CN108199600B - 一种全桥逆变器的自适应动态面控制器 - Google Patents

Abstract

本发明涉及一种全桥逆变器的自适应动态面控制器。本发明由径向基函数神经网络、自适应律、虚拟控制律、一阶滤波器以及控制律五个环节组成，第一个动态面信号送到虚拟控制律，再到一阶滤波器，再至控制律，第二个动态面信号分别送到控制律和自适应律，生成神经网络径向基函数向量，并至自适应律，运算出当前的神经网络权值向量的2范数平方的估计值，神经网络的逼近结果表示成范数形式后，再送到控制律，由控制律生成控制量。本发明克服了对象的不确定性缺陷。本发明借助后推设计的思想，设计虚拟控制器和控制器，引入一阶滤波器，用代数运算取代微分运算，克服了后推设计控制器复杂的不足，降低计算复杂度，并保证了系统的稳定性。

Description

一种全桥逆变器的自适应动态面控制器

技术领域

本发明涉及一种全桥逆变器的自适应动态面控制器，属于电力电子与电工技术领域。

背景技术

在全桥逆变器中，为保证交流正弦输出电压的稳态性能和瞬态性能，须对逆变器设计控制器进行闭环控制，从而产生开关频率固定、能表征正弦信号特征的正弦脉宽调制信号(SPWM)，来控制逆变器主开关管的通断。

全桥逆变器通常采用PID控制器，即将期望电压与输出电压的偏差分别进行比例、积分、微分运算，形成控制器的输出信号。PID控制是建立在经典控制理论基础上的一种线性控制策略，实现的关键技术是控制器参数的整定，在控制参数整定好之后，一般不随控制系统的实时状况改变。然而由于全桥逆变器是一类典型的开关型非线性系统：存在开关器件的死区时间、负载扰动、非线性负载和直流侧电压波动，都会使输出电压波形质量变差，采用传统的线性控制方法难以满足逆变器的稳态性能和瞬态性能，这在UPS系统带整流性负载时尤为突出，对PID控制参数的整定提出了较高要求，往往通过增加逆变器的成本来解决问题。可见这不仅会增加逆变器的开发周期，还会降低逆变器的性价比。

针对这种情况，以微分几何为工具发展起来的后推设计方法被用来设计控制器，这是一种构造性的递归非线性控制方法。它从距控制输入最远的状态微分方程开始设计虚拟控制率，逐层步退，通过镇定每一步设计中产生的状态和虚拟控制率的偏差，最终实现对整个系统跟踪和镇定。该方法应用在逆变器非线性反馈控制器中的控制性能明显优于传统的PID控制。

在本发明之前，由于实际电力电子系统中存在建模误差及外部扰动，这种不确定性限制了后推法在实际逆变器中的应用。另一方面，后推设计的每一步均需要对虚拟控制律求导，控制器结构会随系统阶次的增大而越加复杂。将滑模控制与后推设计相结合能弥补后推法的不足，提高控制器的鲁棒性。但是滑模变结构控制系统的抖振问题不仅影响控制的精确性，增加能量消耗，而且系统中的高频未建模动态很容易被激发，破坏系统性能，甚至导致系统产生振荡或不稳定。

因而当前所采用的控制方法，在逆变器受到非线性、参数不确定性，高频未建模动态以及外部扰动的情况下，难以克服对象的不确定性，从而导致跟踪精度和鲁棒性难以达到要求。

发明内容

本发明目的在于克服上述缺陷，提出一种全桥逆变器的自适应动态面控制器。

本发明的技术方案是：

一种全桥逆变器的自适应动态面控制器，特征在于控制器内部由径向基函数神经网络、自适应律、虚拟控制律、一阶滤波器以及控制律五个环节组成，逆变器输出电压的采样信号与输出给定电压差值作为第一个动态面信号送到虚拟控制律，输出给定电压变化量送到虚拟控制律，得到的虚拟控制律信号再送到一阶滤波器，一阶滤波器输出信号的导数送到控制律，逆变器输出电压变化量与一阶滤波器的输出信号的误差构成第二个动态面信号，第二个动态面信号分别送到控制律和自适应律，逆变器输出电压的采样信号和逆变器输出电压变化量信号送到径向基函数神经网络生成神经网络径向基函数向量，将给定的权值向量2范数平方估计值的初值与神经网络径向基函数向量送到自适应律，由自适应律生成神经网络权值向量2范数平方的估计值的变化率，该估计值的变化率送到径向基函数神经网络，由径向基函数神经网络运算出当前的神经网络权值向量的2范数平方的估计值，神经网络的逼近结果表示成范数形式后，再送到控制律，由控制律生成控制量。

一种全桥逆变器的自适应动态面控制器，特征还在于它的控制量送到PWM调制器，再经驱动电路后用来控制全桥逆变器中开关管的通断，从而使得逆变器输出稳定的正弦交流电压波形。

由以上描述知所述的虚拟控制律和控制律特征在于：运用动态面控制方法分别设计虚拟控制律和控制律，且虚拟控制律信号经一阶滤波器后与逆变器输出电压变化量构成误差信号，再作为第二个动态面信号，送到控制律，一阶滤波器的引入避免了对虚拟控制律信号反复求导，从而能降低自适应动态面控制器的复杂度。

所述的径向基函数神经网络，其特征在于根据当前逆变器输出电压的采样信号以及逆变器输出电压变化量，采用径向基函数神经网络对动态方程中的未知系统函数进行逼近，径向基函数神经网络由径向基函数向量和权值向量两部分构成，设计径向基函数神经网络时，径向基函数选为高斯函数，根据系统控制精度和瞬态性能要求来选取神经网络节点数，再通过自适应律给出神经网络权值向量2范数平方的估计值的变化量。

所述的径向基函数神经网络和自适应律，其特征在于神经网络的权值通过自适应的方法得到，对神经网络权值向量2范数平方的估计值设计自适应律，而不是对神经网络权值向量直接设计自适应律。

所述的一种全桥逆变器的自适应动态面控制器，其特征在于基于神经网络的全桥逆变器自适应动态面控制器可将逆变器输出电压的采样信号作为唯一输入信号，控制器输出的控制量作为PWM调制器的调制信号。

本发明的一种全桥逆变器的自适应动态面控制器，具有以下优点：采用动态面控制这种非线性控制技术，借助后推设计的思想，设计虚拟控制器和控制器，并在设计中引入一阶滤波器，用代数运算取代微分运算，克服了后推设计控制器复杂的不足，降低了计算复杂度，并保证了系统的稳定性。利用神经网络良好的对未知连续函数逼近的能力，辨识系统模型中未知部分，因而控制器设计不依赖于系统的精确模型。结合自适应算法，通过在线调节控制器本身的参数来修正控制器特性，克服了对象的不确定性，保证了跟踪精度，提高了控制器的鲁棒性。

本发明的其他优点和效果将在下面继续说明。

本发明中涉及的术语：PWM(Pulse-Width Modulation脉宽调制)，SPWM(Sinusoidal Pulse-Width Modulation正弦脉宽调制)，动态面控制，自适应控制，神经网络

附图说明

图1——本发明控制示意图。

图2——本发明应用电路构成示意图。

图3——本发明内部结构示意图。

图4——本发明实现的主程序算法流程图。

图5——本发明控制律计算子程序流程图。

图6——本发明Matlab仿真中(A)输出电压u_o(B)输出给定电压u_r(C)输出电压跟踪偏差e₁(D)输出控制量u_s(E)未建模动态ξ的实验波形示意图。

图7——本发明的应用自适应动态面控制器实现单相全桥逆变器稳定输出波形示意图。

图1中的符号名称：

图2中的符号名称：

图3中的符号名称：

c<sub>1</sub>，c<sub>2</sub>，α<sub>1</sub>，γ，σ	设计参数	l	神经网络节点数
				μ	高斯函数的中心	φ	高斯函数的宽度

其它同图1中符号说明。

图4、图5中的符号名称同图1中符号说明。

图6中的符号名称：

e₁输出电压跟踪偏差

ξ未建模动态子系统的状态变量向量，其它同图1中符号说明。

图7中的符号名称：

i。单相逆变器输出电流，其它同图2中符号说明。

具体实施方式：

如图1、图2所示，本发明的部件构成：

单相全桥逆变器主电路1，电压采样调理电路2，自适应动态面控制器3，PWM调制器4和驱动电路5，其中，PWM调制器4和自适应动态面控制器3可由数字控制器实现。全桥逆变器主电路1包括直流电压源E、四个功率开关管Q1～Q4、电感L、电容C₁以及等效负载R_L。负载R_L两端的电压为逆变器输出电压u_o。输出电压u_o经调理电路2后得到逆变器输出电压采样信号u_o，作为本发明自适应动态面控制器3的输入信号，自适应动态面控制器3由虚拟控制律、一阶滤波器、神经网络、自适应律以及控制律五个部分组成，这五个环节由数字控制芯片中的算法实现，自适应动态面控制器3输出控制量u_s，控制量u_s经数字控制芯片中的PWM调制器4，形成能够反映正弦信号特征的SPWM信号，PWM调制器4的输出信号送到驱动电路5并形成驱动信号，用以控制单相全桥逆变器主电路1中开关管Q1-Q4的通断，从而实现了基于神经网络的全桥逆变器自适应动态面控制器3的控制功能。逆变器主电路1中开关管Q1-Q4在自适应动态面控制器3输出控制量u_s的控制下，通过PWM调制器4再经驱动电路5控制了每个开关周期内平均电压的大小，在单相全桥逆变器主电路1的桥臂中点输出宽度以正弦规律变化的高频方波，该高频方波经电感L、电容C₁滤波后，输出正弦电压u_o。

本发明实现一种全桥逆变器的自适应动态面控制器3，如图3所示自适应动态面控制器3内部由径向基函数神经网络、自适应律、虚拟控制律、一阶滤波器以及控制律五个环节组成，逆变器输出电压的采样信号u_c(即第一个状态变量x₁)与输出给定电压u_r(ω)的差值作为第一个动态面信号z₁，将其与设计参数c₁相乘送到虚拟控制律，输出给定电压变化量送到虚拟控制律，两者相减得到虚拟控制律信号α₁，虚拟控制律信号α₁再送到一阶滤波器，设计以虚拟控制律信号α₁为输入的一阶滤波器，ω₂为一阶滤波器的输出，用于计算第二个动态面，一阶滤波器输出信号ω₂的导数送到控制律，逆变器输出电压变化量(即第二个状态变量x₂)与一阶滤波器的输出信号ω₂的误差构成第二个动态面信号z₂，第二个动态面信号z₂分别送到控制律和自适应律，逆变器输出电压的采样信号u_c和逆变器输出电压变化量信号送到径向基函数神经网络生成神经网络径向基函数向量S(Z)，将给定的权值向量2范数平方估计值的初值与神经网络径向基函数向量的2范数||S(Z)||送到自适应律，自适应律由z₂、||S(Z)||、上一次的值以及设计参数γ，σ，α₁计算确定，由自适应律生成神经网络权值向量2范数平方的估计值的变化率变化率送到径向基函数神经网络，由径向基函数神经网络运算出当前的神经网络权值向量的2范数平方的估计值神经网络的逼近结果表示成范数形式后，再送到控制律，由控制律生成控制量u_s。

控制量u_s送到图1和图2中PWM调制器4，再经驱动电路5后用来控制单相全桥逆变器主电路1中开关管Q1-Q4的通断，从而使得单相全桥逆变器主电路1输出稳定的正弦交流电压u_o。

下面结合控制器设计与稳定性分析的理论推导过程给出进一步的说明。

自适应动态面控制器3的设计需要利用逆变器动态方程的结构特征，因而首先采用状态空间平均法建立全桥逆变器的连续数学模型，然后选择逆变器输出电压u_o的采样信号u_c及其变化量分别作为系统的两个状态变量x₁和x₂，将数学模型转换成自适应动态面控制器3所需要的、符合下三角结构的严格参数反馈形式的动态方程描述。由于自适应动态面控制器3的设计不依赖于单相全桥逆变器主电路1的精确数学模型，也就是无需使用动态方程中与已知电路元件参数有关的系统函数，因而将这些已知的系统函数与系统中未建模动态部分合并用f(x₁，x₂)表示。

如图2的单相全桥逆变器主电路1所示，假设开关管Q1-Q4为理想开关，忽略开关的死区时间以及电感L和电容C₁的寄生电阻。依据基尔霍夫电压、电流定律，采用状态空间平均法，得到单相全桥逆变器的连续数学模型

其中，u_o为单相全桥逆变器主电路1的输出电压，也是电容电压，u_c为单相全桥逆变器主电路1的输出电压采样信号，R_L为负载电阻，L，C为电容电感参数，E为直流电压源电压。d为Q₁和Q₄的占空比。

定义状态变量为设计的方便性，定义u_s＝(2d-1)为控制量，得到单相全桥逆变器的数学模型为

该模型只在仿真中作为被控对象。在动态面控制器设计中，无需逆变器精确模型，因而方程中参数已知的部分以及系统未建模动态部分统一用

f(x₁，x₂)来表示，将其作为未知系统函数，因此系统动态方程表示为

上式中，状态变量x₂是状态变量x₁的导数，符合下三角特征，控制量u_s与状态变量x₁，x₂可分离，符合严格参数反馈形式。

由单相全桥逆变器主电路1的数学模型可知被控对象是一个二阶系统，所以运用动态面控制方法设计控制器需要分两步分别设计虚拟控制律和控制律，且虚拟控制律信号α₁经一阶滤波器后与逆变器输出电压变化量构成误差信号，再作为第二个动态面信号z₂，送到控制律。

选取Lyapunov函数：

第一步：定义ω₁＝u_r，u_r为输出给定电压。为了保证逆变器输出电压对给定输出电压的跟踪性能，首先设定第一个动态面为

z₁＝x₁-ω₁ (5)

设计虚拟控制律为

并引入一阶滤波器

其中：c₁，τ₂是设计参数。

引入辅助变量y₂＝ω₂-α₁，y₂用于分析系统的稳定性。

由以及Young不等式，可得关于时间的导数为

对辅助变量y₂求导，易得将上式移项并取绝对值，可得其中是连续函数，两边同乘|y₂|，得到

第二步：定义第二个动态面为

z₂＝x₂-ω₂ (10)

对z₂求导，可得

因为第二个动态方程式中含有未知函数f(x₁，x₂)，所以根据当前逆变器输出电压采样信号u_c(即状态变量x₁)以及逆变器输出电压采样信号变化量(即状态变量x₂)，采用径向基函数神经网络对动态方程中的未知系统函数f(x₁，x₂)进行逼近，径向基函数神经网络由径向基函数向量S(Z)和权值向量W两部分构成。

设计径向基函数神经网络来逼近f(x₁，x₂)。为表达清晰，令Z＝[x₁，x₂]^T∈R²。设径向基函数神经网络含有l个节点，则基函数向量表示为

S(Z)＝[s_l(Z)，...，s_l(Z)]^T∈R^l，每个节点的径向基函数s_i(Z)选为高斯函数，即

其中：μ_i＝[μ_i1，μ_i2]^T是高斯函数的中心，φ_i是高斯函数的宽度。

将未知函数f(Z)用神经网络逼近，则

f(Z)＝W^*TS(Z)+ε(Z) (13)

