CN105915136B - 基于模糊神经网络的电机电流谐波抑制控制系统及方法 - Google Patents
基于模糊神经网络的电机电流谐波抑制控制系统及方法 Download PDFInfo
- Publication number
- CN105915136B CN105915136B CN201610367028.8A CN201610367028A CN105915136B CN 105915136 B CN105915136 B CN 105915136B CN 201610367028 A CN201610367028 A CN 201610367028A CN 105915136 B CN105915136 B CN 105915136B
- Authority
- CN
- China
- Prior art keywords
- current
- layer
- harmonic
- fuzzy
- motor
- 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.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
- H02P21/001—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using fuzzy control
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
- H02P21/0014—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, current or voltage
Abstract
本发明涉及一种基于模糊神经网络的电机电流谐波抑制控制系统及方法,系统包括谐波电流提取模块和谐波电流抑制模块;谐波电流提取模块用于对电机三相电流的谐波分量进行提取并计算dq轴谐波电流;谐波电流抑制模块根据dq轴谐波电流和电机转速误差建立基于模糊神经网络的谐波电流抑制模型,输出当前电机矢量控制系统d轴所需的电压补偿量和q轴所需的电压补偿量,分别加到电流环控制器输出的d轴电压和q轴电压上,形成谐波电流抑制环。本发明采用基于模糊神经网络建立谐波电流抑制模型,计算谐波电流抑制补偿量,能够在高速永磁同步电机矢量控制系统中有效抑制造成电机电流畸变的谐波电流,提高电机电流的正弦性,减小电机转矩脉动,改善电机性能。
Description
技术领域
本发明属于机电控制领域,具体涉及基于模糊神经网络的电机电流谐波抑制控制系统及方法。
背景技术
三相输入电源接入三相整流电路后,只有两相之间的电压差大于母线滤波电容C的电压时,才会从电网中抽取能量,即产生电流,由于电容和整流二极管的存在,便很难保证输入的电流与输入电压成线性关系,这种非线性的关系使得电流含有高次谐波分量。另外,由于电机齿槽效应等本身结构的原因,使得电机的反电动势等并不是理想的形状,这会导致电机的电流含有谐波分量。
电流的谐波分量在电机的定子绕组、定转子铁芯中引起附加损耗,使其发热,缩短使用寿命。同时,谐波电流还会增大电机的噪音并产生脉动转矩,使得电机性能降低。对电流谐波进行抑制,可以显著地提高电机的性能。
以三相高速永磁同步电机举例来说,电流包含5次、7次、11次等谐波,当谐波频率较低时,电流环控制器可以较好地抑制谐波电流,但当频率升高时,由于电流环控制器宽带的限制,对谐波电流抑制的作用降低。因此,对于高速永磁同步电机,对谐波电流的抑制需要进行单独控制。
现有的对永磁同步电机的谐波电流抑制控制系统中,提出了很多关于抑制永磁同步电机运行中的相电流谐波的方法。例如,时间补偿法和电流复合调节器;时间补偿法根据误差电压与电机相电流极性的关系,对逆变器驱动信号进行补偿,抑制死区效应造成的影响,但由于零电流箝位现象的影响,电机相电流极性难以准确判断,容易给出错误的补偿量,影响控制效果;电流复合调节器采用比例积分的电流反馈环,在一定程度上抑制了低速电机的电流谐波,对于高速永磁同步电机,容易造成不同频率谐波之间的相互干扰,引起较大的控制误差,从而影响系统的稳定性。
