基于机器学习的模块化多电平换流器的模型预测控制研究

摘要：

模型预测控制器(model predictive controller,MPC)因可实现多目标优化控制被广泛应用在模块化多电平换流器(modular multilevel converter,MMC)领域,但随着子模块数量增加,MPC的在线计算量成几何级数增长.因此,提出了基于机器学习的MMC的模型预测控制方法,首先利用MPC-MMC仿真平台收集数据并对数据进行预处理,再进行神经网络训练得到神经网络-MPC(neural network-MPC,NN-MPC).为了提高神经网络训练效率,采用随机森林来优化神经网络的初始权值和阈值,得到随机森林-神经网络-MPC(random forest-neural network-MPC,RF-NN-MPC),将其用来模拟 MPC.仿真结果表明,RF-NN-MPC在学习效率和学习精度方面都优于NN-MPC,在保持了良好的控制效果的同时,使MPC-MMC不受子模块数量约束,在线计算量始终为1次.

关键词：神经网络、随机森林、模型预测控制、模块化多电平换流器、变分模态分解

所属期刊栏目：30

分类号：TM464;TM712(变压器、变流器及电抗器)

资助基金：湖北省技术创新重大项目;襄阳湖北工业大学产业研究院重点资助项目

在线出版日期：2023-11-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：1775-1785