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

Dit paper introduceert DeePConverters, een data-gedreven architectuur voor grid-gekoppelde vermogenconversie die gebruikmaakt van data-enabled predictive control (DeePC) om robuuste en adaptieve regeling te bereiken zonder afhankelijk te zijn van vereenvoudigde gridmodellen.

De kern

Stel je voor dat ons elektriciteitsnetwerk een enorm, levend organisme is. Vroeger werd dit net gevoed door grote, zware turbines (zoals in kolen- of kerncentrales). Deze turbines hadden een enorme traagheid, net als een zware vliegwiel in een ouderwetse spinmachine. Als er een steen op het wiel viel (een storing), zakte het tempo even, maar het wiel veerde terug en bleef draaien. Het systeem was stabiel en voorspelbaar.

Vandaag de dag vullen we dat net echter met zonnepanelen, windmolens en elektrische auto's. Deze werken via elektronische omvormers. Die zijn heel slim en snel, maar ze hebben geen fysieke zwaarte. Ze zijn als een groep dansers op een ijsbaan: heel wendbaar, maar als iemand struikelt, kan de hele groep uit balans raken.

Het probleem is dat de "dansers" (de omvormers) vaak proberen te dansen op muziek die ze niet kennen. Ze gebruiken oude, starre regels (PID-regelaars) die zijn ontworpen voor een simpel, voorspelbaar net. Maar het echte net is complex, veranderlijk en onvoorspelbaar. Dit leidt tot onrust, trillingen en soms zelfs uitval.

De Oplossing: De "DeePConverter"

De auteurs van dit artikel hebben een nieuwe, slimme aanpak bedacht: de DeePConverter.

Stel je voor dat je een nieuwe danser moet leren.

• De oude manier: Je geeft de danser een boek met theorie over hoe het net werkt. Maar als het net verandert (bijvoorbeeld door een storm of een nieuwe windmolen), is het boek verouderd en valt de danser.
• De DeePConverter-methode: Je geeft de danser geen boek, maar een video van eerdere dansstappen. De danser kijkt naar wat er in het verleden is gebeurd (data) en leert daaruit hoe hij zich moet gedragen, zonder dat hij de onderliggende theorie (de wiskundige formules van het net) hoeft te kennen.

Hoe werkt het? (De Analogieën)

1. "Data als Landkaart"
In plaats van een kaart te tekenen van het landschap (een model van het elektriciteitsnet), laat de DeePConverter de sporen (data) van de auto die er al eerder overheen is gereden, de kaart maken. Als de weg verschuift, ziet de auto het direct in de nieuwe sporen en past hij zijn stuur direct aan. Hij hoeft niet eerst te rekenen hoe de weg eruit zou moeten zien; hij reageert op wat hij voelt.

2. De "Modulaire Lego-bak"
Deze nieuwe controller is als een Lego-bak. Je kunt hem op verschillende manieren inbouwen:

• Je kunt de hele oude controller vervangen (de "Full" versie).
• Je kunt alleen de "synchronisatie" (het op de maat van de muziek dansen) vervangen.
• Je kunt alleen de "krachtregeling" vervangen.
  Dit maakt het heel flexibel voor fabrikanten die al bestaande apparatuur hebben.

3. De "Intelligente Integrale" (Het geheugen)
Soms maken zelfs slimme systemen kleine foutjes die blijven hangen (zoals een thermostaat die de kamer net iets te koud houdt). De DeePConverter heeft een geheugen (een integraal actie). Het onthoudt: "Ik was een beetje te traag, volgende keer doe ik een stapje harder." Hierdoor verdwijnen die kleine foutjes volledig en blijft het systeem perfect stabiel.

4. Twee Dansstijlen: GFL en GFM
Het net vraagt om twee soorten gedrag:

• GFL (Grid-Following): De omvormer volgt de netspanning, zoals een danser die op de maat van de bandleider meedanst.
• GFM (Grid-Forming): De omvormer creëert zelf de maat, zoals een bandleider die het tempo bepaalt.
  De DeePConverter kan beide stijlen aan. Het is een "chameleondanser" die zich aanpast aan wat het net op dat moment nodig heeft, puur door naar de data te kijken.

Wat hebben ze bewezen?

De auteurs hebben dit getest in twee manieren:

1. Simulaties: Ze lieten het systeem "dromen" in een computer. Zelfs als ze het net opzettelijk verstoorden (spanningsdips, frequentie-schommelingen), bleef de DeePConverter rustig dansen, terwijl de oude systemen begonnen te trillen of zelfs uitvielen.
2. Hardware-in-the-Loop (HIL): Ze bouwden een fysiek prototype in een lab. Hier bleek dat de computer die de DeePConverter aanstuurt snel genoeg is om in real-time te reageren. Het is niet alleen een theorie; het werkt in de praktijk.

Waarom is dit belangrijk?

De wereld gaat naar 100% hernieuwbare energie. Maar dat betekent dat we minder "zware turbines" hebben en meer "snelle elektronica". Zonder slimme aanpassingen wordt ons net onstabiel.

De DeePConverter is de oplossing: een controller die niet afhankelijk is van onvolmaakte theorieën, maar leert van de realiteit. Het is als het verschil tussen een piloot die probeert te vliegen met een verouderde papieren kaart, en een piloot met een AI-systeem dat live kijkt naar de wind, de wolken en het vliegveld om de perfecte route te kiezen.

Kortom: Het is een slimme, lerende controller die elektriciteitsnetten veiliger, stabieler en toekomstbestendig maakt, puur door te kijken naar wat er gebeurt, in plaats van te gokken op wat er zou moeten gebeuren.

Technische samenvatting

Titel: Een datagedreven optimale controlearchitectuur voor netgekoppelde vermogenstransformatoren

1. Het Probleem

Moderne elektriciteitsnetten worden steeds meer gedomineerd door hernieuwbare energiebronnen (zoals wind en zonne-energie), die via vermogenstransformatoren (power converters) worden aangesloten. In tegenstelling tot traditionele synchrone generatoren hebben deze converters weinig fysieke traagheid en zijn ze verspreid, wat de stabiliteit van het net bedreigt.

De huidige standaardcontrole voor deze converters maakt gebruik van meerdere geneste PID-regelaars. De parameters hiervan worden doorgaans handmatig afgestemd op basis van een vereenvoudigd model van het net (vaak een "oneindige bus"). Dit leidt tot twee hoofdproblemen:

• Modelmismatch: Het echte net is complex, variabel en vaak onbekend. Het vereenvoudigde model stemt niet overeen met de werkelijkheid, wat kan leiden tot slechte prestaties of zelfs instabiliteit (bijv. oscillaties in windparken).
• Gebrek aan aanpassingsvermogen: Traditionele controllers zijn niet-adaptief. Als de netimpedantie verandert of de dynamiek van het systeem evolueert, moeten de controllers handmatig opnieuw worden afgestemd, wat kostbaar en tijdrovend is.

2. Methodologie: DeePConverters

De auteurs stellen een nieuwe architectuur voor: DeePConverters (Data-enabled Predictive Control Converters). In plaats van een fysiek model van het net te gebruiken, leunt deze methode volledig op gemeten invoer- en uitvoerdata.

• Fundamenteel Lemma: De methode is gebaseerd op het "Fundamenteel Lemma" van de gedragsystemen-theorie. Dit stelt dat de dynamiek van een lineair tijdinvariant (LTI) systeem volledig kan worden beschreven door zijn trajecten (invoer/uitvoer-data), mits het systeem controleerbaar is en de invoer "persistent exciterend" is.
• Data-enabled Predictive Control (DeePC): De controller gebruikt historische data om toekomstig gedrag te voorspellen en optimale besturingssignalen te berekenen zonder een expliciet systeemmodel te identificeren.
• Integraal DeePC: Om statische fouten (steady-state errors) veroorzaakt door niet-lineariteiten te elimineren, wordt een integraalactie geïntroduceerd. Dit wordt gedaan door de controller de verschillen in de besturingssignalen te laten optimaliseren in plaats van de signalen zelf, vergelijkbaar met de 'I'-actie in een PID-regelaar.
• Modulaire Architectuur: De auteurs introduceren een modulaire opzet waarbij verschillende lagen van de conventionele controle (synchronisatie, buitenste regelkring, binnenste stroomkring) selectief kunnen worden vervangen door de DeePC-controller. Dit maakt een "plug-and-play" implementatie mogelijk.
• Gedragsspecificatie via Kostenfunctie: De gewenste controle-gedragingen (zoals Grid-Following (GFL) of Grid-Forming (GFM)) worden niet via een vaste structuur opgelegd, maar door het ontwerp van de kostenfunctie (cost function) in de optimalisatieprobleemstelling. Door de gewichten en koppelingsmatrices aan te passen, kan de controller zowel GFL- als GFM-gedrag nabootsen of nieuwe, geoptimaliseerde gedragingen creëren.

3. Belangrijkste Bijdragen

1. Modulaire Data-gedreven Architectuur: Een flexibele structuur die het mogelijk maakt om specifieke controlelagen of het volledige controleschema van een converter te vervangen door DeePC, compatibel met bestaande industriële standaarden.
2. Integraal en Adaptief Formulier: Een nieuwe formulering die integraalacties integreert voor perfecte tracking en online strategieën (recursieve updates en batch-reconstructie) introduceert om de Hankel-matrices aan te passen aan veranderende netcondities.
3. Gedrag Design: Een systematische methode om via de kostenfunctie zowel GFL (net-volgend) als GFM (net-vormend) gedrag te realiseren, inclusief het nabootsen van traagheids- en dempingsdynamiek (swing equation).
4. Robuustheid en Implementatie: Het aantonen van inherente robuustheid tegen meetruis en modelonzekerheid via regularisatie, en het bieden van efficiënte real-time implementaties (via OSQP-oplossers of gesloten-formule oplossingen) die geschikt zijn voor embedded hardware.

4. Resultaten

De effectiviteit van DeePConverters is gevalideerd via hoogwaardige simulaties en Hardware-in-the-Loop (HIL) tests:

• Prestatieverbetering: In vergelijking met conventionele PID-controllers en indirecte datagedreven methoden (zoals Subspace Predictive Control - SPC), tonen DeePConverters superieure prestaties in:
  • Tracking: Snellere en nauwkeurigere volging van vermogens- en spanningsreferenties.
  • Stabiliteit: Geen oscillaties bij veranderingen in de kortsluitverhouding (SCR), zelfs bij zwakke netten.
  • Storingbestendigheid: Betere onderdrukking van storingen en snellere herstel na spanningsdips.
• GFL en GFM Emulatie: De controller slaagt erin om zowel het gedrag van een PLL-gestuurde GFL-converter als een traagheids-gestuurde GFM-converter (Virtual Synchronous Machine) na te bootsen, maar met betere dynamische respons.
• Robuustheid bij Storingen: Tijdens zware spanningsdips (tot 0.5 p.u.) en frequentiestappen behouden DeePConverters de stabiliteit, terwijl conventionele GFL/GFM-systemen soms synchronisatie verliezen of instabiel worden.
• Adaptiviteit: De online aanpassingsstrategieën (recursief en batch) stellen de controller in staat om zich aan te passen aan veranderende netcondities (bijv. onbalans) en parameterwijzigingen (bijv. PLL-bandbreedte) zonder handmatige herkalibratie.
• HIL Tests: Experimenten op een FPGA-platform bevestigen dat de methode in real-time kan werken (met een berekeningstijd van ~5.5 ms voor de QP-oplossing, of ~0.001 ms voor de gesloten-formule oplossing) en superieure golfvormen produceert.

5. Betekenis en Conclusie

Dit artikel introduceert een paradigmaverschuiving in de besturing van vermogenstransformatoren. Door over te stappen van modelgebaseerde naar datagedreven controle, wordt het probleem van modelmismatch opgelost, wat cruciaal is voor de stabiliteit van toekomstige netten met een hoge penetratie van hernieuwbare energie.

De DeePConverter biedt een universeel raamwerk dat:

• Geen kennis vereist van de complexe netdynamiek.
• Zelflerend en adaptief is.
• Zowel "self-stabilizing" (eigen stabiliteit) als "stabilizing" (stabiliserend voor het net) vermogens biedt.
• Een brug slaat tussen theoretische data-driven controle en praktische industriële toepassing via modulaire implementatie.

Deze aanpak vormt een fundament voor de ontwikkeling van robuuste, veilige en efficiënte toekomstige elektriciteitsnetten die volledig worden gedomineerd door elektronica.