كنترل پيش‌بين جريان مبتني بر مدل براي مبدل Z¬-Source DC-DC

Model Predictive Current Control of Z¬-Source DC-DC Converter

در اين مقاله، روش كنترل پيش بين مبتني بر مدل (MPC) بر روي يك مبدل Z-source dc-dc پياده-سازي شده است. در ابتدا مبدل را با استفاده از ماتريسهاي حالت در فضاي گسسته مدل‌سازي كرده و سپس روش كنترل پيشبين جريان به‌منظور كنترل ولتاژ خروجي مبدل در محيط نرم‌افزار متلب پياده-سازي شده است. در اين روش، جريان سلف با استفاده از مدل گسسته مبدل، پيش‌بيني‌شده و با توجه به تابع هدف تعيين‌شده كه كاهش خطاي جريان است، عمليات كليدزني صورت گرفته است. نتايج حاصل از تغييرات بار، ولتاژ مرجع و ولتاژ ورودي در اين مبدل با روش پيشبين و ساير روشهاي گذشته مقايسه شده و برتري اين روش نسبت به ساير روشها بيان گرديده است. قابليت اعمال به سيستمهاي مختلف و چند متغيره، اعمال ساده محدوديتها، پياده سازي آسان، رديابي مناسب مرجع، پاسخ ديناميكي مناسب و انعطاف پذيري در انتخاب تابع هزينه ازجمله مزاياي اين روش است. اين روش به علت اينكه برخلاف ساير روش ها كه با توجه به خطاي لحظه‌اي تصميم مي گيرند، با توجه به رفتار پيش‌بيني‌شده سيستم در آينده تصميم گيري مي كند، داراي پاسخ ديناميكي سريع تر است.

In this paper, the model-based predictive control (MPC) method is implemented on a Z-source dc-dc converter. First, the converter is modeled using state matrices in discrete space, and then the predictive control method is implemented to control the output voltage of the converter in Matlab software. In this method, the inductor current is predicted using the discrete converter model and according to the target function determined by the reduction of the inductor current error, the switching operation is performed. The results of load, reference voltage and input voltage variations in this converter with the predictive method are compared with other previous methods. this results show the advantages of this method in comparison with other methods.The ability to apply to multiple and multivariate systems, limitations, easy implementation, appropriate tracking reference, appropriate dynamic response and flexibility in choosing a cost function are among the benefits of this method.This method is due to the fact that, unlike other methods that decide upon the momentary error, it decides with regard to the predicted behavior of the future , with a faster dynamic response.