CN103199788A - 永磁同步电机转子位置观测器 - Google Patents

Abstract

永磁同步电机转子位置观测器，属于电机控制领域，本发明为解决现有模型法所获得的转子位置角观测值中含有6次谐波脉动观测误差问题。本发明包括滑模观测器、饱和函数处理模块、低通滤波器、标幺化处理模块、神经网络滤波器和锁相环，永磁同步电机的定子电压u_s经滑模观测器观测后输出定子电流观测值与定子电流值i_s的差值作为定子电流观测误差i_s，i_s经饱和函数处理模块处理后输出滑模控制矢量z，z经低通滤波器处理后输出反电动势矢量e，z反馈给滑模观测器作为其输入，e经标幺化处理模块处理后输出标幺后反电动势矢量

经神经网络滤波器处理后输出反电动势观测矢量

经锁相环处理后输出永磁同步电机的转子位置观测值

和转速观测值ω_e。

Description

永磁同步电机转子位置观测器

技术领域

本发明涉及永磁同步电机转子位置观测器，属于电机控制领域。

背景技术

近年来，永磁同步电机调速系统逐渐成为交流调速传动领域的研究热点。究其原因，与传统的异步电机相比，永磁同步电机的优点在于：结构简单、体积小、重量轻、运行可靠、功率密度高、调速性能好等，永磁同步电机已成为变频调速电气传动系统的理想选择，其应用领域十分广泛。按照永磁同步电机转子永磁体结构的不同，可以分为表贴式和内置式两种。

目前，在高性能永磁同步电机调速系统应用中，通常需要在电机轴端部安装光电编码器、旋转变压器或者霍尔传感器等机械位置检测元件来获取转子磁极位置信息，然而位置传感器的安装带来系统成本增加、体积增大、可靠性降低诸多问题，并且限制了永磁同步电机的应用场合。因此，研究低成本、强鲁棒性无位置传感器永磁同步电机控制方法，成了交流电机控制技术领域中的研究热点。按照永磁同步电机无位置传感器技术的适用范围，通常将其分成两类：一类是适用于中高速的无位置传感器技术，另一类是适用于低速(零速)的无位置传感器技术，分别是根据电机基频数学模型和凸极结构特性来实现的。适用于中高速的永磁同步电机无位置传感器技术通过基频激励的反电动势或者磁链模型来观测转子位置/速度信息，而不需要利用电机的凸极，这使得适用于中高速的无位置传感器技术应用更广泛，而且相对简单。目前，采用模型法的无传感器控制技术主要包括开环磁链法、扰动观测器法、滑模观测器法、有效磁链观测器法、扩展卡尔曼滤波器法、模型参考自适应法和基于人工智能理论方法等。

然而，采用模型法观测转子位置需要电机参数信息，参数的不确定性将会导致直流偏移转子位置观测误差。通过在线参数辨识能够一定程度上减小直流偏移转子位置误差，然而精确的参数辨识难以实现，同时增加了系统的复杂性。由于逆变器非线性和转子磁通空间谐波的影响，两相静止坐标下的反电动势会产生5次、7次谐波，进而导致转子位置观测误差中产生6次谐波脉动。传统的方法是采用平均电压方法进行逆变器非线性补偿，采用电感精确建模方法消除转子磁通空间谐波影响。然而，在实际应用过程中，逆变器非线性补偿和电感精确建模方法都不能有效减小6次谐波，消除其影响。直流偏移和6次谐波脉动转子位置观测误差的存在，恶化了无位置传感器永磁同步电机控制性能。因此，对于无位置传感器永磁同步电机控制系统，消除6次谐波脉动转子位置误差的影响至关重要。

发明内容

本发明目的是为了解决现有适用于中高速的无位置传感器永磁同步电机控制技术，即模型法，所获得的转子位置角观测值中含有6次谐波脉动观测误差问题，提供了一种永磁同步电机转子位置观测器。

本发明所述永磁同步电机转子位置观测器，它包括滑模观测器、饱和函数处理模块、低通滤波器、标幺化处理模块、神经网络滤波器和锁相环，

永磁同步电机的两相静止坐标系下的定子电压u_s经滑模观测器观测后输出定子电流观测值

所述定子电流观测值与定子电流值i_s的差值作为定子电流观测误差i_s，所述定子电流观测误差i_s经饱和函数处理模块处理后输出两相静止坐标系下的滑模控制矢量z，所述滑模控制矢量z经低通滤波器处理后输出两相静止坐标系下的反电动势矢量e，所述滑模控制矢量z还反馈给滑模观测器作为其输入，所述反电动势矢量e经标幺化处理模块处理后输出标幺后反电动势矢量

所述标幺后反电动势矢量

经神经网络滤波器处理后输出反电动势观测矢量

所述反电动势观测矢量

经锁相环处理后输出永磁同步电机的转子位置观测值

和转速观测值ω_e，所述转子位置观测值反馈给神经网络滤波器作为其输入，所述转速观测值ω_e还反馈给滑模观测器作为其输入；

其中：两相静止坐标系下的定子电压 $u_s=\left[\begin{array}{cc}{u}_{\mathrm{\α}}& u_{\mathrm{\β}}\end{array}\right],$ u_α为α轴定子电压，u_β为β轴定子电压；

定子电流观测值 ${\hat{i}}_S=\left[\begin{array}{cc}{\hat{i}}_{\mathrm{\α}}& {\hat{i}}_{\mathrm{\β}}\end{array}\right],$

为α轴定子电流观测值，为β轴定子电流观测值；

定子电流 $i_S=\left[\begin{array}{cc}{i}_{\mathrm{\α}}& i_{\mathrm{\β}}\end{array}\right],$ i_α为α轴定子电流，i_β为β轴定子电流；

滑模控制矢量 $z=\left[\begin{array}{cc}{z}_{\mathrm{\α}}& z_{\mathrm{\β}}\end{array}\right],$ z_α为α轴滑模控制量，z_β为β轴滑模控制量；

反电动势矢量 $e=\left[\begin{array}{cc}{e}_{\mathrm{\α}}& e_{\mathrm{\β}}\end{array}\right],$ e_α为α轴反电动势，e_β为β轴反电动势；

标幺后反电动势矢量 ${\hat{e}}_n=\left[\begin{array}{cc}{e}_{\mathrm{n\α}}& e_{\mathrm{n\β}}\end{array}\right],$ e_nα为α轴标幺后反电动势，e_nβ为β轴标幺后反电动势；

反电动势观测矢量 ${\hat{e}}_{\mathrm{af}}=\left[\begin{array}{cc}{e}_{\mathrm{af\α}}& e_{\mathrm{af\β}}\end{array}\right],$ e_afα为α轴反电动势观测值，e_afβ为β轴反电动势观测值。

本发明的优点：本发明所述永磁同步电机转子位置观测器提供一种基于递归最小二乘算法的神经网络滤波器方法进行反电动势5次、7次谐波检测、补偿，进而消除位置观测值6次谐波脉动误差。

本发明采用的基于递归最小二乘算法的神经网络滤波器消除转子位置观测值6次脉动误差方法，信号处理方法简单易行、可靠实用，动态性能好，能够有效抑制转子位置观测值6次脉动误差影响，提高了无位置传感器永磁同步电机控制性能；可以广泛地应用到永磁同步电机控制系统中，不需要额外硬件开销，可以获得较满意的控制性能。

附图说明

图1是本发明所述永磁同步电机转子位置观测器的原理框图；

图2是具体实施方式二的原理框图；

图3是具体实施方式三的原理框图；

图4是两相同步旋转轴系、两相静止轴系和三相静止轴系的相对关系示意图；

图5是当永磁同步电机转速给定值为600r/min，带50%额定负载时神经网络滤波器使能前后实验波形，神经网络滤波器在5s处使能；Disable标识的是非使能区域，Enable标识的是使能区域；

图6是当永磁同步电机转速给定值为600r/min，带50%额定负载时神经网络滤波器使能前稳态实验波形；

图7是当永磁同步电机转速给定值为600r/min，带50%额定负载时神经网络滤波器使能后稳态实验波形。

具体实施方式

具体实施方式一：下面结合图1说明本实施方式，本实施方式所述永磁同步电机转子位置观测器，它包括滑模观测器1、饱和函数处理模块2、低通滤波器3、标幺化处理模块4、神经网络滤波器5和锁相环6，

永磁同步电机的两相静止坐标系下的定子电压u_s经滑模观测器1观测后输出定子电流观测值所述定子电流观测值

与定子电流值i_s的差值作为定子电流观测误差i_s，所述定子电流观测误差i_s经饱和函数处理模块2处理后输出两相静止坐标系下的滑模控制矢量z，所述滑模控制矢量z经低通滤波器3处理后输出两相静止坐标系下的反电动势矢量e，所述滑模控制矢量z还反馈给滑模观测器1作为其输入，所述反电动势矢量e经标幺化处理模块4处理后输出标幺后反电动势矢量

所述标幺后反电动势矢量

经神经网络滤波器5处理后输出反电动势观测矢量所述反电动势观测矢量

经锁相环6处理后输出永磁同步电机的转子位置观测值

和转速观测值ω_e，所述转子位置观测值

反馈给神经网络滤波器5作为其输入，所述转速观测值ω_e还反馈给滑模观测器1作为其输入；

其中：两相静止坐标系下的定子电压 $u_{S=}\left[\begin{array}{cc}{u}_{\mathrm{\α}}& u_{\mathrm{\β}}\end{array}\right],$ u_α为α轴定子电压，u_β为β轴定子电压；

定子电流观测值 ${\hat{i}}_S=\left[\begin{array}{cc}{\hat{i}}_{\mathrm{\α}}& {\hat{i}}_{\mathrm{\β}}\end{array}\right],$

为α轴定子电流观测值，

为β轴定子电流观测值；

定子电流 $i_S=\left[\begin{array}{cc}{i}_{\mathrm{\α}}& i_{\mathrm{\β}}\end{array}\right],$ i_α为α轴定子电流，i_β为β轴定子电流；

滑模控制矢量 $z=\left[\begin{array}{cc}{z}_{\mathrm{\α}}& z_{\mathrm{\β}}\end{array}\right],$ z_α为α轴滑模控制量，z_β为β轴滑模控制量；

反电动势矢量 $e=\left[\begin{array}{cc}{e}_{\mathrm{\α}}& e_{\mathrm{\β}}\end{array}\right],$ e_α为α轴反电动势，e_β为β轴反电动势；

标幺后反电动势矢量 ${\hat{e}}_n=\left[\begin{array}{cc}{e}_{\mathrm{n\α}}& e_{\mathrm{n\β}}\end{array}\right],$ e_nα为α轴标幺后反电动势，e_nβ为β轴标幺后反电动势；

反电动势观测矢量 ${\hat{e}}_{\mathrm{af}}=\left[\begin{array}{cc}{e}_{\mathrm{af\α}}& e_{\mathrm{af\β}}\end{array}\right],$ e_afα为α轴反电动势观测值，e_afβ为β轴反电动势观测值。

所述定子电流i_s根据公式

$i_s=\left[\begin{array}{c}{i}_{\mathrm{\α}}\\ i_{\mathrm{\β}}\end{array}\right]=\sqrt{\frac{2}{3}}\left[\begin{array}{ccc}1& -\frac{1}{2}& -\frac{1}{2}\\ 0& \frac{\sqrt{3}}{2}& -\frac{\sqrt{3}}{2}\end{array}\right]\left[\begin{array}{c}{i}_a\\ i_b\\ i_c\end{array}\right]$ 获取，

其中：i_a、i_b和i_c为永磁同步电机的三相定子电流。

滑模控制矢量z按公式

$z=\left\{\begin{array}{cc}k/\mathrm{\&delta;}\&CenterDot;({\hat{i}}_S-i_S),& |{\hat{i}}_S-i_S|<\mathrm{\&delta;}\\ k\&CenterDot;\mathrm{sign}({\hat{i}}_S-i_S),& |{\hat{i}}_S-i_S|>\mathrm{\&delta;}\end{array}\right.$ 获取，

其中：k为滑模增益，δ为饱和函数的边界层常数。

神经网络滤波器5输出反电动势观测矢量

获取α轴反电动势观测值e_afα时神经网络滤波器5的输入值为α轴标幺后反电动势e_nα和转子位置观测值

获取β轴反电动势观测值e_afβ时神经网络滤波器5的输入值为β轴标幺后反电动势e_nβ和转子位置观测值

通过标幺化处理模块4处理后消除转速变化对锁相环6的影响。

本发明中提及的所有角度均为电角度。

永磁同步电动机是交流同步电机调速系统的主要环节，参见图4所示，取转子永磁体基波励磁磁场轴线为d轴，q轴顺着旋转方向超前d轴90度，d-q轴系随同转子以角速度ω_r一道旋转，它的空间坐标以d轴与参考轴A相轴间的角度

