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

基于神经网络自适应逆的混合动力车bsg系统控制方法 Download PDF

Info

Publication number
CN103345159B
CN103345159B CN201310274792.7A CN201310274792A CN103345159B CN 103345159 B CN103345159 B CN 103345159B CN 201310274792 A CN201310274792 A CN 201310274792A CN 103345159 B CN103345159 B CN 103345159B
Authority
CN
China
Prior art keywords
controlled object
neural network
composite controlled
electric vehicle
hybrid electric
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201310274792.7A
Other languages
English (en)
Other versions
CN103345159A (zh
Inventor
陈龙
孙晓东
江浩斌
徐兴
汪若尘
李可
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN201310274792.7A priority Critical patent/CN103345159B/zh
Publication of CN103345159A publication Critical patent/CN103345159A/zh
Application granted granted Critical
Publication of CN103345159B publication Critical patent/CN103345159B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Feedback Control In General (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

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uA、uB和uC,混合动力车BSG系统的输出为转速ωr
(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Wi(k)和逆控制模型的权值参数Wc(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Wi(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ec(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Wc(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ωr
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Wi(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Wc(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Wi(k)在线调整的方法为:式中,Wi(k+1)和Wi(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、Ei(k)为当前时刻的均方根误差,即逆控制模型的权值参数Wc(k)在线调整的方法为:式中,Wc(k+1)和Wc(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、Ec(k)为当前时刻的均方根误差,即 E c ( k ) = 1 2 ( ω ( k ) - ω * ( k ) ) 2 = 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再经过2/3变换器之后变为三相坐标系下的电压信号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uA、uB和uC
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ωr
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Wi(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Wc(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Wi(k)
W i ( k + 1 ) = W i ( k ) + η ( - ∂ E i ( k ) ∂ W i ( k ) ) - - - ( 1 )
式中,Wi(k+1)和Wi(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;Ei(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ec(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Wc(k);
W c ( k + 1 ) = W c ( k ) + η ( - ∂ E c ( k ) ∂ W c ( k ) ) - - - ( 2 )
式中,Wc(k+1)和Wc(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;Ec(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uA、uB和uC,混合动力车BSG系统的输出为实际转速ωr
(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Wi(k)和逆控制模型的权值参数Wc(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Wi(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ec(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Wc(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ωr
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Wi(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Wc(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Wi(k)在线调整的方法为:式中,Wi(k+1)和Wi(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、Ei(k)为当前时刻的均方根误差,即逆控制模型的权值参数Wc(k)在线调整的方法为:式中,Wc(k+1)和Wc(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、Ec(k)为当前时刻的均方根误差,即 E c ( k ) = 1 2 ( ω ( k ) - ω * ( k ) ) 2 = 1 2 e c 2 .
CN201310274792.7A 2013-07-03 2013-07-03 基于神经网络自适应逆的混合动力车bsg系统控制方法 Expired - Fee Related CN103345159B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310274792.7A CN103345159B (zh) 2013-07-03 2013-07-03 基于神经网络自适应逆的混合动力车bsg系统控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310274792.7A CN103345159B (zh) 2013-07-03 2013-07-03 基于神经网络自适应逆的混合动力车bsg系统控制方法

Publications (2)

Publication Number Publication Date
CN103345159A CN103345159A (zh) 2013-10-09
CN103345159B true CN103345159B (zh) 2015-08-05

Family

ID=49279963

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310274792.7A Expired - Fee Related CN103345159B (zh) 2013-07-03 2013-07-03 基于神经网络自适应逆的混合动力车bsg系统控制方法

Country Status (1)

Country Link
CN (1) CN103345159B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103647481B (zh) * 2013-12-13 2016-03-02 江苏大学 无轴承永磁同步电机径向位置神经网络自适应逆控制器构造方法
CN105136469A (zh) * 2015-07-23 2015-12-09 江苏大学 一种基于pso和rbf神经网络的无人驾驶车辆车速控制方法
CN110687907B (zh) * 2019-09-23 2022-09-13 江苏大学 基于模型动态重构的智能汽车解耦预测控制器及其控制方法
CN112003327B (zh) * 2020-08-31 2022-07-12 南方电网能源发展研究院有限责任公司 基于神经网络自适应控制的并网预同步控制方法及其系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6611823B1 (en) * 2000-04-20 2003-08-26 Board Of Regents, The University Of Texas System Backlash compensation using neural network
US8285659B1 (en) * 2009-08-18 2012-10-09 The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) Aircraft system modeling error and control error
CN101917150B (zh) * 2010-06-24 2012-06-20 江苏大学 永磁同步电机模糊神经网络广义逆鲁棒控制器及构造方法
CN102490120B (zh) * 2011-11-29 2013-10-09 清华大学 用于化学机械抛光机的自适应逆控制系统
CN103048926A (zh) * 2012-12-20 2013-04-17 江苏大学 一种生物发酵过程在线神经网络逆控制器及其构造方法
CN103064292A (zh) * 2013-01-15 2013-04-24 镇江市江大科技有限责任公司 基于神经网络逆的生物发酵自适应控制系统及控制方法

Also Published As

Publication number Publication date
CN103345159A (zh) 2013-10-09

Similar Documents

Publication Publication Date Title
Wang et al. Optimal design and real-time control for energy management in electric vehicles
Linares-Flores et al. Robust passivity-based control of a buck–boost-converter/DC-motor system: An active disturbance rejection approach
CN103532448B (zh) 一种电动汽车驱动系统的控制方法
CN105024609B (zh) 考虑铁损的电动汽车永磁同步电机命令滤波模糊控制方法
Škugor et al. A series-parallel hybrid electric vehicle control strategy including instantaneous optimization of equivalent fuel consumption
CN103701371B (zh) 考虑铁损的电动汽车永磁同步电机驱动系统控制方法
CN103345159B (zh) 基于神经网络自适应逆的混合动力车bsg系统控制方法
CN106627251A (zh) 一种电机控制方法及装置
CN107255921B (zh) 电动汽车增程器优化控制方法
Li et al. A novel design of a damping failure free energy-harvesting shock absorber system
Immonen Energy Efficiency of a Diesel-Electric MobileWorking Machine
CN104442798A (zh) 混合动力汽车在串联工作模式下的串联发电控制方法
Bindu et al. Power management strategy for an electric vehicle driven by hybrid energy storage system
CN104002804B (zh) 一种燃料电池混合动力汽车的能量控制方法
CN110266226A (zh) 一种基于模型预测控制的电动汽车能效控制方法
Kim et al. Two-stage optimal control of a parallel hybrid vehicle with traffic preview
Balachander et al. Design and analysis of modified CUK converter for electric hybrid vehicle
CN105490610A (zh) 一种智能电动车辆动力总成系统
CN202806412U (zh) 电动汽车混合电池驱动系统
Yang et al. Variable optimization domain-based cooperative energy management strategy for connected plug-in hybrid electric vehicles
Najmabadi et al. Implementation of a bidirectional DC-DC in electric powertrains for drive cycles used by medium duty delivery trucks
Larsson et al. Comparing two approaches to precompute discharge strategies for plug-in hybrid electric vehicles
Wang et al. Experimental characterization of a supercapacitor-based electrical torque-boost system for downsized ICE vehicles
CN103414432B (zh) 一种混合动力车带式驱动启动发电机控制器的构造方法
Chandran et al. Electric vehicles and driving range extension-a literature review

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20150805

Termination date: 20190703