基于条件感知的平均超局域预测控制方法，结合切换周期下的输入-输出协同重构技术，用于NPC（非对称直流-直流）三级电力转换系统

《Scientific Reports》：Condition-aware averaged ultra-local predictive control with switching-period input–output collaborative reconstruction for NPC three-level power conversion systems

　　

摘要

基于模型的预测控制方法用于NPC三级功率转换系统（PCSs），该方法依赖于精确的系统参数，并且对开关纹波、测量噪声以及由数字延迟引起的预测误差非常敏感。为了解决这些问题，本文提出了一种基于开关周期输入-输出协同重构的平均超局域模型（SPIOCR-AULM）。在该框架中，参数不确定性、坐标耦合效应、电容器电压的影响以及未建模的动态因素被统一到一个集总干扰通道中，并通过扩展状态观测器结构进行在线重构。在输出端，过度采样辅助的多点融合技术构建了开关周期平均状态表示，以减少局部纹波峰值和噪声瞬态样本的影响。在控制输入端，子区间积分技术重构了等效控制电压的快速变化，同时协调相邻周期的输入动作以获得平均等效输入。通过对噪声抑制机制和观测器补偿误差动态的分析，揭示了干扰衰减和参数的鲁棒性。为了进一步平衡稳态噪声抑制和瞬态响应，提出了基于条件感知的自适应带宽配置，作为SPIOCR-AULM的扩展，形成了CAAB-SPIOCR-AULM。在125 kW原型机上的仿真和实验验证了该算法能够改善电流质量、有效抑制开关纹波和测量噪声，并在实际PCS工况下（包括电感不匹配、噪声干扰以及双向功率流动情况下）保持稳定的控制性能。