智能控制在DC/DC变换器中的应用

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u_s，输出电压u_o，电感电流i_L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ε_u；电感电流误差ε_i；电感电流i_L。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