CN104167968A - 一种异步电机矢量控制方法 - Google Patents
一种异步电机矢量控制方法 Download PDFInfo
- Publication number
- CN104167968A CN104167968A CN201410439279.3A CN201410439279A CN104167968A CN 104167968 A CN104167968 A CN 104167968A CN 201410439279 A CN201410439279 A CN 201410439279A CN 104167968 A CN104167968 A CN 104167968A
- Authority
- CN
- China
- Prior art keywords
- value
- pwm
- layer
- output
- sector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Control Of Ac Motors In General (AREA)
Abstract
本发明公开了一种异步电机矢量控制方法,异步电机矢量控制方法,主要是在定子电流励磁分量和转矩分量闭环控制的矢量控制系统中,转子磁链调节器AψR采用动态矩阵控制法;转速调节器ASR采用模糊神经网络控制法;逆变器的控制采用了改进的SVPWM控制。控制系统的整体结构如摘要附图所示,其中ACMR为定子电流励磁分量调节器、ACTR为定子电流转矩分量调节器、FBS为转速传感器。本发明将动态矩阵控制法、模糊神经网络控制法、改进的SVPWM控制结合在一起,提高异步电机矢量控制算法的控制性能和智能化水平。
Description
技术领域
本发明涉及一种异步电机矢量控制方法,属于电工技术。
背景技术
使用异步电机矢量控制理论可以解决交流电机转矩控制问题。矢量控制实现的基本原理是通过测量和控制异步电动机定子电流矢量,根据磁场定向原理分别对异步电动机的励磁电流和转矩电流进行控制,从而达到控制异步电动机转矩的目的。而且获得与直流调速系统同样的静、动态性能,所以在电机控制领域取得了广泛的应用。
现在矢量控制系统中的转子磁链调节器AψR都采用的是PI控制器,在系统的动态特性中具有的纯滞后或非最小相位特性会影响PI控制器的直接应用,不能有效地解决时延过程问题;转速调节器ASR采用的PI控制器在处理控制系统中存在的不确定性、非线性和其他不确定性问题上就显得无能为力了;传统的SVPWM技术有着算法结构比较复杂的缺点。
现在工程上采用的异步电机控制在要求不高的场合下可以为要求不高的负载进行控制,但对于稳定性、自适应性和智能化水平要求比较高的场合传统的矢量控制算法就不能够满足要求了。
因此,发明一种更为有效地提高矢量控制系统的性能新型的异步电机矢量控制算法成为亟需解决的课题。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种异步电机矢量控制方法,在定子电流励磁分量和转矩分量闭环控制的矢量控制系统中,转子磁链调节器AψR采用动态矩阵控制法;转速调节器ASR采用模糊神经网络控制法;逆变器的控制采用了改进的SVPWM控制,以有效地提高这种矢量控制系统的稳定性、自适应性和智能化水平要求。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种异步电机矢量控制方法,在定子电流励磁分量和转矩分量闭环控制的矢量控制系统中,转子磁链调节器AψR采用动态矩阵控制法;转速调节器ASR采用模糊神经网络控制法;逆变器的控制采用了改进的SVPWM控制;具体为:
(1)转子磁链调节器AψR的动态矩阵控制法:转子磁链调节器AψR采用PI控制和动态矩阵控制并联运行的结构,让PI控制器的输出和动态矩阵控制算法的输出相加得到转子磁链调节器AψR的输出;其中动态矩阵控制算法包括预测模型、滚动优化、误差校正环节三部分;
(2)转速调节器ASR的模糊神经网络控制法:转速调节器ASR采用PI控制和模糊神经网络控制并联运行的结构,转速调节器ASR输入为电机转速之差ω*-ω、输出为PI控制和模糊神经网络控制的输出相加得到的定子电流的给定转矩分量其中ω*为给定的电机转速,ω为电机实际转速,模糊神经网络共分为5层:输入层、语言变量层、模糊规则层、归一化层、输出层;
(3)改进的SVPWM控制:包括扇区模块A、基础矢量作用时间模块、三相时间比较模块和调制模块四部分;三相信号经过坐标变换正交信号x轴分量Uα、y轴分量Uβ同时输入到扇区模块A和基础矢量作用时间模块,经扇区模块A确定出合成矢量Uref所在扇区值A;基础矢量作用时间模块结合扇区值A和正交信号Uα、Uβ,确定出不同扇区中相邻两个基础矢量的作用时间值t1和t2;将t1和t2输入到三相时间比较模块,以确定出三相时间比较值Ta、Tb和Tc;将Ta、Tb和Tc输入到调制模块,与给定的载波相比较以生产磁链PWM脉冲波。
所述步骤(1)中的转子磁链调节器AψR的动态矩阵控制法,具体包括如下步骤:
预测模型:从被控对象的阶跃响应出发,对象的动态特性用一系列动态系数a1,a2,…,ap,即单位阶跃响应在采样时刻的值来描述,其中p为模型时域长度,ap为最接近稳态值的系数;根据线性系统的比例和叠加性质,若在k-i时刻输入u(k-i),k≥i,则△u(k-i)=u(k-i+1)-u(k-i)对输出y(k)的贡献为:
则y(k+j)的n步预估如下式,n<p:
上式右端的后两项即为过去输入对输出的n步预估,记为:
把式(1)写成矩阵格式为:
为增加系统的动态稳定性和控制输入的可实现性,以及减少计算量,将△u组成的向量减少为m维,m<n,则上式变为:
记:
△U=[△u(k),△u(k+1),…△u(k+m-1)]T
Y0=[y0(k+1),y0(k+2),…y0(k+n)]T
则将式(2)写为:
式中,矩阵A为n×m维的常数矩阵,它完全由系统的阶跃响应参数所决定,反映了对象的动态特性,故称之为动态矩阵;n和m分别称为最大预测长度和控制长度;在此模型中,输入△u为转子磁链误差输出和PI控制器的输出相加即为定子电流励磁分量给定值其中为给定的转子磁链,ψr为实际的转子磁链;
滚动优化:动态矩阵控制算法的控制增量是通过使最优化准则的值为最小来确定的,最优化准则如下:
取控制加权系数λ(j)=λ为常数,令:
W=[w(k+1),w(k+2),…w(k+n)]T
式中,w(k+j)称为期望输出序列值,取:
w(k+j)=αjy(k)+(1-αj)yr,j=1,2,…,n
其中,α为柔化系数,0<α<1;y(k)为系统实测输出值;yr为系统的给定值;计算现时的控制增量:
△u(k)=cT(ATA+λI)-1AT(W-Y0)=dT(W-Y0)
式中,cT=[1,0,…,0];dT=cT(ATA+λI)-1AT,I为单位矩阵;
误差校正:由于对象及环境的不确定性,在k时刻实施控制作用后,在k+1时刻的实际输出y(k+1)和预测的输出未见得相等,这就需要构造预测误差:并用此误差加权后修正对未来其他时刻的预测,即:
式中,为t=(k+1)T时刻经误差校正后所预测的t=(k+1)T(T为系统的采样周期)时刻的系统输出;h=[h1,h2,…,hp]T为误差校正量,h1=1;经校正后的作为下一时刻的预测初值,利用在t=(k+1)T时刻的预测初值预测(k+2)T,…(k+p+1)T时刻的输出值,令:
得下一时刻的预测初值为:
所述步骤(2)中的转速调节器ASR的模糊神经网络控制法,模糊神经网络中:
第一层为输入层:该层的各个节点直接与电机转速之差输入向量的各个分量xi连接,起着将输入值x=[x1,x2,…,x20]T传送到下一层的作用;其中电机转速之差输入向量即为提取的特征矢量,该层的节点数为N1=20;
第二层为语言变量层:该层的每个节点代表一个语言变量值,用于计算各个输入分量属于各语言变量值模糊集合的语言值隶属函数 是xi的第j个语言变量值的隶属函数,其中i=1,2,…,N1,j=1,2,…,mi,mi是xi的模糊分割数,该层的节点数为
第三层为模糊规则层:该层的每个节点代表一条模糊规则,是用来匹配模糊规则的前提条件,用于计算每条规则的适用度,即 或 其中i1∈{1,2,…,m1},i2∈{1,2,…,m2},……,i20∈{1,2,…m20},j=1,2,…,m, 该层的节点数为N3=m;
第四层为归一化层:该层用于实现归一化运算,即该层的节点数为N4=N3=m;
第五层为输出层:该层用于实现清晰化运算,即输出层清晰化运算第i个输出元素为其中wij相当于yi的第j个语言值隶属函数的中心值,r为输出层输出的元素的个数,输出层输出的元素的值加上PI控制器的输出即为转速调节器ASR的输出。
所述步骤(3)中改进的SVPWM控制具体包括如下步骤:
(31)确定扇区值A:设Uα、Uβ为合成矢量Uref某一时刻在x-y坐标轴上的正交分解量,令B1,B2,B3为3个中间变量,使得:
B1=Uα
B2=Uαsin(π/3)-Uβsin(π/6)
B3=-Uαsin(π/3)-Uβsin(π/6)
令M、N、P为3个逻辑变量,使得:
如B1>0,则M=1;否则M=0
如B2>0,则N=1;否则N=0
如B3>0,则P=1;否则P=0
扇区值A的确定方式如下:MNP为001时,扇区值A为IV;MNP为010时,扇区值A为VI;MNP为011时,扇区值A为V;MNP为100时,扇区值A为II;MNP为101时,扇区值A为III;MNP为110时,扇区值A为I;
(32)确定出不同扇区中相邻两个基础矢量的作用时间值t1和t2:将某一扇区中两个相邻基础矢量的作用时间值定义为t1和t2,则有:
其中:t1和t2分别为基础矢量U4和U6的作用时间,t0和t7为零矢量的作用时间,相邻两个基础矢量作用时间的比例系数Tpwm为载波周期,Udc为逆变器输入端的直流电压;t1和t2与扇区值A的关系如下:
(33)由扇区模块A和基础矢量作用时间模块确定出某一扇区中t1和t2的值后,在此基础上由三相时间比较模块确定出每相所对应的时间比较值Ta、Tb和Tc,令中间变量分别为Taon、Tbon和Tcon,由PWM调制原理可得Taon=(Tpwm-t1-t2)/4、Tbon=Taon+t1/4和Tcon=Tbon+t2/2;不同扇区对应的比较值Ta、Tb和Tc如下:
