Buck電路輸出電流的神經網絡PID控制

田家俊，鐘建偉

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

Buck電路輸出電流的神經網絡PID控制

田家俊1，鐘建偉2

(1.國網恩施供電公司,湖北 恩施 445000；2.湖北民族學院 信息工程學院,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,描述了傳統控制的局限性和神經網絡的研究現狀,介紹了神經網絡的特征和功能.再者,通過神經網絡的模型,對BP算法進行了數學公式推導,給出了BP算法的詳細思路和具體過程,采用Matlab軟件編程實現BP神經網絡算法,并將算法訓練后的BP神經網絡運用到非線性函數的逼近中去.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PID控制和神經網絡PID控制的結構模型對其進行控制仿真,得到相應的輸出電流電壓仿真結果圖.仿真結果表明,BP神經網絡控制器具有更好的控制效果,相比較閉環PID控制器,能夠有效克服經典PID控制器在被控對象具有非線性、時變不確定性和難以建立精確的數學模型時,出現的控制結構復雜、參數整定不良和性能欠佳等缺點.

降壓斬波電路；神經網絡；PID控制

1 引言

1.1 傳統控制理論的局限性

控制理論經歷了現代控制理論和大理論兩個重要的發展階段.在嚴格精確的數學模型基礎之上,對系統分析、綜合和設計的控制,由于很大程度的依賴于精確數學模型,使其應用領域受到了很大程度的限制.而科學技術和信息化高速發展的今天,人們要求實現大規模、復雜和不確定性自動控制系統,由于控制對象的嚴重非線性,數學模型的不確定性,系統工作點變化劇烈等因素,設計這些系統時,必須提出并遵循一些比較苛刻的假設,而這些假設在應用中往往與實際不相吻合,一般無法獲得精確的數學模型,傳統控制存在著難以彌補的嚴重缺陷[1-3].這就促使人們提出了新的控制技術和方法.

1.2 傳統PID控制的特點

傳統PID控制是歷史悠久、應用廣泛的經典控制方法,雖然后來出現了很多新的控制方法,但是大多數都是在原有的傳統PID控制方法的基礎上的一些改進.目前正在運行的控制回路中,90%以上還是PID控制器.在PID控制器中,比例部分產生與偏差值成正比的輸出信號,以便消除偏差；積分部分產生與偏差積分成正比的輸出信號,可以消除系統的靜態誤差；微分部分產生與偏差變化率成正比的輸出信號,以便縮短過渡過程時間,減少超調量,加快控制器的調節速率.如果在工作者經驗的基礎上,通過調整這三個部分的大小,得到恰當的系數參數,便可以使PID控制器得到快速、平穩和準確的調節效果.

因此,PID控制器的設計關鍵問題是如何選取恰當的比例、積分、微分系數,而這些參數的整定的困難使得PID控制器的應用受到限制.實際上,PID控制規律是一種線性的控制規律,這就使得它具有了傳統控制理念中通用弱點,即僅在簡單的線性單變量控制系統中有較好的控制效果,而在復雜控制系統中效果難以達到控制要求.

1.3 神經網絡和PID控制相結合的研究現狀

圖1 神經元網絡和PID控制現有結合方式一Fig.1 Neural network and PID control of the existing combination of a way

1)采用神經元確定PID參數.在原來傳統的PID控制器的基礎上,加入一個或多個神經元網絡模型.利用神經元的自適應學習功能,可以調整和確定PID參數,其結構如圖1所示.

此控制器分為虛線內PID控制部分和神經元網絡兩個部分:虛線內PID部分,是按照傳統PID控制器的結構來構成的,對系統偏差信號進行比例、積分和微分處理,通過加權相加重值比例、積分和微分系數；神經網絡部分,一般采用多層前向網絡,可以根據系統的輸入和輸出的信息,通過反復的學習和調整所需的PID參數[4-5].

圖2 神經元網絡和PID控制現有結合方式二Fig.2 Neural network and PID control of the existing combination of two

2)單神經元結構PID控制器.單神經元結構PID控制器的結構模型如圖2所示.虛線內表示的是單神經元網絡結構.它系統中的比例、積分和微分的系數是根據輸入信號的采樣[6-9],分別對系統的比例、積分和微分的偏差,通過不斷整定單神經元的輸入權重值一一對應比例、積分和微分系數[10-11].

2 基于神經網絡的PID控制器

2.1 常規PID控制的Simulink仿真模型

在Matlab軟件仿真中,設計一個簡單的對象模型,并假設在對象模型中含有純滯后環節,通過Simulink模塊來模擬該系統.加入了輸入和外加擾動信號,Simulink模型的結構如圖3所示.其中用來表示PID控制器的數學表示為:

(1)

在PID模塊中的參數可以由實際PID控制器參數直接計算出來:

p=Kp,I=Kp/Ti,D=Kp×Td,N=N/Td

2.2 神經元PID控制器的Simulink仿真模型

由仿真結果(見圖4，5)可知,神經網絡無超調量,而傳統PID控制器超調量為40%左右.由此可以得出結論:在不增加算法復雜性的前提下,神經網絡控制器可以提高收斂速度,并且可以達到全局最優.神經網絡控制器是不需要精確數學模型的無模型控制.能有效地提高系統的實用性和魯棒性,可以實現在線整定控制參數,具有很強的自適應和自學習能力.

