一种用于中压应用的新型十五电平非对称逆变器

摘要

本文介绍了一种具有十个开关和三个直流电源的新型15电平不对称多电平逆变器。通过优化开关角度，基于人工智能的选择性谐波消除技术降低了总谐波畸变率并提高了效率（>97%）。实验与仿真结果验证了该逆变器在电能质量提升、器件数量减少以及适用于中压应用方面的优势。

摘要

本文展示了一种用于中压应用的减开关非对称十五电平多电平逆变器（MLI）拓扑结构，并结合了由人工智能（AI）辅助的选择性谐波消除（SHE）控制技术。所提出的结构采用十个单向开关和三个不相等的直流电源，在产生阶梯状输出电压的同时限制总关断电压（TSV）。为了在不同调制指数下找到最优的开关角度，采用了一种结合人工神经网络（ANN）与牛顿-拉夫森（NR）方法的混合控制策略。通过一个低压实验样机对所提出拓扑结构的性能进行测试，并利用MATLAB/Simulink仿真进行评估。结果表明，在所考察的运行条件下，该逆变器能够生成低次谐波含量较低且转换效率良好的多电平输出波形。在所评估的负载范围内，实测效率介于98.6%至97.1%之间，在额定条件下总谐波畸变率（THD）为5.47%。与文献中几种多电平逆变器拓扑结构的对比分析表明，在相似运行假设下，所提出的拓扑结构实现了更少的开关数量以及具有竞争力的TSV和谐波性能。然而，由于不同研究之间的运行条件和控制方法尚未完全标准化，这些比较仅具参考意义。尽管所提出的结构旨在可扩展至中压应用，但实验验证是通过低压样机进行的，以确认其开关行为和控制能力。结果表明，即使在较低电压等级下进行实验验证，该拓扑结构与控制技术仍具备可行性。为实现更广泛的应用，还需在更高电压条件下以及标准化基准框架下进行进一步验证。

引言

作为一种被广泛认可的可再生能源，太阳能正受到越来越多关注，成为寻求可持续能源解决方案的重要方向。由于效率持续提升和成本不断降低，太阳能技术已得到广泛应用。随着各国向更清洁的能源体系转型，太阳能在减少对化石燃料依赖和减缓气候变化方面发挥着关键作用。光伏（PV）能源因其成本效益和环境优势而具有独特地位。当前持续的研究和系统开发目标在于最大化光伏电池的能量输出，同时确保与电网的平稳集成。近年来，多电平逆变器（MLIs）因其能够处理高功率等级，并具备开关损耗低、电能质量高、谐波失真小以及电磁干扰性能更优等优点，已成为一项关键技术^1,2,3,4,5。

多电平逆变器（MLIs）利用多种直流电源，并通过由多个半导体开关组成的电力电路产生阶梯状电压波形⁶。随着电平数的增加，波形质量得以提升。然而，元件数量的增多使得实现良好的可靠性和效率变得困难，从而导致成本上升⁷。为了使多电平逆变器良好运行，尤其是在可再生能源应用中，稳定且可靠的直流电源至关重要。通过调节电压水平并降低波动，DC/DC变换器显著提高了电压质量和系统可靠性。例如，文献⁸中提出的针对二次升压变换器的鲁棒滑模控制方法，已显示出更优的动态响应和系统稳定性。类似地，文献⁹中对高增益DC/DC变换器拓扑结构的对比分析揭示了先进的升压技术，使其适用于与光伏应用中的多电平逆变器集成。

飞跨电容型（FC）、级联H桥（CHB）以及二极管钳位型或中点钳位型（NPC）是三种主要的多电平逆变器拓扑结构¹⁰。级联H桥逆变器由多个单相H桥单元组成，根据直流电压电平的不同，又可分为对称型和非对称型两种变体¹¹。传统的CHB逆变器可产生三个输出电平：零电平、负电平和正电平。其总输出电压为各个单元输出电压的叠加^12,13。尽管在较高电压等级下，FC和NPC逆变器在电压平衡方面存在困难，但CHB逆变器因其优势而更适用于中高压应用场合¹⁴。

