CN105904996A - 电动汽车及其永磁同步电机的电流环控制方法和装置 - Google Patents

Abstract

本发明公开了一种电动汽车及其永磁同步电机的电流环控制方法和装置，方法包括以下步骤：获取电动汽车的行车工况信息、永磁同步电机的d轴和q轴给定电流以及d轴和q轴实际电流；根据行车工况信息和预设的神经网络算法计算d轴比例系数、d轴积分系数、q轴比例系数、q轴积分系数和PWM开关频率；根据d轴给定电流、d轴实际电流、d轴比例系数、d轴积分系数和d轴电流PI控制算法计算d轴电压，并根据q轴给定电流、q轴实际电流、q轴比例系数、q轴积分系数和q轴电流PI控制算法计算q轴电压，以根据d轴电压、q轴电压和PWM开关频率对永磁同步电机进行矢量控制。由此，通过设定与行车工况相匹配的控制参数，达到更好的快速响应能力、减少超调。

Description

电动汽车及其永磁同步电机的电流环控制方法和装置

技术领域

本发明涉及电动汽车技术领域，特别涉及一种电动汽车中永磁同步电机的电流环控制方法、一种电动汽车中永磁同步电机的电流环控制装置以及一种电动汽车。

背景技术

相关的电动汽车大多是采用永磁同步电动机进行车辆驱动，永磁同步电动机的驱动及控制对整车性能影响重大。在电动汽车的电机控制中，电流环控制是永磁同步电机矢量控制系统中的一个重要环节，它是提高系统控制精度和响应速度，改善控制性能的关键，其中，PI电流控制方式被广泛应用于电动汽车的电机控制中。

在电流环PI控制中，PI控制参数的选取对于控制性能影响巨大，不合理的PI控制参数轻则影响控制性能，例如精度、响应时间、超调等，重则直接导致控制发散，使电动汽车失控，为此选取合理的PI控制参数是保证控制指标的基础。在相关技术中，通常采用分段法或查表法获得PI电流控制的比例系数与积分系数。以分段法为例，该方法将电机转速分为多个区间，每个区间对应一组比例系数与积分系数，当电机转速进入某个区间后根据对应的比例系数与积分系数进行电流环控制，从而在一定程度上解决了电流环PI参数的工况适应性问题。但是，其存在的问题是，由于相关方法不是从实际工况角度出发，因此在响应速递、控制精度等方面仍然存在局限。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的在于提出一种电动汽车中永磁同步电机的电流环控制方法，该方法能够达到更好的快速响应能力，并为提高控制精度奠定坚实基础。

发明的另一个目的在于提出一种电动汽车中永磁同步电机的电流环控制装置。发明的又一个目的在于提出一种电动汽车。

为达到上述目的，本发明一方面提出了一种电动汽车中永磁同步电机的电流环控制方法，包括以下步骤：获取所述电动汽车的行车工况信息、所述永磁同步电机的d轴给定电流和q轴给定电流以及d轴实际电流和q轴实际电流；根据所述行车工况信息和预设的神经网络算法计算d轴比例系数、d轴积分系数、q轴比例系数、q轴积分系数和PWM开关频率；根据所述d轴给定电流、所述d轴实际电流、所述d轴比例系数、所述d轴积分系数和预设的d轴电流PI控制算法计算d轴电压，并根据所述q轴给定电流、所述q轴实际电流、所述q轴比例系数、所述q轴积分系数和预设的q轴电流PI控制算法计算q轴电压，以根据所述d轴电压、所述q轴电压和所述PWM开关频率对所述永磁同步电机进行矢量控制。

根据本发明提出的电动汽车中永磁同步电机的电流环控制方法，通过行车工况信息和预设的神经网络算法计算d轴比例系数、d轴积分系数、q轴比例系数、q轴积分系数和PWM开关频率，然后根据d轴给定电流、d轴实际电流、d轴比例系数、d轴积分系数和预设的d轴电流PI控制算法计算d轴电压，并根据q轴给定电流、q轴实际电流、q轴比例系数、q轴积分系数和预设的q轴电流PI控制算法计算q轴电压，以根据d轴电压、q轴电压和PWM开关频率对永磁同步电机进行矢量控制。由此，该方法通过设定与行车工况相匹配的比例系数、积分系数和PWM开关频率，达到更好的快速响应能力，减少超调，为提高控制精度奠定了坚实基础。

根据本发明的一个实施例，所述电动汽车的行车工况信息包括制动踏板开度、动力电池的外部电压、车辆速度和车辆加速度。

根据本发明的一个实施例，所述根据采集到的所述行车工况信息和预设的神经网络算法计算d轴比例系数、d轴积分系数、q轴比例系数、q轴积分系数和PWM开关频率进一步包括：根据采集到的所述行车工况信息和预设的神经网络算法计算初始d轴比例系数、初始d轴积分系数、初始q轴比例系数、初始q轴积分系数和初始PWM开关频率；对所述初始d轴比例系数、所述初始d轴积分系数、所述初始q轴比例系数、所述初始q轴积分系数和所述初始PWM开关频率进行梯度限制，以在梯度限制后获得所述d轴比例系数、所述d轴积分系数、所述q轴比例系数、所述q轴积分系数和所述PWM开关频率。

根据本发明的一个实施例，在计算出所述d轴电压和所述q轴电压之后，所述方法还包括：对所述d轴电压和所述q轴电压进行解耦，以根据所述PWM开关频率以及解耦后的d轴电压和q轴电压对所述永磁同步电机进行矢量控制。

根据本发明的一个实施例，所述神经网络算法为RBF神经网络算法。

为达到上述目的，本发明另一方面实施例提出了一种电动汽车中永磁同步电机的电流环控制装置，包括：第一获取模块，用于获取所述电动汽车的行车工况信息；第二获取模块，用于获取所述永磁同步电机的d轴给定电流和q轴给定电流；第三获取模块，用于获取所述永磁同步电机的d轴实际电流和q轴实际电流；控制模块，所述控制模块分别与所述第一获取模块、所述第二获取模块和所述第三获取模块相连，所述控制模块用于根据所述行车工况信息和预设的神经网络算法计算d轴比例系数、d轴积分系数、q轴比例系数、q轴积分系数和PWM开关频率，以及根据所述d轴给定电流、所述d轴实际电流、所述d轴比例系数、所述d轴积分系数和预设的d轴电流PI控制算法计算d轴电压，并根据所述q轴给定电流、所述q轴实际电流、所述q轴比例系数、所述q轴积分系数和预设的q轴电流PI控制算法计算q轴电压，以根据所述d轴电压、所述q轴电压和所述PWM开关频率对所述永磁同步电机进行矢量控制。

根据本发明提出的电动汽车中永磁同步电机的电流环控制装置，控制模块通过行车工况信息和预设的神经网络算法计算d轴比例系数、d轴积分系数、q轴比例系数、q轴积分系数和PWM开关频率，然后根据d轴给定电流、d轴实际电流、d轴比例系数、d轴积分系数和预设的d轴电流PI控制算法计算d轴电压，并根据q轴给定电流、q轴实际电流、q轴比例系数、q轴积分系数和预设的q轴电流PI控制算法计算q轴电压，以根据d轴电压、q轴电压和PWM开关频率对永磁同步电机进行矢量控制。由此，该装置通过设定与行车工况相匹配的比例系数、积分系数和PWM开关频率，达到更好的快速响应能力，减少超调，为提高控制精度奠定了坚实基础。

根据本发明的一个实施例，所述电动汽车的行车工况信息包括制动踏板开度、动力电池的外部电压、车辆速度和车辆加速度。

根据本发明的一个实施例，所述控制模块进一步构造为：根据采集到的所述行车工况信息和预设的神经网络算法计算初始d轴比例系数、初始d轴积分系数、初始q轴比例系数、初始q轴积分系数和初始PWM开关频率，并对所述初始d轴比例系数、所述初始d轴积分系数、所述初始q轴比例系数、所述初始q轴积分系数和所述初始PWM开关频率进行梯度限制，以在梯度限制后获得所述d轴比例系数、所述d轴积分系数、所述q轴比例系数、所述q轴积分系数和所述PWM开关频率。

根据本发明的一个实施例，所述控制模块在计算出所述d轴电压和所述q轴电压之后，还对所述d轴电压和所述q轴电压进行解耦，以根据所述PWM开关频率以及解耦后的d轴电压和q轴电压对所述永磁同步电机进行矢量控制。

根据本发明的一个实施例，所述神经网络算法为RBF神经网络算法。

为达到上述目的，本发明又一方面实施例提出了一种电动汽车，包括所述的电动汽车中永磁同步电机的电流环控制装置。

根据本发明实施例提出的电动汽车，通过永磁同步电机的电流环控制装置设定与行车工况相匹配的比例系数、积分系数和PWM开关频率，从而获得更好的快速响应能力，减少超调，为提高控制精度奠定了坚实基础。

附图说明

图1是根据本发明实施例的电动汽车中永磁同步电机的电流环控制方法的流程图；

图2是根据本发明一个实施例的电动汽车中永磁同步电机的电流环控制方法的流程图；

图3是根据本发明实施例的电动汽车中永磁同步电机的电流环控制装置的方框示意图；

图4是根据本发明一个实施例的控制模块中神经网络算法的原理示意图；

图5是根据本发明一个实施例的电动汽车中永磁同步电机的电流环控制装置的控制原理图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

首先简单介绍一下电流环PI控制。

电流环控制的作用是控制流过永磁同步电机的绕组的电流，使流过绕组的电流实时、准确的跟踪给定电流。具体地，电流环可采用PI电流控制方式，在PI电流控制中，不同的比例系数和积分系数将会对控制效果产生巨大的影响，其中，比例控制能提高响应速度，但不能消除稳态误差，比例系数越大，动态响应速度越快，但太大则会导致控制不稳定；积分控制能消除稳态误差，但积分作用太强会使系统超调加大，甚至出现振荡，因此需要综合调节PI控制参数即比例系数、积分系数。

并且，在当前永磁同步电动机电流环PI控制中，难以找到一组统一的PI控制参数满足所有工况。因此，通常采用分段法或查表法获得PI电流控制的PI控制参数，但是，由于分段法或查表法不是从实际工况角度出发，因此在响应速递、控制精度等方面仍然存在局限。

基于此，本发明实施例提出了一种电动汽车中永磁同步电机的电流环控制方法。

下面参考附图来描述本发明实施例提出的电动汽车以及电动汽车中永磁同步电机的电流环控制方法和电流环控制装置。

图1是根据本发明实施例的电动汽车中永磁同步电机的电流环控制方法的流程图。如图1所示，本发明实施例的电动汽车中永磁同步电机的电流环控制方法包括以下步骤：

S1：获取电动汽车的行车工况信息、永磁同步电机的d轴给定电流和q轴给定电流以及d轴实际电流和q轴实际电流。

根据本发明的一个实施例，可通过以下方式获取d轴(直轴)实际电流和q轴(交轴)实际电流。

如图5所示，在永磁同步电机的电流环控制中，首先将永磁同步电机的三相电流i_a、i_b、i_c通过Clarke变换从三相静止坐标系变换到两相静止坐标系i_α、i_β(即alpha轴与beta轴电流)，再通过Park变换从两相静止坐标系变换到两相旋转坐标系i_d、i_q，由此，经过Clarke与Park变换即可得到d轴实际电流i_d和q轴实际电流i_q。

并且，在Clarke变换中，还判断三相电流i_a、i_b、i_c是否出现故障，例如采样回路故障、零漂故障等，当三相电流i_a、i_b、i_c中的一相出现故障时可通过另外两相电流计算出现故障的一相电流。

其中，根据本发明的一个实施例，电动汽车的行车工况信息包括制动踏板开度、动力电池的外部电压、车辆速度和车辆加速度。

S2：根据行车工况信息和预设的神经网络算法计算d轴比例系数、d轴积分系数、q轴比例系数、q轴积分系数和PWM开关频率。

也就是说，行车工况信息用于计算PWM开关频率以及PI控制参数即d轴比例系数、d轴积分系数、q轴比例系数、q轴积分系数。

具体来说，由于行车工况与PI控制参数之间存在着复杂的非线性关系以及大量的组合，而神经网络方法具有非线性的基本特性，并具有并行结构和学习能力，而且神经网络可针对外部激励给出相应的输出，对于解决非线性问题具有天然的优势。基于此，本发明实施例的电流环控制方法通过神经网络算法获取每种行车工况对应一组PI控制参数和PWM开关频率，以保证全工况条件下的控制性能。

更具体地，在本发明的一个实施例中，神经网络算法可为RBF(Radial Basis Function，径向基函数)神经网络算法。其中，RBF神经网络作为一种性能优良的前馈型神经网络，可以任意精度逼近任意的非线性函数，且拓扑结构紧凑、具有全局逼近能力，同时解决了BP网络的局部最优问题。

RBF神经网络分为三层即输入层、隐层与输出层。RBF神经网络可采用以下表达式：

$y(x,w)=\underset{i=1}{\overset{l}{\Σ}}{w}_i\mathrm{\φ}\left(\right||x-c_i|\left|\right)$

其中，x为输入矢量，即x＝[Aps Batt Velocity Acceleration]^Τ，其中Aps表示制动踏板开度、Batt表示动力电池外部总电压、Velocity表示车辆速度、Acceleration表示车辆加速度；y(x,w)为RBF神经网络的输出矢量，即一组控制参数[K_{p_d} K_{i_d} K_{p_q} K_{i_q} Frequency]，其中K_{p_d}表示d轴比例系数、K_{i_d}表示d轴积分系数、K_{p_q}表示q轴比例系数、K_{i_q}表示q轴积分系数积分系数、Frequency表示PWM开关频率；w_i为权重；l为隐层神经元数量，取l＝3；c_i为中心矢量；||x-c_i||为到中心的距离；φ为径向基函数，优选为高斯径向基函数。

在RBF神经网络设计完成后对其进行训练。首先，针对不同行车工况例如空载、满载、上坡、下坡、低速、高速、匀速、加速等进行实车标定，以得到不同行车工况下满足控制性能的控制参数[K_{p_d} K_{i_d} K_{p_q} K_{i_q} Frequency]和对应的工况参数[Aps Batt Velocity Acceleration]，然后，利用以标定得到的大量[K_{p_d} K_{i_d} K_{p_q} K_{i_q} Frequency]数组作为基础数据对RBF神经网络进行训练，最后，将训练完成的RBF神经网络用于计算d轴比例系数、d轴积分系数、q轴比例系数、q轴积分系数和PWM开关频率。

其中，可按照以下原则对PWM开关频率进行调节，当车速越高或电动汽车处于急加速状态时，将PWM开关频率调大，以达到满意的控制性能，当车速较低或动力电池外部电压较低时，可在满足控制性能的前提下降低PWM开关频率，以降低开关损耗。

由此，通过训练完成的RBF神经网络能够获得不同行车工况下与行车工况相匹配的PI控制参数以及PWM开关频率(匹配程度取决于前期的标定效果)。并且，由于RBF神经网络为事先训练完成，因此计算PI控制参数以及PWM开关频率的速度极快，能够满足实时性的控制需求，防止因为计算速度慢影响电机控制器的任务调度。

应当理解的是，利用RBF神经网络计算永磁同步电动机电流环PI控制参数的方法能够满足控制的实时性要求。电动汽车的驱动电机绝大多数通过单减与车轮直接相连，电机的转速在高速状态下能够达到10000rpm左右，因此电机控制器的最短任务调度周期可以达到微秒级，这就对电机控制周期提出了较高的要求。这样，本发明实施例的方法采用事先训练完成RBF神经网络，能够满足实时性的控制需求。

根据本发明的一个实施例，根据采集到的行车工况信息和预设的神经网络算法计算d轴比例系数、d轴积分系数、q轴比例系数、q轴积分系数和PWM开关频率即步骤S2进一步包括：根据采集到的行车工况信息和预设的神经网络算法计算初始d轴比例系数、初始d轴积分系数、初始q轴比例系数、初始q轴积分系数和初始PWM开关频率；对初始d轴比例系数、初始d轴积分系数、初始q轴比例系数、初始q轴积分系数和初始PWM开关频率进行梯度限制，以在梯度限制后获得d轴比例系数、d轴积分系数、q轴比例系数、q轴积分系数和PWM开关频率。

也就是说，在电动汽车运行过程中，实时采集行车工况信息例如制动踏板开度、动力电池外部电压、车辆速度和车辆加速度以得到行车工况数据[Aps Batt Velocity Acceleration]，并根据训练完成的神经网络算法和计算得到初始控制参数[K_{p_d} K_{i_d} K_{p_q} K_{i_q} Frequency]，然后，在计算得到初始控制参数[K_{p_d} K_{i_d} K_{p_q} K_{i_q} Frequency]后，对初始控制参数进行梯度限制，以得到最终的PI控制参数和PWM开关频率。由此，通过梯度限制可防止行车工况切换频繁导致的参数突变。

S3：根据d轴给定电流、d轴实际电流、d轴比例系数、d轴积分系数和预设的d轴电流PI控制算法计算d轴电压，并根据q轴给定电流、q轴实际电流、q轴比例系数、q轴积分系数和预设的q轴电流PI控制算法计算q轴电压，以根据d轴电压、q轴电压和PWM开关频率对永磁同步电机进行矢量控制。

其中，需要说明的是，永磁同步电机可在逆变器的控制下运转，此时PWM开关频率是指逆变器中开关管的开关频率。具体而言，逆变器可由矢量控制器驱动，矢量控制器可根据d轴电压、q轴电压和PWM开关频率生成PWM控制信号，逆变器中的开关管在PWM控制信号的控制下开通或关断，以控制永磁同步电机的转速。

也就是说，本发明实施例的电流环控制方法通过RBF神经网络算法来计算不同工况下的电流环的PI控制参数，即d轴比例系数、d轴积分系数、q轴比例系数、q轴积分系数，然后利用计算得到的PI控制参数实现电流环调节。具体地，将制动踏板开度、动力电池的外部电压、车辆速度和车辆加速度作为行车工况信息进行量化，并输入训练完成的RBF神经网络以得到电流环的PI控制参数和与之相适应的PWM开关频率，由此，获得不同工况下与电动汽车相匹配的电流环PI控制参数以及PWM开关频率，从而使该方法具有更好的快速响应能力以及较小的超调，为提高控制精度奠定了坚实基础。

具体来说，本发明实施例的电流环控制方法主要包括神经网络算法、d轴电流PI控制算法与q轴电流PI控制算法，其中，神经网络算法即RBF神经网络算法是根据行车工况信息(包括制动踏板开度、动力电池的外部电压、车辆速度和车辆加速度等)判断电动汽车的行驶状态(例如匀速行驶、加速行驶、减速行驶、大负载行驶等)与驾驶员意图(例如巡航、加速、急加速等)，并根据以上信息综合计算出当前行车工况下d轴电流PI控制算法中的d轴比例系数K_{p_d}和d轴积分系数K_{i_d}、q轴电流PI控制算法中的q轴比例系数K_{p_q}和q轴积分系数K_{i_q}以及PWM开关频率。

并且，d轴电流PI控制算法是根据d轴给定电流(可根据MTPA最大转矩电流比控制与弱磁控制确定)与d轴实际电流之差得到d轴偏差电流，之后再利用d轴偏差电流、前面计算得到的d轴比例系数K_{p_d}和d轴积分系数K_{i_d}以及PWM开关频率计算d轴电压U_d，以实现d轴电流PI控制；同样地，q轴电流PI控制算法是根据q轴给定电流与q轴实际电流得到q轴偏差电流，之后再利用q轴偏差电流、前面计算得到的q轴比例系数K_{p_q}和q轴积分系数K_{i_q}以及PWM开关频率计算q轴电压U_q，以实现q轴电流PI控制。

进一步地，根据本发明的一个实施例，在计算出d轴电压和q轴电压之后，方法还包括：对d轴电压和q轴电压进行解耦，以根据PWM开关频率以及解耦后的d轴电压和q轴电压对永磁同步电机进行矢量控制。

也就是说，将d轴给定电流与d轴实际电流进行比较再通过d轴PI调节器得到d轴电压U_d，并将q轴给定电流与q轴实际电流进行比较再通过q轴PI调节器得到q轴电压U_q，之后对d轴电压和q轴电压进行解耦，即可得到解耦后的d轴电压和q轴电压。

应当理解的是，PI控制是整个电流环控制的核心，通过d轴电流PI控制算法和q轴电流PI控制算法可计算得到解耦前的d轴电压U_d和q轴电压U_q，而在永磁同步电机d-q轴电压方程中，d轴电压中含有q轴电流分量，q轴电压中也含有d轴电流分量，从而d轴电压U_d和q轴电压U_q相互之间存在着耦合，导致d轴电流调节和q轴电流调节会相互影响，本发明实施例的电流环控制方法通过解耦得到解耦后的d轴电压和q轴电压，可削弱d轴电流调节和q轴电流调节相互之间的影响。

另外，根据本发明的一个实施例，在电流环控制过程中还进行故障诊断，例如判断是否发生过流故障等。

如上所述，在电动汽车上电后，本发明实施例的电流环控制方法包括图2所示的以下步骤：

S101：计算d轴偏差电流和q轴偏差电流。

具体地，首先将永磁同步电机的三相电流i_a、i_b、i_c通过Clarke变换从三相静止坐标系变换到两相静止坐标系i_α、i_β(即alpha轴与beta轴电流)，再通过Park变换从两相静止坐标系变换到两相旋转坐标系i_d、i_q，由此，经过Clarke与Park变换即可得到d轴实际电流i_d和q轴实际电流i_q。

将经过Clarke与Park变换得到的d轴实际电流i_d与d轴给定电流进行比较即可d轴偏差电流，同样的，将经过Clarke与Park变换得到的q轴实际电流i_q与q轴给定电流进行比较即可q轴偏差电流，其中，d轴给定电流和q轴给定电流可根据MTPA最大转矩电流比控制与弱磁控制输出确定。

S102：通过RBF神经网络算法计算PI控制参数和PWM开关频率。

具体地，将当前行车工况信息例如制动踏板开度、动力电池外部电压、车辆速度和车辆加速度作为输入，并利用事先训练好的RBF神经网络计算得到初始控制参数即初始d轴比例系数、初始d轴积分系数、初始q轴比例系数、初始q轴积分系数和初始PWM开关频率，然后经过梯度限制后得到最终的控制参数即d轴比例系数、d轴积分系数、q轴比例系数、q轴积分系数和PWM开关频率。

S103：电流环PI控制。

具体地，根据d轴偏差电流以及通过RBF神经网络计算得到的d轴比例系数和d轴积分系数计算得到d轴电压，并根据q轴偏差电流以及通过RBF神经网络计算得到的q轴比例系数和q轴积分系数计算得到q轴电压。

S104：对d轴电压和q轴电压进行解耦。

具体地，d轴电压和q轴电压经过解耦计算得到解耦后的d轴电压和q轴电压，该解耦后的d轴电压和q轴电压可直接用于驱动永磁同步电机以进行矢量控制。

综上，根据本发明提出的电动汽车中永磁同步电机的电流环控制方法，通过行车工况信息和预设的神经网络算法计算d轴比例系数、d轴积分系数、q轴比例系数、q轴积分系数和PWM开关频率，然后根据d轴给定电流、d轴实际电流、d轴比例系数、d轴积分系数和预设的d轴电流PI控制算法计算d轴电压，并根据q轴给定电流、q轴实际电流、q轴比例系数、q轴积分系数和预设的q轴电流PI控制算法计算q轴电压，以根据d轴电压、q轴电压和PWM开关频率对永磁同步电机进行矢量控制。由此，该方法通过设定与行车工况相匹配的比例系数、积分系数和PWM开关频率，达到更好的快速响应能力，减少超调，为提高控制精度奠定了坚实基础。

本发明实施例还提出了一种电动汽车中永磁同步电机的电流环控制装置。

图3是根据本发明实施例的电动汽车中永磁同步电机的电流环控制装置的方框示意图。如图3所示，电动汽车中永磁同步电机的电流环控制装置包括：第一获取模块10、第二获取模块20、第三获取模块30、控制模块40。

其中，第一获取模块10用于获取电动汽车的行车工况信息；第二获取模块20用于获取永磁同步电机的d轴给定电流和q轴给定电流；第三获取模块30用于获取永磁同步电机的d轴实际电流和q轴实际电流。

控制模块40分别与第一获取模块10、第二获取模块20和第三获取模块30相连，控制模块40用于根据行车工况信息和预设的神经网络算法计算d轴比例系数、d轴积分系数、q轴比例系数、q轴积分系数和PWM开关频率，以及根据d轴给定电流、d轴实际电流、d轴比例系数、d轴积分系数和预设的d轴电流PI控制算法计算d轴电压，并根据q轴给定电流、q轴实际电流、q轴比例系数、q轴积分系数和预设的q轴电流PI控制算法计算q轴电压，以根据d轴电压、q轴电压和PWM开关频率对永磁同步电机进行矢量控制。

其中，需要说明的是，永磁同步电机可在逆变器的控制下运转，此时PWM开关频率是指逆变器中开关管的开关频率。具体而言，逆变器可由矢量控制器驱动，矢量控制器可根据d轴电压、q轴电压和PWM开关频率生成PWM控制信号，逆变器中的开关管在PWM控制信号的控制下开通或关断，以控制永磁同步电机的转速。

根据本发明的一个实施例，电动汽车的行车工况信息包括制动踏板开度、动力电池的外部电压、车辆速度和车辆加速度。其中，行车工况信息用于计算PWM开关频率以及PI控制参数即d轴比例系数、d轴积分系数、q轴比例系数、q轴积分系数。