圖3 傳統PID 控制器結構圖 圖4 傳統PID 和神經網絡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PID和神經網絡PID控制器波形Fig.5 Traditional PID and Neural Network PID Controller Waveforms

3 基于神經網絡PID零電流準諧振BUCK變換器

使用Matlab中的Simulink模塊來建立零電流開關準諧振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,負載R=3.8Ω.建立仿真模型如圖6所示.

圖6 零電流準諧振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)仿真實驗1:ZCS-QR BUCK變換器的開環控制.在開環控制系統中,不加入任何控制器,并且由一個脈沖信號發生器來觸發軟開關功率變換器中的MOSFET管.通過設定脈沖信號發生器的參數,就可以來調節功率開關管的開通和關斷的時間,得到系統相應的輸出電壓或電流.在這里選擇脈沖信號發生器的脈沖信號周期為0.000 2 s,占空比為50%.開環控制的結構圖如圖6所示,它在t=0.1 、0.01 s內的電流電壓仿真如下圖7、8所示.

圖7 ZCS-QR BUCK變換器開環條件下t=0.1 s內輸出電流電壓波形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變換器開環條件下t=0.01 s內輸出電流電壓波形Fig.8 ZCS-QR BUCK converter under open-loop conditions t=0.01 s within the output current voltage waveform

從仿真結果可以看出,在沒有外界干擾的開環控制中,可以通過手動調整觸發信號的占空比,就可以達到較好的控制效果.但是,這種沒有反饋環節控制方式,其靈活性很差,超調量較大.當系統的負載發生變化時,整個系統是不具有調節性的,而且輸出電壓或電流變化很大,不具有控制的穩定性.然而對于實際應用中,開環控制易于受到外界如電壓波動、負載擾動、電磁等各類干擾,這就難以達到理想控制的結果.

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

2)仿真實驗2:ZCS-QR BUCK變換器的閉環傳統 PID控制.通過采用輸出信號反饋環節,將傳統 PID控制器作用到它的輸入端就構成了閉環控制,電路中的參數同圖6中的電路參數相同,其仿真電路模型如圖9所示.

從圖9中可以看出,采用傳統PID控制器比其他控制設計方法相對簡單,還能有更好的控制效果.但是,比例、積分、微分的系數很難調整到最佳,這需要有豐富經驗的長期工作者來進行調整到最優值.

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

在穩態情況下,在t=0.009 s左右達到穩定值,PID控制與開環控制的相差不是很大,電壓紋波很小,非常平穩.在暫態過程的動態響應中,PID控制比開環控制的輸出電壓的超調量小的多.因此,傳統PID控制也可以達到很好的控制效果.

3)仿真實驗3:ZCS-QR BUCK變換器的PID神經網絡控制.用PID神經網絡部分來代替圖9中的PID控制器部分,形成了PID神經網絡的控制方式,其中PID神經網絡控制器的具體結構前面章節已經詳細介紹,這里是采用基于s函數的BP神經網絡PID控制器.電路中參數不變,其仿真電路模型如圖10所示.

圖11 ZCS-QR BUCK變換器閉環神經網絡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以后穩態情況下,神經網絡PID控制器的輸出電壓非常穩定,紋波很小,系統穩態誤差較小.在t=0～0.01 s暫態情況下,超調量非常小,上升時間較短,系統響應速度快,因此,采用PID神經網絡控制器比其他控制器的控制效果好.但是神經網絡PID控制有一個學習訓練的過程(從圖上看t=0.005 s左右),會在一段時間后才能達到穩定值.

4 結論

圖12 神經網絡PID控制器輸出電流電壓波形Fig.12 Neural network PID controller output current voltage waveform

在BP神經網絡理論和傳統PID控制技術的科學基礎下,提出了一種基于BP神經網絡的新型PID控制方法:將其應用于Buck電路閉環系統的控制,并與傳統的PID控制的效果進行比較.仿真結果表明,訓練后的BP神經網絡具有較強的自我學習和自我修正能力,改善系統控制的優越性,從而進一步提高了控制器的性能.下一步何將基于BP神經網絡的PID控制器應用到實際的控制系統中去,并針對不同特性(如非最小相位系統、不穩定系統等)的系統時進行研究,以期達到較好的控制效果.

[1] 蔣宗禮.人工神經網絡導論[M].北京:高等教育出版社,2001:15-90.

[2] 陳樺,程云艷.BP神經網絡算法的改進及在MATLAB中的實現[J].陜西科技大學學報,2004,22:45-47.

[3] 聞新,周露,王丹力,等.MATLAB神經網絡應用設計[M].北京:科學出版社,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.神經網絡模型及其MATLAB仿真程序設計[M].北京：清華大學出版社，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.基于神經網絡自整定PID控制策略及其仿真[J].系統仿真學報,2005,17(6):1425-1427.

[8] 叢爽.神經網絡、模糊系統及其在運動控制中的應用[M].合肥:中國科學技術大學出版社,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協調優化控制[J].蘇州科技學院學報(自然科學版),2015,32(4):40-45,2.

[11] 張同君.BP神經網絡在水利發電控制系統中的應用[J].河北科技師范學院學報,2016,30(1):62-67.

責任編輯：時 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.

湖北省自然科學基金計劃項目(2013CFC125).

田家俊(1986-),男(土家族),主要從事電力系統運行與控制的研究；*

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

1008-8423(2017)03-0347-05

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

TM762

A