Xing Liu · Lin Qiu · Youtong Fang · Kui Wang 等6人 · IEEE Transactions on Industrial Electronics · 2024年8月

针对系统不确定性与低开关频率（SF）下的有限控制集模型预测控制（FCS-MPC）框架，本文提出一种事件驱动的脑情绪在线学习方法。该方法包含三个关键特征：采用双向模糊脑情绪在线学习机制并结合鲁棒控制项以逼近理想控制器；引入基于事件驱动的管状模型预测控制机制实现低SF运行；加入积分误差项以提升低SF下的跟踪性能。所提方法无需权重因子即可有效抑制不确定性、降低开关频率并减小跟踪误差，并给出了闭环系统的收敛性分析。通过多个文献中的基准实例验证了其有效性。

解读: 该事件驱动FCS-MPC技术对阳光电源多条产品线具有重要应用价值。在ST储能变流器中，低开关频率运行可直接降低SiC/GaN功率器件的开关损耗，提升系统效率；无权重因子设计简化了多目标控制参数整定难度。在SG光伏逆变器的MPPT控制中，脑情绪学习机制可增强参数摄动与电网扰动下的鲁棒性。在电动汽车驱动...