设计最优QFT控制器和预滤器巴克转换器使用Metaheuristic算法

文摘

巴克转换器是一个降压开关式稳压器。巴克转换器被广泛应用于工业应用,依靠调节输出电压波动的输入电压。巴克转换器工作在以下模式:(A) (b)或电流控制压控模式。但这些转换器清单几个nonlinearites因为切换操作。因此,为了生成一个转换器的输出质量,控制器的设计就变得至关重要。摘要QFT-based鲁棒控制器和预滤器的合成进行了一个不确定的buck变换器的不同输入电压和不同负载。控制器综合问题已经作为一个优化问题,提出和metaheuristic算法已被用于获得最优收益的QFT控制器和预滤器。QFT合成通过这样做,可以进行单步而不是顺序后古典QFT过程尼科尔斯图和模板的生成和界限已被消除。2-degree-of-freedom QFT控制系统设计提供了一个健壮的行为和有效地处理参数的不确定性。设计控制器的鲁棒性是通过仿真结果证实了大型输入电压和负载波动。

1。介绍

巴克转换器中心各种不同的应用程序,需要一个可调/固定直流供电形式固定可调直流供电,如航空航天、仪器仪表、医疗器械、和电脑。(1]。规定在这种转换器是利用脉冲宽度调制(PWM)来完成的。这种非线性切换的效果和操作损失控制器的连续操作通常不被认为是合成过程。因此,植物无知的建模,参数不确定性、非线性、等控制系统合成变得至关重要,所以设计时要保证质量输出转换器操作很长一段时间,尽管不确定性系统中或负载变化等。2]。

在文献中,已经实现了一些经典控制方法的线性化buck变换器模型但在转换器的性能会降低不确定性的影响(3]。多年来减轻这种不确定性的影响,许多鲁棒控制方法H₂,H∞,μ建立了合成,还建立了理论忽视了没有解决工厂的不确定性模型的建模在设计过程中(4]。

在1960年代,伊萨克霍洛维茨介绍了定量反馈理论(QFT)。量子场论2-degree-of-freedom(双自由度)控制器的体系结构,即,(a)控制器K(年代)和(b)预滤器F(年代),闭环的不确定性的影响是减少反馈控制器,而前馈预滤器形状所需的频率响应。QFT设计过程包括几个连续的步骤,并使用循环控制器和预滤器设计塑造尼科尔斯图。loop-shaping过程需要大量的经验,而且还不能保证最优控制器设计。

介绍了一个自动化的单步QFT控制器巴克转换器使用metaheuristic算法的合成技术。所需的QFT范围和性能目标的电压模式控制buck变换器已经表达的设计目标和约束。QFT控制器系统设计问题表示为一个优化问题。这消除了生成的模板,其他需要手动循环形成。设计控制系统提供了一个健壮的反应在一个范围的参数不确定性在频率和时域和还提供大型输入电压变化的性能鲁棒性。工作也一直与古典控制器Ziegler-Nichols等合成方法相比,内模控制(IMC),伊瓦拉提出的QFT控制器等。5使用经典的QFT设计方法)。

本文分成后续部分:在部分1、波纹等因素限制巴克转换器的性能以及QFT控制器可以是有益的讨论。节2、先进的文献回顾。节3,buck变换器的建模进行了讨论。节4,讨论了量子场论和metaheuristic算法的基本知识。节5QFT设计要求,讨论了巴克转换器,紧随其后的是合成巴克转换器使用metaheuristic QFT控制器的算法部分6。结果讨论部分7。节8,设计了QFT控制器用于验证不同巴克转换器的输入电压其次是结论和参考。

2。文献综述

通常,植物动力学建模有很多假设,和工厂的操作,由于老化仪器加班导致偏差的工厂的名义动力学控制器设计时使用。这使得很难保证质量控制。为了解决这个问题,一些控制理论H∞,H₂等方面,μ合成已建立,设计控制系统不能偏离其状态的不确定性(4]。但这些控制理论忽略了一个事实,控制器合成中使用的模型是不精确模型的植物(4]。

在1960年代,伊萨克霍洛维茨介绍了频域控制器设计技术定量反馈理论(QFT) [4基于波德的增益相位积分。QFT的基础放在塑造的反馈所需的鲁棒稳定性的极限,参考跟踪和抗干扰性满足。量子场论的二自由度控制配置,即。有一个控制器K(s)的反馈回路和预滤器F在前馈回路配置之前(s)。反馈控制器K(s),减轻了闭环的影响可变性和预滤器设计形状输入的方式获得所需的输出在时间和频率域。

几个不同的工程应用程序(QFT发现应用程序6- - - - - -14]。在这些应用中,手动循环形成的合成已被用于QFT控制器和预滤器。进行手动循环形成尼科尔斯图表和需要大量的经验;设计的成功完全取决于工程师的专业知识,和很难合成控制器不稳定和非最小相位系统的复杂特征。

最近,许多研究人员强调的自动合成QFT控制器。基拉和霍洛维茨(15其次是巴兰(16]介绍了QFT控制器合成的半迭代过程,但非常高阶控制器。但这些方法(17- - - - - -19)是基于一些不切实际的假设或一个非常保守的设计,因为他们解决复杂的非线性复杂或线性规划问题。Zolotas和Halikias20.)使用的方法获得最优QFT控制器通过搜索在密集的控制器。帕蒂尔et al。21翻译]自动循环形成过程的QFT设计要求和使用间隔约束满足技术(ICST)自动化过程22- - - - - -27]。ICST-based的控制器设计方法受到过量的使用频率范围。

现在Metaheuristic算法被广泛用于控制系统的设计。基于QFT控制合成不能通过使用传统的梯度优化算法。几个进化算法已被用于合成的QFT控制器。Gracia-Sanz et al。28和陈等。29日)实现遗传算法的自动循环形成QFT控制器。进化算法已经被金使用和涌30.]。molin和Garcia-Sanz31日)获得强劲稳定的QFT控制器使用遗传和进化算法。一种鲁棒PID QFT控制器设计了Satpati et al。32)使用PSO时滞系统的自动化循环形成过程。孟和雪33)也使用PSO的QFT控制器设计分数阶非最小相位hydrosystem [34,35]。但是,其中一些仍然需要一代的模板和尼科尔斯图界限为设计目的。

仍然在电气工程这类算法的应用特别是在电力电子是非常有限的。Olalla et al。36]阐明QFT-based鲁棒控制器设计的直接驱动多极风力涡轮机。Anmol r . Saxena和Veerachary9)采用QFT设计鲁棒电压模式控制高阶提高直流-直流交换式电源转换器。Khodabakhshian和Hemmati10,37)使用量子场论的鲁棒控制电力系统稳定器(PSS)和DVR分销系统。健壮的分散的设计多机电力系统稳定器(pss)确保阻尼机电振荡,提高了电力系统的稳定性。Igrec et al。38]介绍了QFT-based健壮的串励直流电机的速度控制。Alavi和赛义夫11)实施了QFT-based集成故障检测和控制的鲁棒控制。

巴克转换器,QFT已经用于解决参数不确定性。在[5),古典QFT已被用于设计鲁棒控制器。在[39),蝙蝠算法已被用于设计的健壮H∞控制器。在[40),的功效在Ziegler-Nichols-tuned QFT-based PID控制器PID控制器已经证明。仍然有很多空间最小化buck变换器的电流和电压波动,和量子场论提供了一种很有前途的解决问题的办法。

3所示。巴克直流-直流变换器的建模

直流-直流转换器的动态已经获得一组定常状态空间平均小信号方程(5]。图1显示了传统的巴克的线路图。

巴克转换器主要是在两个配置:(A)连续电流模式(CCM)和(b)不连续电流模式(DCM)。在这部作品中,连续电流模式(CCM)模式已经考虑控制器综合。对于一个工作周期,方程(1)为当前G_iD(年代)传递函数和方程(3)给出了电压G_VD(年代)传递函数。表1显示了本文中使用的元素的参数: 在哪里 和 在哪里

4所示。背景

4.1。定量反馈理论

定量反馈理论(QFT)是一个频域控制器合成方法引入的欢笑霍洛维茨在1960年代。量子场论是基于波德著名的增益相位积分,二自由度控制器配置如图2,一个控制器K(年代),最大限度地减少外部干扰的影响,和预滤器F(年代)用于形状所需的频率响应。在量子场论中,模板描述植物的程度的不可预测性z平面的形式和所需的性能指标。控制器的实用性设计测量使用模板,和范围提供蓝图塑造尼科尔斯图在每个设计的开环传输频率的兴趣。设计的控制器是塑造尼科尔斯图上的开环传输,这样所有的界限在每个频率的兴趣感到满意。

4.2。蝙蝠算法

2010年,杨提出了metaheuristic蝙蝠算法(BA)的算法,这是建立在蝙蝠的回声定位行为(41]。蝙蝠用回声定位搜索猎物和分类不同类型的昆虫在夜间。蝙蝠的初始种群生成各自的位置x_我。数学上,蝙蝠的飞行的运动 在哪里蝙蝠的位置,是蝙蝠移动的速度和更新的职位吗在飞行和速度在时间 ,均匀分布随机向量,是当前全球最佳位置n蝙蝠的人口。最初,每个蝙蝠分配均匀分布频率 。

当猎物被一只蝙蝠,响度更新的速度和脉冲发射吗增加。在这里,最初的响度是1,猎物被蝙蝠, : 和是固定的,对吗 , :

响度和脉冲发射率的值被修改只有在得到了改进的新的解决方案。

4.3。花授粉算法

花授粉算法受到授粉的发生,发生在开花植物(42),在植物繁殖的培养基。它已经被杨在2012年推出。授粉的花粉转移通过传粉者像风能、鸟类、昆虫、动物和其他媒介。一朵花受精的授粉可以通过自花受粉发生或异体受精。当花的受精发生从本身或从不同的花同样的植物,它是说自花受粉,如果不同植物的花粉,然后在这种情况下,它被称为异花受粉或交叉授粉。

在授粉描述四个步骤后花授粉算法(42]:(1)从一个花的授粉发生其他传粉者执行利维航班和被视为全球授粉(2)自花受粉被认为是当地授粉(3)肥沃的花越多,繁殖概率的可能性就越大(4)全球和本地授粉率由开关控制概率,

全球授粉花粉传播通过传粉者,花的生育能力保证授粉的选择最肥沃的花。在数学上,它是表示为 在哪里是花粉在迭代和在当前迭代是目前最好的解决方案。授粉是由和步长。传粉者有旅行在某种程度上通过执行利维航班。所以,莱维分布绘制并给出如下: 在哪里是标准的伽马函数和大飞机的税收分配是可以接受的吗 。

数学,花恒定不变的特性,给出了如下: 在哪里和是花粉从不同的父母但属于相同的物种。如果局部随机搜索使用 和从相同的人口和选择是选为均匀分布,即 。

主要,花授粉发生在当地和全球范围内。在附近的鲜花,当地授粉是主导。因此,切换概率控制授粉是否将一个全局或局部,是0.8。

4.4。人工蜂群算法

人工蜂群(ABC)算法引入了Karaboga和Basturk 2005年和基于蜜蜂的智能行为(43]。ABC是基于蜜蜂的广泛搜索执行搜索的食物和有三个重要的组成部分:采用蜜蜂,旁观者,童子军。一个雇佣蜂是检查它的食物来源检查前,旁观者蜜蜂在跳舞等地区在选择去寻找食物,和蜜蜂,执行随机搜索被称为侦察。ABC算法分为以下阶段。

4.1.1。初始化阶段

在初始化阶段,每一个蜜蜂的人口分配一个随机的位置x_我鉴于如下: 在哪里的食物来源是蜜蜂,的上限蜜蜂,的下限吗 ,和是0到1之间的随机数。

10/24/11。雇主蜜蜂阶段

在这个阶段,雇主蜜蜂阶段将执行寻找食物 ,在附近的食物来源x_我按其透光的记忆。它给出数学上如下: 在哪里的新食物吗采用蜜蜂,的位置吗蜜蜂,是随机选择和谎言之间(−1,1)。

4.4.3。旁观者蜜蜂阶段

在这个阶段,旁观者蜜蜂舞蹈在等候区关于雇主蜜蜂蜂巢共享信息。基于食品和距离蜂巢的概率,给出了旁观者蜜蜂做出他们的决定和数学上如下: 在哪里选择的概率是源的蜜蜂,是蜜蜂的殖民地的总数,然后呢健身的吗我蜜蜂。

基于信息共享的,旁观者蜜蜂将搜索社区和计算它的健康。比较当前位置的健身与前一个旁观者蜜蜂选择新位置。

4.4.4。侦察蜂阶段

在某个迭代/搜索,如果采用蜜蜂不会改变它的位置,它变成了一个侦察。侦察蜂仅限于当前一分之一周期和执行寻找新的食物来源。当一个新的食物找到位置,它存储在其内存到最大数量的周期。

4.5。Biogeography-Based优化

2008年,西蒙介绍biogeography-based优化算法(44),根据物种的迁移到另一个从一个岛屿。这是一个进化算法会导致一些新物种的产生和一些其他的灭绝。物种的迁移是由栖息地适宜性指数(HSI)。栖息地/岛高溪被认为是更适合生活,和下溪意味着它并不合适。各种功能,如植被、水、面积和温度特性的栖息地和被称为适应性指数变量(SIV)。栖息地HSI高移民率和较低的移民率更高。在数学上,它可以给出 在哪里是物种的数量平衡,最大数量的物种,是移民率,是移民率。

的概率从时间变化时间并给出数学上 在哪里和移民和移民率物种的栖息地。

两个重要的运营商:迁移(a)和(b)突变,管理偏硼酸钡算法。栖息地/岛高溪被认为是更适合生活,和下溪意味着它并不合适。迁移是一种自适应的活动。概率用于修改信息收集的物种在移民和移民的过程中修改SIV。精英主义是偏硼酸钡保存,保存最好的解决方案被放弃了。突变是指灾难改变恒生指数和打扰物种的平衡。所以由于这些灾难,恒生指数的栖息地可以突然改变和被认为是猴免疫缺陷病毒变异和突变的速率取决于物种计算概率。精英主义也保存在此阶段,为了支持最好的解决方案。在数学上,突变率 在哪里的概率是物种在一个岛上,是物种的最大数量,是最大的突变率。

4.6。和声搜索算法

2000年,Geem和Loganathan介绍以人群为基础的算法是基于爵士乐器的即兴之作进程的原则(45]。虽然构成一个和谐,音乐家尝试各种可能的音高他们记得,这通过使用一个最佳组合这样的球,他们组成一个完美的和谐。和声搜索算法包括以下步骤:(1)初始化随机生成的和谐搜索内存(嗯)。对于一个n维问题,可以作为解决方案空间 在哪里是解向量。(2)在这一步中,现在改善结果嗯的产生。和谐记忆考虑率(HMCR)控制的概率选择嗯,和俯仰调节率(PAR)控制HM的概率变异。这些参数HMCR和PAR模拟遗传算法的交叉和变异那样,但在乔治亚州,有一个限制父母在选择阶段,在和谐的搜索,选择是整个数组。(3)在这一步中,嗯更新。健身新解决方案的评估,它返回一个值比最坏的嗯,和最严重的一个是被新的解决方案。如果没有,新的解决方案就会被丢弃。(4)重复步骤2和3,直到停止准则。

和声搜索算法有许多运营商与进化算法,但是和谐搜索不同于所有为它提供了单一搜索记忆发展的解决方案。这也能提高算法的收敛速度。

4.7。微分进化

差分进化(DE) (46)是一种直接以人群为基础的随机搜索优化算法,并使用交叉的运营商,突变和选择。变异算子的热情产生更好的结果,而在GA,交叉使用。在德,变异算子用于搜索和选择全球最佳解决方案,sometimes-scattered交叉也用于生成更好的解决方案(15]。在这篇文章中,德与抖动(17)已经在设计过程中使用。

4.7.1。突变

变异向量为每个目标生成向量x_我,克并给出 在哪里随机生成,不能相同,比例因子,是组合的因素。

4.7.2。交叉

试验向量u_{霁,G +1}由混合交叉算子产生的变异向量和的父母作为吗 在哪里 ,随机向量 ,交叉常数 ,和随机选择的指数 。

4.7.3。选择

在选择中,任何个人的人口可以健身的父母尽管形式。变异和交叉后,孩子的能力评估和等同于母公司的能力和个人选择一个更好的能力值。

4.8。帝国主义殖民地算法

帝国主义殖民地算法受帝国主义竞争(46]。最初,生成一个人口,每个成员被称为国家,分为两种类型:(a)和(b)帝国主义殖民地。这些帝国互相竞争;最弱的秋天,和强大的占有的殖民地;这奠定了基础的算法。的竞争,只有一个帝国主义的存在,所有的帝国主义的殖民地拥有相同的成本。然后开始走向他们的帝国主义殖民地帝国和遵循一个简单的模型的同化政策。和x均匀分布随机数和给出吗 在哪里和使用随机数和修改帝国的面积。

帝国主义的力量和它的殖民地一起构成国家的力量。不能坚持的帝国竞争灭绝。竞争主要是加强了帝国和减少弱势国家的力量,使它们灭绝。帝国之间的竞争是一个收敛方式对一个强大的帝国和世界上所有其他国家的殖民地。

4.9。入侵杂草优化

2006年,Mehrabian介绍了入侵杂草优化(硫磺)算法(47],它模仿了杂草的传播策略。杂草被视为不必要的植物和非常艰难,可使他们在农业非常不受欢迎的。播种的硫磺算法使用常见的运营商,增长,竞争。该算法包括以下主要阶段:

4.9.1。初始化

在此阶段,人口的杂草是随机生成的。

4.9.2。繁殖

在这个阶段,只有少数植物在人口生产种子,这取决于植物的适应性。植物,至少,会产生较小的种子,而适者会产生最数量的种子,这关系是线性的。

4.9.3。空间分布

在这个阶段,一个随机分散的种子进行种子仍接近父。代人路过,标准差σ从最初的随机数的减少σ_最初的最后σ_最后在每一个步骤,给出了数学

4.9.4。竞争排斥

如果一个杂草不产生种子,它将灭绝;否则,他们将接管世界。所以,竞争限制了植物群体的数量。随着一代代传下去,它是理想的健康植物繁殖多不适宜的。当一个最大数量的杂草在殖民地,消除不健康的杂草。杂草与最低健身被淘汰,新的种子是由健康植物生成和分散使用生殖和空间分布,最后,健身是评估。与最小健身消除杂草,过程还在继续,直到满足停止条件。

4.10。TLBO

2011年,出于教学和学习的过程中,饶等人介绍了teaching-learning-based优化(TLBO) [48]。TLBO的本质是,老师影响学生在课堂上的表现。该算法适用于两个阶段:(一)教师阶段和(b)学习者的阶段。老师被认为影响,学生在课堂上可以向老师学习,也从交互。学习的成绩监控措施和直接受老师的影响。TLBO以人群为基础的算法,n是学习者的数量(数量),米不同主题的学生必须学习(问题)的尺寸,和老师被认为是最好的解决方案中所有的解决方案。的阶段TLBO讨论如下。

4.10.1。教学阶段

在1^圣TLBO阶段,老师学生学习形式。老师被视为精英,与学生们分享他的专长来增加他们的知识(意味着结果)。最初,生成一个随机的人口,和个人的最低的健身价值选择作为一名教师(最小化问题),这个信息是共享的学生提高他们的平均成绩米_一个来米_B。老师试图增加类的均值,通过把它靠近它的价值,但它也依赖于学习者的能力。

假设平均结果和老师是在任何迭代 。老师将试图改善意思收敛它对自己的水平,和新是意味着什么(7),是由 在哪里教学因素和吗是任何[0,1]之间的随机数。

教学因素仅限制在1或2,选择以相等的概率:

新解决方案通过添加生成的差异意味着

4.10.2。学习阶段

在学习阶段,学生们相互交流学习。交互是随机和发生当且仅当一个学生比其他大的成绩。有两个学生和 ,学习阶段的数学表达式

新的解决方案是接受只有当它最小化或最大化目标函数。随着教学过程的发展,学习者知识水平的增加对老师和算法收敛到一个解决方案。

4.11。蚁群优化

蚁群优化算法是一种概率metaheuristic受蚂蚁的行为寻找最优路径从食物来源的殖民地49]。每只蚂蚁奠定了信息素的踪迹,作为指导下面的蚂蚁。算法有三个主要步骤:初始化、公式化的蚂蚁的解决方案,和升级信息素踪迹。

全球蚂蚁系统更新追踪信息素,蚂蚁的殖民地所要分享的信息,他们的旅行和信息素的沉积。在数学上,它是作为 在哪里城镇之间的概率是和 , 被认为是一个常数,的长度是旅游的吗蚂蚁,信息素的蒸发率。

5。QFT设计要求

QFT控制器主要实现减轻后果的不确定动力学参数的变化。的综合控制器K(年代)和预滤器F(年代)是由塑造传播开环传递函数l₀(年代)= K(年代)G₀(年代尼科尔斯图上),这样一组预定义的性能目标。这些预定义的性能目标形成的边界检查loop-shaping过程。巴克转换器的QFT控制器,设计鲁棒稳定性的目标,跟踪和敏感性被认为是在设计过程中(50]。本文设计频率的范围考虑ω=(0.4,0.8,1.2,1.7,2.1,10日,25日,50,100,200]rad /秒,和设计QFT控制器在每个设计频率必须满足设计要求。

5.1。鲁棒稳定性

闭环系统保证鲁棒稳定性,最大震级的最小化的闭环频率响应闭环系统在每个设计需要频率。在数学上,它是作为 在哪里开环传递函数和吗是一个常数。

方程(28)给的最大大小在每个变化不确定的植物,是由 。方程(29日)给上部和下部之间的差异跟踪范围:

给出了闭环系统的最大大小的变化在方程(30.)。系统的强劲稳定,最小化一直认为,它必须遵循以下约束,然后呢 :

5.2。跟踪性能

跟踪比率指导开环传输的塑造,这样一组时间和频域规范是满意。上部和下部跟踪比率声明在设计过程的开始。在数学上,它是作为在以下方程:

上和更低的边界给出了方程(8)和(9),分别为

最小化的必须在每个设计频率,以便跟踪范围感到满意,给出数学吗

5.3。灵敏度

设计系统必须受外部干扰。所以,最小化的敏感性可以确保和给出数学上 在哪里

6。合成的QFT控制器和预滤器使用Metaheuristic算法

QFT控制器和前置滤波器必须满足鲁棒稳定性的设计规范,跟踪性能和灵敏度。QFT控制器综合问题表示为一个优化问题,提供了一个templates-and-bounds-free方法设计最佳QFT控制器内也很更少的时间和天真loop-shaping经验。在本文中,一个标准的PID控制器和一个固定的结构预滤器已被选定,给出方程(37)和(38)分别为:

算法中提到的部分4被用来解决QFT设计问题。这些算法控制器,旨在寻找最优值和预滤器收益这样预定义的QFT目标得到满足。方程(39给出了QFT控制器综合目标函数,它被表示为聚合功能: 的值 ,和一直小心翼翼地将[1、100、100]基于几个试验。

7所示。结果和讨论

摘要电压mode-controlled巴克直流-直流转换器。物理组件的参数表1名义植物被用来推导出传递函数,给出了方程(40)。该目标函数由方程(39)已经被最小化使用metaheuristic算法:

最优QFT控制器和预滤器的自动化合成K_英航和F_英航获得的控制器和预滤器的蝙蝠算法,K_平安险和F_平安险控制器和预滤器花授粉获得的算法,K_偏硼酸钡和F_偏硼酸钡控制器和预滤器biogeography-based获得的优化算法,K_海关和F_海关获得的控制器和预滤器的和声搜索算法,K_德和F_德控制器和预滤器通过微分进化,K_ICA和F_ICA是由帝国主义殖民地获得的控制器和预滤器的算法,K_硫磺岛和F_硫磺岛控制器和预滤器入侵杂草获得的优化算法,K_TLBO和F_TLBO控制器和预滤器teaching-learning-based获得的优化算法,然后呢K_华和F_华获得的控制器和预滤器的蚁群优化算法。

比较QFT-based控制器和预滤器设计结果进行比较与几个古典控制器合成方法。K_锌给出了控制器的传递函数得到使用Ziegler-Nichols的经典PID控制器设计方法。K_IMC给出了控制器的传递函数得到使用古典IMC-based控制器合成、和K_LIbarra和F_LIbarra给了QFT控制器的传递函数得到[5)使用经典的QFT合成过程,是一个3^{理查德·道金斯}用非常大的增益值顺序控制器:

7.1。名义上的情况

数据3和4显示相比闭环步进频率响应的标称系统最优控制器和预滤器后获得的参数优化。各种系统的时域性能表2。从数据3和4可以看出,设计的控制器和预滤器使用微分进化,帝国主义殖民地算法,biogeography-based优化和蚁群优化不能满足设计要求在时间和频率域,因此不适合应用程序。所有的QFT控制器设计,一个来自人工蜂群优化给出了最好的时间响应和频域规范也满足。此外,Ziegler-Nichols-tuned控制器提供了一个高度振荡响应的比例超过51.3%。伊瓦拉QFT控制器设计等。5)和IMC控制器还提供令人满意的性能在时间和频率域。

7.2。参数化不确定植物(最坏响应)

所以,为了验证控制器的鲁棒性参数的不确定性,一个不确定的巴克转换器被认为是

而闭环步进频率响应的参数化不确定系统的数据所示5和6。从这些数据,它可以清楚地得出结论,闭环系统的性能是在允许范围内,位于附近的名义响应。但QFT控制器设计使用微分进化,帝国主义殖民地算法,biogeography-based优化和蚁群优化不能满足设计要求在时间和频率域。控制器使用Ziegler-Nichols和合成设计控制器提供了非常贫穷的反应非常高的比例超过51.3%,这是不可接受的,可以看到在图3。当这个ZN-tuned控制器接受一个不确定的植物,它显示出高度振荡反应,可以看到在图5。在频域,ZN-tuned控制器提供了一个非常可怜的反应中可以看到数据4和6。从数据5和6,可以看出IMC-based设计控制器提供了一个稳定的和更少的振荡反应但未能满足跟踪性能在时域和频域。

8。设计验证

8.1。变量的输入电压

巴克转换器具有不同输入电压一直在设计仿真软件测试的有效性QFT控制器和预设计。对于理想的反应,巴克转换器必须保持一个固定的输出电压尽管输入电压的波动。在这种情况下,一个固定负载50Ω一直认为,当输入电压从精神分裂症一般V变化为一个固定的12 V的输出。情节为可变负载电压输入电压如图7(一)。负载电压和负载电流的情节是图所示7 (b)。从表3,可以看出QFT控制器设计使用花授粉算法提供了最小的电流和电压波动,可以看到在图8相比其他metaheuristic算法和时间——和频域表演太躺在设计范围内。

情节为可变负载电压输入电压和负载电压和负载电流的情节是人物所示9和10,可以看出Ziegler-Nichols-tuned PID控制器提供了一个非常可怜的响应和未能提供一个持续的直流输出在输入电压的变化。此外,在图11,可以看出设计IMC控制器也提供了一个可怜的响应,因为它不能提供一个稳定的输出不同的负载变化。图12显示了负载电压的情节为变量输入电压和负载电压和负载电流的情节设计的QFT控制器和预滤器伊瓦拉et al。5),只达到平均输出电压为11.8 V。

8.2。可变负荷

检查设计鲁棒QFT-based控制方案的有效性,巴克转换器与不同负载时已经考虑。这里,输入电压一直固定在48 V,获得一个固定的输出电压24 V。电阻的变化输出负载已经考虑和多样的形式2Ω57Ω。图13显示仿真结果的输出电压随着负载的变化从2Ω到57Ω,可以看出,随着负载的变化,可以见证了负载电流的变化而设计的设计QFT-based控制系统成功地保持一个恒定的输出电压为24 V。在图14,涟漪内容显示在输出电压和电流,并从仿真可以看出,输出电压和电流都广泛最小涟漪的内容。转换器性能参数表4。

数据15和16显示了情节的负载电压和负载电流的变化当负载变化时的Ziegler-Nichols-tuned PID控制器和IMC-based控制器。从数据可以看出,这两个控制器无法负荷变化时稳定输出电压。

图17显示了情节的负载电压和负载电流的变化当负载变化时的QFT控制器设计的伊瓦拉et al。5]。

9。结论

在直流-直流转换器,非线性行为由于开关操作和参数的不确定性,由于连续操作很难产生质量输出加班。本文的自动合成QFT控制器和预滤器进行了使用metaheuristic算法。设计过程中一直作为一个优化问题,提出了需要一代的模板和范围,简化了设计过程。花授粉算法设计的控制器满足设计要求在时间和频率域和提供更好的性能比其他算法。最后,设计控制器实现了直流-直流变换器的仿真软件模型两种不同情况下的不同的输入电压。设计的控制器可以显著减少电压和电流波动,从而提供一个高质量的电压和电流特性。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突。