基于神经网络的Buck变换器导通模式切换控制方法

技术领域

本发明属于电力电子变换器控制技术领域，尤其涉及基于神经网络的Buck变换器导通模式切换控制方法。

背景技术

随着现代电力电子技术的不断发展，Buck变换器广泛应用于能源、LED驱动、航天等多个领域，是重要的直流降压电力电子电源，为了满足较大功率负载快速起动的实际需求，要求Buck变换器具备由非连续导通模式DCM到连续导通模式CCM之间切换的高动态响应能力。PI控制因为其控制结构简单、成本较低成为常用的控制DC-DC变换器的策略，但变换器在CCM和DCM之间切换时，其抗干扰能力差，无法满足高性能的控制要求。现有技术中大多数都是针对单一工况下的DC-DC变化器，例如通过数学建模的方式来提高Buck变换器的输出纹波电压精度；或通过数字电路的检测方式，来实现Buck变换器在DCM模式下的稳态运行。均为CCM或DCM单一工况下的变换器控制方式，并未讨论在两种模式切换时的情况。还有现有技术中对Buck变换器虽然在DCM/CCM切换时的工况进行讨论，但其控制复杂，需要在两种控制方式来回切换。现有技术中Buck变换器在DCM/CCM工作状态转换过程的高动态需求现状，一方面是转换过程电压过冲较大，另一方面是响应时间过长。因此，亟需提出基于神经网络的Buck变换器导通模式切换控制方法。

发明内容

为解决上述技术问题，本发明提出了基于神经网络的Buck变换器导通模式切换控制方法，有效地提高Buck变换器在DCM/CCM切换时的输出电压的精度，且达到的稳态时间短，超调量小。

为实现上述目的，本发明提供了基于神经网络的Buck变换器导通模式切换控制方法，包括：

S1、建立Buck变换器的状态空间平均模型，采集Buck变换器在DCM和CCM下的输出电压v

S2、根据所述状态模型进行EMPC设计，使Buck变换器动态性能达到最佳后生成可视化控制律分布图；

S3、采集DCM和CCM的可视化控制律作为第二神经网络的训练数据，将[i

S4、通过第二神经网络对EMPC进行高度拟合，当误差不断减小趋于允许误差范围内则完成第二神经网络的离线训练，生成神经网络控制器；

S5、在实时控制中，将神经网络控制器的参数提取到FPGA，当导通模式进行切换时，对实时的输入数据[i

可选的，步骤S1的状态方程表达式如下：

其中，i

可选的，根据离散方程的特点，利用神经网络的反向传播的特性，获得不同工况下精准的状态模型包括：

将所述电感电流、所述输出电压和所述占空比输入所述神经网络，将所述状态系数定义为所述神经网络的权重，获取第一神经网络的输出，输入和输出进行线性运算，构建误差函数，通过反向传播将所述误差函数调整在规定范围之内，获得不同工况下精准的状态模型。

可选的，对不同模型进行EMPC设计的控制目标是将v

其中，L为预测周期；q

可选的，在EMPC设计中状态变量和控制参数的相应约束条件包括：

0≤i

0≤v

0≤d(g)≤1

其中，i

可选的，将[i

输入层：在将[i

隐藏层：隐藏层神经元先对输入进行线性运算，即加权求和运算，再将线性运算的结果传递给非线性的激活函数得到隐藏层的输出：

输出层：先对隐藏层的输出进行加权求和运算，再用激活函数

隐藏层和输出层的激活函数均选用ReLU函数，使得数字控制器的资源占用较少，ReLU函数的表达式为：

其中，x为隐藏层或输出层的加权求和后的数据。

可选的，通过梯度下降法和链式法则对权重和偏置进行修正，当误差不断减小趋于允许误差范围，内则完成第二神经网络的离线训练，完成离线训练包括：

定义误差函数为：

E

其中d

得到的梯度乘以学习速率λ，对原有权重w进行更新，表示为：

式中，w(j+1)和w(j)分别代表j+1和j时刻的权重，学习速率λ决定了权重更新的步长大小，即每次迭代中网络根据损失函数的梯度调整权重的幅度。

本发明技术效果：本发明公开了基于神经网络的Buck变换器导通模式切换控制方法，采用神经网络拟合EMPC的控制策略，首先建立Buck变换器结构模型，分别在DCM和CCM工况下对模型添加约束后求得最优预测解，将变换器在不同的工况组合的EMPC律作为神经网络的训练样本，然后对神经网络进行训练，当达到一定的拟合精度后，神经网络可对变换器进行实时的控制，当系统参数发生变化时快速调节到给定状态；本发明有效地提高Buck变换器在DCM/CCM切换时的输出电压的精度，且达到的稳态时间短，超调量小。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本发明实施例基于神经网络的Buck变换器导通模式切换控制方法的流程示意图；

