CN110048606A - 基于区间二型自适应模糊神经网络的dc-dc升压变换器动态滑模电压控制方法 - Google Patents

Abstract

基于区间二型自适应模糊神经网络的DC‑DC升压变换器动态滑模电压控制方法，涉及电力电子控制技术领域。本发明是为了解决现有技术中的DC‑DC升压变换器基于模糊神经网络的滑模控制缺乏对复杂不确定性的鲁棒性和模糊神经网络自主学习能力的问题。获取DC‑DC升压变换器的运行参数建立DC‑DC升压变换器的动态模型；采用含有动态滑模控制律的跟踪误差动态系统跟踪所述动态模型中的输出电压；根据跟踪误差动态系统设计滑模面得到动态等效控制律，根据动态等效控制律构建基于区间二型自适应模糊神经网络的动态滑模控制器；通过所述控制器控制动态滑模控制律，使跟踪误差动态系统中的输出电压等于期望电压。它用于控制输出电压。

Description

基于区间二型自适应模糊神经网络的DC-DC升压变换器动态 滑模电压控制方法

技术领域

本发明涉及基于区间二型自适应模糊神经网络的DC-DC升压变换器动态滑模电压控制方法，属于电力电子控制技术领域。

背景技术

直流-直流(DC-DC)升压变换器在电压调节技术中起着非常重要的作用，被广泛地应用于不间断电源、通信设备、直流电机驱动、电网和清洁能源系统等。在电力系统的适当位置设置DC-DC变换器，并进行合适的实时控制可以提高输电系统的极限传输功率能力，同时改善电力系统运行的技术特性、安全可靠性和经济性。目前，基于模糊控制、预测控制、滑模控制和自适应控制技术的控制算法是变换器电压控制的研究热点。模糊控制适用于非线性或不确定性系统；预测控制是处理具有系统约束的多变量系统控制的一种直观的方法，但其控制算法具有计算量大的弊端；自适应控制可以抵消系统参数的不确定性，使被控系统的稳态误差趋近于零，实现无误差跟踪；滑模控制对系统内部参数的摄动和外部干扰具有良好的强鲁棒性，适用于处理复杂不确定系统或受扰系统的控制，它的开关特性天然地适用于功率变换器系统的控制，是在DC-DC升压变换器控制中应用最广泛的一种方法，但其未经处理的高频抖震在频率很高时会发生系统失稳的可能。

针对变换器模型系统中的不确定性，基于二型模糊集合的二型模糊神经网络可以充分描述系统中由于参数变化、电源电压变化或者负载变化等引起的不确定性，并且允许控制系统出现参数摄动等实际不确定性，因此，基于二型模糊神经网络(T2FNN)的控制系统比现有一型模糊神经网络具有更广的适用性和更强的鲁棒性。传统的人工模糊神经网络(ArtFNN)通常采用固定的模型参数，由于实际系统中某些参数和变量的时变性，一些基于自适应参数的模糊神经网络在实际控制过程中表现出更优的控制性能。因此，基于滑模控制策略和自适应控制方法的电压调节技术受到了越来越多的研究者的青睐。

在现有的技术中，传统的电压控制方法常以静态工作点附近的小信号线性模型来构造控制器，但是在电源电压或者负载变化较大的场合，采用此类控制方法难以保证系统的控制性能；而且部分升压变换器具有非最小相位特性，导致由这些变换器构成的系统的闭环控制出现超调和动态响应慢等问题。尽管滑模控制被广泛地应用于电力电子系统中，但该类控制方法缺少对DC-DC变换器中不确定性的充分描述，甚至一些基于人工模糊神经网络的滑模控制缺乏自主学习能力，固定的模型参数弱化了其对外部扰动的鲁棒性，而影响系统鲁棒性的主要原因是系统参数摄动和外部扰动的不确定性。

发明内容

本发明是为了解决现有技术中的DC-DC升压变换器基于模糊神经网络的滑模控制缺乏对复杂不确定性的鲁棒性和模糊神经网络自主学习能力的问题。现提供基于区间二型自适应模糊神经网络的DC-DC升压变换器动态滑模电压控制方法。

基于区间二型自适应模糊神经网络的DC-DC升压变换器动态滑模电压控制方法，所述方法包括以下步骤：

所述方法包括以下步骤：

步骤一、获取DC-DC升压变换器的运行参数，根据该参数建立DC-DC升压变换器的动态模型；

步骤二、采用含有动态滑模控制律的跟踪误差动态系统跟踪所述动态模型中的输出电压；

步骤三、根据跟踪误差动态系统设计滑模面，得到动态等效控制律，根据动态等效控制律构建基于区间二型自适应模糊神经网络的动态滑模控制器；

步骤四、通过所述滑模控制器控制跟踪误差动态系统中的动态滑模控制律，使跟踪误差动态系统中的输出电压等于期望电压，实现对DC-DC升压变换器中输出电压的调节。

优选地，步骤一中，DC-DC升压变换器的动态模型表示为：

式中，为电感电流动态值，为电容器输出电压的动态值，V_o为电容器输出电压值，i_L为电感电流值，L为输入电感值，V_i为输入电压值，u为动态滑模控制律，C为输出电容器值，R为负载电阻值，ΔL、ΔC、ΔR和ΔV_i分别为L、C、R和V_i的扰动量。

优选地，跟踪误差动态系统表示为：

式中，e＝[e_i e_V]^T，e_V＝V_ref-V_o，i_ref和V_ref分别是期望电流和期望电压， 为期望电流的动态值，为期望电压的动态值，是逼近的矩阵变量，ΔB是逼近误差，Q是包含扰动参数的不确定项。

优选地，步骤三中，根据跟踪误差动态系统设计滑模面，根据滑模面得到动态等效控制律的具体过程为：

根据跟踪误差动态系统设计线性滑模面s：

s＝ge+h(u-v₀)＝ge+hv 公式3，

式中，g和h分别为给定的二维行向量和非零常数，

0≤u≤1，

对S求导，根据得到动态等效控制律

优选地，步骤三中，基于区间二型自适应模糊神经网络的动态滑模控制器为一般的动态滑模控制器、基于椭球型区间二型人工模糊神经网络的动态滑模控制器或者基于椭球型区间二型自适应模糊神经网络的动态滑模控制器。

优选地，一般的动态滑模控制器的获得过程为：

为实现快速的收敛性，引入趋近律

式中，h为已知正标量，||ΔB||·||x||·||u||+||Q||≤γ||x||＝h，h>0，ζ>0，0<τ<1为给定的控制器标量参数，sign(·)为符号函数；

根据公式4和公式5，得到一般的动态滑模控制器为：

优选地，基于椭球型区间二型人工模糊神经网络的动态滑模控制器表示为：

式中，q＝[q₁ q₂]^T，q₁和q₂分别表示动态电压和动态电流中的未知部分，g_k为给定的二维行向量， 为区间二型模糊神经网络降型层权值的下界构成的向量，为区间二型模糊神经网络降型层权值的上界构成的向量 为区间二型模糊神经网络规则层中不确定区域的下界函数构成的向量，为区间二型模糊神经网络规则层中不确定区域的上界函数构成的向量，δ_k为逼近误差，定义估计误差其中自适应律为：

表示对q_k的估计值，k_k为给定的自适应参数满足k_k>0，E_k为给定的正定且对称矩阵。

优选地，基于椭球型区间二型自适应模糊神经网络的动态滑模控制器，表示为：

采用梯度下降算法使用参数m_ij、v_ij和α_ij更新公式8中的参数q_k、h_k和g_k，从而获得新的控制器，作为基于椭球形区间二型自适应模糊神经网络的动态滑模控制器，

用ξ表示m_ij、v_ij和α_ij，则梯度下降算法的更新规则为：

式中，表示多个变量函数ξ(m_ij,v_ij,α_ij)的偏导数，

式中，m_L为区间二型模糊神经网络降型层的输出值下界，m_U为区间二型模糊神经网络降型层的输出值上界；h _i为区间二型模糊神经网络规则层的第i个规则中不确定区域的下界函数，为区间二型模糊神经网络规则层的第i个规则中不确定区域的上界函数；g _ij为区间二型模糊神经网络隶属函数层的第i个规则第j个前件变量的下界隶属函数，为区间二型模糊神经网络隶属函数层的第i个规则第j个前件变量的上界隶属函数；m_ij和v_ij分别表示隶属函数的中心和宽度，g _il为区间二型模糊神经网络隶属函数层的第i个规则第l个前件变量的下界隶属函数，为区间二型模糊神经网络隶属函数层的第i个规则第l个前件变量的上界隶属函数，h _l为区间二型模糊神经网络规则层的第l个规则中不确定区域的下界函数，为区间二型模糊神经网络规则层的第l个规则中不确定区域的上界函数，q_Li为区间二型模糊神经网络降型层第i个权值的下界，为区间二型模糊神经网络降型层第i个权值下界的估计值，q_Ui为区间二型模糊神经网络降型层第i个权值的上界，为区间二型模糊神经网络降型层第i个权值上界的估计值；

g _il和的更新规则为：

式中，z_i为区间二型模糊神经网络输入层第i个输入变量，z(t)＝[z₂ z₂ z₃]＝[i_LV_o u]^T，x(t)＝[i_L V_o]^T，α_ij为给定的隶属函数的参数，0<α_ij<1。

优选地，DC-DC升压变换器包括输入电压V_i、全控型开关S、续流二极管D、电感L、电容C和负载电阻R，

输入电压V_i的正极连接电感L的一端，电感L的另一端同时连接续流二极管D的正极和全控型开关S的一端，续流二极管D的负极同时连接电容C的一端和负载电阻R的一端，负载电阻R的另一端同时连接电容C的另一端、全控型开关S的另一端和输入电压V_i的负极，

采用脉冲宽度调制信号控制全控型开关S的开关状态。

本发明的有益效果为：

本发明方法提高了DC-DC升压变换器的输出电压精确调节和对复杂不确定性的强鲁棒性。本发明的控制技术由两部分构成：基于二型自适应模糊神经网络的补偿器，基于动态滑模控制律的占空比控制。采用椭球形隶属函数和梯度下降法设计的区间二型自适应模糊神经网络允许升压变换器中电源电压和负载等的不同变化以及电感和电容的参数摄动；动态滑模控制律用于升压变换器占空比的平滑控制和快速响应，由此实现输出电压的精确调节。系统(DC-DC升压变换器状态空间平均模型)仿真结果展示了本发明的控制方法在电源电压和负载等的不同变化下具有良好的鲁棒性和控制精度。

本发明考虑了DC-DC升压变换器电源电压、电容、负载电阻和电感等的参数扰动，给出了基于区间二型模糊神经网络的电压调节跟踪控制系统的一般表达式；采用椭球型隶属函数描述不确定性，基于梯度下降法设计了椭球型隶属函数的参数更新规则，实现模糊神经网络对系统摄动的鲁棒性；依据占空比、期望电压以及输出电压设计线性滑模面，很大程度上简化了滑模控制方法的设计过程；利用指数加幂次方逼近律，结合对不确定性的基于二型模糊神经网络的自适应补偿，设计了一种新的基于区间二型自适应模糊神经网络的动态滑模控制律，该控制律在电源电压等参数不同变化条件下实现了DC-DC升压变换器的精确控制和良好鲁棒性。总之，本发明的基于区间二型自适应模糊神经网络和动态滑模控制技术的占空比控制方法可以实现DC-DC升压变换器占空比的平滑控制和输出电压的快速精确调节。

附图说明

图1是本发明中的DC-DC升压变换器的拓扑结构图，图1(a)为开关S处于关断状态的DC-DC升压变换器的拓扑结构图，图1(b)为开关S处于接通状态DC-DC升压变换器的拓扑结构图；

图2是基于区间二型自适应模糊神经网络的动态滑模控制结构图；

图3是输入电压V_i的变化图；

图4是一组区间二型模糊神经网络上、下界隶属度函数，图4(a)为关于变量z₁隶属度函数的变化图，图4(b)为关于变量z₂隶属度函数的变化图；图4(c)为关于变量z₃隶属度函数的变化图；

图5是在情形一条件下动态滑模控制律(占空比)u和滑模面s分别在一般的动态滑模控制律、基于区间二型人工模糊神经网络的动态滑模控制律和基于区间二型自适应模糊神经网络的动态滑模控制律下的对比图，图5(a)为动态滑模控制律(占空比)u在三种控制下的对比图，图5(b)为滑模面s在三种控制律下的对比图；

