A Data-Driven Optimal Control Architecture for Grid-Connected Power Converters

Il paper propone un'architettura di controllo ottimale basata sui dati, denominata DeePConverter, che utilizza il controllo predittivo abilitato dai dati (DeePC) per gestire in modo robusto e adattivo i convertitori di potenza collegati alla rete, superando i limiti dei tradizionali regolatori PID attraverso l'apprendimento diretto dalle misurazioni reali.

L'essenziale

Immagina di dover guidare un'auto molto veloce (il convertitore di potenza) su una strada che cambia continuamente: a volte è liscia, a volte piena di buche, a volte c'è nebbia e il traffico è imprevedibile (la rete elettrica).

Tradizionalmente, i conducenti (i controllori attuali) usano un manuale di istruzioni rigido. Questo manuale dice: "Se vedi una buca, premi il freno di 2 centimetri". Il problema è che il manuale è stato scritto per una strada perfetta e fissa. Nella realtà, la strada è diversa ogni giorno. Se il manuale non si adatta, l'auto potrebbe scivolare, oscillare o addirittura sbandare.

Questo articolo presenta una soluzione rivoluzionaria chiamata DeePConverter. Ecco come funziona, spiegato in modo semplice:

1. Il vecchio metodo: "Imparare a memoria"

I convertitori attuali usano dei regolatori chiamati PID. Sono come un autista che ha studiato a memoria un libro di guida basato su una teoria semplificata della strada.

• Il problema: Se la strada reale (la rete elettrica) cambia o è più complessa di quanto previsto dal libro, l'autista sbaglia. Può causare oscillazioni pericolose o instabilità, proprio come un'auto che cerca di seguire una curva troppo stretta basandosi su una mappa sbagliata.

2. La nuova soluzione: "Imparare guardando" (DeePConverter)

I ricercatori propongono di sostituire il vecchio manuale con un autista intelligente che impara guardando la strada in tempo reale.
Invece di usare un modello matematico teorico, il DeePConverter usa i dati che raccoglie mentre guida.

• L'analogia: Immagina di avere una telecamera che registra ogni movimento dell'auto e della strada. Il sistema analizza queste registrazioni per capire esattamente come si comporta l'auto in quel momento specifico. Non ha bisogno di sapere perché la strada è scivolosa, sa solo che "quando la strada è scivolosa, devo sterzare così".

3. Come funziona la "magia" dei dati?

Il cuore della tecnologia si basa su un principio matematico (il "Lemma Fondamentale") che dice: Se hai abbastanza dati su come un sistema si è comportato in passato, puoi prevedere esattamente come si comporterà in futuro.

• Il DeePConverter raccoglie i dati di tensione e corrente (come se fossero i "respiri" della rete).
• Usa questi dati per calcolare la mossa perfetta da fare nel prossimo istante.
• È come se l'auto avesse un "sesto senso" che le permette di percepire le caratteristiche della rete elettrica direttamente dai dati misurati, adattandosi istantaneamente.

4. I vantaggi principali (in parole povere)

• Modularità (Il "Lego" dei controlli):
  Il sistema è costruito a blocchi. Puoi sostituire solo una parte del controllo (ad esempio, solo la parte che regola la potenza) o tutto il sistema. È come cambiare solo il motore di un'auto o l'intero telaio, a seconda di quanto vuoi migliorare le prestazioni.
• Adattabilità (L'auto che impara):
  Se la strada cambia (ad esempio, la rete diventa più debole o ci sono nuovi carichi), il DeePConverter aggiorna i suoi dati in tempo reale. Non si blocca con un vecchio manuale; si adatta come un atleta che impara a correre su terreni diversi.
• Robustezza (Resistente agli errori):
  Anche se i sensori fanno un po' di rumore o ci sono piccoli errori nei dati, il sistema è progettato per ignorarli e continuare a guidare in sicurezza. È come un navigatore che, se perde il segnale GPS per un secondo, sa comunque dove andare basandosi sulla direzione precedente.
• Due facce della stessa medaglia:
  Tradizionalmente, ci sono due modi per collegare un convertitore alla rete: uno che "ascolta" la rete (GFL) e uno che "crea" la stabilità della rete (GFM). Il DeePConverter può fare entrambe le cose semplicemente cambiando i parametri di un obiettivo matematico (una "funzione di costo"). È come se un'auto potesse decidere se seguire il traffico o guidare la colonna, a seconda delle necessità.

