面向级联桥式换流器、模块化多级换流器和可重构电池的 AI 驱动相位移载波优化

相位移载波脉宽调制 (PSC-PWM) 是级联桥式换流器、模块化多级换流器和可重构电池中广泛采用的调度算法。然而，对于固定相位移角的模块而言，脉宽非均匀会导致显著的电流纹波和输出电压失真。电压均匀性反而需要优化各个载波的相位移。然而，针对这种优化的计算负担超出了任何简单嵌入式控制器的能力。本文提出一种神经网络，模拟即时优化器的行为，计算负担显著降低。该方法具有在不要求广泛查找表、慢速数值优化或复杂控制器调谐的情况下，稳定预测固定相位移角下非相同调制指数的平衡电池模块最佳相位移角的优势。该方法仅需一次（重新）训练即可适用于任意指定模块数的系统。此外，所提出的框架还包括一种简单缩放策略，允许为较少模块数训练的神经网络通过分组模块和调整其相位移来重复用于更大系统，无需重新训练。大规模评估、仿真和实验表明，该方法在实时内可将电流纹波和加权总谐波失真降低最高可达 50%，比传统优化器（如遗传算法）快 10 万至 50 万倍，使其成为在线应用的唯一可行方案。