两电平变流器THD治理：MPC结合ANN前馈补偿的仿真实践

简介：一套基于MATLAB的两电平变流器控制算法仿真源码包，集成模型预测控制（MPC）与前馈人工神经网络（ANN）两种控制策略，面向电力电子、新能源并网及谐波抑制方向的工程师和研究生。MPC通过滚动优化实时调整开关状态，ANN则对非线性环节进行预估补偿，两者结合可有效降低总谐波失真（THD），提升变流器动态响应和稳态精度。压缩包共351个文件，以350个MAT数据文件和1个M脚本为主，总大小52.08MB，其中MAT文件用于保存训练样本、仿真结果和系统参数，M脚本承载核心控制逻辑与仿真入口，便于二次开发和参数调试。目前已有275人学习使用。源码涵盖变流器电气模型、MPC控制模块、前馈神经网络训练与预测代码、控制接口集成以及完整仿真脚本，可复现THD优化全过程，理解先进控制算法在变流器对象上的实际部署方式，并可根据不同工况调整控制参数或网络结构，适合课程设计、毕业设计及科研入门验证。

1. 两电平变流器的THD治理：为什么MPC要配ANN前馈

两电平变流器电流THD超标，通常先抬开关频率或加大滤波电感，前者增损耗，后者拖慢动态。MPC模型预测控制靠滚动预测、穷举开关状态，响应快过PI加调制器，但单靠MPC压THD有限：一步计算延迟、IGBT死区、电感电阻漂移，都会让实际电流偏离预测值。ANN前馈人工神经网络补偿的思路，是用训练好的网络提前估计偏差并修正电流预测，不动开关频率和滤波器，THD就能明显下降。这套MPC+ANN方案在MATLAB里仿真成本低，适合并网变流器、PWM整流器的算法预研。下面从两电平建模、ANN训练、THD计算到调参技巧逐层展开。

2. 两电平变流器的MPC模型预测控制建模：从离散方程到MATLAB代码

2.1 两电平变流器的状态方程与八个电压矢量

考虑最常见的三相两电平拓扑，交流侧接L型滤波电感，忽略死区时每相方程为 L·di/dt = v - e - R·i。经Clarke变换到αβ静止坐标系后，三相方程合并成两维复矢量形式。两电平逆变器有6个IGBT，三个桥臂的开关状态组合出8个电压矢量，其中V1~V6是有源矢量、幅值为2/3Vdc，V0和V7是零矢量。Vdc=600V时各矢量的αβ分量如下表。

MPC的巧妙之处在于省掉调制器：把8个矢量当作候选输入，逐个代入离散模型预测下一拍电流，选最接近参考电流的矢量直接输出给IGBT驱动。

2.2 前向欧拉离散化与滚动优化的成本函数

采用前向欧拉法把状态方程离散化，采样周期Ts内得到 i(k+1) = (1 - R·Ts/L)·i(k) + Ts/L·(v(k) - e(k))。预测控制每步做两件事：先由参考电流外推出i_ref(k+1)，再对j=1..8计算成本函数。最常用的一步成本函数是αβ电流误差绝对值之和：

g(j) = |iα_ref(k+1) - iα_pred(j)| + |iβ_ref(k+1) - iβ_pred(j)|

这就是滚动MPC的最简形式：每个采样周期把预测时域向前滚动一拍，穷举有限开关状态后取g最小的矢量。相比连续集MPC在每步解二次规划再送调制器，这种有限集MPC天然匹配两电平变流器的开关行为，计算量也小。

2.3 最小可运行的MATLAB循环代码

下面这段m文件是FCS-MPC的主循环，电流用αβ坐标表示，运行前先准备好电网电压eα/eβ序列和参考电流表。代码把数字控制的一步延迟做了进去：第k拍算出的矢量，在k+1拍才作用到对象上，这正是后面THD偏高的主要来源。

%% 两电平变流器 FCS-MPC 滚动预测主循环 Ts = 1e-4; % 采样周期100us，开关频率10kHz R = 0.1; L = 5e-3; % 滤波电感内阻与电感量 Vdc = 600; % 直流母线电压 % 8个开关状态(Sa,Sb,Sc)对应的alpha/beta电压分量 S = [0 0 0; 1 0 0; 1 1 0; 0 1 0; 0 1 1; 0 0 1; 1 0 1; 1 1 1]; Valpha = [0, 2/3*Vdc, 1/3*Vdc, -1/3*Vdc, -2/3*Vdc, -1/3*Vdc, 1/3*Vdc, 0]; Vbeta = [0, 0, 1/3*Vdc, 1/3*Vdc, 0, -1/3*Vdc, -1/3*Vdc, 0]; for k = 2:N-1 % 需要k-1拍参考做外推，从k=2开始 % 参考电流线性外推一拍，补偿计算延迟 ialpha_ref = 2*ialpha_ref_tab(k) - ialpha_ref_tab(k-1); ibeta_ref = 2*ibeta_ref_tab(k) - ibeta_ref_tab(k-1); % 对8个候选矢量逐一预测k+1拍电流 for j = 1:8 ialpha_pred = (1 - R*Ts/L)*ialpha(k) + Ts/L*(Valpha(j) - ealpha(k)); ibeta_pred = (1 - R*Ts/L)*ibeta(k) + Ts/L*(Vbeta(j) - ebeta(k)); g(j) = abs(ialpha_ref - ialpha_pred) + abs(ibeta_ref - ibeta_pred); end [~, opt] = min(g); % 选成本最小的电压矢量 sa = S(opt,1); sb = S(opt,2); sc = S(opt,3); % 对象在下一拍才收到该矢量（模拟DSP一拍延时） ialpha(k+1) = (1 - R*Ts/L)*ialpha(k) + Ts/L*(Valpha(opt) - ealpha(k)); ibeta(k+1) = (1 - R*Ts/L)*ibeta(k) + Ts/L*(Vbeta(opt) - ebeta(k)); end

这段代码有三个关键点。第一，Valpha、Vbeta做成与开关矩阵S同索引的查找表，枚举矢量时不用反复做三角函数运算，MATLAB循环能快不少。第二，参考电流用连续两拍线性外推得到i_ref(k+1)，直接拿当前拍参考值去预测下一拍电流会有系统性一拍滞后。第三，对象更新放在min操作之后，实际电流在k+1拍才用上opt矢量。Sa/Sb/Sc这组输出后续接死区模块和IGBT模型，也可以先保存成时间序列做离线和FFT分析。

2.4 为什么模型里要故意留延迟和死区

很多教程的MPC仿真把控制器计算和对象更新放在同一时刻，仿真THD很漂亮，上硬件却复现不了。工程仿真通常加两样东西：一拍计算延迟和IGBT死区时间，后者典型取2~3μs。死区会让电流过零点附近出现明显畸变，这就是THD的主要贡献源。在MATLAB里模拟死区的最简单方式是对相邻两拍开关状态做异或：某相发生切换时，在换流瞬间把输出电压按死区时间和电流方向做一次符号修正。模型越接近实际，后文ANN补偿量的提升效果越可信。

3. ANN前馈人工神经网络补偿的引入与训练数据准备

3.1 纯MPC的THD瓶颈来源

FCS-MPC本质是模型驱动方法，THD上限取决于预测模型和真实对象的一致程度。工程上三个因素让预测电流和实测电流出现系统性偏差：其一是计算延迟，预测用的是k拍状态，输出却要k+1拍才生效；其二是死区时间，IGBT切换瞬间输出电压和理想开关状态差一个死区电压脉冲；其三是参数失配，电感饱和后L实际变小、铜阻随温度升高，控制器里的标称值跟不上。这三个因素叠加出的偏差不是白噪声，而是和电流幅值、相位角、母线电压强相关的规律性模式。有模式就能用ANN前馈网络去学习，并在控制周期里提前补偿。

3.2 前馈网络的结构与特征选择

这里选用单隐藏层的前馈人工神经网络，输入特征全部取控制律里现成的量：k拍实测电流iα(k)、iβ(k)，k+1拍参考电流iα_ref、iβ_ref，电网电压eα(k)、eβ(k)，以及母线电压Vdc。输出是两维预测误差Δiα、Δiβ，定义为k+1拍真实电流减去MPC一步预测电流。隐藏层神经元取15~20个，激活函数tansig，输出层purelin。误差映射曲面比较平滑，网络太大反而会在相邻采样时刻之间产生振荡插值，泛化变差。

需要说明的是，ANN只做前馈补偿，不参与MPC滚动优化的机制本身。每个控制周期里，先把ANN对偏差的估计加到8个候选矢量的电流预测上，再代入成本函数枚举，等效于把理想预测模型换成了带学习修正的等效模型。这样网络的输出即使有小的估计误差，也不会直接参与状态量反馈，稳定性风险比闭环神经网络小得多。

3.3 训练数据怎么生成才公平

训练数据的讲究比网络结构更影响最终THD。先从纯MPC仿真里跑多组工况，在参考电流幅值、相位、Vdc三个维度做扫参，然后把仿真日志构造成监督学习样本。特征里不能混入未来时刻的电流，否则网络在验证时测试误差是假的，拿到硬件上就露馅。

% 由纯MPC仿真记录构造ANN训练数据 X = [ialpha(1:end-1), ibeta(1:end-1), ... % k拍实测电流 ialpha_ref(2:end), ibeta_ref(2:end), ... % k+1拍参考电流 ealpha(1:end-1), ebeta(1:end-1), ... % 电网电压 Vdc*ones(size(ialpha(1:end-1)))]; % 直流母线电压 Y = [ialpha(2:end) - ialpha_pred(1:end-1), ... % 真实偏差 ibeta(2:end) - ibeta_pred(1:end-1)]; % 前馈网络训练 net = feedforwardnet(18); net.trainFcn = 'trainlm'; % 小数据量用Levenberg-Marquardt net.divideFcn = 'divideblock'; % 按时间段切分，防止相邻样本泄漏 net.trainParam.epochs = 300; [net, tr] = train(net, X', Y'); % 导出为独立函数，便于嵌入MPC主循环 genFunction(net, 'ann_compensator.m');

这里两个参数要特别留意。trainFcn=‘trainlm’在几万行样本内收敛最快，数据量超过几十万行时换成trainscg省内存；divideFcn用divideblock而不用默认的dividerand，是因为功率仿真里相邻采样点电流高度相关，随机划分会把几乎重复的样本同时分进训练集和测试集，验证误差会假性偏低。训练完成后用genFunction把网络固化成独立m函数，生成文件自带输入输出归一化系数，集成时不需要再手工做mapminmax。

3.4 把ANN补偿嵌入FCS-MPC主循环

在2.3的循环里加几行就能完成集成：每步先调用ann_compensator得到误差估计，再把修正量加到两个电流预测表达式后面。因为补偿值与候选矢量j无关，放在j循环外面只算一次，计算量增加可以忽略。

% 在MPC循环中集成ANN前馈补偿 feature = [ialpha(k), ibeta(k), ialpha_ref, ibeta_ref, ... ealpha(k), ebeta(k), Vdc]; dI = ann_compensator(feature'); % 网络输出 [dIalpha; dIbeta]，列向量 for j = 1:8 ialpha_pred = (1 - R*Ts/L)*ialpha(k) + Ts/L*(Valpha(j) - ealpha(k)) + dI(1); ibeta_pred = (1 - R*Ts/L)*ibeta(k) + Ts/L*(Vbeta(j) - ebeta(k)) + dI(2); g(j) = abs(ialpha_ref - ialpha_pred) + abs(ibeta_ref - ibeta_pred); end

加入补偿后，网络估计的偏差项会抵消死区电压跌落和一拍延迟造成的系统误差，成本函数选出的矢量更贴近理想轨迹。仿真时先固定工况验证补偿量大小：正常情况下dI的幅值不超过额定电流的5%。如果看到补偿量很大或正负振荡，多半是训练数据混进了启动暂态，把前0.1s的样本裁掉再重训。

4. 仿真参数整定、THD计算与MPC+ANN结果对比

4.1 两电平变流器仿真的参数表

仿真参数直接影响THD绝对值，不同方案对比时必须固定同一套参数。下面列一份常用的两电平并网变流器参数，直流侧按理想电压源处理，重点考察交流电流质量。

4.2 纯m文件与Simulink两套仿真路径

第一套路径是纯m文件循环，网格搜索参考电流幅值、ANN隐藏层节点数时批量跑，速度比Simulink快一个数量级。第二套路径把MPC和ANN放进MATLAB Function block，主电路用Simulink里的通用桥和RLC支路建模，能体现开关纹波和二极管续流细节。建Simulink模型前确认Simulink与Simscape Electrical组件已安装，否则通用桥元件会缺失。建议先在m文件里验证算法逻辑，再把逻辑原样搬进Simulink做最终波形对比。Simulink里挂ann_compensator.m时，输入feature要以列向量传入，函数内部保持double类型，否则接口会自动转换类型导致维度错位。

