智能控制在DC/DC變換器中的應用

本文介紹了模糊控制在DC/DC變換器中的兩種不同的應用。

3.1 模糊控制在DC/DC變換器反饋控制中的應用

DC/DC變換器的模糊控制框圖如圖2所示。

圖2 DC/DC變換器的模糊控制框圖

圖中DC/DC變換器用一個黑箱表示，其上有四個端子，分別接輸入電壓u_s，輸出電壓u_o，電感電流i_L和控制開關S。其中只有輸出電壓和電感電流送入了模糊控制器。

模糊控制規則基于以下幾條標準：

1）當變換器的輸出遠離設置點時，大幅度調整占空比，以使輸出快速回到設置點；

2）當變換器的輸出接近設置點時，可以稍微調整一下占空比；

3）當變換器的輸出在設置點附近并且快速接近它時，應當保持占空比不變，以防止有超調量；

4）當變換器的輸出到達了設置點并且仍在變化時，稍微變化占空比以防止輸出遠離設置點；

5）當輸出到達了設置點并保持穩定時，占空比保持不變；

6）當輸出超過了設置點，應減小占空比，反之亦然。

通常同樣的模糊控制規則可以應用在幾種不同類型的DC/DC變換器中，只是一些比例因子要根據變換器的不同拓撲和參數做相應的調整。

文獻[1]把模糊控制應用于Cuk變換器的電壓反饋中，但只利用了輸出電壓和它的變化率，沒有考慮電感電流，雖然與PID控制相比其輸出電壓波動小于PID控制，并且具有較快的瞬態響應，但是，動態性能還是不夠理想。

文獻[2]分別把模糊控制應用于Buck-Boost和Sepic變換器中，模糊控制器利用了三個輸入變量：輸出電壓誤差ε_u；電感電流誤差ε_i；電感電流i_L。相對于只利用輸出電壓變量的模糊控制器來說，動態性能更令人滿意。同時，通過仿真證明了模糊控制與傳統控制方法具有同樣快和穩定的小信號響應，并且改進了大信號響應性能。

3.2 模糊控制在主從均流控制的并聯DC/DC變換器中的應用

利用主從控制方法并聯工作的變換器具有大量的控制環，所以，很難得到系統的實際模型。傳統的控制方法是基于簡單平均化的線性模型，在負載大范圍變化和存在干擾的情況下，則得不到很好的動態響應。模糊控制方法克服了建立復雜模型的困難，因此，可以應用于實際工程中，并且用數字和模擬方法都可以實現。

文獻[3]把模糊控制引入到均流環中，可以得到快速且魯棒性強的瞬態響應。把經過PD控制的均流誤差送入模糊控制器，利用PID控制的結果得出模糊推理規則，仿真結果表明負載分別為額定負載的50％和90％時，瞬態響應良好。

4 神經網絡控制在DC/DC變換器中的應用

神經網絡系統具有輸入、輸出，它由許多個神經元組成。每個神經元有一個單一的輸出，它可以連接到許多其它的神經元，其輸入有多個連接通路，每個連接通路對應一個連接權系數。變換權系數將改變整個網絡的工作性能，我們的目的就是調整權系數，以獲得理想的輸入、輸出關系。

神經網絡控制方法是基于人腦控制行為的生理學研究而發展起來的,是一個具有廣闊應用前景的智能控制方法。由于神經網絡具有非線性映射能力、自學習適應能力、聯想記憶能力，并行信息處理方式及其優良的容錯性能，所以，它在非線性和復雜控制系統中，起著如傳遞函數在線性系統中所起的作用。

在神經網絡控制系統中，信息處理過程通常分為自適應學習期和控制期兩個階段。在學習期，網絡按一定的學習規則調整其內部連接權系數，使給定的性能指標達到最優；在控制期，網絡連接模式和權系數已知且不變，各神經元根據輸入信息和狀態信息產生輸出。兩個階段可以獨立完成，也可以交替進行。

通常神經網絡在控制中的作用可分為如下幾種：

1）充當系統的模型，構成各種控制結構，如在內模控制，模型參考，自適應控制，預測控制中，充當對象的模型等；

2）在反饋控制系統中直接用作控制器；

3）在控制系統中起優化計算的作用；

4）在與其它智能控制方法和優化算法相融合中，為其提供非參數化對象模型，優化參數，推理模型及故障診斷等。

目前，國內外學者提出了許多面向對象的神經網絡控制結構和方法，較具代表性的有神經網絡監督控制，神經網絡直接逆動態控制，神經網絡參數估計自適應控制，神經網絡模型參考自適應控制，神經網絡內模控制，神經網絡預測控制。

雖然，神經網絡應用于非線性系統已經有很多年了，但是，主要把它用于機器人技術和自動控制系統。在電力電子領域，神經網絡的應用還處于初級階段，最近，不斷有文章報道用神經網絡來控制DC/DC變換器，這預示著神經網絡在DC/DC變換器中的應用將會不斷增多。

文獻[4]把神經網絡間接應用于PWMBoost變換器中，如圖3所示。

圖3 Boost變換器的神經網絡控制