基于长短时记忆神经网络的降压变换器自适应控制
贺伟1
严佳成1
周旺平1
李洪杰2
1.南京信息工程大学大气环境与装备技术协同创新中心,江苏南京 2100442.西安交通大学电气工程学院,陕西西安 710049
摘要：基于深度强化学习的无模型控制方法将避免系统建模的复杂过程,回避较难处理的非线性系统控制问题,且具有优良的鲁棒性.本文针对带恒功率负载的直流降压变换器系统,基于长短时记忆神经网络提出一种无模型自适应控制策略.首先,定义一种由连续电压误差信号组成的状态空间,此状态空间将误差信号构建为控制算法的输入状态;其次,基于参考电压构建离散动作空间并设计奖励函数,动作空间将算法输出转换为占空比,并基于被控系统下一时刻状态给予一个奖励信号评判算法控制效果;然后,将长短时记忆神经网络作为双深度Q网络的状态动作价值函数估计器,计算输入状态下各个决策的Q值,并选取Q值最高的决策作为最优决策输出;最后,对本方法控制下的带恒功率负载的直流降压变换器系统进行仿真和实验研究.实验结果证明,该控制策略具有优良的跟踪给定性能,当存在外界扰动时,该控制策略作用下的系统具有良好的鲁棒性.
关键词：恒功率负载直流降压变换器长短时记忆神经网络双深度Q网络深度强化学习
论文发表日期：2025-09-30
在线出版日期：2025-10-28（本平台首次上网日期，不代表文献的发表时间）
页数：11( 1838-1848 )
英文信息