摘要
本文提出了一种基于自适应神经网络的算法，用于减轻并联多单元直流/交流功率变换器滑模控制中的抖振现象。虽然传统的滑模控制具有很强的抗参数不确定性、外部干扰和负载变化的能力，但其不连续的控制动作往往会产生抖振，从而导致过度的开关动作和性能下降。为了解决这一问题，该算法将一种计算效率高的自适应神经网络集成到滑模控制框架中，用以近似处理不连续的开关项，生成平滑的控制信号。所提出的算法通过自适应学习机制在线更新神经网络参数，从而实现模型不确定性的实时补偿，同时保持滑模控制原有的强鲁棒性。这种自适应神经网络滑模控制算法能够确保输出电压的精确跟踪，使变换器各单元均衡工作，并减少开关振荡。在包括负载变化和系统干扰在内的不同运行场景下进行了大量仿真研究。通过跟踪精度、动态响应、鲁棒性和抖振抑制等定量指标，将该方法的性能与传统滑模控制进行了对比。实验结果表明，自适应神经网络滑模控制算法不仅能显著降低高频振荡，还能改善瞬态性能，并保持系统的强鲁棒性。这些研究结果表明，所提出的基于自适应学习的控制算法是一种有效且可扩展的解决方案，适用于在不确定条件下运行的先进功率变换系统。
