一种双向DC/DC变换器控制方法与流程

本发明涉及双向dc/dc变换器技术领域，尤其涉及一种具有多模型预测控制的dc/dc变换器的控制方法。

背景技术：

能源稀缺、空气污染、气候变暖是全球能源领域面临的共同挑战。进入21世纪以来，随着石油、煤炭等不可再生能源的日趋枯竭，环境污染日益严重，节能与环保已成为世界各国亟待解决的两大问题。新能源汽车最大优势在于其节能环保，新能源汽车包括清洁替代燃料汽车、纯电动汽车、混合动力汽车、燃料电池电动汽车等其他新能源汽车等

新能源混合电动汽车具有广阔的应用前景，双向dc/dc变换器是其中的关键部件，是目前该领域的研究热点之一。双向dc/dc变换器作为混合能源汽车关键能量转换部件，可以在短时间内使汽车制动产生能量回馈给超级电容，由超级电容提供瞬时加速或启动需要的瞬时功率。同时双向dc/dc变换器必须具有快速的动态响应，高可靠性和高效率。与此同时，组成双向dc/dc变换器系统的器件、电力电子技术、控制策略也经历了飞跃式的发展。半导体材料和制造技术的快速发展，大功率半导体的发展和完善，大功率、低损耗、耐高温、高可靠性的功率开关器件在电子工程的各项领域得到广泛的应用。

dc/dc变换器以其高效率、高质量、高稳定性的应用特性，已经在混合动力汽车，电梯，城市轨道交通及新能源系统等领域都得到了广泛应用，成为新能源应用场合中的关键设备之一。双向dc/dc变换器技术正日益成为诸多研究学者和研究机构竞相研究的热点问题。如今，随着基于开关型器件的高频调制技术的日臻完善，双向dc/dc变换器无论是在拓扑结构还是在调制方法上均已趋于成熟，因此选择合适的控制策略成为提高变换器性能的关键，有必要提供一种能提高系统动态和稳态性能,并能可根据需要应用于单向dc/dc变换器以及其他需要根据状态变量求解最优占空比的问题中。

技术实现要素：

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种双向dc/dc变换器控制方法。

本发明解决其技术问题所采用的技术方案是：

本发明提供一种双向dc/dc变换器控制方法，该dc/dc变换器包括相互连接的功率变换电路和控制器；其中：

功率变换电路包括两个并联桥臂以及直流滤波电容，每个桥臂均由上桥臂和下桥臂的两个igbt串联组成；功能变换器电路两侧分别为高压侧和低压侧；控制器包括多模型自适应控制器和预测控制器；

该控制方法中，多模型自适应控制器根据双向dc/dc变换器的非线性特性建立多个线性模型；在每个控制周期，控制信号输入dc/dc变换器的同时，也输入到每个模型，多模型自适应控制器计算每个模型的输出电流，将该电流与采集到的实际输出电流进行比较，并计算每个子模型的匹配度，得到每个模型的权重，将每个模型加权从而得到全局模型；

预测控制器根据全局模型、目标函数和约束条件，将有约束预测控制算法最优化控制问题转化为二次规划问题，并采用递归神经网络算法来求解，得到最优占空比，实现dc/dc变换器的优化控制。

进一步地，本发明的该方法中根据双向dc/dc变换器模型参数的变化范围建立多个线性模型，则系统总模型为：

其中，ωn＝(anbnb0,n)^t，n＝1,2,...,m，ωn表示第n个模型，每个模型包含an，bn，b0,n三个矩阵，fx表示为系统子模型与系统总模型之间的关系；

在每个周期内，控制器计算每个模型的输出电流，将该电流与采集到的实际电流进行比较，并计算每个子模型的匹配度，得到每个模型的加权系数为：

其中，en(k,l)表示第n个子模型与实际模型匹配程度；采用加权平均的方法，得到全局模型，全局模型为：

进一步地，本发明的该方法中的目标函数的表达方式为：

其中，p为预测与控制步长；y(k+i)为根据系统模型、当前及历史输入和输出数据估计的k+i时刻的输出；y^*(k+i)为期望的k+i时刻的输出，q∈r^2*2，v∈r^2*2分别为针对跟踪误差和控制量的加权系数。

进一步地，本发明的该方法还包括应用于单向dc/dc变换器中的控制方法：选择高压侧或低压侧作为输入端，另一侧作为输出端，即可实现单向dc/dc变换器控制；在每个控制周期，控制信号输入dc/dc变换器的同时，也输入到每个模型，多模型自适应控制器计算每个模型的输出电流，将该电流与采集到的实际输出电流进行比较，并计算每个子模型的匹配度，得到每个模型的权重，将每个模型加权从而得到全局模型；预测控制器根据全局模型、目标函数和约束条件，将有约束预测控制算法最优化控制问题转化为二次规划问题，并采用递归神经网络算法来求解，得到最优占空比，实现dc/dc变换器的优化控制。

进一步地，本发明的该方法还包括：应用于根据状态变量求解最优占空比的问题中，在每个控制周期，控制信号输入控制电路的同时，也输入到每个模型，多模型自适应控制器计算每个模型的输出电流，将该电流与采集到的实际输出电流进行比较，并计算每个子模型的匹配度，得到每个模型的权重，将每个模型加权从而得到全局模型；预测控制器根据全局模型、目标函数和约束条件，将有约束预测控制算法最优化控制问题转化为二次规划问题，并采用递归神经网络算法来求解，得到最优占空比，实现系统的优化控制。

本发明产生的有益效果是：本发明的双向dc/dc变换器控制方法，可以提供更好的动态和稳态性能，并且可以应用在单向dc/dc变换器和其他需要根据状态变量求解最优占空比的问题中。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例的原理框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明实施例的双向dc/dc变换器控制方法，包括功率变换电路和控制器。功率变换电路由两个并联桥臂以及直流滤波电容组成，每个桥臂由上桥臂及下桥臂两个igbt串联组成；控制器分为两部分：一部分为多模型自适应控制器，该部分解决双向dc/dc变换器非线性问题，多模型自适应控制器根据系统模型参数l、vbat、ccap在系统运行时的变化范围，将变量矩阵进行线性划分，分别建立多个常数矩阵(子模型)，建立起多模型集合，在每个控制周期，在每个控制周期，控制信号输入dc/dc变换器的同时，也输入到每个模型，多模型自适应控制器计算每个模型的输出电流，将该电流与采集到的实际输出电流进行比较，并计算每个子模型的匹配度，得到每个模型的权重，将每个模型加权从而得到全局模型。另一部分为预测控制器，该部分解决最优控制问题：预测控制器根据全局模型、目标函数和约束条件，将有约束预测控制算法最优化控制问题转化为二次规划问题，并采用递归神经网络算法来求解，得到最优占空比，提高动态和稳态性能，实现dc/dc变换器的优化控制。还可根据需要应用于单向dc/dc变换器以及其他需要根据状态变量求解最优占空比的问题中。

在本发明的一个实施例中，设定系统中能量从低压侧往高压侧流动，此时，a桥臂上的q1和b桥臂上的q3保持关断，a桥臂上的q2和b桥臂上的q4输入相位相差半个周期的控制占空比，根据系统模型参数l、vbat、ccap在系统运行时的变化范围，将变量矩阵进行线性划分，分别建立多个常数矩阵(子模型)，多模型自适应控制器根据双向dc/dc变换器的非线性特性建立多个线性模型。在每个控制周期，控制信号输入dc/dc变换器的同时，也输入到每个模型，多模型自适应控制器计算每个模型的输出电流，将该电流与采集到的实际输出电流进行比较，并计算每个子模型的匹配度，得到每个模型的权重，将每个模型加权从而得到全局模型。预测控制器根据全局模型、目标函数和约束条件，将有约束预测控制算法最优化控制问题转化为二次规划问题，并采用递归神经网络算法来求解，得到最优占空比，实现dc/dc变换器的优化控制。

在本发明的另一实施例中，设定系统中能量从高压侧往低压侧流动，此时，a桥臂上的q2和b桥臂上的q4保持关断，a桥臂上的q1和b桥臂上的q3输入相位相差半个周期的控制占空比，根据系统模型参数l、vbat、ccap在系统运行时的变化范围，将变量矩阵进行线性划分，分别建立多个常数矩阵(子模型)，建立起多模型集合。在每个控制周期，控制信号输入dc/dc变换器的同时，也输入到每个模型，多模型自适应控制器计算每个模型的输出电流，将该电流与采集到的实际输出电流进行比较，并计算每个子模型的匹配度，得到每个模型的权重，将每个模型加权从而得到全局模型。预测控制器根据全局模型、目标函数和约束条件，将有约束预测控制算法最优化控制问题转化为二次规划问题，并采用递归神经网络算法来求解，得到最优占空比，实现dc/dc变换器的优化控制。

如图1所示，本发明包括功率变换电路和控制器。

所述功率变换电路由并联的a、b两个桥臂组成，每个桥臂由上桥臂igbt及下桥臂igbt串联构成。所述功率变换电路两边分别为高压侧和低压侧。所述控制器实时采集控制信号和输出侧电流有效值。输出电流为：

i＝ia+ib

其中ia为经过电感l1的电流有效值，ib为经过电感l2的电流有效值。能量从高压侧往低压侧传递时，设开关周期为t，q1的导通时间为da*t，da为q1的占空比；q3的导通时间为db*t，db为q3的占空比；则对应的关断时间分别为(1-da)*t和(1-db)*t。在一个完整的开关周期内，可以得到一个周期内的电流和超级电容电压的平均值为：

改写成空间状态方程的形式为：

因此，双向dc/dc变换器空间描述形式为

其中状态变量x＝[iaibvcap]^t，控制向量u＝[dadb]^t，输出向量y＝[iaib]^t，常量矩阵b0。

在实际工作中，矩阵中的电感量以及超级电容的容值会发生变化，因此连续时间域状态空间表达式为：

变参数下，双向dc/dc变换器空间描述形式为

根据双向dc/dc变换器模型参数的额定参数及其变化范围，对矩阵a(l,c)，b(l,vbat)，b0(l)进行线性划分，建立起了对应多模型集合λ，其表达式为：

λ＝{ωn|n＝1,2,...,m}(7)

ωn＝(anbnb0,n)^t,n＝1,2,...,m(8)

ωn对应系统的编号为第n个子模型，总共建立了m个子模型，联系到系统理想数学模型状态方程，每个子模型里包含着an，bn，b0,n三个常数矩阵。则系统总模型为：

fx表示为系统子模型与系统总模型之间的关系,在每个子模型中a(l,c)，b(l,vbat)，b0(l)就变成了常数矩阵。

定义第n个子模型矩阵预测输出电流值为in(k+1)，in(k+1)＝ian(k+1)+ibn(k+1)，其中ian(k+1)为a相电感上预测的流过电流，ibn(k+1)为b相电感上预测的流过电流，根据当前系统状态量x(k)和控制量u(k)，往后预测一拍，其表达式为：

其中矩阵αn，βn，ηn分别表示在第n个子模型下推导出来的常数矩阵a(l,c)，b(l,vbat)，b0(l)，xn(k+1)为下一时刻的状态量预测，yn(k)表示第n个子模型下的预测输出。

通过与采集到的实际输出电流ireal进行比较，可以得到第n个模型的实际电流与预测电流之间的匹配误差为：

en(k)＝|in(k)-ireal|n＝1,2,...,m(11)

为了减小瞬时误差干扰的影响，在一段时间内累计匹配误差，称为累计误差：

其中，l为匹配误差滚动累计长度，引入匹配误差遗忘因子θ^j(0<θ^j<1)，其作用为降低历史信息重要性，ρ为当前匹配误差的权重，σ为历史匹配误差的权重，en(k,l)表示第n个子模型与实际模型匹配程度，其值的大小反应了该子模型与实际模型匹配度的高低，en(k,l)越大，表明该模型与实际模型偏离越远。

权重系数比较常见的是对累计误差加权平均，各子模型加权系数：

采用加权平均的方法，获得系统的最终模型，最优适配预测的模型为：

构建目标函数如下：

其中，p为预测与控制步长；y(k+i)为根据系统模型、当前及历史输入和输出数据估计的k+i时刻的输出；y^*(k+i)为期望的k+i时刻的输出，q∈r²*²，v∈r²*²分别为针对跟踪误差和控制量的加权系数。

目标函数由两部分组成，a、b两相参考电感电流和对应参考量的瞬时值方差以及控制变量ui的平方，两者分别代表对电流跟踪误差和电流平滑度的控制作用；同时还引入两个新的参数，权重系数q和v，用于调节控制过程中对两个控制目标的侧重程度，由于电流跟踪误差作为主要控制目标，控制过程中需要优先满足电流跟踪误差的最小化，因此由q应大于v。

把上面方程改写成qp问题的常见形式：

其中y*(k)＝(y*(k+1)…u*(k)＝(u*(k+1)…合并公因式，得到：

其中ψ＝or·x(k)+ow·v(k)，(y*(k)-ψ)^tq(y*(k)-ψ)为一个常量，则上式写成二次规划形式为：

其中，g＝2(s^to^tqos+v)，f^t＝2[y*(k)-ψ]^tqos，其中g是hessian矩阵，目标函数是一个凸函数，因此该函数存在唯一的最优解，因此，将优化问题转变成求解qp问题。

控制量约束为

umin(k+i)≤u(k+i)≤umax(k+i),i＝0,1,…,p-1(20)

可以表示为

即au(k)≤b

其中，nu为u(k)中元素个数。对于有如下形式的二次规划问题，且占空比有约束，有：

根据改进的qp问题求解方案，其状态方程描述为：

输出方程为：

其中，g＝{gij}4*4，f＝{fi}4*1，(y)＝(y1⁺,y2⁺,...,yn⁺)^t，yi⁺＝max(yi,0)。

网络的输出也可以被视为u。这是因为从其证明其稳定性结果时，网络在全局范围内收敛于其均衡状态，而在均衡状态下，u等于。

根据应用递归神经网络求解二次优化问题的方法，对px进行定义：

px(x)＝[px(x1),px(x2),...,px(xm)]^t,(i＝1,2,...,m)(26)

程序中对u和y的积分的计算可以通过积分的方式来实现：

基于上述，只需选择合适的λ值和dt值，并求得合适的优化次数(优化次数少则无法达到稳态，优化次数度则会大大增加系统在线计算的时间)。在达到优化设定次数后，求出稳定的u值，即是占空比的最优解。

本发明双向dc/dc变换器控制方法可以提高系统动态和稳态性能。还可根据需要应用于单向dc/dc变换器以及其他需要根据状态变量求解最优占空比的问题中。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。