图6是情形一条件下电容电压V_o在三种控制律下的对比图；

图7是情形一条件下电容电压V_o的跟踪误差在三种控制律下的对比图；

图8是情形一条件下电感电流i_L在三种控制律下的对比图；

图9是情形一条件下电感电流i_L的跟踪误差在三种控制律下的对比图；

图10是负载电阻R的变化图；

图11是情形二条件下占空比u和滑模面s分别在三种控制律下的对比图，图11(a)为占空比u在三种控制律下的对比图，图11(b)为滑模面s在三种控制律下的对比图；

图12是情形二条件下电容电压V_o在三种控制律下的对比图；

图13是情形二条件下电容电压V_o的跟踪误差在三种控制律下的对比图；

图14是情形二条件下电感电流i_L在三种控制律下的对比图；

图15是情形二条件下电感电流i_L的跟踪误差在三种控制律下的对比图；

图16是情形三条件下占空比u和滑模面s分别在三种控制律下的对比图，图16(a)为占空比u在三种控制律下的对比图，图16(b)为滑模面s在三种控制律下的对比图；

图17是情形三条件下电容电压V_o在三种控制律下的对比图；

图18是情形三条件下电容电压V_o的跟踪误差在三种控制律下的对比图；

图19是情形三条件下电感电流i_L在三种控制律下的对比图；

图20是情形三条件下电感电流i_L的跟踪误差在三种控制律下的对比图；

具体实施方式

下面将结合附图对本发明作进一步说明。

现有技术中的DC-DC升压变换器基于模糊神经网络的滑模控制缺乏对复杂不确定性的鲁棒性和模糊神经网络自主学习能力的问题。针对上述技术缺陷，本发明实施例提出了基于区间二型自适应模糊神经网络的DC-DC升压变换器动态滑模电压控制方法。

实施例一：

图1显示了实施例一中本发明中的DC-DC升压变换器的拓扑结构图。该拓扑结构中，为了获得高于输入电压V_i的直流电压V_o，本发明在变换器开关S前端插入一个电感L，在开关S关断时，利用电感线圈在其电流减小时所产生的反电势与电源电压串联相加送至负载电阻R，负载电阻就可获得高于输入电压V_i的直流电压V_o，图1在这一原理下，利用一个全控性开关S和一个续流二极管D加上电感、电容组成DC-DC升压变换器，系统参数如表1所示，DC-DC升压变换器电路的开关状态取决于设定的PWM信号值u_PWM：

表1

本实施例的方法包括以下步骤：

步骤一、DC-DC升压变换器动态模型的建立：考虑由参数扰动引起的不确定性，将状态空间平均方法应用于DC-DC升压变换器，则DC-DC升压变换器动态模型表示为：

式中，为电感电流动态值，为电容器输出电压的动态值，V_o为电容器输出电压值，i_L为电感电流值，L为输入电感值，V_i为输入电压值，u为动态滑模控制律，C为输出电容器值，R为负载电阻值，ΔL、ΔC、ΔR和ΔV_i分别为L、C、R和V_i的扰动量。

跟踪误差系统的动态表达式可表示为：

式中，e＝[e_i e_V]^T，e_i＝i_ref-i_L，e_V＝V_ref-V_o，i_ref和V_ref分别是期望电流和期望电压， 为期望电流的动态值，为期望电压的动态值，是逼近的矩阵变量，ΔB是逼近误差，Q是包含扰动参数的不确定项。

图2显示了实施例一中基于区间二型自适应模糊神经网络的动态滑模控制结构图，

步骤二、控制器设计：

步骤二一、确定控制目标：设计一种可行的占空比，即控制律u，首先根据误差e设计滑模面S，然后根据s构建动态滑模控制器在的作用下使得跟踪误差系统e→0。

步骤二二、设计滑模面：考虑占空比的实际取值情况，基于跟踪误差系统的动态表达式(2)，设计线性滑模面，即：

s＝ge+h(u-v₀)＝ge+hv 公式3，对s求导，根据得到动态的等效控制律

步骤二的内容是用于为控制跟踪误差动态系统中的动态滑模控制律，使跟踪误差动态系统中的输出电压等于期望电压，实现对DC-DC升压变换器中输出电压的调节。

步骤二中为了使电容器电压V_o快速精确地跟踪V_ref。首先，根据建立的跟踪误差动态系统(公式2)设计滑模面S，然后根据s构建动态滑模控制器在的作用下使得跟踪误差系统e→0。

步骤二中可以根据设计的PWM信号通过适当地操作开关来控制电路状态，以实现最小化输出电压的跟踪误差。此外，考虑系统中负载电阻和输入电压变化等不确定性，设计基于区间二型模糊神经网络的自适应律来补偿这些不确定性，进而用于动态滑模控制律中以实现DC-DC变换器的电容电压的鲁棒跟踪控制。

步骤三、控制器构建：通过设计三个不同的控制器(一般的动态滑模控制器、基于区间二型人工模糊神经网络的动态滑模控制器、基于区间二型自适应模糊神经网络的动态滑模控制器)来实现上述控制目标。

步骤三为了实现上述控制目标，分别提出三种控制律的设计方案：一般的动态滑模控制律、基于区间二型人工模糊神经网络的动态滑模控制律和基于区间二型自适应模糊神经网络的动态滑模控制律，并在仿真中进行对比这三种控制方法。下面将分别介绍这三种滑模控制器的详细设计方法。

控制方法A：一般的动态滑模控制器

考虑到占空比满足0≤u≤1且有关系式V_i＝V_o(1-u)，基于跟踪误差系统的动态表达式(2)，提出如下线性滑模面：

s＝ge+h(u-v₀)＝ge+hv 公式3，

式中，g和h分别为给定的二维行向量和非零常数， 由可得动态等效控制律：

为实现快速的收敛性，引入如下趋近律：

根据公式4和公式5，设计动态滑模控制器为：

该控制器需已知不确定项的界限||ΔB||·||x||·||u||+||Q||≤γ||x||＝h，η>0，ζ>0，0<τ<1为给定的控制器标量参数，sign(·)为符号函数；。此控制结构对应图2中的动态滑模控制。

控制方法B：基于区间二型人工模糊神经网络的动态滑模控制律

此方案考虑扰动参数界限未知的情况，采用椭球型区间二型模糊神经网络来描述不确定项。定义q＝[q₁ q₂]^T，用q₁和q₂表示动态电压、电流的未知部分，其中δ_k为逼近误差，定义估计误差

针对系统中不确定项，基于椭球型区间二型模糊神经网络(隶属函数采用椭球型隶属函数，如图4，设计如下动态滑模控制器：

其中自适应律为

根据测量值{i_L,V_o,u}和参考输入值{i_ref,V_ref}为所设计的控制律的输入，基于区间二型模糊神经网络的自适应动态滑模控制结构如图2中基于区间二型人工模糊神经网络的动态滑模控制所示，其中输出u是图1中变换器的期望占空比。

控制方法C：基于区间二型自适应模糊神经网络的动态滑模控制律

考虑到控制方法B中模糊神经网络的模型参数是固定的，为了改善该二型模糊神经网络的鲁棒性，我们通过设计自适应规则来更新隶属函数的参数m_ij、v_ij和α_ij。针对区间二型模糊神经网络中每个模糊规则中的参数m_ij、v_ij和α_ij，采用梯度下降算法实现其数值的更新。设计的梯度下降算法如下：

其中，ξ表示m_ij、v_ij或α_ij，e表示e_i或e_V，代表了变量ξ的函数∈的偏导，计算如下：

其中

另外，表2给出了g _il和的更新规则。

表2 g _il和的更新规则

式中，z_i为区间二型模糊神经网络输入层第i个输入变量，z(t)＝[z₂ z₂ z₃]＝[i_LV_o u]^T，x(t)＝[i_L V_o]^T，α_ij为给定的隶属函数的参数，0<α_ij<1。

给出本发明方法的仿真结果：

用仿真结果说明本发明的有效性，系统仿真主要参数如表3所示，为了方法的可行性与优越性，将以上三种控制方法进行比较分析。我们将分成三种情形进行讨论，情形一：针对输入电压变化的跟踪控制；情形二：针对负载电阻变化的跟踪控制；情形三：同时针对输入电压和负载电阻变化的跟踪控制。在三种情形下，仿真过程中均考虑了电感和电容的系统参数摄动。

情形一：

图3展示了输入电压V_i在48≤V_i≤60和60≤V_i≤72范围内的变化情况。图4刻画了隶属度函数g_ij(z_ij)。图5分别为三种控制方案下的占空比u和滑模面s的曲线图。图6展示了电容电压V_o的跟踪效果，在控制方法C的作用下跟踪速度最快，图7说明了在这种控制方法下电容电压的跟踪误差最小。电感电流的变化情况以及其跟踪误差情况分别在图8和图9中给出，从响应速度和稳定效果来看，控制方法C优于其它两种。

情形二：

图10为负载电阻R的分段变化图，图11描绘了占空比u和滑模面s的曲线图。电容电压V_o及其跟踪误差分别在图12和图13给出。图14和图15则介绍了电感电流及其跟踪误差的变化情况。显然，在负载电阻变化的情形下DC-DC升压变换器在这三种控制方法下具有良好的鲁棒跟踪控制性能。

情形三：

在电源电压和负载电阻同时变化的情形下，图16-图20分别展示了三种控制方案下的占空比u、滑模面s、电容电压V_o及其跟踪误差、电感电流以及它的跟踪误差变化情况。

从仿真结果能够看出，这三种控制方案对于DC-DC升压变换器的电压调节均是有效的；并且，根据三种情形的仿真结果，可以得出结论，即使在系统参数变化信息未知的情况下，本发明设计的基于区间二型自适应模糊神经网络的动态滑模控制方案也适合于无抖动的变换器电压调节。

表3

Claims (9)

1.基于区间二型自适应模糊神经网络的DC-DC升压变换器动态滑模电压控制方法，其特征在于，所述方法包括以下步骤：

步骤一、获取DC-DC升压变换器的运行参数，根据该参数建立DC-DC升压变换器的动态模型；

步骤二、采用含有动态滑模控制律的跟踪误差动态系统跟踪所述动态模型中的输出电压；

步骤三、根据跟踪误差动态系统设计滑模面，得到动态等效控制律，根据动态等效控制律构建基于区间二型自适应模糊神经网络的动态滑模控制器；

步骤四、通过所述滑模控制器控制跟踪误差动态系统中的动态滑模控制律，使跟踪误差动态系统中的输出电压等于期望电压，实现对DC-DC升压变换器中输出电压的调节。

2.根据权利要求1所述基于区间二型自适应模糊神经网络的DC-DC升压变换器动态滑模电压控制方法，其特征在于，步骤一中，DC-DC升压变换器的动态模型表示为：

式中，为电感电流动态值，为电容器输出电压的动态值，V_o为电容器输出电压值，i_L为电感电流值，L为输入电感值，V_i为输入电压值，u为动态滑模控制律，C为输出电容器值，R为负载电阻值，ΔL、ΔC、ΔR和ΔV_i分别为L、C、R和V_i的扰动量。

3.根据权利要求2所述基于区间二型自适应模糊神经网络的DC-DC升压变换器动态滑模电压控制方法，其特征在于，跟踪误差动态系统表示为：

式中，e＝[e_i e_V]^T，e_i＝i_ref-i_L，e_V＝V_ref-V_o，i_ref和V_ref分别是期望电流和期望电压， 为期望电流的动态值，为期望电压的动态值，是逼近的矩阵变量，ΔB是逼近误差，Q是包含扰动参数的不确定项。

4.根据权利要求3所述基于区间二型自适应模糊神经网络的DC-DC升压变换器动态滑模电压控制方法，其特征在于，步骤三中，根据跟踪误差动态系统设计滑模面，根据滑模面得到动态等效控制律的具体过程为：

根据跟踪误差动态系统设计线性滑模面s：

s＝ge+h(u-v₀)＝ge+hv 公式3，

式中，g＝[g₁ g₂]和h分别为给定的二维行向量和非零常数，

对s求导，根据得到动态等效控制律

式中，x＝[i_L V_o]^T。

5.根据权利要求4所述基于区间二型自适应模糊神经网络的DC-DC升压变换器动态滑模电压控制方法，其特征在于，步骤三中，基于区间二型自适应模糊神经网络的动态滑模控制器为一般的动态滑模控制器、基于椭球型区间二型人工模糊神经网络的动态滑模控制器或者基于椭球型区间二型自适应模糊神经网络的动态滑模控制器。

6.根据权利要求5所述基于区间二型自适应模糊神经网络的DC-DC升压变换器动态滑模电压控制方法，其特征在于，一般的动态滑模控制器的获得过程为：

为实现快速的收敛性，引入趋近律

式中，h为已知正标量，||ΔB||·||x||·||u||+||Q||≤γ||x||＝h，h>0，ζ>0，0<τ<1为给定的控制器标量参数，sign(·)为符号函数；

根据公式4和公式5，得到一般的动态滑模控制器为：

7.根据权利要求6所述基于区间二型自适应模糊神经网络的DC-DC升压变换器动态滑模电压控制方法，其特征在于，基于椭球型区间二型人工模糊神经网络的动态滑模控制器表示为：

式中，q＝[q₁ q₂]^T，q₁和q₂分别表示动态电压和动态电流中的未知部分，g_k为给定的二维行向量，g_k＝[g₁ g₂]， 为区间二型模糊神经网络降型层权值的下界构成的向量，为区间二型模糊神经网络降型层权值的上界构成的向量 为区间二型模糊神经网络规则层中不确定区域的下界函数构成的向量，为区间二型模糊神经网络规则层中不确定区域的上界函数构成的向量，δ_k为逼近误差，定义估计误差其中自适应律为：

表示对q_k的估计值，k_k为给定的自适应参数满足k_k>0，E_k为给定的正定且对称矩阵。

8.根据权利要求7所述基于区间二型自适应模糊神经网络的DC-DC升压变换器动态滑模电压控制方法，其特征在于，基于椭球型区间二型自适应模糊神经网络的动态滑模控制器，表示为：

采用梯度下降算法使用参数m_ij、v_ij和α_ij更新公式8中的参数q_k、h_k和g_k，从而获得新的控制器，作为基于椭球形区间二型自适应模糊神经网络的动态滑模控制器，

用ξ表示m_ij、v_ij和α_ij，则梯度下降算法的更新规则为：

式中， 表示多个变量函数ξ(m_ij,v_ij,α_ij)的偏导数，

式中，m_L为区间二型模糊神经网络降型层的输出值下界，m_U为区间二型模糊神经网络降型层的输出值上界；h _i为区间二型模糊神经网络规则层的第i个规则中不确定区域的下界函数，为区间二型模糊神经网络规则层的第i个规则中不确定区域的上界函数；g _ij为区间二型模糊神经网络隶属函数层的第i个规则第j个前件变量的下界隶属函数，为区间二型模糊神经网络隶属函数层的第i个规则第j个前件变量的上界隶属函数；m_ij和v_ij分别表示隶属函数的中心和宽度，g _il为区间二型模糊神经网络隶属函数层的第i个规则第l个前件变量的下界隶属函数，为区间二型模糊神经网络隶属函数层的第i个规则第l个前件变量的上界隶属函数，h _l为区间二型模糊神经网络规则层的第l个规则中不确定区域的下界函数，为区间二型模糊神经网络规则层的第l个规则中不确定区域的上界函数，q_Li为区间二型模糊神经网络降型层第i个权值的下界，为区间二型模糊神经网络降型层第i个权值下界的估计值，q_Ui为区间二型模糊神经网络降型层第i个权值的上界，为区间二型模糊神经网络降型层第i个权值上界的估计值；

g _il和的更新规则为：

式中，z_i为区间二型模糊神经网络输入层第i个输入变量，z＝[z₂ z₂ z₃]＝[i_L V_o u]^T，x＝[x₁ x₂]＝[i_L V_o]^T，α_ij为给定的隶属函数的参数，0<α_ij<1。

9.基于区间二型自适应模糊神经网络的DC-DC升压变换器动态滑模电压控制方法，其特征在于，DC-DC升压变换器包括输入电压V_i、全控型开关S、续流二极管D、电感L、电容C和负载电阻R，

输入电压V_i的正极连接电感L的一端，电感L的另一端同时连接续流二极管D的正极和全控型开关S的一端，续流二极管D的负极同时连接电容C的一端和负载电阻R的一端，负载电阻R的另一端同时连接电容C的另一端、全控型开关S的另一端和输入电压V_i的负极，

采用脉冲宽度调制信号控制全控型开关S的开关状态。