两级三相逆变器的选择性谐波消除PWM（SHEPWM）simulink实现

 ✅作者简介：热爱数据处理、数学建模、仿真设计、论文复现、算法创新的Matlab仿真开发者。

更多Matlab代码及仿真咨询内容点击 ：Matlab科研工作室

个人信条：格物致知，期刊达人。

内容介绍

两级三相逆变器因其结构简单、成本低廉以及较高的电压增益等优势，广泛应用于电力电子驱动、新能源发电以及电力牵引等领域。然而，其开关频率相对较低，产生的谐波分量较多，会对电网和负载造成严重的谐波污染。为了提高逆变器输出波形的质量，选择性谐波消除脉宽调制 (Selective Harmonic Elimination Pulse Width Modulation, SHEPWM) 技术应运而生，成为一种有效的谐波抑制策略。本文将深入探讨两级三相逆变器的 SHEPWM 技术，包括其原理、算法、优缺点以及改进策略。

一、两级三相逆变器的工作原理

两级三相逆变器通常采用两个三相桥式逆变器级联而成，每个桥式逆变器由六个开关器件构成，通过控制开关器件的导通和关断状态来实现对输出电压的调制。相较于单级三相逆变器，两级级联结构可以有效提高输出电压，降低开关器件的应力，并且具有更好的可靠性和冗余性。然而，由于级联结构的复杂性，其控制策略也更为复杂。

二、SHEPWM 的基本原理

SHEPWM 技术的核心思想是通过精确控制开关器件的导通角，选择性地消除特定谐波分量，从而提高输出电压波形的质量。不同于传统的 SPWM (Sinusoidal Pulse Width Modulation) 技术，SHEPWM 不仅考虑基波幅值，还考虑特定谐波分量的幅值，并将其设置为零。这意味着需要求解复杂的非线性超越方程组，以确定各个开关器件的最佳导通角。

对于两级三相逆变器，由于其结构的复杂性，SHEPWM 的算法设计更为复杂。通常需要考虑两个桥式逆变器的开关角协调控制，以确保输出电压的平衡和对称性。这通常需要引入额外的约束条件，以限制谐波分量并满足输出电压的幅值要求。

三、SHEPWM 的算法设计

SHEPWM 的算法设计主要包括以下几个步骤：

1. 谐波消除目标的确定: 根据实际应用需求，选择需要消除的谐波分量。通常，选择消除低次谐波分量，例如 5次、7次、11次等，因为这些谐波分量对电网和负载的影响最大。

2. 非线性方程组的建立: 基于傅里叶级数分析，建立描述输出电压中基波幅值和特定谐波分量幅值的非线性超越方程组。该方程组的变量是各个开关器件的导通角。

3. 非线性方程组的求解: 由于非线性方程组的复杂性，需要采用数值方法进行求解。常用的数值方法包括牛顿-拉夫森法、遗传算法、粒子群算法等。其中，牛顿-拉夫森法具有较快的收敛速度，但需要提供初始值，且可能陷入局部最优解。遗传算法和粒子群算法则具有全局寻优能力，但计算量相对较大。

4. 开关角的优化: 求解得到的开关角需要进行优化，以满足输出电压的幅值要求，并尽可能减少未消除谐波的幅值。

四、SHEPWM 的优缺点

优点:

• 高效率的谐波抑制: 能够有效消除特定谐波分量，显著提高输出波形的质量。

• 较高的输出电压: 与 SPWM 相比，SHEPWM 可以获得更高的输出电压。

• 减少滤波器的设计难度: 由于谐波分量减少，可以简化滤波器的设计，降低系统成本。

缺点:

• 算法复杂度高: 需要求解复杂的非线性方程组，计算量较大。

• 对参数变化敏感: 开关角的计算结果对负载参数和电源电压的变化较为敏感，需要采用自适应控制策略。

• 难以实时控制: 计算量较大，难以实现实时控制，通常适用于离线计算或相对稳定的负载条件。

五、SHEPWM 的改进策略

为了克服 SHEPWM 的缺点，近年来涌现了许多改进策略，例如：

• 基于神经网络的 SHEPWM: 利用神经网络逼近非线性方程组的解，提高计算速度和效率。

• 自适应 SHEPWM: 根据负载变化自适应调整开关角，提高系统的鲁棒性。

• 多目标优化 SHEPWM: 同时考虑基波电压幅值、谐波抑制效果以及开关损耗等多目标进行优化，提高系统的综合性能。

六、结论

SHEPWM 技术为提高两级三相逆变器输出波形的质量提供了有效的途径。虽然其算法设计较为复杂，但其在谐波抑制方面的优势是不可否认的。随着计算机技术的不断发展和算法的不断改进，SHEPWM 技术必将在电力电子领域得到更广泛的应用。未来的研究方向可以集中在提高算法的计算效率、增强算法的鲁棒性和自适应能力，以及开发更有效的优化策略等方面。 通过持续的改进和创新，SHEPWM 技术将为构建更高效、更可靠的电力电子系统提供强有力的支撑。

⛳️ 运行结果

参考文献

部分理论引用网络文献，若有侵权联系博主删除

博客擅长领域：

各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电

元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP