三相并网电压源换流器（VSC）的紧凑前馈神经网络增量调制电流控制器：外部递归实现无内部循环层的动态电流调节

《Electronics》：A Neural Network-Based Current Controller for a Three-Phase Grid-Connected Voltage-Source Converter

　　

本文提出了一种用于三相并网电压源换流器（voltage-source converter, VSC）的紧凑神经网络（neural network, NN）电流控制器。所提出的NN替代传统d-q同步坐标系电流控制架构中的固定增益比例–积分（proportional–integral, PI）补偿器。一个由当前及过去系统变量构成的八维特征向量，通过单隐藏层多层感知机（multilayer perceptron, MLP）预测增量调制更新；该MLP含16个隐藏神经元且仅含178个可训练参数，需要712字节参数存储。时间信息通过一步误差历史和递归调制域累积从外部引入，从而避免诸如LSTM单元等内部递归层。基于来自10,000次PSIM仿真的11,000,000个样本训练后，与PI教师相比，NN控制器将平均超调降低59%、调节时间降低94%、积分绝对误差（integral absolute error, IAE）降低27%、稳态误差降低42%。在基于仿真的参考阶跃测试中，NN控制器从欠阻尼PI电流环教师中学习得到更平滑的有界增量律，降低了平均超调、调节时间、IAE和稳态误差幅值。硬件在环和样机验证仍不在本工作范围内。

一、研究背景与问题
三相并网电压源换流器（voltage-source converter, VSC）是可再生能源、储能系统与电网的主要接口，用于光伏、风电、电池系统和微电网。三相并网变换中，d-q同步坐标系控制广泛用于产生脉宽调制（pulse-width modulation, PWM）信号以命令功率开关。标准并网跟随实现包括电网同步、Clarke–Park变换和内环反馈电流控制器。传统电流环设计依赖基于模型的控制（model-based control, MBC），但有效动态会因工作点变化、滤波器参数不确定、数字延迟、电网阻抗变化或未建模非线性而改变，难以保持精确对象描述。因此，数据驱动控制（data-driven control, DDC）受到关注。固定增益比例–积分（proportional–integral, PI）补偿器简单、计算便宜且围绕标称点有效，但增益固定后，当工作点、直流母线电压、滤波器参数、参考命令或电网侧阻抗偏离设计条件时，瞬态可能退化，出现更大超调、更长调节时间、残余跟踪误差和更强q轴耦合。神经网络（neural network, NN）可紧凑逼近电力电子变换器非线性控制律，但已有递归架构如LSTM增加实现复杂度。本文针对的问题是如何在内电流补偿器中保留因果记忆而不使用内部递归NN层。

二、研究开展、结论与意义
研究人员提出一个调制域NN电流控制器，替代传统d-q同步坐标系电流控制架构中的内环PI补偿器，同时保留锁相环（phase-locked loop, PLL）、Clarke–Park变换、前馈、解耦和调制级。控制器为单隐藏层前馈多层感知机（multilayer perceptron, MLP），结构8–16–2，隐藏层和输出层采用双曲正切激活。输入为八维特征向量，包括当前d、q轴跟踪误差、一步前误差、测量电流和前一周期的d、q轴调制命令；输出为有界d、q轴调制增量，再经外部递归累积并饱和至允许调制区间。网络仅178个可训练参数，单精度存储712字节，确定性前向传播需160次乘加运算和18次tanh求值。主要贡献是表明基于仿真的闭环动态电流调节可在无内部递归NN层条件下实现，时间信息由因果控制器变量提供，因此控制器不是纯无记忆静态映射，而是嵌入动态更新律的紧凑前馈网络。其意义在于为并网VSC提供低参数、低存储、结构兼容的电流环DDC替代方案，并在所评估标称平衡电网参考阶跃场景中改善瞬态阻尼并降低稳态误差。

三、主要关键技术方法（不超过250字）
研究人员在PSIM中实现基准控制方案并控制三相VSC，生成原始时域数据集；训练数据来源为10,000次独立PSIM仿真，参考d-q轴电流随机变化，固定时间步。采用事件触发边界检测：监控两轴积分误差状态作为辅助连续变量，仅用于识别数字PI控制器更新内部状态的时刻，不作为部署控制器输入。每个边界形成特征向量与调制增量监督样本，并标准化。网络用Adam优化，均方误差（mean-squared error, MSE）损失，小批量4096，按文件划分训练/测试以避免泄漏，训练集划分验证集，早停。性能用超调、调节时间、积分绝对误差（integral absolute error, IAE）和稳态误差在事件同步窗口评估。训练在Universidad San Francisco de Quito的NVIDIA DGX H200完成。

