CN109962515B - 比例-支持向量机稳态估计超级电容充放电控制方法 - Google Patents

比例-支持向量机稳态估计超级电容充放电控制方法 Download PDF

Info

Publication number
CN109962515B
CN109962515B CN201910195742.7A CN201910195742A CN109962515B CN 109962515 B CN109962515 B CN 109962515B CN 201910195742 A CN201910195742 A CN 201910195742A CN 109962515 B CN109962515 B CN 109962515B
Authority
CN
China
Prior art keywords
support vector
vector machine
super capacitor
state
charging
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.)
Active
Application number
CN201910195742.7A
Other languages
English (en)
Other versions
CN109962515A (zh
Inventor
秦斌
王欣
秦羽新
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.)
Hunan University of Technology
Original Assignee
Hunan University of Technology
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 Hunan University of Technology filed Critical Hunan University of Technology
Priority to CN201910195742.7A priority Critical patent/CN109962515B/zh
Publication of CN109962515A publication Critical patent/CN109962515A/zh
Application granted granted Critical
Publication of CN109962515B publication Critical patent/CN109962515B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/007—Regulation of charging or discharging current or voltage
    • H02J7/0071—Regulation of charging or discharging current or voltage with a programmable schedule
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
    • H02J7/345—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering using capacitors as storage or buffering devices
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明针对超级电容充放电稳态控制滞后问题，提出了一种基于比例‑支持向量机稳态估计的超级电容充放电控制方法；首先通过支持向量机学习超级电容充放电在各状态下的PI控制器的稳态输出，然后采用训练后的支持向量机和比例控制器相结合的方法进行超级电容充放电控制；本发明可以改善传统PI超级电容充放电控制滞后的缺点,有利于超级电容充放电的快速稳定控制。

