模糊神經網絡PID 算法的充電策略研究

楊友良，馬強

（華北理工大學電氣工程學院，唐山 063000）

0 引言

近幾年來由于霧霾天氣的加重，空氣污染的狀況日趨“白熱化”，進而導致電動汽車替代化石燃料汽車成為大勢所趨。但是電動汽車也并非完美無缺，它的最大問題就是鋰電池充電存在著某些弊端。不言而喻，設計一款高效、健康、安全的智能充電系統對整個電力汽車行業發展會有很大的促進作用。當今，生活中存在的普通充電方式都是簡單的恒流、恒壓等，這種充電方式對整個充電過程并沒有太大的積極作用。反而普通充電方式有充電時間長的缺點，這會對鋰電池造成一定的傷害，因此普通充電方式無法滿足當今人們對鋰電池的充電要求。

針對這個問題，目前業界人士提出了許多控制算法，王靜等人提出了模糊自適應PID 控制器，最終結果表明系統具有良好的動靜態響應和穩定性，但是缺乏抗干擾能力[1]。王海群等采用模糊免疫自適應PID 控制器對控制系統的比例、積分、微分實時控制，最終證明控制效果良好，響應很快，超調量小，但缺乏自我學習以及自我動態調整的能力[2]。將模糊控制用于充電控制已經是常見的算法了，但是隨著電動汽車電池容量的增加，為了縮短充電時間，提高充電效率，就必須提高充電電流，而大的電流會對電池造成不可逆的損害，因此必須提高系統的精度，使得充電電流趨于馬斯充電曲線。在模糊控制的基礎上，結合神經網絡自學習特點設計一種模糊神經網絡PID 控制器，通過神經網絡對PID 參數的動態調節使得快速達到穩定狀態，仿真結果驗證了控制方法可靠性、有效性。

1 充電樁系統設計

充電樁控制系統如圖1 所示，由檢測單元、單片機、電壓反饋、電流反饋等構成整個控制電路。交流電源輸入到整流變換電路，單片機以及控制輔助電路控制電池組的充電電流，從而構成整個控制系統。原理圖如圖1 所示。

圖1 充電樁控制系統結構圖

輸入側三相交流電，采用三相電壓型整流器進行整流。由于鋰電池結構復雜，因此我們采用簡單的電路結構，來模擬電池的動態結構。即用大的電容模擬理想電壓源和小電阻模擬電池內阻再與小電感串聯組成整個鋰電池充放電動態模型。建立如下數學模型：

根據電池參數設置C=10F，R=1ΩL=500mH，存在5秒的延遲時間則傳遞函數為：

2 模糊神經網絡PID 控制器設計

2.1 模糊神經網絡PID 控制器原理

模糊神經網絡PID 控制器主要有模糊神經網絡和PID 控制器組成，其原理如圖2 所示是一種2 輸入3輸出的控制結構。首先，把控制系統反饋回來的電壓（或電流）偏差信號e以及電壓（或電流）偏差變化率ec，經過模糊化、模糊推理以及反模糊化處理，神經網絡在線調節權值參數輸出PID 控制器的3 個參數Δkp、Δki、Δkd[3]。得出PID 控制參數作用于被控對象作為輸出。

圖2 控制器系統結構圖

2.2 模糊控制器的設計

模糊控制器除了輸入和輸出中間還有模糊化層、模糊推理層。

2.2.1 模糊化

將輸入的電壓或電流的偏差e以及偏差變化率ec進行模糊化。高斯隸屬度函數具有平滑性好的特點，因此輸入輸出均采用高斯函數。

模糊語言變量值為{NB,NM,NS,ZO,PS,PM,PB}。

2.2.2 模糊推理

對輸入數據進行模糊化處理按照輸入模糊規則得到輸出變量Δkp、Δki、Δkd。根據鋰電池充電控制系統的充電曲線以及日常經驗并按照一定的準則，歸納出模糊規則庫，根據輸入e以及ec的語言變量值，整理出如下模糊規則[3]：

