遗传和BP算法优化与混合的驱动控制研究

发布时间：2024-03-06 21:11

　　目前,电动汽车的驱动系统通常使用PID算法进行控制。电动车的驱动系统是非线性系统,其控制难度较大。采用PID控制算法,其控制效果并不理想。出现的主要问题表现为动态响应慢,稳态误差较大,抗干扰能力差、动力电机转矩脉动大。这些问题直接降低了电动汽车的使用舒适度;另外,传统PID控制过程中能耗较高,间接缩短了其续驶里程。新能源场地电动车的应用场合路况复杂,而且负载多变。为了应对电动车的这种复杂工况,采用遗传和BP算法优化与混合算法(IGA-IBP),并以该算法为基础设计PID控制器,该控制器具备参数自学习能力。将该控制器应用于场地电动车的驱动控制系统,相较于基于遗传优化BP神经网络(GA-BP)算法的PID控制器,场地电动车的抗干扰能力,速度动作响应,行驶过程中的噪音,电机转矩脉动等方面均有明显改善,而且在场地电动车的起动过程中降低了能耗,使场地电动车的续使里程更长。本文首先针对BP神经网络算法的误差函数下降缓慢,容易陷入局部极值问题,利用优化附加动量改进算法和优化自适应学习速率调整法进行改进;然后,针对遗传算法的交叉率和变异率的取值问题进行改进;最后,利用蚁群算法信息素的累积和更新,使得改...

【文章页数】：53 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 引言
    1.1 研究背景
    1.2 课题来源
    1.3 研究现状与选题意义
        1.3.1 研究现状
        1.3.2 选题意义
    1.4 论文主要工作
    1.5 论文组织结构
第2章 场地电动车的驱动控制系统
    2.1 电机驱动控制系统
        2.1.1 场地电动车的电机驱动系统布置方式
        2.1.2 电动车的电驱动系统组成
    2.2 电动车典型工况分析及特殊需求
    2.3 电动车的控制策略
        2.3.1 电动车的启停控制策略
        2.3.2 电动车安全控制策略
        2.3.3 电动车驱动控制原理
    2.4 常规PID算法
    2.5 本章小结
第3章 遗传优化BP神经网络的PID算法
    3.1 BP神经网络
        3.1.1 人工神经网络
        3.1.2 BP神经网络结构及算法
    3.2 遗传算法优化BP神经网络
        3.2.1 BP神经网络算法的主要不足
        3.2.2 BP神经网络的优化
        3.2.3 遗传算法优化BP神经网络
    3.3 遗传优化BP神经网络的PID算法
    3.4 本章小结
第4章 遗传和BP优化与混合算法
    4.1 基本思路
    4.2 优化BP神经网络算法
    4.3 优化遗传算法
    4.4 蚁群算法优化遗传BP算法
        4.4.1 蚁群算法
        4.4.2 蚁群算法优化遗传BP算法
    4.5 基于遗传和BP算法的优化与混合算法的PID控制器设计
    4.6 本章小结
第5章 测试与分析
    5.1 性能指标
    5.2 仿真验证
    5.3 结论
    5.4 本章小结
第6章 结论与展望
    6.1 结论
    6.2 展望
致谢
参考文献
攻读学位期间的研究成果



本文编号：3920893