news 2026/7/10 22:41:42

2.2 不连续PWM与优化策略

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
2.2 不连续PWM与优化策略

2.2 不连续PWM与优化策略

在2.1节阐述的基础PWM技术(SPWM与SVPWM)均属于连续脉宽调制,其特征是在每个开关周期内,三相桥臂均执行开关动作。尽管这类调制策略能够产生高质量的输出波形,但其开关损耗与开关频率成正比,成为限制系统功率密度与效率提升的关键因素,尤其在高开关频率、大功率应用场合。为此,不连续脉宽调制及各类优化PWM策略应运而生,其核心目标是在保持电压利用率、满足谐波性能要求的前提下,显著降低开关损耗,并进一步优化特定性能指标,如共模电压、电流纹波等。本节将系统分析不连续PWM的工作原理、主流实现方式及其他高级优化策略。

2.2.1 不连续PWM的基本原理与分类

不连续脉宽调制(Discontinuous PWM, DPWM)的核心思想是:在每个基波周期内,通过特定规则令三相中的某一相桥臂在特定时间段内保持恒定开关状态(常开或常关),从而使其在该时间段内完全不发生开关动作。由于三相负载对称,三相电流之和为零,这种钳位并不会影响线电压的合成能力,但可使总开关次数减少约1/3。

DPWM的实现通常通过对连续调制波(如正弦波)注入一个幅值变化的零序分量来实现。注入零序分量后,新的调制波ux_ref∗u_{x\_ref}^*ux_ref(x = a, b, c) 为:
ux_ref∗=ux_ref+uoffsetu_{x\_ref}^* = u_{x\_ref} + u_{offset}ux_ref=ux_ref+uoffset
其中ux_refu_{x\_ref}ux_ref为原始正弦参考波,uoffsetu_{offset}uoffset为注入的零序电压。通过设计uoffsetu_{offset}uoffset,使得合成后的某相调制波在部分区间达到或超过载波信号的峰/谷值,从而实现该相桥臂的钳位。

根据钳位相位和区间的选择规则,DPWM主要分为以下几种基本类型:

DPWM类型钳位相位规则主要特点与应用场景
DPWMMIN在每60∘60^\circ60区间内,钳位瞬时值最小的那相于低电平(下桥臂常通)。钳位相下管导通,上管零电流关断,有助于降低以IGBT为上管的模块开关损耗。
DPWMMAX在每60∘60^\circ60区间内,钳位瞬时值最大的那相于高电平(上桥臂常通)。钳位相上管导通,下管零电流关断,适用于上管开关损耗更关键的场合。
DPWM0/DPWM1
(或称DPWMN/DPWMP)
根据相电流极性钳位。当相电流大于0时,钳位该相至正母线(DPWM1)当相电流小于0时,钳位该相至负母线(DPWM0)损耗最小化效果最优。因为钳位总是发生在电流绝对值最大的相位,该相开关器件的电流应力最大,消除其开关动作对降低损耗最为有效[1]。但其实现需要实时检测相电流极性。
DPWM3在每60∘60^\circ60区间内,钳位中间值的那一相开关损耗降低效果介于DPWMMIN/MAX与DPWM0/1之间,波形对称性较好。

下图直观对比了连续SVPWM与两种典型DPWM策略在一个基波周期内,各相(以A相为例)的开关动作情况。可以看到,DPWM策略通过注入零序分量,使调制波在特定区间达到饱和,从而实现了对应相桥臂的持续钳位,显著减少了开关次数。

title “连续SVPWM与DPWM开关动作对比示意图(A相)” x-axis “电角度 (°)” [0, 60, 120, 180, 240, 300, 360] y-axis “开关状态” 0 --> 1 line “SVPWM (7段式)” [0, 1, 1, 0, 0, 1, 1, 0, 0, 1, 1, 0, 0] line “DPWMMIN (A相最小钳位)” [0, 0, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 1] line “DPWM1 (A相电流>0钳位)” [1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 1]

注:示意图基于理想调制,实际开关序列包含更多细节。DPWM1的钳位区间取决于电流过零点,可能与图示有差异。

2.2.2 DPWM的开关损耗分析

开关损耗是功率器件最主要的损耗来源之一,包括开通损耗EonE_{on}Eon和关断损耗EoffE_{off}Eoff,其与开关时刻的集电极电流IcI_cIc、直流母线电压VdcV_{dc}Vdc以及结温TjT_jTj密切相关,可近似表示为:
Psw=fsw⋅(Eon(Ic,Vdc,Tj)+Eoff(Ic,Vdc,Tj))P_{sw} = f_{sw} \cdot (E_{on}(I_c, V_{dc}, T_j) + E_{off}(I_c, V_{dc}, T_j))Psw=fsw(Eon(Ic,Vdc,Tj)+Eoff(Ic,Vdc,Tj))
其中fswf_{sw}fsw为开关频率。

对于三相逆变器,总开关损耗Psw_totalP_{sw\_total}Psw_total近似为各相损耗之和。在连续PWM下,各相开关频率均为fswf_{sw}fsw。而在DPWM策略下,被钳位的相在该60∘60^\circ60区间内开关损耗为零。假设负载功率因数为1,且电流峰值与调制比正相关,理论分析表明,在相同输出条件下,DPWM0/1策略可最大程度地将开关损耗降低至连续PWM的约50%-66%[2]。实际节省的比例取决于调制比和功率因数。

然而,DPWM的代价是电流谐波畸变率(THD)的增加。由于调制波在钳位区间被“削顶”,输出脉冲序列的频谱中低次谐波成分会增加。因此,在相同THD要求下,采用DPWM可能需要略微降低开关频率,或在调制算法上进行补偿优化。

2.2.3 其他PWM优化策略

除了以降低开关损耗为核心目标的DPWM,还存在其他旨在解决特定问题的PWM优化策略。

1. 随机PWM
随机PWM(Random PWM, RPWM)通过随机化载波频率或开关时刻,将集中的开关谐波能量分散到一段连续的频带内,从而抑制特定频率的谐波峰值,有效降低电磁干扰(EMI)。这对于满足严格的EMC标准至关重要。实现方式包括随机载波频率PWM和随机脉冲位置PWM。

2. 特定谐波消除PWM
特定谐波消除PWM(Selected Harmonic Elimination PWM, SHEPWM)是一种通过计算得到特定的开关角,在输出波形中精确消除指定次数的低次谐波(如5次、7次)的优化方法。它通常通过求解一组非线性方程组来实现,离线计算量大,但适用于大功率、低开关频率的场合,能获得优异的低频谐波性能。

3. 基于模型预测的PWM优化
随着数字处理器性能的提升,基于模型预测控制(MPC)思想的PWM优化成为研究热点。例如,在模型预测转矩控制(MPTC)中,算法在每个控制周期评估有限开关状态下未来时刻的转矩和磁链误差,选择使代价函数最小的开关状态直接应用[3]。这种方法将调制与控制融为一体,动态响应快,并能方便地将开关频率、共模电压等约束纳入代价函数进行多目标优化。

4. 过调制策略
当参考电压矢量幅值超过SVPWM线性调制区(六边形内切圆)时,需采用过调制策略。过调制区分为两段:第I段,矢量轨迹由圆形变为六边形;第II段,矢量轨迹最终收敛于六边形顶点。过调制算法通过修正参考矢量的幅值和相位,在保证基波电压增益持续提高的同时,尽可能控制低次谐波的增长。这对于充分利用直流母线电压,拓展电机恒功率运行范围至关重要。

2.2.4 策略选择与适用场景分析

不同PWM优化策略各有侧重,其选择需综合考虑系统要求:

  • 对效率要求极端苛刻:首选DPWM0/1,因其降损效果最显著。需配备电流采样以实现基于电流极性的钳位判断。
  • 中高功率、开关损耗突出,但对THD有要求:可选择DPWMMIN/MAX或DPWM3,在损耗与THD间取得较好平衡。许多现代电机控制专用DSP均内置这些调制模式。
  • EMI问题严峻:应采用随机PWM策略,以通过EMC认证。
  • 低开关频率大功率应用(如风电变流器)SHEPWM是优选方案,可有效抑制低次转矩脉动。
  • 追求极高动态性能与多目标控制模型预测控制PWM展现出巨大潜力,是当前学术与高端应用的研究前沿。

本节核心要点

  1. 不连续PWM(DPWM)的核心机制是通过注入零序分量,使三相调制波之一在每60°区间内饱和,从而钳位对应桥臂,减少约1/3的开关动作,直接降低开关损耗。
  2. DPWM的主要类型根据钳位规则区分:DPWMMIN/MAX基于电压瞬时值钳位;DPWM0/1(最优损耗DPWM)基于电流极性钳位,降损效果最佳但需电流信息;DPWM3钳位中间值相位。
  3. DPWM以牺牲谐波性能为代价换取效率提升。其输出电流THD通常高于连续PWM,在相同THD要求下可能需要更低的等效开关频率。
  4. 开关损耗的降低效果可定量分析。在理想条件下,DPWM0/1策略最大可将总开关损耗降低至连续PWM的50%左右,实际效果受调制比和负载功率因数影响。
  5. 除DPWM外,多种PWM优化策略针对不同目标:随机PWM用于抑制EMI;特定谐波消除PWM用于精准消除低次谐波;模型预测PWM用于实现快速动态和多目标优化;过调制策略用于拓展电压输出范围。
  6. 策略选择是系统级权衡。需根据具体应用对效率、谐波、EMI、动态性能、实现复杂度的优先级进行综合评估,不存在适用于所有场景的最优解。

