CN109733242A - 电动汽车充电机的神经模糊稳定性控制系统及控制方法 - Google Patents

Abstract

本发明涉及电动汽车充电机的神经模糊稳定性控制系统及控制方法，与传统的全桥式DC‑DC变换电路相比，移相全桥ZVS DC‑DC变换技术在电路中加入了谐振电感和谐振电容元件，利用谐振电感和电容的谐振，使全桥电路的四个功率开关管工作在零电压开通和关断的软开关状态，从而解决高频开关功率损耗的问题，提高电能转化的效率。神经模糊PID控制技术将神经网络控制与模糊PID控制相结合，针对电路参数的波动具有较好的鲁棒性，同时能适应对象时变非线性的特点。通过采用这两种技术，可以减小电路输出电压的超调量与波动性，加快电路响应速率，抑制外部干扰，提高电路的稳定性。

Description

电动汽车充电机的神经模糊稳定性控制系统及控制方法

技术领域

本发明涉及提高电动汽车电池充电机在充电时电能转换效率及输出电压的稳定性，特别涉及一种电动汽车充电机的神经模糊稳定性控制系统及控制方法。

背景技术

在电动汽车发展的过程中，电动汽车电池组的供电能力极大地制约着电动汽车的发展，可以说电池的供电水平很大程度上决定了电动汽车的性能。寻求一种高效、稳定、快速、安全地向供电电池组进行充电的充电技术，对全方位提高电动汽车性能十分重要。通常采用的电动汽车电池充电技术是利用可控整流技术，如BUCK-BOOST电路、半桥/全桥直流变换电路、隔离式正/反激电路等，将整流后的电源电压进行DC-DC变换，得到电池组充电的额定电压对其进行充电。但是此类电路的谐波含量高，功率因数较低，充电过程中电能转换的效率和稳定性不高。充电机电能转换效率不高导致相当一部分的电能未能被充分利用；充电机输出的充电电压不稳定导致电池组充电电压不均匀，电池组长期处于这种充电环境下会提前报废，不利于延长电池的使用寿命，造成资源浪费。

发明内容

本发明解决的技术问题是：为了解决现有技术的缺陷，将移相全桥ZVS技术和神经模糊PID控制技术结合起来，用于电动汽车电池充电机的研制中，则能很好地解决这个问题。本发明将移相全桥ZVS DC-DC变换技术应用于电动汽车电池充电机的设计中，同时采用神经模糊PID控制技术对电路系统实现闭环控制，从而提高充电机的电能转换效率，稳定输出电压，加快电路系统响应速率，提高抗干扰能力。

本发明的技术方案是：电动汽车充电机的神经模糊稳定性控制系统，包括微分器1、神经模糊控制器2、PID控制器3和移相全桥ZVS DC-DC电路4；

所述微分器1、神经模糊控制器2、PID控制器3和移相全桥ZVS DC-DC电路4依次连接；

移相全桥ZVS DC-DC电路4向外部电池组充电，并实时将电路的输出电压值和初始设定的理想输出电压值进行比较产生二者的偏差值E，偏差值E经过微分器1处理后形成偏差变化率EC，E与EC会被输入到神经模糊控制器2；在E与EC发生变化时，神经模糊控制器2通过模糊控制规则产生三个增量控制信号ΔK_p、ΔK_i、ΔK_d，ΔK_p、ΔK_i、ΔK_d会对PID控制器3中三个控制参数K_p、K_i、K_d进行实时调整，其中K_p为PID控制器3中的比例因子，K_i为PID控制器3中的积分因子，K_d为PID控制器3中的微分因子；PID控制器控制移相全桥ZVS DC-DC电路4的输出电压，使得移相全桥ZVS DC-DC电路4的输出电压与理想输出电压值的偏差达到最小。

本发明的进一步技术方案是：电动汽车充电机的神经模糊稳定性控制系统的控制方法，包括以下步骤：

步骤一：设计模糊PID控制器，包括以下子步骤：

子步骤一：定义模糊输入变量、输出变量：将电路实际输出电压与理想输出电压间的偏差E以及偏差的变化率EC作为模糊控制器的输入量，模糊输出量为K_p、K_i、K_d的增量控制信号ΔK_p、ΔK_i、ΔK_d；

子步骤二：对输入量模糊化：采用7个语言变量来描述偏差E和偏差变化率EC，为别记为负大(NB)、负中(NM)、负小(NS)、零(Z)、正小(PS)、正中(PM)和正大(PB)，且选择trimf三角型隶属度函数作为偏差E和偏差变化率EC的隶属度函数。

子步骤三：对输出量解模糊化：采用7个语言变量NB、NM、NS、Z、PS、PM、PB来描述输出量ΔK_p、ΔK_i、ΔK_d，选择gaussmf高斯型和trimf三角型隶属度函数作为输出量的隶属度函数。

步骤二：设计模糊控制规则：其中定义|E|含义为：偏差E的绝对值；|EC|含义为：偏差变化率EC的绝对值；

当|E|为正大(PB)或负大(NB)时，表明实际输出与理想输出值间的偏差很大，则适当增大K_p且减小K_i；当|E|为正中(PM)或负中(NM)时，说明实际输出与理想输出值间的偏差为中等大小，进一步减小K_p，K_i的值不能太大也不能太小，一般取为0，同时增大Kd以获得好的动态特性；当|E|为正小(PS)或负小(NS)时，说明实际输出与理想输出值间的偏差较小，需要观察|EC|值，根据|EC|来调整Kd，当|EC|为正小(PS)或负小(NS)时，说明|EC|较小，此时要增大Kd，当|EC|为正大(PB)或负大(NB)，说明|EC|较大，此时要减小Kd。

步骤三：设计神经模糊PID控制器，包括以下子步骤：

子步骤一：模糊PID控制器在t时间内采集E、EC和ΔK_p、ΔK_i、ΔK_d六个参数的数据样本，且六个参数在一次时间内形成一组样本，在时间段t内共采集N组，其中t的时间范围为0～0.1秒，N为1000；

子步骤二：采用反向传播算法和最小二乘法的混合算法，利用神经网络控制的自学习功能来调整和优化模糊控制器中的模糊控制规则及模糊输入、输出量的隶属度函数，将模糊控制器设计中模糊输入量的模糊化、模糊控制规则的制定和模糊输出量的解模糊化全部用神经网络自学习来实现；

子步骤三：经过优化的模糊控制器对PID控制器的控制参数进行调整，再由PID控制器控制移向全桥ZVS DC-DC电路中MOS开关管的驱动PWM波，从而控制电路的输出电压。

发明效果

本发明的技术效果在于：本发明采用移相全桥ZVS DC-DC变换技术和神经模糊PID控制技术相结合的方式，将二者应用于电动汽车电池充电机的设计中，以提高充电机电能转换效率，稳定输出电压。与传统的全桥式DC-DC变换电路相比，移相全桥ZVS DC-DC变换技术在电路中加入了谐振电感和谐振电容元件，利用谐振电感和电容的谐振，使全桥电路的四个功率开关管工作在零电压开通和关断的软开关状态，从而解决高频开关功率损耗的问题，提高电能转化的效率。神经模糊PID控制技术将神经网络控制与模糊PID控制相结合，针对电路参数的波动具有较好的鲁棒性，同时能适应对象时变非线性的特点。通过采用这两种技术，可以减小电路输出电压的超调量与波动性，加快电路响应速率，抑制外部干扰，提高电路的稳定性。

参见说明书附图中图3移向全桥ZVS DC-DC电路模型处于开环与闭环状态时的仿真结果对比图，可以看出，与开环仿真相比较，无论是输出电压的稳定性，还是输出电压的超调量，神经模糊PID控制对于电路系统起到减小输出电压的超调量，稳定电路输出电压、加快系统响应速率的作用。

附图说明

图1是采用神经模糊PID控制策略的系统设计框图。

图2为模糊PID控制器设计流程。

图3为神经模糊PID控制器设计流程。

图4为移向全桥ZVS DC-DC电路采用神经模糊PID控制的闭环电路仿真图。

图5为移向全桥ZVS DC-DC电路模型处于开环与闭环状态时的仿真结果对比图。

具体实施方式

参见说明书附图中图1-图5，一种基于神经模糊PID控制的电动汽车电池充电机输出电压稳定控制技术，其特点是将移相全桥ZVS技术和神经模糊PID控制相结合应用于电动汽车电池充电机的设计中，以提高充电机电能转换效率，稳定充电电压。具体的实施步骤为：

步骤1，设计控制系统框图，如图1所示。具体实施方案由步骤2和步骤3完成。

步骤2，设计基于移相全桥ZVS DC-DC电路的模糊PID控制器。模糊PID控制器设计流程如图2所示。

模糊控制器实时采集电路的输出电压与理想输出电压相比较，将偏差E与偏差变化率EC输入模糊控制器，模糊控制器依据模糊控制规则产生PID控制器中K_p、K_i、K_d的增量控制信号ΔK_p、ΔK_i、ΔK_d，在E与EC发生变化时实时地对K_p、K_i、K_d进行修正，对PID控制器的参数进行实时调整。PID控制器通过控制移向全桥ZVS DC-DC电路中MOS开关管的驱动信号来控制电路的输出电压，从而减小输出电压与理想输出间的偏差，稳定输出电压输。

