模糊神经网络PID 算法的充电策略研究

杨友良，马强

（华北理工大学电气工程学院，唐山 063000）

0 引言

近几年来由于雾霾天气的加重，空气污染的状况日趋“白热化”，进而导致电动汽车替代化石燃料汽车成为大势所趋。但是电动汽车也并非完美无缺，它的最大问题就是锂电池充电存在着某些弊端。不言而喻，设计一款高效、健康、安全的智能充电系统对整个电力汽车行业发展会有很大的促进作用。当今，生活中存在的普通充电方式都是简单的恒流、恒压等，这种充电方式对整个充电过程并没有太大的积极作用。反而普通充电方式有充电时间长的缺点，这会对锂电池造成一定的伤害，因此普通充电方式无法满足当今人们对锂电池的充电要求。

针对这个问题，目前业界人士提出了许多控制算法，王静等人提出了模糊自适应PID 控制器，最终结果表明系统具有良好的动静态响应和稳定性，但是缺乏抗干扰能力[1]。王海群等采用模糊免疫自适应PID 控制器对控制系统的比例、积分、微分实时控制，最终证明控制效果良好，响应很快，超调量小，但缺乏自我学习以及自我动态调整的能力[2]。将模糊控制用于充电控制已经是常见的算法了，但是随着电动汽车电池容量的增加，为了缩短充电时间，提高充电效率，就必须提高充电电流，而大的电流会对电池造成不可逆的损害，因此必须提高系统的精度，使得充电电流趋于马斯充电曲线。在模糊控制的基础上，结合神经网络自学习特点设计一种模糊神经网络PID 控制器，通过神经网络对PID 参数的动态调节使得快速达到稳定状态，仿真结果验证了控制方法可靠性、有效性。

1 充电桩系统设计

充电桩控制系统如图1 所示，由检测单元、单片机、电压反馈、电流反馈等构成整个控制电路。交流电源输入到整流变换电路，单片机以及控制辅助电路控制电池组的充电电流，从而构成整个控制系统。原理图如图1 所示。

图1 充电桩控制系统结构图

输入侧三相交流电，采用三相电压型整流器进行整流。由于锂电池结构复杂，因此我们采用简单的电路结构，来模拟电池的动态结构。即用大的电容模拟理想电压源和小电阻模拟电池内阻再与小电感串联组成整个锂电池充放电动态模型。建立如下数学模型：

根据电池参数设置C=10F，R=1ΩL=500mH，存在5秒的延迟时间则传递函数为：

2 模糊神经网络PID 控制器设计

2.1 模糊神经网络PID 控制器原理

模糊神经网络PID 控制器主要有模糊神经网络和PID 控制器组成，其原理如图2 所示是一种2 输入3输出的控制结构。首先，把控制系统反馈回来的电压（或电流）偏差信号e以及电压（或电流）偏差变化率ec，经过模糊化、模糊推理以及反模糊化处理，神经网络在线调节权值参数输出PID 控制器的3 个参数Δkp、Δki、Δkd[3]。得出PID 控制参数作用于被控对象作为输出。

图2 控制器系统结构图

2.2 模糊控制器的设计

模糊控制器除了输入和输出中间还有模糊化层、模糊推理层。

2.2.1 模糊化

将输入的电压或电流的偏差e以及偏差变化率ec进行模糊化。高斯隶属度函数具有平滑性好的特点，因此输入输出均采用高斯函数。

模糊语言变量值为{NB,NM,NS,ZO,PS,PM,PB}。

2.2.2 模糊推理

对输入数据进行模糊化处理按照输入模糊规则得到输出变量Δkp、Δki、Δkd。根据锂电池充电控制系统的充电曲线以及日常经验并按照一定的准则，归纳出模糊规则库，根据输入e以及ec的语言变量值，整理出如下模糊规则[3]：

2.3 模糊神经网络PID结构

如图3 所示给出模糊神经网络PID 控制器网络结构图主要包括输入、输出等四层结构。

图3 模糊神经网络结构

模糊神经网络的输入层、模糊化层、模糊推理层之间的网络权值是固定的，模糊推理层、输出层之间的网络权值可以根据需要在线调整[4]。利用模糊神经网络可以对PID 控制器的3 个输入Δkp、Δki、Δkd在线调整，实现良好的控制性能[4]。其中模糊神经网络有四层神经元，分别用用x和y表示输入和输出

（1）第1 层，输入层输入

对应输出为：

n 为模糊子集的个数这里n 为7。

（2）第2 层，模糊化层，输入：

输出：

模糊化层采用高斯函数隶属度函数；式（6）中bij、cij分别为隶属度函数的宽度和中心值[5]。（3）第3 层，模糊推理层，输入：

（4）第4 层，输出层，输入

ωij为模糊推理层与输出层之间的权值系数[6]。

输出为PID 控制器的参数：

2.4 学习算法

由于充电控制系统有非常强的非线性，需要对网络权系数进行调整。性能指标函数为：

其中rin(k)为理论输出值yout(k)为实际输出。

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

当输出值跟理论值最接近时，误差最小。BP 法对神经网络三个重要参数的训练[7]。

3 实验仿真

采用临界比例法获取常规PID 控制器参数，并将其作为模糊神经网络PID 控制器的初始值kp0、ki0、kd0[8]。利用MATLAB/Simulink搭建仿真平台，对输入为阶跃信号下的三种控制器进行仿真并对结果进行比较[9]。PID 控制器参数为kp=5、ki=0.5、kd=1.6。模糊神经网络PID 中的ωij、bij、cij参数可以通过实验总结得到[10]。

在输入电流为50A 时对三种控制器的对比曲线如图4 下所示，输入给定电压为80V 时三种控制器的对比曲线如图5 所示从图中可以看出模糊神经网络PID控制器反应速度更快、超调量更小、达到稳定时间更短具有良好的动静态稳定性。

图4 电流仿真结果图

图5 电压仿真结果图

而在实际充电过程中充电桩容易受到外界的电流、电压等不确定因素干扰。为了可以模拟更真实的充电情况我们在控制系统趋向于稳定后第66 秒加入电流干扰信号，三种控制仿真结果如图6 所示，从仿真结果得出，对于突然加入的扰动，PID 控制波动较大调节时间较长并且很难达到稳定；模糊PID 控制调节虽然震荡明显减小但是达到稳定的时间依然较长；模糊神经网络PID，震荡最小，并且迅速又达新的稳定，对干扰信号信号具有很强的抑制作用，良好的鲁棒性及抗干扰能力，满足充电桩电流控制系统的要求[11]。

图6 增加干扰环节电流仿真结果图

由于市场上有各种品牌的电池以及电池也会随之充放电次数的增加而造成内阻改变，当电池内阻变大时，这时候电池模型也会发生改变传递函数变为在三种不同的控制器下，得出如图7 所示仿真结果。结果表明模糊神经网络PID 控制系统鲁棒性更好，表现出更强的自适应能力。

图7 更改模型仿真结果图

4 结语

在模糊控制的基础上，将模糊控制、神经网络控制相结合，建立了模糊神经网络PID 控制系统利用神经网络的自我学习分析的能力来对模糊神经网络结构参数优化、调整实现了对PID 三个参数kp、ki、kd的在线调整[12]。通过仿真与普通PID 和模糊PID 进行对比，模糊神经网络PID 的响应更快，抗干扰能力更强，鲁棒性更好[13]。由于充电次数增加以及受到温度的影响造成内阻的变化，更改电池模型，该控制器表现出更强的自我学习调整能力。从而验证了模糊神经网络PID 控制仿可靠性、有效性。该方法提高充电控制系统精度达到充电桩对电流（电压）控制的目。对未来充电桩的发展有极大的促进作用。