扇区I的比较值Ta、Tb和Tc分别为Taon、Tbon和Tcon;
扇区II的比较值Ta、Tb和Tc分别为Tbon、Taon和Tcon;
扇区III的比较值Ta、Tb和Tc分别为Tcon、Taon和Tbon;
扇区IV的比较值Ta、Tb和Tc分别为Tcon、Tbon和Taon;
扇区V的比较值Ta、Tb和Tc分别为Tbon、Tcon和Taon;
扇区VI的比较值Ta、Tb和Tc分别为Taon、Tcon和Tbon;
(34)将Ta、Tb和Tc输入到调制模块,与给定的载波相比较以生产磁链PWM脉冲波。
有益效果:本发明提供的异步电机矢量控制方法,具有如下特点:1、转子磁链调节器AψR采用动态矩阵控制法,当系统的动态响应中具有的纯滞后或非最小相位特性都不影响该算法的直接应用,并且避免了通常的传递函数或状态空间方程模型参数的辨识,又由于采用了多步预估技术,从而能有效地解决时延过程问题,并按照使预估输出与给定值偏差最小的二次性能指标实施控制,是一种最优控制技术;2、本发明通过转速调节器ASR采用模糊神经网络控制法,对处理不确定性、非线性和其他不确定性问题非常有效;3、改进的SVPWM算法了解决传统空间电压矢量脉宽调制(SVPWM)实现起来比较复杂的问题。
附图说明
图1为本发明方法的应用系统框图;
图2为单位阶跃响应曲线图;
图3为转子磁链调节器AψR内部结构图;
图4为模糊神经网络结构图;
图5为转速磁链调节器ASR内部结构图;
图6为改进的SVPWM模块框图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1所示为一种异步电机矢量控制方法的应用系统框图,在定子电流励磁分量和转矩分量闭环控制的矢量控制系统中,转子磁链调节器AψR采用动态矩阵控制法;转速调节器ASR采用模糊神经网络控制法;逆变器的控制采用了改进的SVPWM控制;具体为:
(1)转子磁链调节器AψR的动态矩阵控制法:转子磁链调节器AψR采用PI控制和动态矩阵控制并联运行的结构,让PI控制器的输出和动态矩阵控制算法的输出相加得到转子磁链调节器AψR的输出;其中动态矩阵控制算法包括预测模型、滚动优化、误差校正环节三部分;
(2)转速调节器ASR的模糊神经网络控制法:转速调节器ASR采用PI控制和模糊神经网络控制并联运行的结构,转速调节器ASR输入为电机转速之差ω*-ω、输出为PI控制和模糊神经网络控制的输出相加得到的定子电流的给定转矩分量其中ω*为给定的电机转速,ω为电机实际转速,模糊神经网络共分为5层:输入层、语言变量层、模糊规则层、归一化层、输出层;
(3)改进的SVPWM控制:包括扇区模块A、基础矢量作用时间模块、三相时间比较模块和调制模块四部分;三相信号经过坐标变换正交信号x轴分量Uα、y轴分量Uβ同时输入到扇区模块A和基础矢量作用时间模块,经扇区模块A确定出合成矢量Uref所在扇区值A;基础矢量作用时间模块结合扇区值A和正交信号Uα、Uβ,确定出不同扇区中相邻两个基础矢量的作用时间值t1和t2;将t1和t2输入到三相时间比较模块,以确定出三相时间比较值Ta、Tb和Tc;将Ta、Tb和Tc输入到调制模块,与给定的载波相比较以生产磁链PWM脉冲波。
下面就个部分给出具体说明。
转子磁链调节器AψR的动态矩阵控制法
转子磁链调节器AψR的内部结构图如图3所示,由PI控制环节和动态矩阵控制环节并联相加而成。
预测模型:从被控对象的阶跃响应出发,对象的动态特性用一系列动态系数a1,a2,…,ap,即单位阶跃响应在采样时刻的值来描述,其中p为模型时域长度,ap为最接近稳态值的系数;根据线性系统的比例和叠加性质,若在k-i时刻输入u(k-i),k≥i,则△u(k-i)(k-i+1时刻输入u(k-i+1)与k-i时刻输入u(k-i)之差)对输出y(k)的贡献为:
则y(k+j)的n步预估如下式,n<p:
上式右端的后两项即为过去输入对输出的n步预估,记为:
把式(1)写成矩阵格式为:
为增加系统的动态稳定性和控制输入的可实现性,以及减少计算量,将△u组成的向量减少为m维,m<n,则上式变为:
记:
△U=[△u(k),△u(k+1),…△u(k+m-1)]T
Y0=[y0(k+1),y0(k+2),…y0(k+n)]T
则将式(2)写为:
式中,矩阵A为n×m维的常数矩阵,它完全由系统的阶跃响应参数所决定,反映了对象的动态特性,故称之为动态矩阵;n和m分别称为最大预测长度和控制长度;在此模型中,输入△u为转子磁链误差输出和PI控制器的输出相加即为定子电流励磁分量给定值其中为给定的转子磁链,ψr为实际的转子磁链;
滚动优化:动态矩阵控制算法的控制增量是通过使最优化准则的值为最小来确定的,最优化准则如下:
取控制加权系数λ(j)=λ为常数,令:
W=[w(k+1),w(k+2),…w(k+n)]T
式中,w(k+j)称为期望输出序列值,取:
w(k+j)=αjy(k)+(1-αj)yr,j=1,2,…,n
其中,α为柔化系数,0<α<1;y(k)为系统实测输出值;yr为系统的给定值;计算现时的控制增量:
△u(k)=cT(ATA+λI)-1AT(W-Y0)=dT(W-Y0)
式中,cT=[1,0,…,0];dT=cT(ATA+λI)-1AT,I为单位矩阵;
误差校正:由于对象及环境的不确定性,在k时刻实施控制作用后,在k+1时刻的实际输出y(k+1)和预测的输出未见得相等,这就需要构造预测误差:并用此误差加权后修正对未来其他时刻的预测,即:
式中,为t=(k+1)T时刻经误差校正后所预测的t=(k+1)T(T为系统的采样周期)时刻的系统输出;h=[h1,h2,…,hp]T为误差校正量,h1=1;经校正后的作为下一时刻的预测初值,利用在t=(k+1)T时刻的预测初值预测(k+2)T,…(k+p+1)T时刻的输出值,令:
得下一时刻的预测初值为:
转速调节器ASR的模糊神经网络控制法
在进行模糊神经网络控制设计时,模糊神经网络采用五层模糊神经网络结构:第一层为输入层,第二层为语言变量层,第三层为模糊规则层,第四层为归一化层,第五层为输出层;将电机转速之差ω*-ω作为模糊神经网络的输入层,如附图4所示,另外转速调节器ASR的内部结构如附图5所示。
第一层为输入层:该层的各个节点直接与电机转速之差输入向量的各个分量xi连接,起着将输入值x=[x1,x2,…,x20]T传送到下一层的作用;其中电机转速之差输入向量即为提取的特征矢量,该层的节点数为N1=20;
第二层为语言变量层:该层的每个节点代表一个语言变量值,用于计算各个输入分量属于各语言变量值模糊集合的语言值隶属函数 是xi的第j个语言变量值的隶属函数,其中i=1,2,…,N1,j=1,2,…,mi,mi是xi的模糊分割数,该层的节点数为
第三层为模糊规则层:该层的每个节点代表一条模糊规则,是用来匹配模糊规则的前提条件,用于计算每条规则的适用度,即 或 其中i1∈{1,2,…,m1},i2∈{1,2,…,m2},……,i20∈{1,2,…m20},j=1,2,…,m, 该层的节点数为N3=m;
第四层为归一化层:该层用于实现归一化运算,即该层的节点数为N4=N3=m;
第五层为输出层:该层用于实现清晰化运算,即其中wij相当于yi(输出层清晰化运算第i个输出元素)的第j个语言值隶属函数的中心值,r为输出层输出的元素的个数,输出层输出的元素的值加上PI控制器的输出即为转速调节器ASR的输出。
改进的SVPWM控制
改进型SVPWM模块的算法由四部分组成,由附图6所示,其步骤如下所示:
(31)确定扇区值A:设Uα、Uβ为合成矢量Uref某一时刻在x-y坐标轴上的正交分解量,令B1,B2,B3为3个中间变量,使得:
B1=Uα
B2=Uαsin(π/3)-Uβsin(π/6)
B3=-Uαsin(π/3)-Uβsin(π/6)
令M、N、P为3个逻辑变量,使得:
如B1>0,则M=1;否则M=0
如B2>0,则N=1;否则N=0
如B3>0,则P=1;否则P=0
扇区值A的确定方式如下:MNP为001时,扇区值A为IV;MNP为010时,扇区值A为VI;MNP为011时,扇区值A为V;MNP为100时,扇区值A为II;MNP为101时,扇区值A为III;MNP为110时,扇区值A为I;
(32)确定出不同扇区中相邻两个基础矢量的作用时间值t1和t2:将某一扇区中两个相邻基础矢量的作用时间值定义为t1和t2,则有:
其中:t1和t2分别为基础矢量U4和U6的作用时间,t0和t7为零矢量的作用时间,相邻两个基础矢量作用时间的比例系数Tpwm为载波周期,Udc为逆变器输入端的直流电压;t1和t2与扇区值A的关系如下:
(33)由扇区模块A和基础矢量作用时间模块确定出某一扇区中t1和t2的值后,在此基础上由三相时间比较模块确定出每相所对应的时间比较值Ta、Tb和Tc,令中间变量分别为Taon、Tbon和Tcon,由PWM调制原理可得Taon=(Tpwm-t1-t2)/4、Tbon=Taon+t1/4和Tcon=Tbon+t2/2;不同扇区对应的比较值Ta、Tb和Tc如下:
扇区I的比较值Ta、Tb和Tc分别为Taon、Tbon和Tcon;
扇区II的比较值Ta、Tb和Tc分别为Tbon、Taon和Tcon;
扇区III的比较值Ta、Tb和Tc分别为Tcon、Taon和Tbon;
扇区IV的比较值Ta、Tb和Tc分别为Tcon、Tbon和Taon;
扇区V的比较值Ta、Tb和Tc分别为Tbon、Tcon和Taon;
扇区VI的比较值Ta、Tb和Tc分别为Taon、Tcon和Tbon;
(34)将Ta、Tb和Tc输入到调制模块,与给定的载波相比较以生产磁链PWM脉冲波。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种异步电机矢量控制方法,其特征在于:在定子电流励磁分量和转矩分量闭环控制的矢量控制系统中,转子磁链调节器AψR采用动态矩阵控制法;转速调节器ASR采用模糊神经网络控制法;逆变器的控制采用了改进的SVPWM控制;具体为:
(1)转子磁链调节器AψR的动态矩阵控制法:转子磁链调节器AψR采用PI控制和动态矩阵控制并联运行的结构,让PI控制器的输出和动态矩阵控制算法的输出相加得到转子磁链调节器AψR的输出;其中动态矩阵控制算法包括预测模型、滚动优化、误差校正环节三部分;
(2)转速调节器ASR的模糊神经网络控制法:转速调节器ASR采用PI控制和模糊神经网络控制并联运行的结构,转速调节器ASR输入为电机转速之差ω*-ω、输出为PI控制和模糊神经网络控制的输出相加得到的定子电流的给定转矩分量其中ω*为给定的电机转速,ω为电机实际转速,模糊神经网络共分为5层:输入层、语言变量层、模糊规则层、归一化层、输出层;
(3)改进的SVPWM控制:包括扇区模块A、基础矢量作用时间模块、三相时间比较模块和调制模块四部分;三相信号经过坐标变换正交信号x轴分量Uα、y轴分量Uβ同时输入到扇区模块A和基础矢量作用时间模块,经扇区模块A确定出合成矢量Uref所在扇区值A;基础矢量作用时间模块结合扇区值A和正交信号Uα、Uβ,确定出不同扇区中相邻两个基础矢量的作用时间值t1和t2;将t1和t2输入到三相时间比较模块,以确定出三相时间比较值Ta、Tb和Tc;将Ta、Tb和Tc输入到调制模块,与给定的载波相比较以生产磁链PWM脉冲波。
2.根据权利要求1所述的异步电机矢量控制方法,其特征在于:所述步骤(1)中的转子磁链调节器AψR的动态矩阵控制法,具体包括如下步骤:
预测模型:从被控对象的阶跃响应出发,对象的动态特性用一系列动态系数a1,a2,…,ap,即单位阶跃响应在采样时刻的值来描述,其中p为模型时域长度,ap为最接近稳态值的系数;根据线性系统的比例和叠加性质,若在k-i时刻输入u(k-i),k≥i,则△u(k-i)=u(k-i+1)-u(k-i)对输出y(k)的贡献为:
则y(k+j)的n步预估如下式,n<p:
上式右端的后两项即为过去输入对输出的n步预估,记为:
把式(1)写成矩阵格式为:
为增加系统的动态稳定性和控制输入的可实现性,以及减少计算量,将△u组成的向量减少为m维,m<n,则上式变为:
记:
△U=[△u(k),△u(k+1),…△u(k+m-1)]T
Y0=[y0(k+1),y0(k+2),…y0(k+n)]T
则将式(2)写为:
式中,矩阵A为n×m维的常数矩阵,它完全由系统的阶跃响应参数所决定,反映了对象的动态特性,故称之为动态矩阵;n和m分别称为最大预测长度和控制长度;在此模型中,输入△u为转子磁链误差输出和PI控制器的输出相加即为定子电流励磁分量给定值其中为给定的转子磁链,ψr为实际的转子磁链;
滚动优化:动态矩阵控制算法的控制增量是通过使最优化准则的值为最小来确定的,最优化准则如下:
取控制加权系数λ(j)=λ为常数,令:
W=[w(k+1),w(k+2),…w(k+n)]T
式中,w(k+j)称为期望输出序列值,取:
w(k+j)=αjy(k)+(1-αj)yr,j=1,2,…,n
其中,α为柔化系数,0<α<1;y(k)为系统实测输出值;yr为系统的给定值;计算现时的控制增量:
△u(k)=cT(ATA+λI)-1AT(W-Y0)=dT(W-Y0)
式中,cT=[1,0,…,0];dT=cT(ATA+λI)-1AT,I为单位矩阵;
误差校正:由于对象及环境的不确定性,在k时刻实施控制作用后,在k+1时刻的实际输出y(k+1)和预测的输出未见得相等,这就需要构造预测误差:并用此误差加权后修正对未来其他时刻的预测,即:
式中,为t=(k+1)T时刻经误差校正后所预测的t=(k+1)T时刻的系统输出,其中T为系统的采样周期;h=[h1,h2,…,hp]T为误差校正量,h1=1;经校正后的作为下一时刻的预测初值,利用在t=(k+1)T时刻的预测初值预测(k+2)T,…(k+p+1)T时刻的输出值,令:
得下一时刻的预测初值为:
3.根据权利要求1所述的异步电机矢量控制方法,其特征在于:所述步骤(2)中的转速调节器ASR的模糊神经网络控制法,模糊神经网络中:
第一层为输入层:该层的各个节点直接与电机转速之差输入向量的各个分量xi连接,起着将输入值x=[x1,x2,…,x20]T传送到下一层的作用;其中电机转速之差输入向量即为提取的特征矢量,该层的节点数为N1=20;
第二层为语言变量层:该层的每个节点代表一个语言变量值,用于计算各个输入分量属于各语言变量值模糊集合的语言值隶属函数 是xi的第j个语言变量值的隶属函数,其中i=1,2,…,N1,j=1,2,…,mi,mi是xi的模糊分割数,该层的节点数为
第三层为模糊规则层:该层的每个节点代表一条模糊规则,是用来匹配模糊规则的前提条件,用于计算每条规则的适用度,即 或 其中i1∈{1,2,…,m1},i2∈{1,2,…,m2},……,i20∈{1,2,…m20},j=1,2,…,m, 该层的节点数为N3=m;
第四层为归一化层:该层用于实现归一化运算,即该层的节点数为N4=N3=m;
