PWM整流器的径向基函数神经网络控制新方法

一种基于神经网络的电机控制算法摘要：本文提出了一种基于神经网络的电机控制算法。

该算法通过学习电机的动态响应特征，将电机控制问题转化为一个非线性函数逼近问题。

在设计神经网络结构时，我们采用了卷积神经网络（CNN）和循环神经网络（RNN）的结合，以处理输入数据的时空特征。

实验结果表明，该算法具有较高的控制精度和鲁棒性，能够适应于各种电机控制应用场景。

关键词：神经网络，电机控制，卷积神经网络，循环神经网络Abstract：This paper proposes a motor control algorithm based on neuralnetworks. By learning the dynamic response characteristics of the motor, the control problem of the motor is converted into a nonlinear functionapproximation problem. In the design of neural network structure, weuse the combination of Convolutional Neural Networks (CNN) and Recurrent Neural Networks (RNN) to handle the spatiotemporal features of input data. The experimental results show that this algorithm has high control accuracy and robustness, and can adapt to various motor control application scenarios.Keywords: neural networks, motor control, convolutional neuralnetworks, recurrent neural networks1.引言在自动化领域中，广泛应用的电机控制涉及电机的启停、转速调节、负载调节等问题，对于智能工厂、机器人等领域都有很重要的应用。

神经网络控制(RBF)神经网络控制（RBF）是一种基于径向基函数（RBF）的神经网络，用于控制系统，其主要功能是通过对输入信号进行处理来实现对系统输出的控制。

通过神经网络控制，控制器可以学习系统的动态行为和非线性模型，从而使得控制器能够自适应地进行调整和优化，实现对系统的精确控制。

RBF 网络通常由三层组成：输入层、隐藏层和输出层。

输入层接受系统的输入信号，并将其传递到隐藏层，隐藏层对输入数据进行处理并输出中间层的值，其中每个中间层神经元都使用一个基函数来转换输入数据。

最后，输出层根据隐藏层输出以及学习过程中的权重调整，计算并输出最终的控制信号。

RBF 网络的核心是数据集，该数据集由训练数据和测试数据组成。

在训练过程中，通过输入训练数据来调整网络参数和权重。

训练过程分为两个阶段，第一阶段是特征选择，该阶段通过数据挖掘技术来确定最优的基函数数量和位置，并为每个基函数分配一个合适的权重。

第二阶段是更新参数，该阶段通过反向传播算法来更新网络参数和权重，以优化网络的性能和控制精度。

RBF 网络控制的优点在于其对非线性控制问题具有优秀的适应性和泛化性能。

另外，RBF 网络还具有强大的学习和自适应调整能力，能够学习并预测系统的动态行为，同时还可以自动调整参数以提高控制性能。

此外，RBF 网络控制器的结构简单、易于实现，并且具有快速的响应速度，可以满足实时控制应用的要求。

然而，RBF 网络控制也存在一些局限性。

首先，RBF 网络需要大量的训练数据来确定最佳的基函数数量和位置。

此外，由于网络参数和权重的计算量较大，实时性较低，可能存在延迟等问题。

同时，选择合适的基函数以及与其相应的权重也是一项挑战，这需要在控制问题中进行深入的技术和经验探索。

总体而言，RBF 网络控制是一种非常有效的控制方法，可以在广泛的控制问题中使用。

其结构简单，性能稳定，具有很强的适应性和泛化性能，可以实现实时控制，为复杂工业控制问题的解决提供了一个重要的解决方案。

PWM整流器是什么？及PWM整流器控制原理电子元器件是推动国民经济发展的重要因素之一，然而在这个电子科技技术日新月异的时代，消费者对电子类的产品需求更是呈现出的多元化发展趋势，同时产品对电子元器件的性能有了更高的要求。

而作为被广泛应用的PWM整流器也不例外。

那么什么是PWM整流器？及PWM整流器控制原理是什么？华强北IC代购网为你一一解答。

PWM整流器是什么随着功率半导体开关器件技术的进步，电力电子变流装置得到飞速的发展，从而衍生出了以脉宽调制（PWM）为基础的各类变流装置，例如变频器、逆变电源、高频开关电源等。

经过几十年的研究与发展，PWM整流器技术已日趋成熟。

根据其能量是否可双向流动从而派生出可逆PWM整流器和不可逆PWM整流器；而其拓扑结构从最初的单向、三相电路发展到多相组合以及多电平拓扑电路；在控制开关方面，软开关调制逐渐开始代替单纯的硬开关调制；其功率等级从千瓦级发展到兆瓦级。

PWM整流器基本控制原理PWM整流器的控制目标有两个：一是使直流侧输出电压稳定；二是使交流侧输入功率因数为1或可控。

为了方便大家查阅，华强北IC代购网对PWM整流器基本控制原理归纳出以下几点：1、直接电流控制依据PWM整流器的动态方程，直接电流可对瞬时电流的波形进行高精度的控制，具有很好的动态性能，并且能够有效的防止过载和实现过流保护。

另一方面，直接电流控制对PWM整流器的控制都是采用双向闭环控制，通过直流母线电压的调节得到交流电流的电值，从而达到减小误差和产生调制的作用。

优点：良好的动态性能、高精度、低误差。

2、间接电流控制间接电流控制也成为幅相控制，通过控制整流桥交流侧击波电压的幅度值达到控制输入PWM整流器电流的目的。

与直接电流控制不一样，间接电流控制是通过开环实现对输入电流进行控制。

优点：成本低、结构简单；缺点：较大电流超调、电流震荡剧烈。

3、预测电流控制预测电流控制其本质就是采用模型误差反馈校正，根据PWM整流器实际电流的误差和电路参数等信息，计算出合适的电压矢量。

径向基函数（RBF）神经⽹络RBF⽹络能够逼近任意的⾮线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能⼒，并有很快的学习收敛速度，已成功应⽤于⾮线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等。

简单说明⼀下为什么RBF⽹络学习收敛得⽐较快。

当⽹络的⼀个或多个可调参数（权值或阈值）对任何⼀个输出都有影响时，这样的⽹络称为全局逼近⽹络。

由于对于每次输⼊，⽹络上的每⼀个权值都要调整，从⽽导致全局逼近⽹络的学习速度很慢。

BP⽹络就是⼀个典型的例⼦。

如果对于输⼊空间的某个局部区域只有少数⼏个连接权值影响输出，则该⽹络称为局部逼近⽹络。

常见的局部逼近⽹络有RBF⽹络、⼩脑模型（CMAC）⽹络、B样条⽹络等。

径向基函数解决插值问题完全内插法要求插值函数经过每个样本点，即。

样本点总共有P个。

RBF的⽅法是要选择P个基函数，每个基函数对应⼀个训练数据，各基函数形式为，由于距离是径向同性的，因此称为径向基函数。

||X-X p||表⽰差向量的模，或者叫2范数。

基于为径向基函数的插值函数为：输⼊X是个m维的向量，样本容量为P，P>m。

可以看到输⼊数据点X p是径向基函数φp的中⼼。

隐藏层的作⽤是把向量从低维m映射到⾼维P，低维线性不可分的情况到⾼维就线性可分了。

将插值条件代⼊：写成向量的形式为，显然Φ是个规模这P对称矩阵，且与X的维度⽆关，当Φ可逆时，有。

对于⼀⼤类函数，当输⼊的X各不相同时，Φ就是可逆的。

下⾯的⼏个函数就属于这“⼀⼤类”函数：1）Gauss（⾼斯）函数2）Reflected Sigmoidal（反常S型）函数3）Inverse multiquadrics（拟多⼆次）函数σ称为径向基函数的扩展常数，它反应了函数图像的宽度，σ越⼩，宽度越窄，函数越具有选择性。

完全内插存在⼀些问题：1）插值曲⾯必须经过所有样本点，当样本中包含噪声时，神经⽹络将拟合出⼀个错误的曲⾯，从⽽使泛化能⼒下降。

三相电压型PWM整流器控制策略及应用研究一、概述随着电力电子技术的快速发展，三相电压型PWM（脉冲宽度调制）整流器作为一种高效、可靠的电能转换装置，在电力系统中得到了广泛应用。

其不仅能够实现AC（交流）到DC（直流）的高效转换，还具有功率因数高、谐波污染小等优点，对于改善电网质量、提高能源利用效率具有重要意义。

对三相电压型PWM整流器的控制策略及应用进行深入研究，对于推动电力电子技术的发展和电力系统的优化升级具有重要意义。

三相电压型PWM整流器的控制策略是实现其高效稳定运行的关键。

目前，常用的控制策略包括基于电压矢量控制的直接电流控制、基于空间矢量脉宽调制的间接电流控制等。

这些控制策略各有优缺点，适用于不同的应用场景。

需要根据实际应用需求，选择合适的控制策略，并进行相应的优化和改进。

在实际应用中，三相电压型PWM整流器被广泛应用于风力发电、太阳能发电、电动汽车充电站等领域。

在这些领域中，整流器的稳定性和效率对于保证整个系统的正常运行和提高能源利用效率具有至关重要的作用。

对三相电压型PWM整流器的控制策略及应用进行研究，不仅有助于推动电力电子技术的发展，还有助于提高能源利用效率、促进可再生能源的发展和应用。

本文将对三相电压型PWM整流器的控制策略及应用进行深入研究。

介绍三相电压型PWM整流器的基本原理和常用控制策略分析不同控制策略的优缺点及适用场景结合实际应用案例，探讨三相电压型PWM整流器的优化改进方法和发展趋势。

通过本文的研究，旨在为三相电压型PWM整流器的设计、优化和应用提供理论支持和实践指导。

1. 研究背景与意义随着全球能源危机和环境污染问题日益严重，可再生能源的利用与开发已成为世界各国关注的焦点。

作为清洁、可再生的能源形式，电能在现代社会中发挥着至关重要的作用。

传统的电能转换和利用方式存在能量转换效率低、谐波污染严重等问题，严重影响了电力系统的稳定性和电能质量。

研究高效、环保的电能转换技术具有重要意义。

基于径向基神经网络的污水管网堵塞诊断方法刘文亮【期刊名称】《《天津科技大学学报》》【年(卷),期】2019(034)004【总页数】5页(P76-80)【关键词】污水管网; 径向基神经网络; 故障诊断; 堵塞【作者】刘文亮【作者单位】天津市排水管理处天津 300202【正文语种】中文【中图分类】TU992.4污水管网是城市基础重要设施，长期运行、雨天水量增加等易导致管网堵塞、污水冒溢现象，造成城市安全隐患.污水管网系统是一个复杂的非线性、随机系统，污水在管网流动及污水水位受降水、污水流量负荷、管网流阻等多因素影响，有一定的流动规律，又表现出较强的波动性和随机性.对污水管网运行健康状态的监测，特别是污水管网堵塞故障及时准确定位具有重要意义[1].对管网上、下游节点流量进行监测，是确定污水管网是否堵塞的直接手段，如文献[2]报道：通过安装37 台管道流量计，对Costa do Estoril 截流系统进行了监测，需在污水管网中同步安装很多管道流量计，极其费时费力且成本高昂.对污水管网特征参数进行选点实测，再建立管网流动状态故障诊断模型，对管网运行状态进行分析预测，既可以节省实测设备前期投资以及后期维护的费用，又可以充分利用实测数据，达到事半功倍的效果.污水井内水位是反映管网流通状态的重要参数，随着物联网技术成熟发展，基于无线数据传输的低功耗液位测量技术成为污水管网状态监测的新手段，具有低功耗无需直接供电、结构紧凑便于在井盖安装实施等显著优点，使得基于污水井液位并结合管网流量作为特征参数的污水管网流动建模成为可能.现有的污水管网节点流量建模主要是确定性建模，然而，污水在管网中流动受多因素影响，直接确定性建模需要大量的水文资料，实测数据难以获得，且污水管网流程呈现较强的随机性，难以准确确定建模.对于不易建立精确数学模型、具有多种不确定性和非线性的系统，应用人工神经网络智能预测方法往往可以处理传统方法难以解决的问题，人工神经网络以其可学习的特性和其高度并行的结构所带来的容错性强、并行计算、便于用大规模并行实现等优点，及其可逼近任意非线性函数的能力，在供水系统管网压力预测、管网优化设计、管网泄漏预测、污染源追踪等方面，人工神经网络都取得了有效应用[3-4].基于物联网技术的无线液位监测为神经网络训练提供大量有效数据，使得基于人工神经网络的污水管网堵塞诊断成为可能，目前尚未见到相关研究报道.多层感知器是神经网络应用最广泛的一种，但多层感知器采用的误差反向传播算法容易陷入局部最小值且需要较长训练时间，径向基网络有与多层感知器相当的非线性映射能力，径向基函数具有在微小局部范围内生效的非零响应的局部特性，可以在学习过程中获得高效化.径向基神经网络(RBF)学习过程中只需要调整隐含层径向基函数中的参数及隐含层到输出的连接权值，训练速度快，具有较高的效率，且能够实现较高精度的预测.本文以基于污水井液位结合部分特征管网流量为监测参数，构建基于径向基神经网络的污水管网堵塞诊断方法，并对方法的有效性进行验证.1 模型构建1.1 管网水力模型污水管网典型结构包括树形结构和环状结构，图1 给出的是典型环状污水管网结构.管网相邻节点间流动关系如图2 所示， pi 为节点i 的静压，ρ 为污水密度，Vi 为平均速度，hi 为污水井液位高度，H i 为污水井海拔高度(表征坡度)，Δ pi , i1+ 为管段阻力损失，节点间流动规律遵循不可压流动伯努利方程.对于污水管网流动，可采用节点分析法对流动规律进行求解，对于具有 n+1 个节点/b 根管段的管网，无泵管段管网流动采用如下矩阵方程组描述[5-6]：式中：F 为n× b 基本关联矩阵，其元素 fij 取值为：f ij =1，节点i 与管段j 相连，且流动方向为离开节点i；f ij= - 1，节点i 与管段j 相连，且流动方向为流向节点i； f ij= 0，节点i 与管段j 不相连.G 为b ×1阶管段流量列向量，每个元素代表对应管段流量.Q 为n ×1阶节点流量列向量，每个元素代表对应节点流量.B 为 ( b - n )×b 阶基本回路矩阵，其内部元素对应边处于环路上且与环取向相同时，元素取值为1；内部元素对应边处于环路上且与环取向相反时，元素取值为-1；不在环路上时，元素取值为0.Z 为b ×1阶管段进出口压差列向量.0 为 ( b - n ) ×1的 0 向量.Z W 为b×1 阶管段阻力损失列向量.对于污水管网流动，管内污水流动阻力一般以沿程阻力为主，局部阻力占比较小，可根据海澄-威廉公式对管段阻力损失进行计算[5].该方程组共有2 b+ n 个方程与2b + n 个变量，方程组封闭具有唯一解，可以求得污水管网稳态下的节点及管段压力、液位高度、流量等流动特征参数. 图1 典型环状污水管网结构Fig.1 Schema of looped sewer network图2 管网相邻节点流动关系Fig.2 Schema of two sewer network adjacent nodes1.2 管网堵塞诊断模型直接分析管网流动状态需要大量的水文资料、管网信息等，往往难以准确获得，使得准确求解流动状态存在较大困难.管道堵塞会导致管段阻力损失变大，进而引起液位变化，同时液位变化受污水流量、降水、季节等多因素影响，表现出较强的随机性和非确定性.基于人工神经网络的智能诊断是解决该问题有效途径，基于物联网技术的无线液位监测可为神经网络训练提供大量有效数据，可通过自主学习提高诊断的准确性.径向基神经网络具有良好的模式分类能力，它是一个三层前向网络，对于具有n+1 个节点，b 根管段的管网、第一层为输入层，输入层变量为 n+1 个节点液位高度h1,…,hn+1；第二层为隐含层，第三层为输出层，输出层为b个管段是否堵塞的诊断结果y1,...,yb，网络结构如图3所示.Ω为输出权矩阵，即Ω =(ωij)N×b,(i=1,…,N;j=1,…,b)，ωij为隐含层第i个节点与输出层第j个节点之间的输出权值.Φ i(i=1,…,N)为基函数，即隐节点的激活函数，一般采用Gauss 函数，即式中：δ 为扩展常数.图3 广义径向基神经网络结构Fig.3 Generalized radial basis neural network structure隐含层基函数中心可通过随机选取固定中心和自组织选取中心确定.本文采用K-means 自组织聚类方法[7]选取隐含层神经元径向基函数的数据中心，按照各个数据中心之间的欧几里德距离计算隐含层神经元的扩展常数；采用监督学习算法修正输出层权值，利用梯度法对权值进行调整.将第k 次迭代的数据中心用 c (k) 标识K-means 聚类算法步骤如下：(1)选择N 个不同向量作为对初始聚类中心ci (0)( i = 1,…,N )，赋小随机数作为初始值；(2)计算输入样本与聚类中心的欧几里德距离(3)进行相似性匹配，jℓ代表竞争获胜神经元，满足时，hi 就属于j ℓ类，把全部样本划分为N 个子集：，子集构成典型聚类域；(4)采用各聚类域样本平均方法更新聚类中心，U j(k )代表第j 个聚类域，N j代表第j 个聚类域样本数，则(5)重复步骤(2)，直至 c (k) 变化量小于规定值.确定聚类中心后，即可确定扩展常数δ，采用基于LMS 算法[8]，由监督学习调整输出层权值，目标是使得实际输出与期望输出之间的均方误差(误差容限)最小，ei 为第i 个训练样本所得结果与期望结果之间的误差.通过学习常数η 调整学习速率[8].基于径向基神经网络的污水管网堵塞诊断流程如图4 所示，训练数据可通过经过实测数据修正的水力模型计算构建和基于液位与堵塞故障长期监测积累大数据进行构建.对输入数据进行归一化处理，避免不同数据差异过大.式中：hmax 和 hmin 为输入数据集最大值与最小值；hi为数据原始值；为归一化值.图4 基于径向基神经网络的污水管网堵塞诊断流程Fig.4 Blocking fault diagnosis procedure for sewer network based on RBF neural network2 案例分析为验证方法的有效性，构建训练集和样本集进行检验.以图1 所示的管网为例，共包括9 个节点，11个管段，输入变量为 9 个节点的液位高度，即，输出变量即为故障类型，见表1.y0～ y11的变化范围为0～1，无堵塞管网正常状态，y0期望为1.y1 ～ y11 为表中对应管段对应故障状态，“0”表示没有堵塞，“1”表示严重堵塞.表1 故障期望输出Tab.1 Failure expectation output代号故障正常期望输出堵塞故障期望输出y 0 正常状态 1 0 y1 ＜1-2＞ 0 1 y 2 ＜1-3＞ 0 1 y 3 ＜2-4＞0 1 y 4 ＜3-4＞ 0 1 y 5 ＜3-5＞ 0 1 y 6 ＜4-6＞ 0 1 y 7 ＜5-6＞ 0 1 y8 ＜6-7＞ 0 1 y 9 ＜7-8＞ 0 1 y1 0 ＜7-9＞ 0 1 y1 1 ＜8-9＞ 0 1表2 故障训练样本集(部分)Tab.2 Failure training samples(part)序号h1 h2 h3 h4液位高h5度 /m h6 h7 h8 h9 故障名称1 0.51 0.34 0.85 0.71 1.27 0.88 0.92 0.50 1.40 正常状态2 0.82 1.10 0.98 0.31 1.39 0.76 0.81 0.48 1.20 y3 =1 3 1.11 1.22 1.07 1.50 1.44 0.27 0.78 0.46 0.87 y3 =1基于前节给出了管网水力模型，在给定入口流量、管网特征尺寸、坡度等信息条件下，可直接获得各节点液位高度.先计算出给定入口流量正常状态下的液位高度 h 1, … ,h9，改变某一管段海澄-威廉系数，增加该管段阻力损失模拟堵塞状态，获得该管段堵塞状态对应的管网各节点液位高度，这样可以构造出大量的训练样本集.实际工程应用中，也可基于液位高度与堵塞故障积累数据作为训练样本集，增强方法应用的针对性.根据管网水力计算模型并通过二维插值构造200 个正常工况和故障工况样本集，典型示例见表2.选取前195 个作为训练集，后5 个作为检验集进行方法验证.根据已经设计好的故障集，利用Matlab R2016 编写神经网络故障诊断程序，可以得到故障诊断结果.通过设置不同神经元个数N，进行学习训练，系统训练误差曲线随神经元个数变化如图5 所示，随着神经元个数增加误差逐渐降低，神经元数量为120 个时，误差可达1 × 10-9量级.经水力模型构造的训练样本集学习后，选择5 组数据进行堵塞故障定位检验，故障诊断结果见表3.对5 组数据均进行了准确识别，故障诊断结果表明，基于径向基神经网络可以很好地对污水管网堵塞故障模式进行识别.表3 污水管网堵塞故障诊断结果Tab.3 Blocking fault diagnosis results for sewer network序号y 0 y1 y 2 y 3 y径 4 向基神y 5经网络y输 6 出结果y 7 y 8 y9 y1 0 y11诊断结果实际故障1 0.416 0.456 0.029 0.9890.458 0.1500.100 0.091 0.440 0.476 0.176 0.116 ＜2-4＞堵塞＜2-4＞堵塞2 0.097 0.450 0.227 0.211 0.055 0.250 0.121 0.044 0.228 0.288 0.474 0.917＜8-9＞堵塞＜8-9＞堵塞3 0.187 0.023 0.480 0.280 0.062 0.9940.385 0.293 0.156 0.2520.550 0.387 ＜3-5＞堵塞＜3-5＞堵塞4 0.136 0.597 0.511 0.593 0.9880.530 0.361 0.097 0.331 0.773 0.014 0.736 ＜3-4＞堵塞＜3-4＞堵塞5 0.1440.9950.275 0.284 0.649 0.391 0.158 0.251 0.052 0.034 0.164 0.444 ＜1-2＞堵塞＜1-2＞堵塞图5 训练误差随神经元数量的变化Fig.5 Training error variants with the number of neurons3 结论城市污水管网系统是一个复杂的多变量非线性系统，采用传统的预测方法要得到精确的堵塞预测模型并不容易，故障诊断及预测精确程度难以保证.本文提出基于径向基神经网络的污水管网堵塞故障诊断方法，建立了基于神经网络的管网预测模型，以管网水力分析模型构造了故障诊断训练集，以节点液位为输入变量，经训练的神经网络模型能够准确识别堵塞管段位置，方法有效.从预测过程和结果分析，基于径向基神经网络污水管网堵塞故障诊断方法操作简单，运行速度快，具有自学习能力.进一步研究时，可构建基于现场液位实测数据训练的污水管网堵塞诊断神经网络模型，推广应用于工程实际.参考文献：【相关文献】［1］孙红卫.浅谈我国污水管网建设运营改革之路[J].给水排水，2010，36(z1)：373-375. ［2］ Almeida M C，Brito R S.System diagnostics using flow data：Quantifying sources and opportunities for performance improvement[C]//Proceedings of the 9th International Conference on Urban Drainage.Portland：American Society of Civil Engineers.2002：1-13. ［3］常田，刘书明，王敏，等.基于BP 神经网络的城市供水管网健康状态评估[J].给水排水，2016(6)：138-141.［4］陆健，陈卫，吴志成.基于BP 神经网络的供水管网分时段宏观模型研究[J].中国给水排水，2007，23(3)：99-101.［5］严熙世，刘遂庆.给水排水管网系统[M].北京：中国建筑工业出版社，2002.［6］赵洪宾.给水管网系统理论与分析[M].北京：中国建筑工业出版社，2003.［7］ Kang D，Lansey K.Real-time demand estimation and confidence limit analysis for water distribution systems[J].Journal of Hydraulic Engineering，2009，135(10)：825-837. ［8］苏小红，侯秋香，马培军，等.强神经网络的混合学习算法[J].哈尔滨工业大学学报，2006，38(9)：132-136.。

