所需时间提升了MMC系统的运行效率。既不影响电网侧电流跟踪也抑制桥臂内部环流的目标，同时有效避免了子模块电容电压的排序组合中存在的大量计算，仅通过1次计算，就得到最优补偿电平数，极大降低了计算量，适用于工程运用。2、随机森林-神经网络的提出有效解决了传统神经网络学习效率低的问题。通过对大量的初值和相对应的阈值和权值的寻优，得到神经网络控制器的较好的GOOD区域、BEST区域初值，提升了网络训练精度，改善了训练效率，减少了工作者的工作量。
附图说明
图1MMC拓扑结构。
图2随机森林-神经网络-MPC控制策略图。
图3随机森林优化权值阈值图。
图4随机森林-神经网络-结构图。
图5改进的多步模型预测控制原理图。
具体实施方法
基于机器学习的MMC模型预测控制器设计，主要包含以下3个步骤。
第一步，构建MPC-MMC系统。MMC主电路原理图如图1所示，
第（1.1）步，通过单步模型预测环流抑制控制，得到单步补偿电平集。首先建立环流的单步模型预测函数。MMC原理图如图1所示，其微分方程如下:
(1)
(2)
其中
对公式(2)进行一阶向前差分，得到环流的单步模型预测函数（3），
(3)
其中
然后，构造单步模型预测环流控制价值函数，得到其最优、次优、次次优补偿电平数。
各相内部电流是由相间环流
(4)/>
本发明采用五电平补偿，补偿电平数记为
(5)
然后选取使
第（1.2）步，通过多步模型预测环流抑制控制，得到最终最优补偿电平数。首先定义
(6)
然后，构造多步模型预测环流控制价值函数，得到最终最优补偿电平数，改进的多步模型预测控制原理图见图2。
对公式(2)进行一阶向前差分，在第一步的基础之上，采样周期为
(7)
，/>
构造多步模型预测环流控制价值函数
(8)
选取使
(9)
(10)
其中
综上所述，本发明仅用8次计算，就找到了最优补偿电平数，实现了多步模型预测环流抑制，既保证了相电流跟踪精度，又有效抑制了环流，适用于工程应用。
第二步，从上述MPC-MMC控制系统中采集相关数据，并对数据集进行数据预处理。
首先进行归一化处理：
(11)
式中
然后在实验过程中，观察到交流侧电流
VMD分解将原始信号
(12)
其中
交流侧电流变分模型的表达式如下：
(13)
式中
初始化拉格朗日乘法算子
(14)采用交替方向乘子法迭代更新各分解模态/>
(15)
(16)
重复式（15）和（16）的步骤，直到满足收敛条件（17）：
(17)
再通过傅里叶逆变换即得到的交流侧电流值
第三步随机森林-神经网络-MPC控制器的设计
本设计将控制策略图2中：交流侧电压
由于神经网络在训练的过程中存在一定的缺陷。如初始权值和阈值的选择不佳会使神经网络的输出结果存在误差和网络学习速度较慢。而随机森林算法能够通过优化初始权值来解决这一问题。随机森林优化神经网络原理如图3所示，NN网络权值阈值寻优过程如图3中绿线所示，初始权值和阈值在所有区域都存在可能性，假设初始权值和阈值选择在Bad和Not Bad区域时，网络通过梯度下降法不断训练，直至Good区域，最终到达Best区域停止训练。这个过程需要耗费大量的时间来计算；RF-NN网络（图中蓝线所示）通过对所有权值经过决策树的分类，将初始权值阈值限定在Good和Best区域，当初始权值阈值在Good区域时，仅需要一定的时间和迭代次数就能够得到最优权值和阈值。这将大大提高网络训练的效率。
将11个电气物理量输入层和隐藏层之间、隐藏层和输出层之间的权值和阈值
（15）
其中
将这些特征属性按基尼系数从小到大依次排列，从r个特征属性中选取最优的特征属性作为森林的分裂节点，使其最大可能的生长而不进行修枝，构成决策树进而形成森林。
再导入测试集数据，分别计算所有的决策树的输出值，将所有输出值的均值作为随机森林最终的输出。采用均方根误差
（16）
式中s为样本数量；out为随机森林的输出；out*为预期的权值和阈值最优输出。若均方误差值不符合预期，则重新选取r*个特征属性，重复上述操作直至满足要求。将随机森林的输出作为神经网络的初始权值和阈值。
最终形成的随机森林-神经网络-MPC控制器如图4所示。
下面是具体案例，主要包括：
步骤1： 首先确定神经网络控制器的结构，在MPC-MMC控制系统中采集相应的数据样本。神经网络的结构由输入层、隐含层和输出层构成。输入层的11个输入节点分别对应MMC输出的11个电气物理量。隐含层节点个数由经验选取11个。输出层节点为2个。分别为交流侧电压
步骤2：将原始样本集进行数据预处理，在Matlab实验平台先将数据归一化，再导入进Python3.7仿真平台搭建虚拟环境，将上述样本集进行VMD分解，经过VMD分解滤波后，A相交流侧电流的THD值从原来的0.63%变为0.26%，谐波含量大大降低，获得了更加良好的样本数据集。
步骤3：1）将随机森林输出的输入层和隐藏层之间、隐藏层和输出层之间的最优权值和阈值
步骤4：将训练好的随机森林-神经网络-MPC控制器应用进MMC系统。
综上所述，本发明仅用1次计算，就找到了最优补偿电平数，实现了基于机器学习的MMC模型预测控制方法，既保证了相电流跟踪精度，又有效抑制了环流，子模块电容电压能在稳定范围内波动，适用于工程应用。
本发明还包括一种基于机器学习的MMC模型预测控制系统，包括
第一模块：MPC-MMC仿真平台收集数据并对数据进行预处理；
第二模块：将数据输入神经网络训练得到神经网络-MPC控制器（Neural Network-MPC，NN-MPC），采用随机森林来优化神经网络初始权值阈值，得到随机森林-神经网络-MPC控制器；
第三模块：利用得到的随机森林-神经网络-MPC控制器模拟MPC控制器输出数据。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。