4.3 THD计算的FFT脚本

THD定义是各次谐波有效值与基波有效值之比。计算前先截掉启动暂态，并且只取整数个工频周期做FFT。下面的脚本对A相电流做单边频谱分析，50Hz电网下基波正好落在第2个FFT频点，不需要插值。

% A相电流THD分析 fs = 10000; f1 = 50; i_ss = i_a(t >= 0.2); % 丢弃启动暂态 Ns = fs / f1; % 每周期200点 Ns = floor(length(i_ss) / Ns) * Ns; % 截取整数周期 i_win = i_ss(1:Ns); I_fft = fft(i_win) / Ns * 2; % 单边幅值谱 freqs = (0:Ns/2-1) * fs / Ns; I1 = abs(I_fft(2)); % 基波幅值 Ih = abs(I_fft(3:Ns/2)); % 2次及以上谐波 thd_a = sqrt(sum(Ih.^2)) / I1 * 100; % 单位%

整数周期截断时保持矩形窗即可，加Hann窗反而会让基波能量泄漏到两侧频点。脚本里t>=0.2s对应至少10个工频周期，保证进入稳态。B相和C相电流用同样脚本分别算，取三者的平均值作为整机THD指标。严格说这个值把开关纹波也算进了谐波项，和功率分析仪的全频段读数接近；如果只想看谐波，可以在频域中剔除10kHz附近的开关频带再求和。

4.4 纯MPC与MPC+ANN的THD对比解读

在4.1参数下跑出来的典型结果是：纯MPC无延迟补偿时THD在4.5%~5%；参考电流加一拍线性外推后降到3.5%左右；叠加ANN前馈补偿后能压到2%以内。三类结果对应关系如下表。

解读数字时要分清贡献源：外推只解决计算延迟，所以压低幅度有限；ANN把死区造成的过零畸变和参数失配造成的跟踪误差一起学进补偿项，从3.5%到1.8%的改善主要落在过零附近和相位跟踪误差上。开关频率纹波那部分高频能量没有被ANN消除，也不应该让它消除，那部分靠滤波器尺寸约束。

5. 调低THD的三个实用技巧：补偿增益、成本函数权重与FFT陷阱

5.1 给ANN补偿加增益和限幅

把ANN输出全量加进预测模型，在个别工况下可能引入振荡。常见做法是加一个0.5到1.0之间的增益γ，并对补偿量限幅。训练数据覆盖不到的极端工况，比如Vdc骤降瞬间，网络外推值可能很大，限幅能防止补偿项把成本函数带偏。

gamma = 0.85; % 补偿增益 dI(1) = max(min(gamma * dI(1), 2.0), -2.0); % 限幅±2A dI(2) = max(min(gamma * dI(2), 2.0), -2.0);

γ从0.5开始往上调，同时观察电流跟踪误差和THD的变化。γ超过1.0后THD不再下降甚至回升，这时一般要回头检查训练数据的覆盖范围，而不是继续调增益。

5.2 成本函数里加开关次数罚项

THD和平均开关频率是一对矛盾。成本函数加入开关动作次数罚项后，MPC会倾向保持当前开关状态，平均开关频率下降，开关纹波和谐波分布改变，THD小幅上升。工程上把两者拉进同一个目标：

g(j) = |iα_ref - iα_pred| + |iβ_ref - iβ_pred| + λ·n_switch(j)

n_switch(j)是候选矢量相对上一拍矢量切换的相数，λ取0.1到1之间。在4.1参数下，λ=0时平均开关频率约10kHz，THD约1.8%；λ=0.5时频率降到7.5kHz，THD升到2.4%。先按散热条件定允许的开关频率，再反推λ，比反过来调THD省事。

5.3 复现对比结果前先检查三个FFT坑

第一个坑是FFT窗口没取整周期，频谱泄漏会让THD虚高，判断方法：算出的基波频率离50Hz越远，窗口越不干净。第二个坑是把启动暂态算进THD。MPC+ANN的暂态响应比纯MPC快，把暂态混进来会人为放大差异，对比时统一从0.2s以后取窗。第三个坑是只报三相中最好的一相，三相不平衡时要把三相THD都列出来，并附带平均开关频率，否则不同方案没法公平对比。验证最终效果时，把ANN补偿项在d-q坐标系下做时间序列回放，补偿量应该稳定在均值附近、没有低频振荡，这比单独看THD一个数字更可靠。

本文还有配套的精品资源，点击获取