打印本文 
关闭窗口 1 引言
DC/DC变换器是一种强非线性电路，电路的电气参数存在不确定性，负载性质也是多变的，主电路的性能必须满足负载大范围的变化，同时它还具有离散和变结构的特点，所有这些使DC/DC变换器控制器的设计较为复杂。由于传统的控制方法是基于线性系统理论，所以，应用于DC/DC变换器中并不能获得理想的动态性能。
有两种途径可以不利用线性系统理论。一种是建立一种精确的非线性模型，但是，这种方法需要复杂的数学推导，经常导致复杂的控制算法，而不适合实际应用。另一种方法是把人工智能的启发式推理规则用于学习控制系统，即智能控制，它不需要建立精确的数学模型，并且对于电路参数变化具有良好的鲁棒性。
2 智能控制
智能控制是控制理论发展的高级阶段，它的建立和发展是以众多新兴学科为基础的。智能控制的基本出发点是仿人的智能实现对复杂不确定性系统进行有效的控制。目前智能控制设计的途径有：
1）基于专家系统的专家智能控制；
2）基于模糊推理和计算的模糊控制；
3）基于人工神经网络的神经网络控制；
4）基于信息论，遗传算法和以上三种算法的集成型智能控制。
本文将重点讨论模糊控制，神经网络控制以及模糊神经网络控制在DC/DC变换器中的应用。
3 模糊控制在DC/DC变换器中的应用
模糊控制是应用模糊集合理论的控制方法，提供一种实现基于知识（规则）的，甚至语言描述的控制规律的新机理，例如：如果输出电压误差是正的，并且它的变化率是负的，那么轻微减少占空比等等。所以，模糊控制设计方法比较简单。虽然，相对于传统控制器，模糊控制通常不能提供更好的小信号响应，但是，它是基于启发式推理规则的，在非线性的DC/DC变换器中应用是非常容易的。
模糊控制的基本思想是基于专家经验和领域知识，总结出若干条以IF（条件）THEN（作用）形式表示的模糊控制规则，构成描述具有不确定性复杂对象的模糊关系，通过被控系统输出误差及误差变化和模糊关系的推理合成获得控制量，从而对系统进行控制。
模糊控制采用带修正因子的模糊控制器,其控制规则为
μ(k)=ε(k)＋(1－α)εc(k)
式中：μ(k)为输出与测量值之差；
εc(k)为给定值与测量值之差，εc(k)=ε(k)－ε(k－1)为误差变化率；
α为加权修正因子,在0～1之间取值。
通过调整加权系数,就可对控制规则进行修正。以α作为调整参数是很方便的,因为，α取值大小直接影响着被控量误差和误差变化率的加权程度,当被控对象数学模型的阶次较高时,对误差变化率的加权应大于误差的加权值,因而α可取较小值,反之亦然。
模糊控制框图如图1所示。模糊控制器被分为4个部分：
1）模糊化，即将输入值转化为模糊量；
2）知识库，通常由数据库和模糊控制规则库组成；
3）模糊推理，它是模糊控制器的核心，具有模拟人的，基于模糊概念的推理能力，该推理过程是基于模糊逻辑中的蕴涵关系及推理规则来进行的；
4）非模糊化，即将模糊推理得到的模糊量变换为实际用于控制的精确量。
图1 模糊控制框图
本文介绍了模糊控制在DC/DC变换器中的两种不同的应用。
3.1 模糊控制在DC/DC变换器反馈控制中的应用
DC/DC变换器的模糊控制框图如图2所示。
图2 DC/DC变换器的模糊控制框图
图中DC/DC变换器用一个黑箱表示，其上有四个端子，分别接输入电压us，输出电压uo，电感电流iL和控制开关S。其中只有输出电压和电感电流送入了模糊控制器。
模糊控制规则基于以下几条标准：
1）当变换器的输出远离设置点时，大幅度调整占空比，以使输出快速回到设置点；
2）当变换器的输出接近设置点时，可以稍微调整一下占空比；
3）当变换器的输出在设置点附近并且快速接近它时，应当保持占空比不变，以防止有超调量；
4）当变换器的输出到达了设置点并且仍在变化时，稍微变化占空比以防止输出远离设置点；
5）当输出到达了设置点并保持稳定时，占空比保持不变；
6）当输出超过了设置点，应减小占空比，反之亦然。
通常同样的模糊控制规则可以应用在几种不同类型的DC/DC变换器中，只是一些比例因子要根据变换器的不同拓扑和参数做相应的调整。
文献[1]把模糊控制应用于Cuk变换器的电压反馈中，但只利用了输出电压和它的变化率，没有考虑电感电流，虽然与PID控制相比其输出电压波动小于PID控制，并且具有较快的瞬态响应，但是，动态性能还是不够理想。
文献[2]分别把模糊控制应用于Buck-Boost和Sepic变换器中，模糊控制器利用了三个输入变量：输出电压误差εu；电感电流误差εi；电感电流iL。相对于只利用输出电压变量的模糊控制器来说，动态性能更令人满意。同时，通过仿真证明了模糊控制与传统控制方法具有同样快和稳定的小信号响应，并且改进了大信号响应性能。
3.2 模糊控制在主从均流控制的并联DC/DC变换器中的应用
利用主从控制方法并联工作的变换器具有大量的控制环，所以，很难得到系统的实际模型。传统的控制方法是基于简单平均化的线性模型，在负载大范围变化和存在干扰的情况下，则得不到很好的动态响应。模糊控制方法克服了建立复杂模型的困难，因此，可以应用于实际工程中，并且用数字和模拟方法都可以实现。
文献[3]把模糊控制引入到均流环中，可以得到快速且鲁棒性强的瞬态响应。把经过PD控制的均流误差送入模糊控制器，利用PID控制的结果得出模糊推理规则，仿真结果表明负载分别为额定负载的50％和90％时，瞬态响应良好。
4 神经网络控制在DC/DC变换器中的应用
神经网络系统具有输入、输出，它由许多个神经元组成。每个神经元有一个单一的输出，它可以连接到许多其它的神经元，其输入有多个连接通路，每个连接通路对应一个连接权系数。变换权系数将改变整个网络的工作性能，我们的目的就是调整权系数，以获得理想的输入、输出关系。
神经网络控制方法是基于人脑控制行为的生理学研究而发展起来的,是一个具有广阔应用前景的智能控制方法。由于神经网络具有非线性映射能力、自学习适应能力、联想记忆能力，并行信息处理方式及其优良的容错性能，所以，它在非线性和复杂控制系统中，起着如传递函数在线性系统中所起的作用。
在神经网络控制系统中，信息处理过程通常分为自适应学习期和控制期两个阶段。在学习期，网络按一定的学习规则调整其内部连接权系数，使给定的性能指标达到最优；在控制期，网络连接模式和权系数已知且不变，各神经元根据输入信息和状态信息产生输出。两个阶段可以独立完成，也可以交替进行。
通常神经网络在控制中的作用可分为如下几种：
1）充当系统的模型，构成各种控制结构，如在内模控制，模型参考，自适应控制，预测控制中，充当对象的模型等；
2）在反馈控制系统中直接用作控制器；
3）在控制系统中起优化计算的作用；
4）在与其它智能控制方法和优化算法相融合中，为其提供非参数化对象模型，优化参数，推理模型及故障诊断等。
目前，国内外学者提出了许多面向对象的神经网络控制结构和方法，较具代表性的有神经网络监督控制，神经网络直接逆动态控制，神经网络参数估计自适应控制，神经网络模型参考自适应控制，神经网络内模控制，神经网络预测控制。
虽然，神经网络应用于非线性系统已经有很多年了，但是，主要把它用于机器人技术和自动控制系统。在电力电子领域，神经网络的应用还处于初级阶段，最近，不断有文章报道用神经网络来控制DC/DC变换器，这预示着神经网络在DC/DC变换器中的应用将会不断增多。
文献[4]把神经网络间接应用于PWMBoost变换器中，如图3所示。
图3 Boost变换器的神经网络控制
其中，用神经网络控制器产生变换器的控制信号，进行反馈控制，用神经网络仿真器识别变换器的参数变化。并且神经网络控制系统自动学习变换器工作时的动态特性。由于PWM变换器通常是二阶系统，所以，对于变换器的输入和输出，两个延迟单元是足够的。
由神经网络间接控制的Boost变换器不需要知道雅可比行列式，也不用考虑参数变化，在遇到大信号扰动时，也不需要利用传递函数方法来处理。
计算机仿真结果表明，即使在高频脉冲电源电压和高频脉冲参考信号的条件下，神经网络控制系统都能提供良好的动态响应。
文献[5]把神经网络控制器应用于Buck变换器中。首先，把Buck变换器在一个工作点线性化，进行PI控制，由此得到神经网络离线训练的数据集合，这种训练时间长，并且依赖于数据集合的大小和特性，但是，依然能得到良好的控制结果。而在线训练的神经网络控制器设计的时间少，在变化的负载条件下能够提供最精确和统一的结果。
文献[6]提出用神经网络辨识和控制一个反激准谐振变换器。神经网络控制器用来调节输出电压，它由3层组成，输入层有8个神经元，隐层有24个神经元，输出层有一个神经元。4个输入分别为输入电压变化量，电感电流变化量，负载电流变化量，输出电压相对于参考值的变化量。控制器的输出能够调节输出电压的开关频率。控制方法采用监督学习的神经网络控制，用BP算法，并由Levenberg-Marquedet规则改进。仿真结果表明系统的精度和鲁棒性都得到了改善。这种神经网络控制器的优点可总结如下：
1）降低了输出电压的偏差，提高了控制系统的精度；
2）对于输入电压和负载的变化，具有快速的响应；
3）由于神经网络控制器的输出是开关频率，这可以直接而且很容易完成文中的控制算法。
5 神经模糊控制在DC/DC变换器中的应用
神经网络和模糊控制在对信息的加工处理过程中，均表示出很强的容错能力，它们在处理和解决问题时，不需要对象的精确的数学模型；从数据处理的形式上看，它们均采用并行处理的结构，当输入信号进入模糊控制系统时，所有的模糊规则将依据条件的适用度决定是否被激发，并且由被激发的规则决定系统的输出。对神经网络而言，它本身就是由并行结构的神经元构成。
但是，模糊系统和神经网络有着明显的不同之处。神经网络虽然对环境的变化具有较强的自适应学习能力，但从系统建模的角度而言，它采用的是典型的黑箱型的学习模式。因此，当学习完成之后，神经网络所获得的输入和输出关系，无法用容易被人接受的方式表示出来。相反，模糊系统是建立在被人容易接受的“IFTHEN”表示方法之上。但如何自动生成和调整隶属函数的模糊规则，则是一个很棘手的问题。
基于以上分析可知，上述两类系统的相似点构成了融合的基础，而它们的不同点又为融合方式研究提供了可能。
神经网络和模糊逻辑有以下几种的相结合方式：
1）神经模糊系统在模糊模型中用神经网络作为工具；
2）模糊神经网络把常规的神经网络模型模糊化；
3）模糊－神经混合系统把模糊技术和神经网络结合起来形成混合系统。
文献[7]提出用神经模糊控制器控制Cuk变换器，如图4所示。由于模糊变量的隶属函数通常是基于专家知识得到的，这要依赖于过去的经验，并不能给出优化的性能。文献[7]利用神经网络设计隶属函数，把神经网络作为隶属函数生成器组合在模糊控制系统中。控制器的输入为电压误差和电压误差变化率，输出为变换器PWM的占空比。神经网络由BP学习算法调节，作用函数为S(x)=
。神经模糊控制器经过离线训练后，用来调节Cuk变换器。通过仿真证明，当负载变化时，神经模糊控制器比PI控制器的动态响应更好。
图4 Cuk变换器的神经模糊控制系统
6 结语
目前，智能控制在DC/DC变换器中的应用非常少，还只是停留在仿真阶段，尤其是国内鲜有文章报道。考虑到经济和体积方面的原因，以及智能控制整个理论体系还不成熟，所以，智能控制的DC/DC变换器还需要一定的时间才能应用于实际。但是，随着智能控制应用工程的日益成熟，各种软硬件技术的开发，尤其是最近高速廉价的数字信号处理器（DSP）的应用，大大方便了智能控制应用系统的实现，这使得具有优良性能的智能控制的DC/DC变换器更加受到人们的重视，从而可得到长足的发展。
作者简介
韩智玲（1976－），女，硕士研究生，研究方向为电力电子技术及其应用。
打印本文 关闭窗口