目前，英国威廉希尔公司研发部技术人员在工作中通过在Matlab中建立M函数对本书提出的三相整流器神经网络模型进行训练和学习。神经网络内模控制系统包括图1所示的NNM和NNC模型，仿真采用离线训练和在线修正的方法建立NNM和NNC。设计开关频率为10kHz，即采样时间为100us。输入矢量是多个不同负载状况下输出直流电压的采样数据，输出矢量是被控对象即整流器的输出直流电压，输入矢量要覆盖整个工作区间，使得控制系统能够获得足够丰富的训练样本。

           图1 基于神经网络内模的PWM整流器Matlab仿真模型

考虑到神经网络的软件实现时采用数字信号处理器，为了避免定点运算中数值范围和数值精度的矛盾，所训练的权值和阀值应大小适中，且数值相差相对较小。基于以上原则，通过多次反复训练，图2给出了神经网络训练结果，这里训练误差取0.1%。在训练初期，神经网络收敛速度较快，后期神经网络收敛速度较慢，经过800步训练后，误差的均方差小于0.1%，这时可以认为神经网络已经与整流器的动力学特性相一致。

图2 神经网络的训练结果

针对PWM整流器的仿真结果如图3和图4所示，图3(a)为直流输出电压，图3(b)为a相电压与电流。由仿真结果可知，直流电压迅速跟踪到给定值，而且交流侧电压与电流同相位，使系统达到单位功率因数输出。由图4可知PWM整流器网侧电流谐波失真度1.38%，波形质量较好。