发明内容
本发明的目的在于提供一种基于模糊神经网络的电机电流谐波抑制控制系统及方法。
实现本发明目的的技术解决方案:一种基于模糊神经网络的电机电流谐波抑制控制系统,应用在高速永磁同步电机矢量控制系统中,包括谐波电流提取模块和谐波电流抑制模块;
所述谐波电流提取模块用于对电机三相电流的谐波分量进行提取并计算dq轴谐波电流;
所述谐波电流抑制模块用于根据dq轴谐波电流和电机转速误差建立基于模糊神经网络的谐波电流抑制模型,输出当前电机矢量控制系统d轴所需的电压补偿量和q轴所需的电压补偿量,分别加到电流环控制器输出的d轴电压和q轴电压上,形成谐波电流抑制环。
一种基于模糊神经网络的电机电流谐波抑制方法,包括以下步骤:
步骤1、对电机三相电流的谐波分量进行提取并计算dq轴谐波电流;
步骤2、根据dq轴谐波电流和电机转速误差建立基于模糊神经网络的谐波电流抑制模型,输出当前电机矢量控制系统d轴所需的电压补偿量和q轴所需的电压补偿量,分别加到电流环控制器输出的d轴电压和q轴电压上,形成谐波电流抑制环。
本发明与现有技术相比,其显著优点为:(1)本发明利用多同步旋转坐标系的特点计算出三相电流的谐波分量在dq轴上的直流量;(2)本发明采用基于模糊神经网络的方法建立谐波电流抑制模型,定量揭示抑制谐波电流补偿量与电机转速误差、谐波电流之间的内在联系,通过在线调试大量数据多次训练得到,可直接移植到高速永磁同步电机矢量控制系统中实现对电机谐波电流的抑制;(3)本发明在电机的矢量控制系统中引入谐波电流抑制控制,可以很好地抑制dq轴电流的波动,从而削弱电机的转矩脉动,提高电机运行的平稳性。
附图说明
图1是现有高速永磁同步电机矢量控制系统结构图。
图2是增加了本发明电流谐波抑制控制系统的高速永磁同步电机矢量控制系统结构图。
图3是本发明的谐波电流提取模块原理图。
图4是本发明的基于模糊神经网络建立的谐波电流抑制模型示意图。
图5是本发明的BP算法原理图。
具体实施方式
本发明的电机电流谐波抑制控制系统及方法是在现有高速永磁同步电机矢量控制的基础上进行了电机电流谐波抑制的设计,对谐波电流进行提取并采用模糊神经网络建立电流抑制模型,对高速永磁同步电机矢量控制系统中的电流环进行补偿,形成谐波电流抑制环。
下面结合附图及具体实施例对本发明作进一步详细说明。
高速永磁同步电机矢量控制结构框图如图1所示,包括PI调节器模块、坐标系变换模块、SVPWM控制模块、逆变器模块、高速永磁同步电机模块、测量单元模块;具体的实现过程如下:
首先,将给定转速ωr *与实际转速ωr相比较,通过速度PI控制器得到给定的iq *;其次,给定值id *=0和给定的iq *分别与实际电流分量id和iq构成电流闭环,通过电流PI控制器输出电压ud *和uq *;然后采用SVPWM控制技术产生PWM信号实现高速永磁同步电机的控制。图1中,ia和ib分别为电机A相和B相的相电流,iα和iβ为静止两相坐标系下的电流分量,uα *和uβ *为静止两相坐标系下的电压分量,θr为电机同步角速度,速度环控制器和电流环控制器均为PI调节器。
如图2所示,本发明的一种基于模糊神经网络的电机电流谐波抑制控制系统,应用在高速永磁同步电机矢量控制系统中,包括谐波电流提取模块和谐波电流抑制模块;
所述谐波电流提取模块用于对电机三相电流的谐波分量进行提取并计算dq轴谐波电流;
所述谐波电流抑制模块用于根据dq轴谐波电流和电机转速误差建立基于模糊神经网络的谐波电流抑制模型,输出当前电机矢量控制系统d轴所需的电压补偿量和q轴所需的电压补偿量,分别加到电流环控制器输出的d轴电压ud和q轴电压uq上,形成谐波电流抑制环。
进一步的,所述的谐波电流提取模块中dq轴谐波电流idn和iqn的计算过程为:
高速永磁同步电机属于对称的三相三线系统,在定子绕组的电流中不存在偶数次谐波。因此,定子绕组中主要含有5次、7次和11次等高次谐波;其中5次谐波和11次谐波为负序谐波电流,7次谐波为正序谐波电流;根据高速永磁同步电机的电流中存在的谐波次数,电机的电流傅里叶级数展开表达式如下:
其中,Im1为基波电流幅值,Im5、Im7、Im11分别为5次、7次和11次谐波电流幅值,为基波电流的初始相位角,分别为5次、7次和11次谐波电流的初始相位角;
如图3所示,采用同步旋转dq坐标变换检测法,将5次、7次和11次谐波分量转变为直流量,并将直流量经过低通滤波器,得到dq轴谐波电流id5、iq5、id7、iq7、id11和iq11。
进一步的,如图4所示,所述谐波电流抑制模型包括输入层、模糊化层、清晰化层、隐层以及输出层,模型结构建立的步骤为:
第一步,对输入层参数进行模糊化处理
输入层参数X=[X1,X2,...,X7]T,表示谐波电流提取模块提取的直流量id5、iq5、id7、iq7、id11、iq11和电机的转速误差Δω,Xi表示第i个参数,i=1,2,...,7,根据初始隶属度函数确定模糊层变量:
其中,j=1,2,...,li,li为输入层第i个参数的语言变量的模糊分割数,为模糊量化因子,λ为隶属度中心,σ为隶属度宽度,由样本确定:
其中,N为样本大小,xh为样本值,模糊层参数个数p=7li;
第二步,对模糊化参数进行清晰化处理
模糊化层与清晰化层之间的连接关系aq由连接函数f、第三层权值和第三层阈值θa αβ决定,其关系为:
其中,α=1,2,...,p,β=1,2,...,m,q=1,2,...,m,
第三步,确定隐层层数和节点数
确定隐层数为s;隐层节点数k由经验公式确定:
其中,m为隐层输入参数个数,输出参数个数为2,t为1-10之间的任意常数;
第四步,确定隐层参数
隐层与清晰层连接关系be由连接函数f、第四层权值和第四层阈值θb ab决定,其关系为:
其中,a=1,2,...,m,b=1,2,...,k,e=1,2,...,k;
第五步,确定输出值
输出层与隐层连接关系由第一连接函数f1、第二连接函数f2、第五层权值和第五层阈值θy by决定,其关系为:
其中,ucomd和ucomq分别为当前电机矢量控制系统d轴所需的电压补偿量和q轴所需的电压补偿量,b=1,2,...,k,y=1,2。
如图5所示,所述谐波电流抑制模型结构确定后使用BP算法进行训练,得到最优模糊量化因子和各层之间的连接权值,BP算法的训练步骤为:
步骤1、初始化模型模糊量化因子和各层之间的连接权值,初始值由MATLAB随机生成;
步骤2、对电机三相电流用傅里叶级数描述,得到基波电流幅值Im1和谐波电流幅值Im5、Im7、Im11,确定目标误差计算当前误差E的值;
步骤3、判断E≤0.01是否满足,若满足,训练结束,否则执行步骤4;
步骤4、分别计算模糊量化因子和各层之间的连接权值沿误差负梯度方向的偏导数:
步骤5、计算得到新的模糊量化因子和连接权值:
其中,为下一时刻的模糊量化因子和连接权值,为当前时刻的模糊量化因子和连接权值,为当前计算的模糊量化因子和连接权值沿误差负梯度方向的偏导数;
步骤6、判断训练次数是否达到5000,若循环次数达到5000同样结束训练,否则返回步骤2继续训练;
步骤7、完成训练,得到最终谐波电流抑制模型。
本发明还提供一种基于模糊神经网络的电机电流谐波抑制方法,包括以下步骤:
步骤1、对电机三相电流的谐波分量进行提取并计算dq轴谐波电流;
步骤2、根据dq轴谐波电流和电机转速误差建立基于模糊神经网络的谐波电流抑制模型,输出当前电机矢量控制系统d轴所需的电压补偿量和q轴所需的电压补偿量,分别加到电流环控制器输出的d轴电压和q轴电压上,形成谐波电流抑制环。
dq轴谐波电流idn和iqn的计算包括以下步骤:
根据高速永磁同步电机的电流中存在的谐波次数,电机的电流傅里叶级数展开表达式如下:
其中,Im1为基波电流幅值,Im5、Im7、Im11分别为5次、7次和11次谐波电流幅值,为基波电流的初始相位角,分别为5次、7次和11次谐波电流的初始相位角;
采用同步旋转dq坐标变换检测法,将5次、7次和11次谐波分量转变为直流量,并将直流量经过低通滤波器,得到dq轴谐波电流id5、iq5、id7、iq7、id11和iq11。
所述谐波电流抑制模型包括输入层、模糊化层、清晰化层、隐层以及输出层;模型结构建立的步骤为:
第一步,对输入层参数进行模糊化处理
输入层参数X=[X1,X2,...,X7]T,表示谐波电流提取模块提取的直流量id5、iq5、id7、iq7、id11、iq11和电机的转速误差Δω,Xi表示第i个参数,i=1,2,...,7,根据初始隶属度函数确定模糊层变量:
其中,j=1,2,...,li,li为输入层第i个参数的语言变量的模糊分割数,为模糊量化因子,λ为隶属度中心,σ为隶属度宽度,由样本确定:
N为样本大小,xh为样本值,模糊层参数个数p=7li;
第二步,对模糊化参数进行清晰化处理
模糊化层与清晰化层之间的连接关系aq由连接函数f、第三层权值和第三层阈值θa αβ决定,其关系为:
其中,α=1,2,...,p,β=1,2,...,m,q=1,2,...,m,
第三步,确定隐层层数和节点数
确定隐层数为s;隐层节点数k由经验公式确定:
其中,m为隐层输入参数个数,输出参数个数为2,t为1-10之间的任意常数;
第四步,确定隐层参数
隐层与清晰层连接关系be由连接函数f、第四层权值和第四层阈值θb ab决定,其关系为:
其中,a=1,2,...,m,b=1,2,...,k,e=1,2,...,k;
第五步,确定输出值
输出层与隐层连接关系由连接函数f1和f2、第五层权值和第五层阈值θy by决定,其关系为:
其中,b=1,2,...,k,y=1,2。
所述谐波电流抑制模型结构确定后使用BP算法进行训练,得到最优模糊量化因子和各层之间的连接权值,BP算法的训练步骤为:
步骤1、初始化模型模糊量化因子和各层之间的连接权值,初始值由MATLAB随机生成;
步骤2、对电机三相电流用傅里叶级数描述,得到基波电流幅值Im1和谐波电流幅值Im5、Im7、Im11,确定目标误差计算当前误差E的值;
步骤3、判断E≤0.01是否满足,若满足,训练结束,否则执行步骤4;
步骤4、分别计算模糊量化因子和各层之间的连接权值沿误差负梯度方向的偏导数:
步骤5、计算得到新的模糊量化因子和连接权值:
其中,为下一时刻的模糊量化因子和连接权值,为当前时刻的模糊量化因子和连接权值,为当前计算的模糊量化因子和连接权值沿误差负梯度方向的偏导数;
步骤6、判断训练次数是否达到5000,若循环次数达到5000同样结束训练,否则返回步骤2继续训练;
步骤7、完成训练,得到最终谐波电流抑制模型。
本发明采用基于模糊神经网络建立谐波电流抑制模型,计算谐波电流抑制补偿量,能够在高速永磁同步电机的矢量控制系统中有效地抑制造成电机电流畸变的谐波电流,提高电机电流的正弦性,减小电机转矩脉动、降低电机损耗并改善电机性能。
Claims (5)
1.一种基于模糊神经网络的电机电流谐波抑制控制系统,应用在高速永磁同步电机矢量控制系统中,其特征在于,包括谐波电流提取模块和谐波电流抑制模块;
所述谐波电流提取模块用于对电机三相电流的谐波分量进行提取并计算dq轴谐波电流;dq轴谐波电流的计算过程为:
根据高速永磁同步电机的电流中存在的谐波次数,电机的电流傅里叶级数展开表达式如下:
其中,Im1为基波电流幅值,Im5、Im7、Im11分别为5次、7次和11次谐波电流幅值,为基波电流的初始相位角,分别为5次、7次和11次谐波电流的初始相位角;
采用同步旋转dq坐标变换检测法,将5次、7次和11次谐波分量转变为直流量,并将直流量经过低通滤波器,得到dq轴谐波电流id5、iq5、id7、iq7、id11和iq11;
所述谐波电流抑制模块用于根据dq轴谐波电流和电机转速误差建立基于模糊神经网络的谐波电流抑制模型,输出当前电机矢量控制系统d轴所需的电压补偿量和q轴所需的电压补偿量,分别加到电流环控制器输出的d轴电压和q轴电压上,形成谐波电流抑制环;谐波电流抑制模型包括输入层、模糊化层、清晰化层、隐层以及输出层,模型结构建立的步骤为:
第一步,对输入层参数进行模糊化处理
输入层参数X=[X1,X2,...,X7]T,表示谐波电流提取模块提取的直流量id5、iq5、id7、iq7、id11、iq11和电机的转速误差Δω,Xi表示第i个参数,i=1,2,...,7,根据初始隶属度函数确定模糊层变量:
其中,j=1,2,...,li,li为输入层第i个参数的语言变量的模糊分割数,为模糊量化因子,λ为隶属度中心,σ为隶属度宽度,由样本确定:
其中,N为样本大小,xh为样本值,模糊层参数个数p=7li;
第二步,对模糊化参数进行清晰化处理
