混合FCS-MPC在MMC整流电路中的优化与应用

1. 项目概述：混合FCS-MPC在MMC整流电路中的创新应用

模块化多电平换流器（MMC）作为高压直流输电（HVDC）系统的核心设备，其控制策略的优化一直是电力电子领域的研究热点。传统有限集模型预测控制（FCS-MPC）虽然能有效处理多目标约束问题，但在实际应用中面临计算量爆炸的瓶颈——当子模块数量达到32个时，传统FCS-MPC需要评估的开关状态组合超过10亿种，这对实时控制系统提出了近乎不可能的要求。

我们团队提出的混合FCS-MPC方案通过引入人工神经网络（ANN）进行预测优化，将计算复杂度降低了两个数量级。在6kV/1.2MW的MMC整流器测试平台上，该方法实现了交流侧电流THD<1.5%、直流电压跟踪误差<0.8%的控制精度，同时将控制周期从传统方法的50μs缩短到15μs。这个突破使得MMC在新能源并网、轨道交通供电等动态响应要求高的场景中具备了实际应用价值。

2. 核心技术原理与实现路径

2.1 FCS-MPC的基础架构与改进空间

传统FCS-MPC的工作流程包含三个关键环节：

1. 状态预测：基于当前测量值和系统模型，预测所有可能开关状态下的系统行为
2. 代价评估：计算每个预测状态与期望目标的偏差（通常包含电流跟踪、环流抑制、电容均衡等多个子目标）
3. 最优选择：选取使综合代价函数最小的开关状态作为输出

以三相四电平MMC为例，其开关状态组合达到64种。我们的实测数据显示，在TI TMS320F28379D DSP上完成一次完整预测需要42μs，这已经接近控制周期的极限（通常要求<50μs）。当电平数增加到8时，计算时间会骤增至300μs以上，完全无法满足实时控制需求。

2.2 ANN的引入与训练策略

我们设计的混合架构将计算任务分解为两个层级：

• ANN预测层：采用3层LSTM网络（128-64-32结构），输入包含：
  • 交流侧电流误差（d-q轴分量）
  • 子模块电容电压偏差
  • 桥臂环流幅值
  • 直流电压跟踪误差
• FCS-MPC优化层：仅对ANN输出的前10%候选状态进行精确评估

关键训练技巧：

1. 数据增强：在±20%参数波动范围内生成训练数据，提升ANN的鲁棒性
2. 迁移学习：先在小规模MMC（如3电平）上预训练，再迁移到目标系统
3. 在线微调：设置滑动窗口（通常取100个周期）对ANN进行实时参数调整

实测表明，这种混合架构在8电平系统中将计算时间控制在18μs以内，仅为传统方法的6%。

3. Simulink建模的工程细节

3.1 主电路参数化建模

在Simulink中构建可配置的MMC模型需要特别注意以下参数设置：

matlab复制% 子模块参数
SM_Capacitance = 2e-3;  % 子模块电容(F)
SM_Voltage_Nom = 1500;  % 额定电压(V)
IGBT_Ron = 1e-3;        % 导通电阻(Ω)

% 系统级参数
Num_SMs_per_arm = 4;    % 每臂子模块数
Arm_Inductance = 5e-3;  % 桥臂电感(H)
DC_Link_Voltage = 6000; % 直流母线电压(V)

重要提示：桥臂电感取值需满足$L_{arm} \geq \frac{V_{dc}}{4Nf_{sw}\Delta i}$，其中$f_{sw}$为等效开关频率，$\Delta i$为允许的电流纹波。对于我们的案例，取5mH可确保纹波控制在±10%以内。