图2为本发明实施例Buck变换器拓扑结构示意图；

图3为本发明实施例第一神经网络传播流程图；

图4为本发明实施例EMPC控制规律和预测效果示意图，其中(a)为EMPC控制规律示意图，(b)为EMPC预测效果示意图；

图5为本发明实施例不同工作点下的EMPC率示意图；

图6为本发明实施例整合不同工况的控制率示意图；

图7为本发明实施例第二神经网络传播过程示意图；

图8为本发明实施例输出电压和电感电流的仿真图，其中(a)为CCM-DCM-CCM输出电压和电感电流的仿真图，(b)为DCM-CCM-DCM输出电压和电感电流的仿真图；

图9为本发明神经网络的离线训练和在线实现过程。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

如图1所示，本实施例中提供基于神经网络的Buck变换器导通模式切换控制方法，包括：

S1、建立Buck变换器的状态空间平均模型，采集Buck变换器在DCM和CCM下的输出电压v

S2、根据所述状态模型进行EMPC设计，使Buck变换器动态性能达到最佳后生成可视化控制律分布图；

S3、采集DCM和CCM的可视化控制律作为第二神经网络的训练数据，将[i

S4、通过第二神经网络对EMPC进行高度拟合，当误差不断减小趋于允许误差范围内则完成第二神经网络的离线训练，生成神经网络控制器；

S5、在实时控制中，将神经网络控制器的参数提取到FPGA，当导通模式进行切换时，对实时的输入数据[i

Buck变换器的拓扑结构如图2所示。

进一步的，步骤S1的状态方程表达式如下：

式中：i

在Buck变换器运行过程中，分别将将一系列DCM和CCM动态过程中的电感电流i

表1

进一步的，步骤S1中，根据式(2)的特点，将i

E

其中i

以表1的第一行数据为例，将i

进一步的，步骤S2的EMPC设计的控制目标是将v

其中，L为预测周期；q

其中，约束条件下、在第g个开关周期时，求得未来L个开关周期的最优控制量d

其中d

控制律区域的数量可以通过惩罚系数、物理约束进行调整，分段放射区域数量越多说明控制精准度越高。根据Buck变换器的动态运行过程，令输出电压目标为24V，取惩罚系数q

进一步的，所述步骤S3中，为了使神经网络控制器可以拟合EMPC律，需要对控制率进行采样，即输入一组特定的[i

表2

进一步的，步骤S3还包括：根据步骤S1～S3，分别对Buck变换器在DCM和CCM的工况下的EMPC控制规律进行采样，如图6所示，将不同工况的控制规律组成一个训练集，送入到神经网络进行训练。

进一步的，步骤S4第二神经网络的设计如下：一个全连接神经网络通常包括一个输入层、一个或多个隐藏层、一个输出层。具有多个隐藏层的称为‘深度神经网络’；具有单个隐藏层的，但隐藏层神经元个数较多的称为‘宽度神经网络’。相较于深度神经网络，宽度神经网络的计算处理时间更短，最大程度地缩短在线计算时间，因此，本发明第二神经网络采用宽度神经网络结构。图7为本发明神经网络的传播过程。

输入层：在将[i

隐藏层：隐藏层神经元先对输入进行线性运算，即加权求和运算，再将线性运算的结果传递给非线性的激活函数得到隐藏层的输出：

输出层：先对隐藏层的输出进行加权求和运算，再用激活函数

激活函数是神经网络将线性组合转换为非线性关系关键。本发明的隐藏层和输出层的激活函数均选用ReLU函数，使得数字控制器的资源占用较少，ReLU函数的表达式为：

在本实施例中，步骤S4的内容还包括：

在神经网络中，正向传播和误差反向传播是交替进行的。在每次正向传播后，会计算误差并沿着负梯度方向调整神经网络中的权重值，然后将误差函数传播回神经网络的各层以调整权重值。本发明定义第二误差函数为：E(k)＝[d

将上述得到的误差函数对各层权值w进行负梯度修正，各层权值系数的增量可以表示为：

在误差反向传播的同时权值也在不断更新，修改权值遵循链式法则，表示为：

进一步的，步骤S5的内容包括：

如图9所示，将步骤S4离线训练的神经网络参数(权重和偏置)提取到FPGA，在FPGA中执行神经网络运行，对输入数据[i

本发明控制方法对Buck变换器进行控制仿真，变换器的参数如表3所示。

表3

取EMPC的惩罚系数q

以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。