状态空间平均法建模总结

合集下载

广义状态空间平均法

广义状态空间平均法

广义状态空间平均法
广义状态空间平均法是一种用于分析非线性动态系统的方法。

它基于系统的状态空间表示,通过在状态空间中平均系统的行为来描述系统的动态特性。

这种方法在处理非线性系统时具有许多优点,例如能够考虑系统的非线性特性、能够处理多输入多输出系统、能够考虑系统的时变特性等。

在广义状态空间平均法的应用中,首先需要建立系统的状态空间模型,然后通过平均状态方程来描述系统的平均行为。

这个平均行为通常可以通过求解状态方程的平均解来获得。

在求解平均解时,可以使用不同的方法,例如时间平均法、频率平均法、空间平均法等。

广义状态空间平均法在许多领域都有应用,例如控制系统、信号处理、经济系统等。

它可以帮助人们更好地理解系统的动态行为,并且可以为系统设计和控制提供有用的指导。

自动控制原理状态空间知识点总结

自动控制原理状态空间知识点总结

自动控制原理状态空间知识点总结自动控制原理是研究控制系统的基本原理、分析方法和综合设计理论的一门学科。

状态空间方法是自动控制原理中的重要内容之一,它是一种模型描述和分析控制系统动态特性的数学工具。

在本文中,将对自动控制原理状态空间的知识点进行总结和概述。

一、状态空间模型的基本概念在自动控制系统中,状态是指系统在某一时刻的内部信息或特性。

状态空间模型是一种用状态来描述系统动态特性的数学模型。

它由状态方程和输出方程组成。

其中,状态方程描述了系统状态随时间的演化规律,而输出方程则说明了系统状态与外部输入之间的关系。

二、状态空间模型的表示方法状态空间模型可以用矩阵表示,常用的表示方法有传递函数表示法和状态方程表示法。

传递函数表示法是通过系统的输入和输出之间的关系来描述系统的动态特性,而状态方程表示法则是通过系统的状态方程来描述系统的动态特性。

三、状态空间模型的性质1. 可观测性:指系统的状态是否能够通过系统的输出来唯一确定,即是否存在唯一解。

2. 可控性:指系统的状态是否能够通过控制输入来控制,即是否存在能够使系统达到任意状态的控制输入。

3. 稳定性:指系统在受到一定干扰或扰动后,是否能够以某种方式恢复到稳定状态。

四、状态空间模型的分析与设计方法状态空间模型的分析与设计方法包括系统的稳定性分析、传递函数与状态空间模型之间的转换、状态空间模型的求解方法等。

1. 稳定性分析:通过对状态空间模型的特征值进行分析,可以得到系统的稳定性信息。

2. 传递函数与状态空间模型之间的转换:传递函数和状态空间模型是描述系统动态特性的两种不同数学表达方式,它们之间可以相互转换。

3. 状态空间模型的求解方法:通过对状态空间模型的求解可以得到系统的时域响应和频域响应等信息。

五、状态观测器与状态反馈控制器状态观测器是一种用于估计系统状态的装置,通过对系统的输出进行测量,并结合系统的数学模型,可以对系统的状态进行估计。

状态反馈控制器是一种利用系统的状态信息对系统进行控制的装置,通过对系统状态进行测量,并将测量值带入控制器中进行计算,从而实现对系统的控制。

基于状态空间平均法的Zeta变换器建模与仿真分析

基于状态空间平均法的Zeta变换器建模与仿真分析
DC/DC变换 器所包 含 的主要 器件 ,属 于状 态 空 间平 均法 适 用 的类 型 。Zeta变 换 器 是 一 种 基 本 的 DC/DC变换 器 ,电路 简 单 ,输 出 电压 易 于调 节 。以 此变 换器 为例 ,进行 具 体 的建 模 与仿 真 分 析 。如 图 1所示 ,Zeta变 换 器 的 电路 由开 关 管 Q,电感 L 和 L 、电 容 C 和 c 、续 流 二 极 管 VD 以 及 负 载 R。 组 成 。
关键词 :Zeta变换 器;状 态空间平均 法;建模 ;仿真 ;Matlab
中 图分类号 :TM46
文献标 识码 :A
文章编号 :94042一(2018)02—0031—05
M odeling and Sim ulation A nalysis of Zeta Converter Based on State—-space Averaging Principle