Description

比例-支持向量机稳态估计超级电容充放电控制方法
技术领域
本发明涉及的是一种一种超级电容充放电领域的控制方法，具体地说，涉及一种基于比例-支持向量学习机稳态估计的超级电容充放电控制方法。
背景技术
超级电容具有功率密度大、循环寿命长等优点，被广泛应用于交通运输车辆、新能源发电系统、工矿企业生产等领域的储能控制系统中。其储能单元的控制性能好坏一方面影响负载侧电能的使用，另一方面影响储能侧超级电容器的安全使用和寿命。
目前超级电容储能系统一般采用DC/DC变换器与直流网相连接，基于PI控制算法，采取电压外环控制与电流内环控制构成的双闭环控制策略。但因为系统中变换器开关通断导致的状态不连续性，使其具有非线性特性，且易受扰动影响，特别是通过积分控制达到消除稳态误差的过程较长，控制滞后效果不够理想。
发明内容
技术问题：本发明提供了一种基于比例-支持向量机(SVM)稳态估计的超级电容充放电控制方法，利用支持向量机稳态估计来给出超级电容充放电在不同情况下的充放电控制信号的稳态值，再与比例控制器结合在一起进行充放电控制，用于改善传统PI超级电容充放电控制滞后的缺点。
技术方案：为了克服上述问题，将比例控制器和支持向量机算法相结合，弥补传统方法的不足，使得系统响应快、控制精度高，具有良好的动态品质，保证超级电容充放电控制正常、高效和可靠地运行。
本发明提出的基于比例-支持向量机稳态估计的超级电容充放电控制方法，其特征在于该超级电容充放电控制系统采用支持向量机来给出传统PI充放电电流控制器的稳态控制值，控制过程分为两阶段，阶段实现如下：
阶段1：先采用传统的PI控制器进行超级电容充放电电流控制，采集在不同启动状态时超级电容充放电状态数据
Figure BDA0001995774530000011
包括充(放)电流给定IL *、充(放)电流IL、电荷状态Soc、超级电容电压Usc等，以及各状态对应的PI控制器的稳态输出值yi，用支持向量机来拟合出各状态与该状态下的PI控制器稳态输出值的关系。设学习样本为
Figure BDA0001995774530000012
SVM回归通过非线性映射Φ将数据映射到高维特征空间，再在高维特征空间进行线性回归，SVM回归可表示为：
f(x)＝(w·Φ(x))+b (1)
其中系数w∈Rn，偏置b∈R。SVM最小化模型的结构风险，即：
Figure BDA0001995774530000021
约束条件：
Figure BDA0001995774530000022
这里ξi和
Figure BDA0001995774530000023
为松弛变量，C为惩罚系数，ε用于定义ε线性不敏感损失函数：
Lε(x,y,f)＝|y-f(x)|ε＝max(0,|y-f(x)|-ε) (4)
方程(2)通过对偶形式的Lagrange多项式，可转化为：
Figure BDA0001995774530000024
约束条件：
Figure BDA0001995774530000025
其中
Figure BDA0001995774530000026
αi为Lagrange乘子，K(xi,xj)为满足Mercer条件的核函数，可采用多种核函数如：
径向基核函数：K(x,xi)＝exp(-|x-xi|2/σ2)。其中σ为径向基宽度
多项式核函数：K(x,xi)＝(xTxi+1)u(u∈N)，u为指数
Sigmoid函数：K(x,xi)＝tanh(a(xTxi)+c)(a,c∈R)，a，c为参数
由于SVM的稀疏性，二次规划(5)的解中只有少量样本的系数
Figure BDA0001995774530000027
不为0，系数
Figure BDA0001995774530000028
不为0所对应的样本(xi,yi)就是支持向量(support vector)。设支持向量个数为g，从而由支持向量得到SVM回归：
Figure BDA0001995774530000029
将采集的数据中的70％作为训练样本，剩余30％作为测试样本，将电流环给定和系统状态xi作为支持向量机的输入，各初始状态所对应的PI控制器稳态输出值yi作为支持向量机的输出，通过求解，可以得到以各启动状态作为输入，以PI控制器稳态值为输出的支持向量机模型，具体步骤如下：
Step1采集实际运行数据，将xi和yi进行归一化处理；
Step2采用Vapnik算法进行训练，通过网格优化法对不同模型参数(惩罚系数C、松弛变量ξ和核函数参数)对支持向量机进行学习和交叉验证测试，分别得到最佳支持向量机模型；
阶段2：将训练好的支持向量机用于超级电容充放电电流控制，充放电状态信号作为支持向量机的输入，支持向量机的输出即作为P控制器稳态值输出。为加快超级电容充放电由暂态到稳态的过程，将给定充放电电流I*L与实际电流IL相减，经比例控制器控制器，输出信号UIP再与支持向量机的输出UIW相叠加，叠加后的控制信号UI经限幅后对PWM进行控制，实现超级电容充放电快速稳定控制,具体如下：
Figure BDA0001995774530000031
Figure BDA0001995774530000032
UI＝UIP+UIW (10)
Figure BDA0001995774530000033
其中Umax和Umin分别为输出的最大和最小限幅值。
附图说明
图1为基于比例-支持向量机稳态估计的超级电容充放电控制系统结构图
具体实施方式：以某城轨超级电容充放电控制系统为例，其工作的充(放)额定电流为400A，训练时选取给定电流数据
Figure BDA0001995774530000034
为0A、5A、10A、15A、20A、…、400A，Soc、Usc等不同状态，选取相应的输入状态
Figure BDA0001995774530000035
和所对应的PI控制器稳态输出值yi，将xi和yi作为支持向量机的训练数据，共810组数据，随机选择其中的570组作为训练数据，剩余的240组数据作为测试数据。选用RBF核函数，用支持向量机来拟合出各初始状态与该状态下的PI控制器稳态输出值的关系。
通过优化求解，可以得到以给定充放电电流等状态xi为输入，以PI控制器稳态值UIw＝yi为输出的支持向量机模型。
具体步骤如下：
Step1采集实际运行数据，将xi和yi进行归一化处理；
Step2采用Vapnik算法进行训练，通过网格优化法对不同模型参数(惩罚系数C、松弛变量ξ和核函数参数)对支持向量机进行学习和交叉验证测试，分别得到最佳支持向量机模型；
阶段2：将训练好的支持向量机用于超级电容充放电控制，电流给定和电流反馈作为支持向量机的输入，支持向量机的输出UIW即为控制器稳态值输出。为加快冲放电由暂态到稳态的过程，将给定充放电电流I*L与实际电流IL相减，经比例控制器，输出信号UIP再与支持向量机的输出UIW相叠加，叠加后的控制信号UI经限幅后对PWM进行控制，实现超级电容充放电快速稳定控制,具体如下：
Figure BDA0001995774530000041
Figure BDA0001995774530000042
UI＝UIP+UIW (14)
Figure BDA0001995774530000043
上述具体实现只是本发明的较佳实现而已，当然，本发明还可有其他多种实施例，在不背离本发明精神及其本质的情况下，熟悉本领域的技术人员当可根据本发明作为各种相应的改变和变形，但这些相应的改变和变形都应属于本发明的权利要求的保护范围。

