Buck電路輸出電流的神經(jīng)網(wǎng)絡(luò)PID控制

田家俊，鐘建偉

(1.國網(wǎng)恩施供電公司,湖北 恩施 445000；2.湖北民族學(xué)院 信息工程學(xué)院,湖北 恩施 445000)

Buck電路輸出電流的神經(jīng)網(wǎng)絡(luò)PID控制

田家俊1，鐘建偉2

(1.國網(wǎng)恩施供電公司,湖北 恩施 445000；2.湖北民族學(xué)院 信息工程學(xué)院,湖北 恩施 445000)

簡述了降壓斬波電路的電路模型,從其原理上解釋其非線性輸出的原因.其次,描述了傳統(tǒng)控制的局限性和神經(jīng)網(wǎng)絡(luò)的研究現(xiàn)狀,介紹了神經(jīng)網(wǎng)絡(luò)的特征和功能.再者,通過神經(jīng)網(wǎng)絡(luò)的模型,對BP算法進(jìn)行了數(shù)學(xué)公式推導(dǎo),給出了BP算法的詳細(xì)思路和具體過程,采用Matlab軟件編程實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)算法,并將算法訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)運(yùn)用到非線性函數(shù)的逼近中去.最后,使用Matlab軟件下的Simulink模塊搭建了降壓斬波電路,再分別搭建傳統(tǒng)PID控制和神經(jīng)網(wǎng)絡(luò)PID控制的結(jié)構(gòu)模型對其進(jìn)行控制仿真,得到相應(yīng)的輸出電流電壓仿真結(jié)果圖.仿真結(jié)果表明,BP神經(jīng)網(wǎng)絡(luò)控制器具有更好的控制效果,相比較閉環(huán)PID控制器,能夠有效克服經(jīng)典PID控制器在被控對象具有非線性、時(shí)變不確定性和難以建立精確的數(shù)學(xué)模型時(shí),出現(xiàn)的控制結(jié)構(gòu)復(fù)雜、參數(shù)整定不良和性能欠佳等缺點(diǎn).

降壓斬波電路；神經(jīng)網(wǎng)絡(luò)；PID控制

1 引言

1.1 傳統(tǒng)控制理論的局限性

控制理論經(jīng)歷了現(xiàn)代控制理論和大理論兩個(gè)重要的發(fā)展階段.在嚴(yán)格精確的數(shù)學(xué)模型基礎(chǔ)之上,對系統(tǒng)分析、綜合和設(shè)計(jì)的控制,由于很大程度的依賴于精確數(shù)學(xué)模型,使其應(yīng)用領(lǐng)域受到了很大程度的限制.而科學(xué)技術(shù)和信息化高速發(fā)展的今天,人們要求實(shí)現(xiàn)大規(guī)模、復(fù)雜和不確定性自動控制系統(tǒng),由于控制對象的嚴(yán)重非線性,數(shù)學(xué)模型的不確定性,系統(tǒng)工作點(diǎn)變化劇烈等因素,設(shè)計(jì)這些系統(tǒng)時(shí),必須提出并遵循一些比較苛刻的假設(shè),而這些假設(shè)在應(yīng)用中往往與實(shí)際不相吻合,一般無法獲得精確的數(shù)學(xué)模型,傳統(tǒng)控制存在著難以彌補(bǔ)的嚴(yán)重缺陷[1-3].這就促使人們提出了新的控制技術(shù)和方法.

1.2 傳統(tǒng)PID控制的特點(diǎn)

傳統(tǒng)PID控制是歷史悠久、應(yīng)用廣泛的經(jīng)典控制方法,雖然后來出現(xiàn)了很多新的控制方法,但是大多數(shù)都是在原有的傳統(tǒng)PID控制方法的基礎(chǔ)上的一些改進(jìn).目前正在運(yùn)行的控制回路中,90%以上還是PID控制器.在PID控制器中,比例部分產(chǎn)生與偏差值成正比的輸出信號,以便消除偏差；積分部分產(chǎn)生與偏差積分成正比的輸出信號,可以消除系統(tǒng)的靜態(tài)誤差；微分部分產(chǎn)生與偏差變化率成正比的輸出信號,以便縮短過渡過程時(shí)間,減少超調(diào)量,加快控制器的調(diào)節(jié)速率.如果在工作者經(jīng)驗(yàn)的基礎(chǔ)上,通過調(diào)整這三個(gè)部分的大小,得到恰當(dāng)?shù)南禂?shù)參數(shù),便可以使PID控制器得到快速、平穩(wěn)和準(zhǔn)確的調(diào)節(jié)效果.

因此,PID控制器的設(shè)計(jì)關(guān)鍵問題是如何選取恰當(dāng)?shù)谋壤?、積分、微分系數(shù),而這些參數(shù)的整定的困難使得PID控制器的應(yīng)用受到限制.實(shí)際上,PID控制規(guī)律是一種線性的控制規(guī)律,這就使得它具有了傳統(tǒng)控制理念中通用弱點(diǎn),即僅在簡單的線性單變量控制系統(tǒng)中有較好的控制效果,而在復(fù)雜控制系統(tǒng)中效果難以達(dá)到控制要求.

1.3 神經(jīng)網(wǎng)絡(luò)和PID控制相結(jié)合的研究現(xiàn)狀

圖1 神經(jīng)元網(wǎng)絡(luò)和PID控制現(xiàn)有結(jié)合方式一Fig.1 Neural network and PID control of the existing combination of a way

1)采用神經(jīng)元確定PID參數(shù).在原來傳統(tǒng)的PID控制器的基礎(chǔ)上,加入一個(gè)或多個(gè)神經(jīng)元網(wǎng)絡(luò)模型.利用神經(jīng)元的自適應(yīng)學(xué)習(xí)功能,可以調(diào)整和確定PID參數(shù),其結(jié)構(gòu)如圖1所示.

此控制器分為虛線內(nèi)PID控制部分和神經(jīng)元網(wǎng)絡(luò)兩個(gè)部分:虛線內(nèi)PID部分,是按照傳統(tǒng)PID控制器的結(jié)構(gòu)來構(gòu)成的,對系統(tǒng)偏差信號進(jìn)行比例、積分和微分處理,通過加權(quán)相加重值比例、積分和微分系數(shù)；神經(jīng)網(wǎng)絡(luò)部分,一般采用多層前向網(wǎng)絡(luò),可以根據(jù)系統(tǒng)的輸入和輸出的信息,通過反復(fù)的學(xué)習(xí)和調(diào)整所需的PID參數(shù)[4-5].

圖2 神經(jīng)元網(wǎng)絡(luò)和PID控制現(xiàn)有結(jié)合方式二Fig.2 Neural network and PID control of the existing combination of two

2)單神經(jīng)元結(jié)構(gòu)PID控制器.單神經(jīng)元結(jié)構(gòu)PID控制器的結(jié)構(gòu)模型如圖2所示.虛線內(nèi)表示的是單神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu).它系統(tǒng)中的比例、積分和微分的系數(shù)是根據(jù)輸入信號的采樣[6-9],分別對系統(tǒng)的比例、積分和微分的偏差,通過不斷整定單神經(jīng)元的輸入權(quán)重值一一對應(yīng)比例、積分和微分系數(shù)[10-11].

2 基于神經(jīng)網(wǎng)絡(luò)的PID控制器

2.1 常規(guī)PID控制的Simulink仿真模型

在Matlab軟件仿真中,設(shè)計(jì)一個(gè)簡單的對象模型,并假設(shè)在對象模型中含有純滯后環(huán)節(jié),通過Simulink模塊來模擬該系統(tǒng).加入了輸入和外加擾動信號,Simulink模型的結(jié)構(gòu)如圖3所示.其中用來表示PID控制器的數(shù)學(xué)表示為:

(1)

在PID模塊中的參數(shù)可以由實(shí)際PID控制器參數(shù)直接計(jì)算出來:

p=Kp,I=Kp/Ti,D=Kp×Td,N=N/Td

2.2 神經(jīng)元PID控制器的Simulink仿真模型

由仿真結(jié)果(見圖4，5)可知,神經(jīng)網(wǎng)絡(luò)無超調(diào)量,而傳統(tǒng)PID控制器超調(diào)量為40%左右.由此可以得出結(jié)論:在不增加算法復(fù)雜性的前提下,神經(jīng)網(wǎng)絡(luò)控制器可以提高收斂速度,并且可以達(dá)到全局最優(yōu).神經(jīng)網(wǎng)絡(luò)控制器是不需要精確數(shù)學(xué)模型的無模型控制.能有效地提高系統(tǒng)的實(shí)用性和魯棒性,可以實(shí)現(xiàn)在線整定控制參數(shù),具有很強(qiáng)的自適應(yīng)和自學(xué)習(xí)能力.

圖3 傳統(tǒng)PID 控制器結(jié)構(gòu)圖 圖4 傳統(tǒng)PID 和神經(jīng)網(wǎng)絡(luò)PID 控制器Simulink 模型

Fig．3 Traditional PID controller structure diagram Fig．4 Traditional PID and neural network PID controller simulink model

圖5 傳統(tǒng)PID和神經(jīng)網(wǎng)絡(luò)PID控制器波形Fig.5 Traditional PID and Neural Network PID Controller Waveforms

3 基于神經(jīng)網(wǎng)絡(luò)PID零電流準(zhǔn)諧振BUCK變換器

使用Matlab中的Simulink模塊來建立零電流開關(guān)準(zhǔn)諧振BUCK變換器的仿真電路模型,取輸入電壓200 V,電感L=40μF,電容C=0.03μF,負(fù)載R=3.8Ω.建立仿真模型如圖6所示.

圖6 零電流準(zhǔn)諧振BUCK型DC-DC變換器仿真模型Fig.6 Simulation Model of Zero-current Quasi-resonant BUCK Type DC-DC Converter

1)仿真實(shí)驗(yàn)1:ZCS-QR BUCK變換器的開環(huán)控制.在開環(huán)控制系統(tǒng)中,不加入任何控制器,并且由一個(gè)脈沖信號發(fā)生器來觸發(fā)軟開關(guān)功率變換器中的MOSFET管.通過設(shè)定脈沖信號發(fā)生器的參數(shù),就可以來調(diào)節(jié)功率開關(guān)管的開通和關(guān)斷的時(shí)間,得到系統(tǒng)相應(yīng)的輸出電壓或電流.在這里選擇脈沖信號發(fā)生器的脈沖信號周期為0.000 2 s,占空比為50%.開環(huán)控制的結(jié)構(gòu)圖如圖6所示,它在t=0.1 、0.01 s內(nèi)的電流電壓仿真如下圖7、8所示.

圖7 ZCS-QR BUCK變換器開環(huán)條件下t=0.1 s內(nèi)輸出電流電壓波形Fig.7 ZCS-QR BUCK converter under open-loop conditions t=0.1 s within the output current voltage waveform

圖8 ZCS-QR BUCK變換器開環(huán)條件下t=0.01 s內(nèi)輸出電流電壓波形Fig.8 ZCS-QR BUCK converter under open-loop conditions t=0.01 s within the output current voltage waveform

從仿真結(jié)果可以看出,在沒有外界干擾的開環(huán)控制中,可以通過手動調(diào)整觸發(fā)信號的占空比,就可以達(dá)到較好的控制效果.但是,這種沒有反饋環(huán)節(jié)控制方式,其靈活性很差,超調(diào)量較大.當(dāng)系統(tǒng)的負(fù)載發(fā)生變化時(shí),整個(gè)系統(tǒng)是不具有調(diào)節(jié)性的,而且輸出電壓或電流變化很大,不具有控制的穩(wěn)定性.然而對于實(shí)際應(yīng)用中,開環(huán)控制易于受到外界如電壓波動、負(fù)載擾動、電磁等各類干擾,這就難以達(dá)到理想控制的結(jié)果.

