三级NPC逆变器中传导电磁干扰(EMI)预测与滤波器优化的深度替代模型:从实验数据到合规性设计 Fatih Tulumbaci,Rabia Korkmaz Tan,Suayb Cagri Yener

《Electronics》:Deep Surrogate Modeling for Conducted EMI Prediction and Filter Optimization in a Three-Level NPC Inverter: From Experimental Data to Compliance-Aware Design Fatih Tulumbaci, Rabia Korkmaz Tan and Suayb Cagri Yener

【字体: 大 中 小 】 时间:2026年05月06日 来源:Electronics 2.6

编辑推荐:

  摘要:多电平电力转换器中的传导电磁干扰(EMI)受到无源滤波器元件之间非线性相互作用、工作条件以及共振敏感的频谱行为的影响,这使得分析预测和试错调谐不足以满足系统性的合规性设计要求。本研究提出了一个基于实验数据和驱动的框架,用于预测和优化配备有有源谐波滤波器的IGBT基SVPWM

  摘要:多电平电力转换器中的传导电磁干扰(EMI)受到无源滤波器元件之间非线性相互作用、工作条件以及共振敏感的频谱行为的影响,这使得分析预测和试错调谐不足以满足系统性的合规性设计要求。本研究提出了一个基于实验数据和驱动的框架,用于预测和优化配备有有源谐波滤波器的IGBT基SVPWM控制三电平中性点箝位(NPC)逆变器中的传导EMI。通过评估250种滤波器参数组合在四种工作模式(恒定电流平均值、恒定电流峰值、待机平均值和待机峰值)下的1000个传导发射测量数据,构建了数据集,测量范围为10 kHz–30 MHz。训练并评估了四种替代模型:多层感知器(ANN)、卷积神经网络(CNN)、深度神经网络(DNN)和物理信息神经网络(PINN)。通过嵌套交叉验证、标准5折交叉验证、蒙特卡洛重采样和基于SHAP的可解释性分析来评估模型的可靠性。在测试的模型中,CNN实现了最一致的预测性能和稳定性,而PINN在多种负载相关条件下提供了更平滑且更符合物理规律的频谱重建。这些训练有素的替代模型被嵌入到基于Python 3.11的图形用户界面中,并进一步用于合规性优化框架中,以识别能够满足法定传导发射限制的滤波器参数集。实验验证确认,替代模型引导的优化设计在最坏情况下实现了7.26至11.50 dBμV的正向法定裕度。与优化前的最佳测量组合相比(其最坏情况下的裕度仍为-3.7 dBμV),最佳实验验证的优化设计将最坏情况下的法定裕度提高了15.20 dBμV。这些结果表明,实验训练的替代模型不仅可以支持高分辨率的EMI预测,还可以支持考虑法规要求的滤波器设计和实际工程决策。

1. 引言
随着开关频率的提高、功率密度的增加以及控制策略的复杂化,电磁兼容性(EMC)已成为现代电力电子转换器的主要设计约束因素,因为这些因素加剧了寄生耦合和频率依赖的发射行为[1,2]。在多电平转换器系统中,这一挑战更加明显,因为波形质量的改善和设备应力的降低通常伴随着更复杂的共模和差模传播路径以及共振敏感的频谱响应[3,4]。有源谐波滤波器的使用进一步增加了复杂性,因为整个系统的传导噪声行为不仅受转换器拓扑的影响,还受到无源滤波元件与噪声传播路径相互作用的影响[5,6]。此外,传导发射带的合规性评估受标准化测量环境、线路阻抗稳定网络(LISN)、接收器设置和频率依赖的解释程序的约束[7,8,9]。因此,传导EMI不应被视为次要的副作用,而是一种必须在转换器开发过程中明确解决的法规敏感的设计响应。这一要求对于三电平中性点箝位(NPC)逆变器尤为重要,因为它在并网和可再生能源应用中得到了广泛应用,因为它具有优良的谐波性能、降低的设备电压应力以及适用于中高功率转换[10]。在这些系统中,传导EMI行为受到开关转换、布局依赖的寄生元件、逆变器侧电感、电网侧电感和阻尼电容的综合影响。这些耦合因素可以改变共振频率,放大窄带峰值,并以模式依赖的方式改变法定合规裕度。因此,在一种工作条件下看似可接受的滤波器配置可能在另一种条件下变得不合适,而满足平均限制的设计在峰值检测或待机操作时仍可能失败。因此,合规性导向的EMI滤波器设计不能仅依赖于简化的等效电路推理、设计者的直觉或重复的试错测量;它需要一个能够系统地、与设计相关的将无源滤波器参数与高分辨率传导发射频谱联系起来的预测框架。因此,数据驱动的建模在EMI相关设计问题中变得越来越有吸引力。先前的研究表明,传导发射数据可以支持基于机器学习的DC-DC转换器预测[11]、基于EMI特征的逆变器诊断[12]、通过传导发射分析的条件监控[13,14]以及依赖于波形的频谱估计[15]。除了EMI特定的研究之外,更广泛的机器学习文献也证明了深度模型适用于非线性回归[16,17]、分层特征提取[18,19]和复杂非线性系统中的数据驱动工程分析[20,21]。然而,现有文献仍存在重要空白。许多现有的工作关注的是更简单的转换器结构、低维输出或分类任务,而不是直接预测多种工作模式下的密集传导发射频谱。此外,关于ANN、CNN、DNN和PINN模型在相同高分辨率EMI回归问题上的系统比较仍然有限。同样重要的是,许多研究仅停留在预测阶段,没有将学习到的模型应用于实际部署、合规性优化或实验验证。这些限制对于多电平转换器尤为重要,因为其设计问题本质上是多参数、多模式和受法规限制的。
另一个挑战是,较低的总体预测误差并不一定保证物理上可信的频谱行为。在密集的EMI回归中,模型可能以可接受的全局指标再现整体频谱包络,同时仍然产生局部不可接受的振荡,或者相反地,平滑掉对法定裕度评估至关重要的窄带结构。因此,物理信息学习策略作为一种通过额外约束或正则化项将领域知识嵌入学习过程的方法,受到了越来越多的关注[22,23]。关于物理信息机器学习的更广泛讨论也强调了当数据保真度不足以确保物理意义的行为时,这种表述的价值[24]。基于PINN的相关方法也在电磁建模[25,26]以及需要与预期物理结构一致性的逆问题或场重构问题[27,28]中得到了探索。在本研究中,PINN以这种更广泛的物理信息意义被使用。具体来说,它并不作为控制电磁场方程的直接求解器;相反,它通过频域平滑度和曲率惩罚来增强数据拟合损失,从而使预测的EMI频谱在频率轴上更加形态一致。通过这种方式,这里使用的PINN公式旨在将物理上的正则化引入频谱重建中,而不是强制使用封闭形式的第一性原理模型。在此背景下,本研究为一个基于IGBT的SVPWM控制的三相三电平NPC逆变器开发了一个基于实验数据和应用导向的框架,该逆变器配备了有源谐波滤波器。在10 kHz–30 MHz范围内,针对四种工作模式(恒定电流平均值、恒定电流峰值、待机平均值和待机峰值)收集了传导发射测量数据。由此产生的数据库首先用于评估用十四种监督学习算法训练的基线ANN,然后用于构建四种先进的替代模型家族:ANN、CNN、DNN和PINN。它们的预测行为不仅通过传统的误差指标进行评估,还通过嵌套交叉验证、标准5折交叉验证、蒙特卡洛重采样和基于SHAP的可解释性分析来更严格地评估准确性、稳定性和工程合理性。随后,最可靠的替代模型被嵌入到基于Python的图形用户界面(GUI)中,并用于合规性优化框架中,以识别能够在考虑的工作模式下将传导发射响应保持在适用法定限制以下的最优滤波器参数集。在这一阶段,训练有素的模型不仅用于正向频谱预测,还作为替代辅助设计工具,在最坏情况下的多模式约束下进行合规性滤波器合成。然后通过实验验证选定的参数集,以确保替代模型引导的最优设计与测量的法定裕度行为一致。因此,这项工作的贡献不仅在于报告另一种EMI估计的回归模型,还在于将高分辨率的实验表征、比较性替代建模、多协议通用分析、可部署的软件实现和合规性意识的最优滤波器设计整合到单一的工程工作流中。

