一种在线估计控制率的APFC控制系统技术方案

本发明专利技术公开了一种在线估计控制率的APFC控制系统，包括Boost APFC主电路、滑模控制电路，Boost APFC主电路将交流电源整流滤波后转换为高压直流电，滑模控制电路对从Boost APFC主电路采集到的电感电流和输出电压进行控制，实现功率因数校正，并获得平滑稳定的输出电压，所述滑模控制电路包括电压外环PI控制模块、滑模控制器、PWM比较器以及驱动电路模块；其中所述滑模控制器包括滑模面模块、RBF神经网络算法模块、遗传算法模块、滑模控制模块；本发明专利技术有效解决了现有的DC‑DC变换器采用传统滑模控制，导致滑模面函数趋近于零的收敛速度较慢，且滑动过程在系统存在干扰的情况下可能无法完成的问题。

An APFC Control System for On-line Estimation of Control Rate

The invention discloses an APFC control system for on-line estimation of control rate, which includes a Boost APFC main circuit and a sliding mode control circuit. The Boost APFC main circuit filters AC power supply rectifier and converts it into high voltage DC power. The sliding mode control circuit controls inductance current and output voltage collected from the Boost APFC main circuit, realizes power factor correction, and obtains smooth and stable output. The sliding mode control circuit includes a voltage outer loop PI control module, a sliding mode controller, a PWM comparator and a driving circuit module; the sliding mode controller includes a sliding mode surface module, a RBF neural network algorithm module, a genetic algorithm module and a sliding mode control module; the present invention effectively solves the problem that the existing DC DC converter adopts traditional sliding mode control, which leads to the trend of sliding mode function. The convergence rate near zero is slow, and the sliding process may not be completed in the presence of system interference.

