谐振变换器的控制方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术涉及智能控制技术领域，公开了一种谐振变换器的控制方法、装置、计算机设备及存储介质，该方法包括：获取当前谐振变换器对应的参考输入和实际输出值；根据参考输入、实际输出值以及神经网络，得到控制器的相关系数，其中，相关系数包括比例系数、积分系数以及微分系数中的一个或多个；根据相关系数、参考输入、实际输出值以及控制器，生成控制量；根据控制量控制谐振变换器。本发明专利技术解决了利用PID控制器对谐振变换器进行控制时，无法对比例系数、积分系数和微分系数进行自适应调整的问题。题。题。

【技术实现步骤摘要】
谐振变换器的控制方法、装置、计算机设备及存储介质


[0001]本专利技术涉及智能控制
，具体涉及一种谐振变换器的控制方法、装置、计算机设备及存储介质。

技术介绍

[0002]目前传统LLC(谐振转换电路)谐振变换器在各种应用场合下凭借高转换效率、低电磁干扰、易于实现磁集成等优势被广泛使用，但是在LLC谐振变换器的应用过程中仍存在着诸多问题，例如缺少LLC谐振变换器的智能控制算法等。LLC谐振变换器是一个多变量输入、强变量间耦合、非线性、时变系统，使用传统的经典控制理论难以实现良好的控制效果。当前，大多采用传统的闭环控制算法对LLC谐振变换器进行控制，例如PID(比例积分微分)控制器等。PID控制器要实现较好的控制效果，必须调整好比例、积分和微分的系数，然而，当前利用PID控制器对谐振变换器进行控制时，无法对比例系数、积分系数和微分系数进行自适应调整，难以实现良好的控制效果。
[0003]因此，现有技术存在利用PID控制器对谐振变换器进行控制时，无法对比例系数、积分系数和微分系数进行自适应调整的问题。