第五层为输出层:该层用于实现清晰化运算,即输出层清晰化运算第i个输出元素为其中wij相当于yi的第j个语言值隶属函数的中心值,r为输出层输出的元素的个数,输出层输出的元素的值加上PI控制器的输出即为转速调节器ASR的输出。
4.根据权利要求1所述的异步电机矢量控制方法,其特征在于:所述步骤(3)中改进的SVPWM控制具体包括如下步骤:
(31)确定扇区值A:设Uα、Uβ为合成矢量Uref某一时刻在x-y坐标轴上的正交分解量,令B1,B2,B3为3个中间变量,使得:
B1=Uα
B2=Uαsin(π/3)-Uβsin(π/6)
B3=-Uαsin(π/3)-Uβsin(π/6)
令M、N、P为3个逻辑变量,使得:
如B1>0,则M=1;否则M=0
如B2>0,则N=1;否则N=0
如B3>0,则P=1;否则P=0
扇区值A的确定方式如下:MNP为001时,扇区值A为IV;MNP为010时,扇区值A为VI;MNP为011时,扇区值A为V;MNP为100时,扇区值A为II;MNP为101时,扇区值A为III;MNP为110时,扇区值A为I;
(32)确定出不同扇区中相邻两个基础矢量的作用时间值t1和t2:将某一扇区中两个相邻基础矢量的作用时间值定义为t1和t2,则有:
其中:t1和t2分别为基础矢量U4和U6的作用时间,t0和t7为零矢量的作用时间,相邻两个基础矢量作用时间的比例系数Tpwm为载波周期,Udc为逆变器输入端的直流电压;t1和t2与扇区值A的关系如下:
(33)由扇区模块A和基础矢量作用时间模块确定出某一扇区中t1和t2的值后,在此基础上由三相时间比较模块确定出每相所对应的时间比较值Ta、Tb和Tc,令中间变量分别为Taon、Tbon和Tcon,由PWM调制原理可得Taon=(Tpwm-t1-t2)/4、Tbon=Taon+t1/4和Tcon=Tbon+t2/2;不同扇区对应的比较值Ta、Tb和Tc如下:
扇区I的比较值Ta、Tb和Tc分别为Taon、Tbon和Tcon;
扇区II的比较值Ta、Tb和Tc分别为Tbon、Taon和Tcon;
扇区III的比较值Ta、Tb和Tc分别为Tcon、Taon和Tbon;
扇区IV的比较值Ta、Tb和Tc分别为Tcon、Tbon和Taon;
扇区V的比较值Ta、Tb和Tc分别为Tbon、Tcon和Taon;
扇区VI的比较值Ta、Tb和Tc分别为Taon、Tcon和Tbon;
(34)将Ta、Tb和Tc输入到调制模块,与给定的载波相比较以生产磁链PWM脉冲波。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410439279.3A CN104167968B (zh) | 2014-08-29 | 2014-08-29 | 一种异步电机矢量控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410439279.3A CN104167968B (zh) | 2014-08-29 | 2014-08-29 | 一种异步电机矢量控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104167968A true CN104167968A (zh) | 2014-11-26 |
CN104167968B CN104167968B (zh) | 2016-07-13 |
Family
ID=51911649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410439279.3A Expired - Fee Related CN104167968B (zh) | 2014-08-29 | 2014-08-29 | 一种异步电机矢量控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104167968B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104811113A (zh) * | 2015-05-07 | 2015-07-29 | 江南大学 | 基于mandani模糊控制器的感应电机调速方法 |
CN105634368A (zh) * | 2016-04-08 | 2016-06-01 | 中车株洲电力机车研究所有限公司 | 一种具有最大减速度的自适应调速方法及系统 |
CN105915136A (zh) * | 2016-05-29 | 2016-08-31 | 南京理工大学 | 基于模糊神经网络的电机电流谐波抑制控制系统及方法 |
CN106301127A (zh) * | 2016-10-20 | 2017-01-04 | 北方工业大学 | 一种异步电机模型预测磁链控制方法及装置 |
US10103669B2 (en) | 2016-01-26 | 2018-10-16 | Andras Lelkes | Control method for an electrically excited motor and inverter |