来表示，规定A相所在轴——参考轴A相轴为零度。则转子初始位置角

为初始时的转子磁场与参考轴A相轴之间的夹角。参考轴A相轴与两相静止坐标系下的α轴重合，β轴顺着旋转方向超前α轴90度。

具体实施方式二：下面结合图2说明本实施方式，本实施方式对实施方式一作进一步说明，获取α轴反电动势观测值e_afα的过程为：

步骤a、取锁相环6输出的转子位置观测值

正弦项乘以5倍增益

7倍增益

转子位置观测值余弦项乘以5倍增益

7倍增益作为神经网络滤波器参考输入，

步骤b、神经网络滤波器5输出的上一周期α轴反电动势观测值e_afα(n-1)分别乘以增益k₁₁(n)、k₁₂(n)、k₂₁(n)和k₂₂(n)获取四个乘积，

步骤c、将步骤b中所得四个乘积分别与其上一周期滤波器系数w₁₁(n-1)、w₁₂(n-1)、w₂₁(n-1)和w₂₂(n-1)相加，得到滤波器系数w₁₁(n)、w₁₂(n)、w₂₁(n)和w₂₂(n)，

步骤d、将步骤c中上一周期滤波器系数w₁₁(n-1)、w₁₂(n-1)、w₂₁(n-1)和w₂₂(n-1)分别与

和

相乘，并将相同频次所得乘积相加得到对应频次谐波观测值h₁(n)和h₂(n)，

步骤e、α轴标幺后反电动势e_nα减去h₁(n)和h₂(n)，得到神经网络滤波器输出α轴反电动势观测值e_afα。

具体实施方式三：下面结合图3说明本实施方式，本实施方式是对实施方式一的进一步限定，获取β轴反电动势观测值e_afβ的过程为：

步骤1、取锁相环6输出的转子位置观测值

正弦项乘以5倍增益

7倍增益

转子位置观测值

余弦项乘以5倍增益7倍增益

作为神经网络滤波器参考输入，

步骤2、神经网络滤波器5输出的上一周期β轴反电动势观测值e_afβ(n-1)分别乘以增益k₁₁(n)、k₁₂(n)、k₂₁(n)和k₂₂(n)获取四个乘积，

步骤3、将步骤2中所得四个乘积分别与其上一周期滤波器系数w₁₁(n-1)、w₁₂(n-1)、w₂₁(n-1)和w₂₂(n-1)相加，得到滤波器系数w₁₁(n)、w₁₂(n)、w₂₁(n)和w₂₂(n)，

步骤4、将步骤3中上一周期滤波器系数w₁₁(n-1)、w₁₂(n-1)、w₂₁(n-1)和w₂₂(n-1)分别与

和相乘，并将相同频次所得乘积相加得到对应频次谐波观测值h₁(n)和h₂(n)，

步骤5、β轴标幺后反电动势e_nβ减去h₁(n)和h₂(n)，得到神经网络滤波器输出β轴反电动势观测值e_afβ。

具体实施方式四：本实施方式是对实施方式二或三的进一步限定，增益k₁₁(n)、k₁₂(n)、k₂₁(n)和k₂₂(n)按公式

$\left\{\begin{array}{c}{k}_{11}\left(n\right)=\frac{{\mathrm{\&Phi;}}_{11}\left(n\right)}{\mathrm{\&lambda;}+r_{11}\left(n\right){\mathrm{\&Phi;}}_{11}\left(n\right)}\\ k_{12}\left(n\right)=\frac{{\mathrm{\&Phi;}}_{12}\left(n\right)}{\mathrm{\&lambda;}+r_{12}\left(n\right){\mathrm{\&Phi;}}_{12}\left(n\right)}\\ k_{21}\left(n\right)=\frac{{\mathrm{\&Phi;}}_{21}\left(n\right)}{\mathrm{\&lambda;}+r_{21}\left(n\right){\mathrm{\&Phi;}}_{21}\left(n\right)}\\ k_{22}\left(n\right)=\frac{{\mathrm{\&Phi;}}_{22}\left(n\right)}{\mathrm{\&lambda;}+r_{22}\left(n\right){\mathrm{\&Phi;}}_{22}\left(n\right)}\end{array}\right.$ 获取，

其中：λ为遗忘因子，且λ为接近于1的常数，

参考输入： $\left\{\begin{array}{c}{r}_{11}\left(n\right)=\sin \left(5{\mathrm{\&theta;}}_e\right)\\ r_{12}\left(n\right)=\sin \left(7{\mathrm{\&theta;}}_e\right)\\ r_{21}\left(n\right)=\cos \left(5{\mathrm{\&theta;}}_e\right),\\ r_{22}\left(n\right)=\cos \left(7{\mathrm{\&theta;}}_e\right)\end{array}\right.$

Φ₁₁(n)、Φ₁₂(n)、Φ₂₁(n)和Φ₂₂(n)为中间变量，按照公式

$\left\{\begin{array}{c}{\mathrm{\&Phi;}}_{11}\left(n\right)=P_{11}(n-1)r_{11}\left(n\right)\\ {\mathrm{\&Phi;}}_{12}\left(n\right)=P_{12}(n-1)r_{12}\left(n\right)\\ {\mathrm{\&Phi;}}_{21}\left(n\right)=P_{21}(n-1)r_{21}\left(n\right)\\ {\mathrm{\&Phi;}}_{22}\left(n\right)=P_{22}(n-1)r_{22}\left(n\right)\end{array}\right.$ 获取，

其中：P₁₁为第一路逆相关矩阵，其初始值为0，

P₁₂为第二路逆相关矩阵，其初始值为0，

P₂₁为第三路逆相关矩阵，其初始值为0，

P₂₂为第四路逆相关矩阵，其初始值为0，

且四路逆相关矩阵按公式

$\left\{\begin{array}{c}{P}_{11}\left(n\right)=\frac{P_{11}(n-1)-k_{11}\left(n\right){\mathrm{\&Phi;}}_{11}\left(n\right)}{\mathrm{\&lambda;}}\\ P_{12}\left(n\right)=\frac{P_{12}(n-1)-k_{12}\left(n\right){\mathrm{\&Phi;}}_{12}\left(n\right)}{\mathrm{\&lambda;}}\\ P_{21}\left(n\right)=\frac{P_{21}(n-1)-k_{21}\left(n\right){\mathrm{\&Phi;}}_{21}\left(n\right)}{\mathrm{\&lambda;}}\\ P_{22}\left(n\right)=\frac{P_{22}(n-1)-k_{22}\left(n\right){\mathrm{\&Phi;}}_{22}\left(n\right)}{\mathrm{\&lambda;}}\end{array}\right.$

进行更新，

式中P₁₁(n-1)、P₁₂(n-1)、P₂₁(n-1)和P₂₂(n-1)为上一周期的四个逆相关矩阵。

具体实施方式五：结合图2、图4至图7给出一个具体实施例。

本发明旨为通过基于递归最小二乘算法的神经网络滤波器消除模型法得到的转子位置角观测值中含有6次谐波脉动观测误差问题。下面根据图2进行详细说明：

由于神经网络滤波器结构对称，因此取虚线内部分做详细分析，递归最小二乘算法按步骤总结如下：

1、参数初始化：

$\left\{\begin{array}{c}{P}_{11}\left(0\right)=P_{21}\left(0\right)=0.001\\ w_{11}\left(0\right)=w_{21}\left(0\right)=0\end{array}---\left(1\right)\right.$

λ=0.9982

式中，P₁₁(0),P₂₁(0)为逆相关矩阵初始值，w₁₁(0),w₂₁(0)为滤波器系数初始值，λ为遗忘因子，

2、增益计算：

$\left\{\begin{array}{c}{k}_{11}\left(n\right)=\frac{{\mathrm{\&Phi;}}_{11}\left(n\right)}{\mathrm{\&lambda;}+r_{11}\left(n\right){\mathrm{\&Phi;}}_{11}\left(n\right)}\\ k_{21}\left(n\right)=\frac{{\mathrm{\&Phi;}}_{21}\left(n\right)}{\mathrm{\&lambda;}+r_{21}\left(n\right){\mathrm{\&Phi;}}_{21}\left(n\right)}\end{array}\right.---\left(2\right)$

式中，Φ₁₁(n),Φ₂₁(n)为中间变量，按照公式（3）进行计算，

$\left\{\begin{array}{c}{\mathrm{\&Phi;}}_{11}\left(n\right)=P_{11}(n-1)r_{11}\left(n\right)\\ {\mathrm{\&Phi;}}_{21}\left(n\right)=P_{21}(n-1)r_{21}\left(n\right)\end{array}---\left(3\right)\right.$

式中， $r_{11}\left(n\right)=\sin \left(5{\widehat{\mathrm{\&theta;}}}_e\right),$ $r_{21}\left(n\right)=\cos \left(5{\widehat{\mathrm{\&theta;}}}_e\right),$ 为参考输入，

