手把手玩转FCS-MPC：三相并网逆变器实战

yknocrwdJTk

13人浏览 · 2026-03-11 18:00:00

yknocrwdJTk · 2026-03-11 18:00:00 发布

两电平三相并网逆变器，有限控制集模型预测控制，控制部分采用代码编程实现，输出电流电压波形如下，带参考文献，适合初学者。可根据自己需求设置相应系统参数。

最近在实验室折腾三相并网逆变器控制，发现有限控制集模型预测控制（FCS-MPC）这玩意儿特别适合刚入门的同学上手。今天就带大家用Python代码实现这个算法，边写代码边理解控制逻辑。

核心思路：穷举的艺术

FCS-MPC的核心思想简单粗暴——把逆变器所有可能的开关状态都试一遍，选个效果最好的。两电平三相逆变器有8种开关组合（2^3），每次控制周期都遍历这8种可能，预测下个周期的电流状态，再选误差最小的那组开关动作。

!逆变器拓扑与开关状态

# 生成所有可能的开关状态
switch_states = np.array([
    [0,0,0], [1,0,0], [0,1,0], [0,0,1],
    [1,1,0], [1,0,1], [0,1,1], [1,1,1]
], dtype=int)

预测模型搭建

预测模型直接影响控制效果。这里采用离散化状态方程，用欧拉法近似：

def predict_current(v_grid, i_meas, v_dc, L, Ts, switch_state):
    # 开关状态转换为输出电压
    v_abc = (2*switch_state - 1) * v_dc/2
    # 状态方程离散化
    di = (v_abc - v_grid - R*i_meas) * Ts/L
    return i_meas + di

这段代码实现了电流预测的核心计算。L是滤波电感，Ts是控制周期，注意这里的开关状态需要转换成三相电压（比如[1,0,0]对应Vdc/2, -Vdc/2, -Vdc/2）。

代价函数：控制目标的数学表达

代价函数就像控制器的指挥棒，这里用电流跟踪误差作为主要指标：

def cost_function(i_ref, i_pred, prev_switch, current_switch):
    # 电流跟踪误差
    error = np.sum((i_ref - i_pred)**2)
    # 开关频率惩罚项
    switch_loss = 0.1 * np.sum(np.abs(prev_switch - current_switch))
    return error + switch_loss

加了0.1权重的开关动作惩罚项，这个系数需要根据实际需求调整。系数越大，开关频率越低，但跟踪性能可能变差。

实时控制流程

完整控制周期包含三个步骤：测量→预测→决策：

for t in control_cycle:
    # 1. 测量当前状态
    i_meas = get_current_sensor()
    v_grid = get_grid_voltage()
    
    # 2. 遍历所有开关状态
    costs = []
    for state in switch_states:
        i_pred = predict_current(v_grid, i_meas, v_dc, L, Ts, state)
        cost = cost_function(i_ref, i_pred, last_state, state)
        costs.append(cost)
    
    # 3. 选择最优开关状态
    optimal_idx = np.argmin(costs)
    apply_switching(switch_states[optimal_idx])