比例-支持向量机稳态估计超级电容充放电控制方法与流程

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。

技术实现要素：

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：

约束条件：

这里ξi和为松弛变量，c为惩罚系数，ε用于定义ε线性不敏感损失函数：

l^ε(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：

约束条件：

其中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)＝(x^txi+1)u(u∈n)，u为指数

sigmoid函数：k(x,xi)＝tanh(a(x^txi)+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不为0，系数不为0所对应的样本(xi,yi)就是支持向量(supportvector)。设支持向量个数为g，从而由支持向量得到svm回归：

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：

ui＝uip+uiw(10)

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为0a、5a、10a、15a、20a、…、400a，soc、usc等不同状态，选取相应的输入状态和所对应的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：

ui＝uip+uiw(14)

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。