随着新能源发电和智能电网的快速发展,逆变器作为电能转换的核心设备,其控制性能直接影响系统的稳定性和电能质量。传统的比例积分(PI)控制和空间矢量调制(SVM)方法在动态响应和抗干扰能力方面存在局限性,而有限集模型预测控制(FCS-MPC)因其无需调制环节、可直接处理约束条件等优势,成为研究热点。然而,FCS-MPC 依赖精确的系统模型且计算量大,尤其在多变量、非线性场景下的适应性不足。近年来,神经网络技术的突破为解决这一问题提供了新思路。本文提出一种基于神经网络拟合的两电平逆变器有限集控制策略,通过数据驱动方法优化控制性能,降低计算复杂度。
两电平逆变器是最基础的逆变结构,其输出电压仅有 ±Ud/2 两种电平,具有结构简单、成本低的特点,广泛应用于光伏并网、储能系统等领域。传统控制方法如 PI+PWM 虽能实现稳定输出,但动态响应较慢。FCS-MPC 通过离散化模型预测未来时刻的输出,基于成本函数选择最优开关状态,具有快速响应和强鲁棒性的优势。然而,FCS-MPC 的性能高度依赖模型精度,且每个控制周期需遍历所有可能的开关组合,计算负担较重。
针对上述问题,研究人员尝试引入神经网络技术。神经网络具有非线性映射能力,可通过学习数据特征替代传统数学模型,从而降低系统对精确模型的依赖。此外,神经网络的并行计算特性可显著减少在线计算时间,提升控制实时性。
本文提出的控制框架分为离线训练和在线控制两个阶段(图 1)。
1. 离线训练阶段
以传统 FCS-MPC 作为 “教师”,生成不同负载条件下的输入 - 输出数据对。输入包括参考电压、当前输出电压和电流,输出为最优开关序列。采用多层感知器(MLP)构建神经网络模型,通过反向传播算法优化网络参数,使预测输出与 FCS-MPC 结果尽可能接近。训练过程中引入均方误差(MSE)作为损失函数,并通过梯度下降法调整权重和偏置,确保网络收敛。
2. 在线控制阶段
训练完成后,神经网络替代 FCS-MPC 实时生成开关信号。输入实时采集的电压和电流数据,经神经网络前向传播计算后,直接输出最优开关状态。该阶段无需遍历所有开关组合,计算量仅为网络层数与节点数的线性运算,显著降低了控制器的计算负担。
基于 MATLAB/Simulink 搭建两电平逆变器仿真平台,验证所提策略的有效性。系统参数为:直流母线电压 Ud=500V,LC 滤波器参数 L=5mH、C=10μF,负载为线性电阻和非线性整流负载。
1. 稳态性能对比
在额定负载下,传统 FCS-MPC 的输出电压 THD 为 3.2%,而神经网络控制的 THD 降至 2.1%(图 2)。这是由于神经网络通过学习优化了开关序列,减少了谐波分量。
2. 动态响应测试
当负载从 50% 阶跃至 100% 时,神经网络控制的电压恢复时间为 12ms,优于 FCS-MPC 的 18ms(图 3)。结果表明,神经网络能更快速地跟踪参考信号,提升系统鲁棒性。
3. 非线性负载适应性
在整流负载下,神经网络控制的输出电流波形更接近正弦波,THD 仅为 4.5%,而传统方法为 6.8%。这验证了神经网络对非线性特性的有效拟合能力。
本文提出的基于神经网络拟合的有限集控制策略,通过数据驱动方法优化了两电平逆变器的控制性能。仿真结果表明,该策略在降低 THD、提升动态响应和适应非线性负载方面均优于传统 FCS-MPC。未来研究可进一步探索以下方向:
通过融合神经网络与有限集控制,该技术为电力电子装置的智能化控制提供了新思路,具有重要的理论意义和工程应用价值。