基于LSTM与GRU自适应深度学习切换控制的三相太阳能多电平逆变器谐波抑制与效率优化研究

《International Transactions on Electrical Energy Systems》：Adaptive Deep Learning–Based Switching Control for Three-Phase Solar Multilevel Inverters Using LSTM and GRU Networks

　　

专业术语翻译摘要 为在不牺牲转换效率和动态响应能力的前提下限制输出电压谐波，三相太阳能多电平逆变器需要配备良好的切换控制机制。传统脉宽调制（PWM）控制可能导致较高的谐波畸变和开关损耗，尤其是在运行工况波动的情况下。本研究提出，为应对上述问题，应采用基于长短期记忆（LSTM）和门控循环单元（GRU）网络的自适应深度学习切换控制策略。最终目标是利用输出电压及其相关电压误差的知识，做出优化的切换决策，同时最大限度地降低谐波畸变并提高转换效率。本文所提出的基于LSTM和GRU的控制器已在MATHEMATICA软件中，使用针对400V直流母线电压和50Hz基波频率生成的PWM数据集进行了设计与测试。总谐波畸变率（THD）、转换效率、动态响应和开关活动是这两种控制器相对于在同一仿真环境中实现的传统PWM控制的性能指标。实验中，传统PWM控制器的THD和转换效率分别达到8.805%和91.04%，而LSTM控制器能够将谐波畸变维持在2.405%左右，效率提升至95.13%。另一方面，GRU控制器在所模拟的版本中表现最佳，其THD低至1.484%，效率达97.70%，且达到所需结果的时间极短，开关活动最少。结果表明，基于信号递归的深度学习切换控制的应用，与PWM控制相比，在谐波抑制和转换性能方面均有显著提升。在所有被考察的方案中，GRU在谐波抑制水平、能耗、计算难度和动态环境适应能力之间提供了最佳折中。本研究的局限性在于仅使用了基于MATLAB的验证。因此，强烈建议通过实验性的DSP/FPGA实现与评估，在真实辐照度、温度、局部遮荫和电网扰动等条件下验证控制器的性能，以证明这些控制方法的实时鲁棒性。

论文解读文章

一、研究背景与问题

随着光伏可再生能源系统在全球范围内的日益普及，对既能提供良好电能质量又能实现高能量转换效率的电力电子变换器的需求持续增长。在多类变换器拓扑中，多电平逆变器因其能够生成高质量输出电压、低谐波含量以及降低半导体开关器件电压应力等优势，已成为中高功率可再生能源应用的热门选择。然而，多电平逆变器的性能高度依赖于所采用的功率转换切换策略的适当性。

脉宽调制（PWM）技术因其简单直接的特点，仍是逆变器中最主流的切换技术。然而，大多数基于固定切换规则的传统PWM技术，在运行条件快速变化的情况下（如太阳辐照度变化、负载波动、非线性负载以及参数不确定性），可能无法发挥最佳性能。这些缺陷可能导致谐波畸变增加、开关损耗增大和控制复杂度上升，进而降低逆变器系统的整体有效性和可靠性。

近年来人工智能（AI）领域的多项突破为电力电子变换器的智能化控制开辟了道路。与传统基于模型的控制器不同，AI控制器可以仅从数据中学习复杂的非线性函数，并能根据系统性能的变化持续调整其控制决策。循环神经网络（RNN）因其能够记录时间相关的系统动态特性，特别适合逆变器切换应用。长短期记忆（LSTM）和门控循环单元（GRU）网络是RNN架构中最著名的两种组件，在处理序列数据和识别长期时间依赖关系方面表现出色。尽管已有许多研究尝试通过选择性谐波消除、优化算法、前馈补偿、模型预测控制和人工神经网络等方法降低谐波畸变，但多数方法需要长时间离线计算或针对固定运行条件设计，限制了其实时应用。现有AI方法也主要集中于单一学习架构或特定优化技术，对LSTM和GRU网络在三相太阳能多电平逆变器自适应切换控制中的系统比较研究尚显不足。

二、研究内容与主要贡献

本研究旨在开发基于LSTM和GRU两种深度学习方法的三相太阳能多电平逆变器自适应切换控制策略。研究的主要贡献包括：开发AI逆变器控制器，利用LSTM和GRU网络在不同运行条件下做出最优切换决策；通过降低总谐波畸变率（THD）来优化逆变器输出电压质量；通过最小化开关操作次数来降低开关损耗；对传统PWM控制器、LSTM控制器和GRU控制器在时域行为、谐波频谱、切换特性、THD和转换效率等关键性能指标上进行全面比较分析；在MATLAB/Simulink平台上对系统施加各类非线性扰动、开关噪声和动态运行条件以评估其鲁棒性；最终确定GRU控制器为综合性能最优的AI控制器。