在本发明的一个实施例中，神经网络算法可为RBF神经网络算法。

具体来说，如图3所示，本发明实施例的控制模块40主要包括神经网络计算单元401、d轴电流PI控制单元402与q轴电流PI控制单元403，其中，神经网络计算单元401利用RBF神经网络算法并根据行车工况信息(包括制动踏板开度、动力电池的外部电压、车辆速度和车辆加速度等)判断电动汽车的行驶状态(例如匀速行驶、加速行驶、减速行驶、大负载行驶等)与驾驶员意图(例如巡航、加速、急加速等)，以及根据以上信息综合计算出当前行车工况下d轴电流PI控制算法中的d轴比例系数K_{p_d}和d轴积分系数K_{i_d}、q轴电流PI控制算法中的q轴比例系数K_{p_q}和q轴积分系数K_{i_q}以及PWM开关频率。

并且，d轴电流PI控制单元402根据d轴给定电流(可根据MTPA最大转矩电流比控制与弱磁控制确定)与d轴实际电流之差得到d轴偏差电流，之后再利用d轴偏差电流、前面计算得到的d轴比例系数K_{p_d}和d轴积分系数K_{i_d}以及PWM开关频率计算d轴电压U_d，以实现d轴电流PI控制；同样地，q轴电流PI控制单元403根据q轴给定电流与q轴实际电流得到q轴偏差电流，之后再利用q轴偏差电流、前面计算得到的q轴比例系数K_{p_q}和q轴积分系数K_{i_q}以及PWM开关频率计算q轴电压U_q，以实现q轴电流PI控制。

根据本发明的一个实施例，第三获取模块30可通过以下方式获取d轴(直轴)实际电流和q轴(交轴)实际电流。

如图5所示，在永磁同步电机的电流环控制中，第三获取模块30首先将永磁同步电机的三相电流i_a、i_b、i_c通过Clarke变换单元301进行Clarke变换，以从三相静止坐标系变换到两相静止坐标系i_α、i_β(即alpha轴与beta轴电流)，再通过Park变换单元302进行Park变换，以从两相静止坐标系变换到两相旋转坐标系i_d、i_q，由此，第三获取模块30经过Clarke与Park变换即可得到d轴实际电流i_d和q轴实际电流i_q。

并且，在Clarke变换中，第三获取模块30还判断三相电流i_a、i_b、i_c是否出现故障，例如采样回路故障、零漂故障等，当三相电流i_a、i_b、i_c中的一相出现故障时第三获取模块30可通过另外两相电流计算出现故障的一相电流。

具体来说，由于行车工况与PI控制参数之间存在着复杂的非线性关系以及大量的组合，而神经网络方法具有非线性的基本特性，并具有并行结构和学习能力，而且神经网络可针对外部激励给出相应的输出，对于解决非线性问题具有天然的优势。基于此，本发明实施例的电流环控制方法通过神经网络算法获取每种行车工况对应一组PI控制参数和PWM开关频率，以保证全工况条件下的控制性能。

更具体地，在本发明的一个实施例中，神经网络算法可为RBF神经网络算法。其中，RBF神经网络作为一种性能优良的前馈型神经网络，可以任意精度逼近任意的非线性函数，且拓扑结构紧凑、具有全局逼近能力，同时解决了BP网络的局部最优问题。

RBF神经网络分为三层即输入层、隐层与输出层。RBF神经网络可采用以下表达式：

$y(x,w)=\underset{i=1}{\overset{l}{\Σ}}{w}_i\mathrm{\φ}\left(\right||x-c_i|\left|\right)$

其中，x为输入矢量，即x＝[Aps Batt Velocity Acceleration]^Τ，其中Aps表示制动踏板开度、Batt表示动力电池外部总电压、Velocity表示车辆速度、Acceleration表示车辆加速度；y(x,w)为RBF神经网络的输出矢量，即一组控制参数[K_{p_d} K_{i_d} K_{p_q} K_{i_q} Frequency]，其中K_{p_d}表示d轴比例系数、K_{i_d}表示d轴积分系数、K_{p_q}表示q轴比例系数、K_{i_q}表示q轴积分系数积分系数、Frequency表示PWM开关频率；w_i为权重；l为隐层神经元数量，取l＝3；c_i为中心矢量；||x-c_i||为到中心的距离；φ为径向基函数，优选为高斯径向基函数。

在RBF神经网络设计完成后对其进行训练。首先，针对不同行车工况例如空载、满载、上坡、下坡、低速、高速、匀速、加速等进行实车标定，以得到不同行车工况下满足控制性能的控制参数[K_{p_d} K_{i_d} K_{p_q} K_{i_q} Frequency]和对应的工况参数[Aps Batt Velocity Acceleration]，然后，利用以标定得到的大量[K_{p_d} K_{i_d} K_{p_q} K_{i_q} Frequency]数组作为基础数据对RBF神经网络进行训练，最后，如图3所示，控制模块40将训练完成的RBF神经网络用于计算d轴比例系数、d轴积分系数、q轴比例系数、q轴积分系数和PWM开关频率。

其中，控制模块40可按照以下原则对PWM开关频率进行调节，当车速越高或电动汽车处于急加速状态时，将PWM开关频率调大，以达到满意的控制性能，当车速较低或动力电池外部电压较低时，可在满足控制性能的前提下降低PWM开关频率，以降低开关损耗。