2. 实验和计算方法
2.1. 实验和数据集构建
本研究调查的系统是一个基于IGBT的三相三电平中性点箝位(NPC)逆变器,由空间矢量脉冲宽度调制控制,并配备了有源谐波滤波器。感兴趣的无源设计变量是逆变器侧电感(LIS)、电网侧电感(LGS)和两个电容元件(C1和C2)。选择这四个参数是因为它们直接影响转换器的阻抗相互作用,从而影响传导发射频谱中与共振相关的特征的位置、幅度和带宽。因此,预测问题被构建为紧凑的无源设计向量和高分辨率EMI频谱,而不是标量合规标签或一组简化的描述符。实验表征在Sakarya大学电磁研究中心(SEMAM)实验室进行,通过10 kHz–30 MHz频率范围内的传导发射(CE)测量来完成。测量链包括Rohde & Schwarz ESU EMI测试接收器(Rohde & Schwarz GmbH & Co., KG, Munich, Germany)(20 Hz–8 GHz)和4 × 250 A LISN(Model LS2004, MTS Systemtechnik GmbH, Mertingen, Germany),以便在标准化的阻抗基础上评估被测设备的线路侧噪声。尽管最终在150 kHz–30 MHz频段进行了合规性评估,但也记录了较低的10–150 kHz区间,以捕捉频谱的更广泛的低频演变并保持实验数据库的描述完整性。为了确保频率网格的一致性,测量以500 Hz的步长从10 kHz采样到150 kHz,以4 kHz的步长从150 kHz采样到30 MHz,每个记录的EMI响应产生了7744个频谱点。采用这种测量结构是为了使所有替代模型都能在共同且固定分辨率的频率表示上运行。逆变器在两种工作状态下进行了评估:恒定电流模式,此时转换器主动向电网注入电流;以及待机模式,此时逆变器保持通电状态但不注入电流。对于每种工作状态,都使用了平均值和峰值检测器。这产生了四种不同的EMI情景:恒定电流平均值、恒定电流峰值、待机平均值和待机峰值。这种区分在方法上很重要,而不仅仅是描述性的。相同的无源网络在转换器负载与否时可能表现出不同的频谱行为,检测器的选择可能会显著改变局部窄带峰值的明显严重性。因此,四种情景的公式使学习框架与实际的合规问题保持一致,而不仅仅是简化的单一条件近似。
然后通过系统地改变滤波器参数进行了广泛的实验。总共测试了250种不同的滤波器参数组合,每种组合获得了四个CE测量结果,总计1000个测量数据。这250种组合不是通过纯随机抽样或正式的设计实验方案生成的,而是根据实验室中可用的电感和电容构建的,包括通过串联和并联连接获得的实际可行的值。目的是在实验可访问的设计空间内最大化可行参数集的数量和多样性,同时保持物理上可实现的滤波器配置。因此,这项研究强调了对实际参数区域的广泛覆盖,而不仅仅是抽象的组合抽样。它从单个参数的变化开始,以揭示孤立的敏感性,然后扩展到成对、三重和完全联合变化,以便也能捕获更高阶的相互作用效应。因此,数据库不仅反映了单调趋势,还包括由相互作用的无源元件引起的共振迁移、阻尼变化和模式依赖的频谱重塑。虽然没有对整个实验活动进行完整的测量不确定性分析,但在研究初期通过在不同设置和操作条件下重复几次代表性测量来检查重复性。在这些重复测试中,测量的EMI频谱显示出近乎完全的重叠, indicating良好的短期重复性和在固定实验室条件下的低可观察变化。每个测量样本对应于预定义频率轴上的完整EMI频谱。与将输出简化为有限的标量性能指标不同,本框架将整个频谱作为预测目标。这种选择保留了共振位置、窄带峰值、全局包络趋势和操作模式依赖的频谱偏移,所有这些对于EMC解释和法定裕度评估都至关重要。它还将建模任务转化为一个高维的回归问题,这比二进制的通过/失败分类要求更高,但更符合实际工程需求。替代模型是在实验覆盖的参数范围内开发和评估的;因此,所报告的预测结果应主要被视为采样设计空间内的插值,而不是超出该空间的验证外推。实验过程中得出的两个额外观察结果为论文后面采用的建模策略提供了合理性。首先,这四个被动变量并不会独立影响电磁干扰(EMI)。逆变器侧的电感通过阻抗变化显著影响低频和中频行为,电网侧的电感则改变宽频带内的衰减和共振迁移,而电容元件则会改变共振位置和阻尼。它们的相互作用可能会抑制或产生窄带峰值,这意味着改善一个频谱区域的参数选择可能会恶化另一个区域。其次,虽然待机模式的辐射通常绝对幅度较低,但由于相应的法律限制也更低,因此对于合规性评估仍然非常相关。在这种情况下,看似不大的峰值可能在峰值检测时变得至关重要。这些观察结果解释了为什么本研究不仅进行了单变量敏感性分析,还转向了多场景替代建模和面向合规性的优化。