【技术实现步骤摘要】
一种在线估计控制率的APFC控制系统
本专利技术涉及电力控制设备
，具体涉及一种在线估计控制率的APFC控制系统。
技术介绍
电动汽车充电装置中的AC/DC变换器多采用升压式有源功率因数校正(BoostAPFC)电路，交流输入电源经整流、滤波后，输入电流含有大量谐波分量，使得输入电流产生畸变，功率因素低。APFC电路中包含非线性元器件，使得传统的线性控制方法较难达到满意的控制效果，且未考虑系统参数扰动的影响。滑模控制(SMC)可以不断调整控制量使系统状态到达设定的滑模面并沿该轨迹运动，可以实现非线性系统的有效控制，在DC-DC变换器中已得到成功应用。然而传统SMC中，滑模面函数趋近于零的收敛速度较慢，且滑动过程在系统存在干扰的情况下可能无法完成
技术实现思路
本专利技术提供了一种在线估计控制率的APFC控制系统，本专利技术有效解决了现有的DC-DC变换器采用传统滑模控制，导致滑模面函数趋近于零的收敛速度较慢，且滑动过程在系统存在干扰的情况下可能无法控制的问题。本专利技术通过以下技术方案实现：一种在线估计控制率的APFC控制系统，包括BoostAPFC主电路、滑模控制电路，BoostAPFC主电路将交流电源整流滤波后转换为高压直流电，滑模控制电路对从BoostAPFC主电路采集到的电感电流和输出电压进行控制，实现功率因数校正，并获得平滑稳定的输出电压。本专利技术进一步技术改进方案是：所述滑模控制电路包括电压外环PI控制模块、滑模控制器、PWM比较器以及驱动电路模块；其中所述滑模控制器包括滑模面模块、RBF神经网络算法模块、遗传算法模块、滑模控制模块；所述电压外环PI控制模块用于产生参考电流并传输给滑模面模块；所述滑模面模块用于构成滑模控制器的滑模面；所述RBF神经网络算法模块用于对滑模控制中不确定向量的上限进行实时估计，并采用遗传算法模块对RBF神经网络权值进行优化，得到不确定上界估计值并传输给滑模控制模块；所述滑模控制模块用于接收滑模面模块得到的滑动面和RBF神经网络算法模块得到的不确定上界估计值，输出滑模控制率；所述PWM比较器用于比较滑模控制率与预先设定的三角载波信号，产生PWM信号，并传输给驱动电路模块；所述驱动电路模块用于驱动BoostAPFC主电路功率开关管的开通与关断。本专利技术进一步技术改进方案是：所述电压外环PI控制模块包括PI控制器、乘法器，PI控制器用于对直流输出电压与参考电压的误差进行比例积分控制以使直流输出电压跟踪参考电压，乘法器用于接收PI控制器的输出量，并将输出量与电网电压单位正弦半波相乘产生参考电流。本专利技术进一步技术改进方案是：所述滑模面模块用于计算参考电流与BoostAPFC主电路模块的电感电流的误差，构成滑模控制器的滑模面。本专利技术进一步技术改进方案是：所述遗传算法模块对RBF神经网络权值进行优化包括如下步骤：步骤1：编码：采取二进制、或为十进制编码方式对每个初始网络权值进行编码；步骤2：初始化种群：随机产生一组权值编码串；步骤3：计算适应度函数：根据RBF神经网络训练得到的误差，确定每个个体的适应度函数值，误差越大适应度值越小；步骤4：选择：选择若干适应度函数值大的个体直接遗传给下一代，其余按每个个体的相对适应度Ffit/∑Ffit，即该个体适应度占所有个体适应度之和的比例，计算得到的概率遗传给下一代；步骤5：交叉、变异：对当前种群进行交叉、变异操作，产生新的编码串，即下一代种群；步骤6：判断是否满足要求“达到最大迭代次数”：若不满足则返回步骤4，若满足则进行步骤7，在设定迭代次数内重复步骤4、5，直到获得满意解；步骤7：解码：将权值编码串解码得到权值参数，构成新神经网络。本专利技术进一步技术改进方案是：所述RBF神经网络算法模块输出不确定上界估计值包括如下步骤：步骤1)：初始化神经网络权值、中心值和基宽值；步骤2)：根据中心值和基宽值的初始值获取最优中心值和基宽值，最优即初始；通过所述遗传算法获取最优权值；步骤3)：计算输出误差；步骤4)：根据学习算法对神经网络权值、中心值和基宽值依据进行更新；步骤5)：判断是否满足要求，满足优化条件或达到最大迭代次数，若是，则训练结束，得到不确定上界估计值，若否，则回到步骤3重新计算误差。本专利技术与现有技术相比，具有以下明显优点：1)本专利技术滑模控制时加入参数对应的变化量，提高了系统参数变化时的鲁棒性；2)本专利技术采用RBF神经网络在线估计不确定上限，以减小系统抖振，提高系统性能，通过调整权值使滑模面函数更快趋近于零，提高电路功率因数；3)本专利技术采用遗传算法实现RBF神经网络权值的在线优化，改善了神经网络根据梯度下降法设计的学习算法训练神经网络权值时，收敛速度慢，易陷入局部极值的不足。附图说明图1为BoostAPFC主电路拓扑及电流通路示意图；图2为RBF神经网络结构图；图3为GA优化RBF神经网络权值的流程图；图4为BoostAPFC控制系统框架图。具体实施方式下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。如图1所述，BoostAPFC主电路拓扑及电流通路：主电路采用BoostAPFC拓扑结构，由单相桥式不控整流器和DC-DCBoost变换器组成，包含输入电容C1、升压电感L、开关管T、二极管D、输出电容Co和负载R。vin＝Vs·|sinωt|为不控整流桥的输出电压，Vs为电网电压的峰值；rL为电感等效电阻，iL为电感电流，vo为直流输出电压；当开关管T导通时，电感L储能，电容Co为负载R供电，电流通路如图1中虚线①和②所示，电容等效串联电阻忽略不计的情况下，根据KVL和KCL，得：当开关管T关断时，电感L同时为电容Co和负载R供电，电流通路如图1中的虚线③所示，根据KVL和KCL可得：用u表示开关T的状态，T导通时，u＝1；T关断时，u＝0。则公式(4)和(5)可以简化为：对于公式(3)中的电流表达式，在理想情况下L、rL、vin均为定值，然而考虑到实际应用中存在未知的参数变化，将其表示为标称值加变化量的形式：为了便于分析，可将上式简化为：其中，Ln、rLn为标称值，ΔL、ΔrLn、Δvin为变化量，ρ为系统内未知项，包含了系统参数扰动的不确定性。假设ρ的边界给定，则|ρ|<γ，γ为不确定性向量ρ的正界值。滑模控制器：PFC电流滑模控制的目的在于使电感电流iL跟踪参考电流iref，故定义电感电流跟踪误差为ei＝iref-iL，则ei的导数可以表示为：其中ev＝vref-vo表示输出电压跟踪误差，vref为输出电压参考，积分型滑动面为：其中，z(ei)的设计需满足λ为非零正常数。要使系统达到理想的滑模控制，即要使s＝0，而在无外加干扰的情况下(ρ＝0)，如果当s＝0时u的解存在，则该解称为系统在滑动模态区的等效控制ueq。令(ρ＝0)，由公式(8)得：对于存在不确定性和外部干扰的系统，所采用的控制率一般在等效控制ueq的基础上再加上切换控制uvss，以实现对系统的鲁棒控制。则系统控制率ucon设计如下：其中，sgn(s)表示符号函数。将公式(10)代入公式(6)，可得滑模运动启动的前提是滑动模态存在且可达，滑动模态存在的充要条件为且则到达条件的等价形式为将其用李本文档来自技高网...

