CN114167724B - 一种基于黑箱模型的双控制器分权控制方法 - Google Patents
一种基于黑箱模型的双控制器分权控制方法 Download PDFInfo
- Publication number
- CN114167724B CN114167724B CN202111442313.9A CN202111442313A CN114167724B CN 114167724 B CN114167724 B CN 114167724B CN 202111442313 A CN202111442313 A CN 202111442313A CN 114167724 B CN114167724 B CN 114167724B
- Authority
- CN
- China
- Prior art keywords
- charger system
- control
- output
- black box
- controller
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 230000004044 response Effects 0.000 abstract description 9
- 238000004260 weight control Methods 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000002411 adverse Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/30—Reducing waste in manufacturing processes; Calculations of released waste quantities
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
一种基于黑箱模型的双控制器分权控制方法，通过大数据学习越来越接近充电机系统的非线性，用来预测工况，既能减少PID控制器的超调量，又能提高神经网络PID控制器的响应速度，同时，又能减少动态和稳态误差，该发明中的加权控制能够减少单PID参数整定的工作强度，减少人力物力和工时的浪费。
Description
技术领域
本发明属于轨道交通充电机技术领域，尤其是涉及一种基于黑箱模型的双控制器分权控制方法。
背景技术
在轨道交通行业，不同主电路拓扑结构的充电机系统控制中，工况复杂多变，非线性特质明显，需要花费大量的时间根据个人经验来调整PID控制器的参数，浪费大量的人力物力。而且传统的PID对外界环境改变或干扰下的跳变信号动态响应差，是一个快速性与超调量同时存在的一个矛盾体。
发明内容
针对上述背景技术存在的问题，本发明的目的是提供一种基于黑箱模型的双控制器分权控制方法，以提高不同拓扑结构充电机控制参数整定的快速性，节约人力物力；提高充电机系统在复杂环境下的动态响应性能。
为实现上述发明目的，本发明提供一种基于黑箱模型的双控制器分权控制方法，其特征在于包括下列步骤：
1、通过在线或离线自学习功能，完成优化和拟合充电机系统的非线性进行预测输出，根据充电机系统通过传感器记录并保存工况特征参数、控制特征参数、环境特征参数的历史大数据进行“有导师”的监督学习，通过不断的循环迭代逐步逼近被控系统的非线性，并根据当前实时输入来预测下一周期或若干周期的充电机系统输出，进行超前调节；
2、使用模糊数学中的综合评价思想，根据第1步的输出，通过评判控制效果优劣的参数组成的因素集来进行综合评价，达到充电机系统实时的分配PID控制器和神经网络PID控制器的权重进行控制；
3、根据第1步的输出经过第2步的计算来判断充电机系统是处在稳态允许中还是运行在突变的工况中，控制器会根据充电机系统的实时反馈进行权重分配后的加权控制。
本发明相对于背景技术具有的优点和进步：
本发明随着历史大数据的逐步积累，黑箱模型更加贴近实际的非线性系统，在当前数据的激励下预测下一周期的系统状态，提前对充电机系统变化做出响应进行预调整。控制器根据权重分配模块来调整当前状态下的控制策略，既能保障充电机系统的可靠运行，同时又能减少超调量，提高响应速度。
双控制器可以减轻单PID参数整定的工作强度，减少人力物力浪费，节约大量调试时间。
附图说明
图1基于黑箱模型的双控制器分权控制方法的充电机系统控制逻辑示意图。
具体实施方式
参照图1，本发明基于黑箱模型的双控制器分权控制方法在充电机系统中应用时，有两个外部输入源，一个为给定的系统参考输入即给定参考电压输入，让充电机系统实时保持在给定预期的电压值允许范围内，另一个为充电机系统自带传感器进行实时的数据采集和存储的历史数据，包括母线电流、母线电压、蓄电池电压、蓄电池充放电电流、蓄电池电流百分比、环境温度。
本方法在控制过程中主要进行三步计算：
第一步：黑箱模型预测计算，实时和历史数据直接作为神经网络黑箱预测模型的训练集使用，神经网络经过海量大数据进行有“监督”的学习，充分拟合充电机系统在各种工况下的非线性特征，不断学习、迭代、优化后的神经网络结构根据给定参考电压，和传感器实时数据来拟合预测下一个或若干个控制周期后的充电机系统输出，主要也是为了判断接下来充电机系统会根据当前的工况会有怎样的反应，将该预测输出作为第二步权重分配计算的输入量使用。
第二步：权重分配计算，主要借鉴了模糊数学理论中的综合评价法，完成双控制器的权重分配功能，在充电机系统控制中，选取充电机系统的被控响应时间、超调量、动态误差、稳态误差作为综合评价法的因素集，根据实际情况的多层评价权重向量来选择单层评价或多层评价，若是多层评价的话，可以统计出不同人群对因集中的评价因素重要程度，最后结合黑箱模型拟合预测的输出值进行综合评价计算，从而得到不同控制器在黑箱模型预测到的充电机系统工作状态下的控制权重值，将该权重值作为第三步计算的输入值。
第三步：加权控制量输出计算，本方法在充电机系统控制中选择了传统PID控制器和神经网络PID控制器两种控制方式，根据给定参考电压和充电机系统实际输出反馈进行调节，例如黑箱预测到系统下一个或若干个控制周期的工况下需要较小的超调量，来保证充电机系统运行的稳定，尽量减小即将到来的网压波动或电流冲击等不利因素，那么权重分配计算会根据黑箱模型在当前工况预测到的充电机输出值来进行综合评价计算，得出两个具体权重值，分别分配较大的权重值给神经网络PID控制，并分配较小的权重值给传统PID控制，两个控制的输出量经过一大一小的权重加权，得出最终的控制量，最后将此控制量传给充电机系统做超前控制。所以，经过权重分配计算出的权重值，对两种控制器输出进行加权控制，保证充电机系统在运行期间可以预见性的快速、稳定地应对工况突变，其中，传统PID主要强调充电机系统在控制响应上的快速性，神经网络PID主要侧重于减小充电机系统的超调量，兼顾充电机系统在各种工况下的响应时间、超调量、动态误差、稳态误差，最后将控制模块的控制量输出至充电机系统中。