图1展示了将原始电磁干扰测量数据转化为可预测和可优化的设计框架的整个工作流程。该过程从在不同滤波器配置下进行受控电磁干扰测试开始,接着是数据组织和缩放,然后分为基于人工神经网络(ANN)、卷积神经网络(CNN)、深度神经网络(DNN)和物理信息神经网络(PINN)的建模。预测得到的频谱不仅用于数值评估,还用于基于图形用户界面(GUI)的工程交互和面向合规性的滤波器优化。

图2展示了一个代表性的单参数敏感性研究,其中仅改变逆变器侧的电感,而其他滤波器参数保持不变。具体来说,图2比较了在恒流平均、恒流峰值、待机平均和待机峰值四种工况下测量的电磁干扰响应,从而能够在不同工作状态和检测器类型变化的情况下检查同一参数扰动的影响。

如图2所示,逆变器侧电感的影响在频率或工作模式上并不均匀:在某些区域,它主要改变宽带频谱水平;而在其他区域,则会移动局部共振和窄带峰值。因此,这说明了为什么电磁干扰意识滤波器设计不能简化为单一工作条件或单一检测器设置,以及后续的替代模型框架为何采用多场景和全频谱的方式来进行。

2.2 替代建模和多协议验证
2.2.1 替代架构
替代建模阶段并不是作为一个单一模型的练习来设计的,而是对四种具有不同表示偏见的神经网络家族进行比较评估,以便高分辨率地重建电磁干扰频谱。目标不仅是识别数值误差最小的模型,还要确定哪种架构最适合重建具有足够形态保真的密集电磁干扰频谱,以适应合规性工程应用。开发过程分为两个阶段。在第一阶段,使用十四种监督学习算法训练了一个具有十个隐藏层的紧凑型ANN模型,以评估电磁干扰预测问题的基本可学习性以及训练动态对频谱回归的影响。在第二阶段,在一个统一的框架中评估了四种先进的替代模型:ANN、CNN、DNN和PINN。这种从紧凑基线到更具表现力的架构的进展是为了区分简单的可学习性和架构依赖的频谱重建质量提升。

在高级模型阶段,ANN和DNN不应被理解为可互换的标签。在本研究中,ANN表示用作基准的全连接多层感知器,而DNN表示具有更高表示深度和更广泛超参数搜索空间的更深层全连接架构。这样做的目的是将相对紧凑的密集基线与更高容量的密集模型进行比较,然后将其与卷积模型和基于物理信息的替代模型进行对比。因此,这种比较并不是在所有架构之间进行严格的参数匹配基准测试,而是在共同的电磁干扰预测任务、共同的输入-输出定义和一致的验证协议下对代表性模型家族进行评估。

被动设计向量定义为(1),相应的测量得到的电磁干扰频谱在频率点上采样为(2)。因此,替代建模任务是学习从被动设计向量到完整频谱响应的非线性映射。由于目标是一个长频率索引的输出向量而不是标量指标,这个问题比传统的回归要复杂得多:一个具有可接受全局误差的模型可能仍然无法重建决定实际电磁干扰合规性的局部特征。

对于纯粹数据驱动的替代模型家族,即ANN、CNN和DNN,训练目标是通过传统的均方误差项来定义的。这个项驱动模型最小化训练集和频率网格上测量值和预测值之间的平均差异。然而,仅优化数据拟合损失并不能明确约束重建频谱的几何行为。因此,一个模型可能即使具有可接受的全局误差,仍然可能产生从物理或工程角度来看不太令人信服的局部不规则轨迹。

为了解决这一限制,本研究中使用的PINN公式在数据拟合项中增加了沿采样频率轴定义的平滑性正则化项。由此产生的损失可以表示为(5),其中平滑性正则化系数是一个非负参数,用于控制数据保真度和频谱平滑度之间的平衡。在实现的PINN模型中,这个项惩罚预测频谱中的突然点对点变化,鼓励沿着物理意义上的频率轴产生更平滑的形态。

因此,这里的PINN应被理解为一种基于物理信息的替代模型,而不仅仅是一个基于广义正则化的模型。这种澄清很重要,因为实际实现中只使用了平滑性正则化;最终训练代码中没有单独的曲率惩罚。

总的来说,这四种替代模型提供了多样化的建模选择。ANN代表了一个紧凑的密集基线,CNN强调局部频谱特征的提取,DNN在密集框架内增加了非线性表示深度,而PINN在纯数据拟合的基础上引入了基于物理信息的频谱规则性。它们的联合评估不仅能够比较预测准确性,还能比较它们在高分辨率电磁干扰频谱重建和后续面向合规性的滤波器设计方面的架构适用性。

2.2.2 多协议模型稳定性评估
2.2.1 多协议模型稳定性评估

2.2.2.1 替代架构
替代建模阶段的设计不仅仅是一个单一模型的练习,而是对四种具有不同表示偏见的神经网络家族进行比较评估,以高分辨率重建电磁干扰频谱。目标不仅是识别数值误差最小的模型,还要确定哪种架构最适合重建具有足够形态保真的密集电磁干扰频谱,以满足合规性工程应用的需求。开发过程分为两个阶段。在第一阶段,使用十四种监督学习算法训练了一个具有十个隐藏层的紧凑型ANN模型,以评估电磁干扰预测问题的基本可学习性和训练动态对频谱回归的影响。在第二阶段,在一个统一的框架中评估了四种先进的替代模型:ANN、CNN、DNN和PINN。这种从紧凑基线到更具表现力的架构的进展是为了区分简单的可学习性和架构依赖的频率重建质量提升。

在高级模型阶段,ANN和DNN不应被视为可互换的标签。在本研究中,ANN表示作为基准的全连接多层感知器,而DNN表示具有更深深度表示能力和更广泛超参数搜索空间的更深层全连接架构。这种区分是为了将相对紧凑的密集基线与更高容量的密集模型进行比较,然后将其与卷积模型和基于物理信息的替代模型进行对比。因此,这种比较并不是在所有架构之间进行严格的参数匹配基准测试,而是在共同的电磁干扰预测任务、共同的输入-输出定义和一致的验证协议下对代表性模型家族进行评估。

被动设计向量定义为(1),相应的测量得到的电磁干扰频谱在频率点上采样为(2)。因此,替代建模任务是从被动设计向量学习到完整频谱响应的非线性映射。因为目标是一个长频率索引的输出向量而不是标量指标,所以这个问题比传统的回归要复杂得多:一个具有可接受全局误差的模型可能仍然无法重建决定实际电磁干扰合规性的局部特征。

对于纯粹数据驱动的替代模型家族,即ANN、CNN和DNN,训练目标是通过传统的均方误差项来定义的。这个项驱动模型最小化训练集和频率网格上测量值和预测值之间的平均差异。然而,仅优化数据拟合损失并不能明确约束重建频谱的几何行为。结果,一个模型可能虽然具有可接受的平均误差,但仍然可能产生从物理或工程角度来看不太令人信服的局部不规则轨迹。

为了解决这一限制,本研究中使用的PINN公式在数据拟合项中增加了沿采样频率轴定义的平滑性正则化项。由此产生的损失可以表示为(5),其中平滑性正则化系数是一个非负参数,用于控制数据保真度和频谱平滑度之间的平衡。在实现的PINN模型中,这个项惩罚预测频谱中的突然点对点变化,并鼓励沿着物理意义上的频率轴产生更平滑的形态。

因此,当前的公式并不强制使用封闭形式的电磁场方程或转换器特定的微分方程;相反,它通过损失函数设计 incorporate 了基于物理信息的行为。因此,这里的PINN应该被理解为一种基于广义正则化的物理信息替代模型,而不仅仅是一个完全基于第一原理的求解器。这种澄清很重要,因为实际实现中只使用了平滑性正则化;最终训练代码中没有激活单独的曲率惩罚。

综上所述,这四种替代模型提供了多样化的建模选择。ANN代表了一个紧凑的密集基线,CNN强调局部频谱特征的提取,DNN在密集框架内增加了非线性表示深度,而PINN在纯数据拟合的基础上引入了基于物理信息的频谱规则性。它们的联合评估不仅能够比较预测准确性,还能比较它们在高分辨率电磁干扰频谱重建和后续面向合规性的滤波器设计方面的架构适用性。

2.2.2.2 高级深度学习模型中多协议模型稳定性的评估
四种先进替代模型的架构配置和训练设置在表1中进行了总结。所有模型都接收相同的四维输入向量(LIS、LGS、C1、C2),并产生7744点的电磁干扰频谱作为输出。在修改后的实现中,输入变量使用最小-最大缩放标准归一化到[0, 1],而电磁干扰频谱保持其原始的输出范围。每个模型分别针对四种工作场景进行训练。

表1. 四种替代架构的超参数配置。评估框架的一个关键特点是模型评估不仅仅依赖于单一的训练-测试分割。当模型选择和性能估计在统计上相互关联时,单一分割的评估可能会夸大性能[29,30]。相反,采用了三种互补的基于重采样的验证协议:嵌套交叉验证、标准5折交叉验证和蒙特卡洛重采样。这样设计的目的是不仅仅是报告另一组拟合优度值,还要检查每个替代模型家族对可用训练子集变化的敏感度以及其预测在重复重采样下的稳定性。这种区分对于电磁干扰建模很重要,因为下游目标不仅仅是准确重建频谱,还包括为合规性设计提供足够可靠的行为支持。

在嵌套交叉验证阶段,外循环使用了5个随机排序的折叠,而内循环在每个外部训练子集中使用了3个随机排序的折叠。在内循环中没有调整架构本身;ANN、CNN、DNN和PINN被作为不同的替代模型类别进行比较。在内循环中调整的是模型特定的超参数。对于ANN,搜索范围包括隐藏层配置、丢弃率和学习率。对于CNN,搜索范围包括滤波器数量、核大小、密集层宽度和学习率。对于DNN,调整的量包括隐藏层配置、丢弃率和学习率。对于PINN,网络架构保持不变,只从预定义的lambda网格中选择平滑性正则化系数。然后使用在这个内循环中确定的最佳配置来训练相应的外层折叠模型,同样参考相同的外部验证频谱进行提前停止。

在嵌套阶段之后,每个替代模型家族中最常选择的超参数设置被保留为剩余分析的模型特定配置。然后使用这个固定配置进行标准5折交叉验证,以检查在超参数选择完成后,替代模型在常规训练子集变化下的行为。蒙特卡洛验证通过重复的80/20 ShuffleSplit重采样进行,ANN重复30次,CNN、DNN和PINN各重复50次。

在实现的验证工作流程中,重采样程序针对每个模型家族和运行场景固定了外部验证案例。具体来说,对于每种模式,使用一个用户定义的被动参数组合及其相应的实验测量得到的电磁干扰频谱作为外部验证目标。这个外部验证频谱同时具有两个功能:它被用作训练期间的提前停止参考,同时也为重复重采样运行提供了共同的评估目标。因此,报告的嵌套CV、标准CV和蒙特卡洛结果应该被解释为相对于固定外部验证案例的稳定性导向的重复重采样分析,而不是每个外部或保留子集独立评分的经典折叠测试估计。

除了数值准确性之外,还通过SHAP(Shapley Additive Explanations)[31]检查了可解释性。对于每个替代模型和运行场景,计算了SHAP值,以揭示哪些参数最强烈地影响了预测的电磁干扰响应。这项分析作为重采样研究的 方法论补充,因为一个在数值上表现良好但在将频谱行为归因于不合理变量上的替代模型应在工程设计中谨慎对待。SHAP通过显示学习到的重要性模式在运行场景中的稳定性和技术可信性来连接统计性能和物理意义。

2.2.3 基于GUI的工程决策支持部署
为了便于实际使用训练好的替代模型,将ANN、CNN、DNN和PINN模型集成到了基于Python的图形用户界面(GUI)中。这个部署层旨在让用户无需直接与底层训练脚本、预处理程序或模型文件交互,就能快速估计电磁干扰。由此产生的环境将研究扩展到了离线模型开发之外,提供了一个实用的电磁干扰感知滤波器设计探索决策支持工具。

GUI允许用户输入四个被动设计参数,即LIS、LGS、C1和C2,选择运行场景,并选择用于预测的替代模型架构。根据这些输入,调用相应的训练模型及其相关的预处理对象来生成预定义频率范围内的完整电磁干扰频谱。预测结果随后在对数频率轴上可视化,这符合标准的电磁干扰(EMI)解释惯例,并有助于检查对共振敏感的区域、宽带发射趋势以及与法规限制的接近程度。该界面还支持叠加相关的法律限制曲线,以便能够立即评估合规性。从工程角度来看,该图形用户界面(GUI)提供了三个实际好处。首先,它能够快速探索学习到的设计空间,无需重新运行实验或重新训练模型即可评估不同的参数组合。其次,它支持在相同滤波器设置下直接比较不同的替代模型,当模型在数值精度、频谱平滑度或场景依赖的稳定性方面表现出不同优势时,这一点非常有用。第三,它将预测、可视化和结果导出整合到一个工作流程中,使得学习到的替代模型可以直接用于实际的滤波器设计研究,而不仅仅限于离线的学术比较。

图3展示了为EMI预测、模式选择、限制曲线叠加和结果导出而开发的基于Python的GUI。通过这个界面,用户可以检查预测的EMI频谱,确定关键频谱区域是否接近或超过法律限制范围,并保存结果以供文档记录或进一步分析。从这个意义上说,GUI不应仅仅被视为一个展示层。它作为整个框架的运营组件,将替代模型预测与工程解释、合规性检查和以设计为导向的决策支持联系起来。

3. 结果:预测准确性、泛化和可解释性
3.1 单分割预测性能
表2总结了ANN、CNN、DNN和PINN在四种EMI场景下的单分割预测性能,使用了R2、平均绝对偏差(MAD)、均方误差(MSE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)作为评估指标。从这些结果中可以得出几个明显的模式。首先,CNN提供了最强的整体预测性能,R2值范围从0.998167到0.999073,并且在所有操作场景中始终具有较低的MAD、MSE、RMSE和MAPE值。这种行为表明,基于卷积的特征提取对于包含宽带包络变化和局部窄带结构的EMI频谱特别有效。从合规性的角度来看,这一优势尤为重要,因为违规通常是由少数局部频谱偏差决定的,而不是由整个频谱的平均一致性决定的。

表2. 先进替代模型的单分割预测性能。尽管ANN的结构较为简单(全连接),但它仍然是一个有竞争力且实用的替代模型。其在所有场景中的单分割R2值保持较高,其误差水平远低于DNN。这一结果表明,紧凑密集的架构仍然可以以有用的工程精度重建整体EMI包络。因此,应将ANN视为一个紧凑的基线密集替代模型,而DNN则代表了一种更深层次的全连接替代模型,具有更大的表征深度,而不仅仅是同一架构类的重新命名版本。从设计角度来看,ANN在简单性、稳定性和预测能力之间提供了良好的平衡,特别是在目标是在不引入更深层次密集模型额外复杂性的情况下获得整个频谱的可靠近似时。

DNN的表现有所不同。虽然其单分割R2值最初看起来可以接受,但相应的MAD、MSE、RMSE和MAPE值始终低于CNN和ANN。这表明,仅靠更深层次的全连接架构并不能保证更好的EMI频谱重建。相反,DNN似乎只能部分捕捉到宽频谱趋势,在再现局部细节方面效果较差。在实际的EMI分析中,这种弱点很重要,因为合规性往往不是由全局一致性决定的,而是由接近或超过法律阈值的窄带峰值的准确重建决定的。因此,DNN的局限性不应仅仅解释为回归精度较低,还应解释为其适用于合规性下游使用的适宜性较低。

PINN在研究中表现出了最独特的性能特征之一。尽管其在单分割精度上没有超过CNN,但在多种与负载相关的条件下,它的性能经常与ANN相当或甚至超过了ANN。更重要的是,PINN的预测在视觉上更为平滑,受到的虚假局部振荡影响较小。这一特性在工程应用中非常宝贵,因为在这些应用中,可解释性和物理合理性与数值拟合同样重要。一个虽然总误差很低但引入不稳定局部伪影的替代模型,可能不如一个准确度稍低但频谱行为更为规范的预测器可靠,后者在法律 marginc 评估和滤波器优化方面更值得信赖。

3.2 多协议泛化分析
单分割结果提供了一个初步的比较,但在表3汇总的多协议评估中,不同替代模型家族之间的区别变得更加明显。当同时考虑嵌套交叉验证、标准交叉验证和蒙特卡洛验证时,CNN、ANN和PINN在多种操作条件下仍然表现出色,而DNN的表现则比单一分割指标所显示的要脆弱得多。例如,在恒定电流峰值场景中,CNN在嵌套CV下的R2值为0.9989 ± 0.0002,在其他两种协议下的值几乎相同,表明其对训练子集的变化表现出异常稳定的行为。在恒定电流平均场景中,PINN也保持高度稳定,表明物理信息驱动的正则化不仅可以改善频谱平滑度,还可以提高重采样鲁棒性。

3.3 代表性频谱行为、验证动态和SHAP解释
图4将代表性的PINN预测结果与四种EMI场景下的相应实验频谱进行了比较。该图显示,PINN保留了主导的频谱轮廓,并在所有情况下再现了主要的共振区域。同时,预测曲线比测量曲线更加平滑,表明正则化项抑制了部分局部波动内容。在平均EMI场景中,这种平滑可以提高可解释性并提供更符合物理原理的重建结果。然而,在峰值EMI场景中,特别是在待机操作下,这种倾向可能会降低非常窄带局部峰值的真实性。

图5展示了ANN、CNN、DNN和PINN在待机平均场景下的标准交叉验证损失轨迹。该图不仅有助于比较最终的验证损失,还揭示了收敛行为之间的差异。在这种相对稳定的场景中,所有四种模型都能平稳收敛并保持较低的外部验证损失。这表明待机平均预测对于所测试的架构来说并不困难,并支持了这样的解释:在更困难的条件下观察到的严重性能下降,尤其是待机峰值EMI,更多是与场景依赖的频谱复杂性有关,而不是模型普遍无法学习所致。

图6通过SHAP(Shapley Additivity Attribution)方法从可解释性的角度提供了额外的见解。PINN经常识别LIS(局部峰值敏感)作为主导特征,这与逆向设计和合规性优化中逆变器侧电感在塑造衰减和频谱形态方面的强大作用一致。ANN通常也表现出类似的侧重,表明即使没有明确的物理指导正则化,一个训练有素的全连接架构仍然可以学习到具有物理意义的电感影响模式。相比之下,CNN倾向于更重视C1和C2,尤其是在局部共振细节更加显著的情况下。这种行为在物理上是合理的,因为电容元件直接影响共振位置、阻尼和局部过渡,这些正是卷积提取擅长的结构类型。

4. 过滤器参数依赖的优化和实验验证遵循替代模型的训练和验证,本研究通过寻找LIS、LGS、C1和C2的值来解决传导发射水平超过适用法律限制的问题,以确保在所有四种操作场景下都保持合规性。优化阶段没有重新详细推导限制曲线,而是直接使用整个实验过程中使用的特定于场景的法律范围作为固定的合规性约束。因此,这项任务不是一个通用的参数搜索问题,而是一个考虑法规的设计问题,其中每个候选组件集都要根据完整的多模传导发射范围进行评估。在频率为的运行场景中,法律限制表示为,而与设计向量对应的替代预测的EMI谱表示为。基于这些定义,可以写出一个自然的法律裕度函数(7),其中表示四个运行场景的集合,表示传导发射带上的频率网格。的正值表示预测的EMI谱在所有频率和所有操作条件下都保持在法律限制以下,而负值表示至少发生了一次违规。除了法律裕度外,本研究还考虑了一个更为保守的内部设计目标,定义为比法律限制低15 dB。相应的安全裕度函数表示为(8),正值表示预测的谱在整个频率带和所有操作场景中都满足内部安全目标,而负值表示设计至少一次超过了保守的(限制—15 dBμV)阈值。这种区分是有用的,因为它将严格的法律合规性与更为保守的工程设计目标分开。

4.2 理论最优参数集

本研究考虑的十二种优化策略旨在涵盖与当前受EMI约束的滤波器设计问题相关的广泛搜索范式。这一选择是由优化景观的四个特点所驱动的:目标在四维连续设计空间中是非凸的且可能是多模的;约束评估需要在四种操作场景下查询数千个频率点上的训练有素的替代模型;梯度信息仅在基于PINN的梯度公式中可以直接利用;合规性标准是由最坏情况下的窄带频谱行为而不是单一的聚合标量响应决定的。基于这些原因,优化集包括了基于梯度的替代模型利用(PINN梯度)、基于种群的单一目标元启发式算法(GA、ABC、DE和PSO)、多目标进化方法(NSGA-II和MOEA-D)、一个确定性的无导数全局策略(DIRECT-L)以及一个受限的贝叶斯优化器(TuRBO-C/qNEI)。CMA-ES、MADS和DiffOpt也被包括进来,分别作为协方差自适应进化、基于网格的直接搜索和可微优化的代表性例子,以检验这些方法在频率依赖的最坏情况EMI约束下的表现。另一个实际问题是连续理论最优解与可实现硬件值之间的区别。表4中列出的参数集代表了在替代模型辅助的优化空间内生成的连续解。然而,在实践中,最终滤波器必须使用从可用组件及其串联/并联实现中获得的离散电感和电容值来实施。因此,理论阶段应该被解释为在参数空间中识别有前景的合规区域,而最终设计的有效性只有在投影到可实现的组件值并经过实验室验证后才能判断。这种区分对于位于合规边界附近的解决方案尤为重要,因为相对较小的参数偏差可能会减少法律预留。

表4总结了通过比较的优化方法获得的理论最优参数集及其最近的法律裕度。从这种比较中可以发现几个模式。首先,GA、ABC、DE和PSO收敛到一个紧密聚集的解集,LIS值大约在115–117 μH之间,LGS值大约在145.5–146.0 μH之间,C1值大约在9.77–9.85 μF之间,C2值大约在6.00–6.19 μF之间,产生的理论最坏情况法律裕度大约为11.87–11.89 dBμV。其次,PINN、NSGA-II和MOEA-D收敛到一个接近但不同的解集,中心位于LIS ≈ 125.7–126.8 μH,LGS ≈ 145.6–145.7 μH,C1 ≈ 9.75–9.82 μF,C2 ≈ 6.19–6.46 μF,裕度约为11.40–11.52 dBμV。这些簇表明,替代模型定义的目标包含了广阔的合规盆地,而不是一个单一的针状最优解,从实际设计的角度来看这是令人鼓舞的,因为它表明在合规区域内对小的参数变化有一定的容忍度。DIRECT-L和TuRBO-C/qNEI也产生了合规的理论解,但预测的裕度较小,分别为7.65 dBμV和9.96 dBμV。

