面向电动汽车电池与电机负载系统的DC/DC升压变换器人工智能混合控制技术

《World Electric Vehicle Journal》：Artificial Intelligence Hybrid Control Technique of DC/DC Boost Converter for EV Battery and Motor Load Systems

　　

电动汽车(EV)需要能够向电动机快速高效输送能量以实现快速加速的高性能牵引电池系统。为满足日益增长的高效功率变换需求，本文提出一种基于人工智能的混合控制技术，用于为电动汽车电池负载供电的升压变换器。所提方法将传统比例-积分-微分(PID)控制与脉宽调制(PWM)相结合以确保系统稳定性，同时采用模糊NARMA-L2控制器在变化运行条件下增强动态性能。该智能控制器利用人工神经网络(ANN)预测系统行为并自适应调节开关动作，从而降低稳态误差(SSE)并提高效率。研究人员实现了混合切换机制，使传统控制模式与智能控制模式之间能够平滑过渡，从而增强系统可靠性并防止潜在故障。采用多种准则对所提控制器的性能进行评估，其中互相关分析证明了系统的稳定性和抗扰动能力。基于Arduino Uno平台的仿真和实验验证证明了所提方法的有效性。结果表明，总谐波失真(THD)从PID控制下的9.6%显著降低至基于人工智能运行负载条件下的1.67%；稳态误差(SSE)为0.02，上升时间(t_r)为0.3 s。在理想参数模型下，仿真中实现了0.02的稳态误差和0.5%的纹波，而样机硬件测试在双16 MHz微控制器上运行，展示了1.67%电压纹波内的稳态调节能力以及78.0%的系统整体转换效率。此外，与传统控制相比，所提策略将系统整体性能提升高达6倍，在电机负载条件和可变输入(5,9,12,16,24) V下提升高达7倍。

**研究背景与现存问题**

升压变换器广泛应用于光伏(PV)系统、电动汽车(EV)、不间断电源等工业领域，其基本功能是在保持电流方向不变的前提下将输入电压提升至输出端。在电动汽车系统中，升压变换器用于将电池电压提升至牵引电机及电气设备所需的直流母线电压水平。然而，升压变换器在负载波动条件下存在电压控制困难的问题，传统比例-积分-微分(PID)控制器在非线性系统中的性能会显著退化，且其参数K_p、K_i、K_d需精确整定。尽管模糊逻辑控制(FLC)和人工神经网络(ANN)等智能方法已被引入相关研究，但单一控制策略难以同时满足快速动态响应、低谐波失真与高稳定性的综合要求。因此，亟需一种能够结合传统控制可靠性与智能控制适应性的混合控制策略。

**研究内容与总体结论**

研究人员提出了一种基于人工智能的混合控制技术：以PID控制与脉宽调制(PWM)保证系统稳定性，以模糊NARMA-L2控制器增强变化工况下的动态性能，并利用人工神经网络(ANN)预测系统行为、自适应调节开关动作。设计的混合切换机制实现了传统模式与智能模式之间的平滑过渡。仿真与基于Arduino Uno(Arduino S.r.l., Ivrea, Italy)平台的实验验证表明，总谐波失真(THD)由PID控制下的9.6%降至1.67%，稳态误差(SSE)为0.02，上升时间(t_r)为0.3 s，系统整体转换效率为78.0%，整体性能较传统控制提升6倍，在电机负载条件下提升7倍。

**关键技术方法**

研究人员主要采用了以下关键技术：(1) NARMA-L2控制器采用[4×9×1]前馈神经网络结构，通过Levenberg-Marquardt算法离线训练(均方误差MSE=4.44×10^-7，回归系数R=1.0000)，实现反馈线性化控制；(2) 模糊逻辑控制器(FLC)基于7×7共49条决策规则，融合Mamdani Type-1与Type-2双结构以增强适应性与鲁棒性；(3) 混合切换机制包含迟滞带(δ_h=0.05 V)和驻留时间计数器(T_dwell=10 ms)及一阶低通滤波器(LPF)；(4) 基于Lyapunov函数的闭环系统渐近稳定性证明；(5) 实验平台采用双Arduino Uno(16 MHz)微控制器，以20 kHz快速PWM驱动IRF3205 N沟道MOSFET，输入电压为(5,9,12,16,24) V，负载为24 V直流电机(STD MTR QK1-4637，东京，日本)。

**5.1 仿真结果**

研究人员在MATLAB/R2023a中构建闭环仿真模型，对比了PID、FLC、NARMA-L2及所提混合控制器的响应特性。仿真结果表明，混合控制器实现了零超调(Mp)，SSE小于0.02 V，t_r约为0.3 s，调节时间(t_s)小于1 s(2%准则)。在t=1 s时发生负载突变，系统由PID模式平滑切换至NARMA-L2智能模式，输出电压从12 V稳定升至24 V。最终预测误差(FPE)为1.98715×10^-12，ARX估计拟合度为[99.81; 99.13]%，验证了所提模型的高精度。

**5.2 实验结果**

实验采用双Arduino Uno控制器同步采样，以20 kHz PWM驱动基于IRF3205的升压变换器。当输入9 V时，输出电压稳定在24 V，THD为1.67%，符合IEEE 519规定的THD≤5%标准。在24 V直流电机负载下，PCC处电压THD保持约1.67%，而负载电流THD为10.8%，这是电机换向特性导致的常见现象。额定负载下测得输入功率P_in=128.2 W，输出功率P_out=100 W，效率为78.0%。在5 V至24 V输入切换过程中，硬件响应与仿真模型的互相关度达0.984。控制算法总执行时间为161 μs，对应6.2 kHz有效控制频率。

**讨论与结论**

研究人员提出了一种面向EV电池与电机负载系统的DC/DC升压变换器人工智能混合控制策略。研究表明，单一NARMA-L2控制器存在显著高频抖振，而所提混合方法充分利用了PID在稳态工况下的可靠性与简单性，以及FLC和NARMA-L2在处理非线性、不确定性和瞬态需求方面的优势。该系统在扰动和变输入条件下保证了电池稳定性，电池荷电状态(SOC)保留率在硬件和软件上分别提升16.6%和19.8%，降低了谐波失真并加快了瞬态响应，有助于延长电池寿命和提高可靠性。该研究为功率管理系统中融合传统与智能控制方法提供了可行方案。未来工作将聚焦于集成电化学老化模型，以量化连续工业运行条件下精确的长期日历寿命和循环寿命增益。