编辑推荐：
为解决电力电子变换器在噪声或测量故障条件下对直接电压传感器的依赖问题，本研究提出了一种基于非线性自回归外生输入神经网络（NARX-NN）的数字孪生实例（DTI）数据驱动反馈控制框架。该框架将DTI嵌入闭环控制，以其输出作为替代反馈信号，实现了±3%以内的稳态电压精度与鲁棒的动态性能，为将神经估计器集成到电力电子控制中提供了统一基础。
在现代电力电子设备中，DC-DC变换器扮演着心脏的角色，其稳定可靠的工作是各类电子设备正常运行的保证。其中，升压（Boost）变换器因其能够提升输入电压的特性，在可再生能源系统、电动汽车和便携式设备中应用广泛。然而，实现高精度的输出电压控制并非易事。传统的控制方法严重依赖物理传感器对输出电压进行实时测量，但实际工作环境往往充斥着电磁噪声，传感器自身也可能发生故障或性能退化，这些因素都会导致测量信号失真，进而引发控制系统误动作，轻则影响性能，重则危及设备安全。那么，能否找到一种方法，减少对脆弱物理传感器的依赖，甚至在传感器信号不佳时，依然能“感知”并稳定控制输出电压呢？这正是本研究的出发点。
为了回答上述问题，一组研究人员在《IEEE Access》上发表了一项创新性研究。他们不再拘泥于改进传感器或滤波算法，而是另辟蹊径，将近年来在人工智能和工业互联网领域炙手可热的“数字孪生”（Digital Twin）概念引入电力电子控制。具体而言，他们创造性地利用一种名为“非线性自回归外生输入神经网络”（Nonlinear AutoRegressive with eXogenous inputs Neural Network, NARX-NN）的模型，为Boost变换器构建了一个轻量级的“数字孪生实例”（Digital Twin Instance, DTI）。这个DTI就像一个存在于数字世界中的、与物理变换器同步运行的虚拟镜像，它能够仅凭变换器的输入（如占空比）等易于获取的信号，实时估算出难以直接准确测量的关键状态——输出电容电压。研究人员将这个估算值作为替代反馈信号，嵌入到闭环控制回路中，从而在物理传感器“失明”或“耳鸣”时，为控制器提供一双可靠的“数字之眼”。
这项研究的核心在于建立了一个系统化、基于信息论的设计流程，以确保训练出的NARX-NN模型能够精准刻画变换器复杂的非线性、时变动态。该流程主要包含了以下几个关键技术方法：首先，通过互信息（Mutual Information, MI）分析，确定了最优的数据采样频率，以捕获最具信息量的动态。其次，运用相关性和多重共线性分析，从众多候选变量中识别出对输出电压预测最具信息量的输入变量集。接着，采用伪最近邻（False Nearest Neighbours, FNN）方法确定了信号特定的时滞嵌入维度，为神经网络构建了合适的输入时间窗口。研究对象是一个包含输入输出滤波器的Boost变换器案例电路，其表现出非线性与非最小相位行为，是电力电子控制领域的经典挑战平台。通过频率响应分析（Frequency Response Analysis, FRA）表征了其在多种负载条件下的动态特性。最后，利用D-分解法在比例-积分（KP, KI）参数空间中评估了闭环系统的稳定性与鲁棒性，提供了直观的控制器参数选择准则和稳定边界。
研究团队系统比较了三种反馈策略的性能：传统的基于直接测量的控制、基于DTI估算值的控制、以及基于DTI估算值并结合查找表补偿器的控制。主要研究结果如下：
- •
系统化DTI建模流程的有效性：通过互信息、相关性分析与FNN方法构建的NARX-NN模型，能够有效学习并复现Boost变换器的非线性动态，为后续的替代反馈控制奠定了基础。
- •
DTI在传感器退化下的鲁棒性：在闭环运行中验证，当电压传感信号因噪声或故障发生性能退化时，基于DTI的反馈控制系统依然能够保持稳定，并维持准确的电压调节能力。
- •
三种控制策略的性能对比：仿真结果表明，在动态运行条件下，两种基于DTI的控制策略（纯DTI反馈及DTI结合查找表补偿）均能实现与常规测量基准控制器相当的稳态精度，电压稳态偏差被控制在±3%以内，并且展现了鲁棒的瞬态性能。
- •
计算复杂度的可行性：所提出的DTI框架计算量被控制在亚GFLOPs（每秒十亿次浮点运算）级别，满足电力电子系统对实时控制的计算资源约束，证明了其在嵌入式平台上实现的可行性。
本研究得出结论，提出的基于NARX-NN数字孪生实例的反馈控制框架，成功地在Boost变换器这一典型非最小相位系统上，实现了在传感器性能退化条件下的高精度、鲁棒电压控制。该框架的意义重大：其一，它降低了电力电子控制系统对高精度、高可靠性物理电压传感器的依赖，提升了系统在恶劣或不确定测量环境下的韧性。其二，它提供了一套从数据驱动建模到控制器集成与稳定性分析的完整、系统化方法论，将信息论工具与神经网络建模、经典控制理论分析（如D-分解法）有机融合。其三，该工作为将更复杂的神经网络估计器乃至自适应数字孪生架构无缝集成到电力电子控制系统中奠定了统一的理论与实践基础，为开发下一代智能、自适应、高可靠性的功率变换系统指明了有前景的方向。
