1引言
近年來，電力電子技術發(fā)展迅速，直流開關電源廣泛應用于各個領域[1]。軟開關技術尤其是軟開關諧振變換器以其優(yōu)越的性能已經成為直流開關電源研究中極其熱門的研究方向并且得到了廣泛的應用。由于在許多場合中，對于輸出電壓的動態(tài)響應性能要求很高，這就要求軟開關功率變換器系統(tǒng)具有較好的動態(tài)響應能力而且能夠實時地適應系統(tǒng)的變化。
PID控制器以其簡單的結構、明確的物理參數和易于實現等優(yōu)點，在新的控制理論不斷涌現的今天仍然是反饋控制中最常用的方法。但是PID控制器主要的缺點就是它對被控對象的依賴性[2]。由于在系統(tǒng)中諧振元件的引入以及這些系統(tǒng)本身存在嚴重的非線性和時變不確定性等特點，使得傳統(tǒng)的PID控制很難達到系統(tǒng)輸出的要求。而神經網絡源于對腦神經的模擬，具有很強的適應復雜環(huán)境變化和多目標控制要求的自學習能力，并有以任意精度逼近任意非線性連續(xù)函數的特征[3]。
據此，本文將神經網絡與傳統(tǒng)的PID相結合，利用神經網絡的自學習和任意函數的逼近能力以及PID控制思想，構造一個基于PID的神經網絡控制器，以提高系統(tǒng)的輸出精度和動態(tài)響應能力。

2軟開關準諧振功率變換器
本文以SEPIC零電流諧振功率變換器為控制對象，在控制回路中加入PID神經網絡控制器，所設計的系統(tǒng)結構如圖1所示。圖1中Lf、Cf分別為諧振電感和諧振電容，二者可發(fā)生并聯諧振。諧振電感與開關管串聯，即在開關管與諧振電感中流過同一電流，若諧振電感中的電流為零時導通開關管就實現了開關管的零電流導通，即在零電流條件下實現軟開關工作狀態(tài)。

(1)
其中kp、ki、kd分別為比例、積分、微分系數。這些參數確定之后，不能主動適應系統(tǒng)的變化，若系統(tǒng)的條件參數一旦發(fā)生變化就不能在較佳的狀態(tài)下運行。因而若將PID的控制規(guī)律與神經網絡相結合，讓神經網絡來完成自動調整kp、ki、kd，通過網絡的自身學習找到最優(yōu)的控制參數。圖1中所示的PID神經網絡控制器的具體結構如圖2所示。該控制器采用了BP神經網絡結構以誤差信號e(k)、e(k-1)、e(k-2)作為輸入信號，而把kp、ki、kd作為隱含層的3個單元，來輸出一個控制信號。這是一個3輸入、單輸出、一個隱含層(包含3個單元)的網絡，從而實現了神經網絡與PID控制規(guī)律的結合。

(2)
網絡的學習目的是使目標函數J為最小，為系統(tǒng)給定參考值，un(k)為系統(tǒng)輸出值，n為每批采樣點數。沿負梯度方向調整連接權Wij、Wj1的修正量為

（3）
設K為迭代次數，應用梯度法可得網絡各層連接權的迭代關系式為:

（4）

（5）
式(4)和(5)中等號右邊的第二項為各層連接權的修正量。權值的修改過程也即是kp、ki、kd三個參數的調整過程，當輸出誤差滿足輸出精度要求時也就是獲得了最優(yōu)的kp、ki、kd參數設置，這樣就使這三個參數實現了自適應調整，不斷的改善系統(tǒng)的動態(tài)響應性能。為提高網絡的學習效果加快收斂，在權值調整過程中引入了動量項因子，因而網絡連接權的迭代關系變?yōu)槿缦率?br style="margin-top: 0px; margin-right: 0px; margin-bottom: 0px; margin-left: 0px; padding-top: 0px; padding-right: 0px; padding-bottom: 0px; padding-left: 0px; ">

(6)
其中動量項

(7)
mc為動量因子，這里將其取值為1。
圖1中的PID神經網絡控制器的作用就是將給定信號與反饋信號之間的誤差信號e變換為控制PWM信號的電壓u，進而控制功率變換器工作，并且通過不斷地學習來改善控制性能。
4仿真計算與結果分析
仿真步驟如圖3所示。

根據前兩節(jié)所述的軟開關準諧振功率變換器、以及其與PID神經網絡控制器相結合所建立的系統(tǒng)結構進行仿真，仿真在數學仿真軟件MATLAB提供的Simulink軟件包中進行。主電路仿真參數如下：
輸入電壓Uin=50V，L1=1.6mH，L2=40μH，Lf=20ΜH，Cf=300nF，C1=3.9μH，Cr=47μH，R=100Ω。
(1)主開關管流過的電流

從圖4可以看出，在主開關管脈沖到來之前，開關管上流過的電流已經到零，保證了功率開關管的零電流關斷，這表明加入PID神經網絡控制器后仍能保證主電路工作在零電流開關的工作狀態(tài)。
（2)輸出響應
加入PID神經網絡控制器前的零電流SEPIC諧振功率變換器的輸出電壓響應如圖5所示，縱坐標表示電壓，單位為V，橫坐標表示時間，單位為s。

從圖5中可以看出，該變換器的輸出電壓在0.02s后才趨于穩(wěn)定。將本文所設計的PID神經網絡控制器加入到主電路之后的系統(tǒng)響應如圖6所示。由圖6可以看出輸出電壓在0.02s前已基本趨于穩(wěn)定，系統(tǒng)有更快的響應性能。
（3)瞬間響應
當負載電阻從100Ω下降到80Ω時的瞬間響應如圖7所示。
從圖7的仿真結果可以看出加入了PID神經網絡控制器后，不僅可以使功率變換器的輸出獲得相當高的響應精度，而且在負載發(fā)生變化的情況下，跟隨精度仍然很好，特別是在負載發(fā)生突變的情況下，系統(tǒng)能夠迅速恢復穩(wěn)定輸出，這說明所設計的控制器具有較好的控制效果。

5　結論
本文提出了一種新的控制方案，將PID控制與神經網絡相結合，構造出了一種新的神經網絡控制器，并且應用到了軟開關諧振功率變換器中。仿真結果表明，該功率變換器在PID神經網絡控制器的作用下不僅能夠保證主電路在軟開關狀態(tài)下穩(wěn)定運行，并且還能提高系統(tǒng)的輸出精度、動態(tài)響應能力和適應環(huán)境變化的能力。該控制器對系統(tǒng)結構發(fā)生變化時的適應能力強，克服了常規(guī)PID控制器的缺點，在軟開關應用中具有更好的控制效果。

參考文獻
[1] Xiao Sun, Martin H L Chow. Analogue Imp lementation of a Neural Network Controller for UPS Inverter App lications [J]. IEEE TRANSACTIONS ON POWER ELECTRON ICS VOL, 17, NO.3, MAY 2002. 305-313.
[2] Wang, Beilei Zhao, L in Tan, Zhenfan. Neural Network Based Online Self - learning Adap tive PID Control [ C ]. Proceeding of the 3rd World Congress on Intelligent Control and Automation, June 28-July2, 2000.
[3] 沈亭,嚴仰光.基于DSP的逆變器神經網絡控制[J].電力電子技術,2002-10,36(5):50-52.■