[发明专利]基于机器学习的MMC模型预测控制方法及系统

说明书

本发明涉及基于机器学习的MMC模型预测控制方法及系统，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控制器。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初始权值阈值。最终得到随机森林‑神经网络‑MPC控制器来模拟MPC控制器。结果表明：RF‑NN‑MPC在学习效率和学习精度上都优于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。极大降低了计算量，适用于工程运用。

技术领域

本发明属于电力工程技术领域。具体涉及一种基于机器学习的低计算量的模块化多电平换流器模型预测控制方法。

背景技术

模块化多电平换流器(Modular multilevel converter,MMC)的模块化设计，使得其在电压等级和功率等级的拓展上非常容易实现，在风电、光伏等可再生能源发电并网中有广泛的应用，但随着MMC运用在高压、大功率的场景下时，桥臂子模块数量达到数百个，所需要控制的子模块开关信号也随之增大，给控制器带来极大的计算负荷，MMC系统的运行效率受到影响。

发明内容

针对上述问题，本发明设计了一种基于机器学习的MMC模型预测控制（ModelPredictive Control，MPC）方法，首先将已搭建的MPC-MMC控制系统仿真数据进行数据预处理，然后通过神经网络（Neural Network）训练得到NN-MPC控制器，大幅降低了MMC控制器的计算量，方便工程应用。同时通过随机森林（RandomForest）技术来优化神经网络的初始权值和阈值，提高了神经网络的训练效率和训练精度。

本发明提供的技术方案是：

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。

在上述的基于机器学习的MMC模型预测控制方法，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：

。

在上述的基于机器学习的MMC模型预测控制方法，采用变模态分解VMD操作，交流侧电流变分模型如下：

。

在上述的基于机器学习的MMC模型预测控制方法，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。

在上述的基于机器学习的MMC模型预测控制方法，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：

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；