文献¹⁵提出了一种开关数量较少的独特结构，但其缺点是需要多个电源。为应对这些挑战，关键在于对半导体器件进行最优利用。文献¹⁶提出了一种带有双向功率开关的非对称逆变器拓扑结构，但该结构通过增加IGBT数量提高了逆变器成本。其他设计则专注于在降低功率开关数量的同时提升电压等级^17,18。全桥变换器被用于将系统产生的直流阶梯输出转换为交流阶梯输出。由于全桥变换器存在耐压限制，其应用仅限于高电压场合。

一些创新的拓扑结构，例如某项研究中描述的由三个单相单元组成的三相系统¹⁹，旨在减少单相和三相系统的元件数量。某些拓扑结构采用子单元多电平逆变器（MLI），以更少的开关和直流电源实现多电平输出²⁰。部分系统使用反向并联连接的双向开关，以减少开关数量并允许电流在两个方向上导通^21,22,23,24。通过级联子单元可降低开关所承受的阻断电压，并形成模块化架构。然而，输出电平的增加会相应地导致开关数量增加，这仍然是一个缺点。因此，人们持续需要新型的MLI结构，能够在提供多种电平的同时减少元件数量和阻断电压，从而最终降低逆变器成本。一种称为紧凑型H桥（packed H-bridge）的新MLI拓扑结构，其基本单元连接在一个完整桥臂的两侧^25,26。另一方面，其他设计则通过取消H桥结构来降低电路开关上的电压应力。然而，这些拓扑结构中的许多仍需要大量元件。为了在优化输出电压阶数的同时最小化开关、电容和关断电压数量，有研究²⁷提出了一种混合级联多电平逆变器（HCFMLI）结构，其底部包含标准三桥臂单元和H桥单元。在一项研究中^28,29，对采用对称与非对称配置的级联式MLI拓扑结构进行了比较。

一项研究 提出了一种基于串联连接的子多电平单元的多电平变换器级联结构设计，并提供了两种计算直流电源幅值的方法³⁰。另一项研究描述了一种稀疏型13电平逆变器，该逆变器包含14个开关、4个电容和2个二极管，仅使用一个直流电源即可实现六倍升压输出电压³¹。某研究提出的级联拓扑能够生成所有可能的输出电压电平³²，对比分析表明，该结构优于更现代的多电平变换器³³。另一项研究中的拓扑结构引入了一种可实现对称与不对称输出电压的单相多电平逆变器（MLI）³⁴。此外，有研究³⁵提出一种基于单相的多电平拓扑结构，支持非对称直流电源配置，在降低空间占用和成本的同时实现了15电平输出。

尽管文献中已记载了多种十五电平逆变器拓扑结构，但由于开关数量、直流电源配置和控制方法的不同，各类结构在复杂性、成本和谐波性能方面表现出不同的权衡。 表1 总结了代表性十五电平逆变器拓扑结构的结构对比，以将所提出的方案置于相应背景下。该对比重点关注开关数量、直流电源数量和控制策略等关键因素。由于不同研究中的运行条件和评估指标存在差异，本对比仅为参考性质，基于文献中所述的配置进行。

本研究的贡献可分为两类：（i）拓扑结构方面的贡献，即基于一种开关数量较少的非对称拓扑结构构建的十五电平逆变器；（ii）控制策略方面的贡献，采用一种人工智能辅助的选择性谐波消除（SHE）技术，以求解最优开关角度，在抑制低次谐波的同时保持基本电压控制能力。本文中特别将利用人工神经网络（ANN）学习调制指数与通过选择性谐波消除（SHE）公式推导出的最优开关角度之间非线性关系的方法称为"基于人工智能"的方法。该人工神经网络可提供接近最优的初始解，随后通过牛顿-拉夫森法进行精细化调整，从而作为数据驱动的预测器显著降低了计算量。与单纯依赖数值方法相比，这种混合方法实现了更快的收敛速度，并更易于实际应用。

