2019 Fiscal Year Research-status Report
A study on fast and stable power conversion control with hybrid model predictive control and machine learning
| Project/Area Number |
19K04355
|
|---|
| Research Institution | Nagasaki University |
|---|
Principal Investigator |
丸田 英徳 長崎大学, 工学研究科, 准教授 (00363474)
|
|---|
| Project Period (FY) |
2019-04-01 – 2022-03-31
|
| Keywords | 電力変換器 |
|---|
| Outline of Annual Research Achievements |
本研究の目的は，ディジタル制御方式の電力変換器をハイブリッドシステムとしてモデル化し，モデル予測制御によるシステムの安定化と機械学習を用いた非線形制御による高速応答性の両立が可能な制御手法の確立である。本年度は，2つの制御手法について，それぞれがもつ最も重要な課題について，その解決法に取り組んだ。まず，モデル予測制御による電力変換器の安定制御について，従来のモデル予測制御において，電力変換器のスイッチング周期毎に最適化問題を解いて制御量を決定する必要があるが，最適化問題の演算量は一定ではなく，通常の電力変換器の制御に用いられる演算ユニットの演算性能では，リアルタイムでの最適化が1周期内で実現できないことがあり，制御に不安定性が生じる。そこで，制御量の分解能と同等数のモデルを事前に準備し，組み合わせ的な方法で準最適解を計算する手法により，常に一定の演算量で制御が可能となる方法を提案した。次に，機械学習による非線形制御について，従来のニューラルネットワークによる応答特性の問題点である，過補償の問題に取り組んだ。ニューラルネットワークによる非線形制御は，過渡時に大幅な特性向上を可能とするが，その非線形性によりシステムの応答が過補償としてあらわれ，収束特性や安定性に影響を及ぼす。そこで，過補償の抑制を行うために，電力変換器の回路方程式から算出可能な過補償抑制の制御とニューラルネットワークによる制御のモードを組み合わせることで，過渡応答時の特性向上と過補償抑制を同時に実現する手法を提案した。この手法は，回路方程式に基づいており，電力変換器のモデル化やモデル予測制御との組み合わせにおいて有用である。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
本研究にとって，大きな問題となるモデル予測制御のリアルタイム最適化について，準最適な解ではあるが，一定の演算量による制御手法を提案した。また，非線形制御における課題である過補償抑制は，電力変換器の特性方程式とニューラルネットワーク制御を組み合わせることで解決できることを確認した。また，これらの制御手法は，システムのモデル化を通して組み合わせることが可能である。
|
| Strategy for Future Research Activity |
システム安定化のためのモデル予測制御と，過渡特性改善のためのニューラルネットワーク制御を統合する手法について検討する。また，その実現性の評価のため，制御全体の演算量と制御特性（分解能など）の関係や，電力変換器と制御系全体の安定性と過渡特性についての評価を行う。
|