三、关键技术方法

研究人员在MATLAB/Simulink仿真环境中，针对400V直流母线电压和50Hz基波频率的太阳能多电平逆变器系统，采用10kHz开关频率和0.9调制指数进行了仿真验证。LSTM和GRU网络均采用包含两个输入特征（即时控制误差及其导数）的输入层、128个单元的循环隐藏层、32个神经元的全连接层以及ReLU激活函数，最终通过回归输出层产生连续值的切换控制信号。网络使用Adam优化算法训练，最大训练周期为100个epoch，初始学习率为0.001，梯度阈值为1。数据集通过MATLAB仿真在不同调制指数和开关噪声水平下采集生成，输入数据组织为（2×N）的特征矩阵，目标输出为期望的切换控制信号。

四、研究结果

3.1 时域控制信号分析

研究人员通过对比传统PWM、LSTM和GRU控制器的输出电压和负载电流波形发现，传统PWM控制器表现出±400至450V的电压摆幅和±8至9A的电流摆幅，伴随显著的高频纹波。相比之下，LSTM和GRU控制器在零交叉附近表现出更平缓的变化，其中GRU控制器的瞬态响应幅度最小。控制功率分析显示，传统PWM控制器的控制功率在3000至3500W之间大幅波动，而两种AI控制器的控制功率显著较低，其中GRU控制器接近零且波动极小。误差动态分析表明，传统PWM控制器的跟踪误差具有约±400V的大幅周期性波动，平均跟踪误差约为175，标准差约为205；而GRU控制器在瞬态响应中表现出更小的峰值电压（约24至25V，相比之下LSTM约为35V）和更平滑的动态行为。

3.2 频域性能分析

功率谱密度（PSD）分析显示，传统PWM控制器在低频段峰值约为30dB/Hz，且在整个频率范围内保持较高的频谱基底。LSTM控制器的频谱峰值降至约8dB/Hz，1kHz以上的大部分谱线保持在?20dB/Hz以下。GRU控制器表现最优，最高谱线降至约5dB/Hz，在1.5kHz频率标记处大部分频谱降至?30dB/Hz或以下。谐波阶次分析表明，传统PWM控制器在基波幅度约250之后伴随多个高次奇次谐波，而LSTM和GRU控制器在整个频率范围内大幅降低了高次谐波幅度。THD量化结果显示，传统PWM控制器的THD为8.805%，LSTM控制器降至2.405%，GRU控制器进一步降至1.484%，较PWM方法实现了超过83%的THD降低。与最新谐波消除技术的比较分析表明，尽管某些基于优化的方法（如2N+1和声搜索、对立量子蝙蝠算法、改进量子粒子群优化、改进免疫算法和准修正牛顿法）在特定条件下可能实现略低的THD，但所提出的GRU控制器在谐波抑制、计算复杂度和自适应能力之间实现了最佳平衡，且在线控制仅需前向传播，无需重复的种群搜索。

3.3 效率与开关损耗分析

动态开关损耗分析显示，传统PWM控制器在相同运行条件下表现出最高的开关活动，计算动态开关损耗约为6400J，而LSTM和GRU控制器的开关能量在仿真假设下可忽略不计。开关活动图进一步表明，PWM控制器呈现大量明亮垂直带（频繁开关事件），而LSTM和GRU控制器主要为低电平信号的暗区（开关事件大幅减少）。转换效率方面，GRU控制器实现了最高的97.7%转换效率，LSTM控制器为95.13%，传统PWM控制器最低为91.04%。尽管开关活动大幅降低，三种控制方案的RMS输出电压均保持在约230V的额定值附近，表明自适应切换策略在提高效率的同时未牺牲电压调节能力。

五、讨论与结论

总体性能评估表明，GRU控制器在THD、转换效率和开关活动等主要评价指标上始终领先，处于高效率与低THD的理想区域，代表了电能质量与能量转换之间的最佳折中。LSTM控制器也较传统PWM方法实现了显著提升，但略逊于GRU模型。研究结论指出，基于RNN的控制器能够学习逆变器运行的长期依赖关系，并产生自适应切换策略，从而改善波形质量、降低谐波畸变并提高能量转换性能。GRU控制器在所有考察方案中综合表现最佳，持续优于传统PWM和LSTM控制器。本研究的局限性在于仅基于MATLAB软件验证，且开关损耗分析采用简化的转换计数估计模型，属于相对开关活动的比较度量而非半导体器件的实际开关损耗。未来工作将聚焦于硬件实现、硬件在环（HIL）测试、DSP实现以及真实运行条件下的实验验证，并与模型预测控制（MPC）、空间矢量PWM（SVPWM）和选择性谐波消除（SHE）等先进控制技术进行详细比较，以最终证明所提出的AI切换策略在可再生能源转换系统中的有效性。