1 引言
DC/DC變換器是一種強非線性電路，電路的電氣參數存在不確定性，負載性質也是多變的，主電路的性能必須滿足負載大范圍的變化，同時它還具有離散和變結構的特點，所有這些使DC/DC變換器控制器的設計較為復雜。由于傳統的控制方法是基于線性系統理論，所以，應用于DC/DC變換器中并不能獲得理想的動態性能。
有兩種途徑可以不利用線性系統理論。一種是建立一種精確的非線性模型，但是，這種方法需要復雜的數學推導，經常導致復雜的控制算法，而不適合實際應用。另一種方法是把人工智能的啟發式推理規則用于學習控制系統，即智能控制，它不需要建立精確的數學模型，并且對于電路參數變化具有良好的魯棒性。
2 智能控制
智能控制是控制理論發展的高級階段，它的建立和發展是以眾多新興學科為基礎的。智能控制的基本出發點是仿人的智能實現對復雜不確定性系統進行有效的控制。目前智能控制設計的途徑有：
1）基于專家系統的專家智能控制；
2）基于模糊推理和計算的模糊控制；
3）基于人工神經網絡的神經網絡控制；
4）基于信息論，遺傳算法和以上三種算法的集成型智能控制。
本文將重點討論模糊控制，神經網絡控制以及模糊神經網絡控制在DC/DC變換器中的應用。
3 模糊控制在DC/DC變換器中的應用
模糊控制是應用模糊集合理論的控制方法，提供一種實現基于知識（規則）的，甚至語言描述的控制規律的新機理，例如：如果輸出電壓誤差是正的，并且它的變化率是負的，那么輕微減少占空比等等。所以，模糊控制設計方法比較簡單。雖然，相對于傳統控制器，模糊控制通常不能提供更好的小信號響應，但是，它是基于啟發式推理規則的，在非線性的DC/DC變換器中應用是非常容易的。
模糊控制的基本思想是基于專家經驗和領域知識，總結出若干條以IF（條件）THEN（作用）形式表示的模糊控制規則，構成描述具有不確定性復雜對象的模糊關系，通過被控系統輸出誤差及誤差變化和模糊關系的推理合成獲得控制量，從而對系統進行控制。
模糊控制采用帶修正因子的模糊控制器，其控制規則為
μ（k）=ε（k）＋（1－α）εc（k）
式中：μ（k）為輸出與測量值之差；
εc（k）為給定值與測量值之差，εc（k）=ε（k）－ε（k－1）為誤差變化率；α為加權修正因子，在0～1之間取值。
通過調整加權系數，就可對控制規則進行修正。以α作為調整參數是很方便的，因為，α取值大小直接影響著被控量誤差和誤差變化率的加權程度，當被控對象數學模型的階次較高時，對誤差變化率的加權應大于誤差的加權值，因而α可取較小值，反之亦然。
模糊控制框圖如圖1所示。模糊控制器被分為4個部分：
1）模糊化，即將輸入值轉化為模糊量；
2）知識庫，通常由數據庫和模糊控制規則庫組成；
3）模糊推理，它是模糊控制器的核心，具有模擬人的，基于模糊概念的推理能力，該推理過程是基于模糊邏輯中的蘊涵關系及推理規則來進行的；
4）非模糊化，即將模糊推理得到的模糊量變換為實際用于控制的精確量。
圖1 模糊控制框圖
本文介紹了模糊控制在DC/DC變換器中的兩種不同的應用。
1 引言
DC/DC變換器是一種強非線性電路，電路的電氣參數存在不確定性，負載性質也是多變的，主電路的性能必須滿足負載大范圍的變化，同時它還具有離散和變結構的特點，所有這些使DC/DC變換器控制器的設計較為復雜。由于傳統的控制方法是基于線性系統理論，所以，應用于DC/DC變換器中并不能獲得理想的動態性能。
有兩種途徑可以不利用線性系統理論。一種是建立一種精確的非線性模型，但是，這種方法需要復雜的數學推導，經常導致復雜的控制算法，而不適合實際應用。另一種方法是把人工智能的啟發式推理規則用于學習控制系統，即智能控制，它不需要建立精確的數學模型，并且對于電路參數變化具有良好的魯棒性。
