CN115987086A - 基于神经网络的单开关直流-直流变换器在线控制方法 - Google Patents
基于神经网络的单开关直流-直流变换器在线控制方法 Download PDFInfo
- Publication number
- CN115987086A CN115987086A CN202211647474.6A CN202211647474A CN115987086A CN 115987086 A CN115987086 A CN 115987086A CN 202211647474 A CN202211647474 A CN 202211647474A CN 115987086 A CN115987086 A CN 115987086A
- Authority
- CN
- China
- Prior art keywords
- neural network
- converter
- switch
- output
- training
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000003062 neural network model Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 11
- 239000010410 layer Substances 0.000 claims description 61
- 210000002569 neuron Anatomy 0.000 claims description 50
- 230000006870 function Effects 0.000 claims description 30
- 238000013507 mapping Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 238000004880 explosion Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 241000022852 Letis Species 0.000 claims description 2
- 239000002356 single layer Substances 0.000 claims description 2
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
- Y02B70/10—Technologies improving the efficiency by using switched-mode power supplies [SMPS], i.e. efficient power electronics conversion e.g. power factor correction or reduction of losses in power supplies or efficient standby modes
Landscapes
- Dc-Dc Converters (AREA)
Abstract
本发明方法为一种基于神经网络的单开关直流‑直流变换器在线控制方法，包括：构建包括神经网络训练结构、神经网络训练方式和神经网络训练算法的神经网络模型；构建以单开关直流‑直流变换器作为控制对象及以变换器输出电压作为控制目标的神经网络控制器；实时采集单开关直流‑直流变换器的运行状态数据和控制数据，在线获取梯度，实现神经网络的在线训练及变换器的在线控制。本发明无需对变换器进行建模，也无需大量的数据样本对神经网络进行离线训练，而是在变换器运行过程中实现控制律(权值与偏置)的在线获取，达到实时控制的目的，且所述神经网络控制器能够应对输入电压或输出端负载阶跃变化带来的影响，具有较好的鲁棒性和动态响应性能。
Description
技术领域
本发明涉及变换器控制领域，具体涉及一种基于神经网络的单开关直流-直流变换器在线控制方法及系统。
背景技术
DC-DC变换器是现代新能源工业应用中电能变换技术的核心组成部分。其中，单开关直流-直流变换器因其体积小、重量轻、结构简单、效率高等特点，在光伏发电、风能发电、新能源电动汽车等领域中得到了广泛应用。目前，单开关直流-直流变换器常用于电能变换系统的末端负载供电接口，其功能是将特定的直流电压转换为用户端所需求的直流电压，其性能直接决定了负载端的供电指标。在通信电源中，微处理器和通信设备的负载随机性大范围波动，这就对变换器控制策略提出了更高的要求。
传统的单开关直流-直流变换器控制方法是利用小信号平均模型对其进行建模和分析后，再采用线性反馈控制方法得到目标开关信号。这种控制方法建立在已知模型的基础上，且控制器的控制参数设计复杂。同时，在实际应用中，输出响应速度慢，只能对一定范围内的扰动表现出较好的控制性能。寻求更为有效的单开关直流-直流变换器控制方法，对改善直流稳压系统响应的实时性和稳定性及提高能量转换效率具有重要实际意义。
近年来，神经网络技术广受关注，其无需建立准确的数学模型，只需要合理设置隐含层神经元个数和激活函数，就可以逼近任意实际函数，故在处理控制系统的非线性和不确定性问题上具有一定优势。2015年发表的论文“基于BP神经网络的单开关直流-直流变换器设计”(DOI:10.16628/j.cnki.2095-8188.2015.23.011)中，提出采用BP神经网络对单开关直流-直流变换器进行离线模型辨识并用于控制，验证了神经网络模型作为控制器的可行性。但其问题在于，神经网络的需要大量的实验数据进行离线训练，虽然具有较强的泛化能力，但算法花费时间多，通用性不强。专利“基于ELM-PID的单开关直流-直流变换器输出电压控制方法”(专利号:CN111082660A)中，采用训练后的ELM输出对PID参数进行自适应在线调节，再送入PID控制器实现变换器的控制。因其特殊的算法设计，系统具有较快的动态响应速度。但其仍需要对变换器进行建模，在模型已知的情况下对ELM进行训练。而如何设计在线无模型训练的神经网络控制器，依是亟待解决的问题。
发明内容
为解决上述问题，本发明提出一种基于神经网络的单开关直流-直流变换器在线控制方法及系统，所设计的神经网络控制器能够在线训练，同时对单开关直流-直流变换器进行实时控制，对于输入端参考电压和输出端负载的阶跃变化具有较好的鲁棒性和动态性能。
一方面，一种基于神经网络的单开关直流-直流变换器在线控制方法，包括：
构建包括神经网络训练结构、神经网络训练方式和神经网络训练算法的神经网络模型；
构建以单开关直流-直流变换器作为控制对象及以变换器输出电压作为控制目标的神经网络控制器；所述神经网络控制器包括神经网络模型和损失函数；
实时采集单开关直流-直流变换器的运行状态数据和控制数据，在线获取梯度，实现神经网络的在线训练及变换器的在线控制。
优选的，所述神经网络训练结构采用前馈神经网络结构；所述神经网络训练方式采用有监督学习方式，不断调整权值与偏置参数，完成学习过程；所述神经网络训练算法采用反向传播算法，通过梯度下降法对非线性函数进行多次复合，对输入输出映射关系进行复现。
优选的，所述神经网络模型为单层神经元，仅包含输入层与输出层；其中，输入层由三个神经元组成，三个神经元的输入信号分别为输入电压vin、输出电压vo和变换器电感电流iL；所述输出层由单个神经元构成，单个神经元的输出d作为单开关直流-直流变换器的PWM调制信号。
优选的，所述输入层和输出层相互连接，层间神经元之间的映射关系如下：
d(x,ω,b)＝S(f(x))
其中，I表示输入层神经元个数，ωi表示输入层的第i个神经元映射到输出层神经元的权值，xi表示输入层的第i个输入，b表示输入层的神经元映射到输出层神经元的偏置，f(x)为各输入加权之和，S表示输出层激活函数，
e-f(x)表示e的-f(x)次方。
优选的，所述损失函数采用均值平方差，用于表示预测值与真实值之间的差异，通过降低损失函数值大小改进神经网络模型参数，表示如下：
其中，N为样本个数，yi为预测值，Yi为真实值；根据实际控制情况，预测值为单开关直流-直流变换器输出电压vo，真实值为输出参考电压vref；在线训练下，每一个采样时刻对应一个输出预测值，即样本个数N取1。
优选的，采用BP算法进行在线梯度获取；根据梯度下降法及链式法，表示如下：
其中，
和△bk分别为权值ωi及偏置b的变化量，上标k及括号内的k表示k时刻下迭代采样值或计算值，η为学习速率；L(k)表示损失函数；vo(k)表示k时刻的输出电压；d(k)表示k时刻的PWM调制信号；fk(x)表示k时刻各输入加权之和；
表示k-1时刻输入层第i个神经元映射到输出层神经元的权值；bk-1表示k-1时刻输入层的神经元映射到输出层神经元的偏置；
梯度在线获取方式为：每个采样时刻下，对所需变换器参数进行采集，送入上式进行计算，其中，
直接进行偏导计算，表示如下：
其中，vref(k)表示k时刻的输出参考电压；vo(k-1)表示k-1时刻的输出电压；d(k-1)表示k-1时刻的PWM调制信号；
表示k时刻输入层的第i个神经元的输入信号。
优选的，网络在线训练过程中，采用按值截断的方法限制
的输出范围，防止迭代过程中梯度爆炸，表示如下：
上式中，令
为gk，给定区间[+vin，-vin]，k时刻下，如果gk小于-vin，就将其设置为-vin；如果gk大+vin，就将其设置为+vin。
优选的，权值ωi以及偏置b的第k次迭代过程表示为：
其中，
表示k时刻输入层第i个神经元映射到输出层神经元的权值；bk表示k时刻输入层的神经元映射到输出层神经元的偏置。
优选的，每完成一次迭代，将权值ωi以及偏置b代入
计算出神经网络的新输出d，并进入下一个迭代周期；当损失函数小于容许值时，停止对权值及偏置进行迭代，表示神经网络在线训练完成，受控单开关直流-直流变换器达到了目标输出电压，实现了系统的在线控制。
另一方面，一种基于神经网络的单开关直流-直流变换器在线控制系统，包括：
神经网络模型构建模块，用于构建包括神经网络训练结构、神经网络训练方式和神经网络训练算法的神经网络模型；
神经网络控制器构建模块，用于构建以单开关直流-直流变换器作为控制对象及以变换器输出电压作为控制目标的神经网络控制器；所述神经网络控制器包括神经网络模型和损失函数；
在线训练模块，用于实时采集单开关直流-直流变换器的运行状态数据和控制数据，在线获取梯度，实现神经网络的在线训练及变换器的在线控制。
本发明对比已有技术具有以下创新点和显著优点：
本发明无需对单开关直流-直流变换器进行建模，且无需大量的数据样本对神经网络进行离线训练，而是在变换器运行过程中实现控制律(包括权值与偏置)的在线获取，达到实时控制的目的，因此具有很强的自适应性；本发明的神经网络控制器能够应对输入电压或输出端负载波动带来的影响，具有较好的鲁棒性和动态响应性能。
附图说明
图1为本发明实施例的基于神经网络的单开关直流-直流变换器在线控制方法流程图；
图2为本发明实施例的基于神经网络的单开关直流-直流变换器在线控制方法的结构框图；
图3为本发明实施例的基于神经网络的单开关直流-直流变换器在线控制方法的详细流程图；
图4为本发明实施例的Buck变换器神经网络在线控制系统的Simulink仿真原理图；
图5为本发明实施例的输入电压或负载跳变时，Buck变换器神经网络在线控制系统的Simulink仿真输出电压波形图；
图6为本发明实施例的基于神经网络的单开关直流-直流变换器在线控制系统的结构框图。
具体实施方式
下面结合附图和实施例对本方面作进一步说明。
参见图1所示，本发明一种基于神经网络的单开关直流-直流变换器在线控制方法，包括以下步骤：
S101，构建包括神经网络训练结构、神经网络训练方式和神经网络训练算法的神经网络模型；
S102，构建以单开关直流-直流变换器作为控制对象及以变换器输出电压作为控制目标的神经网络控制器；
S103，实时采集单开关直流-直流变换器的运行状态数据和控制数据，在线获取梯度，实现神经网络的在线训练及变换器的在线控制。
具体的，参见图2所示，所述神经网络控制器包括神经网络模型和损失函数。所述神经网络模型采用单神经元结构，仅包含输入层与输出层。其中，网络输入层由三个神经元组成，分别为输入电压vin、实际输出电压vo以及变换器电感电流iL。网络输出层由单个神经元构成，其输出d作为单开关直流-直流变换器的PWM调制信号。
本实施例中，所述神经网络模型的输入层和输出层相互连接，层间神经元之间的映射关系为：
d(x,ω,b)＝S(f(x))
其中，I为输入层神经元个数，ωi表示输入层的第i个神经元映射到输出层神经元的权值，xi表示输入层的第i个输入，b表示输入层的神经元映射到输出层神经元的偏置。f(x)为各输入加权之和，S表示输出层激活函数，此处选择单极性Sigmoid函数
作为激活函数。本实施例中，I为3。
所述损失函数用于表示神经网络输出预测值与真实值之间的差异，通过降低损失函数值大小改进神经网络模型参数。本发明控制方法采用均值平方差作为损失函数，其可以表示为：
其中，N为样本个数，yi为预测值，Yi为真实值。根据此处设置神经网络模型结构，网络预测值为单开关直流-直流变换器系统输出电压vo，真实值为输出参考电压vref。在线训练下，每一个采样时刻对应一个输出预测值，故此处样本个数N取1。
参见图3所示为基于神经网络的单开关直流-直流变换器在线控制算法流程图，与传统控制方法类似。神经网络控制器对变换器在k时刻的各个状态量
进行采样，将采样值送入网络进行计算，得到该时刻下网络输出d作为下一时刻的PWM调制信号，对单开关直流-直流变换器进行控制。
本实施例中，损失函数对k时刻神经网络输出结果进行评价，并对网络权值和偏置进行调整，用于下一时刻的神经网络计算。这一过程本质上是对神经网络进行在线训练，当权值和偏置的迭代梯度足够小时，说明神经网络已经完成对系统动态模型的逼近，同时也实现了系统对变换器输出电压的控制。
采用BP算法进行在线训练，其本质上是通过梯度下降法及链式求导法则，求解损失函数最小值情况下的最优参数，从而实现权值以及偏置b的迭代。其可以表示为：
其中，
和△bk分别为权值ωi及偏置b的变化量，上标k及括号k表示k时刻下迭代采样值或计算值，η为学习速率。梯度在线获取方式为：每个采样时刻下，对所需变换器参数进行采集，送入上式进行计算。其中，
四部分信息均可以直接进行偏导计算，其可以表示为：
其中，
为单开关直流-直流变换器被控过程中输出电压vo对神经网络输出d的一阶偏导数信息。若采用传统控制方式对单开关直流-直流变换器进行小信号建模后，稳态下可以认为
与输入电压vin等效。但在本发明中未对单开关直流-直流变换器进行建模，同时控制过程中单开关直流-直流变换器并非稳态，故不可以直接进行偏导计算。此处利用差商代替微商思想，用两次采样之间的vo之差与d之差做商，对这一部分进行近似，求得]
的计算方式为：
需要注意的是，神经网络训练过程中，上式可能会出现值特别大的时刻。采用按值截断的方法限制其输出范围，防止迭代过程中梯度爆炸，导致系统不稳定。其可以表示为：
上式中，令
为gk，给定区间[vin，-vin]。该时刻下，如果gk小于-vin，就将其设置为-vin；如果gk大于vin，就设其为vin。
最终，权值ωi以及偏置b的第k次迭代过程可以表示为：
每完成一次迭代，就计算出神经网络的新输出，并进入下一个迭代周期。当损失函数小于容许值Tol时，停止对权值及偏置进行迭代，表示神经网络在线训练完成，也意味着受控变换器达到目标输出电压，实现了系统的在线控制。
