多电平储能型变换器深度学习式模型预测控制系统及方法

技术领域

本发明属于储能技术领域，涉及多电平储能型变换器，尤其是一种多电平储能型变换器深度学习式模型预测控制系统及方法。

背景技术

能源危机和环境问题的愈发严重，使得新能源在电网中的接入比例逐年提升。新能源，尤其是太阳能，具有输出功率波动性强、受外部环境影响大等特点，在并网过程中通常需要与储能装置配合使用。随着光伏市场的日趋成熟，光伏成本逐年下降，基本与传统火力发电电价持平。同时光伏能够与楼宇建筑进行一体化设计，对于新能源系统在用户侧的广泛接入提供了有力条件。

作为储能系统并网的关键设备，并网变换器对于储能系统的输出起到调控作用，能够与光伏输出特性相匹配，减小对并网点的冲击影响。传统储能并网变换器结构为两电平结构，具有控制灵活、解耦性强等优势，但是对于电池组内部缺乏有效管理，储能装置整体使用寿命有所缩减。模块化多电平变换器(Modular Multilevel Converter,MMC)因其模块化结构、输出谐波特性好、环流控制灵活等优势在高压交直流变换领域具有良好应用。若将储能电池组分散接入于MMC结构子模块中，则能够充分利用环流、子模块调制深度等控制变量对电池组输入/输出能量进行有效调控，从而延长储能系统的使用寿命。

对于储能型模块化多电平系统(B-MMC)的控制策略研究大都基于传统PI控制理论，随着控制变量以及控制环数的增加，系统的参数调整难度直线上升，系统的动态稳定性也会受到一定影响。相比较而言，模型预测控制方法(Model Predictive Control,MPC)通过预测下一时刻系统运行状态，从中选取价值函数最优情况对应开关状态作为系统下一时刻动作信号，避免了PI参数的调试问题。然而在价值函数的构造过程中，需要对不同控制目标间的权重系数进行权衡，目前权重系数的选取更多基于经验获取。

发明内容

本发明的目的在于克服现有技术的不足，提出一种设计合理且能够提高系统整体性能的多电平储能型变换器深度学习式模型预测控制系统及方法。

本发明解决其技术问题是采取以下技术方案实现的：

一种多电平储能型变换器深度学习式模型预测控制系统，包括第一电流检测模块、第二电流检测模块、功率检测模块、电压检测模块、模型预测模块、深度学习模块、SOC检测模块和开关信号生成模块；

所述第一电流检测模块与交流输出侧连接，用于采集交流输出侧电流值并输出至模型预测模块；

所述第二电流检测模块与三相桥臂连接，用于采集三相环流值并输出至模型预测模块；

所述功率采集模块与三相桥臂连接，用于采集三相桥臂的输入/输出功率值并输出至模型预测模块；

所述电压检测模块与交流输出侧连接，用于采集交流侧电压值并输出至模型预测模块；

所述SOC检测模块与多电平储能型变换器的桥臂相连接，用于采集桥臂子模块电池组的SOC值并输出至模型预测模块；

所述深度学习模块利用深度学习算法确定价值函数中权重系数的最优值并输出至模型预测模块；

所述模型预测模块通过模型预测控制方法计算得到每组桥臂最优接入个数，并输出至开关信号生成模块；

所述开关信号生成模块产生开关驱动信号并传送给多电平储能型变换器实现控制功能。

而且，所述多电平储能型变换器包含三相六组桥臂，每相桥臂均由上、下两组桥臂及与其连接的滤波器组成，每组桥臂均由N个子模块串联组成，每个桥臂子模块均由电池组与半桥电路并联组成，电池组内包含BMS均衡电路。

一种多电平储能型变换器深度学习式模型预测控制系统的控制方法，包括以下步骤：

步骤1、通过电压检测模块和功率检测模块得到T+1时刻的交流输出电流与环流参考值，并输出至模型预测模块；第一电流检测模块与第二电流检测模块的交流输出侧电流和三相环流输出至模型预测模块；模型预测模块生成价值函数；

步骤2、深度学习模块利用深度学习算法确定价值函数中权重系数k

步骤3、通过SOC检测模块检测每相桥臂电池组SOC，并进行排序；

步骤4、开关信号生成模块根据步骤2中确定的最优子模块接入个数N

步骤5、开关信号生成模块产生开关驱动信号并传送给多电平储能型变换器实现控制功能。

而且，所述价值函数G为：

G＝min[k

其中，k

根据输出功率参考P

根据输出功率参考P

上述x表示A相、B相和C相。

而且，所述步骤3中的排序方法为：当处于充电模式时，按照由低到高排序；当处于放电模式时，按照由高到低排序。

本发明的优点和积极效果是：

本发明设计合理，其通过第一电流检测模块、第二电流检测模块、功率检测模块、电压检测模块对多电平储能型变换器拓扑进行数据采集，并通过模型预测模块和深度学习模块确定每组桥臂的最优子模块接入个数，并与SOC检测模块联合，共同输出至开关信号生成模块，生成相应开关信号，尤其适用于子模块数目较少的分布式小功率储能应用场景。本发明设计合理，其通过深度学习算法自适应调节SOC均衡、输出谐波控制目标权重系数，有效地提高了系统整体性能。

附图说明

图1为多电平储能型变换器拓扑结构；

图2为本发明的多电平储能型变换器深度学习模型预测控制系统连接图。

具体实施方式

以下结合附图对本发明做进一步详述。

本发明是对图1所示的多电平储能型变换器拓扑进行控制，充分利用系统环流，进行电池组间的能量传输，实现电池组间SOC均衡控制。而BMS芯片只需负责电池组内部单体电池间SOC均衡，使得整体均衡效果大幅度提升。

基于上述说明，本发明提出一种多电平储能型变换器深度学习模型预测控制系统，如图2所示，该控制系统下的多电平储能型变换器拓扑包含三相六组桥臂，每相桥臂均由上、下两组桥臂及与其连接的滤波器组成，每组桥臂均由N个子模块串联组成，桥臂子模块由电池组与半桥电路并联组成，电池组内包含BMS均衡电路。多电平储能型变换器深度学习模型预测控制系统包括第一电流检测模块，第二电流检测模块、功率检测模块、电压检测模块、SOC检测模块、模型预测模块、深度学习模块和开关信号生成模块。

所述第一电流检测模块与交流输出侧连接用于采集交流输出侧电流值并输出至模型预测模块；

所述第二电流检测模块与三相桥臂连接，用于采集三相环流值并输出至模型预测模块；

所述功率采集模块与三相桥臂连接，用于采集三相桥臂的输入/输出功率值并输出至模型预测模块；

所述电压检测模块与交流输出侧连接，用于采集交流侧电压值并输出至模型预测模块；

所述SOC检测模块与多电平储能型变换器的桥臂相连接，用于采集桥臂子模块电池组的SOC值并输出至模型预测模块；

所述深度学习模块利用深度学习算法确定价值函数中权重系数的最优值并输出至模型预测模块；

所述模型预测模块通过模型预测控制方法计算得到每组桥臂最优接入个数，并输出至开关信号生成模块；

所述开关信号生成模块产生开关驱动信号并传送给多电平储能型变换器实现控制功能。

一种多电平储能型变换器深度学习模型预测控制方法，包括以下步骤：

步骤1、通过电压检测模块和功率检测模块得到T+1时刻的交流输出电流与环流参考值，并输出至模型预测模块；第一电流检测模块与第二电流检测模块的输出值(交流输出侧电流和三相环流)也输出至模型预测模块。两者共同作用下生成价值函数G＝min[k

步骤2、深度学习模块利用深度学习算法确定价值函数中权重系数k

步骤3、通过SOC检测模块检测每相桥臂电池组SOC，当处于充电模式时，按照由低到高排序；当处于放电模式时，按照由高到低排序。

步骤4、开关信号生成模块根据步骤2中确定的最优子模块接入个数N

步骤5、开关信号生成模块产生开关驱动信号并传送给多电平储能型变换器实现控制功能。

本发明工作原理为：

根据输出功率参考P

根据图1列写多电平储能型变换器动态方程

对公式(1)进行变换，可得

对公式(2)进行离散化处理，可由T时刻的i

在此基础上构建价值函数，选取相间环流与交流输出电流为控制目标。其中相间环流与SOC均衡速率相关，交流输出电流与系统功率特性、谐波特性相关。深度学习模块可根据不同子模块接入个数情况自适应寻得最优权重系数k

G＝min[k

分别计算U

本发明未述及之处适用于现有技术。

需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。