实验验证阶段是本研究工程价值的核心。它表明,训练有素的替代模型不仅作为预测回归工具,还作为实用的设计辅助工具,能够指导滤波器的选择,以实现可行的合规解决方案。它还揭示了最关键的频率并非任意的:一些设计家族受到大约4.2–4.3 MHz的裕度限制,而其他设计家族受到9–11 MHz附近的峰值限制。这一观察表明,未来的优化公式可能从对关键频谱区域给予额外重视中受益,而不是均匀地处理整个频率轴。相比之下,CMA-ES、MADS和DiffOpt收敛到不合规的理论解,其法律裕度分别为?3.07 dBμV、?5.52 dBμV和?10.27 dBμV。这些结果表明,在当前的设计空间和合规公式中,一些优化范式在定位稳健的可行区域方面效果较差。一种可能的解释是,最坏情况的EMI目标对局部窄带峰值非常敏感,因此在可行区域不规则且受到局部频谱违规强烈影响的情况下,那些在平滑连续景观上表现良好的方法可能无法保持同样的优势。因此,当前的结果不应被视为优化算法的普遍排名,而应被视为优化器在EMI感知设计中的表现强烈依赖于搜索策略如何与多模、频率依赖的合规景观相互作用的证据。

4.3 最优滤波器参数集的实验验证

本研究通过实验验证接近连续最优解的可实现组件值,从而超越了理论优化。因为几个理论最优解在参数空间中聚集得非常紧密,它们被合并到共同的实验运行中。PINN、NSGA-II和MOEA-D使用LIS = 125.68 μH、LGS = 145.5 μH、C1 = 10 μF和C2 = 6 μF进行联合评估,而GA、ABC、DE和PSO使用LIS = 113.71 μH、LGS = 145.5 μH、C1 = 10 μF和C2 = 6 μF进行联合评估。其他方法则单独测试,因为它们的理论解与这些簇分离得更明显。这种分组策略减少了实验负担,同时仍然允许研究测试在投影到可实现的硬件值后,紧密相邻的理论解是否确实属于同一实际设计盆地。表5报告了验证设计家族的实验最坏情况法律裕度。组合的PINN + NSGA-II + MOEA-D组保持合规,并显示出9.76 dBμV的最接近裕度,最关键点出现在9.409 MHz的恒流平均模式下。组合的GA + ABC + DE + PSO组显示出最强的实验性能,在同一模式的9.049 MHz附近的最接近裕度为11.50 dBμV。DIRECT-L也保持合规,但在4.314 MHz附近的裕度较窄,为7.26 dBμV。TuRBO-C/qNEI实现了8.81 dBμV的实验最接近裕度,关键点出现在10.937 MHz的待机峰值模式下。相比之下,CMA-ES、MADS和DiffOpt在实验上不合规,最接近的裕度分别为?2.59 dBμV、?4.37 dBμV和?18.17 dBμV。这些结果表明,替代模型辅助的优化不仅产生数值上吸引人的连续最优解;它还可以区分在实施后保持合规的设计家族和那些不保持合规的设计家族。

表5报告了验证设计家族的实验最坏情况法律裕度。由于本研究中没有预定义单一的手动基线滤波器设计,因此优化的益处是相对于实验测量的优化前设计空间来评估的,而不是相对于一个固定的手动参考设计。在250个测量的优化前组合中,没有一个组合在完整的频率带和所有四种操作场景下满足适用的法律限制。最佳测量的优化前组合仍然显示出?3.7 dBμV的最坏情况法律裕度,表明存在剩余的非合规性。相比之下,最佳实验验证的优化设计实现了11.50 dBμV的正最坏情况法律裕度。从这个角度来看,优化阶段将最坏情况法律裕度提高了15.20 dBμV,并将设计从非合规操作转变为合规操作。更广泛地说,实验验证的优化解决方案产生的最坏情况法律裕度在7.26 dBμV到11.50 dBμV之间,取决于优化策略。图7比较了TuRBO-C/qNEI设计的GUI预测和实验测量的EMI谱在四种操作场景中的情况。总体一致性支持了这样的说法:替代模型引导的搜索不仅识别出数值上有利的参数集,还识别出实现后合规行为仍然有效的实际硬件设计。这种视觉一致性在待机峰值场景中尤为重要,因为这是该设计家族的关键条件,并决定了10.937 MHz附近的实验法律裕度。在这个意义上,图7不应仅被解释为预测与测量的比较,而应被视为TuRBO-C/qNEI设计在实验限制带中保持合规的直接视觉证据。

5. 实际意义和未来方向

本研究的结果表明,选择用于电磁干扰(EMI)预测的替代模型应基于频谱结构,而不是关于模型复杂性的通用假设。在单分割和交叉验证评估中,卷积神经网络(CNN)展示了最可靠的总体性能。这归因于传导发射谱中存在的局部共振特征、窄带峰值和模式依赖的转换,这些非常适合卷积特征提取。相比之下,尽管深度神经网络(DNN)的名义深度更大,但其鲁棒性降低,模式敏感性增强。这表明,仅靠架构深度不足以进行高保真的EMI建模,特别是当目标是密集谱而不是标量响应时。物理指导的神经网络(PINN)提供了一个独特的优势。尽管其在总体预测准确性上没有超过CNN,但它经常产生更平滑、更符合物理现实的谱,特别是在与负载相关的场景中。然而,在待机峰值情况下观察到的较弱性能表明,物理指导的正则化不能普遍适用于所有操作条件。因此,在EMI导向的学习中,正则化应保持模式意识,并在必要时对频带敏感。

本研究的另一个成果是认识到验证、部署和优化不能被视为离散的阶段。在单分割下表现良好的替代模型如果在嵌套交叉验证或蒙特卡洛重采样下失去稳定性,则不足以作为逆向设计的可靠基础。同样,虽然在测试中准确的模型但不能支持法律裕度评估、基于GUI的部署或实验验证的优化,其实际价值也是有限的。因此,这项工作的主要方法论贡献是将高分辨率预测、多协议验证、工程导向的部署和法规意识优化集成到一个工作流程中。从设计的角度来看,结果还提供了一些实际见解。首先,被动EMI设计应被视为一个频谱成形问题,而不仅仅是最小化单一的聚合误差或衰减值。在当前数据集中,法律合规性一次又一次地由有限数量的窄带峰值决定,而不是由整个谱的平均水平决定。这意味着仅基于宽带衰减直觉的滤波器调优可能会产生误导。其次,模式覆盖率至关重要。在恒流操作中看似满意的参数集在待机峰值检测下可能会变得关键,因为限制范围较低,且以前次要的频谱特征可能成为裕度限制。第三,当模型嵌入到优化器中时,接近法律边界的替代模型行为比平均准确性更为重要。一旦优化开始寻找边界情况,即使是微小的局部预测误差也可能导致不安全的设计选择。因此,最有用的替代模型不仅仅是一个平均误差最低的模型,而是一个在最有可能决定合规性的关键区域中保持稳定的模型。本研究的结果提出了一种实用的工程工作流程,用于开发受电磁干扰(EMI)限制的 converters。最初,可以采用一个有限但结构精细的测量活动来训练多个候选替代模型。随后,可以在一个轻量级的预测界面中使用这些最可靠的模型,从而在实施硬件修改之前促进以合规性为导向的优化。尽管实验验证仍然至关重要,但由于候选设计针对多模式法律边界标准进行了预筛选,因此可以最大限度地减少昂贵的实验室迭代次数。因此,这里开发的框架既具有预测性又具有操作性。

