基于自适应线性神经元正交信号发生器的并网型模块化多电平变换器无电网电压传感器虚拟通量估计算法

《Processes》：Adaptive Neural Network-Based Virtual Flux Estimation for Sensorless Deadbeat Control of Grid-Connected Modular Multilevel Converters

　　本文提出了一种基于自适应线性神经元正交信号发生器的虚拟通量估计算法（VF-ADALINE-QSG），用于并网型模块化多电平变换器的无电网电压传感器控制方案。所提出的估计算法能够在线识别直流偏置分量，并提取同相与正交基波分量，无需离线训练或对自适应权重进行特定初始化。通过仅利用识别出的基波分量重构虚拟通量，该方法限制了直流偏置引起的漂移，抑制了高阶谐波，同时避免了传统基于滤波器的估计算法所带来的额外动态延迟。VF-ADALINE-QSG 被集成到一个包含电网电流调节、环流抑制和子模块电容电压平衡的无死区预测控制框架中。其性能通过与基于低通滤波器（LPF）和基于二阶广义积分器（SOGI）的虚拟通量估计算法的实时仿真对比来评估，仿真平台为 OPAL-RT OP5700。评估涵盖了启动过程、有功功率参考值变化、20%直流偏置、包含12.5%五次谐波和7.5%七次谐波的电压畸变，以及上述扰动同时发生的情况。所提出的估计算法在含直流偏置条件下的虚拟通量总谐波畸变率限制在0.26%，而基于LPF和SOGI的估计算法分别为7.38%和0.84%。结果表明，所提方法具有更快的暂态响应、更高的估计精度，以及对直流偏置和谐波扰动的更强鲁棒性。