Details

Autor(en) / Beteiligte

• Lopez Canon, Andres Mauricio
• Quevedo, Daniel[Akademischer Betreuer]
• Mouton, Toit[Akademischer Betreuer]

Titel

Model predictive control of modular multilevel converters

Ort / Verlag

Paderborn

Erscheinungsjahr

2018

Link zum Volltext

• Hochschulschriften Visual Library - Scan2Web Hochschulschriften UB Paderborn (s2w-hsspadubpb)
• Hochschulschriften Visual Library - Scan2Web Hochschulschriften UB Paderborn (s2w-hsspadubpb)

Link zu anderen Inhalten

• Volltext
• Volltext

Verknüpfte Titel

Beschreibungen/Notizen

• Tag der Verteidigung: 04.09.2018
• Open Access
• ger: Die vorliegende Arbeit befasst sich mit der Anwendung modellprädiktiver Regelungen (englisch: model predictive control (MPC)) auf modulare Mehrpunktstromrichter (englisch: Modular Multilevel Converter (MMC)). Das zentrale Ziel ist dabei, den Aufwand zur Lösung des zugrundeliegenden Optimierungsproblems zu reduzieren und gleichzeitig die geforderten Konverterzustände einzuhalten.Typische Modelle für MMCs zeichnen sich durch eine Vielzahl an Zuständen und wertdiskreten Eingangsgrößen aus. Derartige Modelle führen in Kombination mit MPC insbesondere dann auf komplexe Optimierungsprobleme, wenn lange Prädiktionshorizonte erforderlich sind. Um dieses Problem zu umgehen, wird im Rahmen der Arbeit ein vereinfachtes Modell vorgestellt, welches sowohl die Systemordnung reduziert als auch Diskontinuitäten resultierend aus wertdiskreten Schaltvorgängen eliminiert. Die Genauigkeit und Grenzen des neuartigen Modellierungsansatzes werden ausgiebig diskutiert, um eine verlässliche Anwendung zu ermöglichen. Das reduzierte Modell wir anschließend eingesetzt, um geeignete Referenzwerte für die Regelung des MMCs zu bestimmen. Insbesondere wird für das Anwendungsbeispiel in der Arbeit aufgezeigt, wie Referenzwerte so gewählt werden können, dass die Restwelligkeit in den einzelnen Modulen des Stromrichters reduziert werden.Die Komplexität des MPC-Optimierungsproblems wird unter Verwendung des vereinfachten Modells weiter reduziert, indem nur je ein wertkontinuierlicher Reglereingriff pro Konverterarm betrachtet wird. Darüber hinaus wird untersucht, unter welchen Bedingungen sich ein konvexes Optimierungsproblem ergibt. Diese Bedingungen sind für viele Anwendungsfälle erfüllt, so dass etablierte und effiziente Algorithmen zur Lösung des Optimierungsproblems eingesetzt werden können. Dies ist insbesondere für...
• eng: This work addresses problems that arise with the application of Model Predictive Control (MPC) to Modular Multilevel Converters (MMCs), by aiming to reduce the complexity of the optimization problem associated with the controller while properly tracking the converter states. Due to the complexity of the MMC, principally attributed to the high dimension of its state space model along with the high number of discontinuous switching variables available, solving the optimization problem associated with the MPC can be challenging. This becomes more significant when long prediction horizons are required. In order to address this problem, this work presents a reduced order model that aims to reduce the complexity of the state space model of the MMC and to eliminate the discontinuities associated with the converter switches. In order to validate this approach, the accuracy and limitations of this model are analyzed and identified in detail. Moreover, with the help of the reduced order model, detailed references for the MMC are carefully designed and, for the case presented in this work, reference parameters are selected optimally in order to reduce the voltage ripple in the converter modules.The complexity of the optimization problem associated with the MPC is also reduced with the help of the reduced order model by considering just one continuous control signal per converter arm. To further aid the optimization, a method to derive conditions that guarantee its convexity is presented. By guaranteeing convexity, it is possible to use very well studied and efficient optimization algorithms, easing the application of MPC on MMC, especially in the case where long prediction horizons are required. In order to illustrate the proposed procedure, numerical examples are presented in a simulation environment.