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

本文提出了一种名为 DeePConverter 的数据驱动最优控制架构，利用数据enabled 预测控制（DeePC）使并网功率转换器能够无需精确电网模型即可从实测数据中感知电网特性并自适应调整策略，从而在复杂多变的电网环境中实现最优、鲁棒且自适应的控制性能，并通过高保真仿真和硬件在环测试验证了其有效性。

要点

这篇论文介绍了一种名为 "DeePConverter"（数据驱动型智能换流器） 的新技术。为了让你轻松理解，我们可以把现代电力系统想象成一个巨大的、不断变化的交通网络，而电力换流器（Power Converters）就是行驶在这个网络上的智能汽车。

1. 背景：旧车开新路，容易“水土不服”

• 传统换流器（旧车）： 以前的换流器就像一辆老式汽车，它的控制系统（PID 控制器）是预先设定好的“死板”程序。工程师在实验室里，假设路况（电网）是完美的、平坦的（就像在无限大的平地上开车），然后调好方向盘和油门。
• 现实问题： 但真实的电网非常复杂，就像真实的路况：有时堵车（负载变化），有时路面湿滑（电压波动），有时甚至突然塌方（故障）。当这些“老式汽车”开进复杂的真实路况时，因为预设的程序跟实际路况对不上（模型不匹配），车子就会跑偏、剧烈抖动，甚至失控翻车（系统振荡或不稳定）。
• 现有难题： 以前为了应对这种情况，工程师要么不断重新调教车子（重新整定参数），要么给车子装各种复杂的传感器和模型来预测路况。但这既慢又贵，而且路况变化太快，往往跟不上。

2. 核心创新：给汽车装上“老司机”的大脑（DeePConverter）

这篇论文提出的 DeePConverter，就像给汽车装上了一个拥有“老司机”直觉的超级大脑。

• 不再依赖地图（模型）： 传统方法需要先画一张完美的地图（建立数学模型）才能开车。但 DeePConverter 说：“我不需要地图，我只需要看路。”
• 数据即经验（Behavioral Data）： 它利用数据驱动预测控制（DeePC）。想象一下，这个“老司机”不需要知道路为什么是弯的，它只需要记住过去开过的每一段路（电压、电流的历史数据）。
  • 核心逻辑： 只要我看过足够多的路况数据，我就能根据刚才的路况，直接推断出下一步该怎么打方向盘、踩油门，从而开得最稳、最快。
  • 比喻： 就像你学骑自行车，不需要懂空气动力学公式，只要多骑几次，身体自然就知道怎么保持平衡。DeePConverter 就是通过“骑”（运行）来学习电网的特性。

3. 三大绝招：模块化、积分修正、在线进化

为了让这个“超级大脑”更好用，论文设计了三个关键功能：

A. 乐高积木式的模块化（Modular Configurations）

• 比喻： 以前的车，要么整个换引擎，要么动不了。DeePConverter 像乐高积木。
• 作用： 它可以只替换汽车的“同步系统”（怎么跟车流对齐），或者只替换“速度控制系统”（怎么保持车速），甚至可以把整个驾驶系统都换成新的。
• 好处： 工厂里如果有些部件已经认证好了不能动，我们只换需要优化的部分，非常灵活，方便落地。

B. 消除“记忆偏差”的积分作用（Integral Action）

• 问题： 有时候，车子开久了，虽然方向盘回正了，但车速还是比目标慢一点点（稳态误差）。
• 比喻： 这就像你开车去超市，导航说“到了”，但你发现还差 10 米。
• 解决： DeePConverter 加了一个“积分器”，就像给司机加了一个记性。如果它发现一直差那么一点点，它就会记住这个误差，并持续微调油门，直到分毫不差地停在目标位置。这解决了非线性带来的微小偏差问题。

C. 实时进化的“在线适应”（Online Adaptation）

• 挑战： 路况是千变万化的。如果今天修路了，昨天的经验还管用吗？
• 比喻： 这个“老司机”不仅会开车，还会边开边学。
  • 递归更新： 像流水一样，每开一秒，就把最新的路况数据加进记忆库，把最旧的数据扔掉，永远保持记忆是最新的。
  • 批量重建： 如果路况大变（比如突然下暴雨），它就停下来，专门花几分钟重新收集一段数据，彻底更新自己的“驾驶手册”。
• 结果： 无论电网怎么变，它都能迅速适应，不会像旧车那样因为“经验过时”而失控。

4. 它有多强？（实验结果）

论文通过大量的“模拟驾驶”和“实车测试”（硬件在环测试）证明了它的厉害：

1. 全能选手： 它既能像跟车模式（GFL） 那样紧紧跟随电网电压，也能像领航模式（GFM） 那样主动支撑电网电压（就像在没红绿灯的路口，它既能跟车，也能当交警指挥交通）。
2. 抗干扰强： 当电网发生剧烈波动（如电压骤降）时，传统换流器可能会“晕车”甚至失控，而 DeePConverter 能像经验丰富的赛车手一样，平稳地度过难关，甚至帮助其他车辆稳定下来。
3. 反应快： 它的计算速度非常快，完全能满足实时控制的要求（毫秒级），不会让车“卡顿”。

总结

简单来说，这篇论文提出了一种让电力换流器“自我学习、自我进化”的新方法。

它不再依赖工程师在实验室里画出的“理想地图”，而是让设备通过观察真实数据，直接学会如何在复杂多变的电网中最优、最稳、最灵活地运行。这就像是把每一辆电力汽车都变成了拥有“老司机”直觉的自动驾驶汽车，让未来的智能电网更加安全、稳定和高效。

技术摘要

这是一份关于论文《A Data-Driven Optimal Control Architecture for Grid-Connected Power Converters》（一种用于并网功率转换器的数据驱动最优控制架构）的详细技术总结。

1. 研究背景与问题 (Problem)

随着可再生能源（风能、太阳能）的大规模并网，现代电力系统正从传统的同步发电机（SG）主导转向电力电子变流器主导。这种转变带来了以下挑战：

• 模型失配与不确定性：传统变流器通常采用基于 PID 的多级控制回路（锁相环 PLL、外环功率/电压控制、内环电流控制）。PID 参数通常基于简化的“无穷大母线”模型整定。然而，实际电网具有高度复杂性、时变性和不确定性，导致模型失配，可能引发性能下降甚至系统振荡（小信号不稳定）。
• 传统先进控制的局限性：鲁棒控制、自适应控制和模型预测控制（MPC）虽然能处理不确定性，但通常依赖于精确的系统模型。在电力电子主导的系统中，获取精确的变流器 - 电网交互模型成本高昂且难以实时更新。
• 非线性与稳态误差：现有的数据驱动方法在应对系统非线性时，往往难以消除稳态跟踪误差。

2. 方法论 (Methodology)

本文提出了一种名为 DeePConverter 的新型控制架构，利用数据使能预测控制（Data-Enabled Predictive Control, DeePC） 来实现数据驱动、最优、鲁棒且自适应的变流器控制。

核心原理

• 行为系统理论（Behavioral Systems Theory）：基于 Willems 的“基本引理”（Fundamental Lemma），线性时不变（LTI）系统的动态特性完全可以通过其输入/输出轨迹（数据）来描述，而无需显式的状态空间模型。
• 积分 DeePC (Integral DeePC)：为了消除由系统非线性引起的稳态误差，作者在标准 DeePC 框架中引入了积分作用。通过优化控制输入的差分（$\Delta u$）而非输入本身，并在控制律中累加这些差分，实现了类似 PID 中积分项的效果，从而消除稳态跟踪误差。

架构设计

1. 模块化配置：提出了五种 DeePConverter 配置方案，允许灵活替换传统控制回路中的不同部分：
   • 全 DeePConverter：替换同步单元、外环和内环。
   • 功率/电压调节型：仅替换外环。
   • 电流调节型：替换外环和内环。
   • 自同步型：替换同步单元和外环。
   • 混合同步型：仅替换同步单元。
2. 通用结构：Full DeePConverter 被设计为一个通用结构，通过代价函数（Cost Function）的设计，可以统一实现**跟网型（GFL）和构网型（GFM）**控制策略。
   • GFL 行为：通过加权矩阵设计，强制 $V_q$ 趋近于 0（锁相），实现快速功率跟踪。
   • GFM 行为：在代价函数中嵌入虚拟惯量和阻尼项（模拟摇摆方程），实现频率支撑和电压调节。
3. 在线自适应：提出了两种策略来应对时变系统：
   • 递归更新：实时滚动更新 Hankel 矩阵，适应快速变化的动态。
   • 批量重构：在特定时刻利用新数据窗口重新构建 Hankel 矩阵，适应慢变或参数漂移。

3. 主要贡献 (Key Contributions)

1. 模块化“即插即用”架构：基于“数据即模型”的范式，提出了一种模块化架构，允许在保持与传统方案兼容的同时，灵活替换关键控制层（如同步、功率/电压调节），甚至完全替换整个控制方案。
2. 积分与自适应 DeePC 公式：在 DeePConverter 框架内引入了离散时间积分动作以消除稳态误差，并设计了 Hankel 矩阵的在线递归更新和批量重构策略，显著增强了对时变工况的适应能力。
3. 基于代价函数的行为定制：系统性地研究了预测控制中的代价函数设计，通过结构化设计权重和耦合矩阵，能够直接生成 GFL 和 GFM 行为，并支持 PQ/PV 等运行模式的配置，无需预先定义具体的控制拓扑。
4. 内在鲁棒性分析：证明了正则化 DeePC 对测量噪声、传感器偏差和弱非线性具有内在鲁棒性，且能自然处理固定的通信延迟。

4. 实验结果 (Results)

论文通过高保真仿真和硬件在环（HIL）实验验证了 DeePConverter 的有效性：

• GFL/GFM 行为模拟：
  • 在 GFL 模式下，DeePConverter 表现出比传统 PID 和基于子空间预测控制（SPC）的方法更平滑的功率跟踪，且在短路比（SCR）降低时更稳定。
  • 在 GFM 模式下，成功模拟了同步发电机的惯量和阻尼特性，在电网电压跌落时表现出更快的电压恢复能力。
• 瞬态性能：
  • 电压暂降测试：在严重电压暂降（0.5 p.u.）下，传统 GFL 变流器失步，GFM 变流器出现暂态失步，而 DeePConverter 在整个扰动过程中保持稳定。
  • 频率扰动测试：通过配置虚拟惯量和阻尼参数，DeePConverter 能有效提供一次频率响应，抑制频率波动。
• 自适应能力：
  • 在电网电压不平衡和 PLL 带宽突变等参数变化场景下，采用递归更新或批量重构策略的 DeePConverter 能迅速适应，消除振荡，而非自适应版本则性能下降。
• 多机系统测试：在双区域四变流器系统中，引入 DeePConverter 有效抑制了弱电网下 PLL 相互作用引起的持续振荡，展现了“自稳定”和“稳定其他变流器”的双重能力。
• HIL 实验：基于 OP5700 和 NI FPGA 的硬件在环实验证实了算法的实时可行性（计算耗时约 5.5ms，满足 1ms 控制周期要求），且具备快速的参考跟踪和抗干扰能力。

5. 意义与价值 (Significance)

• 摆脱模型依赖：DeePConverter 提供了一种无需显式建立复杂电网模型即可实现最优控制的途径，解决了模型失配这一长期存在的痛点。
• 统一控制框架：打破了 GFL 和 GFM 控制策略的界限，通过单一的数据驱动架构即可实现多种运行模式，简化了控制器的设计和维护。
• 提升系统韧性：在弱电网、高比例新能源接入的复杂场景下，DeePConverter 展现了卓越的鲁棒性和稳定性，有助于构建更具韧性的新型电力系统。
• 工程落地潜力：提出的模块化设计和在线自适应机制，使得该技术能够适应工业现场中已有的认证模块和不断变化的运行条件，具有极高的工程应用价值。

综上所述，该论文提出了一种创新的、基于数据的变流器控制范式，通过利用历史输入输出数据直接合成最优控制律，显著提升了并网变流器在复杂多变电网环境下的性能、稳定性和适应性。