同时也应承认几个限制。首先,替代模型是在实验覆盖的参数范围内开发和评估的;因此,报告的结果应主要解释为在采样设计空间内的插值,而不是超出该空间的验证外推。其次,尽管有限的重复性检查表明了良好的短期测量一致性,但全面的不确定性分析超出了本研究的范围。第三,这里采用的 PINN 公式应被视为基于正则化的物理信息替代模型,而不是直接求解控制电磁场方程的模型。这些限制并没有降低框架的价值,但它们有助于定义当前结论应解释的范围。

未来的工作可以在几个方向上扩展当前的框架。更广泛的实验活动可以改善对可行设计空间的覆盖,并支持更详细的不确定性意识验证。以合规性为导向的诊断方法,如假通过/失败分析和边界误差统计,可以补充当前的基于回归的评估。在建模方面,适应模式的物理信息正则化可能有助于解决高变异性场景(如待机峰值 EMI)中观察到的限制。在设计方面,优化框架可以扩展到多目标公式,考虑 EMI 性能以及组件成本、尺寸、热行为和实现公差。总体而言,该研究为多级功率 converter 中的替代模型引导的 EMI 意识设计提供了实用且基于实验的支持。

尽管有这些优势,仍存在一些限制。尽管数据集在实验工作量方面相当丰富,但它仅限于实验室中检查的操作条件。更广泛的泛化需要增加开关频率、直流链路条件、电缆配置和热状态的变化性。这里采用的物理信息神经网络(PINN)公式是由物理指导的,而不是完全从物理推导出来的;它促进了频谱的平滑性,但尚未编码特定的转换器电磁场模型。在优化方面,当前的公式使用连续的设计变量,而实际组件选择必须考虑离散的目录值、制造公差和商业可用性。当前的图形用户界面(GUI)也应被视为一个工程决策支持环境,而不是一个全面的数字孪生。

这些限制指出了未来研究的几个方向。一个有前景的扩展是不确定性意识的替代模型,使得优化能够结合预测信心和点估计。另一个是在离散组件库和公差引起的变化性下进行稳健的优化。第三个是混合替代设计,它将卷积神经网络(CNN)级别的局部特征提取与 PINN 风格的频谱正则化或电路信息残差约束相结合。最后,未来的目标函数可以从关键带重新加权中受益,因为实验结果表明,合规性通常由少数频率区域决定,而不是在整个频带均匀决定。总体而言,这些方向可以将当前框架从一个高性能的研究原型推进为一个更适用于部署的合规意识 EMI 过滤器设计方法。

6. 结论

本研究开发并基于实验建立了一个基于替代模型的框架,用于预测和优化带有时序控制的 IGBT 基本 SVPWM 控制的三相三级 NPC 逆变器中的传导 EMI,该逆变器配备了有源谐波滤波器。通过将问题表述为从被动滤波器参数到四种操作场景下的 7744 点 EMI 响应的全谱回归,这项工作超越了简单的合规性指标,解决了实际上控制法律边界评估的频谱形态问题。在这个意义上,这项研究不仅仅将传导 EMI 视为可测量的副产品,而是将其视为可以建模、解释和优化的设计依赖工程响应。

比较建模结果表明,四个替代模型家族的贡献方式不同。CNN 提供了最一致的预测准确性和重复采样稳定性组合,使其成为最可靠的合规性导向设计支持替代模型。ANN 仍然是一个强大的紧凑基线,并且证明了相对简单的密集架构仍然可以以有用的工程保真度重建全局 EMI 包络。尽管 DNN 的深度更大,但在多次重采样评估中并没有显示出相应的鲁棒性提升,并且在几个操作制度下显得特别脆弱。PINN 提供了一个不同的优势:尽管其在总体准确性上没有超过 CNN,但在几个与负载相关的案例中产生了更平滑和更符合物理规律的频谱重建,强调了当仅靠数值拟合不足以确保合理的频谱行为时,物理信息正则化的价值。

研究的一个核心结果是,EMI 分析中的替代模型质量不应仅通过综合回归指标来评判。当预期的下游任务是以合规性为导向的滤波器设计时,必须共同考虑数值准确性、重采样稳定性、频谱形态和物理可解释性。结果表明,具有可接受全局误差的模型在适合法律边界评估和逆向设计方面仍可能有显著差异。这在待机峰值场景中尤为明显,在该场景中,频谱结构变得更加难以学习,准确预测和可靠合规性重建之间的区别变得更加关键。

除了预测之外,该研究还展示了实验训练的替代模型可以嵌入到实际的工程工作流程中。训练后的模型被集成到一个基于 Python 的 GUI 中,用于快速 EMI 估计和检查,并进一步应用于以合规性为导向的优化框架中。这个优化阶段不仅仅改进了已经符合要求的解决方案。在实验测量的优化前设计空间内,没有一种测试的滤波器组合在整个频带和所有操作场景中都满足适用的法律限制,最好的测量前优化组合仍然表现出最坏情况下的?3.7 dBμV 的法律边界。相比之下,最佳实验验证的优化设计实现了 11.50 dBμV 的正法律边界,相当于最坏情况下法律边界提高了 15.20 dBμV。这一结果证实了所提出的框架不仅有助于 EMI 预测,还有助于直接进行法规意识的滤波器合成。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号