1. 项目概述：ADRC-SMPC在PWM整流器控制中的应用
在电力电子系统设计中，三相PWM整流器的控制性能直接影响电能质量与设备可靠性。传统PI控制器在应对电网电压波动、负载突变等扰动时存在动态响应慢、抗干扰能力不足的缺陷。我们团队通过将自抗扰控制（ADRC）与顺序模型预测控制（SMPC）相结合，开发出一套具有强鲁棒性的复合控制策略，并在Matlab/Simulink环境下完成了全流程仿真验证。
这个方案的核心价值在于：ADRC的扩张状态观测器（ESO）能实时估计并补偿系统内外扰动，而SMPC通过滚动优化处理系统约束，两者协同工作可使直流侧电压波动降低40%以上，输入电流THD控制在3%以内。下面将从理论推导、算法实现到仿真调优，完整解析这套控制系统的开发过程。
2. 理论基础与数学模型构建
2.1 PWM整流器的状态空间模型
在三相静止坐标系下，PWM整流器的动态特性可由以下微分方程描述：
\[
\begin{cases}
L\frac{di_a}{dt} = e_a - Ri_a - v_a \
L\frac{di_b}{dt} = e_b - Ri_b - v_b \
L\frac{di_c}{dt} = e_c - Ri_c - v_c \
C\frac{dv_{dc}}{dt} = \frac{3}{2}(s_ai_a + s_bi_b + s_ci_c) - \frac{v_{dc}}{R_L}
\end{cases}
\]
通过Clarke变换将其转换到两相静止坐标系（α-β），方程简化为：
\[
\begin{cases}
L\frac{di_\alpha}{dt} = e_\alpha - Ri_\alpha - v_\alpha \
L\frac{di_\beta}{dt} = e_\beta - Ri_\beta - v_\beta \
C\frac{dv_{dc}}{dt} = \frac{3}{2}(s_\alpha i_\alpha + s_\beta i_\beta) - \frac{v_{dc}}{R_L}
\end{cases}
\]
其中开关函数s与调制波的关系为：
\[
\begin{bmatrix} s_\alpha \ s_\beta \end{bmatrix} = \frac{v_{dc}}{2} \begin{bmatrix} m_\alpha \ m_\beta \end{bmatrix}
\]
2.2 自抗扰控制原理
ADRC的核心是扩张状态观测器（ESO），它将系统内部未建模动态和外部扰动统一视为"总扰动"进行估计。对于二阶系统：
\[
\ddot{y} = f(y, \dot{y}, w, t) + bu
\]
ESO将其重构为：
\[
\begin{cases}
\dot{z}_1 = z_2 + \beta_1(y - z_1) \
\dot{z}_2 = z_3 + \beta_2 fal(y - z_1, \alpha_1, \delta) + b_0u \
\dot{z}_3 = \beta_3 fal(y - z_1, \alpha_2, \delta)
\end{cases}
\]
其中非线性函数fal定义为：
\[
fal(e, \alpha, \delta) = \begin{cases}
|e|^\alpha sign(e), & |e| > \delta \
e/\delta^{1-\alpha}, & |e| \leq \delta
\end{cases}
\]
2.3 顺序模型预测控制
SMPC采用分步优化策略降低计算复杂度：
- 电压外环：基于离散化模型预测直流电压
\[
v_{dc}(k+1) = v_{dc}(k) + \frac{T_s}{C}(i_{dc}(k) - \frac{v_{dc}(k)}{R_L})
\] - 电流内环：构建代价函数
\[
J = \sum_{i=1}^{N_p} | i_{\alpha\beta}^*(k+i) - i_{\alpha\beta}(k+i) |Q^2 + \sum^{N_c-1} | \Delta v_{\alpha\beta}(k+j) |_R^2
\]
3. Matlab实现详解
3.1 系统参数初始化
matlab复制% 主电路参数
L = 10e-3; % 交流侧电感(H)
R = 0.5; % 等效电阻(Ω)
C = 2200e-6; % 直流侧电容(F)
R_L = 50; % 负载电阻(Ω)
Vdc_ref = 600; % 直流电压参考(V)
% 电网参数
f_grid = 50; % 电网频率(Hz)
Vg_peak = 311; % 相电压峰值(V)
fg = 1000; % 开关频率(Hz)
Ts = 1/fg; % 控制周期(s)
注意：电感值选取需满足电流纹波要求，通常按Δi < 20%额定电流设计
3.2 ADRC核心代码实现
matlab复制function [z, dz] = ADRC_ESO(x, u, z, params)
% 参数解包
beta1 = params.beta1;
beta2 = params.beta2;
beta3 = params.beta3;
b0 = params.b0;
alpha1 = 0.5;
alpha2 = 0.25;
delta = 0.1;
% 误差计算
e = z(1) - x;
% 状态更新
dz(1) = z(2) - beta1*e + b0*u;
dz(2) = z(3) - beta2*fal(e, alpha1, delta);
dz(3) = -beta3*fal(e, alpha2, delta);
% 非线性函数
function f = fal(e, alpha, delta)
if abs(e) > delta
f = abs(e)^alpha * sign(e);
else
f = e / (delta^(1-alpha));
end
end
end
3.3 SMPC优化求解
matlab复制function [v_alpha, v_beta] = SMPC_Controller(i_alpha, i_beta, v_dc, ref)
persistent A B Q R N
% 预测模型离散化
if isempty(A)
A = [1 -Ts*R/L, 0;
Ts/L, 1, 0;
0, 0, 1];
B = [Ts/L, 0;
0, Ts/L;
0, 0];
Q = diag([1, 1, 10]); % 状态权重
R = 0.1*eye(2); % 输入权重
N = 5; % 预测步长
end
% 构建Hessian矩阵
H = zeros(2*N, 2*N);
for k = 1:N
H((k-1)*2+1:k*2, (k-1)*2+1:k*2) = 2*(B'*Q*B + R);
end
% 梯度向量
f = zeros(2*N, 1);
x = [i_alpha; i_beta; v_dc];
for k = 1:N
f((k-1)*2+1:k*2) = -2*(x'*Q*B - ref'*Q*B)';
end
% 二次规划求解
options = optimoptions('quadprog', 'Display', 'off');
V_opt = quadprog(H, f, [], [], [], [], [], [], [], options);
v_alpha = V_opt(1);
v_beta = V_opt(2);
end
4. 仿真结果分析与调优
4.1 典型波形对比
通过以下参数设置进行仿真验证：
matlab复制% ADRC参数
params.beta1 = 100;
params.beta2 = 300;
params.beta3 = 1000;
params.b0 = 1;
% SMPC参数
Np = 10; % 预测时域
Nc = 2; % 控制时域
得到的性能指标：
- 直流电压稳态误差：< ±2V
- 电压恢复时间（突加负载）：< 0.1s
- 输入电流THD：2.8%
4.2 参数整定经验
-
ESO带宽调节：
- β₁ ≈ 3ω₀
- β₂ ≈ 3ω₀²
- β₃ ≈ ω₀³
其中ω₀取系统带宽的3-5倍
-
SMPC权重选择：
- 电流误差权重：1
- 电压误差权重：10-20
- 控制量权重：0.1-0.5
-
采样频率选择：
- 至少为开关频率的2倍
- 推荐5-10倍开关频率
4.3 常见问题排查
| 现象 | 可能原因 | 解决方案 |
|---|---|---|
| 直流电压振荡 | ESO带宽过高 | 降低β₁-β₃参数 |
| 电流跟踪滞后 | 预测时域过短 | 增加Np至10-15 |
| 高频噪声 | 控制量权重过小 | 增大R矩阵元素值 |
| 稳态误差大 | b0参数不准确 | 重新标定系统增益 |
5. 工程实践建议
-
离散化方法选择：
- 对于高频系统（>10kHz），推荐使用精确离散化（如零阶保持）
- 可对比欧拉法与Tustin法的稳定性差异
-
代码优化技巧：
- 预计算不变矩阵（如Hessian矩阵）
- 使用定点数加速QP求解
- 采用增量式编码减少内存占用
-
实际部署考虑：
- 增加启动软启策略
- 设计抗饱和补偿模块
- 添加故障检测与保护逻辑
这个方案我们已经成功应用于多个工业电源项目，实测表明在±20%电网电压波动情况下，系统仍能保持稳定运行。后续可扩展方向包括结合深度学习进行参数自整定，以及在FPGA上实现纳秒级控制周期。