基于神经网络对Buck变换器中PID控制器参数的优化方法和装置

摘要

本发明公开了一种基于神经网络对Buck变换器中PID控制器参数的优化方法，包括：通过器件参数计算系统小信号模型，通过小信号模型计算PID参数稳定域，从PID参数稳定域中筛选PID参数值，以及输出电压，采用ITAE对输出电压进行误差评估得到真实ITAE值；基于预测ITAE值与真实ITAE值构建损失函数，通过损失函数采用贝叶斯正则化算法训练神经网络模型得到最终神经网络模型；通过遗传算法得到最小预测ITAE值对应PID参数作为最终PID参数。该方法能够对Buck变换器的负载波动具有良好的暂态性能和鲁棒性。本发明还提供了一种基于神经网络对Buck变换器中PID控制器参数的优化装置。

说明书

技术领域

本发明涉及电力电子技术以及新能源发电技术领域，具体为一种基于神经网络对Buck变换器中PID控制器参数的优化方法和装置。

背景技术

以石油、煤、天然气为主体的传统能源不仅给环境带来污染，同时面临枯竭的问题，另外《新时代中国能源发展》白皮书中提出我国二氧化碳排放2030年前达到峰值，2060年前实现碳中和的战略目标，新能源发电已经成为全世界关注的重点。随着电网中新能源占比不断提高，直流分布式发电系统的数量急剧增加。

电力系统由电力网、电力用户共同组成，其任务是给广大用户不间断地提供经济、可靠、符合质量标准的电能，满足各类负荷的需求，为经济社会发展提供动力。

由于电力的生产与使用具有特殊性，即电能难以大量存储，而且各类用户对电力的需求是时刻变化的，这就要求系统发电应随时与系统负荷的变化动态平衡，即系统要最大限度地发挥出设备能力，使整个系统保持稳定且高效地运行，以满足用户的需求。否则，就会影响供用电的质量，甚至危及系统的安全与稳定。

因此，电力系统负荷预测技术发展了起来，并且是这一切得以顺利进行的前提和基础。传统的数学模型是用现成的数学表达式加以描述，具有计算量小、速度快的优点，但同时也存在很多的缺陷和局限性，比如不具备自学习、自适应能力、预测系统的鲁棒性没有保障等。

Buck变换器在直流微电网中广泛应用，然而当负载跳变时Buck变换器会出现稳定性以及动态性能较差的问题。目前，大多数控制器通常采用理论分析模型的方法进行参数整定，这种方法只考虑小信号，缺乏对大信号和参数漂移的理论分析，如果采用人工神经网络替代小信号模型，就可以避免对系统模型进行具体分析，且使系统具有较强的鲁棒性。

特别是随着我国经济的发展，电力系统的结构日趋复杂，电力负荷变化的非线性、时变性和不确定性的特点更加明显，很难建立一个合适的数学模型来清晰表达负荷和影响负荷的变量之间的关系。

目前，已有学者将神经网络和深度强化学习应用于DAB和MPPT控制中，并取得了较好的效果，然而其在Buck变换器的控制中的应用还有待进一步研究。

针对上述问题，需进一步研究将神经网络应用于Buck变换器控制器参数整定的方法。

发明内容

本发明提供了一种基于神经网络对Buck变换器中PID控制器参数的优化方法，该方法能够对Buck变换器的负载波动具有良好的暂态性能和鲁棒性。

一种基于神经网络对Buck变换器中PID控制器参数的优化方法，包括：

(1)通过Buck变换器的输入电压、输出电压和开关管占空比得到小信号模型，通过小信号模型计算得到PID参数的稳定域，从PID参数稳定域中筛选多组PID参数值，将多组PID参数值输入至PID控制器，运行Buck变换器得到每组PID参数值对应的输出电压，采用时间乘绝对误差积分对每组输出电压进行误差评估得到每组输出电压对应的真实ITAE值，将多组PID参数值作为训练样本集；

(2)基于神经网络模型输出的预测ITAE值与真实ITAE值构建损失函数，基于训练样本集，通过损失函数采用贝叶斯正则化算法训练神经网络模型得到最终神经网络模型；

(3)通过遗传算法筛选最终神经网络模型输出的最小预测ITAE值，并将最小预测ITAE值对应PID参数作为最终PID参数，以完成PID控制器参数的优化。

通过Buck变换器的输入电压、输出电压和开关管占空比得到小信号模型，包括：

在Buck变换器中确定多个直流工作点，通过输入电压、输出电压和开关管占空比的小信号扰动，线性拟合各个直流工作点的电压和开关管占空比的变化得到Buck变换器的小信号模型。

通过小信号模型计算得到PID参数的稳定域，包括：

通过小信号模型得到Buck变换器的传递函数，基于传递函数求解零极点分布，并绘制零极点分布图，基于不同PID参数下的零极点分布图，判断PID参数的稳定条件，得到PID参数的稳定域。

