← 返回
电力变换器的FCS-MPC:一种数据驱动的无模型强化学习解决方案
FCS-MPC of Power Converters: A Data-Driven Model-Free Reinforcement Learning Solution
| 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 | 预计 2026年5月 |
| 技术分类 | 控制与算法 |
| 技术标签 | 模型预测控制MPC 强化学习 机器学习 并网逆变器 |
| 相关度评分 | ★★★★★ 5.0 / 5.0 |
| 关键词 | 有限控制集模型预测控制 (FCS-MPC) 功率变换器 数据驱动 无模型 强化学习 预测控制 |
语言:
中文摘要
本文为有限控制集模型预测控制(FCS-MPC)奠定了理论基础,利用数据驱动的无模型强化学习方法,结合比例积分型数据驱动动态内部模型预测控制与强化学习策略,实现了电力变换器的高效控制。
English Abstract
This article builds the theoretical foundations for finite-control set model predictive control by leveraging the theory of data-driven model-free reinforcement learning solution. Specifically, the philosophy behind the proposed control methodology relies on the conjunction of developing a proportional–integral-like data-driven dynamic internal model predictive control, deploying a reinforcement l...
S
SunView 深度解读
该技术对阳光电源的核心产品线(光伏逆变器、储能PCS及风电变流器)具有重大应用价值。传统的FCS-MPC高度依赖系统精确模型,而该无模型强化学习方案能显著降低建模难度,提升复杂工况下的动态响应速度与鲁棒性。建议研发团队将其应用于PowerTitan等大功率储能系统及组串式逆变器中,以优化在弱电网环境下的并网稳定性。此外,该算法可集成至iSolarCloud平台,通过云端数据训练优化边缘侧控制策略,进一步提升系统运行效率与智能化水平。