本發明公開了一種兩相交錯并聯DC?DC變換器效率優化方法及系統，屬于電力電子領域。方法包括：分別采集兩相交錯并聯DC?DC變換器的兩相在不同工況下的效率數據；使用SVR算法訓練效率數據，得到兩相在任意工況下的效率預測模型；根據效率預測模型擬合任意工況下兩相的效率特性曲線；基于效率特性曲線確定整體效率最優問題，將其轉化為電流分配最優問題；使用Q?learning強化學習策略尋找最優電流分配方案。該方法可以適應系統運行工況的變化，預測任意工況下的效率，處理動態環境的未知或不完全信息，在不需要改變模型的情況下給出最優的電流分配方案，提高了模型適用性，所需參數少，算法簡明易懂，易于實現，具有工業應用價值。

技術領域

本發明屬于電力電子領域，更具體地，涉及一種兩相交錯并聯DC-DC變換器效率優化方法及系統。

背景技術

兩相交錯并聯DC-DC變換器以其高功率、高功率密度、高效率以及高可靠性等特點廣泛應用于大電流高功率場合。通常采用均流控制策略實現各單相變換器的電流負荷分配以確保系統安全運行。然而，由于交錯并聯變換器的各支相變換器元器件參數及電路寄生參數存在差異，導致各支相變換器的效率特性不同，若采用各相均流的控制方案則無法保證系統的整體效率處于最優，會造成能源的浪費。因此，研究一種基于非均流控制的兩相交錯并聯DC-DC變換器效率優化方法具有重要的意義。

傳統的非均流的電流分配方案是通過建立精確的功率損耗模型，擬合單相變換器效率特性曲線，結合效率計算方法，使系統總效率達到最優得到的。由于變換器的工作狀況復雜多變，例如負載或電壓轉換比變化，不同工況下變換器的效率特性是不同的，當工況發生變化時，需要重新采集該工況下的數據進行效率特性曲線的擬合，十分繁瑣，降低了模型的適用性。另外，當系統運行在復雜工況下，基于數學方法求解最優電流分配方案通常面臨計算復雜的困難。目前各種啟發式算法被使用，包括粒子群算法、蟻群算法、模擬退火算法、爬山算法、差分進化算法、遺傳算法等。然而，這些算法不能適應外部條件即工況的動態變化，當外部條件發生變化時需要重置，其中一些算法的搜索性能在很大程度上依賴于初始值和優化參數的選取，容易陷入局部最優，導致結果誤差較大。

發明內容

針對現有技術的缺陷，本發明的目的在于提供一種兩相交錯并聯DC-DC變換器效率優化方法及系統，旨在解決現有對變換器進行非均流控制方法誤差較大的問題。

為實現上述目的，本發明一方面提供了一種兩相交錯并聯DC-DC變換器效率優化方法，包括以下步驟：

S1.分別采集兩相交錯并聯DC-DC變換器的兩相在不同工況下的效率數據；

S2.使用SVR(support vector regression)算法訓練兩相在不同工況下的效率數據，得到兩相交錯并聯DC-DC變換器的兩相在任意工況下的效率預測模型；

S3.根據所述效率預測模型擬合任意工況下兩相交錯并聯DC-DC變換器的兩相的效率特性曲線；

S4.基于所述效率特性曲線確定兩相交錯并聯DC-DC變換器整體效率最優問題，將其轉化為電流分配最優問題；

S5.將電流分配最優問題抽象化，使用Q-learning強化學習策略尋找最優電流分配方案。

進一步地，S1包括如下步驟：

S11.設置兩相交錯并聯DC-DC變換器的工況參數，包括開關頻率、輸入電壓范圍、輸出電壓范圍以及輸出電流范圍；

S12.在設定的工況下，給定不同輸入電壓和輸出電壓，改變負載電阻，讓變換器的每一相單獨運行，計算變換器的每一相在不同輸出電流下的效率。

進一步地，S2包括如下步驟：

S21.將不同工況下的效率數據按預設比例隨機劃分為訓練集和測試集；