双有源桥(dual active bridge,DAB)变换器理论物理模型与实际模型之间存在差异,而现有基于理论物理模型的调制优化方法未考虑该差异,故其所得理论最优路径在实际应用中难以达到理论最优效果。为此针对DAB变换器提出一种基于物理模型-数...双有源桥(dual active bridge,DAB)变换器理论物理模型与实际模型之间存在差异,而现有基于理论物理模型的调制优化方法未考虑该差异,故其所得理论最优路径在实际应用中难以达到理论最优效果。为此针对DAB变换器提出一种基于物理模型-数据混合驱动的扩展移相调制复合优化策略。首先,建立DAB变换器在扩展移相调制全工作模式下的理论物理模型,基于该理论模型训练神经网络(neural network,NN)数据驱动模型,并结合小样本实测数据对NN数据驱动模型进行迁移学习,从而得到高精度实际电路模型。然后,根据复合优化目标提出一种基于二重遍历的控制路径寻优算法,并设计基于三次样条插值的最优控制路径连续化方法,实现DAB变换器连续最优控制。最后,通过实验验证所提优化策略的有效性,结果表明与基于理论模型的优化策略相较,所提优化策略进一步提升了DAB变换器控制优化效果,减小了回流功率和电流应力,提高了功率传输效率,并且所提策略自动化执行程度高,能够取代传统复杂调制寻优分析过程,便于工业应用与数字化实现。展开更多
文摘双有源桥(dual active bridge,DAB)变换器理论物理模型与实际模型之间存在差异,而现有基于理论物理模型的调制优化方法未考虑该差异,故其所得理论最优路径在实际应用中难以达到理论最优效果。为此针对DAB变换器提出一种基于物理模型-数据混合驱动的扩展移相调制复合优化策略。首先,建立DAB变换器在扩展移相调制全工作模式下的理论物理模型,基于该理论模型训练神经网络(neural network,NN)数据驱动模型,并结合小样本实测数据对NN数据驱动模型进行迁移学习,从而得到高精度实际电路模型。然后,根据复合优化目标提出一种基于二重遍历的控制路径寻优算法,并设计基于三次样条插值的最优控制路径连续化方法,实现DAB变换器连续最优控制。最后,通过实验验证所提优化策略的有效性,结果表明与基于理论模型的优化策略相较,所提优化策略进一步提升了DAB变换器控制优化效果,减小了回流功率和电流应力,提高了功率传输效率,并且所提策略自动化执行程度高,能够取代传统复杂调制寻优分析过程,便于工业应用与数字化实现。