采用时间乘绝对误差积分对每组输出电压进行误差评估得到每组输出电压对应的真实ITAE值为：

其中，t为时间变量，e(t)为输出电压的误差值。

通过损失函数采用贝叶斯正则化算法训练神经网络模型得到最终神经网络模型，包括：

(1)基于神经网络模型输出的预测ITAE值与真实ITAE值构建损失函数F为：

其中，E

(2)根据最大似然原理得到最大的α与β，即得到预测结果损失函数的最优权重α

(3)迭代步骤(1)，(2)使得损失函数F输出值满足损失函数阈值，并得到神经网络的最终权值矩阵，基于最终权值矩阵得到最终神经网络模型。

预测结果损失函数的最优权重α

其中，tr(﹒)为矩阵对角线之和，γ为有效参数个数，即有多少参数再减少损失函数方面起作用，其取值范围为[0，m]，并将最优权值矩阵α

将PID参数值输入至神经网络模型得到预测ITAE值，所述神经网络模型包括输入层神经网络，中间隐藏层神经网络和输出层神经网络，其中，输入层神经网络包括三个神经元，中间隐藏层包括多个神经元，输出层神经网络包括一个神经元。

一种基于神经网络对Buck变换器中PID控制器参数的优化装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，最终神经网络模型；

计算机处理器执行所述计算机程序时实现以下步骤：

将PID参数值输入至最终神经网络模型，并通过遗传算法得到优化PID参数。

与现有技术相比，本发明的有益效果为：

本发明提出了一种使用神经网络对Buck变换器中PID控制器参数进行优化的方法，本发明针对传统控制器通常采用理论分析模型的方法进行参数整定，只考虑小信号，缺乏对大信号和参数漂移的理论分析的问题，使用神经网络对Buck变换器中PID控制器参数进行优化的方法，采用该方法可以避免对系统模型进行具体分析，并且对Buck变换器的负载波动具有良好的暂态性能和鲁棒性。

附图说明

图1为具体实施方式提供的基于神经网络对Buck变换器中PID控制器参数的优化方法示意图。

图2为具体实施方式提供的在负载跳变时与传统参数整定方法输出电压对比。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

本发明提供了一种基于神经网络对Buck变换器中PID控制器参数的优化方法，如图1所示，具体步骤如下：

S1：获得Buck变换器器件参数，包括输入电压、输出电压、开关管占空比，在Buck变换器中确定多个直流工作点，通过输入电压、输出电压和开关管占空比的小信号扰动，线性拟合各个直流工作点的电压和开关管占空比的变化得到Buck变换器的小信号模型。

S2：通过小信号模型得到Buck变换器的传递函数，基于传递函数求解零极点分布，并绘制零极点分布图，极点都分布于左半平面则系统稳定，反之则不稳定；基于零极点分布图的左半平面得到PID参数的稳定域。

S3：将多组PID参数值输入至PID控制器，运行Buck变换器得到每组PID参数值对应的输出电压，采用时间乘绝对误差积分(ITAE)对每组输出电压进行误差评估得到每组输出电压对应的真实ITAE值为：

其中，t为时间变量，e(t)为输出电压的误差值；将多组PID参数值作为训练样本集。

S4：采用贝叶斯正则化算法对神经网络模型进行训练拟合，具体步骤为：

(1)构建神经网络模型：神经网络模型包括输入层神经网络，中间隐藏层神经网络和输出层神经网络，其中，输入层神经网络包括三个神经元，中间隐藏层包括10个神经元，输出层神经网络包括一个神经元。将PID参数值输入至神经网络模型得到预测ITAE值。

(2)基于神经网络模型输出的预测ITAE值与真实ITAE值构建损失函数F为：

其中，E

(3)根据最大似然原理得到最大的α与β，即得到预测结果损失函数的最优权重α

(4)迭代步骤(2)，(3)使得损失函数F输出值满足损失函数阈值，将达到损失函数阈值对应的权值矩阵作为最终权值矩阵W

其中，预测结果损失函数的最优权重α

其中，tr(.)为矩阵对角线之和，γ为有效参数个数，即有多少参数再减少损失函数方面起作用，其取值范围为[0，m]，并将最优权值矩阵α

S5：通过遗传算法筛选最终神经网络模型输出的最小预测ITAE值，并将最小预测ITAE值对应PID参数作为最终PID参数，以完成PID控制器参数的优化。

如图2所示，ANN-PID为使用神经网络对Buck变换器中PID参数优化的方法，ANN-PID-RL为使用神经网络对Buck变换器中PID参数优化，并使用强化学习对参数进行微调。可以看出，当负载发生跳变时，本发明所提方法的动态性能明显优于传统PID控制。

本发明提出了一种使用神经网络对Buck变换器中PID控制器参数进行优化的方法，本发明针对传统控制器通常采用理论分析模型的方法进行参数整定，只考虑小信号，缺乏对大信号和参数漂移的理论分析的问题，使用神经网络对Buck变换器中PID控制器参数进行优化的方法，采用该方法可以避免对系统模型进行具体分析，并且对Buck变换器的负载波动具有良好的暂态性能和鲁棒性。