控制气体压力回路的非线性控制设计与神经网络优化

我们把几个非线性控制法与比例积分微分（PID）控制器相比较，后者用于控制输入氢气和氧气的气体压力回路。这其中有控制两种输入气体的反馈线性化非线性控制^[12]和控制气体压力的神经网络最优控制（Neural network-based Optimal Con-trol，NOC）。有关这些控制设计的更多详情可参考文献[13]。如图4-16所示，使用燃料电池模型中的电化学和热力学关系以及神经网络最优控制方案，我们建立了动态的MATLAB/Simulink模型。在这个模型中，燃料电池有4个输入。图4-17是比例积分微分压力控制的Simulink模型^[13]。根据图4-18和4-19的模拟结果，神经网络最优控制可以用以下式自动调节增益，

代价准则U（t）显示了我们必须尽量减小期望状态与实际状态之间的误差。从式（4-11）可以看到，需要微调参数α和β，才能使代价最小。

图4-16 动态MATLAB/Simulink的燃料电池模型（出自Anderson，C.A.etal.，Designandcontroloffuelcellssystemfortransportapplication，Aalborg University， Project Report，2002.许可使用）

(www.xing528.com)

图4-17 比例积分微分压力控制

图4-18 燃料电池的比例积分微分控制：设置点、输出电压、氢气压力、氧气压力和负载电流

图4-19　燃料电池神经网络最优控制：设置点、输出电压、氢气压力、氧气压力和负载电流（出自Anderson，C.A.etal.，Designandcontroloffuelcellssystemfortransportapplication，Aalborg University，Project Report，2002.许可使用）