CN103345159B - 基于神经网络自适应逆的混合动力车bsg系统控制方法 - Google Patents

Abstract

本发明公开了一种基于神经网络自适应逆的混合动力车BSG系统控制方法，具体包括以下步骤：1）将变频器与混合动力车BSG系统作为一个整体构成复合被控对象；2）采用神经网络建立复合被控对象的辨识模型和逆控制模型；3）将逆控制模型作为逆控制器，串联在复合被控对象之前，对系统动态特性进行开环控制；4）在线调整辨识模型和逆控制器的权值系数；5）将逆控制器和辨识模型相结合组成神经网络自适应逆控制器，控制复合被控对象。本发明所述方法可有效避免常规控制方法由于引入反馈控制而可能引起的系统不稳定问题，并可实现混合动力车BSG系统动态特性控制和外界扰动抑制分开单独进行，增强系统的自适应能力和鲁棒性。

Description

基于神经网络自适应逆的混合动力车BSG系统控制方法

技术领域

本发明涉及一种基于神经网络自适应逆的混合动力车带式驱动启动发电机(以下简称为BSG)系统控制方法，属于混合动力汽车技术领域。

背景技术

混合动力车的动力性接近于传统汽车，成本低于纯电动车，具有低油耗、低排放的潜力，是一种集传统汽车和电动汽车优点于一体的新一代汽车，已成为解决当前全人类能源枯竭、环境污染等重大问题的有效手段之一，其研究开发受到了全世界各大汽车公司、大学和研究机构的青睐。

众所周知，在城市中，人口与车辆相对比较集中，会造成城市各种车辆运行状况的特殊性，特别是城市公交客车，需要停靠的站点较多，加之交通道口红灯停车，使其停车和起步十分频繁，将会造成发动机产生的大部分能量以摩擦生热的形式在制动过程中消耗掉。另一方面，由于车辆长时间停车，使发动机一直处于怠速运转状态，造成高油耗、重污染等问题。由于采用BSG技术可以进一步降低混合动力车怠速工作时的油耗、排放以及噪声，因此BSG混合动力系统的研究受到了越来越广泛的重视。BSG混合动力系统对整车的原有结构改动较小，仅增加整车成本的5％左右，却可以省油10％左右，相当于汽车排量缩小0.2～0.3L，与此同时减小二氧化碳排放12％。

目前应用于混合动力车BSG系统的控制策略主要是诸如PID控制等的反馈控制策略，这些控制方法虽然比较简单，但是会造成系统的不稳定，对系统参数也具有很大的依懒性，不能适用于非线性、参数时变的BSG系统，而且无法满足系统建模误差和外部干扰。而神经网络自适应逆控制策略可以同时兼顾BSG系统动态控制与系统扰动消除的最优效果，具有较强的鲁棒性。

发明内容

本发明的目的是为了克服上述现有控制方法的不足，提出一种能有效抑制建模误差和外部干扰影响的混合动力车BSG系统自适应逆控制方法。

本发明的技术方案是：

基于神经网络自适应逆的混合动力车BSG系统控制方法，具体包括以下步骤：

(1)将采用恒压频比工作方式的变频器与混合动力车BSG系统作为一个整体构成复合被控对象；其中变频器的输入为同步角频率输出为控制混合动力车BSG系统的三相电压信号u_A、u_B和u_C，混合动力车BSG系统的输出为转速ω_r；

(2)采用神经网络建立复合被控对象的辨识模型和逆控制模型，并离线确定辨识模型的权值参数W_i(k)和逆控制模型的权值参数W_c(k)；k表示当前的采样时刻；

(3)将逆控制模型作为逆控制器，串联在复合被控对象之前，对系统动态特性进行开环控制；

(4)将复合被控对象的实际输出ω(k)与辨识模型的输出进行比较，确定出辨识误差用该误差信息在线调整辨识模型的权值参数W_i(k)；将复合被控对象的实际输出ω(k)与给定输入ω^*(k)进行比较，确定出控制误差e_c(k)＝ω(k)-ω^*(k)，用该误差信息在线调整逆控制模型的权值参数W_c(k)；

(5)将逆控制器和辨识模型相结合组成神经网络自适应逆控制器，控制复合被控对象。

进一步，步骤(1)中，变频器由比例环节、极坐标变换器、2/3变换器和逆变器串联而成；复合被控对象的输入为变频器的输入，即同步角频率输出为混合动力车BSG系统的输出，即实际转速ω_r。

进一步，步骤(2)中，离线确定辨识模型的权值参数的方法是：将信号ω₁(k)施加到复合被控对象的输入端，采集复合被控对象的输入信号ω₁(k)、ω₁(k-1)，以及其输出信号ω(k-1)、ω(k-2)、ω(k-3)作为神经网络的输入，采集复合被控对象的的输出信号ω(k)为神经网络输出，对神经网络进行训练，从而离线确定辨识模型的权值参数W_i(k)；离线确定逆控制模型的权值参数的方法是：采集复合被控对象的输入信号ω₁(k-1)，以及其输出信号ω(k)、ω(k-1)、ω(k-2)、ω(k-3)作为神经网络的输入，采集复合被控对象的的输入信号ω₁(k)为神经网络输出，对神经网络进行训练，从而离线确定逆控制模型的权值参数W_c(k)；其中，ω₁(k)、ω₁(k-1)分别为复合被控对象当前时刻和前一时刻的输入；ω(k)、ω(k-1)、ω(k-2)、ω(k-3)分别为复合被控对象当前时刻、前一时刻、前二时刻、前三时刻的输出；k表示当前的采样时刻。

进一步，步骤(4)中，辨识模型的权值参数W_i(k)在线调整的方法为：式中，W_i(k+1)和W_i(k)分别为下一时刻和当前时刻辨识模型的权值参数、η为学习速率、E_i(k)为当前时刻的均方根误差，即逆控制模型的权值参数W_c(k)在线调整的方法为：式中，W_c(k+1)和W_c(k)分别为下一时刻和当前时刻逆控制模型的权值参数、η为学习速率、E_c(k)为当前时刻的均方根误差，即 $E_c\left(k\right)=\frac{1}{2}{(\mathrm{\ω}\left(k\right)-{\mathrm{\ω}}^{*}\left(k\right))}^2=\frac{1}{2}{e}_c^2.$

本发明的有益效果是：

1、本发明所提出的控制方法将复合被控对象的逆模型作为前馈控制器串联在被控对象之前，对复合被控对象进行开环控制，有效避免了常规控制方法由于引入反馈控制而可能引起的系统不稳定问题。

2、本发明所提出的控制方法可以实现混合动力车BSG系统动态特性控制和外界扰动抑制分开单独进行，互不影响。

3、本发明采用神经网络构造复合被控对象的辨识模型和逆控制模型，可以有效降低各种不确定因素对混合动力车BSG系统动态性能的影响，从而提高整个控制系统的动、静态性能，增强系统的自适应能力和鲁棒性。

附图说明

图1是由采用恒压频比工作方式的变频器与混合动力车BSG系统构成复合被控对象的结构示意图；

图2是图1的等效简化结构图；

图3是混合动力车BSG系统神经网络自适应逆控制器的原理框图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

本发明具体的实施分以下7个步：

1、图1是由采用恒压频比工作方式的变频器(以下简称为变频器)与混合动力车BSG系统构成复合被控对象的结构示意图，变频器由比例环节、极坐标变换器、2/3变换器和逆变器串联而成；图2是图1的等效简化结构图。如图1所示，将比例环节、极坐标变换器、2/3变换器和逆变器相串联构成变频器；其中变频器的输入为同步角频率其经过比例环节之后变为电源电压幅值V^*，和V^*经过极坐标变换器之后变为两相静止坐标系下的电压信号和再经过2/3变换器之后变为三相坐标系下的电压信号和最后经过逆变器之后生产用于驱动混合动力车BSG系统的三相电压信号u_A、u_B和u_C。

2、如图1和图2所示，将变频器与混合动力车BSG系统作为一个整体构成复合被控对象；复合被控对象的输入为同步角频率输出为转速ω_r。

3、将信号ω₁(k)施加到复合被控对象的输入端，采集复合被控对象的输入信号ω₁(k)、ω₁(k-1)，以及其输出信号ω(k-1)、ω(k-2)、ω(k-3)作为神经网络的输入，采集复合被控对象的输出信号ω(k)为神经网络输出，对神经网络进行训练，从而离线确定辨识模型的权值参数W_i(k)；采集复合被控对象的输入信号ω₁(k-1)，以及其输出信号ω(k)、ω(k-1)、ω(k-2)、ω(k-3)作为神经网络的输入，采集复合被控对象的的输入信号ω₁(k)为神经网络输出，对神经网络进行训练，从而离线确定逆控制模型权值参数W_c(k)；其中，ω₁(k)、ω₁(k-1)分别为复合被控对象当前时刻和前一时刻的输入；ω(k)、ω(k-1)、ω(k-2)、ω(k-3)分别为复合被控对象当前时刻、前一时刻、前二时刻、前三时刻的输出；k表示当前的采样时刻。

4、将离线建立的逆控制模型(其权值参数将在步骤6中在线调整)作为逆控制器，串联在复合被控对象之前，对系统动态特性进行开环控制。

5、将复合被控对象的实际输出ω(k)与辨识模型的输出进行比较，确定出辨识误差利用该误差信息按式(1)在线调整辨识模型的权值W_i(k)

$W_i(k+1)=W_i\left(k\right)+\mathrm{\η}(-\frac{{\∂E}_i\left(k\right)}{{\∂W}_i\left(k\right)})---\left(1\right)$

式中，W_i(k+1)和W_i(k)分别为下一时刻和当前时刻辨识模型的权值；η为学习速率；E_i(k)为当前时刻的均方根误差，即

6、将复合被控对象的实际输出ω(k)与给定输入ω^*(k)进行比较，确定出控制误差e_c(k)＝ω(k)-ω^*(k)，利用该误差信息按式(2)在线调整逆控制器(即逆控制模型)的权值W_c(k)；

$W_c(k+1)=W_c\left(k\right)+\mathrm{\η}(-\frac{{\∂E}_c\left(k\right)}{{\∂W}_c\left(k\right)})---\left(2\right)$

式中，W_c(k+1)和W_c(k)分别为下一时刻和当前时刻逆控制模型的权值；η为学习速率；E_c(k)为当前时刻的均方根误差，即

7、如图3所示，将逆控制器和辨识模型相结合组成神经网络自适应逆控制器，控制复合被控对象。

根据以上所述，便可以实现本发明。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.基于神经网络自适应逆的混合动力车BSG系统控制方法，具体包括以下步骤：

(1)将采用恒压频比工作方式的变频器与混合动力车BSG系统作为一个整体构成复合被控对象；其中变频器的输入为同步角频率输出为控制混合动力车BSG系统的三相电压信号u_A、u_B和u_C，混合动力车BSG系统的输出为实际转速ω_r；

(2)采用神经网络建立复合被控对象的辨识模型和逆控制模型，并离线确定辨识模型的权值参数W_i(k)和逆控制模型的权值参数W_c(k)；k表示当前的采样时刻；(3)将逆控制模型作为逆控制器，串联在复合被控对象之前，对系统动态特性进行开环控制；

(4)将复合被控对象的实际输出ω(k)与辨识模型的输出进行比较，确定出辨识误差用该误差信息在线调整辨识模型的权值参数W_i(k)；将复合被控对象的实际输出ω(k)与给定输入ω^*(k)进行比较，确定出控制误差e_c(k)＝ω(k)-ω^*(k)，用该误差信息在线调整逆控制模型的权值参数W_c(k)；

(5)将逆控制器和辨识模型相结合组成神经网络自适应逆控制器，控制复合被控对象。

2.根据权利要求1所述的基于神经网络自适应逆的混合动力车BSG系统控制方法，其特征在于：步骤(1)中，变频器由比例环节、极坐标变换器、2/3变换器和逆变器串联而成；复合被控对象的输入为变频器的输入，即同步角频率输出为混合动力车BSG系统的输出，即实际转速ω_r。

3.根据权利要求1所述的基于神经网络自适应逆的混合动力车BSG系统控制方法，其特征在于：步骤(2)中，离线确定辨识模型的权值参数的方法是：将输入信号ω₁(k)施加到复合被控对象的输入端，采集复合被控对象的输入信号ω₁(k)、ω₁(k-1)，以及其输出信号ω(k-1)、ω(k-2)、ω(k-3)作为神经网络的输入，采集复合被控对象的实际输出ω(k)为神经网络输出，对神经网络进行训练，从而离线确定辨识模型的权值参数W_i(k)；离线确定逆控制模型的权值参数的方法是：采集复合被控对象的输入信号ω₁(k-1)，以及其输出信号ω(k)、ω(k-1)、ω(k-2)、ω(k-3)作为神经网络的输入，采集复合被控对象的的输入信号ω₁(k)为神经网络输出，对神经网络进行训练，从而离线确定逆控制模型的权值参数W_c(k)；其中，ω₁(k)、ω₁(k-1)分别为复合被控对象当前时刻和前一时刻的输入；ω(k)、ω(k-1)、ω(k-2)、ω(k-3)分别为复合被控对象当前时刻、前一时刻、前二时刻、前三时刻的输出；k表示当前的采样时刻。

4.根据权利要求1所述的基于神经网络自适应逆的混合动力车BSG系统控制方法，其特征在于：步骤(4)中，辨识模型的权值参数W_i(k)在线调整的方法为：式中，W_i(k+1)和W_i(k)分别为下一时刻和当前时刻辨识模型的权值参数、η为学习速率、E_i(k)为当前时刻的均方根误差，即逆控制模型的权值参数W_c(k)在线调整的方法为：式中，W_c(k+1)和W_c(k)分别为下一时刻和当前时刻逆控制模型的权值参数、η为学习速率、E_c(k)为当前时刻的均方根误差，即 $E_c\left(k\right)=\frac{1}{2}{(\mathrm{\ω}\left(k\right)-{\mathrm{\ω}}^{*}\left(k\right))}^2=\frac{1}{2}{e}_c^2.$