← 返回
基于聚合残差网络的永磁同步电机驱动FCS-MPC权重因子优化
Weighting Factors Optimization for FCS-MPC in PMSM Drives Using Aggregated Residual Network
| 作者 | Chunxing Yao · Guangtong Ma · Zhenyao Sun · Jun Luo · Guanzhou Ren · Shuai Xu |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2024年1月 |
| 技术分类 | 控制与算法 |
| 技术标签 | 模型预测控制MPC 机器学习 深度学习 功率模块 |
| 相关度评分 | ★★★★ 4.0 / 5.0 |
| 关键词 | FCS-MPC 权重因子 PMSM驱动 聚合残差网络 深度学习 预测控制 |
语言:
中文摘要
针对有限控制集模型预测控制（FCS-MPC）中权重因子（WFs）整定困难及传统人工神经网络训练复杂、梯度消失等问题，本文提出了一种基于聚合残差网络（ResNet）的权重因子优化方法，有效提升了预测精度与控制性能。
English Abstract
Artificial neural network (ANN) has recently been considered in weighting factors (WFs) optimization for finite control-set model predictive control (FCS-MPC). However, the training of the traditional ANN is complicated and the predictive accuracy is limited by gradient vanishing. For this motivation, this article proposes a WFs optimization method based on an aggregated residual network (ResNet),...
S
SunView 深度解读
该技术对阳光电源的电机驱动类业务（如风电变流器、储能系统中的辅助电机控制）具有重要参考价值。FCS-MPC在高性能变流器控制中应用广泛，但权重因子整定通常依赖经验。引入聚合残差网络（ResNet）进行自适应优化，可显著提升变流器在复杂工况下的动态响应速度与稳态精度，减少调试周期。建议研发团队将其应用于风电变流器及大功率储能PCS的控制算法升级中，以增强系统在弱电网或动态负载下的鲁棒性，进一步提升iSolarCloud平台的智能化运维潜力。