本研究的主要目标是开发一种新型单相系统设计，采用非对称电源结构，以最少数量的功率器件实现电流传导。本文提出了一种适用于太阳能发电、电动汽车（EV）及其他高功率应用场合的十五电平（15L）逆变器。图1展示了屋顶太阳能电池板、电池、燃料电池、超级电容器、DC-DC变换器以及电动驱动负载通过所提出的多电平逆变器（MLI）进行连接的结构示意图。所建议逆变器的研发重点在于实现可扩展的多电平运行。尽管当前工作是通过低压实验样机验证该拓扑结构，但其设计思路旨在通过合理选择器件、绝缘设计及系统级考量，进一步拓展至中压应用领域。本研究的主要贡献如下：1）提出一种基于级联H桥（CHB）的新型非对称多电平逆变器（MLI）拓扑结构，在减少功率半导体开关数量的同时维持较高的输出电压电平；2）优化成本函数与总关断电压（TSV），以提升系统的经济性与效率；3）对比分析表明，所提出的拓扑结构在效率方面优于现有系统，并能有效降低总谐波畸变率（THD）。

方案

拓扑结构配置

图2展示了推荐的拓扑结构，该结构由10个开关和3个电压源非对称排列组成。所建议的15电平逆变器中的直流电源比例为1:2:4。该比例并非随意选定；其目的是在允许生成多种电压组合的同时，尽量减少直流电源的数量。所选的数值可通过产生不重复的离散电压阶跃，从而增加输出电平的数量。本研究中使用的所有材料均列于材料表中。

切换模式

该方法的开关状态如图3和图4所示。在图3和图4中，红色表示对应开关的导通路径，绿色表示非导通路径。通过配置十个开关和三个优选的电压源，可按自然的幅值顺序生成多个电平。表1列出了用于产生所需电压电平的开关。在表2中，0表示开关处于非导通状态，1表示开关处于导通状态。所提出拓扑结构的工作模式如下。

0V_dc：在此工作模式下，要实现零电压，需导通 S₁、S₂、S₃、S₇ 和 S₉，如图3A所示。

±1V_dc：为获得+1V_dc输出电压，S₁、S₅、S₆、S₇和S₉按照图3B所示的工作模式导通。为获得-1V_dc输出电压，S₂、S₃、S₄、S₈和S₁₀按照图4A中对应的工作模式导通。

±2V_dc：为了获得+2V_dc的输出电压，S₃、S₄、S₆、S₇和S₉应按照图3C所示方式导通。为了实现-2V_dc的输出，S₁、S₂、S₅、S₈和S₁₀的导通方式与图4B模式中所示相同。

±3V_直流：提供所示的+3V直流输出电压 图3D，S₁，S₃，S₆，S₇，以及 S₉ 分别进行。如所示 图4C S₂，S₄，S₅，S₈，以及 S₁₀ 以类似方式操作，产生 -3V_直流 输出电压

±4V_dc：S₁、S₂、S₃、S₇ 和 S₈ 按 图3E 所示方式导通，以输出 +4V_dc 电压。S₄、S₅、S₆、S₉ 和 S₁₀ 按 图4D 所示顺序导通，以获得 -4V_dc 的输出电压。

±5V_dc：生成 +5V_dc 输出电压的开关序列如图3F所示。图4E展示了开关的导通模式，以提供 -5V_dc 的输出电压水平。

±6V_dc：产生 +6V_dc 输出电压的相应开关模式如图3G所示。图4F展示了用于输出 -6V_dc 电压的开关模式。

±7V_dc：如图3H所示，S₁、S₃、S₆、S₇和S₈导通，以产生+7V_dc的输出电压。S₂、S₄、S₅、S₈和S₉导通，如图4G所示，以实现-7V_dc的输出电压。

调控方法

在本研究中，采用低频控制技术来分析所提出逆变器的有效性。选择性谐波消除（SHE）利用低开关频率方法实现多电平逆变器（MLI）的运行。SHE能够有效消除低次谐波，同时进一步降低开关损耗。然而，该方法的实施需要求解多个复杂的超越方程。图4展示了考虑四分之一波对称时的开关角度。对于m电平（m为奇数）的输出电压波形，共有2(m-1)个开关角度。图5显示了将开关角度划分为四个象限的情况。主要开关角度位于第一象限，范围从0到π/2。其余象限的角度可通过主要开关角度直接确定。