为验证本发明的实际控制效果，本实施例以Buck变换器为例进行仿真实验，参见图4所示的Buck变换器神经网络在线控制系统的Simulink仿真原理图。其中实线框部分为Buck变换器主电路，虚线框部分为控制电路。右边方框内部分用于调节单开关直流-直流变换器输出端负载R，左边方框内部分用于调节单开关直流-直流变换器输入电压vin。
主电路设计上，搭建了初始输入电压vin为10v，初始负载R为5Ω，电感L为470uH，电容C为680uF，开关频率为50kHz的Buck变换器仿真电路。为验证本发明控制策略动态特性，vref以高电平为8v，低电平为5v，频率为10Hz的方波脉冲形式输入控制器。仿真实验时间设置为0.5s，阶跃变化均设定在0.25s时刻。
控制部分设计上，搭建了一个三输入单输出的神经网络模型子系统，用于产生PWM调制信号。设置初始权值
分别为2、-1、-1，初始偏置值b0为1，学习率设置为0.003。
参见图5所示的Buck变换器神经网络在线控制系统在输入电压或负载跳变情况下，Simulink仿真输出电压波形图。其中，方波为参考电压波形，其他部分为输出电压波形，图中输出电压波形均能够较好跟踪参考电压的变化。图5(a)为输入电压阶跃变化输出电压波形，输入电压vin由10v变为20v；图5(b)为负载值阶跃变化输出电压波形，输出端负载R由5Ω变为2.5Ω。可以看到，不论是哪一种阶跃变化，该时刻下输出电压波形经过短暂的波动后，又能够恢复到原本的参考电压值。
综上，本发明一种基于神经网络的单开关直流-直流变换器的在线控制方法，无需对单开关直流-直流变换器进行建模。同时，所提出控制方法无需大量的数据样本对神经网络进行离线训练，而是在变换器运行过程中实现控制律(包括权值与偏置)的在线获取，达到实时控制的目的。此外所提出神经网络控制器能够应对输入电压或输出负载波动带来的影响，具有较好的鲁棒性和动态响应性能。
参见图6所示，根据本发明的另一方面，一种基于神经网络的单开关直流-直流变换器在线控制系统，包括：
神经网络模型构建模块601，用于构建包括神经网络训练结构、神经网络训练方式和神经网络训练算法的神经网络模型；
神经网络控制器构建模块602，用于构建以单开关直流-直流变换器作为控制对象及以变换器输出电压作为控制目标的神经网络控制器；所述神经网络控制器包括神经网络模型和损失函数；
在线训练模块603，用于实时采集单开关直流-直流变换器的运行状态数据和控制数据，在线获取梯度，实现神经网络的在线训练及变换器的在线控制。
一种基于神经网络的单开关直流-直流变换器在线控制系统的具体实现同一种基于神经网络的单开关直流-直流变换器在线控制方法，本实施例不再重复说明。
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于神经网络的单开关直流-直流变换器在线控制方法，其特征在于，包括：
构建包括神经网络训练结构、神经网络训练方式和神经网络训练算法的神经网络模型；
构建以单开关直流-直流变换器作为控制对象及以变换器输出电压作为控制目标的神经网络控制器；所述神经网络控制器包括神经网络模型和损失函数；
实时采集单开关直流-直流变换器的运行状态数据和控制数据，在线获取梯度，实现神经网络的在线训练及变换器的在线控制。
2.根据权利要求1所述的基于神经网络的单开关直流-直流变换器在线控制方法，其特征在于，所述神经网络训练结构采用前馈神经网络结构；所述神经网络训练方式采用有监督学习方式，不断调整权值与偏置参数，完成学习过程；所述神经网络训练算法采用反向传播算法，通过梯度下降法对非线性函数进行多次复合，对输入输出映射关系进行复现。
3.根据权利要求1所述的基于神经网络的单开关直流-直流变换器在线控制方法，其特征在于，所述神经网络模型为单层神经元，仅包含输入层与输出层；其中，输入层由三个神经元组成，三个神经元的输入信号分别为输入电压vin、输出电压vo和变换器电感电流iL；所述输出层由单个神经元构成，单个神经元的输出d作为单开关直流-直流变换器的PWM调制信号。
4.根据权利要求3所述的基于神经网络的单开关直流-直流变换器在线控制方法，其特征在于，所述输入层和输出层相互连接，层间神经元之间的映射关系如下：
d(x,ω,b)＝S(f(x))
其中，I表示输入层神经元个数，ωi表示输入层的第i个神经元映射到输出层神经元的权值，xi表示输入层的第i个输入，b表示输入层的神经元映射到输出层神经元的偏置，f(x)为各输入加权之和，S表示输出层激活函数，
e-f(x)表示e的-f(x)次方。
5.根据权利要求4所述的基于神经网络的单开关直流-直流变换器在线控制方法，其特征在于，所述损失函数采用均值平方差，用于表示预测值与真实值之间的差异，通过降低损失函数值大小改进神经网络模型参数，表示如下：
其中，N为样本个数，yi为预测值，Yi为真实值；根据实际控制情况，预测值为单开关直流-直流变换器输出电压vo，真实值为输出参考电压vref；在线训练下，每一个采样时刻对应一个输出预测值，即样本个数N取1。
6.根据权利要求4所述的基于神经网络的单开关直流-直流变换器在线控制方法，其特征在于，采用BP算法进行在线梯度获取；根据梯度下降法及链式法，表示如下：
其中，
和△bk分别为权值ωi及偏置b的变化量，上标k及括号内的k表示k时刻下迭代采样值或计算值，η为学习速率；L(k)表示损失函数；vo(k)表示k时刻的输出电压；d(k)表示k时刻的PWM调制信号；fk(x)表示k时刻各输入加权之和；
表示k-1时刻输入层第i个神经元映射到输出层神经元的权值；bk-1表示k-1时刻输入层的神经元映射到输出层神经元的偏置；
梯度在线获取方式为：每个采样时刻下，对所需变换器参数进行采集，送入上式进行计算，其中，
和
直接进行偏导计算，表示如下：
其中，vref(k)表示k时刻的输出参考电压；vo(k-1)表示k-1时刻的输出电压；d(k-1)表示k-1时刻的PWM调制信号；
表示k时刻输入层的第i个神经元的输入信号。
7.根据权利要求6所述的基于神经网络的单开关直流-直流变换器在线控制方法，其特征在于，网络在线训练过程中，采用按值截断的方法限制
的输出范围，防止迭代过程中梯度爆炸，表示如下：
上式中，令
为gk，给定区间[+vin，-vin]，k时刻下，如果gk小于-vin，就将其设置为-vin；如果gk大+vin，就将其设置为+vin。
8.根据权利要求6所述的基于神经网络的单开关直流-直流变换器在线控制方法，其特征在于，权值ωi以及偏置b的第k次迭代过程表示为：
其中，
表示k时刻输入层第i个神经元映射到输出层神经元的权值；bk表示k时刻输入层的神经元映射到输出层神经元的偏置。
9.根据权利要求8所述的基于神经网络的单开关直流-直流变换器在线控制方法，其特征在于，每完成一次迭代，将权值ωi以及偏置b代入
计算出神经网络的新输出d，并进入下一个迭代周期；当损失函数小于容许值时，停止对权值及偏置进行迭代，表示神经网络在线训练完成，受控单开关直流-直流变换器达到了目标输出电压，实现了系统的在线控制。
10.一种基于神经网络的单开关直流-直流变换器在线控制系统，其特征在于，包括：
神经网络模型构建模块，用于构建包括神经网络训练结构、神经网络训练方式和神经网络训练算法的神经网络模型；
神经网络控制器构建模块，用于构建以单开关直流-直流变换器作为控制对象及以变换器输出电压作为控制目标的神经网络控制器；所述神经网络控制器包括神经网络模型和损失函数；
在线训练模块，用于实时采集单开关直流-直流变换器的运行状态数据和控制数据，在线获取梯度，实现神经网络的在线训练及变换器的在线控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211647474.6A CN115987086A (zh) | 2022-12-21 | 2022-12-21 | 基于神经网络的单开关直流-直流变换器在线控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211647474.6A CN115987086A (zh) | 2022-12-21 | 2022-12-21 | 基于神经网络的单开关直流-直流变换器在线控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115987086A true CN115987086A (zh) | 2023-04-18 |
Family
ID=85969398
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211647474.6A Pending CN115987086A (zh) | 2022-12-21 | 2022-12-21 | 基于神经网络的单开关直流-直流变换器在线控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115987086A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116169857A (zh) * | 2023-04-19 | 2023-05-26 | 山东科迪特电力科技有限公司 | 一种级联式开关电路的电压控制方法及装置 |
-
2022
- 2022-12-21 CN CN202211647474.6A patent/CN115987086A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116169857A (zh) * | 2023-04-19 | 2023-05-26 | 山东科迪特电力科技有限公司 | 一种级联式开关电路的电压控制方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dong et al. | Control of a buck DC/DC converter using approximate dynamic programming and artificial neural networks | |
| Fu et al. | Training recurrent neural networks with the Levenberg–Marquardt algorithm for optimal control of a grid-connected converter | |
| CN109921504B (zh) | 车载混合储能系统及其非线性鲁棒自适应功率控制方法 | |
| Siano et al. | Designing fuzzy logic controllers for DC–DC converters using multi-objective particle swarm optimization | |
| CN104779798A (zh) | 一种模糊pid数字控制dc-dc变换器的控制方法 | |
| CN109245532B (zh) | 一种升降压变换器的分数阶滑模控制方法 | |
| Sharma et al. | Design of digital PID controller for voltage mode control of DC-DC converters | |
| CN110149066A (zh) | 一种基于模型控制预测的mmc桥臂电流控制方法及系统 | |
| CN115987086A (zh) | 基于神经网络的单开关直流-直流变换器在线控制方法 | |
| CN113410987B (zh) | 一种基于极限学习机的滑模变结构的Buck电路控制方法 | |
| Alonge et al. | Sliding mode control of quadratic boost converters based on min-type control strategy | |
| Zhang et al. | An event-triggered deadbeat control considering dynamic power loss compensation for hybrid energy storage system | |
| Wang et al. | Finite-time adaptive neural network observer-based output voltage-tracking control for DC–DC boost converters | |
| CN112072893B (zh) | 一种合成变量反馈的电力电子变换器控制方法 | |
| Huh et al. | An adaptive fuzzy controller for power converters | |
| CN113067334A (zh) | 基于神经网络的有源电力滤波器非线性预测控制方法 | |
| Patino et al. | A predictive control approach for dc-dc power converters and cyclic switched systems | |
| Mohammadzadeh et al. | Application of mixture of experts in machine learning-based controlling of DC-DC power electronics converter | |
| Kamarposhti et al. | The Control of Buck Boost DC-DC Converters for DC Motor Drives on variable DC Voltage by Using Neural Network | |
| Saha et al. | Intelligent control strategies for dc-dc boost converter: Performance analysis and optimization | |
| Alsakini et al. | Controlling Switched Dc-Dc Converter Using ANFIS in Comparison with PID Controller | |
| Saddriwala et al. | DC-DC Converter Control Using Adaptive Neuro-Fuzzy Inference System | |
| kumar Mahto et al. | Design of Controller for three-phase Grid-Connected Inverter Using Reinforcement Learning | |
| Anand et al. | Comparison of PID and fuzzy controlled DC to DC converter with inductor resistance | |
| Subramanyam et al. | A dual layered PSO algorithm for evolving an artificial neural network controller |
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 |