[发明专利]基于神经网络对Buck变换器中PID控制器参数的优化方法和装置

说明书

本发明公开了一种基于神经网络对Buck变换器中PID控制器参数的优化方法，包括：通过器件参数计算系统小信号模型，通过小信号模型计算PID参数稳定域，从PID参数稳定域中筛选PID参数值，以及输出电压，采用ITAE对输出电压进行误差评估得到真实ITAE值；基于预测ITAE值与真实ITAE值构建损失函数，通过损失函数采用贝叶斯正则化算法训练神经网络模型得到最终神经网络模型；通过遗传算法得到最小预测ITAE值对应PID参数作为最终PID参数。该方法能够对Buck变换器的负载波动具有良好的暂态性能和鲁棒性。本发明还提供了一种基于神经网络对Buck变换器中PID控制器参数的优化装置。

技术领域

本发明涉及电力电子技术以及新能源发电技术领域，具体为一种基于神经网络对Buck变换器中PID控制器参数的优化方法和装置。

背景技术

以石油、煤、天然气为主体的传统能源不仅给环境带来污染，同时面临枯竭的问题，另外《新时代中国能源发展》白皮书中提出我国二氧化碳排放2030年前达到峰值，2060年前实现碳中和的战略目标，新能源发电已经成为全世界关注的重点。随着电网中新能源占比不断提高，直流分布式发电系统的数量急剧增加。

电力系统由电力网、电力用户共同组成，其任务是给广大用户不间断地提供经济、可靠、符合质量标准的电能，满足各类负荷的需求，为经济社会发展提供动力。

由于电力的生产与使用具有特殊性，即电能难以大量存储，而且各类用户对电力的需求是时刻变化的，这就要求系统发电应随时与系统负荷的变化动态平衡，即系统要最大限度地发挥出设备能力，使整个系统保持稳定且高效地运行，以满足用户的需求。否则，就会影响供用电的质量，甚至危及系统的安全与稳定。

因此，电力系统负荷预测技术发展了起来，并且是这一切得以顺利进行的前提和基础。传统的数学模型是用现成的数学表达式加以描述，具有计算量小、速度快的优点，但同时也存在很多的缺陷和局限性，比如不具备自学习、自适应能力、预测系统的鲁棒性没有保障等。

Buck变换器在直流微电网中广泛应用，然而当负载跳变时Buck变换器会出现稳定性以及动态性能较差的问题。目前，大多数控制器通常采用理论分析模型的方法进行参数整定，这种方法只考虑小信号，缺乏对大信号和参数漂移的理论分析，如果采用人工神经网络替代小信号模型，就可以避免对系统模型进行具体分析，且使系统具有较强的鲁棒性。

特别是随着我国经济的发展，电力系统的结构日趋复杂，电力负荷变化的非线性、时变性和不确定性的特点更加明显，很难建立一个合适的数学模型来清晰表达负荷和影响负荷的变量之间的关系。

目前，已有学者将神经网络和深度强化学习应用于DAB和MPPT控制中，并取得了较好的效果，然而其在Buck变换器的控制中的应用还有待进一步研究。

针对上述问题，需进一步研究将神经网络应用于Buck变换器控制器参数整定的方法。

发明内容

本发明提供了一种基于神经网络对Buck变换器中PID控制器参数的优化方法，该方法能够对Buck变换器的负载波动具有良好的暂态性能和鲁棒性。

一种基于神经网络对Buck变换器中PID控制器参数的优化方法，包括：

(1)通过Buck变换器的输入电压、输出电压和开关管占空比得到小信号模型，通过小信号模型计算得到PID参数的稳定域，从PID参数稳定域中筛选多组PID参数值，将多组PID参数值输入至PID控制器，运行Buck变换器得到每组PID参数值对应的输出电压，采用时间乘绝对误差积分对每组输出电压进行误差评估得到每组输出电压对应的真实ITAE值，将多组PID参数值作为训练样本集；

(2)基于神经网络模型输出的预测ITAE值与真实ITAE值构建损失函数，基于训练样本集，通过损失函数采用贝叶斯正则化算法训练神经网络模型得到最终神经网络模型；