基于物理信息的神经网络模型预测控制用于DC-DC升压转换器，具备自适应暂态恢复与增强动态稳定性

DC-DC升压转换器需要先进的控制以确保在负载变化下的效率和稳定性。传统的模型预测控制(MPC)和数据驱动的神经网络方法面临复杂度高和物理约束执行有限的挑战。本文提出了一种将物理信息嵌入神经网络(PINN)与有限控制集MPC(FCS-MPC)相结合的混合方法，用于升压转换器。PINN将物理规律嵌入神经训练中，提供准确的状态预测，而FCS-MPC确保约束满足和多目标优化。该方法具有自适应暂态恢复、明确的电压比控制和增强的动态稳定性。实验结果表明，在一台商业升压模块上，所提出的方法在暂态响应方面得到改善，电压纹波降低，跨导模运行稳健。该方案为电力电子领域的实时控制提供了一个计算高效、物理一致的解决方案。