Design and development of advanced model-based robust multi-objective controllers for multilevel converters

Babaie, Mohammad (2023). Design and development of advanced model-based robust multi-objective controllers for multilevel converters. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (16MB) | Prévisualisation

Résumé

Considering the essential role of multilevel converters (MLC) in the future of distributed renewable energy resources, electric vehicles, and automation, this thesis contributes to developing advanced multi-objective controllers and topologies for MLCs to enhance their performance, stability, and reliability in grid-tied and stand-alone modes of operation. Accordingly, in the first research work of this dissertation, an optimized sliding mode controller (OSMC) is introduced to address the voltage balancing issue (recognized as a benchmark) of the seven-level packed U-cell (PUC) converter without involving an outer voltage loop controller. Further stability analysis is also accomplished to guarantee the stability and robustness of the sensorless OSMC algorithm under dynamic conditions and parametric uncertainties.

Concerning the lack of an effective analytical method to tune the weighing factors in model predictive control (MPC) strategies, an offline artificial intelligent-based (AI) training technique is developed in the second work using the artificial bee colony (ABC) algorithm to enhance the multi-objective control performance of predictive controllers, which are dedicated to MLCs. The implementation results of applying the supervised learning MPC (SLMPC) to a three-phase neutral point clamped (NPC) converter demonstrate that AI is quite effective in dealing with the tedious tuning of the MPC-based algorithms. Even so, offline training cannot guarantee the optimal control performance of the MPC under dynamic conditions. Regarding this fact, an online tuning strategy is developed in the following research work based on Artificial Neural Network (ANN) to adapt the weighing factors for an MPC controller, which is applied to a seven-level modified PUC (MPUC) active rectifier. A novel data-free selftraining strategy is also established using the particle swarm optimization (PSO) algorithm to train the ANN-based regulator. The proposed training strategy significantly improves the contribution of ANNs in power electronics control problems. Despite the astonishing multiobjective performance offered by finite control set model predictive controllers (FCSMPC), Lyapunov stability analysis is not supported due to the discrete control structure. To address this issue, a novel predictive Lyapunov function is developed in the same research work to guarantee the stability of multi-objective predictive controllers. Since the proposed stability objective is independent, it causes zero impact on the optimal multi-objective control performance of the predictive controllers.

To reduce the sensitivity of the self-training method to the initial parameters, an advanced multi-core fast self-training strategy (FSTS) is constructed by the imperialist competitive algorithm (ICA) in the next research work. Using the new generalized FSTS, an intelligent predictive multi-objective controller (IPMOC) is developed for MLCs, which can track over seven control objectives simultaneously. In addition, a novel selective predictive harmonic mitigation (SPHM) objective is formulated in the same work for MPC-based controllers to suppress any harmonic order directly. The proposed SPHM is generalized and functional for various MLCs.

Finally, boost back E-Cell (BPEC) topology as the modified version of the conventional packed E-Cell (PEC) is introduced to provide a cost-effective compact MLC (CMLC) for power quality ancillary services. Despite the original PEC, the proposed BPEC dominates the point of common coupling (PCC) using lower DC link voltages. As a result, the volume and cost of the converter remarkably reduce as lower power components are required. As a case study, a compact active power filter (CAPF) is designed using the proposed BPEC to verify its feasibility. The corresponding test results show that using an MPC-based multi-objective controller for the BPEC leads to an advantageous CAPF, which can meet all the expectations for the ancillary services.

The performance of the developed multi-objective controllers, as well as the BPEC topology, has been extensively evaluated using various test scenarios applied to specific testbeds designed based on dSPACE 1104, Microlabox 1202, OPAL-RT OP8662, Chroma 61086, and the power board of the converters, including the seven-level PUC, seven-level MPUC, threephase NPC, and 11-level BPEC.

Titre traduit

Conception et développement de contrôleurs robustes multi-objectifs basés sur des modèles avancés pour les convertisseurs multiniveaux

Résumé traduit

Considérant le rôle essentiel des convertisseurs multiniveaux (MLC) dans l'avenir des distributions des énergies renouvelables, des véhicules électriques, et de l'automatisation, cette thèse contribue au développement de contrôleurs multi-objectifs avancés et de topologies pour les MLC afin d'améliorer leur performance, leur stabilité et leur fiabilité dans les modes d'opération reliés au réseau et opération. En conséquence, dans le premier travail de recherche de cette thèse, un contrôleur à mode glissant optimisé (OSMC) est introduit pour traiter le problème d'équilibrage de la tension du convertisseur à sept niveaux de cellules en U emballées (PUC), reconnu comme une référence, sans impliquer un contrôleur de boucle de voltage externe. Une analyse de stabilité plus poussée est également réalisée pour garantir la stabilité et la robustesse de l'algorithme OSMC sans capteur dans des conditions dynamiques et des incertitudes paramétriques.