Practices prove that using M atlab software and these sim ulation models can effectively assist the design working of Zeta converter in actua l circuit. K ey words:Zeta Converter;State— space Averaging Principle;M odeling;Sim ulation;M atlab

DC/DC变换 器类 别 的 Zeta变换 器 为 例 ,基 于状 态
空 间平均 法 ,使 用 Matlab软 件 对 其 进 行 建 模 与 仿
真 分 析 。

强化学习算法中的状态空间建模技巧(Ⅰ)

强化学习算法中的状态空间建模技巧(Ⅰ)

强化学习算法是一种通过与环境互动来学习最优策略的机器学习方法。

它在诸如自动驾驶、游戏设计和机器人控制等领域有着广泛的应用。

其中,状态空间建模技巧是强化学习算法中的重要组成部分。

本文将对强化学习算法中的状态空间建模技巧进行探讨,并且通过案例分析展示其应用。

首先,状态空间是指描述环境的所有可能状态的集合。

在强化学习中,状态空间的建模是非常重要的,因为它直接影响着智能体在环境中学习和决策的效果。

为了更好地建模状态空间,我们可以采用以下几种技巧。

首先,一种常见的技巧是离散化状态空间。

有些问题的状态空间是连续的,比如自动驾驶中的车辆位置和速度。

为了更好地处理这类问题,我们可以将连续的状态空间离散化,将其划分成有限个状态。

这样做的好处是可以降低问题的复杂度,同时也使得强化学习算法更容易学习和处理离散的状态。

其次,另一种常用的技巧是引入特征表示。

特征表示是将原始状态空间映射到一个更加简洁和易于处理的特征空间的技术。

通过特征表示,我们可以将复杂的状态空间转化为更加简单和易于处理的形式,这有助于提高强化学习算法的学习效率和决策效果。

比如,在棋类游戏中,可以使用棋盘上的棋子分布情况作为特征表示,而不是直接使用每个格子的状态作为状态空间。

另外,还有一种技巧是使用领域知识来构建状态空间。

在一些特定的领域中,我们可能有一些先验的知识和经验,可以利用这些知识来构建更加合理和有效的状态空间。

比如在机器人控制中,我们可以利用对环境的了解来构建更加合适的状态空间,这有助于提高机器人在环境中的学习和决策效果。

除了上述技巧之外,还有一些其他的方法和技术,比如基于模型的状态空间建模、基于神经网络的状态空间表示等。

这些技巧都可以帮助我们更好地构建状态空间,提高强化学习算法的学习和决策效果。

为了更加直观地理解状态空间建模技巧的应用,我们可以通过一个简单的案例来进行分析。

假设我们要设计一个自动驾驶系统,其中智能车需要学习在不同交通情况下的最优行驶策略。

强化学习算法中的状态空间建模技巧(Ⅲ)

强化学习算法中的状态空间建模技巧(Ⅲ)

强化学习算法是一种通过与环境交互来学习最优行为策略的机器学习方法。

其中,状态空间建模是强化学习算法中的重要技巧之一。

在状态空间建模中,我们需要对问题的状态空间进行合理的建模,以便在学习过程中能够更好地理解和利用状态之间的关系。

本文将探讨在强化学习算法中状态空间建模的一些技巧和方法。

首先,状态空间建模的关键在于对问题的状态进行合理的抽象和表示。

在实际问题中,状态空间可能非常庞大,甚至是连续的。

为了降低问题的复杂度,我们需要对状态进行合理的抽象,以便在学习过程中更好地理解和利用状态之间的关系。

一种常见的方法是利用特征表示来对状态进行建模。

特征表示是将原始状态映射到一个高维特征空间中,从而使得原始状态之间的关系更加明确。

通过合理选择特征表示,我们可以将原始状态空间进行有效的压缩,从而降低学习的复杂度。

同时,特征表示还可以帮助算法更好地理解状态之间的关系,从而提高学习的效率和性能。

除了特征表示,状态空间建模中还可以利用函数逼近的方法来进行建模。

函数逼近是一种通过学习一个函数来近似表示状态值函数或者动作值函数的方法。

在函数逼近中,我们可以利用各种各样的函数来对状态值函数或者动作值函数进行表示,例如线性函数、非线性函数等。

通过合理选择函数逼近的方法,我们可以更好地利用状态之间的关系,从而提高学习的效率和性能。

同时,函数逼近还可以帮助算法更好地处理状态空间中的不确定性和噪声,从而提高算法的鲁棒性和稳健性。

另外,状态空间建模中还可以利用近邻方法来进行建模。

近邻方法是一种通过利用状态之间的相似性来进行建模的方法。

在近邻方法中,我们可以利用各种各样的距离度量来度量状态之间的相似性,并根据相似性来进行状态的聚类和表示。

通过合理选择近邻方法,我们可以更好地利用状态之间的关系,从而提高学习的效率和性能。

同时,近邻方法还可以帮助算法更好地处理状态空间中的噪声和不确定性,从而提高算法的鲁棒性和稳健性。

总之,在强化学习算法中,状态空间建模是非常重要的一环。

马尔可夫决策过程中的状态空间建模技巧(八)

马尔可夫决策过程中的状态空间建模技巧(八)

马尔可夫决策过程(Markov Decision Process,MDP)是一种用来描述随机决策问题的数学框架。

在这个框架中,决策者在不确定环境中做出决策,并且这些决策会影响未来的状态和奖励。

在实际问题中,状态空间的建模是至关重要的。

本文将介绍马尔可夫决策过程中的状态空间建模技巧。

## 马尔可夫决策过程简介在马尔可夫决策过程中,我们考虑的是一个有限状态空间、有限动作空间、奖励函数和状态转移概率的随机过程。

在每个时刻,代理根据当前状态和选择的动作会转移到下一个状态,并且会收到一个相应的奖励。

马尔可夫决策过程的目标是找到一个策略,使得长期累积奖励最大化。

## 状态空间建模技巧### 离散状态空间在实际问题中,状态空间可以是离散的,也可以是连续的。

对于离散状态空间,我们可以使用状态-动作值函数(Q函数)来描述状态和动作之间的关系。

Q函数表示在状态s下选择动作a所能获得的长期累积奖励。

通过对Q函数的建模,可以得到最优的策略,使得长期累积奖励最大化。

### 连续状态空间对于连续状态空间,建模更加复杂。

一种常见的方法是使用函数逼近来估计值函数。

例如,可以使用线性函数逼近或者神经网络来估计值函数。

通过函数逼近,可以对状态空间进行更加精细的建模,得到更加准确的策略。

### 非确定性状态空间在一些情况下,状态之间的转移并不是确定的,而是存在一定的不确定性。

这时,我们可以使用概率转移矩阵来描述状态之间的转移概率。

概率转移矩阵可以帮助我们更好地理解状态空间之间的关系,从而找到最优的策略。

## 实际案例为了更好地理解状态空间建模技巧,我们可以以一个实际案例来说明。

假设我们要设计一个自动驾驶汽车的决策系统。

汽车在道路上行驶时,需要根据当前的状态(例如车速、距离前车的距离、道路的曲率等)选择合适的动作(加速、减速、转弯等)。

这时,我们可以将汽车的状态空间建模为一个多维的向量空间,每个维度代表一个状态变量。

通过对状态空间的建模,我们可以使用马尔可夫决策过程来设计自动驾驶汽车的决策系统,并且找到最优的策略,使得汽车能够安全、高效地行驶。

基于状态空间法的非理想Buck电路建模分析


Bc uk电路数学 模型 。 状态 变量 这
阵 包 含 电容 、 电感等 1 。
婪足指 电感 【 乜
流和 电容 电压 ,“f ( 为输入 量 , ( 为输 m 系数 ) , ) ( )在 0 ≤d 1 ≤, ,开关 Q 导通 , ̄ m 电路 打 t j - L 扑 的工作模 态对 于有如 F 方程
l 建 模 过 程
状 态 空问法 是平均 法 的一阶近 似 ,可利 用线 性 电路和 古典控 制理 论对 DC D 变换 器进行 稳态和 .C 小信 号分析 , 实际 的 高 ,很 容易满 足低 频假 设 ,小纹波 假设 和小信 号
假设 ,忽 略开 关频 率及其边 频 带 ,开 关频 率谐波 与 其边 带 ,引入开关 周期平 值 :
研 究 与 开 发
基 于状 态 空 间法 的非 理想 B c u k电路 建模 分析
欧 煌 吴 伟
【 中达 电子 江苏有 限公 司 UP S研 发部 , 江苏 吴 江 摘要 2 50 ) 120
本 文主要 讨论利用 状 态空 间平均法 对 电流连 续模 式下 的非理 想 B c u k电路建 模 , 而分 进 .
析 滤波 电感和 滤波 电容 的串联 等效 电阻对 电源 产 品性 能 的影响。 并且通 过 Mal t b对模 型进 行仿 真 , a 其 结果 为开关 电源 的设 计和研 究提供 参考 。
关键 词:状 态 空间平均 法; 非理想 B c uk电路 ;模 型 ;仿真
An l z rNo - e l f c r u t s nAv r g t t p c e h d ay ef n i a k Cic i Ba eo e a eS a eS a eM t o o d o Bu

强化学习算法中的状态空间建模技巧

强化学习是一种通过与环境交互来学习最优行为策略的机器学习方法。

在强化学习算法中,状态空间建模技巧是非常重要的一部分,它直接影响着算法的性能和效果。

本文将探讨强化学习算法中的状态空间建模技巧,包括状态表示、状态聚类、状态特征提取等方面的内容。

状态空间是强化学习中的一个重要概念,它描述了环境在不同时间点下的状态。

在强化学习中,状态空间可以是离散的,也可以是连续的,根据具体问题而定。

在实际问题中,状态空间往往非常庞大,这给算法的训练和推理带来了挑战。

因此,如何有效地对状态空间进行建模成为了一个关键的问题。

首先,对于离散状态空间,一种常见的建模技巧是使用状态表示。

状态表示是将离散状态空间中的每个状态映射成一个向量或者一个字符串,以便算法能够对其进行处理。

常用的状态表示方法包括独热编码、二进制编码等。

独热编码是将每个状态映射成一个长度等于状态数量的向量,其中只有一个元素为1,其余元素为0。

这种表示方法简单有效,但对于状态空间较大的问题,会产生非常稀疏的状态向量。

另一种方法是使用二进制编码,即将每个状态映射成一个二进制数。

这种表示方法可以有效地节省内存空间,但可能无法捕捉状态之间的相关性。

其次,对于连续状态空间,状态聚类是一种常用的建模技巧。

状态聚类是将连续状态空间中的状态划分成若干个簇,以减少状态空间的维度。

常用的状态聚类方法包括K均值聚类、层次聚类等。

K均值聚类是一种迭代算法,它将状态空间中的状态划分成K个簇,使得每个状态都属于距离最近的簇。

层次聚类是一种自底向上或自顶向下的聚类方法,它将状态依次合并成簇,直到满足某种停止准则。

状态聚类可以有效地减少状态空间的维度,提高算法的训练效率。

最后,对于状态特征提取,是一种重要的建模技巧。

状态特征提取是将原始状态空间中的状态映射成一个特征向量,以便算法能够对其进行处理。

常用的状态特征提取方法包括线性特征提取、非线性特征提取等。

线性特征提取是将原始状态空间中的状态线性组合成一个特征向量,以捕捉状态之间的线性关系。

强化学习算法中的状态空间建模技巧(五)