2.3 模糊神經網絡PID結構

如圖3 所示給出模糊神經網絡PID 控制器網絡結構圖主要包括輸入、輸出等四層結構。

圖3 模糊神經網絡結構

模糊神經網絡的輸入層、模糊化層、模糊推理層之間的網絡權值是固定的，模糊推理層、輸出層之間的網絡權值可以根據需要在線調整[4]。利用模糊神經網絡可以對PID 控制器的3 個輸入Δkp、Δki、Δkd在線調整，實現良好的控制性能[4]。其中模糊神經網絡有四層神經元，分別用用x和y表示輸入和輸出

（1）第1 層，輸入層輸入

對應輸出為：

n 為模糊子集的個數這里n 為7。

（2）第2 層，模糊化層，輸入：

輸出：

模糊化層采用高斯函數隸屬度函數；式（6）中bij、cij分別為隸屬度函數的寬度和中心值[5]。（3）第3 層，模糊推理層，輸入：

（4）第4 層，輸出層，輸入

ωij為模糊推理層與輸出層之間的權值系數[6]。

輸出為PID 控制器的參數：

2.4 學習算法

由于充電控制系統有非常強的非線性，需要對網絡權系數進行調整。性能指標函數為：

其中rin(k)為理論輸出值yout(k)為實際輸出。

PID 控制器采用增量式PID 控制算法：

式中kp=kp0+Δkp；ki=ki0+Δki；kd=kd0+Δkd

當輸出值跟理論值最接近時，誤差最小。BP 法對神經網絡三個重要參數的訓練[7]。

3 實驗仿真

采用臨界比例法獲取常規PID 控制器參數，并將其作為模糊神經網絡PID 控制器的初始值kp0、ki0、kd0[8]。利用MATLAB/Simulink搭建仿真平臺，對輸入為階躍信號下的三種控制器進行仿真并對結果進行比較[9]。PID 控制器參數為kp=5、ki=0.5、kd=1.6。模糊神經網絡PID 中的ωij、bij、cij參數可以通過實驗總結得到[10]。

在輸入電流為50A 時對三種控制器的對比曲線如圖4 下所示，輸入給定電壓為80V 時三種控制器的對比曲線如圖5 所示從圖中可以看出模糊神經網絡PID控制器反應速度更快、超調量更小、達到穩定時間更短具有良好的動靜態穩定性。

圖4 電流仿真結果圖

圖5 電壓仿真結果圖

而在實際充電過程中充電樁容易受到外界的電流、電壓等不確定因素干擾。為了可以模擬更真實的充電情況我們在控制系統趨向于穩定后第66 秒加入電流干擾信號，三種控制仿真結果如圖6 所示，從仿真結果得出，對于突然加入的擾動，PID 控制波動較大調節時間較長并且很難達到穩定；模糊PID 控制調節雖然震蕩明顯減小但是達到穩定的時間依然較長；模糊神經網絡PID，震蕩最小，并且迅速又達新的穩定，對干擾信號信號具有很強的抑制作用，良好的魯棒性及抗干擾能力，滿足充電樁電流控制系統的要求[11]。

圖6 增加干擾環節電流仿真結果圖

由于市場上有各種品牌的電池以及電池也會隨之充放電次數的增加而造成內阻改變，當電池內阻變大時，這時候電池模型也會發生改變傳遞函數變為在三種不同的控制器下，得出如圖7 所示仿真結果。結果表明模糊神經網絡PID 控制系統魯棒性更好，表現出更強的自適應能力。

圖7 更改模型仿真結果圖

4 結語

在模糊控制的基礎上，將模糊控制、神經網絡控制相結合，建立了模糊神經網絡PID 控制系統利用神經網絡的自我學習分析的能力來對模糊神經網絡結構參數優化、調整實現了對PID 三個參數kp、ki、kd的在線調整[12]。通過仿真與普通PID 和模糊PID 進行對比，模糊神經網絡PID 的響應更快，抗干擾能力更強，魯棒性更好[13]。由于充電次數增加以及受到溫度的影響造成內阻的變化，更改電池模型，該控制器表現出更強的自我學習調整能力。從而驗證了模糊神經網絡PID 控制仿可靠性、有效性。該方法提高充電控制系統精度達到充電樁對電流（電壓）控制的目。對未來充電樁的發展有極大的促進作用。