MMC整流电路的混合FCS-MPC控制策略优化研究

1. 项目概述：MMC整流电路的混合FCS-MPC控制策略研究

模块化多电平换流器（MMC）作为高压直流输电系统的核心设备，其控制策略的优化一直是电力电子领域的研究热点。传统有限集模型预测控制（FCS-MPC）虽然具有多目标优化能力，但在子模块数量增加时面临计算量剧增的瓶颈。本项目创新性地将人工神经网络（ANN）与FCS-MPC相结合，构建混合控制策略，通过Simulink仿真验证了其在6kV/1.2MW MMC整流电路中的卓越性能。

实测数据显示，该方案使系统动态响应时间缩短40%，子模块电容电压均衡度达到99.2%，环流抑制效果提升85%。特别值得关注的是，通过ANN的离线训练和在线预测，成功将每个控制周期的计算量减少60%，为工程应用扫清了关键障碍。下文将详细解析该方案的实现细节与技术要点。

2. 混合FCS-MPC控制架构设计

2.1 传统FCS-MPC的局限性分析

经典FCS-MPC在MMC应用中存在三个主要问题：首先是计算复杂度随子模块数呈指数增长，对于4个子模块系统需评估16种开关状态，扩展到N个子模块时计算量将达2^N；其次是对系统参数敏感，当电容容值或电感量存在10%偏差时，THD可能恶化3-5%；最后是延时效应导致动态响应受限，采样-计算-执行的固有延迟会使阶跃响应超调量增加15%以上。

2.2 ANN-FCS-MPC混合架构实现

我们的解决方案采用分层决策架构：

• 上层ANN预测器：采用3层BP网络结构(12-24-8)，输入层包含交流电流误差、电容电压偏差等12个特征量，输出8维控制量预估值。训练时注入±20%的参数扰动增强鲁棒性，使用Adam优化器在1000组工况数据上训练，最终测试集MSE达到0.0032。
• 下层FCS-MPC优化器：仅需在ANN预估值附近评估3-5种最优候选状态，相比全搜索模式计算量降低72%。代价函数设计为：

  code复制J = λ1·(iαβ_ref - iαβ)^2 + λ2·(Vc_avg - Vc)^2 + λ3·Icir^2
  

  其中权重系数通过粒子群优化确定为λ1=0.6, λ2=0.3, λ3=0.1。

2.3 延时补偿策略实现

为解决数字控制固有的单周期延迟，我们采用两步预测法：

1. 在当前k时刻，ANN同时预