En ce qui concerne l'absence de méthode analytique efficace pour régler les facteurs de pondération dans les stratégies de contrôle prédictif de modèle (MPC), une technique basée sur l'intelligence artificielle (IA) entraînée hors ligne est développée dans le deuxième travail en utilisant l'algorithme de colonie d'abeilles artificielle (ABC) pour améliorer les performances de contrôle multi-objectif des contrôleurs prédictifs, qui sont dédiés aux MLC. Les résultats de l'application du MPC à apprentissage supervisé (SLMPC) à un convertisseur triphasé à point neutre bloqué (NPC) démontrent que l'IA est assez efficace pour traiter le réglage fastidieux des algorithmes basés sur le MPC. Malgré cela, l'apprentissage hors ligne ne peut pas garantir la performance de contrôle optimale du MPC dans des conditions dynamiques. C'est pourquoi une stratégie de réglage en ligne est développée dans les travaux de recherche suivants, basée sur réseau neuronal artificiel (RNA), afin d'adapter les facteurs de pondération d'un contrôleur MPC, qui est appliqué à un redresseur actif à sept niveaux de type PUC modifié (MPUC). Une nouvelle stratégie d'auto-apprentissage sans données est également établie à l'aide de l'algorithme d'optimisation par essaims de particules (PSO) pour former le régulateur basé sur le RNA. La stratégie d'entraînement proposée améliore considérablement la contribution des RNA aux problèmes de contrôle de l'électronique de puissance. Malgré l'étonnante performance multi-objectifs offerte par les contrôleurs prédictifs de modèle à ensemble de contrôle fini (FCSMPC), l'analyse de stabilité de Lyapunov n'est pas prise en charge en raison de la structure de contrôle discrète. Pour résoudre ce problème, une nouvelle fonction de Lyapunov prédictive est développée dans le même travail de recherche afin de garantir la stabilité des contrôleurs prédictifs multi-objectifs. L'objectif de stabilité proposé étant indépendant, il n'a aucun impact sur les performances de la commande optimale multi-objectifs des contrôleurs prédictifs.

Pour réduire la sensibilité de la méthode d'auto-apprentissage aux paramètres initiaux, une stratégie avancée d'auto-apprentissage rapide multicœur (FSTS) est construite par l'algorithme compétitif impérialiste (ICA) dans le travail de recherche suivant. En utilisant la nouvelle FSTS généralisée, un contrôleur multi-objectif prédictif intelligent (IPMOC) est développé pour les MLC, qui peut suivre plus de sept objectifs de contrôle simultanément. En outre, un nouvel objectif d'atténuation prédictive sélective des harmoniques (SPHM) est formulé dans le même travail pour les contrôleurs basés sur le MPC afin de supprimer directement tout ordre harmonique. Le SPHM proposé est généralisé et fonctionnel pour divers MLC.

Enfin, la topologie boost packed E-cell (BPEC), version modifiée de la conventionnelle packed E-cell (PEC), est introduite pour fournir une MLC compacte rentable (CMLC) pour les services auxiliaires de qualité de l'énergie. Malgré le PEC original, le BPEC proposé domine le point de couplage commun (PCC) en utilisant des voltages de liaison CC plus faibles. Par conséquent, le volume et le coût du convertisseur sont remarquablement réduits car des composants de moindre puissance sont nécessaires. Dans le cadre d'une étude de cas, un filtre de puissance actif compact (CAPF) est conçu en utilisant le BPEC proposé pour vérifier sa faisabilité. Les résultats des tests correspondants montrent que l'utilisation d'un contrôleur multi-objectif basé sur le MPC pour le BPEC conduit à un CAPF avantageux, qui peut répondre à toutes les attentes en matière de services auxiliaires.

Les performances des contrôleurs multi-objectifs développés, ainsi que la topologie BPEC, ont été largement évaluées à l'aide de divers scénarios de test appliqués à des bancs d'essai spécifiques conçus sur la base de dSPACE 1104, Microlabox 1202, OPAL-RT OP8662, Chroma 61086, et la carte de puissance des convertisseurs, y compris le PUC à sept niveaux, le MPUC à sept niveaux, le NPC triphasé, et le BPEC à 11 niveaux.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Manuscript-based thesis presented to École de technologie supérieure in partial fulfillment of the degree of doctor of philosophy". Comprend des références bibliographiques (pages 245-275).
Mots-clés libres:	RNA, réseau, stabilité de Lyapunov, commande prédictive de modèle (MPC), multi-objectifs, convertisseurs multiniveaux, optimisation, commande par mode glissant (OSMC), qualité de l'énergie, apprentissage
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Al-Haddad, Kamal
Programme:	Doctorat en génie > Génie
Date de dépôt:	01 févr. 2024 14:37
Dernière modification:	01 févr. 2024 14:37
URI:	https://espace.etsmtl.ca/id/eprint/3388

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt