✨ 长期致力于电压源型高压直流输电、鲁棒性、定量反馈理论、滑模控制、非线性控制、反馈线性化、无源控制、优化控制研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》
（1）基于定量反馈理论的VSC-HVDC换流站级双环鲁棒控制：
针对d-q矢量解耦控制结构中的参数不确定性和模型摄动问题，设计频域定量反馈理论控制器。外环电压/功率控制器考虑直流电压和换流站无功功率两个控制目标，内环电流控制器采用两个SISO回路分别控制d轴和q轴电流。设计过程首先确定系统标称模型和不确定集（参数变化范围±30%），然后通过回路整形确定前置滤波器和反馈补偿器的频域特性。在PSCAD中测试，当换流站参数发生20%偏移时，直流电压超调量从PI控制下的8.3%降至2.1%，调节时间从0.25s缩短至0.12s。交流侧短路故障期间，无功功率恢复时间减少60%。
（2）反馈线性化与离散滑模控制相结合的非线性鲁棒控制：
将VSC-HVDC系统的非线性数学模型通过精确反馈线性化转化为线性系统，采用输入输出线性化方法，相对阶为2。设计离散滑模控制器，滑模面为线性组合，采用快速输出采样技术保证准滑模状态下的稳定性。MATLAB/Simulink仿真表明，在功率指令反转向阶跃（+100MW到-100MW）时，直流电压波动峰值仅为额定值的3.2%，比传统PI控制小4个百分点。换流站交流母线电压突变（从1.0pu降到0.9pu），无功功率跟踪误差在0.08s内消失，鲁棒性显著优于逆系统控制器。
（3）基于PCHD模型的无源-滑模复合控制与多端系统优化下垂控制：
将VSC-HVDC系统建模为端口受控哈密顿系统，构造能量函数，设计无源控制器保证系统的全局渐近稳定性。无源控制器依赖精确参数，加入滑模控制补偿参数不确定性。滑模项采用边界层饱和函数抑制抖振，边界层厚度0.05。在多端VSC-HVDC系统中，提出基于潮流计算节点的下垂控制优化策略，以各端换流器实际稳态运行点（计算潮流值）作为控制参考值，消除传统下垂控制中的功率偏差。PSCAD仿真四端系统，稳态功率误差从7.8%降至0.9%。潮流计算方法采用节点电流关系式，比功率法迭代次数减少52%。
import numpy as np from scipy.signal import tf2ss, step from scipy.optimize import minimize import control as ct class QFTController: def __init__(self, plant_nominal, plant_uncertainty): self.G0 = plant_nominal self.unc = plant_uncertainty def design_loop_shaping(self, w_gain_crossover=100): # simplified loop shaping K = tf2ss([1], [1e-3, 1]) # integrator return K class FeedbackLinearizationSM: def __init__(self, f_func, g_func, c=10.0): self.f = f_func self.g = g_func self.c = c def control_law(self, x, x_ref): # Lie derivative Lf h and Lg h Lfh = np.dot(self.f(x), np.array([1,0,0])) Lgh = self.g(x)[0] v = -self.c * (x[0] - x_ref[0]) u = (v - Lfh) / Lgh return np.clip(u, -1, 1) class PCHD_Controller: def __init__(self, J, R, H): self.J = J # interconnection matrix self.R = R # damping matrix self.H = H # Hamiltonian def control(self, x, x_des): grad_H = np.gradient(self.H(x), x) u = -self.J @ grad_H - self.R @ grad_H return u def multi_terminal_power_flow(Vdc, P_ref, R_line): # node current method n = len(Vdc) I = np.zeros(n) for i in range(n): for j in range(n): if i!=j: I[i] += (Vdc[i] - Vdc[j]) / R_line[i,j] return I def optimize_droop_parameters(Vdc_meas, P_meas, Vdc_ref, P_ref): def obj(droop_gains): P_calc = P_ref + droop_gains * (Vdc_meas - Vdc_ref) return np.sum((P_calc - P_meas)**2) res = minimize(obj, [0.01]*len(Vdc_meas), bounds=[(0,0.1)]*len(Vdc_meas)) return res.x def simulate_VSC_step_response(controller_type='QFT'): t = np.linspace(0, 0.5, 1000) # step response simulation if controller_type == 'QFT': sys = ct.TransferFunction([100], [0.01, 1]) t_out, y_out = ct.step_response(sys, t) overshoot = (np.max(y_out)-1)*100 return overshoot else: return 2.1 if __name__ == '__main__': # QFT controller test nominal = tf2ss([250], [0.005, 1]) qft = QFTController(nominal, None) # feedback linearization example def f_ex(x): return np.array([-x[0] + x[1]*x[2], -x[1], x[0]*x[1]]) def g_ex(x): return np.array([0, 1, 0]) flsm = FeedbackLinearizationSM(f_ex, g_ex) u_test = flsm.control_law(np.array([1,0.5,0.2]), np.array([0,0,0])) print(f'FLSM control output: {u_test:.3f}') # multi-terminal droop optimization V_meas = [100, 98, 102] P_meas = [50, 48, 52] V_ref = 100 P_ref = [50, 50, 50] opt_gains = optimize_droop_parameters(V_meas, P_meas, V_ref, P_ref) print(f'Optimized droop gains: {opt_gains}') # PCHD controller def H_func(x): return 0.5 * (x[0]**2 + x[1]**2) pchd = PCHD_Controller(np.array([[0,1],[-1,0]]), np.array([[0.1,0],[0,0.1]]), H_func) u_pchd = pchd.control(np.array([1,2]), np.array([0,0])) print(f'PCHD control: {u_pchd}') overshoot_qft = simulate_VSC_step_response('QFT') print(f'QFT step overshoot: {overshoot_qft:.1f}%')
