基于人工神经网络的移相优化以实现交错式升压-Z 源变换器的输入纹波最小化

《Scientific Reports》：Artificial neural network–based phase-shift optimization for input ripple minimization in an interleaved boost–Z-source converter

　　

摘要

本文提出了一种基于神经网络的移相控制策略，旨在最小化非对称交错式 Boost–Z 源转换器的输入电流纹波。与仅在特定工作点提供纹波减小的传统固定相位交错不同，所提方法根据转换器的瞬时占空比调整移相角。首先，在广泛的运行条件下进行了全面的纹波曲面映射，为每种占空比组合生成最小化纹波均方根值所需的最优移相角。然后，这些最优工作点被用于训练一个紧凑的 2–10–1 前馈人工神经网络（ANN），能够实时预测最小化纹波的移相角。训练后的网络被部署在低成本 STM32 微控制器上，并集成到转换器的 PWM 生成系统中。在全尺寸原型上进行的硬件实验验证了仿真结果，并确认了该方法的实用性和鲁棒性。所提方法结合了数据驱动建模的准确性与嵌入式实现所需的简洁性，为非对称或混合电力转换器架构提供了一种强有力的替代解析纹波最小化技术的方案。该方法展示了针对占空比变化的快速动态响应，以及仿真与硬件结果之间的高度一致性。