基于FPGA与机器学习的光伏-电网混合系统实时电能质量监测与控制

《Journal of Engineering Research》：Real-time power quality monitoring and control using FPGA and machine learning

　　

可再生能源的快速增长极大地改变了现代电力系统，推动了光伏（PV）-电网混合系统的广泛应用。这些系统提高了能源的可持续性和灵活性，但也因可再生能源发电的不稳定性以及电力电子变换器的广泛使用，给电能质量、系统稳定性和故障管理带来了重大挑战。因此，实时监测和智能故障诊断对于保障下一代智能电网系统安全、可靠、高效地运行至关重要。 电能质量扰动（PQD），如电压暂降、暂升、谐波、中断和故障，随着分布式可再生能源、非线性负载和电力电子接口的增多而愈发频繁，降低了系统性能和电网可靠性。传统的电能质量分析与故障诊断依赖基于数字信号处理（DSP）的监测平台，但智能电网应用对算力需求的增长暴露了串行处理的局限，尤其在需要实时响应的场景下。现场可编程门阵列（FPGA）凭借并行处理、行为可预测、低延迟和高效利用计算资源等优势，成为实时监测、逆变器控制与智能保护应用的理想选择。 尽管已有研究报道了有前景的分类性能，但仍存在若干局限。现有成果要么仅涉及基于软件的故障诊断，要么仅实现单一FPGA功能（如基于脉宽调制（PWM）的变换器控制或实时仿真），未能将智能故障分类与逆变器控制集成于统一的嵌入式架构中。此外，现有FPGA实现侧重于加速计算，未在同一硬件平台上同时容纳机器学习推理和功率变换器运行。因此，鲜有研究在一个面向光伏-电网混合应用的FPGA嵌入式框架内，将智能故障分类与实时逆变器控制相结合。 为应对上述挑战，本文开发了一种基于FPGA的框架，用于光伏-电网混合系统中的电能质量监测、逆变器控制与故障分类。由MATLAB/Simulink模型在正常和故障条件下产生的三相电压和电流信号被划分为滑动窗口，每个窗口在Python中离线提取172维特征向量，包含统计描述符、频域信息、谐波特性、对称分量和电能质量指标。特征向量通过AXI内存映射接口从处理系统（PS）传输至Xilinx Zynq-7000器件可编程逻辑（PL）中的梯度提升决策树（GBDT）加速器，预测的运行类别返回给处理器。同一器件上单独实现并验证了用于并网逆变器的硬件PWM控制器，从而证明分类器和逆变器调制器可在单一低成本平台上共同部署。 本文的主要贡献如下：（1）开发了一种面向FPGA的框架，将用于电能质量监测的多类故障分类与并网逆变器的PWM控制相结合，均面向低成本Xilinx Zynq-7000器件；（2）使用Vivado和Vitis HLS在Xilinx Zynq-7000（xc7z020clg400-1）器件上设计、实现并分别验证了硬件PWM控制器和基于GBDT的故障分类加速器；（3）从三相电压和电流信号中提取172维特征向量，涵盖统计、频域、谐波和电能质量描述符，实现准确的多类故障分类；（4）比较了三种分类器：所提出的GBDT和混合支持向量机（Hybrid SVM）均基于统计特征组（60个特征）训练，增强型支持向量机（Enhanced SVM）基于完整172维特征向量训练，以确定最适合FPGA实现的算法；（5）通过MATLAB/Simulink仿真和实现后FPGA分析对系统进行了验证，结果显示分类精度高、硬件资源利用高效、时序收敛成功、功耗低且热性能良好；（6）在物理PYNQ开发板上以主机在环（host-in-the-loop）配置对生成的比特流进行了功能验证。 本文的新颖性体现在四个方面。第一，将GBDT故障分类加速器和PWM逆变器控制器实现在同一Xilinx Zynq-7000器件上，两者分别实现和验证，其组合资源占用表明两者可共存于单一低成本器件。第二，针对光伏-电网混合系统的基于机器学习的故障诊断此前几乎仅以离线软件推理形式报道，而本文交付了综合且时序收敛的GBDT推理核，其分类精度与实测硬件成本一并报告。第三，三种分类器的比较表明，仅基于60维统计特征组训练的GBDT优于基于完整172维特征向量训练的增强型SVM，说明紧凑且低成本的描述符集足以实现可靠的多类故障分类，并减轻嵌入式实现的特征提取负担。第四，所提出的设计不止步于实现后报告阶段：生成的比特流在物理PYNQ开发板上以主机在环配置部署并进行了功能验证，使所报告的资源、时序、功耗和热性能数据得到实际运行器件的支持。

论文解读

一、研究背景与问题

随着可再生能源在电力系统中的渗透率不断提高，光伏（PV）-电网混合系统得到广泛应用。这类系统虽然提升了能源利用的可持续性和灵活性，但可再生能源发电的间歇性以及电力电子变换器的大量接入，给电能质量、系统稳定性和故障管理带来了严峻挑战。电压暂降、暂升、谐波、中断等电能质量扰动（Power Quality Disturbance, PQD）日益频繁，降低了系统性能和电网可靠性。

传统的电能质量分析与故障诊断依赖基于数字信号处理（Digital Signal Processing, DSP）的监测平台。然而，智能电网应用对计算能力的需求持续增长，串行处理的局限性日益凸显，尤其是在需要实时响应的场景下。现场可编程门阵列（Field-Programmable Gate Array, FPGA）凭借并行处理能力、可预测行为、低延迟和高效资源利用等优势，成为实时监测、逆变器控制和智能保护的理想平台。

然而，现有研究存在明显不足：已有成果要么仅涉及软件层面的故障诊断，要么仅实现单一FPGA功能（如基于脉宽调制（Pulse Width Modulation, PWM）的变换器控制或实时仿真），未能将智能故障分类与逆变器控制集成于统一的嵌入式架构中。此外，现有FPGA实现侧重于计算加速，未能在同一硬件平台上同时容纳机器学习推理和功率变换器运行。因此，在一个FPGA嵌入式框架内将智能故障分类与实时逆变器控制相结合的研究极为缺乏。

二、研究内容与意义

针对上述问题，本文开发了一种基于FPGA的框架，用于光伏-电网混合系统中的电能质量监测、逆变器控制与故障分类。该框架的核心创新在于：将梯度提升决策树（Gradient Boosting Decision Tree, GBDT）故障分类加速器与PWM逆变器控制器实现在同一Xilinx Zynq-7000低成本器件上，两者分别实现和验证，组合资源占用表明可共存于单一器件。

研究具有三项目标：建立能够复现代表性故障条件的并网光伏系统模型；在生成的数据集上比较监督分类器；证明所选分类器与PWM控制器可在实际时序、资源和功耗约束下共同部署于低成本嵌入式平台。该系统的意义在于填补了FPGA平台上智能故障分类与逆变器控制集成研究的空白，为混合光伏-电网系统的实时监测与智能保护提供了可行的嵌入式解决方案。

三、关键技术方法

研究人员采用四阶段方法论：首先在MATLAB/Simulink中建立包含光伏阵列、三相并网电压源逆变器（Voltage Source Inverter, VSI）、PWM控制系统、电网及十一种故障场景的混合光伏-电网系统模型，以10 kHz采样频率记录正常和故障条件下的三相电压电流信号，采用400个样本的滑动窗口（200个样本重叠）生成训练和测试样本。其次在Python中离线提取172维特征向量，涵盖统计描述符、频域信息、谐波特性、对称分量和电能质量指标。再次比较三种分类器：基于60维统计特征组训练的GBDT和混合SVM（Hybrid SVM），以及基于完整172维特征向量训练的增强型SVM（Enhanced SVM）。最后使用Vivado 2024.2和Vitis HLS 2024.1在Xilinx Zynq-7000（xc7z020clg400-1）器件上实现硬件PWM控制器和GBDT加速器，完成功能验证、综合、实现、时序分析和功耗估算，并在物理PYNQ开发板上以主机在环（host-in-the-loop）配置对生成的比特流进行功能验证。

四、研究结果

系统建模与数据集生成

研究人员在MATLAB/Simulink中建立了详细的混合光伏-电网模型，包含光伏发电机、三相并网VSI、基于PWM的控制系统、电网以及十一种故障场景。系统共定义十二种运行类别：一种正常状态和十一种故障类别。逆变器采用同步参考坐标系控制，三相锁相环（Phase-Locked Loop, PLL）提供电网相位角和角频率，增量电导法最大功率点跟踪（Maximum Power Point Tracking, MPPT）设定直流母线电压参考值。输出滤波器采用一阶串联电阻-电感结构，无并联电容，避免LC谐振。

特征提取与分类器比较

研究人员从三相电压和电流信号中提取172维特征向量，包括统计描述符、频域信息、谐波特性、对称分量和电能质量指标。分类器比较结果表明，仅基于60维统计特征组训练的GBDT分类精度达到98.35%，优于基于完整172维特征向量训练的增强型SVM。这一发现说明紧凑且低成本的描述符集足以实现可靠的多类故障分类，能够显著减轻嵌入式实现的特征提取负担。

FPGA硬件实现

硬件PWM控制器产生并网逆变器所需的六路门极信号，采用20 kHz载波频率的正弦脉宽调制（Sinusoidal PWM, SPWM），在FPGA调制器中包含2微秒死区时间（100 MHz下200个时钟周期）。GBDT硬件加速器通过AXI内存映射接口从处理系统（Processing System, PS）接收特征向量，返回预测的运行类别。GBDT核仅使用3.81%的查找表（Look-Up Table, LUT）资源和1.42 W片上功耗，流水线化的GBDT推理每个特征向量运行时间低于1微秒。

系统验证

通过MATLAB/Simulink仿真和实现后FPGA分析对系统进行了验证，结果显示高分类精度、高效硬件资源利用、成功时序收敛、低功耗和良好热性能。生成的比特流在物理PYNQ开发板上以主机在环配置部署并进行了功能验证，使所报告的资源、时序、功耗和热性能数据得到实际运行器件的支持。

五、讨论与结论

讨论部分指出，现有研究要么仅涉及软件故障诊断，要么仅实现单一FPGA功能，未能将智能故障分类与逆变器控制集成于统一嵌入式架构。本文通过在同一Zynq-7000器件上实现GBDT故障分类加速器和PWM逆变器控制器，填补了这一空白。三种分类器的比较表明，基于60维统计特征组的GBDT优于基于172维完整特征向量的增强型SVM，说明紧凑描述符集在降低特征提取负担的同时能保持高分类精度。

研究结论为：本文开发了一种面向FPGA的框架，将电能质量监测的多类故障分类与并网逆变器的PWM控制相结合，均部署于单一低成本Xilinx Zynq-7000器件。GBDT故障分类加速器达到98.35%的分类精度，仅使用3.81%的LUT资源和1.42 W片上功耗，流水线推理每个特征向量低于1微秒。硬件PWM控制器与GBDT加速器的组合资源占用表明两者可在单一低成本器件上共存。该系统在物理PYNQ开发板上完成功能验证，所报告的资源、时序、功耗和热性能数据均得到实际运行器件的支持，为混合光伏-电网系统的实时电能质量监测与智能故障诊断提供了可行的嵌入式解决方案。