用神经网络控制的二象限开关电感DC/DC变换器

这是一非线性控制系统。由方程我们可以看出电阻R严重地影响了系统的稳定性和响应。

4.2反向传播神经网络（BPNN）方案

　　做少量的数学运算可以看出，对于一个恒定的电感电流，存在着一个相应的外加电压Vi。

可以把一个具有多输入和多输出的反向传播神经网络（BPNN）放置在输入端和输出端之间。经过分析，电流－功率控制采用三个神经元层次，分别是输入层（IL），隐含层（HL）和输出层（OL）。反向传播神经网络（BPNN）的结构如图7所示，它由三层组成，每层都含有大量的神经元。同一层的所有神经元的函数是相同的，而不同层的神经元函数不同。控制系统布局示意图如图6所示。

4.3结构描述

w1ij,w2ij和w3ij是输入层、隐含层和输出层神经元的权值；θij是n－维第i个元素的活化宽度；Pij是r－维第i个元素；λij是宽度矢量的第i个元素；ρij是m－维第i个活化值。

4．4自学习函数

　　由系统要求可知训练最佳极限是：

　　·电流响应超调量≤5％；

　　·功率响应超调量≤10％；

　　·波形摇摆≤2个周期。

　　所有神经元的加权系数都会影响输出参数的响应，加权系数由反向传播学习技术来确定以满足上述极限。在系统的设计中，神经网络每一神经元的所有权值必须被确定，通常称为训练过程。这里我们介绍一种自动调节技术来训练这些权值。

　　反向传播学习技术是以最小均方（LMS）运算为基础的，它是与斜率有关的搜索方法。学习过程可以从预置初始值开始，即将所有加权值（率）先设置为一个单位。当用这些权值得出的实际输出与目标之间差别最小时，学习过程才算完成。由于神经网络是一个规模不大的网，所以训练过程不需要很长时间即可完成。通常仅需要5∽15秒。

5实验结果

　　测试装备包括一个14V的电池作为负载和一个42V的直流源做电源。测试条件为：f=1∽5kHz,V1=42V和V2=－14V,L=0.3mH,R=3mΩ，体积=4000(in3)，实测结果如表2所示。总的平均功率密度(PD)为27.8W/in3。这种电路的功率密度比经典变换器的功率密度要高得多。经典变换器的功率密度通常小于5W/in3。因为开关频率很低，所以电磁干扰（EMI）很弱。

6结论

　　人工神经网络控制技术已成功地应用在二象限开关电感DC/DC变换器中，它克服了当导通常占空k为临界值时所引起的系统运行不稳定的不足，从而获得一个平稳的能量传输过程。实验结果证实了我们的设计和反向传播神经网络（BPNN）技术的优点。

表2不同频率时的实测结果