模糊PID控制器的设计流程共有4个步骤：

(1)确定模糊输入、输出变量

将电路实际输出电压与理想输出电压间的偏差E以及偏差的变化率EC作为模糊控制器的输入量，模糊输出量为Kp、Ki、Kd的增量ΔKp、ΔKi、ΔKd。

(2)输入量模糊化

采用7个语言变量来描述偏差E和偏差变化率EC，为别记为负大(NB)、负中(NM)、负小(NS)、零(Z)、正小(PS)、正中(PM)和正大(PB)，选择trimf三角型隶属度函数作为偏差E和偏差变化率EC的隶属度函数。

(3)输出量解模糊化

同输入量一样，采用7个语言变量NB、NM、NS、Z、PS、PM、PB来描述输出量ΔKp、ΔKi、ΔKd，选择gaussmf高斯型和trimf三角型隶属度函数作为输出量的隶属度函数。

(4)制定模糊控制规则

模糊控制规则的设定原则为：

当|E|较大时，实际输出与目标值相差较大，为了加快调节速度，迅速减小偏差，可以适当增大Kp，同时为了稳定系统，避免出现较大的超调，要减小Ki。

当|E|为中等大小时，此时主要任务是进一步减小超调量，稳定输出，因此进一步减小Kp，Ki要取适当的值，不能太大也不能太小，同时稍稍增大Kd以获得较好的动态特性。

当|E|的值较小时，此时主要目标是稳定输出，使系统有较好的稳定性能，故要增大Kp和Kd，同时为避免在设定值附近出现振荡，Kd取值要考虑偏差变化率EC，当|EC|较小时，要增大Kd，当|EC|较大时，减小Kd。

根据上述控制原则，建立E与EC对应于ΔKp、ΔKi、ΔKd的模糊控制规则如表1、2、3所示。

表1ΔKp模糊控制规则表

表2ΔKi模糊控制规则表

表3ΔKd模糊控制规则表

步骤3，基于电路的模糊PID控制器，设计电路的神经模糊PID控制器。神经模糊PID控制器的设计流程如图3所示。神经网络控制器通过对已有的数据样本进行训练(在t时间内模糊PID控制器采集的E、EC和ΔKp三个参数的数据样本，样本数量范围为1000组)，采用反向传播算法和最小二乘法的混合算法，利用神经网络控制的自学习功能来调整和优化模糊控制器中的模糊控制规则及模糊输入、输出量的隶属度函数，将模糊控制器设计中模糊输入量的模糊化、模糊控制规则的制定和模糊输出量的解模糊化全部用神经网络自学习来实现。经过优化的模糊控制器对PID控制器的控制参数进行调整，再由PID控制器控制移向全桥ZVS DC-DC电路中MOS开关管的驱动PWM波，从而控制电路的输出电压。当实际输出电压与理想输出电压间存在偏差E时，神经模糊PID控制系统就会根据E的变化，不断地减小E，直到E趋近于0，电路输出电压趋于理想输出并保持稳定。

步骤4，如图4所示，将设计好的神经模糊PID控制器应用到移向全桥ZVS DC-DC电路中，设计闭环控制系统。移向全桥ZVS DC-DC电路由逆变、整流两部分构成，逆变电路由四个Mosfet开关管、谐振电感L_r、以及变压器原边组成，逆变桥的四个开关管分别被具有移相功能的四路PWM波驱动；整流电路为全波整流，由变压器副边、两个整流二极管D1、D2以及LC滤波电路组成。

步骤5，将移相全桥ZVS DC-DC电路开环电路仿真结果与采用神经模糊PID控制后形成闭环系统的仿真结果进行对比。

在本实施案例中，电动汽车电池组充电时的额定电压为84V，因此充电机需要先将220V交流电整流成310V直流电。然后，再通过移相全桥ZVS DC-DC变换电路将310V电压转为84V为电池组充电。移相全桥ZVS DC-DC电路中元件的参数如表4所示。

表4电路中各器件参数

对电路进行开环与闭环仿真，结果如图5所示。可见电路在未经控制的开环状态下，输出电压的峰值为99.75V，超调量为18.75％，且输出电压一直在84V上下波动，未能稳定到84V；在神经模糊PID控制下，移向全桥ZVS DC-DC电路输出电压的最大值为88.12V，超调量为4.9％，在0.006s以后，输出电压基本稳定在理想输出84V。