5. I risultati

Gli autori hanno testato questa idea con simulazioni molto precise e con esperimenti reali su hardware (come un banco di prova fisico).

• Risultato: Il DeePConverter è più veloce, più stabile e più sicuro dei metodi tradizionali.
• Esempio: Quando la rete elettrica ha subito un calo di tensione (un "colpo di tosse" della rete), i convertitori vecchi hanno oscillato o perso il controllo. Il DeePConverter ha mantenuto la rotta, ha assorbito il colpo e ha ripreso la stabilità molto più rapidamente.

In sintesi

Il DeePConverter è un'evoluzione dell'intelligenza artificiale applicata all'energia elettrica. Invece di costringere la rete elettrica a seguire regole rigide e spesso sbagliate, crea un sistema che ascolta la rete, impara dai suoi comportamenti e si adatta in tempo reale. È il passaggio da un'auto che segue ciecamente una mappa, a un'auto con un pilota esperto che legge la strada e guida in modo perfetto, indipendentemente dalle condizioni.

Sommario tecnico

Titolo: Un'Architettura di Controllo Ottimale Basata sui Dati per Convertitori di Potenza Connessi alla Rete

1. Il Problema

L'integrazione su larga scala delle fonti di energia rinnovabile (eolico, solare) e dei sistemi di accumulo ha trasformato le reti elettriche moderne, sostituendo i generatori sincroni tradizionali con convertitori di potenza elettronici. Tuttavia, questa transizione presenta sfide critiche:

• Complessità del Modello: I convertitori convenzionali utilizzano regolatori PID multipli, i cui parametri sono tarati su modelli di rete semplificati (es. "bus infinito"). La rete reale, invece, è complessa, variabile nel tempo e spesso sconosciuta, portando a un disallineamento del modello (model mismatch).
• Instabilità e Prestazioni Inferiori: Questo disallineamento può causare prestazioni scadenti, oscillazioni e persino instabilità, specialmente in reti dominate dall'elettronica di potenza con bassa inerzia fisica.
• Limiti dei Metodi Esistenti: Le strategie di controllo avanzate non basate sui dati (controllo robusto, adattivo, MPC) richiedono modelli accurati del sistema convertitore-rete, che sono difficili da ottenere e mantenere a causa dell'incertezza e della variabilità dinamica della rete.

2. Metodologia: DeePConverters

Gli autori propongono un'architettura di controllo innovativa denominata DeePConverter (Data-enabled Predictive Converter), basata sul Data-enabled Predictive Control (DeePC).

• Paradigma "Dati come Modello": Sfruttando il Fundamental Lemma della teoria dei sistemi comportamentali, il metodo non richiede un modello matematico esplicito del sistema. Invece, utilizza direttamente le traiettorie di ingresso/uscita (tensione, corrente, potenza) misurate per catturare la dinamica del sistema in loop chiuso.
• Architettura Modulare: Il paper introduce una struttura modulare che permette di sostituire selettivamente i loop di controllo convenzionali (sincronizzazione, regolazione di potenza/tensione, controllo di corrente) con il controllore DeePC. Sono definite cinque configurazioni, tra cui:
  • Full DeePConverter: Sostituisce tutti i loop.
  • Configurazioni Ibride: Sostituisce solo l'anello esterno o il modulo di sincronizzazione.
• Formulazione Integrale: Per eliminare gli errori di regime stazionario causati da non linearità, viene introdotta un'azione integrale all'interno del framework DeePC. Questo ottimizza le differenze degli ingressi di controllo ($\Delta u$) invece degli ingressi stessi, garantendo un tracciamento preciso dei riferimenti.
• Progettazione del Comportamento: Attraverso la progettazione della funzione di costo (matrici di ponderazione e accoppiamento), il controllore può emulare e migliorare sia le strategie Grid-Following (GFL) che Grid-Forming (GFM), adattandosi dinamicamente alle esigenze operative (es. modalità PQ o PV).
• Adattabilità Online: Per gestire i cambiamenti nelle condizioni di rete (es. variazioni di impedenza, riconfigurazioni), vengono proposte due strategie di aggiornamento dei dati:
  1. Aggiornamento Ricorsivo: Aggiorna i dati in tempo reale ad ogni passo.
  2. Ricostruzione in Batch: Ricostruisce la matrice di Hankel periodicamente quando si rilevano degradi delle prestazioni.