模糊化层与清晰化层之间的连接关系aq由连接函数f、第三层权值和第三层阈值决定,其关系为:
其中,α=1,2,...,p,β=1,2,...,m,q=1,2,...,m,
第三步,确定隐层层数和节点数
确定隐层数为s;隐层节点数k由经验公式确定:
其中,m为隐层输入参数个数,输出参数个数为2,t为1-10之间的任意常数;
第四步,确定隐层参数
隐层与清晰层连接关系be由连接函数f、第四层权值和第四层阈值决定,其关系为:
其中,=1,2,...,m,b=1,2,...,k,e=1,2,...,k;
第五步,确定输出值
输出层与隐层连接关系由第一连接函数f1、第二连接函数f2、第五层权值和第五层阈值θy by决定,其关系为:
其中,ucomd和ucomq分别为当前电机矢量控制系统d轴所需的电压补偿量和q轴所需的电压补偿量,y=1,2。
2.根据权利要求1所述的基于模糊神经网络的电机电流谐波抑制控制系统,其特征在于:所述谐波电流抑制模型结构确定后使用BP算法进行训练,得到最优模糊量化因子和各层之间的连接权值,BP算法的训练步骤为:
步骤1、初始化模型模糊量化因子和各层之间的连接权值,初始值由MATLAB随机生成;
步骤2、对电机三相电流用傅里叶级数描述,得到基波电流幅值Im1和谐波电流幅值Im5、Im7、Im11,确定目标误差计算当前误差E的值;
步骤3、判断E≤0.01是否满足,若满足,训练结束,否则执行步骤4;
步骤4、分别计算模糊量化因子和各层之间的连接权值沿误差负梯度方向的偏导数:
步骤5、计算得到新的模糊量化因子和连接权值:
其中,为下一时刻的模糊量化因子和连接权值,为当前时刻的模糊量化因子和连接权值,为当前计算的模糊量化因子和连接权值沿误差负梯度方向的偏导数;
步骤6、判断训练次数是否达到5000,若循环次数达到5000同样结束训练,否则返回步骤2继续训练;
步骤7、完成训练,得到谐波电流抑制模型。
3.一种基于模糊神经网络的电机电流谐波抑制方法,其特征在于,包括以下步骤:
步骤1、对电机三相电流的谐波分量进行提取并计算dq轴谐波电流;
步骤2、根据dq轴谐波电流和电机转速误差建立基于模糊神经网络的谐波电流抑制模型,输出当前电机矢量控制系统d轴所需的电压补偿量和q轴所需的电压补偿量,分别加到电流环控制器输出的d轴电压和q轴电压上,形成谐波电流抑制环;
所述谐波电流抑制模型包括输入层、模糊化层、清晰化层、隐层以及输出层;模型结构建立的步骤为:
第一步,对输入层参数进行模糊化处理
输入层参数X=[X1,X2,...,X7]T,表示谐波电流提取模块提取的直流量id5、iq5、id7、iq7、id11、iq11和电机的转速误差Δω,Xi表示第i个参数,i=1,2,...,7,根据初始隶属度函数确定模糊层变量:
其中,j=1,2,...,li,li为输入层第i个参数的语言变量的模糊分割数,为模糊量化因子,λ为隶属度中心,σ为隶属度宽度,由样本确定:
N为样本大小,xh为样本值,模糊层参数个数p=7li;
第二步,对模糊化参数进行清晰化处理
模糊化层与清晰化层之间的连接关系由连接函数f、第三层权值和第三层阈值决定,其关系为:
其中,α=1,2,...,p,β=1,2,...,m,q=1,2,...,m,
第三步,确定隐层层数和节点数
确定隐层数为s;隐层节点数k由经验公式确定:
其中,m为隐层输入参数个数,输出参数个数为2,t为1-10之间的任意常数;
第四步,确定隐层参数
隐层与清晰层连接关系be由连接函数f、第四层权值和第四层阈值决定,其关系为:
其中,=1,2,...,m,b=1,2,...,k,e=1,2,...,k;
第五步,确定输出值
输出层与隐层连接关系由连接函数f1和f2、第五层权值和第五层阈值θy by决定,其关系为:
其中,ucomd和ucomq分别为当前电机矢量控制系统d轴所需的电压补偿量和q轴所需的电压补偿量,y=1,2。
4.根据权利要求3所述的基于模糊神经网络的电机电流谐波抑制方法,其特征在于,dq轴谐波电流的计算包括以下步骤:
根据高速永磁同步电机的电流中存在的谐波次数,电机的电流傅里叶级数展开表达式如下:
其中,Im1为基波电流幅值,Im5、Im7、Im11分别为5次、7次和11次谐波电流幅值,为基波电流的初始相位角,分别为5次、7次和11次谐波电流的初始相位角;
采用同步旋转dq坐标变换检测法,将5次、7次和11次谐波分量转变为直流量,并将直流量经过低通滤波器,得到dq轴谐波电流id5、iq5、id7、iq7、id11和iq11。
5.根据权利要求3所述的基于模糊神经网络的电机电流谐波抑制方法,其特征在于,所述谐波电流抑制模型结构确定后使用BP算法进行训练,得到最优模糊量化因子和各层之间的连接权值,BP算法的训练步骤为:
步骤1、初始化模型模糊量化因子和各层之间的连接权值,初始值由MATLAB随机生成;
步骤2、对电机三相电流用傅里叶级数描述,得到基波电流幅值Im1和谐波电流幅值Im5、Im7、Im11,确定目标误差计算当前误差E的值;
步骤3、判断E≤0.01是否满足,若满足,训练结束,否则执行步骤4;
步骤4、分别计算模糊量化因子和各层之间的连接权值沿误差负梯度方向的偏导数:
步骤5、计算得到新的模糊量化因子和连接权值:
其中,为下一时刻的模糊量化因子和连接权值,为当前时刻的模糊量化因子和连接权值,为当前计算的模糊量化因子和连接权值沿误差负梯度方向的偏导数;
步骤6、判断训练次数是否达到5000,若循环次数达到5000同样结束训练,否则返回步骤2继续训练;
步骤7、完成训练,得到最终谐波电流抑制模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610367028.8A CN105915136B (zh) | 2016-05-29 | 2016-05-29 | 基于模糊神经网络的电机电流谐波抑制控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610367028.8A CN105915136B (zh) | 2016-05-29 | 2016-05-29 | 基于模糊神经网络的电机电流谐波抑制控制系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105915136A CN105915136A (zh) | 2016-08-31 |
CN105915136B true CN105915136B (zh) | 2018-10-12 |
Family
ID=56741628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610367028.8A Active CN105915136B (zh) | 2016-05-29 | 2016-05-29 | 基于模糊神经网络的电机电流谐波抑制控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105915136B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106788077A (zh) * | 2016-11-28 | 2017-05-31 | 广东美芝精密制造有限公司 | 电机的控制方法、装置及家用电器 |
CN107681937B (zh) * | 2017-09-18 | 2019-01-15 | 南京理工大学 | 一种基于神经网络的超高速永磁同步电机速度观测方法 |
CN109660116B (zh) * | 2017-10-12 | 2019-10-01 | 美的集团股份有限公司 | 三相变流器及其控制方法、装置 |
CN111245326B (zh) * | 2018-11-28 | 2023-04-25 | 安徽美芝精密制造有限公司 | 矢量控制系统、抑制方法、抑制装置、电机和存储介质 |
CN111835257B (zh) * | 2019-03-29 | 2024-05-03 | 上海华虹挚芯电子科技有限公司 | 基于神经网络的转子位置检测方法 |
CN110601573A (zh) * | 2019-10-10 | 2019-12-20 | 东北大学 | 一种基于改进型自适应模糊神经网络的三相整流控制方法 |
CN111106606B (zh) * | 2019-12-20 | 2020-10-27 | 中铁电气化局集团有限公司 | 谐波电流的补偿方法、装置、有源滤波器和存储介质 |
CN111551781B (zh) * | 2020-05-18 | 2021-06-11 | 湖南大学 | 等效畸变电压直接检测方法及逆变器非线性因素补偿方法 |
CN112737453B (zh) * | 2020-12-09 | 2022-05-17 | 武汉船用电力推进装置研究所(中国船舶重工集团公司第七一二研究所) | 一种变流器功率组件死区效应补偿方法 |
CN112787491B (zh) * | 2020-12-28 | 2021-11-30 | 中南大学 | 一种三级式ac/dc电源的输入电流谐波抑制方法 |
CN113723003B (zh) * | 2021-09-02 | 2022-08-12 | 广东电网有限责任公司广州供电局 | 基于模糊神经网络的配电网三相不平衡源定位方法及装置 |
CN114448324B (zh) * | 2022-01-25 | 2023-09-26 | 中国船舶集团有限公司第七二四研究所 | 一种驱动器泵升电压抑制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0382393A (ja) * | 1989-08-25 | 1991-04-08 | Toshiba Corp | 高調波補償装置の制御装置 |
JP2002165488A (ja) * | 2000-11-21 | 2002-06-07 | Fuji Electric Co Ltd | 交流電動機駆動システムの制御装置 |
CN102611378A (zh) * | 2012-03-09 | 2012-07-25 | 苏州汇川技术有限公司 | 一种永磁同步电机的电流谐波补偿系统及方法 |
CN103997266A (zh) * | 2014-05-28 | 2014-08-20 | 江苏大学 | 一种混合动力车bsg转矩波动补偿控制器及其构造方法 |
CN104167968A (zh) * | 2014-08-29 | 2014-11-26 | 东南大学 | 一种异步电机矢量控制方法 |
CN104601077A (zh) * | 2015-02-09 | 2015-05-06 | 北京航空航天大学 | 一种基于空间矢量调制的高速永磁电机谐波电流补偿系统 |
CN104935235A (zh) * | 2015-06-19 | 2015-09-23 | 上海新时达电气股份有限公司 | 电机的电流谐波抑制方法 |
-
2016
- 2016-05-29 CN CN201610367028.8A patent/CN105915136B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0382393A (ja) * | 1989-08-25 | 1991-04-08 | Toshiba Corp | 高調波補償装置の制御装置 |
JP2002165488A (ja) * | 2000-11-21 | 2002-06-07 | Fuji Electric Co Ltd | 交流電動機駆動システムの制御装置 |
CN102611378A (zh) * | 2012-03-09 | 2012-07-25 | 苏州汇川技术有限公司 | 一种永磁同步电机的电流谐波补偿系统及方法 |
CN103997266A (zh) * | 2014-05-28 | 2014-08-20 | 江苏大学 | 一种混合动力车bsg转矩波动补偿控制器及其构造方法 |
CN104167968A (zh) * | 2014-08-29 | 2014-11-26 | 东南大学 | 一种异步电机矢量控制方法 |
CN104601077A (zh) * | 2015-02-09 | 2015-05-06 | 北京航空航天大学 | 一种基于空间矢量调制的高速永磁电机谐波电流补偿系统 |
CN104935235A (zh) * | 2015-06-19 | 2015-09-23 | 上海新时达电气股份有限公司 | 电机的电流谐波抑制方法 |
Non-Patent Citations (1)
Title |
---|
基于模糊神经网络的多电机功率平衡控制研究;杨光辉;《中国优秀硕士学位论文全文数据库(工程科技Ⅱ辑)》;20150215;第42页第3段,第48页第1-2段 * |
Also Published As
Publication number | Publication date |
---|---|
CN105915136A (zh) | 2016-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105915136B (zh) | 基于模糊神经网络的电机电流谐波抑制控制系统及方法 | |
Che et al. | Parameter estimation of asymmetrical six-phase induction machines using modified standard tests | |
Kim et al. | Sensorless control of PMSM in a high-speed region considering iron loss | |
CN109428525A (zh) | 基于参数自修正的永磁同步电机最大转矩电流比控制方法 | |
CN110198150A (zh) | 一种永磁同步电机多参数在线辨识方法 | |
CN104467597B (zh) | 一种抑制感应电动机电流振荡的v/f控制方法 | |
CN104980071A (zh) | 一种无刷双馈电机独立发电系统的励磁控制装置 | |
CN107017817B (zh) | 一种高速内嵌式永磁同步电机电流解耦控制方法 | |
CN111914442A (zh) | 一种磁链可调永磁同步磁阻电机的建模方法 | |
CN102208894A (zh) | 用于无速度传感器感应电机矢量控制的转速估算方法 | |
CN108377117A (zh) | 基于预测控制的永磁同步电机复合电流控制系统及方法 | |
CN106655937B (zh) | 双级矩阵变换器驱动的同步磁阻电机模型预测控制方法 | |
CN104852652B (zh) | 同步风力发电机闭环矢量控制方法和系统 | |
CN107302328A (zh) | 基于低频电压注入法的永磁同步电机无位置传感器的控制方法 | |
CN104201965B (zh) | 定子永磁型无轴承同步电机转子悬浮控制方法 | |
Gorozhankin et al. | Calculations of the losses and thermal operation conditions for controlled alternating-current drives | |
CN105591575B (zh) | 一种隐极式永磁同步电机直接特征控制系统及控制方法 | |
CN104852658B (zh) | 两相静止坐标系下永磁同步电机解耦矢量控制装置及方法 | |
Meng et al. | Multi-stage-structure-based rotor position estimation for a wound-field synchronous starter/generator in the low-speed region | |
CN103986381B (zh) | 海浪发电系统的微网构建最优化功率因数复合控制方法 | |
CN105353220B (zh) | 三相异步电动机电学性能参数的辨识方法 | |
CN107425780A (zh) | 一种无刷双馈电机直接转矩控制的系统和方法 | |
CN110061676A (zh) | 一种基于磁链观测器的无轴承永磁同步电机控制器 | |
CN106208858A (zh) | 一种永磁同步电机控制系统及其控制方法 | |
CN102955862A (zh) | 一种永磁同步电机状态测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |