Traditional control ideas for power converters are, to most extent, physical model-based, which starts from time-domain or frequency-domain modeling progress. For model construction, the main procedures, first principle-based mathematical deduction and manual experiments, are considerably time-consuming and cost-expensive, which is not generic and restarts facing different systems. After model construction, a particular control scheme is designed according to the trade-off of model property, cost, work requirements, and so on. One of the model-based evergreen tree schemes, transfer function-based proportion integration differentiation (PID) control, occupies industry for a long time. With the fast-developing computing ability of industrial chips, real-time optimization and nonlinear control becomes more and more promising, such as the recently popular model predictive control (MPC) which is a representative of model-based control method and mainly discussed in this thesis. By the constructed math models, future-horizontal behaviors of the power electronics system could be predicted, which is used for the selection of optimal switch state according to work requirements. However, while facing much longer prediction horizon demand or complex topologies, like the popular multi-level modular converters (MMC), even the most advanced field programmable gate arrays (FPGA) or digital signal processors (DSP) meet computing resource limitations and cost problems. To generalize the advantages of MPC in more applications, inspiration comes from artificial intelligence (AI). After the introduction of MPC and fusion examples of AI-assisted power electronics like surrogate models, as the ratio of data-driven or AI components of control loops increases, we show gradient-free hyper-parameters adjustment, imitator concept of developed controllers, and sparse-prior-knowledge reinforcement learning-based model-free control without effort paid for modeling. Like the coupled DNA spiral structure, on the interactive roads of model-based and model-free motivation, the first and rough step towards generic, systematical, physics-informed, and data-driven control design is embarked for the power electronics system in this dissertation.
전통적인 전력 변환기 제어 이론은 대부분 물리적 모델에 기초한 것으로 시간대나 주파수 모델링의 진전에서 시작된다.모델 구축의 경우, 주요 프로그램, 즉 첫 번째 원리에 기반한 수학적 유도와 수동 실험은 상당히 시간이 많이 걸리고 비용이 많이 들기 때문에 통용되지 않으며 서로 다른 시스템을 재부팅한다. 전통적인 방식에서는 모델 구축 이후 모델의 성격, 비용, 작업 요구 등의 저울질에 따라 특정 제어 시나리오를 설계하였다. 전달 함수 기반 비례적분(PID) 제어는 모델 기반 상록수 시나리오로 오랫동안 산업계의 위상을 차지해왔다.산업 칩의 컴퓨팅 능력이 빠르게 발전함에 따라 실시간 최적화와 제어는 점점 더 전망이 밝아지고 있다. 예를 들어 최근에 유행하는 모델 예측 제어 (MPC) 는 모델 기반 제어 방법의 대표적인 방법이며, 본고는 주로 그것에 대해 논의했다.구축된 수학 모형을 통해 전기 전자 시스템의 미래 수평 행동을 예측할 수 있으며, 작업 요구에 따라 최적의 스위치 상태를 선택하는 데 사용됩니다.그러나 널리 사용되는 다중 레벨 모듈식 동글 (MMC) 과 같은 예측 범위 요구 사항이나 복잡한 토폴로지 구조에도 불구하고 최첨단 필드 프로그래밍 가능한 도어 어레이 (FPGA) 나 디지털 신호 프로세서 (DSP) 조차도 컴퓨팅 리소스 제한과 비용 문제를 겪을 수 있습니다.더 많은 응용에서 MPC의 장점을 홍보하기 위해 인공지능에서 영감을 받았다.PC와 인공 지능 보조 전기 전자의 융합 예제 (예: 에이전트 모델) 를 도입 한 후, 제어 회로에서 데이터 구동 또는 인공 지능 구성 요소의 비율이 증가함에 따라 우리는 모델링 노력을 기울이지 않고 경도 하이퍼 패라메트릭 조정, 개발 컨트롤러의 시뮬레이터 개념 및 희소 한 선험 지식을 기반으로 학습을 강화하는 무모델 제어를 보여줍니다.결합된 DNA 나선 구조와 마찬가지로 모델 기반 및 모델 인센티브 없는 상호 작용의 길에서 이 글은 전기 전자 시스템의 범용, 시스템, 물리 및 데이터 구동 제어 설계를 위한 첫 걸음을 내디뎠다.