参考文献

  1. HAVA A M, KERKMAN R J, LIPO T A. A high-performance generalized discontinuous PWM algorithm[J]. IEEE Transactions on Industry Applications, 1998, 34(5): 1059-1071.
  2. OETTINGER H, BIELA J, KOLAR J W. Comparative evaluation of continuous and discontinuous PWM methods for three-phase three-level NPC inverter systems regarding switching losses and current ripple[C]//2009 IEEE Energy Conversion Congress and Exposition. San Jose, CA, USA: IEEE, 2009: 2565-2572.
  3. RODRIGUEZ J, KENNELLY C, PONT A, et al. Predictive current control of a voltage source inverter[J]. IEEE Transactions on Industrial Electronics, 2007, 54(1): 495-503.
  4. HOLTZ J. Pulsewidth modulation for electronic power conversion[J]. Proceedings of the IEEE, 1994, 82(8): 1194-1214.
  5. MOHAN N, UNDELAND T M, ROBBINS W P. Power electronics: converters, applications, and design[M]. 3rd ed. New York: John Wiley & Sons, 2003.
  6. BOSE B K. Modern power electronics and AC drives[M]. Upper Saddle River: Prentice Hall, 2002.
  7. KELKAR S S, LEE F C Y. A novel PWM scheme for voltage source inverters with minimum switching frequency[C]//IEEE Power Electronics Specialists Conference. 1985: 231-237.
  8. TEAK T L, HOLMES D G. Optimized space vector switching sequences for multilevel inverters[J]. IEEE Transactions on Power Electronics, 2003, 18(6): 1293-1301.
  9. JUNG J, NAM K. A dynamic decoupling control scheme for high-speed operation of IPMSM drives[J]. IEEE Transactions on Industrial Electronics, 2009, 56(10): 3995-4003.
  10. ZHOU K, WANG D. Relationship between space-vector modulation and three-phase carrier-based PWM: a comprehensive analysis[J]. IEEE Transactions on Industrial Electronics, 2002, 49(1): 186-196.
版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/7/8 5:48:08

深度学习可解释性研究综述:从特征可视化到因果推理

深度学习模型如同一位技艺精湛却沉默寡言的工匠,能精准完成图像识别、文本生成、疾病诊断等复杂任务,却始终对“思考过程”守口如瓶。这种“黑箱”特性,在医疗、金融、司法等高风险领域形成了信任与合规的双重壁垒——当AI建议手术方案或拒绝…

作者头像 李华
网站建设 2026/6/26 8:38:49

探索商用车 P2 并联混合动力控制器功能规范与 HCU 控制策略

商用车整车主机厂产品级P2并联混合动力控制器功能规范,HCU控制策略,可以对照直接搭模型在商用车领域,随着环保要求的日益严格和能源效率提升的需求,混合动力技术逐渐成为焦点。今天咱们就来深入聊聊商用车整车主机厂产品级 P2 并联…

作者头像 李华
网站建设 2026/7/8 19:33:40

NVIDIA TensorRT在智能制造中的潜在应用

NVIDIA TensorRT在智能制造中的潜在应用 在现代电子制造车间的一条高速SMT(表面贴装技术)生产线上,每分钟有超过4000块PCB板通过视觉检测工位。摄像头以60帧/秒的速度捕捉图像,AI系统需要在8毫秒内完成缺陷识别并触发剔除动作——…

作者头像 李华
网站建设 2026/7/8 19:32:18

TensorRT推理日志分析与故障排查指南

TensorRT推理日志分析与故障排查指南 在现代AI系统部署中,一个训练好的模型从实验室走向生产环境,往往面临“跑得动”和“跑得好”的巨大鸿沟。尤其是在视频监控、自动驾驶或实时推荐这类对延迟极其敏感的场景下,哪怕几毫秒的延迟波动都可能…

作者头像 李华
网站建设 2026/7/8 19:31:06

从训练到推理:TensorRT如何填补最后一公里?

从训练到推理:TensorRT如何填补最后一公里? 在AI模型越来越强大的今天,一个耐人寻味的现象却普遍存在:实验室里的模型准确率节节攀升,但在真实生产环境中部署时,却常常“跑不动”——响应慢、吞吐低、成本高…

作者头像 李华
网站建设 2026/7/10 14:55:14

视觉Transformer模型的TensorRT优化之路

视觉Transformer模型的TensorRT优化之路 在AI推理性能日益成为系统瓶颈的今天,视觉Transformer(ViT)这类前沿模型虽然在准确率上屡创新高,却常常因“跑得太慢”而被挡在生产环境门外。尤其是在智能安防、自动驾驶和工业质检等对延…

作者头像 李华