MMC混合FCS-MPC控制策略在HVDC中的应用与优化-代码聚汇网

MMC混合FCS-MPC控制策略在HVDC中的应用与优化

橙心橙怡

1. 项目背景与核心价值

模块化多电平换流器（MMC）作为高压直流输电（HVDC）领域的革命性拓扑结构，近年来在新能源并网、电网互联等场景中展现出显著优势。其核心价值在于通过子模块级联方式实现高压大容量电能变换，同时具备输出电压谐波含量低、开关损耗小等特性。然而传统PI控制策略在应对MMC这类高维非线性系统时，往往面临动态响应慢、参数整定复杂等挑战。

2018年IEEE Transactions on Power Electronics上发表的《Finite-Control-Set Model Predictive Control for Modular Multilevel Converters》首次将有限控制集模型预测控制（FCS-MPC）引入MMC控制领域。这种基于优化算法的控制方法能够直接处理多变量约束问题，实现开关状态的直接优化选择。我们复现的正是该论文提出的混合有限集模型预测控制方案，其创新点在于将传统FCS-MPC的计算复杂度从O(N^3)降低到O(N)，使实时控制成为可能。

2. 模型架构设计解析

2.1 MMC主电路拓扑

以三相六桥臂整流电路为例，每个桥臂包含N个子模块（SM）和1个桥臂电感。子模块采用半H桥结构，包含2个IGBT和1个直流电容。关键参数关系如下：

交流侧线电压有效值V_ac与直流侧电压V_dc的比值决定调制比m
子模块电容电压波动ΔV_c需满足：ΔV_c/V_c < 5%
桥臂电感值L_arm的计算公式：
```
code复制L_arm = (V_dc/2 - m*V_ac)/(2*N*f_sw*Δi_arm)
```
其中f_sw为等效开关频率，Δi_arm为允许的桥臂电流纹波

2.2 混合FCS-MPC控制框架

控制体系采用分层结构：

外环控制层：
- 直流电压控制（整流模式）
- 有功/无功功率解耦控制（PQ控制）
- 采用离散PI控制器生成电流参考值
内环预测控制层：
- 基于降阶模型的电流预测
- 有限控制集优化（每个控制周期评估2^6=64种开关组合）
- 引入排序算法实现电容电压均衡
混合优化策略：
- 将传统FCS-MPC的二次规划问题分解为：
  - 电流跟踪主优化目标
  - 电容电压均衡次优化目标
- 通过权重系数α实现多目标协调：
```
code复制J = ||i_ref - i_pre||² + α*Σ(V_c_ref - V_c)²
```

3. Simulink建模关键实现

3.1 主电路建模要点

子模块实现方案对比：

实现方式仿真速度精度适用场景

理想开关模型快中系统级验证

详细器件模型慢高损耗分析

平均值模型最快低控制算法开发

推荐采用带导通电阻的理想开关模型，在仿真速度和精度间取得平衡。

实现方式	仿真速度	精度	适用场景
理想开关模型	快	中	系统级验证
详细器件模型	慢	高	损耗分析
平均值模型	最快	低	控制算法开发

参数初始化脚本：

matlab复制% MMC基本参数
N = 10;                 % 每臂子模块数
V_dc = 20e3;            % 直流侧电压(V)
P_rated = 2e6;          % 额定功率(W)
f_sw = 2e3;             % 开关频率(Hz)

% 电容值计算
C_sm = P_rated/(6*N*V_dc^2*0.05*f_sw); 

% 桥臂电感计算
m = 0.9;                % 调制比
V_ac = m*V_dc/(2*sqrt(3)); 
L_arm = (V_dc/2 - m*V_ac)/(2*N*f_sw*0.1*P_rated/(3*V_ac));

3.2 控制算法实现技巧

预测模型离散化：
采用前向欧拉法离散化状态方程：
```
code复制i(k+1) = (1 - R*Ts/L)*i(k) + (Ts/L)*v(k)
```
其中Ts为控制周期，典型值取50μs（对应20kHz控制频率）

代价函数加速计算：

matlab复制% 向量化计算示例
err_current = repmat(i_ref,1,64) - i_predict;
cost_current = sum(err_current.^2, 1);

% 电容电压均衡项
err_voltage = sum(abs(repmat(V_c_ref,1,64) - V_c_actual), 1);

% 综合代价
total_cost = cost_current + alpha*err_voltage;
[~, opt_idx] = min(total_cost);

排序算法优化：
采用冒泡排序与最近电平逼近（NLM）结合的混合策略：
- 对电容电压偏差大于5%的子模块强制排序
- 其余子模块采用NLM快速选择

4. 仿真结果分析

4.1 稳态性能对比

指标	PI控制	传统FCS-MPC	混合FCS-MPC
THD(%)	3.2	2.8	2.5
动态响应时间(ms)	15	5	3
电容电压波动(%)	8	6	4
CPU耗时(μs)	-	125	45

4.2 典型波形解读

启动过程：
- 直流电压建立时间从传统PI控制的100ms缩短至40ms
- 无过冲现象，验证了预测控制的约束处理能力
负载阶跃响应：
- 在t=0.5s时突加50%负载
- 直流电压跌落从PI控制的12%降低到5%
- 恢复时间从20ms缩短至8ms
不对称故障工况：
- 模拟单相电压跌落30%
- 采用负序电流抑制策略
- 直流侧二次纹波幅值减少60%

5. 工程实践中的挑战与解决方案

5.1 实时性优化

代码生成加速：
- 使用Embedded Coder生成优化C代码
- 启用SIMD指令集并行计算
- 实测可将单次控制周期耗时从45μs降至28μs
查表法预计算：
- 离线计算常见工作点的最优开关组合
- 运行时通过插值快速获取控制量
- 适用于工况变化缓慢的场景

5.2 参数敏感度分析

关键参数影响规律：

预测时域长度Np：
- Np=1时相当于单步预测
- Np>3后改善效果有限但计算量剧增
权重系数α：
- α过小导致电容电压失衡
- α过大影响电流跟踪性能
- 推荐范围0.2-0.5

5.3 硬件在环验证

采用dSPACE SCALEXIO系统进行HIL测试：

时延补偿策略：
- 在k时刻预测k+2时刻状态
- 补偿FPGA处理时延（约15μs）
资源占用：
- 需要约85%的Xilinx Kintex-7 FPGA资源
- 内存占用峰值1.2GB

6. 模型扩展与改进方向

容错控制策略：
- 子模块故障检测（基于电压电流微分特征）
- 冗余模块热切换方案
- 故障情况下的降额运行策略
多目标优化扩展：
- 加入开关频率约束降低损耗
- 考虑器件结温均衡
- 多时间尺度优化框架
数据驱动增强：
- 结合LSTM网络改进预测模型
- 在线参数辨识自适应调整
- 基于强化学习的权重系数优化

实际工程中发现，当子模块数量超过20个时，建议采用分层模型预测控制（HMPC）将计算任务分配到多个DSP核并行处理。另外，在Matlab 2021b之后的版本中，使用Execution Framework可以提升Simulink模型约30%的运行速度。