最后，充电机系统根据控制器的加权控制量进行实时响应来应对未来工况的变化，并将实时的反馈量反馈至黑箱预测和控制器模块中，完成控制方法闭环。
本方法中黑箱模型通过大数据学习越来越接近充电机系统的非线性，用来预测工况，既能减少PID控制器的超调量，又能提高神经网络PID控制器的响应速度，同时，充电机系统在运行时又能减少动态和稳态误差，该发明中的加权控制能够减少单PID参数整定的工作强度，减少人力物力和工时的浪费。
Claims (1)
1.一种基于黑箱模型的双控制器分权控制方法，其特征在于包括下列步骤：
1)通过在线或离线自学习功能，完成优化和拟合充电机系统的非线性进行预测输出，根据充电机系统通过传感器记录并保存工况特征参数、控制特征参数、环境特征参数的历史大数据进行“有导师”的监督学习，通过不断的循环迭代逐步逼近充电机系统的非线性，并根据当前实时输入来预测下一周期或若干周期的充电机系统输出，进行超前调节；
2)使用模糊数学中的综合评价思想，根据第1)步的输出，通过评判控制效果优劣的参数组成的因素集来进行综合评价计算出两种控制器的控制量权重，达到充电机系统实时的分配PID控制器和神经网络PID控制器的权重进行控制；
3)根据第1)步的输出来预测充电机系统处在稳态允许中还是运行在突变的工况中，再经过第2)步的权重计算值和充电机系统的实时反馈，将适合该工况下的权重分配给两个控制器，再将两个控制器输出的控制量进行加权和处理，得到最终控制量进行系统控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111442313.9A CN114167724B (zh) | 2021-11-30 | 2021-11-30 | 一种基于黑箱模型的双控制器分权控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111442313.9A CN114167724B (zh) | 2021-11-30 | 2021-11-30 | 一种基于黑箱模型的双控制器分权控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114167724A CN114167724A (zh) | 2022-03-11 |
| CN114167724B true CN114167724B (zh) | 2023-10-27 |
Family
ID=80481679
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111442313.9A Active CN114167724B (zh) | 2021-11-30 | 2021-11-30 | 一种基于黑箱模型的双控制器分权控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114167724B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108958020A (zh) * | 2018-05-29 | 2018-12-07 | 南京理工大学 | 一种基于rbf神经网络动态预测pid的温度控制方法 |
| CN110768278A (zh) * | 2019-11-07 | 2020-02-07 | 云南电网有限责任公司电力科学研究院 | 一种调整直流充电机三相不平衡的分配方法 |
| CN111441858A (zh) * | 2019-01-17 | 2020-07-24 | 福特全球技术公司 | 用于车辆中的热管理的方法和系统 |
| CN111624872A (zh) * | 2020-02-20 | 2020-09-04 | 北京仿真中心 | 一种基于自适应动态规划的pid控制器参数整定方法及系统 |
| CN111823252A (zh) * | 2020-07-10 | 2020-10-27 | 上海迪勤智能科技有限公司 | 一种智能机器人系统 |
| JP2020198673A (ja) * | 2019-05-31 | 2020-12-10 | 有限会社オーエイチケー研究所 | バッテリー充電／再生システム及び、その制御方法 |
| CN112224083A (zh) * | 2020-09-28 | 2021-01-15 | 香港生产力促进局 | 基于物联网的电动汽车充电方法及装置 |
| CN112550012A (zh) * | 2021-01-29 | 2021-03-26 | 南京工业大学 | 带有自动倒车定位功能的电动车无线充电系统及方法 |
| CN113294363A (zh) * | 2021-05-21 | 2021-08-24 | 陕西绿能电子科技有限公司 | 一种充电机的散热风机转速控制方法、控制系统和充电机 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3639343A4 (en) * | 2017-05-16 | 2020-12-09 | Bayerische Motoren Werke Aktiengesellschaft | APPARATUS AND METHOD FOR INTELLIGENT CHARGING PLANNING FOR ELECTRIC VEHICLES |
| US20240177536A9 (en) * | 2018-09-30 | 2024-05-30 | Strong Force Tp Portfolio 2022, Llc | Intelligent transportation systems including digital twin interface for a passenger vehicle |
-
2021
- 2021-11-30 CN CN202111442313.9A patent/CN114167724B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108958020A (zh) * | 2018-05-29 | 2018-12-07 | 南京理工大学 | 一种基于rbf神经网络动态预测pid的温度控制方法 |
| CN111441858A (zh) * | 2019-01-17 | 2020-07-24 | 福特全球技术公司 | 用于车辆中的热管理的方法和系统 |
| JP2020198673A (ja) * | 2019-05-31 | 2020-12-10 | 有限会社オーエイチケー研究所 | バッテリー充電／再生システム及び、その制御方法 |
| CN110768278A (zh) * | 2019-11-07 | 2020-02-07 | 云南电网有限责任公司电力科学研究院 | 一种调整直流充电机三相不平衡的分配方法 |
| CN111624872A (zh) * | 2020-02-20 | 2020-09-04 | 北京仿真中心 | 一种基于自适应动态规划的pid控制器参数整定方法及系统 |
| CN111823252A (zh) * | 2020-07-10 | 2020-10-27 | 上海迪勤智能科技有限公司 | 一种智能机器人系统 |
| CN112224083A (zh) * | 2020-09-28 | 2021-01-15 | 香港生产力促进局 | 基于物联网的电动汽车充电方法及装置 |
| CN112550012A (zh) * | 2021-01-29 | 2021-03-26 | 南京工业大学 | 带有自动倒车定位功能的电动车无线充电系统及方法 |
| CN113294363A (zh) * | 2021-05-21 | 2021-08-24 | 陕西绿能电子科技有限公司 | 一种充电机的散热风机转速控制方法、控制系统和充电机 |
Non-Patent Citations (2)
| Title |
|---|
| 基于模糊PID软切换控制的列车自动驾驶系统调速制动;董海荣等;《控制与决策》;第第25卷卷(第第5期期);第794-800页 * |
| 电动汽车充电机控制系统建模与滑模变结构控制;李斌等;《电机与控制学报》;第第 22 卷卷(第第 2 期期);第64-70页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114167724A (zh) | 2022-03-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110429652B (zh) | 一种可拓展深宽度自适应动态规划的智能发电控制方法 | |
| Aravindh et al. | Design of observer-based non-fragile load frequency control for power systems with electric vehicles | |
| WO2024022194A1 (zh) | 电网实时调度优化方法、系统、计算机设备及存储介质 | |
| CN111555297B (zh) | 一种具有三态能源单元的统一时间尺度电压控制方法 | |
| WO2023070293A1 (zh) | 一种工业副产煤气系统长期调度方法 | |
| CN114336673A (zh) | 一种基于模型预测控制的风储联合电站一次调频控制策略 | |
| Yin et al. | Hybrid multi-agent emotional deep Q network for generation control of multi-area integrated energy systems | |
| CN115936060A (zh) | 一种基于深度确定性策略梯度的变电站电容温度预警方法 | |
| Yin et al. | Expandable deep width learning for voltage control of three-state energy model based smart grids containing flexible energy sources | |
| CN114167724B (zh) | 一种基于黑箱模型的双控制器分权控制方法 | |
| CN111799820B (zh) | 一种电力系统双层智能混合零星云储能对抗调控方法 | |
| CN111478344A (zh) | 一种能源微网负荷频率控制方法、系统及相关产品 | |
| CN105207220A (zh) | 一种基于渐进学习的分级电压调控方法 | |
| CN114841595A (zh) | 一种基于深度强化算法的水电站厂内实时优化调度方法 | |
| Wang et al. | Real-Time Excitation Control-Based Voltage Regulation Using DDPG Considering System Dynamic Performance | |
| CN113725863A (zh) | 基于人工智能的电网自主控制与决策方法及系统 | |
| Khatamianfar | Advanced discrete-time control methods for industrial applications | |
| Li et al. | Conceptual Design of Mechatronics System Based on Intelligent Control | |
| Bin et al. | Pitch angle control based on renforcement learning | |
| CN112134304B (zh) | 一种基于深度学习的微电网全自动导航方法、系统与装置 | |
| Dementev et al. | Changing the pulse duration of a PWM as a means of improving the quality of the ACS regulation using ANN | |
| Li et al. | Fuzzy Control of Welding Trolley Speed Based on PLC | |
| CN103515962B (zh) | 基于实时电压响应轨迹的多措施协调电压校正控制方法 | |
| Liu et al. | An intelligent control scheme with self-updating for industrial processes | |
| Ihor et al. | Research of closed loop control systems of the electric drive of mine electric locomotive with the DC series motor and nonlinear load |
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 |