← 返回
面向功率变换器的数据驱动迭代学习预测控制
Data-Driven Iterative Learning Predictive Control for Power Converters
| 作者 | Wenjie Wu · Lin Qiu · Xing Liu · Feng Guo · Jose Rodriguez · Jien Ma · Youtong Fang |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2022年12月 |
| 技术分类 | 控制与算法 |
| 技术标签 | 模型预测控制MPC 并网逆变器 储能变流器PCS PWM控制 |
| 相关度评分 | ★★★★★ 5.0 / 5.0 |
| 关键词 | 数据驱动控制 迭代学习控制 预测控制 电力变换器 FCS-MPC 鲁棒性 参数失配 |
语言:
中文摘要
本文提出了一种用于功率变换器的数据驱动迭代学习预测控制架构。旨在解决有限控制集模型预测控制(FCS-MPC)在未建模动态和参数失配条件下的鲁棒性与性能保持问题。通过引入迭代动态线性化技术,有效提升了控制系统的适应性与稳态性能。
English Abstract
This letter proposes a data-driven iterative learning predictive control architecture for power converters. The main objectives of this letter are to enhance the robustness and remain the high performance of finite control-set model predictive control (FCS-MPC) under unmodeled dynamics and parameter mismatch conditions. More specifically, an iterative dynamic linearization technique is utilized to...
S
SunView 深度解读
该技术对阳光电源的核心产品线(如组串式/集中式光伏逆变器、PowerTitan/PowerStack储能变流器)具有极高的应用价值。FCS-MPC因其快速动态响应在电力电子领域备受关注,但参数敏感性一直是工程落地的痛点。本文提出的数据驱动迭代学习方法,能够显著提升逆变器在复杂电网环境(如弱电网、参数漂移)下的鲁棒性,减少对精确数学模型的依赖。建议研发团队将其应用于iSolarCloud智能运维平台的数据积累中,通过离线训练与在线迭代相结合,优化逆变器在全生命周期内的控制参数,进一步提升产品在极端工况下的并网性能与可靠性。