RT22 | Modellprädiktive Regelung und neuronale Netze – Werkzeuge für Mehrstufenwandler

Standard-Regelungsstrategien für modulare Mehrpegel-Umrichter basieren hauptsächlich auf mehreren Regelkreisen mit Proportional-Integral-Reglern, die mit mehreren transformierten Sollwerten arbeiten, um eine Entkopplung zu erreichen. Der Einsatz mehrerer SISO-Regler für ein stark gekoppeltes System, das mehr Variablen als Freiheitsgrade aufweist, verringert jedoch die Robustheit der Regelung im Vergleich zu MIMO-Reglern. In dieser Arbeit wird eine sequenzielle, phasenverschobene modellprädiktive Regelung (sPS-MPC) zur Steuerung eines modularen mehrstufigen Matrixumrichters (M3C) vorgeschlagen, die die Kopplung der Zustände berücksichtigt und die Regelungsstruktur vereinfacht. Die Neuheit und der Vorteil der Anwendung dieser MPC in einem M3C liegen in der Notwendigkeit einer neuen und nicht trivialen Formulierung des M3C-Modells sowie in einer sehr spezifischen Dynamik und Unterschieden im Vergleich zu anderen Topologien, da das System an zwei Wechselstromanschlüsse angeschlossen ist und bei unterschiedlichen Betriebsfrequenzen ein sehr spezifisches Verhalten aufweist. Zur Überprüfung der Leistungsfähigkeit des Vorschlags wurden experimentelle Untersuchungen an einem 36-Zellen-M3C durchgeführt. Das prädiktive Regelverfahren wurde auf einem OPAL-RT OP4510 und OP4520 mit einer Abtastzeit von 62 µs implementiert. Wie die experimentellen Ergebnisse belegen, führt die sPS-MPC-Formulierung zu einem schnellen dynamischen Regelverhalten im geschlossenen Regelkreis und einer effektiven Nachführung der Eingangs-, Ausgangs- und Zirkulationsströme. Zudem arbeitet der durch das vorgeschlagene PS-MPC gesteuerte M3C mit einer festen Schaltfrequenz, geringer harmonischer Verzerrung und einer Verteilung der Leistungsverluste auf die Leistungsschalter. Das sequenzielle Phasenverschiebungs-MPC wurde auch auf einen DC-AC-MMC angewendet; jedoch verwenden Standard- und MPC-basierte Regelkonzepte jeweils eine Spannungsmessung pro Submodul, um die Kondensatorspannungen auszugleichen und die MMC-Regelung zu erreichen. Folglich erfordert das Regelsystem eine erhebliche Menge an „ Sensor-und Datenfusion “ sowie die effektive Übertragung sensibler Daten unter relevanten EMI-Bedingungen, was sich auf die Zuverlässigkeit und die Kosten des Wandlers auswirkt. Um diese Probleme zu überwinden, wurde ein verteilter neuronaler Netzwerk-Beobachter zur Echtzeit-Schätzung der Kondensatorspannungen an jedem SM implementiert. Der Beobachter prognostiziert die Kondensatorspannung jedes SM mithilfe eines Standard-Durchschnittsmodells. Anschließend wird jede Prognose durch ein neuronales Netzwerk mit reduzierter Rechenkomplexität korrigiert und von Rauschen befreit. Dadurch reduziert der Beobachter die Anzahl der erforderlichen Spannungs Sensor-und Datenfusion en pro Zweig auf nur eine und filtert das hochfrequente Rauschen in den geschätzten Kondensatorspannungen der SMs heraus. Die Echtzeit-Implementierung des neuronalen Netzwerks erfolgte in einem OPAL-RT-Regler und wurde experimentell an einem MMC mit 24 Zellen validiert; zudem wurden die Skalierbarkeit und der Rechenaufwand auf dem OP4510-Simulator bewertet.