圖9 ZCS-QR BUCK變換器閉環(huán)傳統(tǒng)PID控制仿真模型Fig.9 Simulation model of closed-loop traditional PID control for ZCS-QR BUCK converter

2)仿真實(shí)驗(yàn)2:ZCS-QR BUCK變換器的閉環(huán)傳統(tǒng) PID控制.通過采用輸出信號反饋環(huán)節(jié),將傳統(tǒng) PID控制器作用到它的輸入端就構(gòu)成了閉環(huán)控制,電路中的參數(shù)同圖6中的電路參數(shù)相同,其仿真電路模型如圖9所示.

從圖9中可以看出,采用傳統(tǒng)PID控制器比其他控制設(shè)計(jì)方法相對簡單,還能有更好的控制效果.但是,比例、積分、微分的系數(shù)很難調(diào)整到最佳,這需要有豐富經(jīng)驗(yàn)的長期工作者來進(jìn)行調(diào)整到最優(yōu)值.

圖10 傳統(tǒng)PID控制器輸出電流電壓波形Fig.10 Traditional PID controller output current voltage waveform

在穩(wěn)態(tài)情況下,在t=0.009 s左右達(dá)到穩(wěn)定值,PID控制與開環(huán)控制的相差不是很大,電壓紋波很小,非常平穩(wěn).在暫態(tài)過程的動態(tài)響應(yīng)中,PID控制比開環(huán)控制的輸出電壓的超調(diào)量小的多.因此,傳統(tǒng)PID控制也可以達(dá)到很好的控制效果.

3)仿真實(shí)驗(yàn)3:ZCS-QR BUCK變換器的PID神經(jīng)網(wǎng)絡(luò)控制.用PID神經(jīng)網(wǎng)絡(luò)部分來代替圖9中的PID控制器部分,形成了PID神經(jīng)網(wǎng)絡(luò)的控制方式,其中PID神經(jīng)網(wǎng)絡(luò)控制器的具體結(jié)構(gòu)前面章節(jié)已經(jīng)詳細(xì)介紹,這里是采用基于s函數(shù)的BP神經(jīng)網(wǎng)絡(luò)PID控制器.電路中參數(shù)不變,其仿真電路模型如圖10所示.

圖11 ZCS-QR BUCK變換器閉環(huán)神經(jīng)網(wǎng)絡(luò)PID控制仿真模型Fig.11 ZCS-QR BUCK converter closed loop neural network PID control simulation model

如圖11所示,從仿真圖可以看出,在t=0.01 s以后穩(wěn)態(tài)情況下,神經(jīng)網(wǎng)絡(luò)PID控制器的輸出電壓非常穩(wěn)定,紋波很小,系統(tǒng)穩(wěn)態(tài)誤差較小.在t=0～0.01 s暫態(tài)情況下,超調(diào)量非常小,上升時(shí)間較短,系統(tǒng)響應(yīng)速度快,因此,采用PID神經(jīng)網(wǎng)絡(luò)控制器比其他控制器的控制效果好.但是神經(jīng)網(wǎng)絡(luò)PID控制有一個(gè)學(xué)習(xí)訓(xùn)練的過程(從圖上看t=0.005 s左右),會在一段時(shí)間后才能達(dá)到穩(wěn)定值.

4 結(jié)論

圖12 神經(jīng)網(wǎng)絡(luò)PID控制器輸出電流電壓波形Fig.12 Neural network PID controller output current voltage waveform

在BP神經(jīng)網(wǎng)絡(luò)理論和傳統(tǒng)PID控制技術(shù)的科學(xué)基礎(chǔ)下,提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的新型PID控制方法:將其應(yīng)用于Buck電路閉環(huán)系統(tǒng)的控制,并與傳統(tǒng)的PID控制的效果進(jìn)行比較.仿真結(jié)果表明,訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的自我學(xué)習(xí)和自我修正能力,改善系統(tǒng)控制的優(yōu)越性,從而進(jìn)一步提高了控制器的性能.下一步何將基于BP神經(jīng)網(wǎng)絡(luò)的PID控制器應(yīng)用到實(shí)際的控制系統(tǒng)中去,并針對不同特性(如非最小相位系統(tǒng)、不穩(wěn)定系統(tǒng)等)的系統(tǒng)時(shí)進(jìn)行研究,以期達(dá)到較好的控制效果.