四、研究结果
5.1 回归准确度：学习曲线显示训练和验证归一化MSE在前若干epoch快速下降约两个数量级，随后缓慢单调下降，早停约在600 epoch触发，并保留最小验证损失参数。在留出测试集上，预测d轴和q轴调制增量与参考值沿恒等线接近单位斜率，报告了平均绝对误差（mean absolute error, MAE）与决定系数R²；预测范围两端轻度偏离线性，归因于tanh输出饱和，闭环中由显式调制区间饱和约束。结论是模型在开环回归任务中泛化可，无明显欠拟合或过拟合。
5.2 从欠阻尼PI教师恢复更好阻尼的电流环：监督目标来自欠阻尼固定增益PI教师，因此神经网络电流控制器（neural network current controller, NNC）不应解释为直接闭环性能优化。学习任务是恢复教师有用电流环作用，同时滤除部分振荡和脉冲行为。原因包括目标为完整调制增量、8–16–2平滑回归、tanh输出和外部调制域饱和、前调制命令使控制器成为动态更新律。因此NNC可产生比原PI轨迹更平滑、阻尼更好的轨迹。结论是该改进应理解为从欠阻尼教师恢复期望电流环行为，不是普遍优于所有PI整定或替代消融。
5.3 闭环瞬态比较：在代表性参考阶跃中，d轴NNC更快进入调节带并降低超调；q轴PI更早进入调节带但瞬态偏移更大，PI超调后有明显下冲，而NNC限制超调并更平滑接近参考。在500 ms多步轨迹、每轴9次参考变化下，NNC跟踪d、q轴电流，稳态偏差可忽略，并避免欠阻尼PI在参考更新时刻的大幅瞬态尖峰；外部递归减少脉冲调制更新。结论是有界增量更新公式限制了每次控制器更新中调制向量的最大变化。
5.4 统计比较：在留出测试分区（占10,000次独立PSIM仿真的30%）上，事件触发数据集含11,000,000样本。采用同步阶跃窗口和相同评价程序，NNC相对PI教师平均超调降低59%，调节时间降低94%，IAE降低27%，稳态误差幅值降低42%。NNC在相应比例事件中取得更低超调、更短调节时间、更小IAE和更小稳态误差幅值。按轴分解，改善在d、q轴一致。结论是网络学习到恢复教师数据中有用电流环行为并改善阻尼、减少脉冲调制更新。
5.5 局限性与实际解释：结果仅量化标称平衡电网配置下参考阶跃跟踪，不量化电网电压暂降/暂升、注入谐波、直流母线扰动、负载瞬态、测量噪声、模数转换器（analog-to-digital converter, ADC）量化或PLL抖动等扰动抑制，也不含参数扫描鲁棒性。调制域饱和防止累积命令递归增长，但持续饱和、与传统抗饱和设计比较、与外层直流母线电压或有功/无功环交互仍开放。控制器运算量小，但定点量化、执行延迟和内存布局需在目标数字信号处理器（digital signal processor, DSP）或微控制器上基准测试。

五、讨论部分总结
讨论强调，NNC不是通过直接闭环性能优化训练，而是从欠阻尼PI教师生成的数据中学习有界增量调制策略；由于网络容量有限、输出tanh饱和、外部调制域累积饱和和前调制命令构成外部递归，控制器可平滑和正则化教师轨迹。其优势限于标称平衡电网仿真包络，不能证明不平衡或受扰电网、参数变化或嵌入式硬件运行性能。实际部署还需考虑定点量化、延迟、抗饱和和外环交互。

六、研究结论翻译
本文提出了一种用于三相并网电压源换流器（VSC）的紧凑NN电流控制器。所提出的控制器替代内环d-q轴PI补偿器，同时保留周边并网跟随架构，包括电网同步、参考坐标系变换和调制级。该控制器实现为单隐藏层前馈MLP，预测增量d-q轴调制更新，这些更新随后在调制指数域中累积并饱和。
本工作的主要贡献是表明，基于仿真的闭环动态电流调节可以在没有内部递归NN层的情况下实现。相反，所需时间信息通过因果控制器变量提供。因此，所提出的控制器不应被解释为纯无记忆静态映射，而应被解释为嵌入动态更新律中的紧凑前馈网络。该结构仅需要178个可训练参数，对应单精度存储的712字节，其确定性前向传播需要160次乘加运算和18次tanh求值。
所提出的控制器由从10,000次独立PSIM仿真中提取的11,000,000个事件同步样本训练，并在留出轨迹上评估。与欠阻尼PI教师相比，在所评估参考阶跃测试中，NN控制器将平均超调降低59%、调节时间降低94%、IAE降低27%、稳态误差幅值降低42%。这些性能提升仅适用于标称平衡电网仿真包络。它们不证明不平衡或受扰电网、参数变化或嵌入式硬件运行下的性能。这些降低表明，学习到的有界增量策略可以保留教师数据中存在的有用校正行为，同时抑制其部分欠阻尼瞬态响应。
本研究仍为仅基于仿真的概念验证。未来工作应在相同调制极限和饱和场景下，将具有界外部递归与常规抗饱和方案（包括反算和条件积分）进行基准比较。进一步工作将关注参数漂移和弱电网条件下的鲁棒性、扰动抑制测试、目标DSP上的定点与延迟基准测试、硬件在环（hardware-in-the-loop, HIL）或实验验证，以及量化改善后的内电流环响应对级联外环调节的影响。