2 智能控制
智能控制是控制理論發展的高級階段，它的建立和發展是以眾多新興學科為基礎的。智能控制的基本出發點是仿人的智能實現對復雜不確定性系統進行有效的控制。目前智能控制設計的途徑有：
1）基于專家系統的專家智能控制；
2）基于模糊推理和計算的模糊控制；
3）基于人工神經網絡的神經網絡控制；
4）基于信息論，遺傳算法和以上三種算法的集成型智能控制。
本文將重點討論模糊控制，神經網絡控制以及模糊神經網絡控制在DC/DC變換器中的應用。
3 模糊控制在DC/DC變換器中的應用
模糊控制是應用模糊集合理論的控制方法，提供一種實現基于知識（規則）的，甚至語言描述的控制規律的新機理，例如：如果輸出電壓誤差是正的，并且它的變化率是負的，那么輕微減少占空比等等。所以，模糊控制設計方法比較簡單。雖然，相對于傳統控制器，模糊控制通常不能提供更好的小信號響應，但是，它是基于啟發式推理規則的，在非線性的DC/DC變換器中應用是非常容易的。
模糊控制的基本思想是基于專家經驗和領域知識，總結出若干條以IF（條件）THEN（作用）形式表示的模糊控制規則，構成描述具有不確定性復雜對象的模糊關系，通過被控系統輸出誤差及誤差變化和模糊關系的推理合成獲得控制量，從而對系統進行控制。
模糊控制采用帶修正因子的模糊控制器，其控制規則為
μ（k）=ε（k）＋（1－α）εc（k）
式中：μ（k）為輸出與測量值之差；
εc（k）為給定值與測量值之差，εc（k）=ε（k）－ε（k－1）為誤差變化率；α為加權修正因子，在0～1之間取值。
通過調整加權系數，就可對控制規則進行修正。以α作為調整參數是很方便的，因為，α取值大小直接影響著被控量誤差和誤差變化率的加權程度，當被控對象數學模型的階次較高時，對誤差變化率的加權應大于誤差的加權值，因而α可取較小值，反之亦然。
模糊控制框圖如圖1所示。模糊控制器被分為4個部分：
1）模糊化，即將輸入值轉化為模糊量；
2）知識庫，通常由數據庫和模糊控制規則庫組成；
3）模糊推理，它是模糊控制器的核心，具有模擬人的，基于模糊概念的推理能力，該推理過程是基于模糊邏輯中的蘊涵關系及推理規則來進行的；
4）非模糊化，即將模糊推理得到的模糊量變換為實際用于控制的精確量。
圖1 模糊控制框圖
本文介紹了模糊控制在DC/DC變換器中的兩種不同的應用。
3.1 模糊控制在DC/DC變換器反饋控制中的應用
DC/DC變換器的模糊控制框圖如圖2所示。
圖2 DC/DC變換器的模糊控制框圖
圖中DC/DC變換器用一個黑箱表示，其上有四個端子，分別接輸入電壓us，輸出電壓uo，電感電流iL和控制開關S。其中只有輸出電壓和電感電流送入了模糊控制器。
模糊控制規則基于以下幾條標準：
1）當變換器的輸出遠離設置點時，大幅度調整占空比，以使輸出快速回到設置點；
2）當變換器的輸出接近設置點時，可以稍微調整一下占空比；
3）當變換器的輸出在設置點附近并且快速接近它時，應當保持占空比不變，以防止有超調量；
4）當變換器的輸出到達了設置點并且仍在變化時，稍微變化占空比以防止輸出遠離設置點；
5）當輸出到達了設置點并保持穩定時，占空比保持不變；
6）當輸出超過了設置點，應減小占空比，反之亦然。
通常同樣的模糊控制規則可以應用在幾種不同類型的DC/DC變換器中，只是一些比例因子要根據變換器的不同拓撲和參數做相應的調整。
把模糊控制應用于Cuk變換器的電壓反饋中，但只利用了輸出電壓和它的變化率，沒有考慮電感電流，雖然與PID控制相比其輸出電壓波動小于PID控制，并且具有較快的瞬態響應，但是，動態性能還是不夠理想。
分別把模糊控制應用于Buck-Boost和Sepic變換器中，模糊控制器利用了三個輸入變量：輸出電壓誤差εu；電感電流誤差εi；電感電流iL。相對于只利用輸出電壓變量的模糊控制器來說，動態性能更令人滿意。同時，通過仿真證明了模糊控制與傳統控制方法具有同樣快和穩定的小信號響應，并且改進了大信號響應性能。
3.2 模糊控制在主從均流控制的并聯DC/DC變換器中的應用
利用主從控制方法并聯工作的變換器具有大量的控制環，所以，很難得到系統的實際模型。傳統的控制方法是基于簡單平均化的線性模型，在負載大范圍變化和存在干擾的情況下，則得不到很好的動態響應。模糊控制方法克服了建立復雜模型的困難，因此，可以應用于實際工程中，并且用數字和模擬方法都可以實現。
把模糊控制引入到均流環中，可以得到快速且魯棒性強的瞬態響應。把經過PD控制的均流誤差送入模糊控制器，利用PID控制的結果得出模糊推理規則，仿真結果表明負載分別為額定負載的50％和90％時，瞬態響應良好。
4 神經網絡控制在DC/DC變換器中的應用
神經網絡系統具有輸入、輸出，它由許多個神經元組成。每個神經元有一個單一的輸出，它可以連接到許多其它的神經元，其輸入有多個連接通路，每個連接通路對應一個連接權系數。變換權系數將改變整個網絡的工作性能，我們的目的就是調整權系數，以獲得理想的輸入、輸出關系。
神經網絡控制方法是基于人腦控制行為的生理學研究而發展起來的，是一個具有廣闊應用前景的智能控制方法。由于神經網絡具有非線性映射能力、自學習適應能力、聯想記憶能力，并行信息處理方式及其優良的容錯性能，所以，它在非線性和復雜控制系統中，起著如傳遞函數在線性系統中所起的作用。
在神經網絡控制系統中，信息處理過程通常分為自適應學習期和控制期兩個階段。在學習期，網絡按一定的學習規則調整其內部連接權系數，使給定的性能指標達到最優；在控制期，網絡連接模式和權系數已知且不變，各神經元根據輸入信息和狀態信息產生輸出。兩個階段可以獨立完成，也可以交替進行。
通常神經網絡在控制中的作用可分為如下幾種：
1）充當系統的模型，構成各種控制結構，如在內模控制，模型參考，自適應控制，預測控制中，充當對象的模型等；
2）在反饋控制系統中直接用作控制器；
3）在控制系統中起優化計算的作用；
4）在與其它智能控制方法和優化算法相融合中，為其提供非參數化對象模型，優化參數，推理模型及故障診斷等。
目前，國內外學者提出了許多面向對象的神經網絡控制結構和方法，較具代表性的有神經網絡監督控制，神經網絡直接逆動態控制，神經網絡參數估計自適應控制，神經網絡模型參考自適應控制，神經網絡內模控制，神經網絡預測控制。
雖然，神經網絡應用于非線性系統已經有很多年了，但是，主要把它用于機器人技術和自動控制系統。在電力電子領域，神經網絡的應用還處于初級階段，最近，不斷有文章報道用神經網絡來控制DC/DC變換器，這預示著神經網絡在DC/DC變換器中的應用將會不斷增多。
把神經網絡間接應用于PWMBoost變換器中，如圖3所示。
圖3 Boost變換器的神經網絡控制
其中，用神經網絡控制器產生變換器的控制信號，進行反饋控制，用神經網絡仿真器識別變換器的參數變化。并且神經網絡控制系統自動學習變換器工作時的動態特性。由于PWM變換器通常是二階系統，所以，對于變換器的輸入和輸出，兩個延遲單元是足夠的。
由神經網絡間接控制的Boost變換器不需要知道雅可比行列式，也不用考慮參數變化，在遇到大信號擾動時，也不需要利用傳遞函數方法來處理。
計算機仿真結果表明，即使在高頻脈沖電源電壓和高頻脈沖參考信號的條件下，神經網絡控制系統都能提供良好的動態響應。
把神經網絡控制器應用于Buck變換器中。首先，把Buck變換器在一個工作點線性化，進行PI控制，由此得到神經網絡離線訓練的數據集合，這種訓練時間長，并且依賴于數據集合的大小和特性，但是，依然能得到良好的控制結果。而在線訓練的神經網絡控制器設計的時間少，在變化的負載條件下能夠提供最精確和統一的結果。
提出用神經網絡辨識和控制一個反激準諧振變換器。神經網絡控制器用來調節輸出電壓，它由3層組成，輸入層有8個神經元，隱層有24個神經元，輸出層有一個神經元。4個輸入分別為輸入電壓變化量，電感電流變化量，負載電流變化量，輸出電壓相對于參考值的變化量。控制器的輸出能夠調節輸出電壓的開關頻率。控制方法采用監督學習的神經網絡控制，用BP算法，并由Levenberg-Marquedet規則改進。仿真結果表明系統的精度和魯棒性都得到了改善。這種神經網絡控制器的優點可總結如下：
1）降低了輸出電壓的偏差，提高了控制系統的精度；
2）對于輸入電壓和負載的變化，具有快速的響應；
3）由于神經網絡控制器的輸出是開關頻率，這可以直接而且很容易完成文中的控制算法。
5 神經模糊控制在DC/DC變換器中的應用
神經網絡和模糊控制在對信息的加工處理過程中，均表示出很強的容錯能力，它們在處理和解決問題時，不需要對象的精確的數學模型；從數據處理的形式上看，它們均采用并行處理的結構，當輸入信號進入模糊控制系統時，所有的模糊規則將依據條件的適用度決定是否被激發，并且由被激發的規則決定系統的輸出。對神經網絡而言，它本身就是由并行結構的神經元構成。
但是，模糊系統和神經網絡有著明顯的不同之處。神經網絡雖然對環境的變化具有較強的自適應學習能力，但從系統建模的角度而言，它采用的是典型的黑箱型的學習模式。因此，當學習完成之后，神經網絡所獲得的輸入和輸出關系，無法用容易被人接受的方式表示出來。相反，模糊系統是建立在被人容易接受的“IFTHEN”表示方法之上。但如何自動生成和調整隸屬函數的模糊規則，則是一個很棘手的問題。
基于以上分析可知，上述兩類系統的相似點構成了融合的基礎，而它們的不同點又為融合方式研究提供了可能。
神經網絡和模糊邏輯有以下幾種的相結合方式：
1）神經模糊系統在模糊模型中用神經網絡作為工具；
2）模糊神經網絡把常規的神經網絡模型模糊化；
3）模糊－神經混合系統把模糊技術和神經網絡結合起來形成混合系統。
提出用神經模糊控制器控制Cuk變換器，如圖4所示。由于模糊變量的隸屬函數通常是基于專家知識得到的，這要依賴于過去的經驗，并不能給出優化的性能。文獻［7］利用神經網絡設計隸屬函數，把神經網絡作為隸屬函數生成器組合在模糊控制系統中。控制器的輸入為電壓誤差和電壓誤差變化率，輸出為變換器PWM的占空比。神經網絡由BP學習算法調節，作用函數為S（x）=
。神經模糊控制器經過離線訓練后，用來調節Cuk變換器。通過仿真證明，當負載變化時，神經模糊控制器比PI控制器的動態響應更好。
圖4 Cuk變換器的神經模糊控制系統
6 結語
目前，智能控制在DC/DC變換器中的應用非常少，還只是停留在仿真階段，尤其是國內鮮有文章報道。考慮到經濟和體積方面的原因，以及智能控制整個理論體系還不成熟，所以，智能控制的DC/DC變換器還需要一定的時間才能應用于實際。但是，隨著智能控制應用工程的日益成熟，各種軟硬件技術的開發，尤其是最近高速廉價的數字信號處理器（DSP）的應用，大大方便了智能控制應用系統的實現，這使得具有優良性能的智能控制的DC/DC變換器更加受到人們的重視，從而可得到長足的發展。