模块化多电平换流器 的标准控制策略主要基于多个比例-积分控制器构成的多回路控制结构，这些控制器在多个变换后的参考信号上工作以实现解耦。 然而，对于变量数多于自由度的强耦合系统，与MIMO控制器相比，使用多个SISO控制器会降低控制的鲁棒性。 本文提出了一种用于控制模块化多级矩阵变换器（M3C）的序贯相移模型预测控制（sPS-MPC）方法，该方法考虑了状态之间的耦合关系，并简化了控制结构。 将该MPC应用于M3C的创新性和优势在于：这需要对M3C模型进行一种新颖且非平凡的建模，且其动态特性非常特殊，与其他拓扑结构存在显著差异——因为它连接到两个交流端口，并在不同的工作频率下表现出非常特殊的动态行为。 为验证该方案的性能，对一个 36 单元 M3C 进行了实验验证。该预测控制方案在 OPAL-RT OP4510 和 OP4520 上实现，采样时间为 62 us。实验结果表明，sPS-MPC 建模方案可实现快速的闭环动态响应，并能有效跟踪输入、输出和环流。 此外，由所提出的PS-MPC控制的M3C系统在固定开关频率下运行，谐波失真低，且功率开关之间的功率损耗分布均匀。 序贯相位移MPC也曾应用于直流-交流MMC，然而，标准控制方案和基于MPC的控制方案均采用每个子模块一个电压测量值来平衡电容器电压并实现MMC控制。 因此，该控制系统需要大量传感器，且在相关电磁干扰（EMI）条件下需有效传输敏感数据，这会影响变流器的可靠性和成本。为克服这些问题，实施了一种分布式神经网络观测器，用于实时估计每个子模块（SM）的电容器电压。该观测器利用标准平均模型预测每个子模块的电容器电压。随后，通过计算复杂度较低的神经网络对每个预测结果进行校正和去噪。 由此，该观测器将每条支路所需的电压传感器数量减少至仅一个，并过滤了估计的SM电容器电压中的高频噪声。该实时神经网络部署在OPAL-RT控制器中，并在一个由24个电池组成的MMC上通过实验进行了验证，同时还评估了其在OP4510仿真器上的可扩展性和计算成本。