其中：W为神经网络权值向量，W^*为神经网络理想权值向量，ε(Z)为逼近误差。为降低控制器在神经网络计算上的时间消耗，定义θ＝||W^*||²，其中：||·||表示2范数。

设计自适应律

其中：γ，σ为设计参数，表示θ在t时刻的估计值。

设计径向基函数神经网络时，根据系统控制精度和瞬态性能要求来选取神经网络节点数l，从而确定径向基函数向量S(Z)和权值向量W的元素个数，即S(Z)由l个径向基函数组成，W由l个权值组成。将状态变量x₁和x₂送到神经网络，作为径向基函数向量S(Z)的输入信号，每个径向基函数均选为高斯函数，分别设定每个高斯函数的宽度φ_i和中心μ_i，从而生成神经网络径向基函数向量。再通过自适应律给出神经网络权值的变化量。给定权值向量W的2范数平方估计值的初值(或上一次的计算值)，将其与神经网络径向基函数向量一起送到自适应律，结合设计参数，由自适应律生成神经网络权值向量W的2范数平方估计值的变化率将其送回神经网络，从而得到当前的神经网络权值向量的2-范数平方的估计值神经网络的逼近结果用范数形式表示，送到控制律。

由式(14)可以看出，神经网络的权值通过自适应的方法得到，设计自适应律时，为了减少自适应参数的个数，从而减少控制程序的计算量，采用了对神经网络权值向量2范数的平方θ设计自适应律的方法，而不是对神经网络权值向量W直接设计自适应律。

将神经网络代入式(11)，该式可进一步写为

设计控制律

从式(16)可以看出，用设计参数c₂乘以第二个动态面信号z₂得到控制律信号u_s多项式的第1项；将神经网络逼近的运算结果以及第二个动态面信号z₂相乘再配合设计参数α₁得到控制律信号u_s多项式的第2项；一阶滤波器输出的导数作为控制律u_s多项式的第3项；将第3项减去第2项和第1项，得到控制律u_s。所设计的控制器是在神经网络逼近的运算结果上进一步计算得到，而神经网络权值向量2范数平方的估计值的变化率通过自适应的方法得到，因而本发明的控制器是一种基于神经网络的具有自适应能力的动态面控制器，神经网络和自适应控制方法相结合用以保证控制器能够克服不确定性，并对干扰具有鲁棒性。

设计控制器的同时，可以建立Lyapunov函数，分析由被控对象、所设计的、虚拟控制律和控制律构成的闭环控制系统的稳定性。

对求导，利用Young不等式，可得

其中：表示估计误差。连续函数η(Z)满足|ε(Z)|≤η(Z)。

在稳定性分析中，我们选取总的Lyapunov函数为

将式(8)、式(9)、式(14)和式(17)代入式(18)，并利用Young不等式，可得

注意到同时考虑连续函数η·ξ₂的上界分别为H，M，即η≤H，ξ₂≤M。合并常数项，得并将设计参数取为

我们最终获得

从上式可以看出，若V＝p并且则由此表明若初值V(0)≤p，则对V(t)≤p成立。因而建立关于Lyapunov函数V的初始值的紧集，根据控制器设计过程依次推理，可知系统所有状态x₁，x₂是有界的，所设计的控制器能够保证闭环系统稳定。

关于设计参数的整定方法：利用Matlab软件，对设计的全桥逆变器自适应动态面控制器进行参数整定，并进行性能仿真。

由于实际系统存在建模误差及外部扰动，具有不确定性，在原动态方程中增加未建模动态ξ的动态方程，一起作为仿真的被控对象模型，用以模拟具有未建模动态以及外部扰动的单相全桥逆变器。

加入干扰及未建模动态的仿真对象模型具体如下：

q(ξ，x₁，x₂，t)表示与ξ，x₁，x₂，t有关的未建模动态子系统的系统函数，Δ₁(ξ，x₁，x₂，t)，Δ₂(ξ，x₁，x₂，t)表示逆变器的未建模动态部分及外部扰动。控制器设计中这些函数都未知。