三相电压型PWM整流器直接功率控制方法综述1 概述三相电压型PWM整流器具有能量双向流动、网侧电流正弦化、低谐波输入电流、恒定直流电压控制、较小容量滤波器及高功率因数（近似为单位功率因数）等特征，有效地消除了传统整流器输入电流谐波含量大、功率因数低等问题，被广泛应用于四象限交流传动、有源电力滤波、超导储能、新能源发电等工业领域。

PWM 整流器控制策略有多种，现行控制策略中以直接电流、间接电流控制为主,这两种闭环控制策略需要复杂的算法和调制模块。

而三相电压型PWM 整流器直接功率控制(DPC）因具有控制方法简单、抗干扰能力强、良好的动态性能、可以实现有功无功的解耦控制等诸多优点而被近年来广泛研究，控制方法也层出不穷[1—2]。

本文将介绍三相电压型PWM 整流器主电路的拓扑结构和基于DPC 的控制策略，并进行对比分析,在此基础上对PWM 整流器的控制策略进行展望.2 电路拓扑近年来对于三相电压型PWM 整流器拓扑结构的研究在小功率场合主要集中在减少功率开关[3]和改进直流输出性能上;对于大功率场合主要集中在多电平［4]、变流器组合以及软开关技术上［5］。

目前较成熟的拓扑有两电平和三电平PWM 整流器结构.三相电压型两电平PWM 整流器是最基本的PWM 整流电路,因为结构简单、控制算法相对成熟，得到了广泛应用.与其相比三电平PWM 整流器每个桥臂多了两个开关管和两个箝位二极管，电路结构复杂、存在中点电位平衡问题、控制算法繁琐,但因此种电路具有更大的变换功率、更低的输入电流畸变率等优点，也被广泛研究应用。

3 直接功率控制方法直接功率控制(DPC)系统结构是以直流侧电压为外环、瞬时功率控制为内环的双闭环系统。

从功率守恒的角度看,直接功率控制PWM整流器是在交流侧电压一定的情况下,通过控制流入整流器瞬时有功功率和无功功率，来达到控制瞬时输入电流的目的，从而获得预设的功率因数和功率流动方向。

3.1 基于电压的直接功率控制（V-DPC)与此前各种PWM整流器控制策略相较，该控制策略的突出优点在于:(1）不需要PWM 调制模块、不需要电流闭环调节、借助于开关矢量表直接对有功功率与无功功率进行控制，控制算法简单;(2）系统具有更快的动态响应速度；（3)输入电流具有更低的畸变率;（4)瞬时功率的获取采用无电压传感器的预测模型,在一定程度上节约硬件成本。

PWM的综述
王思聪
【期刊名称】《科学技术译文集》
【年(卷),期】1993(000)002
【总页数】16页(P37-52)
【作者】王思聪
【作者单位】无
【正文语种】中文
【中图分类】TM34
【相关文献】
1.单相电流型PWM逆变技术综述 [J], 陈亦文;江加辉;邱琰辉;陈道炼
2.PWMS和PDNS的发病--评疫苗接种对PWMS和PDNS的影响 [J], 张国强;卫秀余;于滨
3.电压型PWM整流器故障诊断方法综述 [J], 彭莉峻;何林;韩行
4.三相电流型PWM整流器的控制方法发展综述 [J], 程启明;程尹曼;王鹤霖;胡晓青;白园飞
5.多电平变换器PWM控制技术研究现状综述及最新进展 [J], 朱宏;李永东;王奎;QAMAR Muhammad Attique;徐晓娜
因版权原因，仅展示原文概要，查看原文内容请购买。

PWM整流器及其控制策略的研究随着电力电子技术的发展，PWM整流器在新能源、电力牵引、电力电子变换等领域的应用越来越广泛。

PWM整流器具有高效率、低谐波、快速响应等优点，但其控制策略的设计是整个系统性能的关键。

本文将对PWM整流器的控制策略进行详细的研究和分析。

PWM整流器采用全控型器件，通过脉冲宽度调制（PWM）控制整流器输入电流的幅值和相位，实现高功率因数和低谐波电流的目标。

其电路结构包括三相电压型PWM整流器、三相电流型PWM整流器以及交-直-交PWM整流器等。

开关控制策略通过控制开关管的通断时间来实现电流的控制。

该策略具有实现简单、动态响应快等优点，但开关的通断会造成较大的功耗损失，且在负载突变时响应速度较慢。

PWM控制策略通过调节脉冲宽度实现对电流的控制。

该策略具有谐波含量低、控制精度高等优点，且在负载突变时响应速度快。

但PWM控制需要较高的采样精度和计算能力，且在实际应用中需要考量的参数较多。

滑模控制策略通过将系统状态引导至设定的滑模面上实现电流的控制。

该策略具有对参数变化和外部扰动不敏感、无需精确的系统模型等优点，且可以实现无静差跟踪。

但在实际应用中，滑模控制的计算实现较为复杂，且在实际系统中应用难度较大。

为了验证上述控制策略的效果，我们设计了一个基于电压型PWM整流器的实验系统。

实验中，我们采用了MATLAB/Simulink进行系统建模和仿真，并使用高性能DSP实现了实时控制。

实验结果表明，PWM控制策略在稳态和动态性能上都优于开关控制策略和滑模控制策略。

具体来说，PWM控制策略在负载突变时的响应速度较快，且可以实现更高的系统效率。

本文对PWM整流器的控制策略进行了详细的研究。

通过对比分析开关控制策略、PWM控制策略和滑模控制策略的优缺点和应用场景，发现PWM控制策略在许多方面都表现出优越的性能。

在实验设计和结果分析中，我们验证了PWM控制策略的优点。

展望未来，PWM整流器控制策略的研究将更加深入。