强化学习算法中的状态空间建模技巧强化学习是一种通过试错学习并根据环境反馈调整策略的机器学习方法。

在强化学习算法中,状态空间建模是非常关键的一环,它直接影响着算法的性能和效果。

本文将讨论强化学习算法中的状态空间建模技巧。

1. 特征提取在强化学习中,通常需要对状态进行特征提取,以便将原始状态空间映射到一个更小的特征空间。

特征提取可以帮助算法更好地理解和利用状态空间的结构。

常用的特征提取方法包括多项式特征、高斯特征和离散化等。

对于连续状态空间,多项式特征和高斯特征可以将状态空间映射到高维空间,从而更好地捕捉状态之间的关系。

而对于离散状态空间,则可以通过离散化将连续状态空间转化为离散状态空间,这样可以更好地利用强化学习算法进行学习。

2. 状态空间的表示在强化学习中,状态空间的表示至关重要。

合适的状态空间表示可以大大提高强化学习算法的效率和性能。

一种常用的状态空间表示方法是使用矩阵表示状态特征,这样可以更好地描述状态之间的关系。

另一种表示方法是使用图结构表示状态空间,通过将状态和状态之间的转移关系用图表示,可以更好地捕捉状态之间的关联。

状态空间的表示方式需要根据具体问题的特点来选择,以便更好地反映状态空间的结构和特性。

3. 动态特性建模在强化学习中,状态空间的动态特性对算法的学习效果起着至关重要的作用。

合理的动态特性建模可以帮助算法更好地理解状态空间的演化规律,从而更好地制定学习策略。

一种常用的动态特性建模方法是使用马尔可夫决策过程(MDP)进行建模。

MDP可以更好地描述状态空间的演化规律,同时也为强化学习算法提供了一个统一的框架。

除了MDP,还有一些其他的动态特性建模方法,如半马尔可夫决策过程(SMDP)等,这些方法可以更好地适应不同类型的状态空间,提高算法的适应性和泛化能力。

4. 环境模拟在强化学习中,状态空间的建模还需要考虑环境模拟的问题。

合适的环境模拟可以帮助算法更好地理解状态空间的特性和结构,从而更好地进行学习。

状态空间模型

引言状态空间模型是应用状态空间分析法对动态系统所建立的一种数学模型,它是应用现代控制理论对系统进行分析和综合的基础。

状态空间模型由描述系统的动态特性行为的状态方程和描述系统输出变量与状态变量间变换关系的输出方程组成。

在经典控制理论中,采用n阶微分方程作为对控制系统输入量u(t)和输出量y(t)之间的时域描述,或者在零初始条件下,对n阶微分方程进行Laplace 变换,得到传递函数作为对控制系统的频域描述,“传递函数”建立了系统输入量U(s)=L[u(t)]和输出量Y(s)=L[y(t)]之间的关系。

传递函数只能描述系统的外部特性,不能完全反映系统内部的动态特征,并且由于只考虑零初始条件,难以反映系统非零初始条件对系统的影响。

现代控制理论是建立在“状态空间”基础上的控制系统分析和设计理论,它用“状态变量”来刻画系统的内部特征,用“一阶微分方程组”来描述系统的动态特性。

系统的状态空间模型描述了系统输入、输出与内部状态之间的关系,揭示了系统内部状态的运动规律,反映了控制系统动态特性的全部信息。

龙格-库塔(Runge-Kutta)方法是一种在工程上应用广泛的高精度单步算法。

由于此算法精度高,采取措施对误差进行抑制,所以其实现原理也较复杂。

该算法是构建在数学支持的基础之上的。

标准四阶龙格——库塔法的基本思想龙格和库塔提出了一种间接地运用Taylor公式的方法,即利用y(x)在若干个待定点上的函数值和导数值做出线性组合式,选取适当系数使这个组合式进Taylor展开后与y(xi+1)的Taylor展开式有较多的项达到一致,从而得出较高阶的数值公式,这就是龙格—库塔法的基本思想。

一、实验原理龙格——库塔法龙格—库塔法是仿真中应用最广泛的方法。

它以泰勒展开公式为基础,用函数f的线性组合代替f的高阶导数项,避免了高阶导数的运算,又提高了精度。

泰勒公式的阶次取得越高,龙格—库塔法所得的误差等级越低,精度越高。

最常用的是四阶龙格—库塔法,它虽然有一定的时间损耗,但比梯形法要快,而且与其它方法比较,其误差比欧拉法高三个数量级,比预估—校正法高两个数量级,是自启动的。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

7.1 状态空间平均法
151109,状态空间平均法是平均法的一阶近似,其实质为:根据线性RLC 元
件、独立电源和周期性开关组成的原始网络,以电容电压、电感电流为状态变量,
按照功率开关器件的“ON”和“OFF”两种状态,利用时间平均技术,得到一个
周期内平均状态变量,将一个非线性电路转变为一个等效的线性电路,建立状态
空间平均模型。
对于不考虑寄生参数的理想 PWM 变换器,在连续工作模式(CCM)下一个开
关周期有两个开关状态相对应的状态方程为:

11i
xAxBv
0tdT (7-1)

22i
xAxBv
dTtT (7-2)

式中d为功率开关管导通占空比,/ondtT,ont为导通时间,T为开关周
期; vLCxi,x是状态变量,x是状态变量的导数,Li是电感电流Cv是电容
电压,iV是开关变换器的输入电压;1A,2A,1B,2B是系数矩阵与电路的结构参
数有关。
对式(7.1)和(7.2)进行平均得到状态平均方程为

xAxBv 0tT
(7-3)

式中,12(1)AdAdA,12(1)BdBdB,这就是著名的状态空间平均
法。可此式可见,时变电路变成了非时变电路,若d为常数,则这个方程描述的
系统是线性系统,所以状态空间平均法的贡献是把一个开关电路用一个线性电路
来替代。
对状态平均方程进行小扰动线性化,令瞬时值ˆdDd、'ˆ'dDd、
'
1DD
、ˆvgVgvg、ˆxXx。其中ˆd、ˆvg、ˆx是相应D、vg、X的扰

动量,将之代入到式(7-3)为:

ˆˆˆˆ()()iiXxAXxBVv (7-4)
''
1212ˆˆˆˆˆˆˆˆ()()()()()()iii
AXxBVvAxBxDdADdAXDdBDdBV


(7-

5)
将其中的扰动参数变量分离就得到了动态的小信号模型式。

1212ˆˆˆˆ[()()]ii
xAxBvAAXBBVd
(7-6)
将(7-6)进行拉式变换,得到s域小信号模型,其中等号左边的ˆx拉式变换
后的结果为
ˆ
sx(s)

1212ˆˆˆˆ()()()[()()]()ii
sxsAxsBvsAAXBBVds
(7-7)

可通过此式求出对应拓扑的传递函数。

7.2 简单boost电拓扑状态空间平均法建模
151110,Boost直流变换器拓扑如图7-1所示,其主电路由储能电感L、滤
波电容 C、功率开关 Q、二极管VD和负载R组成。

C
R

L
Q
D

Vg
图7-1 Boost电路拓扑结构
在 0tdT期间,功率开关Q导通,二极管D截止,电源电压Vg全部加
到电感L上,为电感L储存能量,电容C给负载R供电。此时,电路的状态方程
如下:

()()()()looditLVgtdtdututCdtR
(7-8)
在 dTtT期间,功率开关Q关断,二极管D承受正压并导通,电感
L
放电,电源和电感共同为负载R供电,并为电容C充电。其状态方程如下:

()()()()()()loooLditLVgtutdtdututCitdtR
(7-9)
由式(7-8)和式(7-9)取平均得式(7-10)boost电路的状态空间模型如
下:
110()110LTLTToToTdididtLVgtLudduCRCdt (7-10)
根据式(7-6)得到boost电路的动态小信号模型为:
ˆ110ˆˆˆ()11ˆˆ0OLLLoouddiiLLdtVgdtLdiuduCRCCdt
(7-11)
将式(7-11)等号两边进行拉普拉斯变换得到式(7-12)。

(1)()()()()()(1)()()oLooLOLudVgssisusdsLLLusIdsUisdsCRCC
(7-12)
化简式(7-12)得到输入到输出的传递函数为:

22ˆ()0ˆ()1ˆ()(1)odsusdLVgsLCssdR (7-13)

由控制到输出的传递函数为:
2
22
ˆ
()0

(1)(1)ˆ()(1)ˆ()(1)oousLsduusRdLdsLCssdR


(7-14)

7.3 Boost直流变换器建模的验证
不考虑纹波时,所得到平均化的Boost 电路状态方程如式(7-10)所示,
再将其简化,从而得到基于状态空间的数学模型:
110110LLoodididtLVgLudduCRCdt (7-14)
假设图7-1电路中的参数为Vg=30V,R=4,C=470μF,L=400μH,d=0.5。
根据状态平均法公式(7-14)的数学模型,使用Simulink进行仿真建模得
出图7-2:


图7-2 基于状态空间法boost仿真模型
对图7-2的两路输出进行观察的到图7-3和图7-4的电压、电流输出波形图。

图7-3 电压、电流输出波形
00.0050.010.0150.020.0250.030.0350.040.0450.05
0
10
20
30
40
50
60
70
80
90t/s
Uo
iL
图7-4 放大后的输出波形
由图7-3和图7-4可以看出,给定输入电压30V,占空比0.5,输出电压为
60V和理论值接近。输出负载为4,则输出端电流为15A,由此可知输入侧电
流为30A与理论值接近。另外,通过图7-4的短时间内输出波形可以看出,利用
状态空间平均法不能产生电压和电流的纹波,这是因为在建模过程中使用了纹波
近似,忽略了纹波的影响。
下面将考虑纹波对输出的影响,需要修改状态方程,修改后的状态方程如
(7-15)所示:

m10m10LLoodiidtLVgLuduCRCdt (7-15)
其中,定义变量m作为开关器件通断的标志。m=1 时表示关断,m=0时表示
开通,其他参数均未改变,另设功率管开关频率为10K,由以上状态方程构造
Boost
电路的模型如图7-5所示,仿真结果如图7-6所示。

图7-5 开关频率为10K,输出带纹波的电压、电流波形
利用simulink中的电力电子模块搭建Boost升压电路模型,在相同参数下

00.0050.010.015
0
20
40
60
80
100t/s
Uo
iL

00.0020.0040.0060.0080.010.0120.0140.0160.0180.02
0
10
20
30
40
50
60
70
80
90t/s
iL
Uo
的波形图如下所示:
图7-6 电力电子模块仿真输出波形
二者波形几乎吻合,由此可证明状态空间平均法建模的正确性。
纹波的产生原因,是功率开关器件的动作引起的,当开关频率发生变化时,
其产生的纹波也不同。由状态空间平均法可知,当开关器件的动作频率增大时,
对应的纹波在减小,当频率增大到一定程度后,纹波可以忽略不计。图7-7为开
关频率为50K时,电压、电流的波形图。

图7-7开关频率为50K电压、电流的波形图
由图7-5和图7-6对比可以清楚地发现,随着开关频率的增加,纹波在减小,
与理论分析相符。
结论,已经初步掌握了一阶状态空间平均法的建模方法,对状态空间平均法
纹波的产生,工作的原理有了大概的了解,接下来要仔细研究争取尽快掌握二阶
状态模型时的建模及仿真。

(注:文档可能无法思考全面,请浏览后下载,供参考。可复制、编制,期待
你的好评与关注!)

00.0020.0040.0060.0080.010.0120.0140.0160.0180.02
-10
0
10
20
30
40
50
60
70
80
90t/s
iL
Uo

00.0020.0040.0060.0080.010.0120.0140.0160.0180.02
0
10
20
30
40
50
60
70
80
90t/s
iL
Uo

相关文档
最新文档