DT-MPC: Synthesizing Derivation-Free Model Predictive Control from Power Converter Netlists via Physics-Informed Neural Digital Twins

📄 arXiv: 2512.12026v1 📥 PDF

作者: Jialin Zheng, Haoyu Wang, Yangbin Zeng, Han Xu, Di Mou, Hong Li, Patrick Wheeler, Sergio Vazquez, Leopoldo G. Franquelo

分类: eess.SY

发布日期: 2025-12-12

备注: 15 pages, 15 figures

💡 一句话要点

提出基于数字孪生的无解析推导模型预测控制，加速电力变换器设计。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)

关键词: 模型预测控制 数字孪生 电力变换器 物理信息神经网络 无梯度优化

📋 核心要点

  1. 传统MPC依赖于手动推导的、特定于拓扑的解析模型，设计过程耗时且费力。
  2. 该论文提出DT-MPC框架，利用数字孪生作为高保真模型，自动生成目标感知的控制策略。
  3. 实验表明，DT-MPC推理速度超过实时7倍，设计时间减少95%，性能优于人工设计的控制器。

📝 摘要（中文）

本文提出了一种基于数字孪生的模型预测控制（DT-MPC）框架，用于通用电力变换器，该框架能够通过利用数字孪生作为高保真系统模型，系统地将高层电路转化为目标感知的控制策略。此外，提出了一种基于物理信息的神经代理预测器，以加速数字孪生的预测并实现实时运行。还引入了一种无梯度单纯形搜索优化器，以有效地处理复杂的多目标优化。通过在1500W双有源桥变换器上的云边部署验证了该框架的有效性。实验结果表明，合成的预测模型实现了超过实时7倍的推理速度，DT-MPC控制器优于几种人工设计的同类产品，并且整体框架将工程设计时间减少了95％以上，验证了DT-MPC在通用电力变换器上的优越性。

🔬 方法详解

问题定义：传统模型预测控制（MPC）在电力电子领域应用广泛，但其性能高度依赖于精确的系统模型。然而，为每个电力变换器拓扑手动推导解析模型既费时又容易出错，限制了MPC在复杂系统中的应用。现有方法缺乏通用性和自动化能力，难以适应快速变化的电力电子设计需求。

核心思路：该论文的核心思路是利用数字孪生（Digital Twin, DT）技术，构建电力变换器的高保真模型，并以此为基础自动生成MPC控制器。通过DT模拟系统行为，避免了手动推导解析模型的需要。此外，利用物理信息神经网络加速DT的预测过程，使其能够满足实时控制的需求。

技术框架：DT-MPC框架包含以下几个主要模块：1) 电路网表输入：接收电力变换器的电路网表作为输入。2) 数字孪生构建：基于电路网表构建高保真数字孪生模型，模拟系统动态行为。3) 物理信息神经网络代理预测器：训练一个神经网络，以物理规律为指导，学习数字孪生的预测结果，加速预测过程。4) 无梯度优化器：使用单纯形搜索等无梯度优化算法，优化MPC控制器的参数，以满足多目标性能指标。5) 云边部署：将训练好的模型部署到边缘设备，实现实时控制。

关键创新：该论文的关键创新在于：1) 提出了基于数字孪生的MPC自动生成框架，无需手动推导解析模型。2) 引入物理信息神经网络，加速数字孪生的预测，使其能够满足实时控制需求。3) 采用无梯度优化算法，有效处理复杂的多目标优化问题。

关键设计：物理信息神经网络的设计融合了电力电子系统的物理规律，例如基尔霍夫定律等，作为神经网络的约束条件，从而提高模型的泛化能力和预测精度。无梯度优化器采用单纯形搜索算法，该算法不需要计算梯度，适用于非凸、非光滑的优化问题。损失函数的设计综合考虑了控制精度、动态响应和能量效率等多个目标。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，DT-MPC框架能够将电力变换器的控制器设计时间缩短95%以上。合成的预测模型推理速度超过实时7倍，满足实时控制需求。与人工设计的控制器相比，DT-MPC在控制精度、动态响应等方面表现更优。

🎯 应用场景

该研究成果可广泛应用于各种电力电子变换器，如DC-DC变换器、逆变器、电机驱动器等。它能够显著缩短控制器的设计周期，降低开发成本，并提高控制性能。此外，该方法还可应用于智能电网、新能源发电、电动汽车等领域，促进电力电子技术的智能化和自动化。

📄 摘要（原文）

Model Predictive Control (MPC) is a powerful control strategy for power electronics, but it highly relies on manually-derived and topology-specific analytical models, which is labor-intensive and time-consuming in practical designs. To overcome this bottleneck, this paper introduces a Digital-Twin-based MPC (DT-MPC) framework for generic power converters that can systematically translate a high-level circuit into an objective-aware control policy by leveraging a DT as a high-fidelity system model. Furthermore, a physics-informed neural surrogate predictor is proposed to accelerate predictions by DT and enable real-time operation. A gradient-free simplex search optimizer is also introduced to efficiently handle complex multi-objective optimization. The efficacy of the framework has been validated through a cloud-to-edge deployment on a 1500 W dual active bridge converter. Experimental results show that the synthesized predictive model achieves an inference speed over 7 times faster than real time, the DT-MPC controller outperforms several human-designed counterparts, and the overall framework reduces engineering design time by over 95\%, verifying the superiority of DT-MPC on generalized power converters.