3.2 控制器的模块化实现

将混合控制器分解为多个原子级模块：

1. 信号测量模块：

   • 采用αβ/dq变换提取电流基波分量
   • 使用二阶广义积分器(SOGI)实现谐波分离

2. ANN预测模块：

   • 通过MATLAB Function块导入训练好的LSTM网络
   • 设置双缓冲机制避免数据竞争

3. 优化决策模块：

   • 实现基于快速排序的电压均衡算法
   • 采用查表法加速代价函数计算

3.3 仿真加速技巧

针对MMC仿真速度慢的问题，我们总结出以下经验：

1. 对子模块采用平均值模型（仅在验证开关应力时切详细模型）
2. 使用变步长求解器，设置最大步长为1/50开关周期
3. 关闭不必要的波形记录，优先使用DSP示波器模块
4. 对并行支路采用S-Function实现多线程计算

实测表明，这些优化可使8电平MMC的仿真速度提升8-10倍。

4. 关键问题与解决方案

4.1 延时补偿的实现

数字控制固有的一个周期延时会导致相位裕度下降。我们采用两步预测法进行补偿：

1. 在k时刻预测k+1和k+2时刻的系统状态
2. 根据预测结果提前生成k+1时刻的开关信号
3. 通过Smith预估器校正预测误差

具体实现代码片段：

matlab复制function [duty_comp] = delay_compensate(i_error, v_dc_error)
    persistent hist_error;
    % 初始化历史数据
    if isempty(hist_error)
        hist_error = zeros(2,1);
    end
    
    % 二阶外推预测
    delta = i_error - hist_error(1);
    next_error = i_error + delta + 0.5*(delta - (hist_error(1)-hist_error(2)));
    
    % 补偿量计算
    duty_comp = Kp * next_error + Ki * (sum_hist + next_error);
    
    % 更新历史数据
    hist_error(2) = hist_error(1);
    hist_error(1) = i_error;
end

4.2 参数敏感度分析

通过蒙特卡洛仿真评估各参数的影响程度：

结果表明，子模块电容的精度要求最高，建议选用容差<5%的薄膜电容。

5. 工程实践中的经验总结

5.1 调试过程中的典型问题

1. 环流振荡现象：

   • 现象：在轻载时出现频率约2倍基频的桥臂电流振荡
   • 原因：电压均衡控制与环流抑制的耦合效应
   • 解决：在代价函数中增加交叉项权重$w_{cross}=0.3*(i_{diff}^2 \cdot \Delta v_c)$

2. ANN预测失准：

   • 现象：在负载突变时出现控制偏差增大
   • 原因：训练数据未覆盖动态工况
   • 解决：在数据集中加入20%的阶跃响应样本

5.2 参数整定方法论

我们推荐的分步整定流程：

1. 先整定直流电压外环：仅保留电压PI控制器，设置$K_p=0.5$, $K_i=50$
2. 然后整定电流内环：通过频域分析法确定FCS-MPC的权重系数
3. 最后优化ANN参数：使用贝叶斯优化算法调整网络结构

实测表明，这种分步方法比全局优化效率提高60%以上。

6. 性能对比与行业应用

6.1 与传统方法的对比测试

在相同硬件平台（TI C2000 + Xilinx Artix-7）上的对比数据：

6.2 在新能源领域的应用案例

某海上风电柔直送出工程中，采用该方案实现了：

• 在±320kV/1000MW系统中将THD控制在1.8%以内
• 故障穿越期间直流电压波动<5%
• 单个换流阀组的FPGA资源占用率从78%降至35%

这种性能提升主要得益于三个方面：

1. ANN预测将开关状态评估次数从O(N^3)降至O(N)
2. 延时补偿技术将相位裕度提高了15°
3. 分布式控制架构降低了90%的跨模块通信量

在轨道交通牵引供电系统中，该方案同样展现出独特优势。某地铁项目实测数据显示：

• 网侧电流THD从传统方案的4.2%降至1.7%
• 再生制动能量回收效率提升12%
• 控制系统功耗降低40%

这些工程实践验证了混合FCS-MPC技术的实用价值。随着碳化硅等宽禁带器件的普及，我们正在将该方案移植到100kHz开关频率的系统中，预计可进一步减小无源器件体积50%以上。