Variable Memory Sequence Neural-Network-Based Data-Driven Predictive Control for Power Converters

Tingjun Pan

doi:10.1109/jestpe.2026.3677121

Variable Memory Sequence Neural-Network-Based Data-Driven Predictive Control for Power Converters

2026-03-24

0

PRE

AI

DOI：10.1109/jestpe.2026.3677121

原文链接

原文求助

摘要

En 中文

模型预测控制（MPC）是处理电力转换器中非线性与多目标问题的有效方案。然而，传统MPC方法易受参数变化和外部扰动引起的不确定性影响。为解决此挑战，本文提出了一种基于超局部（UL）模型的变记忆序列在线学习预测控制方案。具体而言，将原系统模型替换为一阶UL模型，其中扰动项由具有变记忆训练架构的神经网络进行估计。该变记忆训练架构结合历史和当前运行信息，可充分利用时序数据提升扰动项估计精度。基于此优势，改进的UL模型被应用于后续控制过程，从而无需显式模型。此外，该方案还融入了多矢量机制的优势，实现低电流纹波和固定开关频率。最后，对所提方案进行了稳定性分析，并通过仿真和实验验证了所提方法在三级中性点箝位（3L-NPC）转换器中的性能。

Keyword:

Finite-control-set model predictive control (FCS-MPC)

model-free predictive control (MFPC)

power converter

robustness

Variable Memory Sequence Neural-Network-Based Data-Driven Predictive Control for Power Converters

摘要

期刊

机构

引用论文