← 返回
数据驱动与事件驱动相结合的电力变换器在线学习预测控制
Combining Data-Driven and Event-Driven for Online Learning Predictive Control in Power Converters
| 作者 | Xing Liu · Lin Qiu · Youtong Fang · Kui Wang · Yongdong Li · Jose Rodríguez |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2025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 功率模块 并网逆变器 |
| 相关度评分 | ★★★★★ 5.0 / 5.0 |
| 关键词 | 数据驱动 事件驱动 预测控制 电力变换器 在线学习 模型不确定性 开关损耗 |
语言:
中文摘要
本文提出了一种结合数据驱动与事件驱动的在线学习预测控制策略,旨在解决电力变换器中有限控制集模型预测控制(FCS-MPC)面临的模型参数不确定性及开关损耗过高的问题。该方法通过在线学习优化控制性能,有效提升了变换器在复杂工况下的鲁棒性与效率。
English Abstract
The combination of data-driven and event-driven opens up the possibility of alleviating the long-standing research challenges for power converters in classical finite control-set model predictive control, i.e., model parametric uncertainties and unnecessary switching loss. Inspire by this, we will launch a major study on the problem of designing online learning predictive controller. Unlike most p...
S
SunView 深度解读
该研究直接针对阳光电源核心产品(如组串式逆变器、PowerTitan储能变流器)中广泛使用的模型预测控制(MPC)技术。通过引入数据驱动与事件驱动机制,可显著提升逆变器在电网参数波动下的动态响应能力,并降低开关频率以减少损耗,从而提升产品能效。建议研发团队将其应用于iSolarCloud平台的边缘计算侧,通过在线学习算法优化不同电网环境下的控制参数,进一步增强PowerStack等储能系统的并网稳定性,并为下一代高功率密度变换器的控制策略提供技术储备。