CN106712627A - 一种永磁同步电机关键参数的获取方法、装置及电动汽车 - Google Patents

一种永磁同步电机关键参数的获取方法、装置及电动汽车 Download PDF

Info

Publication number
CN106712627A
CN106712627A CN201710046374.0A CN201710046374A CN106712627A CN 106712627 A CN106712627 A CN 106712627A CN 201710046374 A CN201710046374 A CN 201710046374A CN 106712627 A CN106712627 A CN 106712627A
Authority
CN
China
Prior art keywords
motor
basis function
neural network
function neural
radial basis
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
Application number
CN201710046374.0A
Other languages
English (en)
Other versions
CN106712627B (zh
Inventor
李玮
代康伟
梁海强
刘超
王亚楠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Electric Vehicle Co Ltd
Original Assignee
Beijing Electric Vehicle Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Electric Vehicle Co Ltd filed Critical Beijing Electric Vehicle Co Ltd
Priority to CN201710046374.0A priority Critical patent/CN106712627B/zh
Publication of CN106712627A publication Critical patent/CN106712627A/zh
Application granted granted Critical
Publication of CN106712627B publication Critical patent/CN106712627B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H02P21/0014—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L15/00—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles
    • B60L15/20—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles for control of the vehicle or its driving motor to achieve a desired performance, e.g. speed, torque, programmed variation of speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/42—Drive Train control parameters related to electric machines
    • B60L2240/421—Speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/42—Drive Train control parameters related to electric machines
    • B60L2240/423—Torque
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/42—Drive Train control parameters related to electric machines
    • B60L2240/425—Temperature
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/42—Drive Train control parameters related to electric machines
    • B60L2240/427—Voltage
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/42—Drive Train control parameters related to electric machines
    • B60L2240/429—Current
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/64—Electric machine technologies in electromobility
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/72—Electric energy management in electromobility

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Control Of Ac Motors In General (AREA)

Abstract

本发明提供一种永磁同步电机关键参数的获取方法、装置及电动汽车，该方法包括：获取永磁同步电机当前的电机温度T0、直轴电流id0以及交轴电流iq0；将所述电机温度T0、所述直轴电流id0以及所述交轴电流iq0作为输入，分别通过三个各自独立的、预先创建的径向基函数神经网络，对应得到所述永磁同步电机当前的电机磁链ψs0、直轴电感Ld0以及交轴电感Lq0。本发明根据永磁同步电机当前的电机温度、直轴电流以及交轴电流，通过预先创建的径向基函数神经网络，便可获得永磁同步电机准确的关键参数信息，有效地降低了对控制器RAM空间的需求，极大地节省控制器RAM空间资源，尤其适用于控制器RAM资源紧张的状况。

Description

一种永磁同步电机关键参数的获取方法、装置及电动汽车
技术领域
本发明涉及电动汽车技术领域，特别是涉及一种永磁同步电机关键参数的获取方法、装置及电动汽车。
背景技术
纯电动汽车通过电机驱动车轮来实现车辆行驶，电机驱动及控制作为纯电动汽车的核心对整车性能影响重大，为此成为国内外各大纯电动汽车厂商研究的重点。随着永磁材料、电力电子技术、控制理论、电机制造以及信号处理硬件的发展，永磁同步电机(PMSM，Permanent Magnet Synchronous Motor)得到了普遍应用，永磁同步电动机在结构上采用高能永磁体作为转子，具有体积小、无励磁损耗、功率密度高等优点，目前成为纯电动汽车驱动系统的主流方案。
在纯电动汽车驱动系统中，实现对电机准确、有效及可靠的控制是车辆稳定运行、保证驾驶员驾驶感受的前提之一。纯电动汽车驱动系统设计中，我们往往使用一些高级的复杂算法来实现对永磁同步电机的精准控制，如最大转矩电流比控制、最大转矩电压比控制等，以上控制方法均依赖于电机参数的准确获取，而永磁同步电机的直轴电感、交轴电感会由于磁路饱和的原因而变化，电机磁链与定子电阻会因温度的变化而变化，为了有效的执行以上复杂的永磁同步电机控制算法、精准地完成控制，准确的获取永磁同步电机关键参数尤为重要。
在现有实际应用中，根据环境条件及电机工作状态一般通过查表方式实时获取电机关键参数信息，并用于控制。但表格的精度与表格的大小强相关，若要精确地获得一定状态下电机关键参数，则需将表格做大做细，但这样一来将会在实际控制过程中极大的增加对控制器RAM空间的消耗，若RAM空间紧张则需要重新修剪表格，这样一来必然会降低通过查表所获得的电机关键参数的精度。
发明内容
本发明的目的在于提供一种永磁同步电机关键参数的获取方法、装置及电动汽车，从而可以解决现有通过查表方式来获得精确的电机关键参数时，消耗控制器RAM空间，使控制器RAM空间紧张的问题。
为了实现上述目的，本发明实施例提供一种永磁同步电机关键参数的获取方法，所述关键参数包括：定子电阻、电机磁链、直轴电感和交轴电感，应用于电动汽车，包括：
获取永磁同步电机当前的电机温度T0、直轴电流id0以及交轴电流iq0；
将所述电机温度T0、所述直轴电流id0以及所述交轴电流iq0作为输入，分别通过三个各自独立的、预先创建的径向基函数神经网络，对应得到所述永磁同步电机当前的电机磁链ψs0、直轴电感Ld0以及交轴电感Lq0。
其中，所述方法还包括：
根据所述电机温度T0以及预先记录的电机温度T与定子电阻Rs之间的第一对应关系，获取当前所述永磁同步电机的定子电阻值Rs0。
其中，所述获取永磁同步电机当前的电机温度T0、直轴电流id0以及交轴电流iq0的步骤之前，所述方法还包括：
获取所述永磁同步电机的电机状态参数的试验样本数据，所述电机状态参数包括：直轴电压Ud、交轴电压Uq、直轴电流id、交轴电流iq、电机温度T、电机扭矩Te和电机转速ω；
对所述试验样本数据进行预设算法处理，得到所述永磁同步电机的直轴电流id、交轴电流iq以及电机温度T与关键参数的第二对应关系；
根据所述第二对应关系，分别创建第一径向基函数神经网络、第二径向基函数神经网络和第三径向基神经网络；
其中，所述第一径向基函数神经网络、第二径向基函数神经网络和第三径向基神经网络的输入矢量均为直轴电流id、交轴电流iq以及电机温度T；所述第一径向基函数神经网络的输出矢量为电机磁链ψs，所述第二径向基函数神经网络的输出矢量为直轴电感Ld，所述第三径向基函数神经网络的输出矢量为交轴电感Lq。
其中，所述对所述试验样本数据进行预设算法处理，得到所述永磁同步电机的直轴电流id、交轴电流iq以及电机温度T与关键参数的第二对应关系的步骤包括：
将直轴电压Ud、交轴电压Uq、直轴电流id、交轴电流iq、电机扭矩Te和电机转速ω分别代入公式：
Ud＝Rsid-ωLqiq、Uq＝Rsiq+ωLdid+ωψs和得到所述永磁同步电机的直轴电流id、交轴电流iq以及电机温度T与关键参数的第二对应关系[id iq T Rs Ld Lq ψs]；
其中，np为所述永磁同步电机的极对数，Rs根据预先记录的电机温度T与定子电阻Rs之间的第一对应关系得到。
其中，根据所述第二对应关系，创建第一径向基函数神经网络的步骤包括：
根据建立第一初始径向基函数神经网络，
x为输入矢量，x＝[id iq T]T；
为电机磁链ψs的网络输出；
为第一权重；l为隐层神经元数量，l＝7；
为第一中心矢量；
为输入矢量到第一中心矢量的距离；φ为径向基函数；
根据所述第二对应关系中的[id iq T ψs]，对所述第一初始径向基函数神经网络进行训练，得到第一径向基函数神经网络。
其中，根据所述第二对应关系，创建第二径向基函数神经网络的步骤包括：
根据建立第二初始径向基函数神经网络，
x为输入矢量，x＝[id iq T]T；
为直轴电感Ld的网络输出；
为第二权重；l为隐层神经元数量，l＝7；
为第二中心矢量；
为输入矢量到第二中心矢量的距离；φ为径向基函数；
根据所述第二对应关系中的[id iq T Ld]，对所述第二初始径向基函数神经网络进行训练，得到第二径向基函数神经网络。
其中，根据所述第二对应关系，创建第三径向基函数神经网络的步骤包括：
根据建立第三初始径向基函数神经网络，x为输入矢量，x＝[id iq T]T；为交轴电感Lq的网络输出；为第三权重；l为隐层神经元数量，l＝7；为第三中心矢量；为输入矢量到第三中心矢量的距离；φ为径向基函数；
根据所述第二对应关系中的[id iq T Lq]，对所述第三初始径向基函数神经网络进行训练，得到第三径向基函数神经网络。
本发明实施例还提供一种永磁同步电机关键参数的获取装置，包括：
第一获取模块，用于获取永磁同步电机当前的电机温度T0、直轴电流id0以及交轴电流iq0；
第二获取模块，用于将所述电机温度T0、所述直轴电流id0以及所述交轴电流iq0作为输入，分别通过三个各自独立的、预先创建的径向基函数神经网络，对应得到所述永磁同步电机当前的电机磁链ψs0、直轴电感Ld0以及交轴电感Lq0。
其中，所述获取装置还包括：
第三获取模块，用于根据所述电机温度T0以及预先记录的电机温度T与定子电阻Rs之间的第一对应关系，获取当前所述永磁同步电机的定子电阻值Rs0。
其中，所述获取装置还包括：
第四获取模块，用于在获取永磁同步电机当前的电机温度T0、直轴电流id0以及交轴电流iq0之前，获取所述永磁同步电机的电机状态参数的试验样本数据，所述电机状态参数包括：直轴电压Ud、交轴电压Uq、直轴电流id、交轴电流iq、电机温度T、电机扭矩Te和电机转速ω；
处理模块，用于对所述试验样本数据进行预设算法处理，得到所述永磁同步电机的直轴电流id、交轴电流iq以及电机温度T与关键参数的第二对应关系；
网络创建模块，用于根据所述第二对应关系，分别创建第一径向基函数神经网络、第二径向基函数神经网络和第三径向基神经网络；
其中，所述第一径向基函数神经网络、第二径向基函数神经网络和第三径向基神经网络的输入矢量均为直轴电流id、交轴电流iq以及电机温度T；所述第一径向基函数神经网络的输出矢量为电机磁链ψs，所述第二径向基函数神经网络的输出矢量为直轴电感Ld，所述第三径向基函数神经网络的输出矢量为交轴电感Lq。
其中，所述处理模块包括：
计算处理子模块，用于将直轴电压Ud、交轴电压Uq、直轴电流id、交轴电流iq、电机扭矩Te和电机转速ω分别代入公式：
Ud＝Rsid-ωLqiq、Uq＝Rsiq+ωLdid+ωψs和得到所述永磁同步电机的直轴电流id、交轴电流iq以及电机温度T与关键参数的第二对应关系[id iq T Rs Ld Lq ψs]；
其中，np为所述永磁同步电机的极对数，Rs根据预先记录的电机温度T与定子电阻Rs之间的第一对应关系得到。
其中，所述网络创建模块包括：
第一网络初建子模块，用于根据建立第一初始径向基函数神经网络，
x为输入矢量，x＝[id iq T]T；
为电机磁链ψs的网络输出；
为第一权重；l为隐层神经元数量，l＝7；
为第一中心矢量；
为输入矢量到第一中心矢量的距离；φ为径向基函数；
第一网络获取子模块，用于根据所述第二对应关系中的[id iq T ψs]，对所述第一初始径向基函数神经网络进行训练，得到第一径向基函数神经网络。
其中，所述网络创建模块包括：
第二网络初建子模块，用于根据建立第二初始径向基函数神经网络，
x为输入矢量，x＝[id iq T]T；
为直轴电感Ld的网络输出；
为第二权重；l为隐层神经元数量，l＝7；
为第二中心矢量；
为输入矢量到第二中心矢量的距离；φ为径向基函数；
第二网络获取子模块，用于根据所述第二对应关系中的[id iq T Ld]，对所述第二初始径向基函数神经网络进行训练，得到第二径向基函数神经网络。
其中，所述网络创建模块包括：
第三网络初建子模块，用于根据建立第三初始径向基函数神经网络，x为输入矢量，x＝[id iq T]T；为交轴电感Lq的网络输出；为第三权重；l为隐层神经元数量，l＝7；为第三中心矢量；为输入矢量到第三中心矢量的距离；φ为径向基函数；
第三网络获取子模块，用于根据所述第二对应关系中的[id iq T Lq]，对所述第三初始径向基函数神经网络进行训练，得到第三径向基函数神经网络。
本发明实施例还提供一种电动汽车，包括如上述所述的永磁同步电机关键参数的获取装置。
本发明的上述技术方案的有益效果如下：
本发明实施例的上述方案中，根据永磁同步电机当前的电机温度、直轴电流以及交轴电流，通过预先创建的径向基函数神经网络，便可获得永磁同步电机准确的关键参数信息，有效地降低了对控制器RAM空间的需求，极大地节省控制器RAM空间资源，尤其适用于控制器RAM资源紧张的状况。
附图说明
图1为本发明实施例的永磁同步电机关键参数的获取方法的基本步骤流程图；
图2为纯电动汽车的控制系统架构图；
图3为本发明实施例的试验台架的组成框图；
图4为本发明实施例的第一径向基函数神经网络的架构图；
图5为本发明实施例的第二径向基函数神经网络的架构图；
图6为本发明实施例的第三径向基函数神经网络的架构图；
图7为本发明实施例的永磁同步电机关键参数的获取装置的组成结构示意图之一；
图8为本发明实施例的永磁同步电机关键参数的获取装置的组成结构示意图之二。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
第一实施例
如图1所示，为本发明实施例的永磁同步电机关键参数的获取方法的流程图，应用于电动汽车。下面就该图具体说明该方法的实施过程。
需说明的是，电机的关键参数包括：定子电阻Rs、电机磁链ψs、直轴电感Ld和交轴电感Lq。
步骤101，获取永磁同步电机当前的电机温度T0、直轴电流id0以及交轴电流iq0。
这里，永磁同步电机当前的电机温度T0可通过电动汽车上的电机控制器监测得到；电机控制器可根据永磁同步电机反馈的三相电流信号解析出当前的直轴电流id0和交轴电流iq0。
步骤102，将所述电机温度T0、所述直轴电流id0以及所述交轴电流iq0作为输入，分别通过三个各自独立的、预先创建的径向基函数神经网络，对应得到所述永磁同步电机当前的电机磁链ψs0、直轴电感Ld0以及交轴电感Lq0。
需说明的是，电机温度T、直轴电流id以及交轴电流iq同电机磁链ψs、直轴电感Ld以及交轴电感Lq之间存在着复杂的非线性关系，无法通过一般方式精确描述，而神经网络具有非线性的基本特性，对于解决非线性问题具有天然的优势，且径向基函数(RBF，RadialBasis Function)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(Back Propagation，反向传播)神经网络的局部最优问题。
这里需要说明的是，本发明提供的永磁同步电机关键参数获取方法适用于具有如图2所示的控制系统构架的纯电动汽车。
如图2所示，该构架中，纯电动汽车由整车控制器(VCU，Vehicle Control Unit))主导完成，实现对车辆的控制。整车控制器根据电池管理系统(BMS，Battery ManagementSystem)、电机控制器(MCU，Moter Control Unit)反馈的动力电池及驱动系统状态信息，以及其它零部件的状态(其它零部件在构架框图中被省略)，根据预先制定的控制逻辑实现对整车的控制。
例如，在行车模式下，整车控制器接收并解析加速踏板、档位信息，并根据自身状态向电机控制器发送扭矩命令，电机控制器根据该命令驱动电机工作；充电模式下，整车控制器通过与电池管理系统的信息交互实现车辆的充电功能等。
另外，还可将电池管理系统、整车控制器与电机控制器进行功能整合，利用一个集成控制器来完成以上三个控制器的所有功能，具体见图中虚线框内部，本发明同样适用于具有该控制系统构架的纯电动汽车。
本发明实施例提供的永磁同步电机关键参数的获取方法，根据永磁同步电机当前的电机温度、直轴电流以及交轴电流，通过预先创建的径向基函数神经网络，便可获得永磁同步电机准确的关键参数信息，有效地降低了对控制器RAM空间的需求，极大地节省控制器RAM空间资源，尤其适用于控制器RAM资源紧张的状况。
优选的，本发明实施例的永磁同步电机关键参数的获取方法，还可包括：
步骤103，根据所述电机温度T0以及预先记录的电机温度T与定子电阻Rs之间的第一对应关系，获取当前所述永磁同步电机的定子电阻值Rs0。
这里，具体的，预先记录的电机温度T与定子电阻Rs之间的第一对应关系可被制作成表格，用于控制过程中的实时查询。
需要说明的是，定子电阻Rs基本上仅受电机温度T的影响，定子电阻Rs与电机温度T间的对应关系呈单调变化，较为简单，故通过查表方式获得定子电阻Rs，可在保证满足实际需求的基础上能够将查询表控制在合理的大小范围。
进一步的，本发明实施例的永磁同步电机关键参数的获取方法，在步骤101之前，还可包括：
步骤104，获取所述永磁同步电机的电机状态参数的试验样本数据，所述电机状态参数包括：直轴电压Ud、交轴电压Uq、直轴电流id、交轴电流iq、电机温度T、电机扭矩Te和电机转速ω。
这里需要说明的是，电机状态参数的试验样本数据可通过预先建立的试验台架获取。
具体的，如图3所示，为试验台架的组成框图。图中永磁同步电机分别与控制器(电机控制器或集成控制器)、测功机相连接。
其中，控制器接收直轴电压Ud命令、交轴电压Uq命令来控制永磁同步电机工作，并且控制器根据永磁同步电机反馈的三相电流信号解析出当前的直轴电流id值、交轴电流iq值，同时控制器还对当前的电机温度T进行监测；测功机则实时监测永磁同步电机的当前电机扭矩Te输出及电机转速ω。
需要说明的是，直轴电压命令、交轴电压命令一般是人为给定的，也就是通过上位机人为输入命令。
步骤105，对所述试验样本数据进行预设算法处理，得到所述永磁同步电机的直轴电流id、交轴电流iq以及电机温度T与关键参数的第二对应关系。
这里，步骤105可具体包括：
步骤1051，将直轴电压Ud、交轴电压Uq、直轴电流id、交轴电流iq、电机扭矩Te和电机转速ω分别代入公式：
Ud＝Rsid-ωLqiq、Uq＝Rsiq+ωLdid+ωψs和得到所述永磁同步电机的直轴电流id、交轴电流iq以及电机温度T与关键参数的第二对应关系[id iq T Rs Ld Lq ψs]；
其中，np为所述永磁同步电机的极对数，Rs根据预先记录的电机温度T与定子电阻Rs之间的第一对应关系得到。
需要说明的是，永磁同步电机的电压方程为式一：
考虑到本发明实施例进行数据采集时电机已达到稳态，因此电压方程可简化为步骤1051中的形式，具体为式二：
Ud＝Rsid-ωLqiq；
Uq＝Rsiq+ωLdid+ωψs。
根据上述式二，在不同的温度条件下人为的给定直轴电压命令、交轴电压命令，同时通过操作测功机使电机处于堵转状态，即ω＝0，此时，电压方程变为式三：
Ud＝Rsid；
Uq＝Rsiq。
其中，id与iq可通过永磁同步电机反馈的三相电流信号变化得到。这样，式三中的未知量仅为Rs，故根据式三能够得到不同温度条件下的定子电阻，也就是得到定子电阻与电机温度的第一对应关系，将其制作成表格，用于后续实际控制过程中的实时查询。这里，本发明实施例中定子电阻Rs可作为已知量对待。
还需要说明的是，永磁同步电机的扭矩方程式四为：
所以，在给定的直轴电压命令、交轴电压命令，且永磁同步电机达到稳态后得到以下关系，即式五为：
Ud＝Rsid-ωLqiq；
Uq＝Rsiq+ωLdid+ωψs；
这里，式五中除Ld、Lq和ψs外均为已知量，因此通过求解该三元一次方程能够获得特定状态(不同电机温度及直轴电流、交轴电流)下的电机关键参数信息，即式六为：
[id iq T Rs Ld Lq ψs]
式六为电机状态与关键参数之间的第二对应关系。
步骤106，根据所述第二对应关系，分别创建第一径向基函数神经网络、第二径向基函数神经网络和第三径向基神经网络。
其中，所述第一径向基函数神经网络、第二径向基函数神经网络和第三径向基神经网络的输入矢量均为直轴电流id、交轴电流iq以及电机温度T；所述第一径向基函数神经网络的输出矢量为电机磁链ψs，所述第二径向基函数神经网络的输出矢量为直轴电感Ld，所述第三径向基函数神经网络的输出矢量为交轴电感Lq。
本发明实施例中采用三个独立的径向基函数神经网络，即第一径向基函数神经网络、第二径向基函数神经网络及第三径向基函数神经网络，来计算得到永磁同步电机的关键参数，原因在于，独立的径向基函数神经网络具有机构简单、计算量小的特点，其隐层的神经元易确定，并且在前期神经网络训练过程中容易达到收敛。若采用一个径向基函数神经网络来计算电机磁链、交直轴电感，则该神经网络的复杂程度与实际应用过程中所产生的计算量不易得到控制。
具体的，步骤106中可具体包括三组并列的步骤，分别为步骤1061、1062，步骤1063、1064及步骤1065、1066。
其中，步骤1061，根据建立第一初始径向基函数神经网络，
x为输入矢量，x＝[id iq T]T；
为电机磁链ψs的网络输出；
为第一权重；l为隐层神经元数量，l＝7；
为第一中心矢量；
为输入矢量到第一中心矢量的距离；φ为径向基函数；
步骤1062，根据所述第二对应关系中的[id iq T ψs]，对所述第一初始径向基函数神经网络进行训练，得到第一径向基函数神经网络。
这里，在试验台架条件下通过台架试验得到大量的有效数据，即[id iq T ψs]信息，利用上述有效数据作为基础数据对第一初始径向基函数神经网络进行训练，得到收敛的第一径向基函数神经网络。
这里需要说明的是，第一径向基函数神经网络的架构图，如图4所示。
步骤1063，根据建立第二初始径向基函数神经网络，
x为输入矢量，x＝[id iq T]T；
为直轴电感Ld的网络输出；
为第二权重；l为隐层神经元数量，l＝7；
为第二中心矢量；
为输入矢量到第二中心矢量的距离；φ为径向基函数；
步骤1064，根据所述第二对应关系中的[id iq T Ld]，对所述第二初始径向基函数神经网络进行训练，得到第二径向基函数神经网络。
这里，在试验台架条件下通过台架试验得到大量的有效数据，即[id iq T Ld]信息，利用上述有效数据作为基础数据对第二初始径向基函数神经网络进行训练，得到收敛的第二径向基函数神经网络。
这里需要说明的是，第二径向基函数神经网络的架构图，如图5所示。
步骤1065，根据建立第三初始径向基函数神经网络，
x为输入矢量，x＝[id iq T]T；
为交轴电感Lq的网络输出；
为第三权重；l为隐层神经元数量，l＝7；
为第三中心矢量；
为输入矢量到第三中心矢量的距离；φ为径向基函数；
步骤1066，根据所述第二对应关系中的[id iq T Lq]，对所述第三初始径向基函数神经网络进行训练，得到第三径向基函数神经网络。
这里，在试验台架条件下通过台架试验得到大量的有效数据，即[id iq T Lq]信息，利用上述有效数据作为基础数据对第三初始径向基函数神经网络进行训练，得到收敛的第三径向基函数神经网络。