为了降低逆变器的总谐波畸变率（THD），特定谐波消除（SHE）技术旨在消除低次谐波。由于输出具有15个电平，所提出的逆变器采用特定谐波消除脉宽调制（SHEPWM）技术，以目标消除三次、五次、七次、九次、十一次和十三次等低次谐波。高次谐波可通过小型滤波器有效抑制。输出电压波形的数学表达式通过傅里叶级数获得，以下方程给出了这些表达式：

（1）

其中 a₀ = 直流分量

a_n= 偶次谐波

b_n=奇次谐波

在这种情况下

 (2)

 (3)

 (4)

输出波形的四分之一周期对称性消除了偶次谐波（a_n = 0）和直流分量（a₀ = 0），仅保留奇次谐波（b_n）。因此，多电平逆变器的输出方程表示为

(5)

由于这是一个15电平逆变器，在四分之一周期内，使用7个触发角来确定每个谐波分量的峰值电压。以下方程表示各谐波分量的峰值。

 (6)

 (7)

 (8)

 (9)

 (10)

 (11)

 (12)

必须将上述方程中三阶、五阶、七阶、九阶、十一阶和十三阶谐波的电压幅值调整为零，以将其从负载中消除。

 (13)

逆变器的调制指数（M）可通过以下公式计算

 (14)

牛顿-拉夫森（NR）方法用于计算触发角，而特定谐波消除脉宽调制（SHE PWM）的主要目标是尽可能降低谐波含量。NR 方法从一个初始估计值开始求解非线性方程组，该初始值为 0 到 90^◦ 之间的随机数。迭代过程中的数值由 j 和 e 表示。NR 方法包含以下步骤。

步骤1：为确定点火角度，需设置初始值。

 (15)

步骤 2：利用“k”次迭代中“n”个变量的雅可比矩阵，计算非线性方程和 dα 的值。

  (16)

 (17)

步骤3：如果δα大于阈值，则重复步骤4。如果阈值等于或大于δα，则停止该过程。

步骤4：一旦公式（18）更新了α值，返回步骤2。

 (18)

为了确定理想的开关角度，采用了人工神经网络（ANN）和牛顿-拉夫森法。在训练过程中，人工神经网络需要初始输入。本方法所使用的人工神经网络的内部结构如图6所示。该网络由输入层和输出层之间的两个隐藏层（H₁ 和 H₂）以及一个输入值为 V_dc 的单输入层组成，用于提供理想的开关角度。通过使用范围为 -1 到 1 的“tanh”激活函数，使模型呈现非线性特性。各个神经元（Y_i）通过对其输入赋予权重进行计算，其中 K 是介于 0 与前一层神经元数量之间的值。输出值通过 tanh 函数被缩放至指定范围内。以下是对此的描述

(19)

需要指出的是，W_k 表示每个神经元的权重，X_k 表示第 k 个神经元的输出，Bi 表示隐含层的偏置。误差指标通过均方误差（MSE）损失函数计算。采用反向传播方法，结合 Adam 优化器来调整每一层的权重，以减少误差损失。

  (20)

流程图中的 图7 描述了混合型人工神经网络-牛顿-拉夫森（ANN-NR）算法的优化过程。采用一种混合人工神经网络（ANN）与牛顿-拉夫森（NR）技术相结合的方法，以确保在调制指数范围0.6 ≤ M ≤ 1.0内求解非线性选择性谐波消除（SHE）方程时，能够准确且高效地计算最优开关角度，并离线生成训练数据集。有效的开关角度集合（α_₁–α₇) 满足对第三、第五、第七、第九、第十一和第十三次谐波的谐波消除要求的开关角被找出并保存，以对应每个调制比；一个输入神经元代表调制比（M），两个隐藏层，以及七个输出神经元表示开关角 α_₁ 通过α₇ 构成一个前馈神经网络。第一隐含层包含15个神经元，第二隐含层包含10个神经元。输出层采用线性激活函数，而隐含层则使用双曲正切（tanh）激活函数以引入非线性。输入和输出数据均被标准化至[−1, 1]范围内，以提高训练的稳定性和收敛性。在训练前，调制指数和开关角度经过适当缩放；在推理过程中，再对其进行反向缩放。

数据集按60:20:20的比例划分为训练集、验证集和测试集。采用Adam优化算法，学习率为0.001，并以均方误差（MSE）作为损失函数来训练网络。为避免过拟合，训练最多进行1000个训练轮次，并采用提前停止策略。当MSE降至预设阈值以下，或验证集损失在连续50个训练轮次内未得到改善（即满足“耐心”准则）时，训练过程即停止。在运行过程中，训练好的人工神经网络（ANN）会为特定调制指数提供初始的开关角度估计值，随后牛顿–拉夫逊（Newton–Raphson）迭代法将这些估计值作为初始条件进行求解。该NR方法通过精细调整ANN的输出结果，确保精确消除谐波，从而完全满足非线性SHE方程的要求。

当目标谐波（3次至13次）的残余幅值小于0.5%，且开关角度满足必要的顺序约束时，该解被视为有效：
0 < α₁ < α₂ < α₃ < α₄ < α₅ < α₆ < α₇ < π / 2。这种结合了迭代数值方法高精度与神经网络快速预测能力的混合ANN–NR策略，实现了在整个调制指数范围内快速收敛和可靠的谐波抑制。表2列出了不同调制指数（MI）值下多个参数（α₁至α₇）和测量结果（5^次、7^次、11^次和13^次谐波）的数据。这些数值似乎反映了与各MI值相关的测量值或特征。图8A展示了开关角度随调制指数的变化关系，图8B展示了谐波次数随调制指数的变化关系。

性能分析

本研究通过重点关注电压应力分布、转换效率、功率损耗特性以及器件利用率，评估了所提出的十五电平非对称逆变器的性能，这些因素均直接影响其实际应用。通过累加各种工作条件下所有开关器件承受的最大阻断电压，计算得到总关断电压（TSV）。我们注意到，根据表2所示的开关状态，电压应力在各器件之间并非均匀分布。例如，在+6V_dc工作电平时，开关S₁、S₂、S₅、S₉和S₁₀所承受的阻断电压分别为Vdc、3V_dc、2V_dc、4V_dc和4V_dc。

在此配置中，连接至电源（V3）的开关器件的峰值电压应力相同，而连接至电源（V1和V2）的开关器件则具有不同的值。以下方程表示开关所承受的最大电压应力。

V_S1 = V_S4 = V₁ = V_dc （21）

V_S3 = V_S5 = V₂ = 2V_dc (22)

V_S2 = V_S6 = V₁ + V₂ = 4V_dc (23)

V_S7 = V_S8 = V_S9 = V_S10 = V₃ = 4V_dc (24)

其中，V_Sn 表示器件在关断状态下所承受的最大电压应力。所提出设计的总耐压（TSV）由式（25）表示。

TSV = 2 × V_S1 + 2 × V_S3 + 2 × V_S2 + 4 × V_S7 = 30 V_dc (25)

非对称的直流电源布置与开关序列直接导致了图9中所示的非均匀应力分布。尽管整体器件总应力（TSV）低于传统设计，但这种不均匀分布仍需要仔细进行器件额定值评估与选型，以避免元件过应力。在所建议拓扑结构的框架下，我们还评估了开关数量与可实现电压电平之间的关系。当前结构采用10个开关实现15个电平，而传统的级联结构中，电平提升通常需要成比例地增加元件数量。根据我们的研究，该方案通过在多个运行模式下复用导通路径来实现元件数量的减少。然而，这种方法限制了向更高电压电平的简单扩展性，并对开关逻辑增加了更多约束。

通过计算包含所有与源数量（N_s）、开关数量（N_sw）、栅极驱动电路数量（N_drivers）、二极管数量（N_D）、电容数量（N_C）、成本因子（CF）以及效率相关的项，可得到方程（26）。在此情况下，δ 表示权重因子。当 δ 小于 1 时，各元件的权重更大；而当 δ 大于 1 时，总关断电压（TSV）（标幺值）的权重更大。若 δ = 1，则元件权重与 TSV（标幺值）相等。对于本研究中讨论的所有拓扑结构，均假设 δ 为 1。

CF = N_s + N_sw + N_drivers + N_D + N_C + δ*TSV(p.u.) (26)

逆变器的效率通常用公式（27）表示。

 (27)

其中，输出功率、输入功率和功率损耗分别用 P_out、P_in 和 P_losses, 表示。在所建议的拓扑结构中，功率损耗包括开关损耗和导通损耗两种类型。开关损耗：此类损耗由器件在一个周期内快速通断所引起。开关损耗在状态转换过程中产生，可用公式表示。

 

  (28)

 (29)

第 i 个开关的导通损耗、关断损耗和关断状态电压分别用 P_swlturnon(i)、P_swltunoff(i) 和 V_swoff 表示。i_on 和 i_off 分别表示开关在导通状态和关断状态下的电流。公式 (30) 展示了这些损耗如何累加以确定总的开关损耗（P_sw(Total)）。

 (30)

导通损耗：开关的导通损耗表示为

 (31)

  (32)

其中，V_don 和 V_swon 分别表示二极管和开关的导通态电压降，P_Dcon 和 P_swcon 分别表示二极管和开关的导通损耗。二极管和开关的导通态电阻由 R_Don 和 R_swon 表示，而开关的平均电流和均方根电流分别由 i_Davg、i_swavg、i_Drms 和 i_swrms 表示。

对于所选器件，采用基于标准数据手册的参数来配置 PLECS 半导体模型。当无法从制造商数据获得完整的曲线拟合时，开关损耗（P_on、P_off）、导通参数（R_Don、V_Don）以及热阻均根据数据手册中的额定值进行设定，并由 PLECS 根据瞬时工作条件在内部进行缩放。

利用如图10所示的PLECS仿真平台，我们进行损耗分析以评估功率耗散，同时考虑器件层面的导通损耗和开关损耗特性。我们发现，损耗分布随负载类型发生显著变化。在纯阻性负载下，导通损耗占主导地位，因为某些开关器件会持续承受电流导通。另一方面，对于RL负载，电压与电流之间的相位滞后导致开关损耗上升，从而在开关切换过程中引起更高的能量耗散。图11A和11B展示了这一现象，部分开关因其导通作用的不同，持续表现出更高的损耗集中程度。

如图12所示，通过在多种工作条件下（0–2000 W）比较逆变器的输出功率与输入功率，可计算其总效率。根据我们的研究结果，在较低功率水平下效率为98.6%，而在接近额定工况时效率下降至97.1%。我们对此趋势的解释是，随着电流幅值的增加，开关损耗和导通损耗的贡献增大。尽管效率仍保持在较高水平，但观察到的变化表明，在较高负载条件下损耗机制变得更加显著，因此在热设计中应予以考虑。

必须强调的是，这些性能指标是在仿真条件下得出的，其前提是简化的寄生参数建模和理想化的开关行为。在实际应用中，死区时间插入、栅极驱动延迟、杂散电感以及随温度变化的器件特性等因素都可能改变效率和损耗分布。因此，即使这些结果为比较评估提供了统一的基础，仍无法完全涵盖所有实际运行中的影响因素。TSV、效率和损耗分布常被用作多电平逆变器分析中的基准评价标准，本研究所采用的性能评估方法符合该领域的公认流程。然而，我们指出，本研究中所考虑的拓扑结构、开关技术及运行条件在本质上会影响定量结果。

在表3中，将所提出的非对称十五电平逆变器与文献中的一些多电平逆变器拓扑结构进行了对比。比较的重点是开关数量、直流电源数量、控制技术以及总体运行特性等关键结构和性能相关因素。据指出，某些现有结构（如^24,25中所述）使用的开关数量较多（多达16个），或依赖于混合型或高频调制技术，这可能导致控制复杂性和开关损耗增加。尽管在不同的调制方案和设计限制下运行，其他一些开关数量较少的拓扑结构（如²⁷中所述）实现了更低的器件数量。

在低频SHE控制框架下，所提出的拓扑结构利用十个开关和三个直流电源产生十五电平输出。与某些参考设计相比，该拓扑在此配置和运行状态下具有更少的开关数量以及适中的总关断电压（TSV）。然而需要强调的是，所提供的比较数据来源于文献，且并非所有研究均采用相同的运行条件、调制系统和负载假设。因此，无法证明其性能存在直接的一一对应等效性。该比较并非旨在提供一个完全对齐的基准，而是用于进行结构层面的定性评估。总体而言，在评估的工作范围内，所提出的结构在器件数量、控制复杂度与谐波性能之间实现了可行的折中方案。

结果

模拟结果

使用 MATLAB/Simulink 界面对十五电平运行进行了仿真。负载参数分别为 100 Ω 和 100 mH，十五个电平的电源电压分为 100 V、200 V 和 400 V。所提出的逆变器以 50 Hz 的基本频率运行。在电阻性负载条件下的逆变器性能如图 13所示。图 14展示了逆变器在不同负载情况下的运行状态。各种感性负载条件下逆变器的运行情况如补充图 1所示。电源电压波动所产生的波形如补充图 2所示。补充图 3表明，十五电平逆变器的基波输出电压为 698.9 V，相应的总谐波畸变率（THD）为 5.47%。根据仿真结果，所提出的逆变器在所有负载情况下均能正常运行。

实验结果

讨论

本文提出了一种结合人工智能辅助选择性谐波消除（SHE）技术的少开关非对称十五电平逆变器拓扑结构。该建议的结构在开关数量、总关断电压（TSV）和谐波性能之间实现了良好平衡，适用于太阳能系统和电动驱动接口等中压应用场合。该拓扑结构能够产生高质量的阶梯电压波形，在额定运行条件下报告的效率超过97.1%，与仿真和实验结果一致。所建议方法的一个主要特点是采用了一种混合型人工神经网络–牛顿-拉夫森（ANN–NR）框架，相较于传统的纯迭代方法，该框架能更快地收敛至理想的开关角度³⁶。这增强了在数字信号处理器（DSP）平台上实现实时控制的可行性，并降低了离线处理过程中的计算需求。此外，更少的功率开关数量有助于简化门极驱动电路并降低导通损耗，这两点对于资源受限的应用场景尤为关键。

然而，该方法的普适性和可扩展性受到若干实际限制的影响。调制指数和初始条件仍会影响开关角解的稳定性。尽管人工神经网络（ANN）能够提供可靠的初始估计值，但牛顿-拉夫森（NR）方法仍可能收敛于局部极小值，或在非线性SHE方程病态的区域中失效^37...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
电流传感器	霍尔效应传感器	—	用于电流测量
直流电源（隔离式）	实验室电源	—	10 V、20 V、40 V 隔离直流电源
数字存储示波器（DSO）	Tektronix	—	用于波形观察与测量
DSP 控制器	德州仪器	TMS320F28379D	用于脉冲生成与控制实现
栅极驱动电路	定制驱动集成电路	IR2110	用于MOSFET开关控制
电感负载	—	—	30 mH 电感器
MATLAB/Simulink	MATLAB	版本（2025a）	用于仿真与分析
MOSFET	英飞凌	IRFP460	500 V、20 A 功率开关，用于逆变器中
PCB / 面包板装置	定制	—	用于硬件实现
个人计算机	—	—	用于仿真与DSP编程
PLECS 软件	PLECS	版本（5.0.3.）	用于热损耗与损耗分析
功率二极管	安森美	MUR860	600 V、8 A 快恢复二极管
电源单元	—	—	为控制电路与驱动电路提供辅助电源
电阻负载	—	—	30 Ω 功率电阻
电压探头	Tektronix	—	用于电压波形采集