Modeling and control of power electronics converters using machine learning

Qashqai, Pouria (2025). Modeling and control of power electronics converters using machine learning. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (12MB) | Prévisualisation

Résumé

In this thesis, a novel black-box modeling technique for power electronics converters using machine learning is proposed. The conventional modeling techniques may be impractical for over-the-counter converters that lack accurate data sheets. A purely data-driven model is developed using Long Short-Term Memory (LSTM) networks, and then its performance is compared against Gated Recurrent Units (GRUs). The comparison demonstrates that both LSTM and GRU are viable options depending on the desired balance between performance and accuracy. Additionally, to improve computational efficiency, transfer learning is employed to speed up the training process for converters with similar topologies.

MATLAB was selected for developing and training the machine learning models due to its robust toolboxes for control systems and deep learning, offering seamless integration with Simulink for dynamic system simulations. Its flexibility and computational efficiency made it a suitable choice over other platforms for implementing LSTM networks and DRL algorithms, while Hypersim facilitated the transition to real-time testing.

Furthermore, Hypersim, a popular real-time simulation software for electrical systems and power electronics, is mainly designed for mathematically based models, which can be limiting for commercial converters that lack detailed data sheets. Since Hypersim does not natively support the proposed black-box modeling method, an algorithm for real-time simulation in Hypersim is developed. This algorithm bridges the gap between the machine-learning-based converter models and real-time simulation environments and it provides a significant step forward for hardware-in-the-loop as well as practical implementation.

The study also presents a model-free control strategy for power electronics converters using Deep Reinforcement Learning (DRL). Through broad simulation and experimental results, the DRL-based control method is compared against conventional Model Predictive Control (MPC), a conventional non-linear control method. The DRL approach is shown to not only eliminate the need for an accurate mathematical model but also to be more resilient to parameter mismatch, variations in operation points, uncertainty, and noise.

Ultimately, the DRL method is applied to a more complex converter, the Hybrid Pakced UCell (HPUC) converter, which generates 23 voltage levels using a single DC source. Control and voltage balancing in this converter are challenging, however, the DRL method demonstrated advantages over traditional MPC in terms of robustness under parameter mismatch, noise, and other disturbances. This research presents new opportunities for utilizing the power of emerging machine learning techniques to solve challenging problems in the domain of modeling and control of power electronic converters.

Titre traduit

Modélisation et contrôle des convertisseurs d’électronique de puissance à l'aide de l'apprentissage automatique

Résumé traduit

Dans cette thèse, une nouvelle technique de modélisation de type « boîte noire » pour les convertisseurs d'électronique de puissance utilisant l'apprentissage automatique est proposée. Les techniques de modélisation conventionnelles peuvent être inadaptées pour les convertisseurs présents sur le marché ne disposant pas de fiches techniques précises. Un modèle purement basé sur les données est développé en utilisant des réseaux à mémoire à long terme (LSTM – Long Short-Term Memory), puis sa performance est comparée aux unités récurrentes à portes (GRU – Gated Recurrent Unit). La comparaison démontre que LSTM et GRU sont des options viables selon l'équilibre souhaité entre performance et précision. De plus, afin d'améliorer l'efficacité computationnelle, l'apprentissage par transfert est utilisé pour accélérer le processus d'entraînement des convertisseurs ayant des topologies similaires.

De plus, Hypersim, un logiciel de simulation en temps réel largement utilisé dans les systèmes électriques et l'électronique de puissance, est principalement conçu pour des modèles mathématiques, ce qui peut être limitant pour les convertisseurs commerciaux dépourvus de fiches techniques détaillées. Puisque Hypersim ne prend pas en charge nativement la méthode de modélisation en « boîte noire » proposée, un algorithme de simulation en temps réel a été développé. Cet algorithme comble l'écart entre les modèles de convertisseurs basés sur l'apprentissage automatique et les environnements de simulation en temps réel, représentant ainsi une avancée significative pour les tests hardware-in-the-loop ainsi que pour l'implémentation pratique.

L'étude présente également une stratégie de contrôle sans modèle pour les convertisseurs d'électronique de puissance utilisant l'apprentissage par renforcement profond (DRL – Deep Reinforcement Learning). À travers de larges simulations et résultats expérimentaux, la méthode de contrôle basée sur le DRL est comparée au contrôle prédictif modélisé (MPC – Model Predictive Control), une méthode de contrôle non linéaire conventionnelle. Il a été démontré que l'approche DRL élimine non seulement la nécessité d'un modèle mathématique précis, mais est également plus résiliente aux écarts de paramètres, aux variations des points de fonctionnement, à l'incertitude et au bruit.

Enfin, la méthode DRL est appliquée à un convertisseur plus complexe, le convertisseur Hybrid Packed U-Cell (HPUC), qui génère 23 niveaux de tension avec une seule source de courant continu. Le contrôle et l'équilibrage des tensions dans ce convertisseur sont complexes, cependant, la méthode DRL a montré des avantages par rapport au MPC traditionnel en termes de robustesse face aux écarts de paramètres, au bruit et aux autres perturbations. Cette recherche ouvre de nouvelles perspectives pour l'utilisation des techniques émergentes d'apprentissage automatique afin de résoudre des problèmes complexes dans le domaine de la modélisation et du contrôle des convertisseurs électroniques de puissance.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Manuscript-based thesis presented to École de technologie supérieure in partial fulfillment of the requirements for the degree of doctor of philosophy". Comprend des références bibliographiques (pages 193-207).
Mots-clés libres:	convertisseurs d’électronique de puissance, apprentissage automatique, lstm (long short-term memory), gru (gated recurrent unit), modélisation en boîte noire, apprentissage par renforcement profond (drl – deep reinforcement learning), contrôle sans modèle, simulation en temps réel
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Al-Haddad, Kamal
Programme:	Doctorat en génie > Génie
Date de dépôt:	18 août 2025 14:11
Dernière modification:	18 août 2025 14:11
URI:	https://espace.etsmtl.ca/id/eprint/3668

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt