1. 概述

我为什么做了这个软件？

说起来也挺简单的——就是被逼的。

之前做 DAB ，要优化效率，需要跑几十组参数。每次都是：打开 PLECS → 改一个参数 → 跑仿真 → 盯着波形看几秒 → 记个数 → 再改下一个参数……一整天下来，脖子酸了，眼睛花了，结果还没跑完几组。

我就想，这事儿能不能自动化？查了一圈，发现 PLECS 支持 XML-RPC 远程控制，完全可以写脚本让它自己去跑。但问题来了——写 Python 脚本的门槛，对很多做硬件的同事来说，实在不低。你得懂 XML-RPC 的接口、Optuna 的用法、怎么设早停、怎么写罚函数……这些不是每个人都想学的东西，也不该是。

所以我决定做一件事：把所有这些复杂度封装起来，变成一个填表就能用的 GUI 工具。

这就是 PlecsSuite 的起点——一个代码生成器，你在界面上勾勾选选，它帮你生成高质量的自动化脚本。

但光生成脚本还不够。仿真跑完了，数据散在几十个 CSV 文件里，你怎么看？怎么对比？怎么知道哪个参数对效率影响最大？你总不能又回到 Excel 里拉表画图吧——那不白自动化了嘛。

于是我又把数据分析整进去了：示波器级别的波形查看、2D/3D 可视化、参数敏感度分析、一键 HTML 报告生成……所有你以前要在 PLECS 和 Excel 之间切来切去干的活，现在一个软件里全搞定。

如果说前两篇教程（核心原理篇 和 场景教程篇）教的是"手写脚本"的底层方法，那 PlecsSuite 就是你手写了几次之后，发现"这些代码能不能自动生成？"时，会爱上的一款工具。

核心工作流程

┌────────────┐     ┌──────────────┐     ┌──────────────┐     ┌────────────┐
│  配置参数   │ ──▶ │  生成脚本     │ ──▶ │  运行脚本     │ ──▶ │  分析结果   │
│  (GUI 表单) │     │  (.py 文件)   │     │  (仿真执行)   │     │  (CSV+图表) │
└────────────┘     └──────────────┘     └──────────────┘     └────────────┘

2. 主界面与三大功能区

启动 PlecsSuite 后，顶部有三个标签页：

标签页	功能
内部脚本生成器	生成 PLECS 内部脚本（.m 格式），在 PLECS 内部直接执行
外部脚本生成器	生成独立 Python 脚本（.py 格式），通过 XML-RPC 远程控制 PLECS
结果分析器	加载仿真结果 CSV，进行 2D/3D 可视化和报告生成

---

3. 外部脚本生成器（推荐使用）

这是 PlecsSuite 最核心的功能模块。通过 4 个子面板完成配置：

3.1 连接配置（Connection）

设置与 PLECS 的通信参数：

Server URL  : http://localhost     ← PLECS RPC 服务地址
Port        : 1080                 ← 端口号（与 PLECS Preferences 一致）
模型路径    : D:\models\xxx.plecs  ← 点击"浏览"选择 .plecs 文件

点击 "测试连接" 按钮验证 PLECS 是否可达。连接成功后，模型名会自动从文件路径中提取。

3.2 参数空间（Parameters）

定义扫描或优化的参数及取值范围。支持四种参数类型：

类型	说明	示例
Linear (Linspace)	线性等间距	L1: start=50e-6, stop=200e-6, num=10
Log (Logspace)	对数等间距，适合跨数量级参数	fsw: start=10e3, stop=200e3, num=10
Integer	整数参数（优化模式）	N_turns: min=1, max=20
List	自定义值列表	duty: 0.3, 0.4, 0.5, 0.6

参数名必须与 PLECS 模型中的变量名一致。

3.3 KPI 定义（KPIs）

定义要从仿真结果中提取的关键性能指标。两种来源：

来源 A：Outport

如果模型中用 Output Port 暴露了信号，直接指定端口索引和处理函数：

名称: efficiency
来源: Outport
索引: 0
处理函数: lambda arr: arr[-1]      ← 取稳态值

常用处理函数速查：

函数	含义
lambda arr: arr[-1]	取最后一个值（稳态值）
np.max	取最大值
np.min	取最小值
np.mean	取平均值
lambda arr: np.sqrt(np.mean(arr**2))	有效值（RMS）

来源 B：Scope (CSV)

如果信号在 Scope 中，通过导出 CSV 并执行自定义处理函数：

名称: THD
来源: Scope (CSV)
Scope 路径: Scope: MyScope
处理函数: data.iloc[:,1].iloc[-1]   ← 取 CSV 第二列最后一个值

3.4 运行配置（Run）

核心配置区域，决定生成什么类型的脚本。

扫描模式（Sweep）

• 执行模式：选择 Serial（串行）或 Parallel（并行）

  • 串行：逐个执行，可查看实时进度

  • 并行：一次提交，PLECS 内部利用多核算力

• 输出路径：结果 CSV 的保存位置

优化模式（Optimize）

• 优化算法：

  • Optuna_TPE（推荐）：树结构 Parzen 估计器，适合 30~500 次试验

  • SKOptimize_GP：高斯过程代理模型，收敛更快但参数更多

  • Random Search：随机搜索，作为基线对比

• 目标类型：

  • Single：单个 KPI 最小化/最大化

  • Multi_WeightedSum：多个目标加权求和

  • Multi_Pareto：Pareto 多目标前沿搜索

• 试验次数（n_trials）：优化迭代总次数

• 高级设置（可折叠）：

  • 断点续传（Checkpoint）：保存中间状态，中断后可恢复

  • 热启动（Hot Start）：用已知好参数作为初始猜测

  • 早停（Early Stopping）：连续 N 次无改善自动停止

  • 约束条件：输入 g(x) <= 0 形式的约束函数

  • 实时可视化（Live Dashboard）：优化过程中实时绘制收敛曲线

波形导出模式（Export Full Waveform）

单次仿真，将 Outport 的完整时域波形导出为 CSV。

3.5 生成与运行

1. 配置完成后点击 "生成脚本"

2. 选择保存路径，脚本会自动附带 plecs_helper.py 到同一目录

3. 在终端中运行生成的脚本：python 生成脚本.py

4. 等待执行完成，CSV 结果保存到指定路径

---

4. 内部脚本生成器

内部脚本生成器生成的是 PLECS 内部脚本（.m 文件），使用 Octave/MATLAB 语法。这些脚本在 PLECS 内部直接执行，无需 Python 环境，适合以下场景：

• 不想安装 Python 的用户

• PLECS 本身支持多核并行仿真时

• 需要 Scope 示波器导出（PNG/CSV）功能

配置项

区域	说明
输出配置	结果文件夹命名、时间戳
参数扫描	扫参变量名和取值范围，和外部脚本类似
数值输出	从 Outport 提取数值，支持 RMS 转换
示波器导出	导出 Scope 内容为 CSV/PNG，支持时间范围裁剪、分辨率/尺寸设置
多核设置	启用后 PLECS 内部并行执行

生成的脚本结构

SECTION 1: CONFIGURATION     ← 路径、命名等可调配置
SECTION 2: INITIALIZATION    ← 创建文件夹、连接 PLECS
SECTION 3: MAIN LOOP         ← 循环遍历参数组合、运行仿真、提取结果
SECTION 4: CLEANUP           ← 汇总结果、写入 CSV、关闭模型

---

5. 结果分析器

完成仿真后，用结果分析器处理输出的 CSV 文件。

5.1 加载数据

• 加载文件夹：加载一个目录下所有 CSV 结果文件

• 运行记录：勾选需要分析的具体文件

• 支持合并多次运行的结果

5.2 可视化分析

• 2D 折线图：一个参数对多个 KPI 的趋势（如 L1 → efficiency, ripple）

• 3D 曲面图：两个参数对一个 KPI 的响应面（如 L1 × C_out → efficiency）

• Pareto 散点图：多目标优化结果中标注 Pareto 前沿

• 参数敏感度分析：排序各参数对目标的影响程度

5.3 报告生成

• 一键生成 HTML 报告，包含所有图表和数值表格

• 适合团队分享和文档归档

---

6. 配置的保存与加载

所有配置都可以保存为 JSON 文件，方便复用：

1. 配置完成后点击 "保存配置" → 选择路径 → 生成 .json 文件

2. 下次使用时点击 "加载配置" → 选择之前的 JSON → 所有配置自动恢复

这一功能特别适合：

• 同一个模型反复跑不同参数配置

• 团队协作时共享配置模板

• 版本管理（JSON 文件可以放入 Git 仓库追踪变更）

---

7. 生成的脚本文件说明

每次生成脚本后，会得到以下文件：

results/
├── 扫描_模型名_KPI名_时间戳.py      ← 主脚本
└── plecs_helper.py                    ← 自动复制的运行时依赖

plecs_helper.py 包含四个核心工具类：

类名	功能
PLECSConnector	XML-RPC 连接管理 + 仿真重试机制
OptimizationUtils	自适应罚函数 + Pareto 前沿提取
EarlyStopper	早停机制
LivePlotter	实时优化曲线可视化

生成的脚本是独立的，将整个 results/ 文件夹拷贝到任何装有 Python 的电脑上都可以直接运行。

---

8. 典型使用场景对照

你想做什么	用哪个标签页	关键配置
探索 L、C 对效率的影响	内部脚本生成器 / 外部脚本生成器 → Sweep	Parameters 设 Linspace, Run 选 Serial
找到使 THD 最小的参数	外部脚本生成器 → Optimize（也可用内部/外部脚本生成器的 Sweep 模式遍历最优）	选 Optuna_TPE, 单目标, minimize
同时优化效率和成本	外部脚本生成器 → Optimize	选 Multi_Pareto 或 WeightedSum
导出完整波形做 FFT	内部脚本生成器 / 外部脚本生成器 → Export	KPIs 选所有 Outport 信号
导出 Scope 波形图	内部脚本生成器 → 示波器导出	勾选 Export PNG
分析之前的扫描结果	结果分析器	加载 CSV 文件 → 选图表类型
复用之前的配置再跑一次	内部脚本生成器 / 外部脚本生成器 → 加载配置	选择 .json 文件

---

9. 常见问题

Q: 点击"测试连接"失败？

A: 检查三点：

1. PLECS 是否已打开。

2. PLECS 是否启用了 Server Mode（Preferences → General → Enable server mode）。

3. 端口号是否正确（默认 1080，检查是否有其他程序占用）。

Q: 脚本提示 "ModelVars" 参数不存在？

A: 参数名必须与 PLECS 模型中定义的变量名完全一致（区分大小写）。可以在 PLECS 的 Model Initialization 中查看定义的所有变量。

Q: 扫描脚本的并行模式（Parallel）为什么没加速？

A: 并行模式的速度取决于你的 CPU 核心数、模型复杂度以及 PLECS 的并行授权。串行模式虽然慢但兼容性最好。

Q: 优化结果很差怎么办？

A: 常见原因和解决方法：

• 试验次数太少：增加 n_trials（建议至少 50）

• 参数范围太宽：缩小参数搜索空间

• 局部最优：尝试用 Random Search 做基线，或开启热启动

• 仿真不收敛：检查参数边界值是否导致模型不收敛，不收敛时返回惩罚值

---

10. 与手写脚本的关系

PlecsSuite 本质上是一个代码生成器，它所生成的代码和本教程前面两篇文章中手写的代码原理完全一致。理解底层原理后：

• 快速入门：用 PlecsSuite 的 GUI 配置生成脚本，立即可用

• 定制需求：参考生成出的脚本结构，手写修改以满足特殊需求

• 学习提高：对照生成的脚本理解前两篇教程的架构设计

11. 软件界面

内部脚本生成器界面：

外部脚本生成器界面：

结果分析界面：

建议的学习路径：

阅读核心原理篇 → 阅读场景教程篇 → 用 PlecsSuite 生成脚本 → 对照生成的代码加深理解 → 按需手写定制