基于深度强化学习的逆变器多频点控制参数优化

传统逆变器闭环控制具有良好的静态和动态性能,但非常依赖精确的系统数学模型,难以适应逆变器接入不同负载或电网环境等原因带来的模型参数扰动。将该深度强化学习应用于逆变器多频点控制参数整定过程。文章首先建立了单相电压型逆变器的控制模型;在此基础上分析了逆变器参数调节过程中的不稳定特征,并设计了一种基于FFT的不稳定特征判断方法,实现逆变器参数调节过程中稳定状态的在线监测;其次对逆变器控制参数自适应过程进行马尔可夫过程建模,设计了智能体的状态、动作和奖励函数;针对智能体样本不平衡问题引入了经验优先级回放以及动作屏蔽机制提高智能体的学习效率;经过仿真学习训练,智能体实现比例谐振控制器参数自整定以获取最佳的多频点跟踪性能;最后在搭建的实验平台上进行实验,结果表明:训练后的智能体可以在较少次数训练后获得满足各频点控制精度要求的控制参数,同时整个训练过程系统都是稳定的。

三相电压源整流器有限控制集扩充方法研究

有限集模型预测控制(finite control set model predictive control,FCS-MPC)处理优化问题有较大优势,但其控制精度在低采样频率下会急剧下降。以三相电压源整流器为例,现有解决方法多采用扩充矢量或改用调制型预测控制(modulated model predictive control,M-MPC),其本质在于通过增加开关频率提升控制精度,并未起到优化效果。为解决FCS-MPC在低采样频率下控制效果差的问题,同时为了能以较低的开关频率最大限度地提升控制精度,在分析FCS-MPC开关频率与控制误差间非线性关系的基础上,提出一种新的控制集扩充方法。通过构建12个新的电压矢量来扩充控制集,显著提升了FCS-MPC在低采样频率下的控制精度,且带来的开关频率增加较小。同时,在相同开关频率下,所提方法能够取得更优于M-MPC的控制效果。此外,通过调节目标矢量的权重还可改变其扩充模式,保留了FCS-MPC简单、直接的特点。最后,通过对比仿真及实验验证所提方法的有效性。