可以看出，神经模糊PID控制对于电路系统起到了稳定输出、加快系统响应速率的作用。因此将移相全桥ZVS技术和模糊PID控制技术应用于电动汽车电池充电技术中，可以提高电路抗干扰性能、提高电动汽车充电过程的稳定性。

Claims (2)

1.电动汽车充电机的神经模糊稳定性控制系统，其特征在于，包括微分器(1)、神经模糊控制器(2)、PID控制器(3)和移相全桥ZVS DC-DC电路(4)；所述微分器(1)、神经模糊控制器(2)、PID控制器(3)和移相全桥ZVS DC-DC电路(4)依次连接；

移相全桥ZVS DC-DC电路(4)向外部电池组充电，并实时将电路的输出电压值和初始设定的理想输出电压值进行比较产生二者的偏差值E，偏差值E经过微分器(1)处理后形成偏差变化率EC，E与EC会被输入到神经模糊控制器(2)；在E与EC发生变化时，神经模糊控制器(2)通过模糊控制规则产生三个增量控制信号ΔK_p、ΔK_i、ΔK_d，ΔK_p、ΔK_i、ΔK_d会对PID控制器(3)中三个控制参数K_p、K_i、K_d进行实时调整，其中K_p为PID控制器(3)中的比例因子，K_i为PID控制器(3)中的积分因子，K_d为PID控制器(3)中的微分因子；PID控制器控制移相全桥ZVS DC-DC电路(4)的输出电压，使得移相全桥ZVS DC-DC电路(4)的输出电压与理想输出电压值的偏差达到最小。

2.基于权利要求1所述电动汽车充电机的神经模糊稳定性控制系统的控制方法，其特征在于，包括以下步骤：

步骤一：设计模糊PID控制器，包括以下子步骤：

子步骤一：定义模糊输入变量、输出变量：将电路实际输出电压与理想输出电压间的偏差E以及偏差的变化率EC作为模糊控制器的输入量，模糊输出量为K_p、K_i、K_d的增量控制信号ΔK_p、ΔK_i、ΔK_d；

子步骤二：对输入量模糊化：采用7个语言变量来描述偏差E和偏差变化率EC，为别记为负大(NB)、负中(NM)、负小(NS)、零(Z)、正小(PS)、正中(PM)和正大(PB)，且选择trimf三角型隶属度函数作为偏差E和偏差变化率EC的隶属度函数。

子步骤三：对输出量解模糊化：采用7个语言变量NB、NM、NS、Z、PS、PM、PB来描述输出量ΔK_p、ΔK_i、ΔK_d，选择gaussmf高斯型和trimf三角型隶属度函数作为输出量的隶属度函数。

步骤二：设计模糊控制规则：其中定义|E|含义为：偏差E的绝对值；|EC|含义为：偏差变化率EC的绝对值；

当|E|为正大(PB)或负大(NB)时，表明实际输出与理想输出值间的偏差很大，则适当增大K_p且减小K_i；当|E|为正中(PM)或负中(NM)时，说明实际输出与理想输出值间的偏差为中等大小，进一步减小K_p，K_i的值不能太大也不能太小，一般取为0，同时增大Kd以获得好的动态特性；当|E|为正小(PS)或负小(NS)时，说明实际输出与理想输出值间的偏差较小，需要观察|EC|值，根据|EC|来调整Kd，当|EC|为正小(PS)或负小(NS)时，说明|EC|较小，此时要增大Kd，当|EC|为正大(PB)或负大(NB)，说明|EC|较大，此时要减小Kd。

步骤三：设计神经模糊PID控制器，包括以下子步骤：

子步骤一：模糊PID控制器在t时间内采集E、EC和ΔK_p、ΔK_i、ΔK_d六个参数的数据样本，且六个参数在一次时间内形成一组样本，在时间段t内共采集N组，其中t的时间范围为0～0.1秒，N为1000；

子步骤二：采用反向传播算法和最小二乘法的混合算法，利用神经网络控制的自学习功能来调整和优化模糊控制器中的模糊控制规则及模糊输入、输出量的隶属度函数，将模糊控制器设计中模糊输入量的模糊化、模糊控制规则的制定和模糊输出量的解模糊化全部用神经网络自学习来实现；

子步骤三：经过优化的模糊控制器对PID控制器的控制参数进行调整，再由PID控制器控制移向全桥ZVS DC-DC电路中MOS开关管的驱动PWM波，从而控制电路的输出电压。