RU2821420C1 (ru) * | 2023-12-27 | 2024-06-24 | федеральное государственное бюджетное образовательное учреждение высшего образования "Санкт-Петербургский горный университет императрицы Екатерины II" | Устройство прямого управления моментом асинхронного двигателя на основе трехфазного трехуровневого автономного инвертора npc |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102121261A (zh) * | 2010-01-08 | 2011-07-13 | 上海三远机电有限公司 | 锁相环同步切换及fnn智能变频恒压供水系统 |
CN102361429A (zh) * | 2011-09-13 | 2012-02-22 | 江苏大学 | 基于神经网络逆系统理论的无轴承异步电机控制方法 |
CN103259486A (zh) * | 2013-05-07 | 2013-08-21 | 上海大学 | 基于状态轨迹外推的模型预测三电平直接转矩控制方法 |
US20140210387A1 (en) * | 2013-01-30 | 2014-07-31 | Infineon Technologies Ag | Optimized field oriented control strategies for permanent magnet synchronous motors |
-
2014
- 2014-08-29 CN CN201410439279.3A patent/CN104167968B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102121261A (zh) * | 2010-01-08 | 2011-07-13 | 上海三远机电有限公司 | 锁相环同步切换及fnn智能变频恒压供水系统 |
CN102361429A (zh) * | 2011-09-13 | 2012-02-22 | 江苏大学 | 基于神经网络逆系统理论的无轴承异步电机控制方法 |
US20140210387A1 (en) * | 2013-01-30 | 2014-07-31 | Infineon Technologies Ag | Optimized field oriented control strategies for permanent magnet synchronous motors |
CN103259486A (zh) * | 2013-05-07 | 2013-08-21 | 上海大学 | 基于状态轨迹外推的模型预测三电平直接转矩控制方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104811113A (zh) * | 2015-05-07 | 2015-07-29 | 江南大学 | 基于mandani模糊控制器的感应电机调速方法 |
US10103669B2 (en) | 2016-01-26 | 2018-10-16 | Andras Lelkes | Control method for an electrically excited motor and inverter |
CN105634368A (zh) * | 2016-04-08 | 2016-06-01 | 中车株洲电力机车研究所有限公司 | 一种具有最大减速度的自适应调速方法及系统 |
CN105915136A (zh) * | 2016-05-29 | 2016-08-31 | 南京理工大学 | 基于模糊神经网络的电机电流谐波抑制控制系统及方法 |
CN105915136B (zh) * | 2016-05-29 | 2018-10-12 | 南京理工大学 | 基于模糊神经网络的电机电流谐波抑制控制系统及方法 |
CN106301127A (zh) * | 2016-10-20 | 2017-01-04 | 北方工业大学 | 一种异步电机模型预测磁链控制方法及装置 |
CN106301127B (zh) * | 2016-10-20 | 2018-11-30 | 北方工业大学 | 一种异步电机模型预测磁链控制方法及装置 |
RU2821420C1 (ru) * | 2023-12-27 | 2024-06-24 | федеральное государственное бюджетное образовательное учреждение высшего образования "Санкт-Петербургский горный университет императрицы Екатерины II" | Устройство прямого управления моментом асинхронного двигателя на основе трехфазного трехуровневого автономного инвертора npc |
Also Published As
Publication number | Publication date |
---|---|
CN104167968B (zh) | 2016-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pan et al. | Variable pitch control on direct-driven PMSG for offshore wind turbine using Repetitive-TS fuzzy PID control | |
Hannan et al. | Switching techniques and intelligent controllers for induction motor drive: Issues and recommendations | |
CN104283478B (zh) | 一种电动汽车用永磁同步电机电流控制系统及控制方法 | |
CN104167968B (zh) | 一种异步电机矢量控制方法 | |
CN103701396B (zh) | 一种基于自适应模糊神经网络的电机转速跟踪控制方法 | |
CN103532459A (zh) | 一种数控机床驱动用直线伺服电机控制方法 | |
CN106849793A (zh) | 一种电动汽车用永磁同步电机模糊神经网络控制系统 | |
CN103066902B (zh) | 一种基于负载观测的直流电动机无源控制律实现方法 | |
CN105048896B (zh) | 一种无刷直流电机直接转矩自适应模糊控制方法 | |
CN102611380B (zh) | 一种双馈电机参数在线辨识方法 | |
CN103051274A (zh) | 基于变阻尼的二自由度永磁同步电机的无源性控制方法 | |
CN106059423A (zh) | 一种基于fc和smo的无速度传感器控制系统 | |
CN113904598B (zh) | 一种用于交流永磁同步电机的预测控制方法 | |
Liu et al. | Second-order ESO-based current sensor fault-tolerant strategy for sensorless control of PMSM with B-phase current | |
CN113285481A (zh) | 并网变流器电感参数在线估计方法、预测控制方法及系统 | |
Yan et al. | Torque estimation and control of PMSM based on deep learning | |
CN113991739A (zh) | 一种并网逆变器简化矢量定频预测电流控制方法 | |
Mansouri et al. | Genetic algorithm optimized robust nonlinear observer for a wind turbine system based on permanent magnet synchronous generator | |
CN113346810B (zh) | 速度和电流双闭环模糊控制的pmsm无传感器控制方法 | |
CN102931819B (zh) | 基于瞬态电磁能量平衡的电力电子变换器控制方法 | |
CN112311289B (zh) | 带有扩展卡尔曼滤波的srm变磁链直接转矩控制器构造方法 | |
CN105955032A (zh) | 基于蝙蝠算法优化极限学习机的逆变器控制方法 | |
Sun et al. | Speed sensorless control strategy for six‐phase linear induction motor based on the dual reduced‐dimensional serial extended Kalman filters | |
Xie et al. | Optimal speed–torque control of asynchronous motor for electric cars in the field-weakening region based on voltage vector optimization | |
CN110021931B (zh) | 一种计及模型不确定性的电力系统辅助预测状态估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160713 Termination date: 20210829 |