设计仿真程序，确定电路初始条件整定设计参数c₁，c₂，τ₂，σ，γ，直到逆变器输出电压u_o具有较好的跟踪性能及瞬态性能。

增大设计参数γ，减小设计参数σ，增大设计参数c₁，c₂，有利于系统的稳定；减小设计参数γ，增大设计参数σ，减小设计参数c₁，c₂，缩小了自适应律、控制律的变化率，有利于提高精度，减小超调，因而这些参数应该根据跟踪性能及瞬态性能整定。由于采用了神经网络对被控对象进行逼近，所以，设计参数有很宽的适应范围。

自适应动态面控制器3通过数字控制芯片来实现。根据图1中自适应动态面控制器3的结构、式(5)-(7)，式(10)，式(12)，式(14)，式(16)以及仿真中确定的设计参数，编写控制器算法程序，在实际全桥逆变器电路中，利用数字控制芯片实现全桥逆变器自适应动态面控制器3的功能。

控制程序由主程序模块和控制律计算子程序模块构成。结合图4和图5分别说明主程序和控制律计算子程序的编写方法。

结合图4，主程序中首先根据仿真中的整定值对设计参数c₁，c₂，τ₂，σ，γ赋值，分别对输出电压采样值u_c(x₁)、一阶滤波器的输出ω₂、神经网络权值向量2范数的平方估计值赋初值，设定给定输出电压u_r，设定径向基函数神经网络的节点数l、径向基函数的中心μ_ij(i＝1，…l，j＝1，2)和宽度φ_i(i＝1，…l)。确定采样周期。采样时间到，采样逆变器输出电压u_c(x₁)，调用控制律计算子程序计算出控制量信号u_s，将控制量u_s送PWM调制器3，然后循环采样、计算、输出。

结合图5，控制律计算子程序首先根据式(5)计算第一个动态面z_l，计算u_r的变化量由根据式(6)计算虚拟控制律信号α₁，由ω₂上一次的值、α₁按照式(7)计算一阶滤波器的输出并进一步得到当前ω₂的值。根据当前和上一次输出电压采样值计算出输出电压采样值的变化量由和ω₂根据式(10)计算第二个动态面z₂。由μ_ij(i＝1，…l，j＝1，2)，φ_i(i＝1，…l)以及x₁，x₂按照式(12)计算径向基函数向量的2范数||S(Z)||，由α₁，z₂，||S(Z)||，γ，σ以及上一次的值，根据式(14)计算神经网络权值向量2范数估计值的变化率并进一步计算出的当前值。最后，由按照式(16)计算出控制量u_s。

由以上描述知所述的虚拟控制律和控制律特征在于：运用动态面控制方法分别设计虚拟控制律和控制律，且虚拟控制律信号α经一阶滤波器后与逆变器输出电压变化量构成误差信号，再作为第二个动态面信号z₂，送到控制律，一阶滤波器的引入避免了对虚拟控制律信号α反复求导，从而能降低自适应动态面控制器3的复杂度。

所述的径向基函数神经网络，其特征在于根据当前逆变器输出电压的采样信号u_c以及逆变器输出电压变化量采用径向基函数神经网络对动态方程中的未知系统函数进行逼近，径向基函数神经网络由径向基函数向量S(Z)和权值向量W两部分构成，设计径向基函数神经网络时，径向基函数选S(Z)为高斯函数，根据系统控制精度和瞬态性能要求来选取神经网络节点数，再通过自适应律给出神经网络权值向量2范数平方的估计值的变化量

所述径向基函数神经网络和自适应律，其特征在于神经网络的权值通过自适应的方法得到，对神经网络权值向量2范数平方的估计值设计自适应律，而不是对神经网络权值向量W直接设计自适应律。

所述的一种全桥逆变器的自适应动态面控制器，其特征在于基于神经网络的全桥逆变器自适应动态面控制器3可将逆变器输出电压的采样信号u_c作为唯一输入信号，控制器输出的控制量u_s作为PWM调制器的调制信号。

本发明的一个具体实施例子如下：

单相全桥逆变器主电路的主要参数如下：滤波电感L＝34.7mH，滤波电容C₁＝800μF，E＝60V，输出给定电压u_r(t)＝30sin(2π×50t)V，负载R_L＝30Ω，开关管选用英飞凌公司的MOSFET场效应管IPP030N10N3G，电压定额和电流定额为100V/100A，驱动电路由安捷伦光耦A3120搭建构成。PWM调制器4由TI公司的数字控制芯片TMS320F28035实现。自适应动态面控制器3中的虚拟控制律、一阶滤波器、径向基函数神经网络、自适应律以及控制律分别采用式(6)，式(7)，式(12)，式(14)和式(16)得到。

第一阶段：通过Matlab仿真软件对自适应动态面控制器3的设计参数进行整定。为测定逆变器对未建模动态的适应能力以及抗干扰能力，在仿真的对象模型中加入干扰及未建模动态，具体如下：

其中：ξ代表未建模动态，ξx₁sin(1000t)和ξcos(100t)用来模拟实际系统的未建模动态部分和外部扰动。

仿真中电路初始条件x₁(0)＝0，x₂(0)＝0，

参数整定结果：控制器参数整定为c₁＝0.3，c₂＝0.3，τ₂＝0.00001，σ＝0.05，γ＝0.1，l＝5，φ₁＝1，μ_ij＝0.5(j-5)，j＝1，2，3，i＝1，...，5，α₁＝100。

仿真结果如图6所示，图6中左上子图分别给出了单相全桥逆变器主电路的输出电压仿真波形u_o和输出给定电压波形u_r，实线为u_o的波形，虚线为u_r的波形，表明采用本发明一种全桥逆变器的自适应动态面控制器在仿真中实现了逆变器的稳定输出；图6中右上子图给出了单相逆变器主电路的输出电压跟踪偏差的仿真波形e₁，表明采用本发明一种全桥逆变器的自适应动态面控制器在仿真中逆变器的输出电压与输出给定电压偏差很小；图6中左下子图给出了自适应动态面控制器的控制量仿真波形u_s，表明采用本发明一种全桥逆变器的自适应动态面控制器在仿真中实现了输出有效的控制信号；图6中右下子图给出了仿真中加入的未建模动态状态向量信号仿真波形ξ，表明采用本发明一种全桥逆变器的自适应动态面控制器在仿真中能够克服系统未建模动态，对外部扰动具有鲁棒性。

第二阶段：

根据仿真中确定的设计参数，并按图4和图5所示的控制算法流程图，在TI公司的TMS320F28035数字控制芯片中编写自适应动态面控制器3算法程序，以实现基于神经网络的全桥逆变器自适应动态面控制器功能。实验波形如图7所示，图7中分别给出了单相逆变器主电路的输出电压波形u_o和电流波形i_o，CH1通道为电压波形，CH2通道为电流波形，表明采用本发明一种全桥逆变器的自适应动态面控制器实现了逆变器的稳定输出。

实施例未采用传统的PID控制方法和后推滑模控制，而是通过动态面控制方法设计控制器。仿真和实验表明自适应算法的应用提高了控制器的抗干扰能力，神经网络的逼近能力使得控制器不完全依赖于设计参数，系统的设计参数易于整定。自适应与神经网络相结合，克服了逆变器主电路模型中的未建模动态部分对系统稳定性的影响。对神经网络权值向量的2范数平方进行自适应，利于提高算法的计算速度。发明的一种全桥逆变器的自适应动态面控制器不仅适用于单相全桥逆变器主电路，同样适用三相全桥逆变器。

从以上的描述可知，发明的一种全桥逆变器的自适应动态面控制器，具有以下优点：

(1)自适应与神经网络相结合，可以克服逆变器主电路模型中的未建模动态部分给系统带来的不稳定性；

(2)采用自适应算法，控制器具有较强的抗干扰能力，防抖振，使得控制系统具有鲁棒性；

(3)利用神经网络对对象模型未知函数部分进行逼近，神经网络的自学习能力使得控制器不完全依赖于设计参数，因而设计参数有很宽的适应范围，系统的设计参数易于整定；

(4)对神经网络权值向量2范数的平方进行自适应，而不是直接对权值向量自适应，减少了自适应参数的个数，提高了算法的计算速度，提高了程序的执行效率；

(5)动态面控制器设计中通过引入一阶滤波器，降低了控制器的复杂度，控制器易于实现；

(6)发明的自适应动态面控制器不仅适用于单相全桥逆变器主电路的控制，同样适用三相全桥逆变器的控制。

本发明并不局限于上述实施例，在本发明公开的技术方案的基础上，本领域的技术人员根据所公开的技术内容，不需要创造性的劳动就可以对其中的一些技术特征作出一些替换和变形，这些替换和变形均在本发明的保护范围内。

Claims (6)

1.一种全桥逆变器的自适应动态面控制器，其特征在于控制器内部由径向基函数神经网络、自适应律、虚拟控制律、一阶滤波器以及控制律五个环节组成，逆变器输出电压的采样信号与输出给定电压差值作为第一个动态面信号送到虚拟控制律，输出给定电压变化量送到虚拟控制律，得到的虚拟控制律信号再送到一阶滤波器，一阶滤波器输出信号的导数送到控制律，逆变器输出电压变化量与一阶滤波器的输出信号的误差构成第二个动态面信号，第二个动态面信号分别送到控制律和自适应律，逆变器输出电压的采样信号和逆变器输出电压变化量信号送到径向基函数神经网络生成神经网络径向基函数向量，将给定的权值向量2范数平方估计值的初值与神经网络径向基函数向量送到自适应律，由自适应律生成神经网络权值向量2范数平方的估计值的变化率，该估计值的变化率送到径向基函数神经网络，由径向基函数神经网络运算出当前的神经网络权值向量的2范数平方的估计值，神经网络的逼近结果表示成范数形式后，再送到控制律，由控制律生成控制量。

2.根据权利要求1所述的一种全桥逆变器的自适应动态面控制器，其特征在于它的控制量送到PWM调制器，再经驱动电路后用来控制全桥逆变器中开关管的通断，从而使得逆变器输出稳定的正弦交流电压波形。

3.根据权利要求1所述的一种全桥逆变器的自适应动态面控制器，其特征在于虚拟控制律和控制律运用动态面控制方法分别设计虚拟控制律和控制律，且虚拟控制律信号经一阶滤波器后与逆变器输出电压变化量构成误差信号，再作为第二个动态面信号，送到控制律，一阶滤波器的引入避免了对虚拟控制律信号反复求导，从而降低了自适应动态面控制器的复杂度。

4.根据权利要求1所述的一种全桥逆变器的自适应动态面控制器，其特征在于根据当前逆变器输出电压的采样信号以及逆变器输出电压变化量，采用径向基函数神经网络对动态方程中的未知系统函数进行逼近，径向基函数神经网络由径向基函数向量和权值向量两部分构成，设计径向基函数神经网络时，径向基函数选为高斯函数，根据系统控制精度和瞬态性能要求来选取神经网络节点数，再通过自适应律给出神经网络权值向量2范数平方的估计值的变化量。

5.根据权利要求1或4所述的一种全桥逆变器的自适应动态面控制器，其特征在于神经网络的权值向量通过自适应的方法得到，对神经网络权值向量2范数平方的估计值设计自适应律，而不是对神经网络权值向量直接设计自适应律。

6.根据权利要求1或2或3所述的一种全桥逆变器的自适应动态面控制器，其特征在于基于神经网络的自适应动态面控制器可将逆变器输出电压的采样信号作为唯一输入信号，控制器输出的控制量作为PWM调制器的调制信号。