这里需要说明的是，第三径向基函数神经网络的架构图，如图6所示。
这里，第一径向基函数神经网络、第二径向基函数神经网络和第三径向基函数神经网络均包括：输入层、输出层和隐层；其中，输入层的输入变量的个数为3，输出层的输出变量的个数为1，隐层的神经元个数为7。
第二实施例
如图7所示，为本发明实施例提供一种永磁同步电机关键参数的获取装置，包括：
第一获取模块201，用于获取永磁同步电机当前的电机温度T0、直轴电流id0以及交轴电流iq0；
第二获取模块202，用于将所述电机温度T0、所述直轴电流id0以及所述交轴电流iq0作为输入，分别通过三个各自独立的、预先创建的径向基函数神经网络，对应得到所述永磁同步电机当前的电机磁链ψs0、直轴电感Ld0以及交轴电感Lq0。
具体的，如图8所示，本发明实施例的永磁同步电机关键参数的获取装置还可包括：
第三获取模块203，用于根据所述电机温度T0以及预先记录的电机温度T与定子电阻Rs之间的第一对应关系，获取当前所述永磁同步电机的定子电阻值Rs0。
具体的，本发明实施例的永磁同步电机关键参数的获取装置还可包括：
第四获取模块204，用于在获取永磁同步电机当前的电机温度T0、直轴电流id0以及交轴电流iq0之前，获取所述永磁同步电机的电机状态参数的试验样本数据，所述电机状态参数包括：直轴电压Ud、交轴电压Uq、直轴电流id、交轴电流iq、电机温度T、电机扭矩Te和电机转速ω；
处理模块205，用于对所述试验样本数据进行预设算法处理，得到所述永磁同步电机的直轴电流id、交轴电流iq以及电机温度T与关键参数的第二对应关系；
网络创建模块206，用于根据所述第二对应关系，分别创建第一径向基函数神经网络、第二径向基函数神经网络和第三径向基神经网络；
其中，所述第一径向基函数神经网络、第二径向基函数神经网络和第三径向基神经网络的输入矢量均为直轴电流id、交轴电流iq以及电机温度T；所述第一径向基函数神经网络的输出矢量为电机磁链ψs，所述第二径向基函数神经网络的输出矢量为直轴电感Ld，所述第三径向基函数神经网络的输出矢量为交轴电感Lq。
这里，所述处理模块205还可具体包括：
计算处理子模块2051，用于将直轴电压Ud、交轴电压Uq、直轴电流id、交轴电流iq、电机扭矩Te和电机转速ω分别代入公式：
Ud＝Rsid-ωLqiq、Uq＝Rsiq+ωLdid+ωψs和得到所述永磁同步电机的直轴电流id、交轴电流iq以及电机温度T与关键参数的第二对应关系[id iq T Rs Ld Lq ψs]；
其中，np为所述永磁同步电机的极对数，Rs根据预先记录的电机温度T与定子电阻Rs之间的第一对应关系得到。
这里，所述网络创建模块206还可具体包括：
第一网络初建子模块2061，用于根据建立第一初始径向基函数神经网络，
x为输入矢量，x＝[id iq T]T；
为电机磁链ψs的网络输出；
为第一权重；l为隐层神经元数量，l＝7；
为第一中心矢量；
为输入矢量到第一中心矢量的距离；φ为径向基函数；
第一网络获取子模块2062，用于根据所述第二对应关系中的[id iq T ψs]，对所述第一初始径向基函数神经网络进行训练，得到第一径向基函数神经网络。
这里，所述网络创建模块206还可具体包括：
第二网络初建子模块2063，用于根据建立第二初始径向基函数神经网络，
x为输入矢量，x＝[id iq T]T；
为直轴电感Ld的网络输出；
为第二权重；l为隐层神经元数量，l＝7；
为第二中心矢量；
为输入矢量到第二中心矢量的距离；φ为径向基函数；
第二网络获取子模块2064，用于根据所述第二对应关系中的[id iq T Ld]，对所述第二初始径向基函数神经网络进行训练，得到第二径向基函数神经网络。
这里，所述网络创建模块206还可具体包括：
第三网络初建子模块2065，用于根据建立第三初始径向基函数神经网络，x为输入矢量，x＝[id iq T]T；为交轴电感Lq的网络输出；为第三权重；l为隐层神经元数量，l＝7；为第三中心矢量；为输入矢量到第三中心矢量的距离；φ为径向基函数；
第三网络获取子模块2066，用于根据所述第二对应关系中的[id iq T Lq]，对所述第三初始径向基函数神经网络进行训练，得到第三径向基函数神经网络。
本发明实施例提供的永磁同步电机关键参数的获取装置，根据第一获取模块获取的永磁同步电机当前的电机温度、直轴电流以及交轴电流，通过第二获取模块预先创建的径向基函数神经网络，便可获得永磁同步电机准确的关键参数信息，有效地降低了对控制器RAM空间的需求，极大地节省控制器RAM空间资源，尤其适用于控制器RAM资源紧张的状况。
本发明实施例还提供一种电动汽车，包括上述实施例所述的永磁同步电机关键参数的获取装置。
以上所述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，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (15)

1.一种永磁同步电机关键参数的获取方法，所述关键参数包括：定子电阻、电机磁链、直轴电感和交轴电感，应用于电动汽车，其特征在于，包括：
获取永磁同步电机当前的电机温度T0、直轴电流id0以及交轴电流iq0；
将所述电机温度T0、所述直轴电流id0以及所述交轴电流iq0作为输入，分别通过三个各自独立的、预先创建的径向基函数神经网络，对应得到所述永磁同步电机当前的电机磁链ψs0、直轴电感Ld0以及交轴电感Lq0。
2.根据权利要求1所述的永磁同步电机关键参数的获取方法，其特征在于，所述方法还包括：
根据所述电机温度T0以及预先记录的电机温度T与定子电阻Rs之间的第一对应关系，获取当前所述永磁同步电机的定子电阻值Rs0。
3.根据权利要求1所述的永磁同步电机关键参数的获取方法，其特征在于，所述获取永磁同步电机当前的电机温度T0、直轴电流id0以及交轴电流iq0的步骤之前，所述方法还包括：
获取所述永磁同步电机的电机状态参数的试验样本数据，所述电机状态参数包括：直轴电压Ud、交轴电压Uq、直轴电流id、交轴电流iq、电机温度T、电机扭矩Te和电机转速ω；
对所述试验样本数据进行预设算法处理，得到所述永磁同步电机的直轴电流id、交轴电流iq以及电机温度T与关键参数的第二对应关系；
根据所述第二对应关系，分别创建第一径向基函数神经网络、第二径向基函数神经网络和第三径向基神经网络；
其中，所述第一径向基函数神经网络、第二径向基函数神经网络和第三径向基神经网络的输入矢量均为直轴电流id、交轴电流iq以及电机温度T；所述第一径向基函数神经网络的输出矢量为电机磁链ψs，所述第二径向基函数神经网络的输出矢量为直轴电感Ld，所述第三径向基函数神经网络的输出矢量为交轴电感Lq。
4.根据权利要求3所述的永磁同步电机关键参数的获取方法，其特征在于，所述对所述试验样本数据进行预设算法处理，得到所述永磁同步电机的直轴电流id、交轴电流iq以及电机温度T与关键参数的第二对应关系的步骤包括：
将直轴电压Ud、交轴电压Uq、直轴电流id、交轴电流iq、电机扭矩Te和电机转速ω分别代入公式：
Ud＝Rsid-ωLqiq、Uq＝Rsiq+ωLdid+ωψs和得到所述永磁同步电机的直轴电流id、交轴电流iq以及电机温度T与关键参数的第二对应关系[id iqT Rs Ld Lq ψs]；
其中，np为所述永磁同步电机的极对数，Rs根据预先记录的电机温度T与定子电阻Rs之间的第一对应关系得到。
5.根据权利要求4所述的永磁同步电机关键参数的获取方法，其特征在于，根据所述第二对应关系，创建第一径向基函数神经网络的步骤包括：
根据建立第一初始径向基函数神经网络，
x为输入矢量，x＝[id iq T]Τ；
为电机磁链ψs的网络输出；
为第一权重；l为隐层神经元数量，l＝7；
为第一中心矢量；
为输入矢量到第一中心矢量的距离；φ为径向基函数；
根据所述第二对应关系中的[id iq T ψs]，对所述第一初始径向基函数神经网络进行训练，得到第一径向基函数神经网络。
6.根据权利要求4所述的永磁同步电机关键参数的获取方法，其特征在于，根据所述第二对应关系，创建第二径向基函数神经网络的步骤包括：
根据建立第二初始径向基函数神经网络，
x为输入矢量，x＝[id iq T]Τ；
为直轴电感Ld的网络输出；
为第二权重；l为隐层神经元数量，l＝7；
为第二中心矢量；
为输入矢量到第二中心矢量的距离；φ为径向基函数；
根据所述第二对应关系中的[id iq T Ld]，对所述第二初始径向基函数神经网络进行训练，得到第二径向基函数神经网络。
7.根据权利要求4所述的永磁同步电机关键参数的获取方法，其特征在于，根据所述第二对应关系，创建第三径向基函数神经网络的步骤包括：
根据建立第三初始径向基函数神经网络，
x为输入矢量，x＝[id iq T]T；
为交轴电感Lq的网络输出；
为第三权重；l为隐层神经元数量，l＝7；
为第三中心矢量；
为输入矢量到第三中心矢量的距离；φ为径向基函数；
根据所述第二对应关系中的[id iq T Lq]，对所述第三初始径向基函数神经网络进行训练，得到第三径向基函数神经网络。
8.一种永磁同步电机关键参数的获取装置，其特征在于，包括：
第一获取模块，用于获取永磁同步电机当前的电机温度T0、直轴电流id0以及交轴电流iq0；
第二获取模块，用于将所述电机温度T0、所述直轴电流id0以及所述交轴电流iq0作为输入，分别通过三个各自独立的、预先创建的径向基函数神经网络，对应得到所述永磁同步电机当前的电机磁链ψs0、直轴电感Ld0以及交轴电感Lq0。
9.根据权利要求8所述的永磁同步电机关键参数的获取装置，其特征在于，所述获取装置还包括：
第三获取模块，用于根据所述电机温度T0以及预先记录的电机温度T与定子电阻Rs之间的第一对应关系，获取当前所述永磁同步电机的定子电阻值Rs0。
10.根据权利要求8所述的永磁同步电机关键参数的获取装置，其特征在于，所述获取装置还包括：
第四获取模块，用于在获取永磁同步电机当前的电机温度T0、直轴电流id0以及交轴电流iq0之前，获取所述永磁同步电机的电机状态参数的试验样本数据，所述电机状态参数包括：直轴电压Ud、交轴电压Uq、直轴电流id、交轴电流iq、电机温度T、电机扭矩Te和电机转速ω；
处理模块，用于对所述试验样本数据进行预设算法处理，得到所述永磁同步电机的直轴电流id、交轴电流iq以及电机温度T与关键参数的第二对应关系；
网络创建模块，用于根据所述第二对应关系，分别创建第一径向基函数神经网络、第二径向基函数神经网络和第三径向基神经网络；
其中，所述第一径向基函数神经网络、第二径向基函数神经网络和第三径向基神经网络的输入矢量均为直轴电流id、交轴电流iq以及电机温度T；所述第一径向基函数神经网络的输出矢量为电机磁链ψs，所述第二径向基函数神经网络的输出矢量为直轴电感Ld，所述第三径向基函数神经网络的输出矢量为交轴电感Lq。
11.根据权利要求10所述的永磁同步电机关键参数的获取装置，其特征在于，所述处理模块包括：
计算处理子模块，用于将直轴电压Ud、交轴电压Uq、直轴电流id、交轴电流iq、电机扭矩Te和电机转速ω分别代入公式：
Ud＝Rsid-ωLqiq、Uq＝Rsiq+ωLdid+ωψs和得到所述永磁同步电机的直轴电流id、交轴电流iq以及电机温度T与关键参数的第二对应关系[id iqT Rs Ld Lq ψs]；
其中，np为所述永磁同步电机的极对数，Rs根据预先记录的电机温度T与定子电阻Rs之间的第一对应关系得到。
12.根据权利要求11所述的永磁同步电机关键参数的获取装置，其特征在于，所述网络创建模块包括：
第一网络初建子模块，用于根据建立第一初始径向基函数神经网络，
x为输入矢量，x＝[id iq T]T；
为电机磁链ψs的网络输出；
为第一权重；l为隐层神经元数量，l＝7；
为第一中心矢量；
为输入矢量到第一中心矢量的距离；φ为径向基函数；
第一网络获取子模块，用于根据所述第二对应关系中的[id iq T ψs]，对所述第一初始径向基函数神经网络进行训练，得到第一径向基函数神经网络。
13.根据权利要求11所述的永磁同步电机关键参数的获取装置，其特征在于，所述网络创建模块包括：
第二网络初建子模块，用于根据建立第二初始径向基函数神经网络，
x为输入矢量，x＝[id iq T]T；
为直轴电感Ld的网络输出；
为第二权重；l为隐层神经元数量，l＝7；
为第二中心矢量；
为输入矢量到第二中心矢量的距离；φ为径向基函数；
第二网络获取子模块，用于根据所述第二对应关系中的[id iq T Ld]，对所述第二初始径向基函数神经网络进行训练，得到第二径向基函数神经网络。
14.根据权利要求11所述的永磁同步电机关键参数的获取装置，其特征在于，所述网络创建模块包括：
第三网络初建子模块，用于根据建立第三初始径向基函数神经网络，x为输入矢量，x＝[id iq T]T；为交轴电感Lq的网络输出；为第三权重；l为隐层神经元数量，l＝7；为第三中心矢量；为输入矢量到第三中心矢量的距离；φ为径向基函数；
第三网络获取子模块，用于根据所述第二对应关系中的[id iq T Lq]，对所述第三初始径向基函数神经网络进行训练，得到第三径向基函数神经网络。
15.一种电动汽车，其特征在于，包括如权利要求8～14任一项所述的永磁同步电机关键参数的获取装置。
CN201710046374.0A 2017-01-22 2017-01-22 一种永磁同步电机关键参数的获取方法、装置及电动汽车 Active CN106712627B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710046374.0A CN106712627B (zh) 2017-01-22 2017-01-22 一种永磁同步电机关键参数的获取方法、装置及电动汽车

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710046374.0A CN106712627B (zh) 2017-01-22 2017-01-22 一种永磁同步电机关键参数的获取方法、装置及电动汽车

Publications (2)

Publication Number Publication Date
CN106712627A true CN106712627A (zh) 2017-05-24
CN106712627B CN106712627B (zh) 2019-05-14

Family

ID=58910041

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710046374.0A Active CN106712627B (zh) 2017-01-22 2017-01-22 一种永磁同步电机关键参数的获取方法、装置及电动汽车

Country Status (1)

Country Link
CN (1) CN106712627B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107147342A (zh) * 2017-05-31 2017-09-08 合肥申芯电子技术有限责任公司 一种感应电机参数辨识系统及方法
CN107359838A (zh) * 2017-08-28 2017-11-17 南京理工大学 一种基于有限元分析法的超高速永磁同步电机无传感器转速和位置估计方法
CN107957723A (zh) * 2017-12-22 2018-04-24 南京安润朴新能源科技有限公司 电机控制器的性能测试系统、主系统和测试方法
CN108181587A (zh) * 2018-01-29 2018-06-19 东风特汽（十堰）专用车有限公司 永磁同步电机定子直轴电感和交轴电感的标定方法及装置
CN108528451A (zh) * 2018-03-22 2018-09-14 北京新能源汽车股份有限公司 一种自适应巡航控制方法、装置及电动汽车
GB2579633A (en) * 2018-12-07 2020-07-01 Trw Ltd A method of characterising a permanent magnet synchronous motor
CN111510026A (zh) * 2019-01-31 2020-08-07 北京新能源汽车股份有限公司 一种永磁同步电机输出扭矩估算方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102075136A (zh) * 2011-01-10 2011-05-25 江苏大学 一种无轴承永磁同步电机磁链的软测量方法
CN102710208A (zh) * 2012-06-01 2012-10-03 杭州万工科技有限公司 基于温度变化的永磁同步电机自适应控制方法
CN103248306A (zh) * 2013-05-24 2013-08-14 天津大学 永磁同步电机多参数解耦在线辨识方法
CN104378038A (zh) * 2014-11-18 2015-02-25 东华大学 基于人工神经网络的永磁同步电机参数辨识方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102075136A (zh) * 2011-01-10 2011-05-25 江苏大学 一种无轴承永磁同步电机磁链的软测量方法
CN102710208A (zh) * 2012-06-01 2012-10-03 杭州万工科技有限公司 基于温度变化的永磁同步电机自适应控制方法
CN103248306A (zh) * 2013-05-24 2013-08-14 天津大学 永磁同步电机多参数解耦在线辨识方法
CN104378038A (zh) * 2014-11-18 2015-02-25 东华大学 基于人工神经网络的永磁同步电机参数辨识方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张志超: "永磁同步电机直接转矩控制方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
谷鑫等: "基于神经网络的永磁同步电机多参数解耦在线辨识", 《电工技术学报》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107147342A (zh) * 2017-05-31 2017-09-08 合肥申芯电子技术有限责任公司 一种感应电机参数辨识系统及方法
CN107147342B (zh) * 2017-05-31 2019-08-30 合肥申芯电子技术有限责任公司 一种感应电机参数辨识系统及方法
CN107359838A (zh) * 2017-08-28 2017-11-17 南京理工大学 一种基于有限元分析法的超高速永磁同步电机无传感器转速和位置估计方法
CN107957723A (zh) * 2017-12-22 2018-04-24 南京安润朴新能源科技有限公司 电机控制器的性能测试系统、主系统和测试方法
CN108181587A (zh) * 2018-01-29 2018-06-19 东风特汽（十堰）专用车有限公司 永磁同步电机定子直轴电感和交轴电感的标定方法及装置
CN108528451A (zh) * 2018-03-22 2018-09-14 北京新能源汽车股份有限公司 一种自适应巡航控制方法、装置及电动汽车
GB2579633A (en) * 2018-12-07 2020-07-01 Trw Ltd A method of characterising a permanent magnet synchronous motor
GB2579633B (en) * 2018-12-07 2023-02-01 Zf Automotive Uk Ltd A method of characterising a permanent magnet synchronous motor
CN111510026A (zh) * 2019-01-31 2020-08-07 北京新能源汽车股份有限公司 一种永磁同步电机输出扭矩估算方法及系统
CN111510026B (zh) * 2019-01-31 2022-05-17 北京新能源汽车股份有限公司 一种永磁同步电机输出扭矩估算方法及系统

Also Published As

Publication number Publication date
CN106712627B (zh) 2019-05-14

Similar Documents

Publication Publication Date Title
CN106712627A (zh) 一种永磁同步电机关键参数的获取方法、装置及电动汽车
Zhu et al. Comprehensive sensitivity analysis and multiobjective optimization research of permanent magnet flux-intensifying motors
Deng et al. Advanced angle field weakening control strategy of permanent magnet synchronous motor
CN107645259A (zh) 一种电动汽车用驱动电机转矩闭环控制方法
CN103427751B (zh) 永磁同步电机静态参数在线辨识的装置与方法
CN107896080A (zh) 内嵌式永磁同步电机mtpa曲线拟合方法及控制系统
Peters et al. A precise open-loop torque control for an interior permanent magnet synchronous motor (IPMSM) considering iron losses
CN105021406B (zh) 一种基于行驶工况的电动汽车再生制动系统测试方法
CN106100482A (zh) 一种电机控制方法、系统及车辆
CN110112975B (zh) 一种电机参数在线辨识方法及系统
CN111245321A (zh) 内嵌式永磁同步电机的最大转矩电流比及弱磁标定方法
CN103986400B (zh) 基于二维模糊控制的模型参考自适应系统参数自整定方法
Adeoye et al. Design, simulation and implementation of a PID vector control for EHVPMSM for an automobile with hybrid technology
CN110442944A (zh) 一种基于多工况运行的变漏磁永磁同步电机的建模方法
Tarvirdilu-Asl et al. Efficiency analysis of induction motor control strategies using a system-level EV model
Zwerger et al. Combining an internal SMC with an external MTPA control loop for an interior PMSM
Li et al. Sizing of modular cascade machines system for electric vehicles
CN105553365A (zh) 一种永磁无刷电机参数自动辨识控制方法
CN106934174A (zh) 一种电力推进船舶实验平台的建模及稳定性分析方法
CN107959456A (zh) 一种电动汽车的永磁同步电机控制策略
CN105227023B (zh) 一种永磁同步电机交直轴电感在线辨识方法和系统
CN107482978A (zh) 一种基于有限时间算法的永磁同步电机在线参数辨识方法
Balamurali et al. Online multi-parameter identification of permanent magnet synchronous motors in EV application considering iron losses
CN109495040A (zh) 基于动态电感的电机pi控制参数整定方法
CN108092574A (zh) 基于能量平衡的电动汽车用永磁同步电机控制系统及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant