模型预测控制（MPC）是一种能有效处理非线性问题和实现多目标优化的优秀方法（Rodriguez, Garcia, Mora, Davari, Rodas, Valencia, Elmorshedy, Wang, Zuo, Tarisciotti, Flores-Bahamonde, Xu, Zhang, Zhang, Norambuena, Emadi, Geyer, Kennel, Dragicevic, Khaburi, Zhang, Abdelrahem, Mijatovic, 2022a; Rodriguez, Garcia, Mora, Flores-Bahamonde, Acuna, Novak, Zhang, Tarisciotti, Davari, Zhang, Wang, Norambuena, Dragicevic, Blaabjerg, Geyer, Kennel, Khaburi, Abdelrahem, Zhang, Mijatovic, Aguilera, 2022b）。在各类MPC方法中，有限控制集MPC因设计简单、动态响应好，且无需调制环节而具有更高的灵活性，因此被广泛应用于电力变换器领域（Rodríguez等人，2020年）。不过，FCS-MPC依赖于预先建立的模型，而这种模型容易因过载、磁饱和、外部干扰、时间延迟等因素导致参数不匹配，进而影响控制性能（Wang等人，2022年；Xia等人，2012年）。为此，下文将简要介绍有关FCS-MPC鲁棒性的研究进展。
为解决上述问题，无模型预测控制（MFPC）应运而生，并逐渐得到更多研究。MFPC的核心思想是降低控制系统对精确模型的依赖，从而提升其鲁棒性（Khalilzadeh等人，2021年）。典型的MFPC方法可通过查表机制来实现（Lin等人，2014年）。该方法利用与各控制输入相关的历史输入输出数据来进行预测，无需依赖系统的精确数学模型。但这种方法存在性能下降的问题（Lin等人，2016年）。尽管有一些研究提出了相应的改进策略（Carlet, Tinazzi, Bolognani, Zigliotto, 2019年；Ma, Li, Yao, Zhang, De Belie, 2021年），但仍然难以完全避免性能下降的问题。此外，基于查表的方法还需要额外的存储空间，且处理复杂系统的能力有限（Yang等人，2022年）。
另一种被广泛研究的方法是基于数据驱动模型的无模型预测控制（Jiang等人，2023年）。通过引入在线干扰观测器，数据驱动模型可以替代传统的数学模型，从而提升系统对模型不匹配的抵抗能力（Liu等人，2022a年）。其中，基于超局部模型的预测控制被广泛应用，人们还采用了多种干扰估计方法来保障控制性能，比如滑模观测器（SMO）（Jin等人，2022年）、基于扩展状态观测器的方法（Liu, Qiu, Wu, Ma, Fang, Peng, Wang, Rodríguez, 2023年；Zhang, Jin, Huang, 2021年）、基于预测器的神经网络方法（PNN）（Liu, Qiu, Fang, Wang, Li, Rodríguez, 2024年；Liu, Qiu, Rodríguez, Wu, Ma, Peng, Wang, Fang, 2022b年；Liu, Qiu, Wu, Ma, Fang, Peng, Wang, 2021年）。虽然这些方法能够减少对精确模型的需求，并在一定程度上提升系统的鲁棒性，但现有的数据驱动模型方法仍依赖于某些先验参数。例如，在超局部模型中，输入增益必须预先确定（Mousavi等人，2023年）。这类先验参数的选择可能会影响系统的整体鲁棒性。因此，如何开发一种完全不受初始值选择影响的无模型控制方法，依然是一个挑战。
此外，由于FCS-MPC在每个采样时刻仅能输出一个开关状态，其控制性能有限，会导致输出纹波相对较大。为克服这一缺陷，人们提出了长时域FCS-MPC方法，通过长时域预测系统行为，从而获得全局最优解（Karamanakos等人，2014年）。但这种方法的计算复杂度较高。另一种解决方案是在一个采样周期内使用多个电压向量（Guo, Jin, Li, Luo, 2021年；Guo, Ren, Li, 2018年；Kwak, Kim, Park, 2015年；Yin, Hu, Rui, Feng, 2022年），这些方法确实能够提升控制性能。不过，目前很少有研究将高度鲁棒的无模型控制方法与多向量结构相结合，以实现更低的输出纹波和更弱的模型依赖性。
基于前述研究的成果，本文提出了一种基于候选项剪枝估计器的新型预测控制方法——CTPE-PC。该方法采用了候选项剪枝结构以及同步参数在线识别机制，从而显著提升了在线识别的性能。所提出的CTPE-PC方法具有快速收敛的特点，且能够输出多个电压向量，即便在系统信息有限的情况下也能消除不确定性，进而确保开关频率稳定，降低跟踪误差。本文的主要贡献如下：
- 1)
与以往的数据驱动建模方法不同，所提出的候选项剪枝估计器在估算过程中采用了更具通用性的函数形式，从而降低了對初始参数选择的依赖。通过合理构建函数库并及时更新，即可形成完整的data驱动模型，进而有效减轻模型不匹配的问题。
- 2)
为充分发挥候选项剪枝估计器的优势，本文采用了在线学习策略来估算各个模型项的权重。由于该学习机制具有收敛性保证，能够动态剔除影响较小的项，因此相比传统的在线识别方法，具有更强的抗干扰能力。
- 3)
本文将多向量控制方案与CTPE-PC方法相结合。通过多向量输出，能够充分发挥该方法的鲁棒性优势，从而降低输出纹波，提升电流跟踪精度。最后，通过性能评估验证了所提方法的有效性。
本文的其余结构如下：第2节介绍传统的MPC算法；第3节阐述所提出的无模型CTPE-PC算法；第4节针对3L-NPC变换器进行仿真验证；第5节给出实验验证结果；最后，第6节总结全文的结论。