3、输出和偏差计算：

$\left\{\begin{array}{c}{h}_1\left(n\right)=w_{11}(n-1)r_{11}\left(n\right)+w_{21}(n-1)r_{21}\left(n\right)\\ e_{\mathrm{\&alpha;}}\left(n\right)={\hat{e}}_{\mathrm{n\&alpha;}}-h_1\left(n\right)\end{array}\right.---\left(4\right)$

4、神经网络滤波器系数更新：

$\left\{\begin{array}{c}{w}_{11}\left(n\right)=w_{11}(n-1)+k_{11}\left(n\right)e_{\mathrm{\&alpha;}}\left(n\right)\\ w_{21}\left(n\right)=w_{21}(n-1)+k_{21}\left(n\right)e_{\mathrm{\&alpha;}}\left(n\right)\end{array}\right.---\left(5\right)$

5、逆相关矩阵更新：

$\left\{\begin{array}{c}{P}_{11}\left(n\right)=\frac{P_{11}(n-1)-k_{11}\left(n\right){\mathrm{\&Phi;}}_{11}\left(n\right)}{\mathrm{\&lambda;}}\\ P_{21}\left(n\right)=\frac{P_{21}(n-1)-k_{21}\left(n\right){\mathrm{\&Phi;}}_{21}\left(n\right)}{\mathrm{\&lambda;}}\end{array}\right.---\left(6\right)$

式中，P₁₁(n),P₂₁(n)为逆相关矩阵初始值，

图5至图7为实验获得的波形图，实验在永磁同步电机对拖加载实验平台上进行，实验方法在5s时使能，图5中区域（1）（2）经放大后示于图6和图7，分别为神经网络滤波器使能前后波形，转子位置误差中6次脉动误差成功消除，实验结果验证了本发明方法的有效性。

Claims (7)

1.永磁同步电机转子位置观测器，其特征在于，它包括滑模观测器（1）、饱和函数处理模块（2）、低通滤波器（3）、标幺化处理模块（4）、神经网络滤波器（5）和锁相环（6），永磁同步电机的两相静止坐标系下的定子电压u_s经滑模观测器（1）观测后输出定子电流观测值

所述定子电流观测值与定子电流值i_s的差值作为定子电流观测误差i_s，所述定子电流观测误差i_s经饱和函数处理模块（2）处理后输出两相静止坐标系下的滑模控制矢量z，所述滑模控制矢量z经低通滤波器（3）处理后输出两相静止坐标系下的反电动势矢量e，所述滑模控制矢量z还反馈给滑模观测器（1）作为其输入，所述反电动势矢量e经标幺化处理模块（4）处理后输出标幺后反电动势矢量

所述标幺后反电动势矢量经神经网络滤波器（5）处理后输出反电动势观测矢量所述反电动势观测矢量

经锁相环（6）处理后输出永磁同步电机的转子位置观测值

和转速观测值ω_e，所述转子位置观测值

反馈给神经网络滤波器（5）作为其输入，所述转速观测值ω_e还反馈给滑模观测器（1）作为其输入；

其中：两相静止坐标系下的定子电压 $u_S=\left[\begin{array}{cc}{u}_{\mathrm{\&alpha;}}& u_{\mathrm{\&beta;}}\end{array}\right],$ u_α为α轴定子电压，u_β为β轴定子电压；

定子电流观测值 ${\hat{i}}_S=\left[\begin{array}{cc}{\hat{i}}_{\mathrm{\&alpha;}}& {\hat{i}}_{\mathrm{\&beta;}}\end{array}\right],$

为α轴定子电流观测值，

为β轴定子电流观测值；

定子电流 $i_S=\left[\begin{array}{cc}{i}_{\mathrm{\&alpha;}}& i_{\mathrm{\&beta;}}\end{array}\right],$ i_α为α轴定子电流，i_β为β轴定子电流；

滑模控制矢量 $z=\left[\begin{array}{cc}{z}_{\mathrm{\&alpha;}}& z_{\mathrm{\&beta;}}\end{array}\right],$ z_α为α轴滑模控制量，z_β为β轴滑模控制量；

反电动势矢量 $e\left[\begin{array}{cc}{e}_{\mathrm{\&alpha;}}& e_{\mathrm{\&beta;}}\end{array}\right],$ e_α为α轴反电动势，e_β为β轴反电动势；

标幺后反电动势矢量 ${\hat{e}}_n=\left[\begin{array}{cc}{e}_{\mathrm{n\&alpha;}}& e_{\mathrm{n\&beta;}}\end{array}\right],$ e_nα为α轴标幺后反电动势，e_nβ为β轴标幺后反电动势；

反电动势观测矢量 ${\hat{e}}_{\mathrm{af}}=\left[\begin{array}{cc}{e}_{\mathrm{af\&alpha;}}& e_{\mathrm{af\&beta;}}\end{array}\right],$ e_afα为α轴反电动势观测值，e_afβ为β轴反电动势观测值。

2.根据权利要求1所述永磁同步电机转子位置观测器，其特征在于，所述定子电流i_s根据公式

$i_s=\left[\begin{array}{c}{i}_{\mathrm{\&alpha;}}\\ i_{\mathrm{\&beta;}}\end{array}\right]=\sqrt{\frac{2}{3}}\left[\begin{array}{ccc}1& -\frac{1}{2}& -\frac{1}{2}\\ 0& \frac{\sqrt{3}}{2}& -\frac{\sqrt{3}}{2}\end{array}\right]\left[\begin{array}{c}{i}_a\\ i_b\\ i_c\end{array}\right]$ 获取，

其中：i_a、i_b和i_c为永磁同步电机的三相定子电流。

3.根据权利要求1所述永磁同步电机转子位置观测器，其特征在于，滑模控制矢量z按公式

$z=\left\{\begin{array}{cc}k/\mathrm{\&delta;}\&CenterDot;({\hat{i}}_S-i_S),& |{\hat{i}}_S-i_S|<\mathrm{\&delta;}\\ k\&CenterDot;\mathrm{sign}({\hat{i}}_S-i_S),& |{\hat{i}}_S-i_S|>\mathrm{\&delta;}\end{array}\right.$ 获取，

其中：k为滑模增益，δ为饱和函数的边界层常数。

4.根据权利要求1所述永磁同步电机转子位置观测器，其特征在于，神经网络滤波器（5）输出反电动势观测矢量

获取α轴反电动势观测值e_afα时神经网络滤波器（5）的输入值为α轴标幺后反电动势e_nα和转子位置观测值获取β轴反电动势观测值e_afβ时神经网络滤波器（5）的输入值为β轴标幺后反电动势e_nβ和转子位置观测值

5.根据权利要求4所述永磁同步电机转子位置观测器，其特征在于，获取α轴反电动势观测值e_afα的过程为：

步骤a、取锁相环（6）输出的转子位置观测值

正弦项乘以5倍增益

7倍增益

转子位置观测值

余弦项乘以5倍增益7倍增益

作为神经网络滤波器参考输入，

步骤b、神经网络滤波器（5）输出的上一周期α轴反电动势观测值e_afα(n-1)分别乘以增益k₁₁(n)、k₁₂(n)、k₂₁(n)和k₂₂(n)获取四个乘积，

步骤c、将步骤b中所得四个乘积分别与其上一周期滤波器系数w₁₁(n-1)、w₁₂(n-1)、w₂₁(n-1)和w₂₂(n-1)相加，得到滤波器系数w₁₁(n)、w₁₂(n)、w₂₁(n)和w₂₂(n)，

步骤d、将步骤c中上一周期滤波器系数w₁₁(n-1)、w₁₂(n-1)、w₂₁(n-1)和w₂₂(n-1)分别与

和

相乘，并将相同频次所得乘积相加得到对应频次谐波观测值h₁(n)和h₂(n)，

步骤e、α轴标幺后反电动势e_nα减去h₁(n)和h₂(n)，得到神经网络滤波器输出α轴反电动势观测值e_afα。

6.根据权利要求4所述永磁同步电机转子位置观测器，其特征在于，获取β轴反电动势观测值e_afβ的过程为：

步骤1、取锁相环（6）输出的转子位置观测值

正弦项乘以5倍增益

7倍增益

转子位置观测值

余弦项乘以5倍增益

7倍增益

作为神经网络滤波器参考输入，

步骤2、神经网络滤波器（5）输出的上一周期β轴反电动势观测值e_afβ(n-1)分别乘以增益k₁₁(n)、k₁₂(n)、k₂₁(n)和k₂₂(n)获取四个乘积，

步骤3、将步骤2中所得四个乘积分别与其上一周期滤波器系数w₁₁(n-1)、w₁₂(n-1)、w₂₁(n-1)和w₂₂(n-1)相加，得到滤波器系数w₁₁(n)、w₁₂(n)、w₂₁(n)和w₂₂(n)，

