DT-MPC：基于物理信息神经数字孪生从功率变换器网表合成免求导模型预测控制
系统与控制
2025-12-16 v1 系统与控制
摘要
模型预测控制（MPC）是电力电子领域的一种强大控制策略，但它高度依赖人工推导且特定于拓扑的分析模型，这在实际设计中既费时又费力。为了克服这一瓶颈，本文引入了一种用于通用功率变换器的基于数字孪生的 MPC（DT-MPC）框架，该框架可以利用 DT 作为高保真系统模型，将高级电路系统地转化为目标感知控制策略。此外，提出了一种物理信息神经代理预测器，以加速 DT 的预测并实现实时操作。还引入了一种无梯度单纯形搜索优化器，以有效处理复杂的多目标优化。该框架的有效性已通过在 1500 W 双有源桥变换器上的云到端部署得到验证。实验结果表明，合成的预测模型实现了比实时快 7 倍以上的推理速度，DT-MPC 控制器优于几种人工设计的对应方案，且整体框架将工程设计时间减少了 95\% 以上，验证了 DT-MPC 在通用功率变换器上的优越性。
引用
@article{arxiv.2512.12026,
title = {DT-MPC: Synthesizing Derivation-Free Model Predictive Control from Power Converter Netlists via Physics-Informed Neural Digital Twins},
author = {Jialin Zheng and Haoyu Wang and Yangbin Zeng and Han Xu and Di Mou and Hong Li and Patrick Wheeler and Sergio Vazquez and Leopoldo G. Franquelo},
journal= {arXiv preprint arXiv:2512.12026},
year = {2025}
}
备注
15 pages, 15 figures