← 返回
一种基于在线神经网络逼近器的无模型预测控制方法
An Online Neural Network Approximator-Based Model-Free Predictive Control Approach for Power Converters
| 作者 | Pengbo Zhao · Jien Ma · Xing Liu · Lin Qiu · Chenghao Liu · Zeyu Zhang · Youtong Fang |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2025年10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 机器学习 |
| 相关度评分 | ★★★★★ 5.0 / 5.0 |
| 关键词 | 模型预测控制 无模型预测控制 神经网络 电力变换器 鲁棒性 在线学习 参数估计 |
语言:
中文摘要
本文提出了一种基于在线神经网络逼近器的无模型预测控制（MFPC）方法，旨在解决传统基于超局部模型的MFPC对电感、电容等参数的依赖问题。该方法通过在线学习机制增强了功率变换器控制系统的鲁棒性，无需精确的系统模型参数即可实现高性能控制，为电力电子变换器的控制策略优化提供了新思路。
English Abstract
Recently, model predictive control is widely applied in practice. To enhance the robustness of the controlled system, model-free predictive control is singled out as an alternative solution. However, conventional model-free predictive control method based on ultralocal model still relies on inductance parameters during the design process, and capacitance parameters are also necessary for neutral p...
S
SunView 深度解读
该技术对阳光电源的核心产品线（如组串式逆变器、PowerTitan/PowerStack储能变流器）具有极高的应用价值。目前阳光电源产品在复杂电网环境下（如弱电网）对参数鲁棒性要求极高，传统的基于模型的MPC受参数漂移影响较大。引入在线神经网络逼近的无模型控制，可有效提升逆变器在电网阻抗波动时的动态响应速度和稳定性，减少对硬件参数标定的依赖。建议研发团队在下一代PCS及光伏逆变器控制算法中评估该方案，以提升产品在极端工况下的控制精度与可靠性。