步骤4、将步骤3中上一周期滤波器系数w₁₁(n-1)、w₁₂(n-1)、w₂₁(n-1)和w₂₂(n-1)分别与

和

相乘，并将相同频次所得乘积相加得到对应频次谐波观测值h₁(n)和h₂(n)，

步骤5、β轴标幺后反电动势e_nβ减去h₁(n)和h₂(n)，得到神经网络滤波器输出β轴反电动势观测值e_afβ。

7.根据权利要求5或6所述永磁同步电机转子位置观测器，其特征在于，增益k₁₁(n)、k₁₂(n)、k₂₁(n)和k₂₂(n)按公式

$\left\{\begin{array}{c}{k}_{11}\left(n\right)=\frac{{\mathrm{\&Phi;}}_{11}\left(n\right)}{\mathrm{\&lambda;}+r_{11}\left(n\right){\mathrm{\&Phi;}}_{11}\left(n\right)}\\ k_{12}\left(n\right)=\frac{{\mathrm{\&Phi;}}_{12}\left(n\right)}{\mathrm{\&lambda;}+r_{12}\left(n\right){\mathrm{\&Phi;}}_{12}\left(n\right)}\\ k_{21}\left(n\right)=\frac{{\mathrm{\&Phi;}}_{21}\left(n\right)}{\mathrm{\&lambda;}+r_{21}\left(n\right){\mathrm{\&Phi;}}_{21}\left(n\right)}\\ k_{22}\left(n\right)=\frac{{\mathrm{\&Phi;}}_{22}\left(n\right)}{\mathrm{\&lambda;}+r_{22}\left(n\right){\mathrm{\&Phi;}}_{22}\left(n\right)}\end{array}\right.$ 获取，

其中：λ为遗忘因子，且λ为接近于1的常数，

参考输入： $\left\{\begin{array}{c}{r}_{11}\left(n\right)=\sin \left(5{\mathrm{\&theta;}}_e\right)\\ r_{12}\left(n\right)=\sin \left(7{\mathrm{\&theta;}}_e\right)\\ r_{21}\left(n\right)=\cos \left(5{\mathrm{\&theta;}}_e\right),\\ r_{22}\left(n\right)=\cos \left(7{\mathrm{\&theta;}}_e\right)\end{array}\right.$

Φ₁₁(n)、Φ₁₂(n)、Φ₂₁(n)和Φ₂₂(n)为中间变量，按照公式 $\left\{\begin{array}{c}{\mathrm{\&Phi;}}_{11}\left(n\right)=P_{11}(n-1)r_{11}\left(n\right)\\ {\mathrm{\&Phi;}}_{12}\left(n\right)=P_{12}(n-1)r_{12}\left(n\right)\\ {\mathrm{\&Phi;}}_{21}\left(n\right)=P_{21}(n-1)r_{21}\left(n\right)\\ {\mathrm{\&Phi;}}_{22}\left(n\right)=P_{22}(n-1)r_{22}\left(n\right)\end{array}\right.$ 获取，

其中：P₁₁为第一路逆相关矩阵，其初始值为0，

P₁₂为第二路逆相关矩阵，其初始值为0，

P₂₁为第三路逆相关矩阵，其初始值为0，

P₂₂为第四路逆相关矩阵，其初始值为0，

且四路逆相关矩阵按公式

$\left\{\begin{array}{c}{P}_{11}\left(n\right)=\frac{P_{11}(n-1)-k_{11}\left(n\right){\mathrm{\&Phi;}}_{11}\left(n\right)}{\mathrm{\&lambda;}}\\ P_{12}\left(n\right)=\frac{P_{12}(n-1)-k_{12}\left(n\right){\mathrm{\&Phi;}}_{12}\left(n\right)}{\mathrm{\&lambda;}}\\ P_{21}\left(n\right)=\frac{P_{21}(n-1)-k_{21}\left(n\right){\mathrm{\&Phi;}}_{21}\left(n\right)}{\mathrm{\&lambda;}}\\ P_{22}\left(n\right)=\frac{P_{22}(n-1)-k_{22}\left(n\right){\mathrm{\&Phi;}}_{22}\left(n\right)}{\mathrm{\&lambda;}}\end{array}\right.$

进行更新，

式中P₁₁(n-1)、P₁₂(n-1)、P₂₁(n-1)和P₂₂(n-1)为上一周期的四个逆相关矩阵。

Images