Claims (1)

1.一种比例-支持向量机(SVM)稳态估计超级电容充放电控制方法，其特征在于该超级电容充放电控制系统采用比例P控制加上支持向量机给出的稳态控制值，控制过程分为两阶段，阶段实现如下：
阶段1：先采用传统的PI控制器进行超级电容充放电电流控制，采集在不同启动状态时超级电容充放电状态数据
Figure FDA0001995774520000011
包括充(放)电流给定IL *、充(放)电流IL、电荷状态Soc、超级电容电压Usc等，以及各状态对应的PI控制器的稳态输出值yi，用支持向量机来拟合出各状态与该状态下的PI控制器稳态输出值的关系； 设学习样本为
Figure FDA0001995774520000012
SVM回归通过非线性映射Φ将数据映射到高维特征空间，再在高维特征空间进行线性回归，SVM回归可表示为：
f(x)＝(w·Φ(x))+b (1)
其中系数w∈Rn，偏置b∈R； SVM最小化模型的结构风险，即：
Figure FDA0001995774520000013
约束条件：yi-f(xi)≤ε+ξi，
Figure FDA0001995774520000014
这里ξi和
Figure FDA0001995774520000015
为松弛变量，C为惩罚系数，ε用于定义ε线性不敏感损失函数：
Lε(x,y,f)＝|y-f(x)|ε＝max(0,|y-f(x)|-ε) (4)
方程(2)通过对偶形式的Lagrange多项式，可转化为：
Figure FDA0001995774520000016
约束条件：
Figure FDA0001995774520000017
其中
Figure FDA0001995774520000018
αi为Lagrange乘子，K(xi,xj)为满足Mercer条件的核函数，可采用多种核函数如：
径向基核函数：K(x,xi)＝exp(-|x-xi|2/σ2)； 其中σ为径向基宽度
多项式核函数：K(x,xi)＝(xTxi+1)u(u∈N)，u为指数
Sigmoid函数：K(x,xi)＝tanh(a(xTxi)+c)(a,c∈R)，a，c为参数
由于SVM的稀疏性，二次规划(5)的解中只有少量样本的系数
Figure FDA0001995774520000019
不为0，系数
Figure FDA0001995774520000021
不为0所对应的样本(xi,yi)就是支持向量(support vector)； 设支持向量个数为g，从而由支持向量得到SVM回归：
Figure FDA0001995774520000022
将采集的数据中的70％作为训练样本，剩余30％作为测试样本，将电流环给定和系统状态xi作为支持向量机的输入，各初始状态所对应的PI控制器稳态输出值yi作为支持向量机的输出，通过求解，可以得到以各启动状态作为输入，以PI控制器稳态值为输出的支持向量机模型，具体步骤如下：
Step1采集实际运行数据，将xi和yi进行归一化处理；
Step2采用Vapnik算法进行训练，通过网格优化法对不同模型参数(惩罚系数C、松弛变量ξ和核函数参数)对支持向量机进行学习和交叉验证测试，分别得到最佳支持向量机模型；
阶段2：为加快超级电容充放电由暂态到稳态的过程，将训练好的支持向量机用于超级电容充放电电流控制，充放电状态信号作为支持向量机的输入，支持向量机的输出即作为P控制器稳态值输出，既将给定充放电电流I*L与实际电流IL相减，经比例控制器控制器，输出信号UIP再与支持向量机的输出UIW相叠加，叠加后的控制信号UI经限幅后对PWM进行控制，实现超级电容充放电快速稳定控制：
Figure FDA0001995774520000023
Figure FDA0001995774520000024
UI＝UIP+UIW (10)
Figure FDA0001995774520000025
其中Umax和Umin分别为输出的最大和最小限幅值。
CN201910195742.7A 2019-03-15 2019-03-15 比例-支持向量机稳态估计超级电容充放电控制方法 Active CN109962515B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910195742.7A CN109962515B (zh) 2019-03-15 2019-03-15 比例-支持向量机稳态估计超级电容充放电控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910195742.7A CN109962515B (zh) 2019-03-15 2019-03-15 比例-支持向量机稳态估计超级电容充放电控制方法

Publications (2)

Publication Number Publication Date
CN109962515A CN109962515A (zh) 2019-07-02
CN109962515B true CN109962515B (zh) 2023-01-10

Family

ID=67024444

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910195742.7A Active CN109962515B (zh) 2019-03-15 2019-03-15 比例-支持向量机稳态估计超级电容充放电控制方法

Country Status (1)

Country Link
CN (1) CN109962515B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110412865B (zh) * 2019-09-02 2022-11-08 湖南工业大学 Pid-lssvm稳态估计污水溶解氧控制方法
CN110412878B (zh) * 2019-09-02 2022-12-02 湖南工业大学 Pid-rbf稳态估计与lssvm软测量污水bod控制方法
CN110407268A (zh) * 2019-09-02 2019-11-05 湖南工业大学 基于pd-lssvm稳态估计的污水cod控制方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446940A (zh) * 2016-09-13 2017-02-22 大连理工大学 一种基于支持向量机的超级电容器电容值退化趋势的预测方法
CN106772065A (zh) * 2016-11-25 2017-05-31 国电南瑞科技股份有限公司 基于最小二乘支持向量机的微电网储能soc估算方法和系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6753272B2 (ja) * 2016-11-02 2020-09-09 富士通株式会社 電源装置及び放充電制御方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446940A (zh) * 2016-09-13 2017-02-22 大连理工大学 一种基于支持向量机的超级电容器电容值退化趋势的预测方法
CN106772065A (zh) * 2016-11-25 2017-05-31 国电南瑞科技股份有限公司 基于最小二乘支持向量机的微电网储能soc估算方法和系统

Also Published As

Publication number Publication date
CN109962515A (zh) 2019-07-02

Similar Documents

Publication Publication Date Title
CN109962515B (zh) 比例-支持向量机稳态估计超级电容充放电控制方法
Lü et al. Extension control strategy of a single converter for hybrid PEMFC/battery power source
Sedghi et al. Voltage and frequency control of an islanded microgrid through robust control method and fuzzy droop technique
Liu et al. SOC estimation based on data driven exteaded Kalman filter algorithm for power battery of electric vehicle and plug-in electric vehicle
Ehsani et al. Comparisons between generalized predictive control and linear controllers in multi-input DC-DC boost converter
CN110597052A (zh) 面向快速动态响应的燃料电池空气供给控制器及控制方法
Rakhtala et al. Application of PEM fuel cell for stand-alone based on a fuzzy PID control
Hamida et al. Fuzzy logic cyclic reports modulation control for a five-Cell inverter
KR101494081B1 (ko) 퍼지 알고리즘을 이용한 배터리 전압 밸런싱 장치
Behih et al. Backstepping terminal sliding mode MPPT controller for photovoltaic systems
Sikkabut et al. Comparative study of control approaches of Li-Ion battery/supercapacitor storage devices for fuel cell power plant
CN110957750A (zh) 一种基于自抗扰控制方法的光伏储能系统控制策略
CN115473440A (zh) 面向双有源桥dcdc变换器的模型预测控制方法及系统
CN112615546B (zh) Llc谐振变换器高性能控制方法及系统
Hong et al. A model-free control strategy for battery energy storage with an application to power accommodation
Hamida et al. Control of three-cell inverter with a fuzzy logic-feedback linearization strategy to reduce the harmonic content of the output current
CN115051366A (zh) 一种基于粒子群算法的谐波电流抑制参数组寻优方法
Alfergani et al. Performance Evaluation of DC-DC Buck Converter with Voltage Control Loop Using Genetic Algorithm with Different Objective Functions
Lee et al. Control techniques for power converters in photovoltaic hybrid energy storage system
Boubzizi et al. Cascaded Adaptive Super Twisting controller for DC/DC converters in electrical vehicle applications
Naresh et al. GA based tuning of PI controller
Said et al. Sliding mode control for a multicell converters
CN113162063A (zh) 一种抑制超低频振荡的多直流协调控制器设计方法
Janggi et al. Artificial neural network controller for single-phase active power filter
Li et al. Coordinated control strategy of wind/battery energy storage system hybrid power output based on adaptive dynamic programming

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant