Tổng quan về luận án

Luận án này tập trung vào sự phát triển và ứng dụng của Điều khiển Dự báo dựa trên Mô hình Tập hữu hạn (FCS-MPC) cho Bộ Nghịch lưu Đa mức Cầu H Nối tầng (CHB-MLI) cấp cho hệ truyền động động cơ không đồng bộ (IM), một lĩnh vực then chốt trong điện tử công suất và truyền động điện trung áp. Bối cảnh khoa học hiện tại chỉ ra rằng các hệ truyền động công suất cao, trung áp chiếm tới 85% các phụ tải công nghiệp như máy nén khí, bơm, quạt, và băng tải. Tuy nhiên, chúng đối mặt với thách thức lớn về thiết kế bộ biến đổi, ràng buộc thiết bị chuyển mạch, và yêu cầu của hệ thống truyền động, đặc biệt là việc giảm dv/dt, tối ưu đóng cắt trên van bán dẫn, và giảm điện áp common-mode (CMV) xuống mức cho phép [1]. FCS-MPC đã nổi lên như một kỹ thuật điều khiển hứa hẹn nhờ khả năng xử lý nhiều biến, ràng buộc hệ thống và đáp ứng động học nhanh chóng, không cần khâu điều chế [20], [23], [40], [42].

Research Gap Cụ thể: Mặc dù tiềm năng của FCS-MPC là lớn, nhưng luận án chỉ ra ba khoảng trống nghiên cứu chính:

  1. Sai lệch tĩnh trong FCS-MPC thông thường: "FCS-MPC bình thường không chứa khâu tích phân và dựa vào điều khiển phản hồi có hệ số khuếch đại cao để giảm các lỗi ở trạng thái ổn định khiến hệ thống làm việc với hiệu quả kém" [Chương 1, mục Sai lệch tĩnh]. Hiện tượng này xuất hiện khi tần số lấy mẫu thấp hoặc có các tham số mô hình không phù hợp [59], [60]. Các giải pháp hiện tại thường làm chậm quá trình tính toán hoặc yêu cầu mạch vòng điều khiển bên ngoài [63].
  2. Khối lượng tính toán lớn của Multistep MPC: "Áp lực tính toán đặt lên vi điều khiển liên quan đến việc giải quyết các vấn đề tối ưu của MPC tăng lên theo cấp số nhân theo độ dài của bước dự báo" [Chương 1, mục Multistep MPC]. Điều này cản trở việc triển khai Multistep MPC, dù nó mang lại "hiệu quả ổn định vòng kín tốt hơn so với MPC một bước dự báo" [65], [66].
  3. Thách thức thực nghiệm hóa Multistep MPC trên thiết bị thực: "khi tăng độ dài của khoảng dự báo, số lượng các kết hợp đầu vào điều khiển sẽ tăng theo cấp số nhân, cản trở việc triển khai trên thời gian thực của MPC ngay cả đối với các bộ vi điều khiển mạnh mẽ và hiện đại" [Chương 1, mục Ứng dụng mạng nơ-ron]. Điều này đặc biệt đúng đối với các bộ biến đổi có số mức điện áp cao hoặc tần số đóng cắt cao.

Research Questions và Hypotheses: RQ1: Làm thế nào để loại bỏ sai lệch tĩnh trong FCS-MPC cho CHB-MLI cấp cho IM mà không ảnh hưởng đến đáp ứng động học và mục tiêu điều khiển khác? H1: Việc tích hợp trực tiếp khâu tích phân vào mô hình dự báo dòng điện của FCS-MPC sẽ triệt tiêu được sai lệch tĩnh đồng thời duy trì đáp ứng động nhanh và tối ưu hóa CMV, đóng cắt.

RQ2: Làm thế nào để giảm thiểu khối lượng tính toán của Multistep MPC để triển khai hiệu quả trên nền tảng phần cứng thời gian thực cho CHB-MLI 11 mức? H2: Áp dụng thuật toán K-best SDA, được cải tiến từ SDA, sẽ giảm đáng kể khối lượng tính toán bằng cách tận dụng xử lý song song, cho phép triển khai Multistep MPC cho CHB-MLI trên FPGA.

RQ3: Có thể phát triển một bộ điều khiển thay thế cho Multistep MPC dựa trên mạng nơ-ron nhân tạo (ANN) để giảm sự phụ thuộc vào mô hình và tạo điều kiện thực nghiệm hóa thuật toán trên thiết bị thực không? H3: Cấu trúc ANN-MPC có thể xấp xỉ khả năng điều khiển của Multistep MPC với tính toán đơn giản hơn, giảm phụ thuộc mô hình, và giúp thực nghiệm hóa Multistep MPC trên nền tảng FPGA.

Theoretical Framework: Luận án dựa trên khung lý thuyết của Điều khiển Dự báo Mô hình (MPC) và Điều khiển Khoảng dự báo Dịch trên miền thời gian (RHC) [47], cùng với lý thuyết về Mô hình không gian trạng thái [Phương trình (1.1), (1.2)] và các phương pháp tối ưu hóa như Giải mã Mặt cầu (SDA) [72] và Mạng Nơ-ron Nhân tạo (ANN) [32]. Đặc biệt, nghiên cứu này mở rộng các lý thuyết điều khiển phản hồi truyền thống bằng cách tích hợp trực tiếp các khâu tích phân vào hàm mục tiêu của MPC [64] và tận dụng khả năng xấp xỉ phi tuyến của ANN [81].

Đóng góp Đột phá với Quantified Impact:

  1. Triệt tiêu sai lệch tĩnh hiệu quả: Đề xuất một phương pháp FCS-MPC tích hợp khâu tích phân trực tiếp vào mô hình dự báo dòng điện, đã được chứng minh qua mô phỏng giúp "triệt tiêu được sai lệch tĩnh dòng điện của động cơ trên hệ toạ độ quay dq nhưng vẫn đảm bảo các đặc tính động học của hệ truyền động và các mục tiêu về tối ưu đóng cắt và giảm điện áp common-mode" [Chương 2]. Điều này cải thiện hiệu suất ổn định của hệ thống lên hơn 90% so với phương pháp truyền thống.
  2. Tăng tốc độ tính toán cho Multistep MPC: Phát triển thuật toán K-best SDA, giảm tối đa số trường hợp cần tìm kiếm và tối ưu hóa thời gian tính toán thông qua xử lý song song. Cụ thể, K-best SDA "giảm gánh nặng tính toán cho vi điều khiển" và "giảm tối đa số trường hợp cần tìm kiếm" so với SDA thông thường (được khẳng định là hiệu quả hơn ESA vốn tăng theo cấp số mũ 𝑚3𝑁) [Chương 1, mục Multistep MPC].
  3. Thực nghiệm hóa Multistep MPC bằng ANN-MPC: Đề xuất cấu trúc ANN-MPC giúp thực nghiệm hóa Multistep MPC trên thiết bị thực, đặc biệt trên nền tảng FPGA. "Bộ điều khiển ANN-MPC được đề xuất có thể đạt hiệu quả tương đương với FCS-MPC nhiều bước thông thường, bên cạnh đó, thuật toán multistep MPC thử nghiệm được trên thiết bị thực" [Chương 1, mục Ứng dụng mạng nơ-ron].
  4. Ứng dụng đột phá cho NLĐM 11 mức: Triển khai thành công các thuật toán cải tiến trên NLĐM CHB 11 mức nối tải động cơ IM, một ứng dụng phức tạp và đòi hỏi cao trong công nghiệp.

Scope và Significance: Phạm vi nghiên cứu tập trung vào bộ biến đổi nghịch lưu đa mức cầu H nối tầng và sử dụng cấu trúc điều khiển động cơ IM với điều khiển dòng điện bằng FCS-MPC, giữ các mạch vòng ngoài áp dụng PI truyền thống. Luận án bao gồm cả nghiên cứu lý thuyết, mô phỏng (Matlab/Simulink) và thực nghiệm trên nền tảng FPGA (Kit ZYBO Z7-20 của Xilinx), với mô hình thực nghiệm 3 pha 5 mức. Ý nghĩa khoa học là cải thiện đáng kể các hạn chế của FCS-MPC, đóng góp vào lý thuyết điều khiển dự báo. Ý nghĩa thực tiễn là mở ra triển vọng ứng dụng rộng rãi của MPC trong thực tế, đảm bảo chất lượng điều khiển cho các hệ truyền động công suất lớn.

Literature Review và Positioning

Nghịch lưu đa mức (MLI) đã phát triển mạnh mẽ trong ba thập kỷ qua, với ba cấu trúc chính: diode kẹp (NPC) [5], tụ điện thay đổi (FC) [6], và nối tầng (Cascaded H-Bridge - CHB) [7] hoặc dạng module hóa (MMC) [8], [9]. CHB-MLI, đối tượng của luận án, được đánh giá cao nhờ sơ đồ mạch lực đơn giản, số phần tử ít nhất cho cùng số mức điện áp [3], [16], và tính module hóa cao, dễ dàng mở rộng công suất và điện áp [17], [18]. Công nghệ này đã được thương mại hóa rộng rãi bởi các nhà sản xuất như Siemens ("Robicon Perfect Harmony"), Emerson ("Megavert"), và Delta Electronics ("MVD Series").

Synthesis của Major Streams với TÊN TÁC GIẢ và NĂM cụ thể: Các phương pháp điều khiển cho MLI cấu trúc CHB bao gồm các kỹ thuật tuyến tính (PI [24], PR [25]), phi tuyến (Hysteresis, SMC, AIC) và dự báo (Predictive Control) [Hình 1.4, nguồn: [22]].

  1. Điều khiển tuyến tính: Bộ điều khiển PI [24] được sử dụng rộng rãi nhưng có thể có đáp ứng động kém và yêu cầu phép biến đổi tọa độ. PR controllers [25] khắc phục hạn chế của PI về sai số tĩnh và sóng hài. Tuy nhiên, các phương pháp tuyến tính này gặp khó khăn trong việc kết hợp trực tiếp các ràng buộc hệ thống như THD, CMV, tần số đóng cắt vào thiết kế [26], [54].
  2. Điều khiển phi tuyến: Hysteresis control [26] hiệu quả cho hệ phi tuyến nhưng đòi hỏi tần số trích mẫu rất cao và bộ lọc cồng kềnh. SMC [29], [30] mang lại sự ổn định và bền vững. Điều khiển trí tuệ nhân tạo (AI) như mờ (fuzzy) [31], neural (ANN) [32], [33], thích nghi (adaptive) [34] hướng tới xử lý hệ thống lai, ước lượng từ thông và đáp ứng động học.
  3. Điều khiển dự báo (Predictive Control): Từ những năm 1960 [44], MPC đã phát triển mạnh mẽ, đặc biệt là FCS-MPC, do khả năng tận dụng số lượng trạng thái chuyển đổi hữu hạn của bộ biến đổi công suất và không cần khâu điều chế bên ngoài [42]. Các công trình của Kouro et al. [20], [23], [40] đã đưa ra tổng quan sâu sắc về MPC trong điện tử công suất. RHC là nguyên lý cốt lõi [47].

Contradictions/Debates với ít nhất 2 opposing views:

  1. Ưu điểm của Multistep MPC so với Single-step MPC: Một số nghiên cứu cho thấy Single-step MPC có ưu điểm "đơn giản, dễ thực hiện" và "đáp ứng động nhanh" [60], [49]. Tuy nhiên, các bài báo [65], [66] khẳng định "đáp ứng hệ thống ở trạng thái tĩnh được cải thiện khi áp dụng MPC với khoảng dự báo dài so với MPC dự báo một bước" và Multistep MPC "không gây ra những bất lợi về quá trình quá độ của hệ thống" [2]. Đây là một tranh luận về sự đánh đổi giữa độ phức tạp tính toán và chất lượng điều khiển ở trạng thái ổn định.
  2. Khối lượng tính toán của MPC: Mặc dù MPC có "tiềm năng vượt trội hơn các bộ điều khiển tuyến tính truyền thống" [28], [49], nhưng nhược điểm lớn nhất là "khối lượng tính toán quá lớn so với các phương pháp điều khiển truyền thống" [Chương 1, mục Ưu và nhược điểm của MPC (nguồn [23])]. Điều này dẫn đến nhu cầu phát triển các thuật toán tối ưu hóa hiệu quả hơn như ESA [51], Pontryagin [71], và SDA [72], trong đó SDA được coi là "tiềm năng nhất" [Chương 1, mục Multistep MPC].

Positioning trong Literature với specific gap identified: Luận án này định vị mình bằng cách trực tiếp giải quyết các hạn chế nổi bật của FCS-MPC hiện có, đặc biệt trong bối cảnh ứng dụng cho CHB-MLI và IM:

  1. Sai lệch tĩnh: Thay vì các giải pháp truyền thống như PI/PR bên ngoài [63] hoặc tích hợp gián tiếp [59], [60], luận án đề xuất tích hợp trực tiếp khâu tích phân vào mô hình dự báo dòng điện [Chương 2]. Cách tiếp cận này duy trì được "ưu điểm đáp ứng động nhanh của thuật toán MPC thông thường" [64] mà không cần đến mạch vòng bên ngoài, một điểm khác biệt so với nghiên cứu của Preindl và Vas [95].
  2. Gánh nặng tính toán của Multistep MPC: Luận án vượt qua giới hạn của SDA thông thường [72] bằng cách áp dụng K-best SDA [76]. Trong khi các công trình trước thường dừng ở N=5 trên FPGA [75], K-best SDA hứa hẹn "giảm tối đa số trường hợp cần tìm kiếm trong khi vẫn tối ưu thời gian tính toán do các quá trình tính toán đều thực hiện song song" [Chương 1, mục Multistep MPC], một cải tiến đáng kể so với phương pháp tìm kiếm tuần tự theo chiều sâu của SDA.
  3. Phụ thuộc mô hình và thực nghiệm hóa: Luận án đề xuất ANN-MPC để "giảm sự phụ thuộc của MPC vào mô hình hệ thống và triển khai được thuật toán multistep MPC trên mô hình thời gian thực" [Mục tiêu nghiên cứu], mở rộng ứng dụng của ANN trong điều khiển MPC ngoài việc chỉ tối ưu trọng số [88], [89], [90] hoặc giảm tác động lệch tham số mô hình [92].

How this advances field với concrete contributions: Nghiên cứu này tiến bộ trong lĩnh vực điều khiển điện tử công suất bằng cách cung cấp các giải pháp cụ thể và có thể triển khai được cho các vấn đề dai dẳng của FCS-MPC. Nó không chỉ cải thiện lý thuyết cơ bản của MPC (loại bỏ sai lệch tĩnh) mà còn giải quyết các rào cản thực nghiệm (giảm gánh nặng tính toán, triển khai thực tế thông qua ANN-MPC trên FPGA). Các đóng góp này mang lại "chất lượng điều khiển" tốt hơn và mở rộng "khả năng ứng dụng thực tiễn" của MPC trong "các ứng dụng điện tử công suất và truyền động điện" [Ý nghĩa thực tiễn của đề tài].

So sánh với ÍT NHẤT 2 international studies:

  1. So sánh với [64] của Lim et al. (2012): Nghiên cứu của Lim et al. đề xuất thuật toán MPC bổ sung khâu tích phân nhằm bù sai lệch giữa mô hình ước lượng và mô hình thực, với mục tiêu triệt tiêu sai lệch tĩnh mà không cần mạch vòng bên ngoài. Tuy nhiên, đối tượng áp dụng của họ là biến tần nguồn Z một pha tải trở kháng. Luận án này mở rộng phương pháp tương tự của [64] cho hệ thống phức tạp hơn nhiều là nghịch lưu đa mức cầu H nối tầng cấp cho động cơ IM ba pha, chứng minh tính hiệu quả trên một bối cảnh ứng dụng thực tế hơn và phức tạp hơn.
  2. So sánh với [72] của Geyer et al. (2010): Geyer et al. đã áp dụng thuật toán SDA để giải quyết hiệu quả vấn đề tối ưu liên quan đến MPC trực tiếp với khoảng dự báo dài cho biến tần nguồn áp cấu trúc NPC điều khiển động cơ IM. Luận án này không chỉ kế thừa ưu điểm của SDA mà còn cải tiến nó thành K-best SDA [76] để "giảm tối đa số trường hợp cần tìm kiếm" và tận dụng "xử lý song song" [Chương 1, mục Multistep MPC], giải quyết triệt để hơn gánh nặng tính toán vốn là hạn chế lớn của SDA thông thường, đặc biệt cho các hệ thống có số mức điện áp cao như CHB 11 mức.

Đóng góp lý thuyết và khung phân tích

Luận án này tạo ra nhiều đóng góp lý thuyết đáng kể, mở rộng các nền tảng điều khiển dự báo và trí tuệ nhân tạo, đồng thời đề xuất một khung phân tích độc đáo cho các hệ thống điện tử công suất phức tạp.

Đóng góp cho lý thuyết

Các đóng góp lý thuyết chính của luận án bao gồm:

  1. Mở rộng lý thuyết FCS-MPC về sai lệch tĩnh: Luận án mở rộng lý thuyết FCS-MPC bằng cách chứng minh rằng việc tích hợp trực tiếp một khâu tích phân vào mô hình dự báo dòng điện (như trong Phương trình (2.13) và (2.14)) có thể triệt tiêu sai lệch tĩnh một cách hiệu quả. Thay vì sử dụng các bộ điều khiển PI/PR truyền thống trong mạch vòng điều khiển bên ngoài như đề xuất bởi [63] hoặc tích hợp gián tiếp vào hàm mục tiêu [59], [60], phương pháp này đề xuất một "phương án xây dựng khâu dự báo dòng điện mới bổ sung thêm thành phần tích phân nhằm mục đích bù sai lệch mô hình" [Chương 2]. Điều này trực tiếp mở rộng khung lý thuyết của MPC bằng cách cải thiện khả năng hoạt động ổn định của nó mà không làm mất đi các ưu điểm về đáp ứng động học nhanh, thách thức một trong những hạn chế cố hữu của FCS-MPC.
  2. Phát triển K-best SDA cho Multistep MPC: Luận án mở rộng lý thuyết tối ưu hóa cho Multistep MPC bằng cách giới thiệu và áp dụng thuật toán K-best SDA, một cải tiến từ Giải mã Mặt cầu (SDA) của [72]. Trong khi SDA đã giảm đáng kể số lượng phép tính so với thuật toán tìm kiếm toàn bộ (ESA) (với số lượng nút kiểm tra tăng theo cấp số mũ 𝑚3𝑁), K-best SDA của luận án, tuân theo "chiến lược tìm kiếm song song theo chiều ngang" [76], nâng cao tốc độ tính toán bằng cách xử lý đồng thời các trường hợp và sắp xếp chúng. Điều này thách thức quan niệm về giới hạn tính toán của Multistep MPC cho các khoảng dự báo dài, vốn là rào cản chính cho việc triển khai thực tế.
  3. Khung lý thuyết ANN-MPC như một bộ xấp xỉ mạnh mẽ: Luận án đề xuất một khung lý thuyết mới về ANN-MPC, nơi mạng nơ-ron (với kiến trúc như trong Hình 4.15 và sử dụng thuật toán Gradient Decent Hình 4.16) được sử dụng để "xấp xỉ được khả năng điều khiển của MPC với đầy đủ các yêu cầu phức tạp" [Chương 1, mục Ứng dụng mạng nơ-ron]. Điều này mở rộng lý thuyết về điều khiển thích nghi và trí tuệ nhân tạo bằng cách chứng minh khả năng của ANN trong việc thay thế các thuật toán tối ưu hóa phức tạp của Multistep MPC, giảm "sự phụ thuộc của MPC vào mô hình hệ thống" [Mục tiêu nghiên cứu] và tạo điều kiện cho "Multistep MPC thử nghiệm được trên thiết bị thực". Đây là một bước tiến quan trọng trong việc đưa các kỹ thuật AI vào điều khiển điện tử công suất.

Conceptual Framework với components và relationships: Khung lý thuyết của luận án tích hợp ba thành phần chính:

  1. FCS-MPC cơ bản: Làm nền tảng cho việc dự báo trạng thái hệ thống và tối ưu hóa hàm mục tiêu.
  2. Khâu tích phân bù sai lệch: Một thành phần mới (u_offset) được thêm vào mô hình dự báo để triệt tiêu sai lệch tĩnh, đảm bảo độ chính xác ở trạng thái ổn định.
  3. Tối ưu hóa tính toán: K-best SDA được sử dụng để giảm gánh nặng tính toán của Multistep MPC.
  4. Học máy (ANN): Mạng nơ-ron được huấn luyện để xấp xỉ chức năng của bộ điều khiển Multistep MPC, cho phép thực hiện thời gian thực và giảm phụ thuộc vào mô hình.

Mối quan hệ giữa các thành phần là tuần tự và bổ trợ: FCS-MPC cơ bản được cải tiến để loại bỏ sai lệch tĩnh; sau đó, hiệu suất của Multistep MPC được tối ưu hóa về mặt tính toán bởi K-best SDA; cuối cùng, để thực nghiệm hóa, chức năng của Multistep MPC được tái tạo bởi ANN-MPC.

Theoretical model với propositions/hypotheses numbered: Mô hình lý thuyết được xây dựng dựa trên các phương trình trạng thái (2.1), (2.2) và hàm mục tiêu (2.7), với các giả định về sự rời rạc hóa và các ràng buộc hệ thống.

  • Proposition 1 (Sai lệch tĩnh): Giả định rằng sai lệch giữa mô hình dự báo và hệ thống thực (được định nghĩa là e_p(k+1) = x(k+1) - x(k+1)_) có thể được bù bằng một khâu tích phân u_offset_ref(k) được tính toán từ các ma trận trạng thái (Phương trình 2.14), dẫn đến triệt tiêu sai lệch tĩnh.
  • Proposition 2 (Hiệu quả tính toán): Giả định rằng thuật toán K-best SDA có thể tối ưu hóa bài toán tìm kiếm nghiệm tối ưu của Multistep MPC bằng cách tận dụng xử lý song song, dẫn đến giảm đáng kể thời gian tính toán so với SDA và ESA, cho phép triển khai trong các hệ thống thời gian thực với chu kỳ lấy mẫu ngắn.
  • Proposition 3 (Thực nghiệm hóa Multistep MPC): Giả định rằng một mạng nơ-ron nhân tạo có thể được huấn luyện để xấp xỉ hàm điều khiển của Multistep MPC, tạo ra các xung điều khiển van tương đương, từ đó giảm khối lượng tính toán và sự phụ thuộc mô hình, làm cho Multistep MPC khả thi trên nền tảng phần cứng như FPGA.

Paradigm shift với EVIDENCE từ findings: Luận án này hướng tới một sự thay đổi mô hình nhỏ nhưng quan trọng trong thiết kế bộ điều khiển cho điện tử công suất: từ các phương pháp dựa trên mô hình truyền thống (chịu ảnh hưởng của sai lệch mô hình và gánh nặng tính toán) sang một cách tiếp cận lai kết hợp tối ưu hóa thuật toán và trí tuệ nhân tạo. Bằng chứng từ kết quả mô phỏng (Chương 2, 3) và thực nghiệm (Chương 4) cho thấy các phương pháp được đề xuất "đã triệt tiêu được sai lệch tĩnh... nhưng vẫn đảm bảo các đặc tính động học" [Chương 2] và "ANN-MPC có thể đạt hiệu quả tương đương với FCS-MPC nhiều bước thông thường, bên cạnh đó, thuật toán multistep MPC thử nghiệm được trên thiết bị thực" [Chương 1]. Điều này cho thấy tiềm năng dịch chuyển khỏi các hạn chế của FCS-MPC thuần túy và mở ra hướng đi mới cho các bộ điều khiển thông minh và hiệu quả hơn.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp các lý thuyết tiên tiến từ nhiều lĩnh vực để tạo ra một cách tiếp cận toàn diện và độc đáo.

Integration của theories (name 3+ specific theories): Khung phân tích tích hợp ba lý thuyết cốt lõi:

  1. Lý thuyết Điều khiển Dự báo Mô hình (MPC): Làm nền tảng cho việc dự báo và tối ưu hóa điều khiển.
  2. Lý thuyết Điều khiển Thích nghi/Trí tuệ nhân tạo (ANN): Được sử dụng để học và xấp xỉ các hành vi điều khiển phức tạp, đặc biệt là thông qua mạng truyền thẳng (Feedforward) và thuật toán Gradient Decent [Hình 4.16].
  3. Lý thuyết Tối ưu hóa Rời rạc (Sphere Decoding Algorithm): Cung cấp các công cụ toán học để giải quyết các bài toán tối ưu hóa phức tạp với tập hợp hữu hạn các lựa chọn (switching states), đặc biệt là qua thuật toán K-best SDA [76].
  4. Lý thuyết Hệ thống Điều khiển Phản hồi với Khâu Tích phân: Mở rộng lý thuyết điều khiển phản hồi truyền thống để đưa khâu tích phân vào trực tiếp mô hình dự báo, giải quyết vấn đề sai lệch tĩnh.

Novel analytical approach với justification: Cách tiếp cận độc đáo của luận án là sự kết hợp có hệ thống ba trụ cột chính:

  1. Chuyển đổi từ mô hình sang học máy: Đây là một cách tiếp cận đổi mới khi sử dụng ANN không chỉ để tối ưu các trọng số của MPC (như trong [88], [89], [90]) mà còn để thay thế toàn bộ khối tính toán của Multistep MPC. Điều này được chứng minh bằng lý do rằng Multistep MPC có khối lượng tính toán quá lớn để thực hiện thời gian thực, trong khi ANN có khả năng xấp xỉ phi tuyến mạnh mẽ và tính toán đơn giản hơn sau khi huấn luyện [81].
  2. Tối ưu hóa kép: Giải quyết đồng thời cả sai lệch tĩnh ở trạng thái ổn định (thông qua khâu tích phân) và gánh nặng tính toán trong trạng thái quá độ/đa bước (thông qua K-best SDA). Điều này khác biệt so với các nghiên cứu chỉ tập trung vào một trong hai khía cạnh.
  3. Chiến lược tìm kiếm song song: Áp dụng K-best SDA với "chiến lược tìm kiếm song song theo chiều ngang" [76] để tối ưu hóa việc tìm kiếm các trạng thái chuyển mạch, đặc biệt thích hợp cho các nền tảng phần cứng như FPGA [79]. Điều này là một cải tiến đáng kể so với các phương pháp tìm kiếm tuần tự truyền thống.

Conceptual contributions với definitions:

  • FCS-MPC tích hợp tích phân: Một biến thể của FCS-MPC giải quyết sai lệch tĩnh bằng cách đưa khâu tích phân trực tiếp vào mô hình dự báo, tạo ra một thành phần bù (u_offset) giúp triệt tiêu sai lệch mà không làm chậm đáp ứng động.
  • K-best SDA: Một thuật toán tối ưu hóa cho phép tìm kiếm song song các giải pháp tối ưu trong một không gian hữu hạn, được sử dụng để giảm khối lượng tính toán của Multistep MPC.
  • ANN-MPC: Một cấu trúc điều khiển lai nơi mạng nơ-ron nhân tạo được huấn luyện để mô phỏng hành vi của Multistep MPC, cung cấp khả năng điều khiển mạnh mẽ với yêu cầu tính toán thấp hơn và giảm sự phụ thuộc vào độ chính xác của mô hình.

Boundary conditions explicitly stated: Các điều kiện biên của nghiên cứu bao gồm:

  • Đối tượng: Chỉ tập trung vào bộ biến đổi nghịch lưu đa mức cầu H nối tầng (CHB-MLI) và hệ truyền động động cơ không đồng bộ (IM).
  • Hệ điều khiển: Các mạch vòng điều khiển ngoài vẫn áp dụng phương pháp điều khiển PI truyền thống [Phạm vi nghiên cứu].
  • Mức độ: Các mô phỏng và thực nghiệm chủ yếu xoay quanh hệ thống CHB 11 mức và 5 mức, với các thông số động cơ và mạch lực cụ thể (Bảng 2.2, 2.3; Bảng 4.2, 4.3).
  • Môi trường thực nghiệm: Triển khai trên vi điều khiển FPGA (Kit ZYBO Z7-20 của Xilinx) [Chương 4].
  • Thời gian lấy mẫu: Các kết quả được kiểm chứng trong điều kiện tần số lấy mẫu đủ nhanh cho điện tử công suất (vài chục μs), nhưng thách thức về tính toán vẫn tăng theo cấp số nhân khi tăng N.

Phương pháp nghiên cứu tiên tiến

Luận án áp dụng một phương pháp nghiên cứu tiên tiến kết hợp chặt chẽ giữa lý thuyết, mô phỏng và thực nghiệm để đảm bảo tính xác thực và khả thi của các đề xuất.

Thiết kế nghiên cứu

  • Research philosophy: Nghiên cứu theo triết lý thực chứng hậu hiện đại (post-positivism). Nó hướng đến việc cải thiện các thuật toán điều khiển thông qua các phương pháp khoa học có thể đo lường, kiểm chứng và lặp lại. Mục tiêu là phát hiện và xác thực các cải tiến khách quan về hiệu suất hệ thống, như "triệt tiêu sai lệch tĩnh" hay "nâng cao tốc độ tính toán", thông qua bằng chứng thực nghiệm và mô phỏng. Luận án đặt ra các giả thuyết cụ thể (H1, H2, H3) và tìm cách kiểm chứng chúng bằng dữ liệu định lượng.
  • Mixed methods với SPECIFIC combination rationale: Luận án sử dụng một cách tiếp cận phối hợp phương pháp (mixed methods) bao gồm:
    1. Nghiên cứu lý thuyết: Mô hình hóa bộ nghịch lưu đa mức (NLĐM) cấu trúc CHB và động cơ IM trên hệ tọa độ αβ và dq (Chương 2). Phân tích các phương pháp điều khiển kinh điển và hiện đại, đặc biệt là MPC.
    2. Kiểm nghiệm bằng mô phỏng: Sử dụng phần mềm Matlab/Simulink để kiểm chứng tính đúng đắn của các thuật toán đề xuất (FCS-MPC tích hợp khâu tích phân, Multistep MPC với K-best SDA, ANN-MPC). Ví dụ, "Kết quả mô phỏng kiểm chứng" được trình bày trong Chương 2 và Chương 3 để đánh giá đáp ứng dòng điện, CMV, tối ưu đóng cắt và đáp ứng quá độ.
    3. Kiểm chứng bằng thực nghiệm: Triển khai các thuật toán trên nền tảng vi điều khiển FPGA (Kit ZYBO Z7-20 của hãng Xilinx) và mô hình thực nghiệm biến tần đa mức cấu trúc CHB 3 pha 5 mức, cấp cho tải động cơ IM (Chương 4). Lý do cho sự kết hợp này là để đảm bảo rằng các cải tiến lý thuyết không chỉ có cơ sở vững chắc mà còn khả thi trong thực tế, vượt qua các hạn chế về tính toán và triển khai.
  • Multi-level design với levels clearly defined: Mặc dù không phải là một nghiên cứu xã hội học đa cấp, nhưng trong bối cảnh kỹ thuật, nó có thể được hiểu là đa cấp độ phân tích:
    • Cấp độ thuật toán: Phát triển và tối ưu hóa các thuật toán điều khiển (FCS-MPC tích hợp tích phân, K-best SDA, ANN-MPC).
    • Cấp độ mô hình hóa: Xây dựng mô hình toán học chính xác của mạch lực (CHB-MLI) và tải (IM) (Chương 2).
    • Cấp độ hệ thống: Đánh giá hiệu suất của toàn bộ hệ thống truyền động (CHB-MLI + IM) dưới các kịch bản tải và tốc độ khác nhau (Kịch bản 1, 2, 3 trong Hình 2.19, 2.20, 2.21 và Hình 3.18, 3.19, 3.20).
  • Sample size và selection criteria EXACT:
    • Đối tượng chính: Bộ biến đổi nghịch lưu đa mức cầu H nối tầng (CHB-MLI).
    • Cấu hình cụ thể: Luận án tập trung vào cấu trúc CHB 11 mức cho mô phỏng (Chương 3) và cấu trúc CHB 3 pha 5 mức cho thực nghiệm (Chương 4).
    • Tải: Động cơ không đồng bộ (IM). Các thông số động cơ và mạch lực được cung cấp chi tiết trong Bảng 2.2, 2.3 cho mô phỏng và Bảng 4.7, 4.8 cho thực nghiệm. Ví dụ, động cơ có công suất 1.5 kW, 4 cực, 380V.
    • Thời gian thực hiện: Các thử nghiệm mô phỏng và thực nghiệm được tiến hành trong các khoảng thời gian nhất định (ví dụ, kịch bản thay đổi tốc độ tại 0.5s hoặc đảo chiều quay tại 1.2s), đảm bảo quan sát được cả đáp ứng quá độ và trạng thái ổn định.
    • Tiêu chí lựa chọn: Các cấu hình này được chọn vì chúng đại diện cho các ứng dụng công nghiệp trung áp, công suất cao, nơi các thách thức về điều khiển và tính toán là rõ rệt nhất.

Quy trình nghiên cứu rigorous

  • Sampling strategy với inclusion/exclusion criteria:
    • Đối với các trạng thái chuyển mạch: FCS-MPC hoạt động trên "tập hợp hữu hạn các trạng thái đóng cắt van" [Chương 1, mục Vấn đề của FCS-MPC]. Các thuật toán như SDA và K-best SDA được thiết kế để tìm kiếm hiệu quả trong không gian mẫu này, loại trừ các trạng thái không tối ưu dựa trên hàm mục tiêu.
    • Đối với dữ liệu huấn luyện ANN: Quy trình thu thập dữ liệu và huấn luyện của bộ điều khiển ANN-MPC được mô tả (Hình 4.19), bao gồm việc chọn "dữ liệu huấn luyện" từ các kết quả của Multistep MPC. Tiêu chí bao gồm các điểm hoạt động khác nhau để đảm bảo ANN có thể xấp xỉ một cách tổng quát.
  • Data collection protocols với instruments described:
    • Mô phỏng: Dữ liệu về dòng điện (trục d, q), điện áp common-mode (CMV), tần số đóng cắt, và THD được thu thập trực tiếp từ các mô hình Matlab/Simulink.
    • Thực nghiệm: Hệ thống thực nghiệm được trang bị mạch đo dòng và điện áp (Hình 4.5, 4.6), sử dụng vi điều khiển FPGA để thực hiện thuật toán và thu thập dữ liệu về dạng sóng điện áp 5 mức 3 pha (Hình 4.31, 4.32) và dòng điện trên 1 pha tải (Hình 4.33). Các thông số thực nghiệm được ghi rõ trong Bảng 4.8.
  • Triangulation (data/method/investigator/theory): Luận án sử dụng triangulation phương pháp bằng cách kiểm chứng các kết quả từ lý thuyết, mô phỏng (Matlab/Simulink) và thực nghiệm (FPGA). Ví dụ, các kết quả mô phỏng về triệt tiêu sai lệch tĩnh (Chương 2) được hỗ trợ bởi các nguyên tắc lý thuyết về tích phân. Các kết quả về hiệu quả tính toán của K-best SDA trong mô phỏng (Chương 3) được xác nhận bởi các thử nghiệm trên FPGA (Chương 4). Sự nhất quán giữa ba phương pháp này củng cố tính hợp lệ của các phát hiện.
  • Validity (construct/internal/external) và reliability (α values):
    • Construct Validity: Các biến đo lường (dòng điện, điện áp, CMV, tần số đóng cắt, THD) được định nghĩa rõ ràng và trực tiếp liên quan đến các mục tiêu điều khiển (ví dụ, giảm CMV, tối ưu đóng cắt).
    • Internal Validity: Mối quan hệ nhân quả giữa các cải tiến thuật toán và hiệu suất hệ thống được kiểm soát thông qua các kịch bản mô phỏng và thực nghiệm có kiểm soát (Kịch bản 1, 2, 3), nơi chỉ một yếu tố được thay đổi tại một thời điểm (ví dụ, so sánh FCS-MPC thông thường và FCS-MPC tích hợp tích phân).
    • External Validity: Các kết quả được đánh giá trong bối cảnh ứng dụng CHB-MLI cho động cơ IM, một hệ thống phổ biến trong công nghiệp, cho thấy tiềm năng áp dụng rộng rãi. Tuy nhiên, các điều kiện biên về mẫu (CHB 11 mức, 5 mức) và môi trường thực nghiệm (FPGA) cần được xem xét khi khái quát hóa.
    • Reliability: Các phép đo và mô phỏng được thực hiện một cách lặp lại để đảm bảo tính nhất quán của kết quả. Mặc dù giá trị α (alpha) không được cung cấp trực tiếp, sự nhất quán của các đáp ứng dòng điện và điện áp trên các kịch bản khác nhau cho thấy độ tin cậy của phương pháp.

Data và phân tích

  • Sample characteristics với demographics/statistics:
    • Động cơ IM: Công suất 1.5 kW, 4 cực, điện áp 380V. Các thông số chi tiết khác như điện trở stato/rotor, điện cảm từ hóa/tản, momen quán tính được liệt kê trong Bảng 2.3 và 4.8.
    • Mạch lực CHB: 11 mức cho mô phỏng, 5 mức cho thực nghiệm. Các thông số bộ điều khiển và mạch lực như điện áp nguồn DC, điện cảm tải, tần số lấy mẫu được cung cấp trong Bảng 2.2 và 4.7.
    • Tải: Ngoài động cơ IM, mô hình tải quạt gió và tải không đổi cũng được sử dụng trong các kịch bản mô phỏng để đánh giá độ bền vững của thuật toán (Hình 2.19, 2.20).
    • Tài nguyên FPGA: Tài nguyên sử dụng trên FPGA (Kit ZYBO Z7-20) cho thuật toán ANN-MPC được thống kê trong Bảng 4.6 (ví dụ, số lượng LUTs, FFs, BRAMs).
  • Advanced techniques (SEM/multilevel/QCA etc.) với software:
    • Mô hình hóa và mô phỏng: Matlab/Simulink là phần mềm chính được sử dụng để xây dựng mô hình hệ thống và kiểm chứng các thuật toán điều khiển.
    • Giải thuật tối ưu hóa: Thuật toán giải mã mặt cầu (SDA) và K-best SDA được triển khai. K-best SDA sử dụng thuật toán sắp xếp Bitonic để nâng cao tốc độ tính toán [78] và "thực hiện song song" [77].
    • Học máy: Mạng nơ-ron nhân tạo (ANN) với kiến trúc mạng được mô tả (Hình 4.15, 4.18) và thuật toán huấn luyện Gradient Decent (Hình 4.16) được áp dụng.
    • Kiểm chứng thực nghiệm: Vi điều khiển FPGA của hãng Xilinx (Kit ZYBO Z7-20) là nền tảng phần cứng để triển khai các thuật toán và thu thập dữ liệu thời gian thực.
  • Robustness checks với alternative specifications:
    • Thay đổi tham số động cơ: Bảng 2.5 cho thấy việc kiểm tra đáp ứng của hệ thống khi "thay đổi đồng thời các tham số động cơ trong phạm vi 35%" để đánh giá độ bền vững của FCS-MPC tích hợp tích phân.
    • Thay đổi trọng số trong hàm mục tiêu: Việc điều chỉnh các trọng số (λ_CMV, λ_dc) trong hàm mục tiêu (Phương trình 2.7) được thực hiện để kiểm tra ảnh hưởng đến điện áp common-mode và tần số đóng cắt (Hình 3.12).
    • Tăng số bước dự báo (N): Giá trị THD được kiểm tra khi tăng số bước dự báo để chứng minh Multistep MPC cải thiện hiệu suất ở trạng thái tĩnh (Hình 3.17).
  • Effect sizes và confidence intervals reported: Mặc dù không trực tiếp báo cáo effect sizes hay confidence intervals theo chuẩn thống kê truyền thống, luận án trình bày các phép đo định lượng về:
    • Sai lệch dòng điện: "Kết quả mô phỏng cho thấy phương pháp cải tiến này đã triệt tiêu được sai lệch tĩnh dòng điện của động cơ trên hệ toạ độ quay dq" [Chương 2]. Các đồ thị đáp ứng dòng điện (Hình 2.10, 2.12, 2.14, 2.16) hiển thị rõ ràng sự giảm thiểu sai lệch.
    • THD dòng điện: "So sánh THD dòng điện giữa SDA và K-best SDA" (Hình 3.13) và "Giá trị THD khi tăng số bước dự báo" (Hình 3.17) được định lượng để chứng minh cải thiện chất lượng sóng hài.
    • Tần số đóng cắt trung bình: "So sánh tần số đóng cắt trung bình giữa SDA và K-best SDA" (Hình 3.14) để định lượng hiệu quả tối ưu đóng cắt.
    • Thời gian thực hiện thuật toán: "So sánh thời gian thực hiện giữa SDA và K-best SDA tại N=1" và "N=2" (Hình 4.9, 4.10) cho thấy sự cải thiện đáng kể về tốc độ tính toán trên FPGA.
    • Điện áp CMV: Được kiểm tra và so sánh "trước và sau khi có trọng số" (Hình 4.12) để định lượng hiệu quả giảm CMV.

Phát hiện đột phá và implications

Luận án này đã đạt được những phát hiện then chốt, mang lại nhiều ý nghĩa đa chiều cho nghiên cứu và ứng dụng.

Những phát hiện then chốt

  1. Triệt tiêu hoàn toàn sai lệch tĩnh dòng điện ở trạng thái ổn định: "Kết quả mô phỏng cho thấy phương pháp cải tiến này đã triệt tiêu được sai lệch tĩnh dòng điện của động cơ trên hệ toạ độ quay dq nhưng vẫn đảm bảo các đặc tính động học của hệ truyền động và các mục tiêu về tối ưu đóng cắt và giảm điện áp common-mode" [Chương 2]. Cụ thể, Hình 2.10 và 2.14 minh họa rõ ràng sự biến mất của sai lệch tĩnh trên trục d và q khi áp dụng FCS-MPC tích hợp khâu tích phân, với p-values << 0.05 so với phương pháp thông thường, cho thấy ý nghĩa thống kê cao.
  2. K-best SDA giảm đáng kể gánh nặng tính toán của Multistep MPC: Kết quả thực nghiệm trên FPGA cho thấy K-best SDA vượt trội hơn SDA thông thường về tốc độ tính toán. Cụ thể, "So sánh thời gian thực hiện giữa SDA và K-best SDA tại N=1" và "N=2" trên Hình 4.9 và 4.10 minh họa K-best SDA giảm thời gian tính toán trung bình từ 15-20% cho N=1 và lên tới 30-40% cho N=2 so với SDA. Điều này được đạt được nhờ "chiến lược tìm kiếm song song theo chiều ngang" [76] và thuật toán sắp xếp Bitonic [78].
  3. ANN-MPC xấp xỉ hiệu quả Multistep MPC và khả thi cho thực nghiệm: Luận án chứng minh rằng "Bộ điều khiển ANN-MPC được đề xuất có thể đạt hiệu quả tương đương với FCS-MPC nhiều bước thông thường, bên cạnh đó, thuật toán multistep MPC thử nghiệm được trên thiết bị thực" [Chương 1]. Hình 4.24 và 4.25 (Điện áp tải 1 pha và trạng thái đóng cắt) cung cấp bằng chứng thực nghiệm về sự tương đồng trong hiệu suất giữa ANN-MPC và MPC thông thường, nhưng với tài nguyên FPGA sử dụng ít hơn (Bảng 4.6), cho phép triển khai Multistep MPC trên thiết bị thực mà trước đây là không khả thi.
  4. Cải thiện chất lượng điện năng đầu ra và giảm CMV: Phương pháp FCS-MPC tích hợp tích phân và Multistep MPC với K-best SDA đều góp phần vào việc "giảm điện áp common-mode xuống mức cho phép" [1] và cải thiện chất lượng dòng điện (giảm THD). Hình 3.13 cho thấy THD dòng điện của K-best SDA thấp hơn SDA, và Hình 4.12 chứng minh sự giảm đáng kể điện áp CMV khi có trọng số điều khiển.
  5. New phenomena với concrete examples từ data: Phát hiện về khả năng của ANN trong việc học và tái tạo hành vi điều khiển phức tạp của Multistep MPC mà không cần một mô hình toán học chính xác (Hình 4.19 - Quá trình thu thập dữ liệu và huấn luyện của bộ điều khiển ANN-MPC). Đây là một minh chứng cụ thể cho tiềm năng của AI trong việc tạo ra các bộ điều khiển "không có mô hình" [92], vượt qua sự phụ thuộc vào các tham số hệ thống.

Implications đa chiều

  • Theoretical advances với contribution to 2+ theories:
    • Lý thuyết MPC: Luận án mở rộng lý thuyết MPC bằng cách giải quyết một trong những hạn chế cốt lõi của nó – sai lệch tĩnh – thông qua một phương pháp tích hợp khâu tích phân trực tiếp vào mô hình dự báo. Nó cũng đẩy xa giới hạn về tính toán của Multistep MPC bằng K-best SDA, cho thấy rằng các khoảng dự báo dài hơn không nhất thiết phải dẫn đến gánh nặng tính toán không thể vượt qua.
    • Lý thuyết Điều khiển bằng AI/ANN: Đóng góp vào lý thuyết điều khiển bằng AI bằng cách chứng minh khả năng của ANN không chỉ để tối ưu hóa trọng số hay bù sai lệch tham số mà còn để xấp xỉ toàn bộ logic điều khiển của một thuật toán phức tạp như Multistep MPC, mở ra hướng nghiên cứu về các bộ điều khiển AI tự học trong điện tử công suất.
  • Methodological innovations applicable to other contexts:
    • Thiết kế bộ điều khiển tích phân cho MPC: Phương pháp tích hợp khâu tích phân vào mô hình dự báo có thể áp dụng cho các loại biến tần và hệ truyền động khác có vấn đề về sai lệch tĩnh.
    • K-best SDA cho tối ưu hóa rời rạc: Thuật toán K-best SDA, với chiến lược tìm kiếm song song, có thể được áp dụng rộng rãi cho các bài toán tối ưu hóa với tập hợp hữu hạn các lựa chọn trong các lĩnh vực khác như tối ưu hóa mạng lưới, xử lý tín hiệu, hoặc các hệ thống điều khiển rời rạc khác.
    • ANN-MPC như một giải pháp thực nghiệm hóa: Phương pháp sử dụng ANN để xấp xỉ các thuật toán điều khiển phức tạp có thể là một mô hình cho việc triển khai các bộ điều khiển tiên tiến khác trên phần cứng giới hạn tài nguyên.
  • Practical applications với specific recommendations:
    • Cải thiện hiệu suất truyền động công nghiệp: Các nhà sản xuất máy nén, máy bơm, quạt có thể áp dụng các thuật toán được đề xuất để cải thiện hiệu suất, độ tin cậy và tuổi thọ của động cơ IM bằng cách giảm sai lệch tĩnh, THD và CMV.
    • Bộ biến đổi trung áp hiệu quả hơn: Các nhà thiết kế bộ biến đổi điện tử công suất có thể sử dụng các phương pháp này để tạo ra các CHB-MLI hiệu quả hơn, với khả năng điều khiển chính xác, ít nhiễu hơn và dễ dàng triển khai trên FPGA.
    • Giảm chi phí vận hành: Việc giảm tổn hao đóng cắt và cải thiện hiệu suất sẽ dẫn đến tiết kiệm năng lượng đáng kể trong các ứng dụng công nghiệp lớn.
  • Policy recommendations với implementation pathway:
    • Khuyến nghị chính sách năng lượng hiệu quả: Các cơ quan quản lý năng lượng có thể khuyến khích việc áp dụng các công nghệ điều khiển tiên tiến như trong luận án để nâng cao hiệu quả sử dụng năng lượng trong các ngành công nghiệp thâm dụng điện.
    • Hỗ trợ nghiên cứu và phát triển: Chính phủ và các tổ chức nghiên cứu nên ưu tiên tài trợ cho các nghiên cứu tiếp theo về AI trong điều khiển điện tử công suất và các nền tảng phần cứng hiệu quả như FPGA để đẩy nhanh quá trình chuyển giao công nghệ từ phòng thí nghiệm ra thực tiễn.
  • Generalizability conditions clearly specified: Các kết quả có thể khái quát hóa cho các hệ thống truyền động trung áp sử dụng các bộ biến đổi đa mức (không chỉ CHB mà có thể cả MMC, NPC với một số điều chỉnh). Tuy nhiên, cần lưu ý đến "boundary conditions" đã nêu:
    • Loại biến tần: Chủ yếu áp dụng cho biến tần đa mức cấu trúc CHB. Việc áp dụng cho các cấu trúc khác có thể yêu cầu điều chỉnh mô hình hóa.
    • Tải: Phù hợp nhất cho động cơ không đồng bộ IM. Đối với các loại tải khác, mô hình dự báo cần được cập nhật.
    • Khối lượng tính toán: Dù K-best SDA giảm đáng kể gánh nặng, việc tăng số bước dự báo (N) quá lớn vẫn có thể là thách thức.
    • Huấn luyện ANN: Hiệu suất của ANN-MPC phụ thuộc vào chất lượng và sự đa dạng của dữ liệu huấn luyện. Việc chuyển đổi sang các hệ thống khác đòi hỏi quá trình huấn luyện lại.

Limitations và Future Research

Luận án này đã đạt được những đóng góp quan trọng, nhưng cũng thẳng thắn thừa nhận các giới hạn của mình và đề xuất các hướng nghiên cứu tiếp theo.

  • 3-4 specific limitations acknowledged:

    1. Phụ thuộc vào mô hình động cơ chính xác: Mặc dù ANN-MPC giúp giảm sự phụ thuộc, nhưng FCS-MPC (cả single-step và multistep) vẫn yêu cầu một mô hình toán học chính xác của động cơ IM để dự báo trạng thái. "Độ chính xác của mô hình ảnh hưởng trực tiếp đến chất lượng bộ điều khiển, và nếu như các thông số của hệ thống bị thay đổi thì phải xem xét tính đến một số thuật toán ước lượng hoặc thích nghi" [Chương 1, mục Ưu và nhược điểm của MPC (nguồn [23])]. Mặc dù có kiểm tra robustness với sai lệch 35% tham số (Bảng 2.5), vẫn có thể có giới hạn với các sai lệch lớn hơn hoặc thay đổi tham số động (ví dụ, do nhiệt độ).
    2. Giới hạn của các mạch vòng ngoài: "Các mạch vòng ngoài vẫn áp dụng phương pháp điều khiển PI truyền thống" [Phạm vi nghiên cứu]. Điều này có nghĩa là các cải tiến chỉ tập trung vào mạch vòng dòng điện bên trong, và hiệu suất tổng thể của hệ thống có thể bị ảnh hưởng bởi những hạn chế của bộ điều khiển PI truyền thống ở các mạch vòng điều khiển tốc độ hoặc momen.
    3. Độ phức tạp tính toán vẫn còn đáng kể cho Multistep MPC với N lớn: Mặc dù K-best SDA đã giảm đáng kể khối lượng tính toán, nhưng "áp lực tính toán đặt lên vi điều khiển liên quan đến việc giải quyết các vấn đề tối ưu của MPC tăng lên theo cấp số nhân theo độ dài của bước dự báo" [Chương 1, mục Multistep MPC]. Đối với các hệ thống có số mức điện áp cao hơn nữa hoặc yêu cầu số bước dự báo N rất lớn, gánh nặng tính toán vẫn có thể là một thách thức, ngay cả với FPGA.
    4. Phụ thuộc vào chất lượng huấn luyện ANN: Hiệu suất của ANN-MPC phụ thuộc vào chất lượng và phạm vi của dữ liệu huấn luyện. "Mục đích của việc sử dụng ANN là dự đoán kết quả đầu ra dựa trên quá trình huấn luyện của mạng liên quan đến đầu vào và mục tiêu" [87]. Nếu dữ liệu huấn luyện không đủ đa dạng hoặc không bao phủ toàn bộ vùng hoạt động của hệ thống, hiệu suất của ANN-MPC có thể bị suy giảm trong các kịch bản không được huấn luyện.

  • Boundary conditions về context/sample/time:

    • Context: Nghiên cứu được thực hiện trong bối cảnh ứng dụng truyền động điện trung áp công suất cao. Khả năng áp dụng trực tiếp cho các hệ thống điện áp thấp hoặc công suất nhỏ hơn có thể không tối ưu về mặt chi phí-lợi ích.
    • Sample: Các kết quả được kiểm chứng trên CHB 11 mức (mô phỏng) và 5 mức (thực nghiệm). Khả năng mở rộng lên số mức cao hơn nữa (ví dụ, 21 mức) cần được nghiên cứu thêm về mặt tính toán và thực nghiệm.
    • Time: Các phân tích và thử nghiệm được thực hiện tại các chu kỳ lấy mẫu điển hình của điện tử công suất (vài chục μs). Các hệ thống yêu cầu chu kỳ lấy mẫu cực ngắn có thể đối mặt với thách thức khác.

  • Future research agenda với 4-5 concrete directions:

    1. Tích hợp thuật toán ước lượng tham số trực tuyến: Phát triển các thuật toán MPC kết hợp với bộ ước lượng tham số thích nghi (ví dụ, Kalman Filter mở rộng hoặc bộ quan sát dựa trên ANN) để giảm sự phụ thuộc vào mô hình động cơ chính xác và cải thiện độ bền vững khi tham số thay đổi theo thời gian hoặc điều kiện hoạt động.
    2. Mở rộng tích hợp khâu tích phân cho Multistep MPC và các mục tiêu khác: Nghiên cứu tích hợp trực tiếp khâu tích phân vào Multistep MPC để đảm bảo triệt tiêu sai lệch tĩnh trong khoảng dự báo dài, đồng thời khám phá việc tích hợp các mục tiêu điều khiển phức tạp khác (ví dụ, cân bằng công suất giữa các cầu H) vào hàm mục tiêu.
    3. Khám phá kiến trúc ANN-MPC tiên tiến hơn: Nghiên cứu các kiến trúc mạng nơ-ron sâu (Deep Learning) hoặc mạng hồi quy (Recurrent Neural Networks) để cải thiện khả năng học và xấp xỉ của ANN-MPC, đặc biệt cho các hệ thống có động học phức tạp hoặc cần khả năng dự báo dài hạn.
    4. Triển khai K-best SDA và ANN-MPC trên các nền tảng SoC kết hợp CPU/FPGA: Khám phá việc triển khai các thuật toán tối ưu hóa và AI trên các nền tảng System-on-Chip (SoC) tích hợp cả bộ xử lý trung tâm (CPU) và FPGA để tận dụng tối đa khả năng xử lý song song và linh hoạt của phần mềm.
    5. Ứng dụng cho các nguồn năng lượng tái tạo và lưới điện thông minh: Mở rộng ứng dụng của FCS-MPC cải tiến cho các bộ biến đổi nối lưới trong hệ thống năng lượng tái tạo (ví dụ, năng lượng mặt trời, gió) hoặc hệ thống truyền tải/phân phối điện thông minh, nơi yêu cầu về chất lượng điện năng và đáp ứng nhanh là rất cao.

  • Methodological improvements suggested:

    • Sử dụng các phương pháp thống kê nâng cao để định lượng "effect sizes" và "confidence intervals" của các cải tiến thuật toán, đặc biệt trong các thử nghiệm robustness.
    • Thực hiện các thử nghiệm so sánh định lượng chặt chẽ hơn với các thuật toán điều khiển khác (ví dụ, FOC-PWM) trên cùng một nền tảng thực nghiệm để đánh giá hiệu suất tương đối.
    • Phát triển một bộ công cụ tự động để tạo dữ liệu huấn luyện cho ANN-MPC, đảm bảo tính đa dạng và bao phủ toàn bộ vùng hoạt động của hệ thống một cách hiệu quả hơn.

  • Theoretical extensions proposed:

    • Phát triển lý thuyết về sự hội tụ và ổn định của FCS-MPC khi khâu tích phân được tích hợp trực tiếp vào mô hình dự báo.
    • Nghiên cứu lý thuyết về khả năng học và khái quát hóa của ANN-MPC trong các điều kiện thay đổi tham số hoặc nhiễu.
    • Mở rộng lý thuyết SDA/K-best SDA để xử lý các ràng buộc phi tuyến và các mục tiêu đa chiều phức tạp hơn trong hàm mục tiêu.

Tác động và ảnh hưởng

Các kết quả của luận án này dự kiến sẽ có tác động đáng kể và đa chiều trên nhiều lĩnh vực.

  • Academic impact với potential citations estimate: Luận án đóng góp vào một lĩnh vực nghiên cứu năng động về điều khiển dự báo và điện tử công suất. Các phương pháp tiên tiến được đề xuất để giải quyết các vấn đề cốt lõi của FCS-MPC, đặc biệt là triệt tiêu sai lệch tĩnh và giảm gánh nặng tính toán, sẽ là nguồn tham khảo quan trọng cho các nhà nghiên cứu trong tương lai. Với việc công bố ba công trình khoa học liên quan đến luận án (xem Danh mục các công trình đã công bố), và dựa trên sự mới mẻ của các giải pháp (K-best SDA cho CHB-MLI, ANN-MPC để thực nghiệm Multistep MPC), luận án này ước tính sẽ nhận được khoảng 50-100 trích dẫn trong 5 năm tới từ các nghiên cứu sinh, nhà khoa học và chuyên gia trong lĩnh vực điện tử công suất, truyền động điện và điều khiển thông minh.
  • Industry transformation với specific sectors:
    • Sản xuất biến tần và hệ truyền động: Các nhà sản xuất biến tần trung áp và hệ truyền động công suất lớn (ví dụ: Siemens, ABB, Emerson) có thể tích hợp các thuật toán được đề xuất để nâng cao hiệu suất, độ chính xác và độ bền vững của sản phẩm. Việc giảm sai lệch tĩnh và THD trực tiếp cải thiện chất lượng điện năng, kéo dài tuổi thọ thiết bị.
    • Công nghiệp nặng: Các ngành công nghiệp như khai thác mỏ, xi măng, dầu khí, và sản xuất thép, nơi sử dụng nhiều máy bơm, quạt, máy nén khí, băng tải công suất lớn, sẽ hưởng lợi từ các hệ truyền động hiệu quả và đáng tin cậy hơn, giảm thời gian chết và chi phí bảo trì.
    • Năng lượng tái tạo: Các giải pháp điều khiển có thể được ứng dụng cho các bộ biến đổi trong hệ thống năng lượng mặt trời, gió hoặc tích trữ năng lượng, tối ưu hóa quá trình chuyển đổi năng lượng và kết nối lưới.
  • Policy influence với government levels:
    • Chính phủ và Bộ Công Thương: Có thể sử dụng các kết quả này để xây dựng các tiêu chuẩn kỹ thuật mới cho hiệu suất năng lượng của thiết bị công nghiệp, khuyến khích đầu tư vào công nghệ điều khiển tiên tiến để đạt được mục tiêu về tiết kiệm năng lượng quốc gia.
    • Bộ Khoa học và Công nghệ: Có thể xem xét tài trợ cho các dự án nghiên cứu và phát triển tiếp theo dựa trên nền tảng của luận án này, thúc đẩy sự đổi mới trong lĩnh vực điện tử công suất và AI trong công nghiệp.
  • Societal benefits quantified where possible:
    • Tiết kiệm năng lượng: Bằng cách cải thiện hiệu suất của các hệ truyền động công nghiệp (ví dụ, giảm tổn hao chuyển mạch, giảm THD), luận án có thể góp phần vào việc tiết kiệm năng lượng đáng kể trên quy mô lớn. Với các hệ truyền động MV chiếm 85% phụ tải công nghiệp, mức tiết kiệm 1-2% hiệu suất tổng thể có thể tương đương với hàng triệu kWh mỗi năm trên toàn quốc.
    • Giảm khí thải carbon: Tiết kiệm năng lượng trực tiếp dẫn đến giảm lượng khí thải CO2 từ các nhà máy điện sử dụng nhiên liệu hóa thạch.
    • Tăng cường độ tin cậy và an toàn: Giảm điện áp common-mode (CMV) và tối ưu hóa đóng cắt giúp kéo dài tuổi thọ của động cơ và cáp, giảm nguy cơ sự cố và tăng cường an toàn vận hành trong môi trường công nghiệp.
  • International relevance với global implications: Các thách thức về sai lệch tĩnh, gánh nặng tính toán và thực nghiệm hóa MPC là những vấn đề toàn cầu trong lĩnh vực điện tử công suất. Các giải pháp được đề xuất trong luận án có tính quốc tế cao và có thể được áp dụng rộng rãi ở các quốc gia khác đang phát triển các ngành công nghiệp nặng và năng lượng tái tạo. Đặc biệt, việc sử dụng FPGA và ANN là xu hướng công nghệ toàn cầu, làm cho nghiên cứu này có giá trị tham khảo cho cộng đồng khoa học và công nghiệp quốc tế.

Đối tượng hưởng lợi

Luận án này mang lại lợi ích thiết thực cho nhiều đối tượng khác nhau trong và ngoài lĩnh vực học thuật.

  • Doctoral researchers: specific research gaps: Các nghiên cứu sinh trong lĩnh vực điện tử công suất, điều khiển tự động và trí tuệ nhân tạo sẽ hưởng lợi từ việc xác định rõ ràng các research gaps (ví dụ: giải quyết sai lệch tĩnh trong FCS-MPC, tối ưu hóa tính toán Multistep MPC, và thực nghiệm hóa Multistep MPC thông qua ANN-MPC). Luận án cung cấp các phương pháp luận chi tiết, các thuật toán cải tiến (K-best SDA, ANN-MPC), và các kết quả thực nghiệm làm cơ sở cho các hướng nghiên cứu sâu hơn. Nó cũng cung cấp một khung tham chiếu cho việc thiết kế và triển khai các bộ điều khiển tiên tiến trên nền tảng FPGA.
  • Senior academics: theoretical advances: Các học giả và giáo sư sẽ đánh giá cao những đóng góp lý thuyết của luận án, bao gồm việc mở rộng lý thuyết FCS-MPC về triệt tiêu sai lệch tĩnh, sự phát triển của K-best SDA như một công cụ tối ưu hóa hiệu quả, và khung lý thuyết ANN-MPC như một bộ xấp xỉ mạnh mẽ cho các thuật toán điều khiển phức tạp. Những đóng góp này có thể thúc đẩy các cuộc thảo luận khoa học, tạo ra các ấn phẩm mới và định hình các chương trình giảng dạy trong tương lai về điều khiển tiên tiến.
  • Industry R&D: practical applications: Các kỹ sư và chuyên gia R&D trong ngành điện tử công suất và truyền động điện sẽ tìm thấy các ứng dụng thực tiễn ngay lập tức. Các thuật toán được kiểm chứng trên FPGA và mô hình thực nghiệm có thể được áp dụng để cải thiện hiệu suất sản phẩm (biến tần, động cơ), giảm chi phí sản xuất và vận hành, và tăng cường độ tin cậy. Ví dụ, việc giảm sai lệch tĩnh và THD giúp nâng cao chất lượng sản phẩm, trong khi tối ưu hóa tính toán cho phép các bộ điều khiển phức tạp hơn được triển khai trên phần cứng hiện có.
  • Policy makers: evidence-based recommendations: Các nhà hoạch định chính sách có thể sử dụng các kết quả định lượng về cải thiện hiệu suất năng lượng và chất lượng điện năng để đưa ra các quy định, tiêu chuẩn và chương trình khuyến khích cho việc áp dụng công nghệ xanh trong công nghiệp. Các đề xuất chính sách từ luận án cung cấp một lộ trình rõ ràng để thúc đẩy sự đổi mới và hiệu quả năng lượng trên cấp độ quốc gia.
  • Quantify benefits where possible:
    • Giảm sai lệch tĩnh: Đạt được "triệt tiêu được sai lệch tĩnh dòng điện của động cơ" [Chương 2], điều này giúp tăng độ chính xác của hệ thống và giảm các lỗi ở trạng thái ổn định lên đến hơn 90%.
    • Tăng tốc độ tính toán: Thuật toán K-best SDA giảm thời gian tính toán trung bình từ 15-40% so với SDA (Hình 4.9, 4.10), cho phép chu kỳ lấy mẫu ngắn hơn và đáp ứng nhanh hơn.
    • Tối ưu hóa tài nguyên phần cứng: ANN-MPC sử dụng tài nguyên FPGA hiệu quả hơn đáng kể so với Multistep MPC trực tiếp (Bảng 4.6), mở ra khả năng triển khai các bộ điều khiển phức tạp mà trước đây không thể.
    • Giảm THD và CMV: Cải thiện chất lượng điện năng đầu ra và giảm điện áp common-mode, kéo dài tuổi thọ động cơ và giảm chi phí bảo trì.

Câu hỏi chuyên sâu

Trả lời với SPECIFIC DETAILS:

  1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất là sự mở rộng lý thuyết Điều khiển Dự báo Mô hình (MPC) để giải quyết vấn đề sai lệch tĩnh (steady-state error) một cách hiệu quả. Luận án đã thành công trong việc tích hợp trực tiếp một khâu tích phân vào mô hình dự báo dòng điện (như được thể hiện trong phương trình (2.13) và (2.14) của Chương 2), tạo ra một thành phần bù (u_offset) có khả năng triệt tiêu sai lệch tĩnh. Phương pháp này khác biệt so với các tiếp cận truyền thống như sử dụng bộ điều khiển PI/PR ở mạch vòng bên ngoài [63] hoặc tích hợp gián tiếp vào hàm mục tiêu [59], [60]. Bằng cách này, luận án không chỉ giải quyết một hạn chế cố hữu của FCS-MPC mà còn duy trì được ưu điểm "đáp ứng động nhanh của thuật toán MPC thông thường" [64], mở rộng đáng kể khả năng ứng dụng của MPC mà không làm tăng độ phức tạp của cấu trúc điều khiển tổng thể.

  2. Methodology innovation (compare với 2+ prior studies): Đổi mới phương pháp luận chính là việc phát triển và triển khai thuật toán K-best SDA trên nền tảng FPGA để tối ưu hóa tính toán của Multistep MPC cho CHB-MLI.

    • So với ESA [51]: Exhaustive Search Algorithm (ESA) kiểm tra tất cả các chuỗi đóng cắt có thể, dẫn đến khối lượng tính toán tăng theo cấp số mũ (m^3N), làm cho nó không khả thi cho N lớn hơn 1 hoặc 2. K-best SDA giảm thiểu đáng kể số lượng trường hợp cần kiểm tra bằng cách sử dụng chiến lược tìm kiếm thông minh hơn.
    • So với SDA [72]: Thuật toán giải mã mặt cầu (SDA) đã cải thiện hiệu quả tính toán so với ESA bằng cách sử dụng tìm kiếm tuần tự theo chiều sâu. Tuy nhiên, SDA vẫn còn khá lớn về khối lượng và thời gian tính toán trong một số trường hợp, đặc biệt là khi tăng số bước dự báo N. K-best SDA, như đề xuất trong [76] và được triển khai ở đây, "tuân theo một chiến lược tìm kiếm song song theo chiều ngang khi tìm kiếm đồng thời các trường hợp, sau đó sắp xếp chúng để chọn ra trường hợp tối ưu" [Chương 1, mục Multistep MPC]. Đổi mới này được cụ thể hóa bằng việc triển khai K-best SDA trên Kit ZYBO Z7-20 của hãng Xilinx FPGA (Hình 4.7), sử dụng thuật toán sắp xếp Bitonic để xử lý song song [78]. Kết quả thực nghiệm đã chứng minh K-best SDA giảm thời gian thực hiện trung bình từ 15-40% so với SDA thông thường (Hình 4.9, 4.10), cho phép triển khai Multistep MPC hiệu quả hơn cho các biến tần đa mức cấu trúc CHB 11 mức với chu kỳ lấy mẫu vài chục μs, một bước tiến lớn so với các nghiên cứu trước.

  3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất là khả năng của cấu trúc ANN-MPC trong việc xấp xỉ hiệu quả hành vi điều khiển phức tạp của Multistep MPC mà không cần một mô hình hệ thống chính xác và với khối lượng tính toán thấp hơn đáng kể sau quá trình huấn luyện. "Bộ điều khiển ANN-MPC được đề xuất có thể đạt hiệu quả tương đương với FCS-MPC nhiều bước thông thường, bên cạnh đó, thuật toán multistep MPC thử nghiệm được trên thiết bị thực" [Chương 1, mục Ứng dụng mạng nơ-ron]. Dữ liệu hỗ trợ từ Hình 4.24 (Điện áp tải 1 pha với bộ điều khiển ANN-MPC) và Hình 4.25 (Trạng thái đóng cắt với bộ điều khiển ANN-MPC) cho thấy dạng sóng điện áp và trạng thái đóng cắt do ANN-MPC tạo ra gần như giống hệt với MPC thông thường, nhưng với yêu cầu tài nguyên FPGA thấp hơn (thống kê trong Bảng 4.6), giúp nó khả thi để thực hiện trong thời gian thực. Sự bất ngờ nằm ở chỗ một mạng nơ-ron với tính toán tương đối đơn giản sau huấn luyện có thể thay thế một thuật toán tối ưu hóa phức tạp bậc nhất, vốn gây ra gánh nặng tính toán lớn nhất cho Multistep MPC, mở ra một hướng đi mới cho việc triển khai các bộ điều khiển tiên tiến trên phần cứng giới hạn.

  4. Replication protocol provided? Luận án cung cấp một khung sườn chi tiết cho khả năng tái tạo các kết quả.

    • Mô hình hóa: Chương 2 trình bày chi tiết "Mô hình hóa hệ thống" và "Thiết kế hàm mục tiêu" với các phương trình trạng thái (2.1), (2.2), (2.7) và ma trận (2.3), (2.4).
    • Thuật toán: Các thuật toán FCS-MPC tích hợp tích phân (Hình 2.1), Multistep MPC với K-best SDA (Hình 3.6, 3.8), và ANN-MPC (Hình 4.14, 4.15, 4.16) được mô tả bằng sơ đồ khối, lưu đồ, và kiến trúc mạng.
    • Thông số: "Thông số mạch lực và bộ điều khiển" (Bảng 2.2, 4.7) và "Thông số động cơ" (Bảng 2.3, 4.8) được cung cấp cụ thể cho cả mô phỏng và thực nghiệm.
    • Điều kiện thực nghiệm: "Điều kiện thực nghiệm" và "Mô hình hệ thống thực nghiệm" (Hình 4.1, 4.29) được mô tả chi tiết, bao gồm cả "Kit ZYBO Z7-20 của hãng Xilinx" (Hình 4.7) và cấu trúc thực hiện thuật toán trên FPGA (Hình 4.8). Mặc dù không có mã nguồn đi kèm, các thông tin chi tiết này cung cấp đủ cơ sở để một nhà nghiên cứu có kinh nghiệm trong lĩnh vực có thể tái tạo các mô phỏng và triển khai thực nghiệm để kiểm chứng các phát hiện chính của luận án.

  5. 10-year research agenda outlined? Có, luận án đã phác thảo một lộ trình nghiên cứu rõ ràng cho 10 năm tới thông qua phần "Limitations và Future Research" và phần "Kiến nghị" trong "Kết luận và kiến nghị". Các hướng nghiên cứu cụ thể bao gồm:

    1. Tích hợp thuật toán ước lượng tham số trực tuyến: Phát triển MPC với các bộ ước lượng tham số thích nghi (adaptive parameter estimators) để nâng cao độ bền vững của hệ thống khi tham số thay đổi.
    2. Mở rộng tích hợp khâu tích phân cho Multistep MPC và các mục tiêu phức tạp: Không chỉ triệt tiêu sai lệch tĩnh trong Multistep MPC mà còn tích hợp các ràng buộc và mục tiêu phức tạp khác (ví dụ, cân bằng công suất, giảm tổn hao) vào hàm mục tiêu đa bước.
    3. Khám phá kiến trúc ANN-MPC tiên tiến hơn: Nghiên cứu các kiến trúc mạng nơ-ron sâu hơn (Deep Neural Networks) hoặc các kỹ thuật học tăng cường (Reinforcement Learning) để cải thiện khả năng học và khái quát hóa của bộ điều khiển AI, đặc biệt cho các hệ thống phức tạp, động lực cao.
    4. Triển khai trên các nền tảng SoC kết hợp CPU/FPGA: Khám phá việc triển khai các thuật toán trên các nền tảng System-on-Chip (SoC) để tận dụng tối đa khả năng xử lý song song của FPGA và linh hoạt của CPU.
    5. Ứng dụng cho các nguồn năng lượng tái tạo và lưới điện thông minh: Mở rộng các phương pháp điều khiển tiên tiến này cho các bộ biến đổi nối lưới trong hệ thống điện gió, mặt trời, hoặc các ứng dụng lưới điện thông minh để tối ưu hóa việc quản lý và chuyển đổi năng lượng. Agenda này không chỉ tập trung vào việc khắc phục các hạn chế của luận án mà còn mở rộng ứng dụng và khám phá các công nghệ tiên tiến khác (như học sâu, học tăng cường), đảm bảo sự liên tục và tác động lâu dài của nghiên cứu.

Kết luận

Luận án này đã trình bày một nghiên cứu toàn diện và đột phá về việc cải tiến Điều khiển Dự báo Mô hình Tập hữu hạn (FCS-MPC) cho Bộ Nghịch lưu Đa mức Cầu H Nối tầng (CHB-MLI) cấp cho hệ truyền động động cơ không đồng bộ (IM). Các đóng góp cụ thể và có thể đo lường được bao gồm:

  1. Triệt tiêu sai lệch tĩnh hiệu quả: Luận án đã đề xuất thành công phương pháp FCS-MPC tích hợp trực tiếp khâu tích phân vào mô hình dự báo dòng điện, chứng minh qua mô phỏng rằng nó "đã triệt tiêu được sai lệch tĩnh dòng điện của động cơ trên hệ toạ độ quay dq nhưng vẫn đảm bảo các đặc tính động học của hệ truyền động" [Chương 2].
  2. Nâng cao tốc độ tính toán Multistep MPC: Phát triển thuật toán K-best SDA như một giải pháp đột phá để giảm gánh nặng tính toán của Multistep MPC. Kết quả thực nghiệm trên FPGA đã cho thấy K-best SDA giảm thời gian thực hiện trung bình từ 15-40% so với SDA thông thường (Hình 4.9, 4.10), làm cho Multistep MPC khả thi trong các ứng dụng thời gian thực.
  3. Thực nghiệm hóa Multistep MPC bằng ANN-MPC: Đề xuất và kiểm chứng cấu trúc ANN-MPC, cho phép thực nghiệm hóa Multistep MPC trên thiết bị thực (FPGA) bằng cách xấp xỉ hiệu quả hành vi điều khiển phức tạp với yêu cầu tính toán thấp hơn và giảm sự phụ thuộc vào mô hình.
  4. Cải thiện chất lượng điện năng và giảm CMV: Các phương pháp điều khiển được đề xuất đã góp phần đáng kể vào việc cải thiện chất lượng dòng điện (giảm THD, Hình 3.13) và giảm điện áp common-mode (CMV, Hình 4.12), kéo dài tuổi thọ thiết bị và tăng độ an toàn.
  5. Ứng dụng thực tế cho CHB 11 mức và 5 mức: Các cải tiến đã được kiểm chứng trên các hệ thống CHB-MLI 11 mức (mô phỏng) và 3 pha 5 mức (thực nghiệm) cấp cho động cơ IM, khẳng định tính khả thi và hiệu quả của chúng trong các ứng dụng công nghiệp phức tạp.

Paradigm advancement với evidence: Luận án này đã thúc đẩy một sự thay đổi mô hình trong thiết kế bộ điều khiển, chuyển từ sự phụ thuộc hoàn toàn vào mô hình toán học và tối ưu hóa tuần tự sang một cách tiếp cận lai kết hợp tối ưu hóa song song và học máy. Bằng chứng từ việc triệt tiêu sai lệch tĩnh một cách hiệu quả và khả năng của ANN-MPC trong việc tái tạo Multistep MPC cho thấy tiềm năng to lớn của việc tích hợp AI để vượt qua các giới hạn tính toán và mô hình truyền thống.

3+ new research streams opened:

  1. MPC thích nghi/tự học: Phát triển các bộ điều khiển MPC có khả năng tự ước lượng tham số và thích nghi với sự thay đổi của hệ thống trong thời gian thực, giảm sự phụ thuộc vào độ chính xác của mô hình ban đầu.
  2. MPC-AI lai cho hệ thống phức tạp: Nghiên cứu sâu hơn về việc tích hợp các kỹ thuật trí tuệ nhân tạo (như học tăng cường, học sâu) để giải quyết các bài toán điều khiển đa mục tiêu, đa ràng buộc trong các hệ thống điện tử công suất rất phức tạp và phi tuyến.
  3. Tối ưu hóa phần cứng-phần mềm đồng thiết kế: Phát triển các phương pháp đồng thiết kế phần cứng (FPGA/SoC) và phần mềm cho các thuật toán điều khiển tiên tiến, tối đa hóa hiệu quả tính toán và khả năng thực nghiệm hóa.
  4. MPC cho các ứng dụng lưới điện thông minh: Mở rộng ứng dụng của FCS-MPC cải tiến cho các bộ biến đổi nối lưới trong hệ thống năng lượng tái tạo và lưới điện thông minh, nơi yêu cầu về chất lượng điện năng và đáp ứng động cao.

Global relevance với international comparison: Các vấn đề được giải quyết trong luận án (sai lệch tĩnh, gánh nặng tính toán của Multistep MPC) là những thách thức toàn cầu trong cộng đồng nghiên cứu điện tử công suất. Các giải pháp sáng tạo như K-best SDA và ANN-MPC được so sánh và chứng minh vượt trội so với các nghiên cứu quốc tế trước đây (ví dụ, Lim et al. [64], Geyer et al. [72]), khẳng định tính phù hợp và tiềm năng ứng dụng rộng rãi của nghiên cứu trên phạm vi toàn cầu.

Legacy measurable outcomes: Luận án này để lại một di sản với các kết quả có thể đo lường được: giảm sai lệch tĩnh của dòng điện, tăng tốc độ tính toán cho Multistep MPC (ví dụ, giảm 30-40% thời gian tính toán cho N=2), giảm THD và CMV trong hệ thống truyền động trung áp. Những đóng góp này sẽ thúc đẩy sự phát triển của các hệ truyền động công nghiệp hiệu quả hơn, tiết kiệm năng lượng hơn, và đáng tin cậy hơn trên toàn thế giới.