【技术保护点】
1.一种在线估计控制率的APFC控制系统，包括Boost APFC主电路、滑模控制电路，Boost APFC主电路将交流电源整流滤波后转换为高压直流电，滑模控制电路对从Boost APFC主电路采集到的电感电流和输出电压进行控制，实现功率因数校正，并获得平滑稳定的输出电压，其特征在于：所述滑模控制电路包括电压外环PI控制模块、滑模控制器、PWM比较器以及驱动电路模块；其中所述滑模控制器包括滑模面模块、RBF神经网络算法模块、遗传算法模块、滑模控制模块；所述电压外环PI控制模块用于产生参考电流并传输给滑模面模块；所述滑模面模块用于构成滑模控制器的滑模面；所述RBF神经网络算法模块用于对滑模控制中不确定向量的上限进行实时估计，并采用遗传算法模块对RBF神经网络权值进行优化，得到不确定上界估计值并传输给滑模控制模块；所述滑模控制模块用于接收滑模面模块得到的滑动面和RBF神经网络算法模块得到的不确定上界估计值，输出滑模控制率；所述PWM比较器用于比较滑模控制率与预先设定的三角载波信号，产生PWM信号，并传输给驱动电路模块；所述驱动电路模块用于驱动Boost APFC主电路功率开关管的开通与关断。...

【技术特征摘要】
1.一种在线估计控制率的APFC控制系统，包括BoostAPFC主电路、滑模控制电路，BoostAPFC主电路将交流电源整流滤波后转换为高压直流电，滑模控制电路对从BoostAPFC主电路采集到的电感电流和输出电压进行控制，实现功率因数校正，并获得平滑稳定的输出电压，其特征在于：所述滑模控制电路包括电压外环PI控制模块、滑模控制器、PWM比较器以及驱动电路模块；其中所述滑模控制器包括滑模面模块、RBF神经网络算法模块、遗传算法模块、滑模控制模块；所述电压外环PI控制模块用于产生参考电流并传输给滑模面模块；所述滑模面模块用于构成滑模控制器的滑模面；所述RBF神经网络算法模块用于对滑模控制中不确定向量的上限进行实时估计，并采用遗传算法模块对RBF神经网络权值进行优化，得到不确定上界估计值并传输给滑模控制模块；所述滑模控制模块用于接收滑模面模块得到的滑动面和RBF神经网络算法模块得到的不确定上界估计值，输出滑模控制率；所述PWM比较器用于比较滑模控制率与预先设定的三角载波信号，产生PWM信号，并传输给驱动电路模块；所述驱动电路模块用于驱动BoostAPFC主电路功率开关管的开通与关断。2.根据权利要求1所述的一种在线估计控制率的APFC控制系统，其特征在于：所述电压外环PI控制模块包括PI控制器、乘法器，PI控制器用于对直流输出电压与参考电压的误差进行比例积分控制以使直流输出电压跟踪参考电压，乘法器用于接收PI控制器的输出量，并将输出量与电网电压单位正弦半波相乘产生参考电流。3.根据权利要求1或2所述的一种在线估计控制率的APFC控制系统，其特征在于：所述滑模面模块用于计算参...

【专利技术属性】
技术研发人员：倪伟，陈语嫣，王业琴，唐中一，夏奥运，郭畅，刘璐，王星月，
申请(专利权)人：南京工业大学，淮阴工学院，
类型：发明
国别省市：江苏,32