由此，控制模块40通过训练完成的RBF神经网络能够获得不同行车工况下与行车工况相匹配的PI控制参数以及PWM开关频率(匹配程度取决于前期的标定效果)。并且，由于RBF神经网络为事先训练完成，因此计算PI控制参数以及PWM开关频率的速度极快，能够满足实时性的控制需求，防止因为计算速度慢影响电机控制器的任务调度。

应当理解的是，利用RBF神经网络计算永磁同步电动机电流环PI控制参数能够满足控制的实时性要求。电动汽车的驱动电机绝大多数通过单减与车轮直接相连，电机的转速在高速状态下能够达到10000rpm左右，因此电机控制器的最短任务调度周期可以达到微秒级，这就对电机控制周期提出了较高的要求。这样，本发明实施例的装置采用事先训练完成RBF神经网络，能够满足实时性的控制需求。

根据本发明的一个实施例，如图4所示，控制模块40进一步构造为：根据采集到的行车工况信息和预设的神经网络算法计算初始d轴比例系数、初始d轴积分系数、初始q轴比例系数、初始q轴积分系数和初始PWM开关频率，并对初始d轴比例系数、初始d轴积分系数、初始q轴比例系数、初始q轴积分系数和初始PWM开关频率进行梯度限制，以在梯度限制后获得d轴比例系数、d轴积分系数、q轴比例系数、q轴积分系数和PWM开关频率。

也就是说，如图4所示，神经网络计算单元401可包括神经网络计算子单元4011和梯度限制子单元4012。在电动汽车运行过程中，第一获取模块10实时采集行车工况信息例如制动踏板开度、动力电池外部电压、车辆速度和车辆加速度以得到行车工况数据[Aps Batt Velocity Acceleration]，神经网络计算子单元4011根据训练完成的神经网络算法和计算得到初始控制参数[K_{p_d} K_{i_d} K_{p_q} K_{i_q} Frequency]，然后，在计算得到初始控制参数[K_{p_d} K_{i_d} K_{p_q} K_{i_q} Frequency]后，梯度限制子单元4012对初始控制参数进行梯度限制，以得到最终的PI控制参数和PWM开关频率。由此，通过梯度限制可防止行车工况切换频繁导致的参数突变。

如上所述，本发明实施例的控制模块40通过RBF神经网络算法来计算不同工况下的电流环的PI控制参数，即d轴比例系数、d轴积分系数、q轴比例系数、q轴积分系数，然后利用计算得到的PI控制参数实现电流环调节。具体地，将制动踏板开度、动力电池的外部电压、车辆速度和车辆加速度作为行车工况信息进行量化，并输入训练完成的RBF神经网络以得到电流环的PI控制参数和与之相适应的PWM开关频率，由此，控制模块40获得不同工况下与电动汽车相匹配的电流环PI控制参数以及PWM开关频率，从而使该方法具有更好的快速响应能力以及较小的超调，为提高控制精度奠定了坚实基础。

进一步地，根据本发明的一个实施例，如图5所示，控制模块40在计算出d轴电压和q轴电压之后，还对d轴电压和q轴电压进行解耦，以根据PWM开关频率以及解耦后的d轴电压和q轴电压对永磁同步电机进行矢量控制。

也就是说，如图5所示，控制模块40还包括解耦单元404，控制模块40将d轴给定电流与d轴实际电流进行比较再通过d轴PI调节器得到d轴电压U_d，并将q轴给定电流与q轴实际电流进行比较再通过q轴PI调节器得到q轴电压U_q，通过解耦单元404对d轴电压和q轴电压进行解耦，即可得到解耦后的d轴电压和q轴电压。

应当理解的是，PI控制是整个电流环控制装置的核心，控制模块40通过d轴电流PI控制算法和q轴电流PI控制算法可计算得到解耦前的d轴电压U_d和q轴电压U_q，而在永磁同步电机d-q轴电压方程中，d轴电压中含有q轴电流分量，q轴电压中也含有d轴电流分量，从而d轴电压U_d和q轴电压U_q相互之间存在着耦合，导致d轴电流调节和q轴电流调节会相互影响，控制模块40通过解耦单元404得到解耦后的d轴电压和q轴电压，可削弱d轴电流调节和q轴电流调节相互之间的影响。

另外，根据本发明的一个实施例，如图5所示，在电流环控制过程中控制模块40还通过故障诊断单元405进行故障诊断，例如判断是否发生过流故障等。

综上，根据本发明提出的电动汽车中永磁同步电机的电流环控制装置，控制模块通过行车工况信息和预设的神经网络算法计算d轴比例系数、d轴积分系数、q轴比例系数、q轴积分系数和PWM开关频率，然后根据d轴给定电流、d轴实际电流、d轴比例系数、d轴积分系数和预设的d轴电流PI控制算法计算d轴电压，并根据q轴给定电流、q轴实际电流、q轴比例系数、q轴积分系数和预设的q轴电流PI控制算法计算q轴电压，以根据d轴电压、q轴电压和PWM开关频率对永磁同步电机进行矢量控制。由此，该装置通过设定与行车工况相匹配的比例系数、积分系数和PWM开关频率，达到更好的快速响应能力，减少超调，为提高控制精度奠定了坚实基础。