技术实现思路

[0004]有鉴于此，本专利技术提供了一种谐振变换器的控制方法、装置、计算机设备及存储介质，以解决利用PID控制器对谐振变换器进行控制时，无法对比例系数、积分系数和微分系数进行自适应调整的问题。
[0005]第一方面，本专利技术提供了一种谐振变换器的控制方法，该方法包括：
[0006]获取当前谐振变换器对应的参考输入和实际输出值；
[0007]根据参考输入、实际输出值以及神经网络，得到控制器的相关系数，其中，相关系数包括比例系数、积分系数以及微分系数中的一个或多个；
[0008]根据相关系数、参考输入、实际输出值以及控制器，生成控制量；
[0009]根据控制量控制谐振变换器。
[0010]本实施例提供的谐振变换器的控制方法，利用神经网络得到控制器的相关系数，对控制器进行自适应调整，使控制器能自适应谐振变换器的工况变化。控制器根据相关系数、参考输入、实际输出值得出控制量，根据控制量控制谐振变换器，实现对谐振变换器的智能自适应控制。解决了相关技术中利用PID控制器对谐振变换器进行控制时，无法对比例系数、积分系数和微分系数进行自适应调整的问题。
[0011]在一种可选的实施方式中，在根据参考输入、实际输出值以及神经网络，得到控制器的相关系数之前，方法还包括：
[0012]获取训练样本；
[0013]根据训练样本和神经网络优化算法，对初始神经网络进行训练，得到目标权重和目标阈值，其中，目标权重为初始神经网络的模型参数，目标阈值用于判断是否执行初始神
经网络中下一个神经元；
[0014]根据目标权重和目标阈值，调整初始神经网络，得到神经网络。
[0015]在本实施方式中，利用训练样本和神经网络优化算法对初始神经网络进行训练，得到训练好的神经网络，能够根据神经网络的自学习调节控制器的相关系数，使控制器能自适应谐振变换器的工况变化，对谐振变换器进行智能自适应控制。
[0016]在一种可选的实施方式中，根据训练样本和神经网络优化算法，对初始神经网络进行训练，得到目标权重和目标阈值，包括：
[0017]根据训练样本，得到初始神经网络的输入参数和目标输出结果；
[0018]将输入参数输入初始神经网络并进行正向传播，得到输出结果；
[0019]计算输出结果和目标输出结果之间的误差；
[0020]将误差进行反向传播，并根据误差和神经网络优化算法调整初始神经网络中输出层和隐藏层的权重和阈值，得到目标权重和目标阈值。
[0021]在本实施方式中，将训练样本中的输入参数输入初始神经网络，得到输出结果；计算输出结果和目标输出结果之间的误差；根据误差和神经网络优化算法调整初始神经网络的权重和阈值，得到目标权重和目标阈值，完成对神经网络的训练，使神经网络输出结果更精准。
[0022]在一种可选的实施方式中，根据误差和神经网络优化算法调整初始神经网络中输出层和隐藏层的权重和阈值，得到目标权重和目标阈值，包括：
[0023]确定神经网络优化算法的学习率和训练次数阈值；
[0024]根据学习率调整初始神经网络中输出层和隐藏层的权重和阈值，直到误差小于预设阈值或达到训练次数阈值，则停止调整，得到目标权重和目标阈值。
[0025]在本实施方式中，神经网络优化算法根据学习率调整初始神经网络中输出层和隐藏层的权重和阈值，得到目标权重和目标阈值，使得神经网络性能最优，输出结果更精准。
[0026]在一种可选的实施方式中，根据参考输入、实际输出值以及神经网络，得到控制器的相关系数，包括：
[0027]根据参考输入和实际输出值，计算参考输入与实际输出值之间的偏差；
[0028]将参考输入、实际输出值以及偏差输入神经网络，得到相关系数，其中，相关系数包含比例系数、积分系数以及微分系数。
[0029]在本实施方式中，将参考输入、实际输出值以及偏差作为神经网络的输入，神经网络输出比例系数、积分系数以及微分系数。利用神经网络的自学习调节控制器的相关系数，以达到对谐振变换器控制效果的最优化。
[0030]在一种可选的实施方式中，根据参考输入、实际输出值以及神经网络，得到控制器的相关系数，包括：
[0031]将参考输入和实际输出值输入神经网络，得到相关系数。
[0032]在本实施方式中，将参考输入和实际输出值作为神经网络的输入，神经网络输出相关系数。改变了神经网络的输入输出情况，丰富了本专利技术的适用范围。
[0033]在一种可选的实施方式中，根据相关系数、参考输入、实际输出值以及控制器，生成控制量，包括：
[0034]根据参考输入和实际输出值，计算参考输入与实际输出值之间的偏差；
[0035]根据相关系数、偏差以及控制器的实际输出值计算公式，得到控制量。
[0036]在本实施方式中，利用相关系数、参考输入和实际输出值的偏差以及实际输出值计算公式，计算得到控制量。利用控制量对谐振变换器进行控制，能够提高谐振变换器的稳态性能和动态效果。
[0037]第二方面，本专利技术提供了一种谐振变换器的控制装置，该装置包括：
[0038]第一获取模块，用于获取当前谐振变换器对应的参考输入和实际输出值；
[0039]得到模块，用于根据参考输入、实际输出值以及神经网络，得到控制器的相关系数，其中，相关系数包括比例系数、积分系数以及微分系数中的一个或多个；
[0040]生成模块，用于根据相关系数、参考输入、实际输出值以及控制器，生成控制量；
[0041]控制模块，用于根据控制量控制谐振变换器。
[0042]第三方面，本专利技术提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的谐振变换器的控制方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种谐振变换器的控制方法，其特征在于，所述方法包括：获取当前谐振变换器对应的参考输入和实际输出值；根据所述参考输入、所述实际输出值以及神经网络，得到控制器的相关系数，其中，所述相关系数包括比例系数、积分系数以及微分系数中的一个或多个；根据所述相关系数、所述参考输入、所述实际输出值以及所述控制器，生成控制量；根据所述控制量控制所述谐振变换器。2.根据权利要求1所述的方法，其特征在于，在所述根据所述参考输入、所述实际输出值以及神经网络，得到控制器的相关系数之前，所述方法还包括：获取训练样本；根据所述训练样本和神经网络优化算法，对初始神经网络进行训练，得到目标权重和目标阈值，其中，所述目标权重为所述初始神经网络的模型参数，所述目标阈值用于判断是否执行所述初始神经网络中下一个神经元；根据所述目标权重和所述目标阈值，调整所述初始神经网络，得到所述神经网络。3.根据权利要求2所述的方法，其特征在于，所述根据所述训练样本和神经网络优化算法，对初始神经网络进行训练，得到目标权重和目标阈值，包括：根据所述训练样本，得到所述初始神经网络的输入参数和目标输出结果；将所述输入参数输入所述初始神经网络并进行正向传播，得到输出结果；计算所述输出结果和所述目标输出结果之间的误差；将所述误差进行反向传播，并根据所述误差和所述神经网络优化算法调整所述初始神经网络中输出层和隐藏层的权重和阈值，得到所述目标权重和所述目标阈值。4.根据权利要求3所述的方法，其特征在于，所述根据所述误差和所述神经网络优化算法调整所述初始神经网络中输出层和隐藏层的权重和阈值，得到所述目标权重和所述目标阈值，包括：确定所述神经网络优化算法的学习率和训练次数阈值；根据所述学习率调整所述初始神经网络中输出层和隐藏层的权重和阈值，直到所述误差小于预设阈值或达到所述训练次数阈值，则停止调整，得到所述目标权重和所述目标阈值。5.根据权利要求1...

【专利技术属性】
技术研发人员：李梦璇，
申请(专利权)人：苏州浪潮智能科技有限公司，
类型：发明
国别省市：