[1] 蔣宗禮.人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M].北京:高等教育出版社,2001:15-90.

[2] 陳樺,程云艷.BP神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)及在MATLAB中的實(shí)現(xiàn)[J].陜西科技大學(xué)學(xué)報(bào),2004,22:45-47.

[3] 聞新,周露,王丹力,等.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].北京:科學(xué)出版社,2001:10-50.

[4] DE Paor A M，MALLEY M O.Controllers of Ziegler Nichols type for unstable processes [J].International Journal of Control,1989,49(4),1273-1284.

[5] 周開利,康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計(jì)[M].北京：清華大學(xué)出版社，2006:10-43.

[6] SHU H L,PI Y G.PID neural networks for time-delay systems[J].Computers and Chemical Engineering,2000,24:859-862.

[7] 牛建軍,吳偉,陳國定.基于神經(jīng)網(wǎng)絡(luò)自整定PID控制策略及其仿真[J].系統(tǒng)仿真學(xué)報(bào),2005,17(6):1425-1427.

[8] 叢爽.神經(jīng)網(wǎng)絡(luò)、模糊系統(tǒng)及其在運(yùn)動控制中的應(yīng)用[M].合肥:中國科學(xué)技術(shù)大學(xué)出版社,2001:20-31.

[9] V Etxebarria.Adaptive Control of Discrete Systems Using Neural Networks[J].IEE Proc Pt D,Control Theory and Application,1994,141(4):209-215.

[10] 郝萬君,喬焰輝,李澤,等.基于模糊模型的一類不確定非線性系統(tǒng)協(xié)調(diào)優(yōu)化控制[J].蘇州科技學(xué)院學(xué)報(bào)(自然科學(xué)版),2015,32(4):40-45,2.

[11] 張同君.BP神經(jīng)網(wǎng)絡(luò)在水利發(fā)電控制系統(tǒng)中的應(yīng)用[J].河北科技師范學(xué)院學(xué)報(bào),2016,30(1):62-67.

責(zé)任編輯：時(shí) 凌

Neural Network PID Control of Output Current of Buck Circuit

TIAN Jiajun1,ZHONG Jianwei2

(1.State Grid Enshi Power Supply Company,Enshi 445000,China；2.School of Information Engineering,Hubei University for Nationalities,Enshi 445000,China)

This paper introduces briefly the circuit model of buck chopper circuit and theoretically explains the reason for its nonlinear output.Secondly,it describes the limitations of traditional control and the research status of the neural network,and introduces the characteristics and function of the neural network.Moreover,through the model of neural network,it makes the mathematical formula derivation for BP algorithm and gives a detailed idea and the specific process of BP algorithm.Matlab software programming is used to realize BP neural network algorithm,and the BP neural network of the algorithm after training is applied to nonlinear function approximation.Finally,the Simulink module of Matlab software is used to build the buck chopper circuit,then the structure models of traditional PID control and neural network PID control are respectively set up for control simulation,and the simulation results of output current and voltage are obtained.The simulation results show that the BP neural network controller has better control effect.Compared with the closed loop PID controller,the BP neural network controller can effectively overcome such disadvantages as complex control structure,poor parameter setting and poor performance of the traditional PID controller in the case of non-linear controlled object,time-varying uncertainty and difficulty in establishing an accurate mathematical model.

buck chopper;neural network;PID control

2017-02-22.

湖北省自然科學(xué)基金計(jì)劃項(xiàng)目(2013CFC125).

田家俊(1986-),男(土家族),主要從事電力系統(tǒng)運(yùn)行與控制的研究；*

鐘建偉(1972-),男(土家族),碩士，教授,主要從事電力系統(tǒng)運(yùn)行與控制的研究.

1008-8423(2017)03-0347-05

10.13501/j.cnki.42-1569/n.2017.09.022

TM762

A