Yihao Wan · Qianwen Xu · IEEE Transactions on Industrial Electronics · 2025年1月

强化学习（RL）因其处理非线性和自学习能力而在电力电子领域受到关注。合理配置下，RL智能体可通过与变换器系统交互自主学习最优控制策略。类似于传统的有限控制集模型预测控制（FCS-MPC），RL可学习最优开关策略并实现良好控制性能。然而，RL控制器改变闭环动态特性，给系统稳定性保障与评估带来挑战。为此，本文提出构造李雅普诺夫函数以引导智能体在提升控制性能的同时确保闭环稳定性，并通过推导电压控制误差收敛的紧致集量化系统的实用稳定域。最后，在实验平台上验证了所提方法的有效性，仿真与实验结果均表明该方法...

解读: 该李雅普诺夫引导的强化学习控制技术对阳光电源ST系列储能变流器和PowerTitan大型储能系统具有重要应用价值。相比传统FCS-MPC，该方法通过李雅普诺夫函数保障闭环稳定性，同时利用RL自学习能力优化开关策略，可显著提升储能变流器在复杂工况下的动态响应和鲁棒性。技术可直接应用于构网型GFM控制器...