[发明专利]基于机器学习的MMC模型预测控制方法及系统

权利要求书

1.基于机器学习的MMC模型预测控制方法，其特征在于，包括以下步骤：

MPC-MMC仿真平台收集数据并对数据进行预处理；

将数据输入神经网络训练得到神经网络-MPC控制器（Neural Network-MPC，NN-MPC），采用随机森林来优化神经网络初始权值阈值，得到随机森林-神经网络-MPC控制器；

利用得到的随机森林-神经网络-MPC控制器模拟MPC控制器输出数据。

2.根据权利要求1所述的基于机器学习的MMC模型预测控制方法，其特征在于，从MPC-MMC模型中采样相关数据，通过归一化和VMD分解操作，得到一组优良数据集；归一化处理：

式中x_i表示数据集的任意一列数据值。

3.根据权利要求1所述的基于机器学习的MMC模型预测控制方法，其特征在于，采用变模态分解VMD操作，交流侧电流变分模型如下：

式中u_k（t）表示第n个模态函数，为各模态对应的中心频率集合；δ（t）为狄拉克函数，表示将每个模态u_k（t）的解析信号频谱平移到基带上去。

4.根据权利要求1所述的基于机器学习的MMC模型预测控制方法，其特征在于，随机森林-神经网络-MPC控制器的设计；将11个电气物理量输入层和隐藏层之间、隐藏层和输出层之间的权值和阈值ω_ij、θ_ij和ω_jk、θ_jk的数据作为随机森林的训练集记Q₁。

5.根据权利要求1所述的基于机器学习的MMC模型预测控制方法，其特征在于，本样本数据集有M特征属性时，随机选取其中r个特征属性来训练N个样本子集；分别计算r个特征属性的基尼系数，表达式如下：

式中P_r代表样本属于第r组特征属性的概率；

将特征属性按基尼系数从小到大依次排列，从r个特征属性中选取最优的特征属性作为森林的分裂节点，使其最大可能的生长而不进行修枝，构成决策树进而形成森林；

再导入测试集数据，分别计算所有的决策树的输出值，将所有输出值的均值作为随机森林最终的输出；采用均方根误差δ_MSE来评估随机森林的输出值；

式中n为样本数量；out为随机森林的输出；out^*为预期的权值和阈值最优输出。

6.根据权利要求1所述的基于机器学习的MMC模型预测控制方法，其特征在于，训练集每一组数据由11个电气物理量值、11×11×2个ω_ij、θ_ij值、11×2×2值ω_jk、θ_jk构成；从Q₁中有放回的抽取m次N组数据集构成训练子集N₁，N₂…N_m，将11个电气物理量的排列组合数看做样本的特征属性。

7.根据权利要求1所述的基于机器学习的MMC模型预测控制方法，其特征在于，MPC-MMC仿真平台收集数据具体包括：

获取当前时刻满足相电流追踪的上、下桥臂投入子模块基数，；

对上、下桥臂补偿相同数量电平数，使最终投入的子模块数量，满足交流侧电流的跟踪、相间环流的抑制平衡条件。