最后，本发明实施例又提出了一种电动汽车，包括上述实施例的电动汽车中永磁同步电机的电流环控制装置。

根据本发明实施例提出的电动汽车，通过永磁同步电机的电流环控制装置设定与行车工况相匹配的比例系数、积分系数和PWM开关频率，从而获得更好的快速响应能力，减少超调，为提高控制精度奠定了坚实基础。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (11)

1.一种电动汽车中永磁同步电机的电流环控制方法，其特征在于，包括以下步骤：

获取所述电动汽车的行车工况信息、所述永磁同步电机的d轴给定电流和q轴给定电流以及d轴实际电流和q轴实际电流；

根据所述行车工况信息和预设的神经网络算法计算d轴比例系数、d轴积分系数、q轴比例系数、q轴积分系数和PWM开关频率；

根据所述d轴给定电流、所述d轴实际电流、所述d轴比例系数、所述d轴积分系数和预设的d轴电流PI控制算法计算d轴电压，并根据所述q轴给定电流、所述q轴实际电流、所述q轴比例系数、所述q轴积分系数和预设的q轴电流PI控制算法计算q轴电压，以根据所述d轴电压、所述q轴电压和所述PWM开关频率对所述永磁同步电机进行矢量控制。

2.根据权利要求1所述的电动汽车中永磁同步电机的电流环控制方法，其特征在于，所述电动汽车的行车工况信息包括制动踏板开度、动力电池的外部电压、车辆速度和车辆加速度。

3.根据权利要求1或2所述的电动汽车中永磁同步电机的电流环控制方法，其特征在于，所述根据采集到的所述行车工况信息和预设的神经网络算法计算d轴比例系数、d轴积分系数、q轴比例系数、q轴积分系数和PWM开关频率进一步包括：

根据采集到的所述行车工况信息和预设的神经网络算法计算初始d轴比例系数、初始d轴积分系数、初始q轴比例系数、初始q轴积分系数和初始PWM开关频率；

对所述初始d轴比例系数、所述初始d轴积分系数、所述初始q轴比例系数、所述初始q轴积分系数和所述初始PWM开关频率进行梯度限制，以在梯度限制后获得所述d轴比例系数、所述d轴积分系数、所述q轴比例系数、所述q轴积分系数和所述PWM开关频率。

4.根据权利要求1所述的电动汽车中永磁同步电机的电流环控制方法，其特征在于，在计算出所述d轴电压和所述q轴电压之后，所述方法还包括：对所述d轴电压和所述q轴电压进行解耦，以根据所述PWM开关频率以及解耦后的d轴电压和q轴电压对所述永磁同步电机进行矢量控制。

5.根据权利要求1所述的电动汽车中永磁同步电机的电流环控制方法，其特征在于，所述神经网络算法为RBF神经网络算法。

6.一种电动汽车中永磁同步电机的电流环控制装置，其特征在于，包括：

第一获取模块，用于获取所述电动汽车的行车工况信息；

第二获取模块，用于获取所述永磁同步电机的d轴给定电流和q轴给定电流；

第三获取模块，用于获取所述永磁同步电机的d轴实际电流和q轴实际电流；

控制模块，所述控制模块分别与所述第一获取模块、所述第二获取模块和所述第三获取模块相连，所述控制模块用于根据所述行车工况信息和预设的神经网络算法计算d轴比例系数、d轴积分系数、q轴比例系数、q轴积分系数和PWM开关频率，以及根据所述d轴给定电流、所述d轴实际电流、所述d轴比例系数、所述d轴积分系数和预设的d轴电流PI控制算法计算d轴电压，并根据所述q轴给定电流、所述q轴实际电流、所述q轴比例系数、所述q轴积分系数和预设的q轴电流PI控制算法计算q轴电压，以根据所述d轴电压、所述q轴电压和所述PWM开关频率对所述永磁同步电机进行矢量控制。

7.根据权利要求6所述的电动汽车中永磁同步电机的电流环控制装置，其特征在于，所述电动汽车的行车工况信息包括制动踏板开度、动力电池的外部电压、车辆速度和车辆加速度。

8.根据权利要求6或7所述的电动汽车中永磁同步电机的电流环控制装置，其特征在于，所述控制模块进一步构造为：

根据采集到的所述行车工况信息和预设的神经网络算法计算初始d轴比例系数、初始d轴积分系数、初始q轴比例系数、初始q轴积分系数和初始PWM开关频率，并对所述初始d轴比例系数、所述初始d轴积分系数、所述初始q轴比例系数、所述初始q轴积分系数和所述初始PWM开关频率进行梯度限制，以在梯度限制后获得所述d轴比例系数、所述d轴积分系数、所述q轴比例系数、所述q轴积分系数和所述PWM开关频率。

9.根据权利要求6所述的电动汽车中永磁同步电机的电流环控制装置，其特征在于，所述控制模块在计算出所述d轴电压和所述q轴电压之后，还对所述d轴电压和所述q轴电压进行解耦，以根据所述PWM开关频率以及解耦后的d轴电压和q轴电压对所述永磁同步电机进行矢量控制。

10.根据权利要求6所述的电动汽车中永磁同步电机的电流环控制装置，其特征在于，所述神经网络算法为RBF神经网络算法。

11.一种电动汽车，其特征在于，包括根据权利要求6-10中任一项所述的电动汽车中永磁同步电机的电流环控制装置。