Finite-control-set model predictive control (FCS-MPC) shows great control performance and adaptability for different converter topologies and operating modes. However. The computation burden increases significantly for long prediction step and multi-level topology. Artificial neural network (ANN) is developed to imitate FCS-MPC controller for similar control effect with lower computation burden. However, the imitation accuracy is not good enough for single ANN. To achieve acceptable control effect using a simple ANN, this paper proposed an FCS-MPC-based dual-module controller. A off-line trained multilayer perceptron (MLP) is used to imitating the FCS-MPC. Then a dual-module structure is designed which combines MLP and FCS-MPC to increase the imitation accuracy. The simulation result shows that the accuracy of dual-module controller increases to 99.87% while the computation burden is reduced by 58.8% compared with FCS-MPC. It can achieve similarly control performance and significantly reduce computation burden.
유한 제어 집합 모델 예측 제어(FCS-MPC)는 다양한 컨버터 토폴로지와 작동 모드에 대해 탁월한 제어 성능과 적응성을 보여줍니다. 그러나 예측 단계가 길고 다중 레벨 토폴로지인 경우 계산 부담이 크게 증가합니다. 인공 신경망(ANN)은 FCS-MPC 제어기를 모방하여 계산 부담을 줄이면서 유사한 제어 효과를 얻기 위해 개발되었습니다. 그러나 단일 ANN의 모방 정확도는 충분하지 않습니다. 간단한 ANN을 사용하여 수용 가능한 제어 효과를 달성하기 위해 FCS-MPC 기반의 이중 모듈 ANN 제어기를 제안합니다. 오프라인으로 훈련된 다중 계층 퍼셉트론(MLP)은 FCS-MPC를 모방하는 데 사용됩니다. 그런 다음 ANN과 FCS-MPC를 결합하여 모방 정확도를 향상시키는 이중 모듈 구조가 설계됩니다. 시뮬레이션 결과에서 이중 모듈 제어기의 정확도는 FCS-MPC와 비교하여 계산 부담이 58.8% 감소하면서 99.87%로 증가함을 보여줍니다. 이는 유사한 제어 성능을 달성하면서 계산 부담을 크게 줄일 수 있습니다.