3. Contributi Chiave

1. Architettura Plug-and-Play: Proposta di un'architettura modulare che facilita l'implementazione pratica del controllo basato sui dati nei convertitori esistenti, permettendo la sostituzione flessibile dei livelli di controllo.
2. Formulazione Integrale e Adattiva: Introduzione di azioni integrali discrete e strategie di aggiornamento online delle matrici di Hankel per eliminare errori stazionari e adattarsi a dinamiche variabili nel tempo.
3. Unificazione GFL/GFM: Dimostrazione che una singola struttura di controllo basata sui dati può realizzare sia il comportamento GFL (sincronizzazione tramite PLL) che GFM (sincronizzazione tramite equazione di oscillazione), definendo le modalità operative tramite la progettazione della funzione di costo.
4. Robustezza Intrinseca: Analisi della robustezza del metodo rispetto a rumore di misura, ritardi di comunicazione e non linearità deboli, garantita da termini di regolarizzazione e variabili di slack nell'ottimizzazione.

4. Risultati Sperimentali

L'efficacia della proposta è stata validata attraverso simulazioni ad alta fedeltà e test Hardware-in-the-Loop (HIL):

• Prestazioni in GFL e GFM: I DeePConverters hanno dimostrato un tracciamento della potenza attiva e una regolazione della tensione superiori rispetto ai convertitori convenzionali e alle emulazioni basate su SPC (Subspace Predictive Control), sia in condizioni di rete forte che debole (basso SCR).
• Robustezza ai Disturbi: In caso di crolli di tensione severi (fino a 0.5 p.u.) e disturbi di frequenza, i DeePConverters hanno mantenuto la stabilità e la sincronizzazione, mentre i convertitori convenzionali hanno mostrato oscillazioni persistenti o perdita di sincronismo.
• Adattabilità: I test hanno confermato che le strategie di aggiornamento online (ricorsivo e in batch) permettono al sistema di adattarsi rapidamente a cambiamenti nei parametri di controllo (es. banda del PLL) e nelle condizioni di rete, ripristinando le prestazioni ottimali.
• Sistema Multi-Convertitore: In un sistema a due aree con quattro convertitori, l'uso di DeePConverters ha soppresso efficacemente le oscillazioni causate dall'interazione tra i PLL e la rete debole, dimostrando capacità di "auto-stabilizzazione" e di "stabilizzazione" degli altri convertitori.
• Fattibilità in Tempo Reale: I test HIL hanno confermato che l'algoritmo può essere eseguito in tempo reale (con tempi di calcolo nell'ordine dei millisecondi o meno usando soluzioni a forma chiusa), rendendolo adatto per l'implementazione su DSP/FPGA.

5. Significato e Impatto

Questo lavoro rappresenta un passo significativo verso la gestione delle reti elettriche future dominate dall'elettronica di potenza.

• Indipendenza dal Modello: Elimina la necessità di modelli di rete precisi e costosi da mantenere, affrontando direttamente il problema del disallineamento del modello.
• Resilienza: Offre un controllo ottimale, robusto e adattivo che migliora la stabilità della rete in scenari dinamici e incerti.
• Flessibilità Operativa: La capacità di passare fluidamente tra modalità GFL e GFM e di adattarsi alle condizioni di rete senza ri-taratura manuale rende i convertitori più intelligenti e resilienti.
• Transizione Energetica: Fornisce una soluzione tecnologica cruciale per integrare in modo sicuro ed efficiente alte percentuali di energie rinnovabili, garantendo la stabilità del sistema elettrico in assenza di inerzia fisica tradizionale.

In sintesi, i DeePConverters rappresentano un cambio di paradigma: invece di modellare la rete per controllarla, il convertitore "impara" la dinamica della rete direttamente dai dati misurati, adattandosi in tempo reale per garantire un'operazione ottimale e sicura.