CN106953575A - 一种迭代学习的直接转矩控制方法与装置 - Google Patents
一种迭代学习的直接转矩控制方法与装置 Download PDFInfo
- Publication number
- CN106953575A CN106953575A CN201710149840.8A CN201710149840A CN106953575A CN 106953575 A CN106953575 A CN 106953575A CN 201710149840 A CN201710149840 A CN 201710149840A CN 106953575 A CN106953575 A CN 106953575A
- Authority
- CN
- China
- Prior art keywords
- torque
- flux linkage
- voltage vector
- vector
- increment
- 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
- 239000013598 vector Substances 0.000 claims abstract description 161
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 5
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 5
- 230000004907 flux Effects 0.000 claims description 107
- 238000000034 method Methods 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 19
- 230000002194 synthesizing effect Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 239000000835 fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- H02P27/00—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage
- H02P27/04—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage using variable-frequency supply voltage, e.g. inverter or converter supply voltage
- H02P27/06—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage using variable-frequency supply voltage, e.g. inverter or converter supply voltage using dc to ac converters or inverters
- H02P27/08—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage using variable-frequency supply voltage, e.g. inverter or converter supply voltage using dc to ac converters or inverters with pulse width modulation
- H02P27/12—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage using variable-frequency supply voltage, e.g. inverter or converter supply voltage using dc to ac converters or inverters with pulse width modulation pulsing by guiding the flux vector, current vector or voltage vector on a circle or a closed curve, e.g. for direct torque control
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Control Of Ac Motors In General (AREA)
Abstract
本发明公开了一种迭代学习的直接转矩控制方法与装置包括：使用迭代学习控制器与目标电压矢量计算单元确定输出的两相目标电压矢量；将两相目标电压矢量转化为三相参考电压矢量；确定三相参考电压矢量所在的扇区；在三相参考电压矢量所在的扇区内选择基本电压矢量参与合成目标参考电压矢量。本发明能够简化参数整定，缩小工作量。
Description
技术领域
本发明涉及机电技术领域，特别地，涉及一种迭代学习的直接转矩控制方法与装置。
背景技术
直接转矩控制具有结构简单、转矩响应快和鲁棒性强等优点，自提出以来就受到了广泛的关注。传统的直接转矩控制采用磁链滞环和转矩滞环比较，根据滞环输出选择已定的电压矢量开关表。由于开关表只有8种基本电压矢量，不可避免的造成了磁链和转矩的脉动。引入滞环控制，也导致在固定的采样周期内，开关频率不恒定，无法充分利用功率器件的容量，产生不同阶次的谐波。
现有技术引入空间电压矢量调制技术(space vector modulation，SVM)，通过矢量合成获得更多的、连续变化的电压空间矢量，从而更精确的控制磁链和转矩，可以有效的减小磁链畸变和转矩脉动。但是现有技术采用了两个PI调节器生成目标电压矢量，由于积分环节的引入会使系统动态性能变差，而且两个PI环节互相影响，参数整定复杂。转矩角的增量的大小受到两个串级形式的PI调节器参数的影响，而在DTC中，转矩角控制的好坏直接影响到了最终转矩的控制效果。由于电机的SVM-DTC系统为非线性系统，要得出具体的控制模型并计算出精确的传递函数非常困难，所以目前对于两组PI参数只能进行一些大致方向的整定。一旦电机参数发生变化，原先的PI参数将不再适用，这无疑使得工作量大大增加。
针对现有技术中PI调节器参数经常调整导致工作量过大的问题，目前尚未有有效的解决方案。
发明内容
有鉴于此，本发明的目的在于提出一种迭代学习的直接转矩控制方法与装置，能够简化参数整定，缩小工作量。
基于上述目的，本发明提供的技术方案如下：
根据本发明的一个方面，提供了一种迭代学习的直接转矩控制方法，包括：
使用迭代学习控制器与目标电压矢量计算单元确定输出的两相目标电压矢量；
将两相目标电压矢量转化为三相参考电压矢量；
确定三相参考电压矢量所在的扇区；
在三相参考电压矢量所在的扇区内选择基本电压矢量参与合成目标参考电压矢量。
在一些实施方式中，所述使用迭代学习控制器与目标电压矢量计算单元确定输出的两相目标电压矢量包括：
观测磁链，获得估算定子磁链矢量；
根据磁链与迭代学习控制器获得参考定子磁链矢量；
根据参考定子磁链矢量与估算定子磁链矢量获得定子磁链偏差；
根据定子磁链转矩角确定电磁转矩；
根据定子磁链偏差与电磁转矩确定两相目标电压矢量。
在一些实施方式中，所述根据磁链与迭代学习控制器获得参考定子磁链矢量包括：
根据转速增量确定电磁转矩增量；
以所述迭代学习控制器处理电磁转矩增量，获得转矩角增量；
根据磁链与转矩角增量获得参考定子磁链矢量。
在一些实施方式中，所述以迭代学习控制器处理电磁转矩增量，获得转矩角增量包括：
对电磁转矩增量与转矩角增量建立重复运行的迭代学习控制系统；
以开环P型学习增益处理某一次系统运行得到的转矩角增量，获得增益函数；
根据该次系统运行得到的转矩角增量、转矩角、参考定子磁链矢量、确定该次系统运行得到的电磁转矩增量；
将该次系统运行得到的转矩角增量与增益函数叠加，获得下一次系统运行得到的转矩角增量，重复执行上述步骤，直到迭代收敛。
在一些实施方式中，所述迭代收的条件为当电磁转矩对转矩角的偏导与开环P型学习增益的积、与1之差的绝对值小于1时，迭代收敛。
根据本发明的另一个方面，提供了一种迭代学习的直接转矩控制装置，包括：
计算模块，用于迭代学习控制器与目标电压矢量计算单元确定输出的两相目标电压矢量；
变换模块，用于将两相目标电压矢量转化为三相参考电压矢量；
定位模块，用于确定三相参考电压矢量所在的扇区；
合成模块，用于在三相参考电压矢量所在的扇区内选择基本电压矢量参与合成目标参考电压矢量。
在一些实施方式中，所述计算模块的工作步骤包括：
观测磁链，获得估算定子磁链矢量；
根据磁链与迭代学习控制器获得参考定子磁链矢量；
根据参考定子磁链矢量与估算定子磁链矢量获得定子磁链偏差；
根据定子磁链转矩角确定电磁转矩；
根据定子磁链偏差与电磁转矩确定两相目标电压矢量。
在一些实施方式中，所述根据磁链与迭代学习控制器获得参考定子磁链矢量包括：
根据转速增量确定电磁转矩增量；
以所述迭代学习控制器处理电磁转矩增量，获得转矩角增量；
根据磁链与转矩角增量获得参考定子磁链矢量。
在一些实施方式中，所述以迭代学习控制器处理电磁转矩增量，获得转矩角增量包括：
对电磁转矩增量与转矩角增量建立重复运行的迭代学习控制系统；
以开环P型学习增益处理某一次系统运行得到的转矩角增量，获得增益函数；
根据该次系统运行得到的转矩角增量、转矩角、参考定子磁链矢量、确定该次系统运行得到的电磁转矩增量；
将该次系统运行得到的转矩角增量与增益函数叠加，获得下一次系统运行得到的转矩角增量，重复执行上述步骤，直到迭代收敛。
在一些实施方式中，所述迭代收的条件为当电磁转矩对转矩角的偏导与开环P型学习增益的积、与1之差的绝对值小于1时，迭代收敛。
从上面所述可以看出，本发明提供的技术方案通过使用迭代学习控制器与目标电压矢量计算单元确定输出的两相目标电压矢量转化为三相参考电压矢量，确定所在的扇区并选择基本电压矢量参与合成目标参考电压矢量的技术手段，能够简化参数整定，缩小工作量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本发明实施例的一种迭代学习的直接转矩控制方法的流程图；
图2为根据本发明实施例的一种迭代学习的直接转矩控制方法中，SVM的工作原理图；
图3为根据本发明实施例的一种迭代学习的直接转矩控制方法中，SVM-DTC的结构框图；
图4为根据本发明实施例的一种迭代学习的直接转矩控制方法中，开环迭代学习的控制原理图；
图5为根据本发明实施例的一种迭代学习的直接转矩控制方法中，基于ILC的固定开关频率直接转矩控制结构框图；
图6为根据本发明实施例的一种迭代学习的直接转矩控制方法中，迭代学习控制器的结构图；
图7为根据本发明实施例的一种迭代学习的直接转矩控制装置的结构框图；
图8为根据本发明实施例的一种迭代学习的直接转矩控制方法的电子设备的一个实施例的硬件结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进一步进行清楚、完整、详细地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
基于上述目的，根据本发明的第一个实施例，提供了一种迭代学习的直接转矩控制方法。
如图1所示，根据本发明实施例提供的迭代学习的直接转矩控制方法包括：
步骤S101，使用迭代学习控制器与目标电压矢量计算单元确定输出的两相目标电压矢量；
步骤S103，将两相目标电压矢量转化为三相参考电压矢量；
步骤S105，确定三相参考电压矢量所在的扇区；
步骤S107，在三相参考电压矢量所在的扇区内选择基本电压矢量参与合成目标参考电压矢量。
在一些实施方式中，所述使用迭代学习控制器与目标电压矢量计算单元确定输出的两相目标电压矢量包括：
观测磁链，获得估算定子磁链矢量；
根据磁链与迭代学习控制器获得参考定子磁链矢量；
根据参考定子磁链矢量与估算定子磁链矢量获得定子磁链偏差；
根据定子磁链转矩角确定电磁转矩；
根据定子磁链偏差与电磁转矩确定两相目标电压矢量。
在一些实施方式中，所述根据磁链与迭代学习控制器获得参考定子磁链矢量包括：
根据转速增量确定电磁转矩增量；
以所述迭代学习控制器处理电磁转矩增量，获得转矩角增量；
根据磁链与转矩角增量获得参考定子磁链矢量。
在一些实施方式中，所述以迭代学习控制器处理电磁转矩增量，获得转矩角增量包括：
对电磁转矩增量与转矩角增量建立重复运行的迭代学习控制系统；
以开环P型学习增益处理某一次系统运行得到的转矩角增量，获得增益函数；
根据该次系统运行得到的转矩角增量、转矩角、参考定子磁链矢量、确定该次系统运行得到的电磁转矩增量；
将该次系统运行得到的转矩角增量与增益函数叠加，获得下一次系统运行得到的转矩角增量，重复执行上述步骤，直到迭代收敛。
在一些实施方式中，所述迭代收的条件为当电磁转矩对转矩角的偏导与开环P型学习增益的积、与1之差的绝对值小于1时，迭代收敛。
从上面所述可以看出，本发明提供的技术方案通过使用迭代学习控制器与目标电压矢量计算单元确定输出的两相目标电压矢量转化为三相参考电压矢量，确定所在的扇区并选择基本电压矢量参与合成目标参考电压矢量的技术手段，能够简化参数整定，缩小工作量。
基于上述目的，根据本发明的第二个实施例，提供了一种迭代学习的直接转矩控制方法的一个实施例。
在αβ静止坐标系下，定子磁链ψs和定子电压的us关系为
定子磁链幅值
定子磁链角位置
θ＝arctan(ψsβ/ψsα) (3)
电机转矩方程
式中ψsα、ψsβ、usα、usβ、isα、isβ分别为定子磁链矢量、定子电压矢量、定子电流矢量在α、β上的分量，Te为电磁转矩，Lσ为漏感，nP为极对数，ψr为转子磁链，Rs为定子电阻，θ为转子磁链与定子磁链夹角，即转矩角。
由(4)式可知，当保持定、转子磁链幅值恒定，改变转矩角即可改变电磁转矩。
SVM的原理是利用电压源型逆变器固有6个非零电压矢量和2个零电压矢量，合成所需的目标电压矢量。
以扇区I为例，说明SVM的工作原理。如图2所示，U1～U6为逆变器6个固有非零电压矢量，Ts为目标电压矢量Us的作用时间，即采样周期，T0、T1、T2分别为电压矢量U0、U1、U2在一个采样周期的作用时间。
由伏秒平衡原理得：
U1T1+U2T2+U0T0＝UsTs (5)
T1+T2+T0＝Ts (6)
综合(5)(6)可得出
其中，|Us|、|U1|、|U2|分别为Us、U1、U2的幅值，其中，|U1|、|U2|为2udc/3，为目标电压矢量与扇区首个电压矢量的夹角。
SVM-DTC利用PI转矩控制器、目标电压矢量计算单元替代了传统DTC控制中的磁链、转矩滞环比较器和电压矢量开关表。通过磁链观测可估算出磁链当前位置，结合转矩PI控制器输出可计算出参考定子磁链矢量。
参考定子磁链矢量和估算出的定子磁链矢量得到定子磁链偏差。
结合(1)、(8)和(9)可确定目标输出电压矢量。
该电压矢量通过SVM利用2个相邻非零电压矢量和零电压矢量优化线性组合而成。3个开关电压矢量各自的作用时间可通过(7)式计算得出。SVM可减少输出电流中的谐波，提高直流母线电压利用率，同时保证功率器件的开关频率恒定，实现磁链和转矩的平滑控制，从而降低磁链、转矩脉动。SVM-DTC原理结构框图如图3所示。
SVM-DTC具有固定开关频率，减少谐波含量的优点，但是PI参数不易整定。由(4)式可知，在转子磁链幅值、定子磁链幅值保持不变的情况下，电磁转矩Te与转矩角θ为非线性关系。迭代学习控制算法(Iterative Learning Control，ILC)简单，在有限区间内具有很好的跟踪性能，通过对被控系统进行控制尝试，以输出信号与给定目标的偏差修正不理想的控制信号，使得系统的跟踪性能得以提高。适用于重复运行、非线性强耦合、难以建模和高精度轨迹控制要求的系统。本文结合两者的优点，利用ILC控制器代替PI控制器，实现PI控制器解耦，并解决了转矩观测不准确带来的误差。
对于重复运行的系统，动态方程可表示为：
其中xk，yk，uk分别为系统第k次运行的状态，输出和输入变量。系统在有限时间内，期望输出为yd(t)，则第k次运行系统的输出误差
ek(t)＝yd(t)-yk(t) (14)
因此迭代学习控制学习律可用递推的形式表示：
uk+1(t)＝uk(t)+L(ek(t)) (15)
开环迭代学习控制原理如图4所示。
开环迭代学习控制时，L(ek(t))的表达式为：
其中，ΓP、ΓI、ΓD为PID学习增益。开环P型迭代学习算法结构简单，在本次控制器设计中，只采用P型算法。控制规律为:
uk+1(t)＝uk(t)+ΓP(ek(t)) (17)
稳定收敛是迭代学习控制使用的前提条件，对于(17)式在一定条件下，如下列不等式成立：
max|1-ΓPgu|＜1 (18)
其中gu∈[α1,α2]
则迭代算法收敛[16]，本文中
图5为基于ILC的固定开关频率直接转矩控制结构框图。具体地，ILC控制器详细结构如图6所示，其中系统期望输出为Te *，实际输出为Te。
转矩角增量控制律为：
Δθk+1(t)＝Δθk(t)+ΓP(Δθk(t)) (19)
由(4)式可得
因此，
显然，存在转矩角Δθ使函数收敛。
在函数收敛的前提下，开环学习增益ΓP应满足：
从上面所述可以看出，本发明提供的技术方案通过使用迭代学习控制器与目标电压矢量计算单元确定输出的两相目标电压矢量转化为三相参考电压矢量，确定所在的扇区并选择基本电压矢量参与合成目标参考电压矢量的技术手段，能够简化参数整定，缩小工作量。
基于上述目的，根据本发明的第三个实施例，提供了一种迭代学习的直接转矩控制装置。
如图7所示，根据本发明实施例提供的迭代学习的直接转矩控制装置包括：
计算模块71，用于迭代学习控制器与目标电压矢量计算单元确定输出的两相目标电压矢量；
变换模块72，用于将两相目标电压矢量转化为三相参考电压矢量；
定位模块73，用于确定三相参考电压矢量所在的扇区；
合成模块74，用于在三相参考电压矢量所在的扇区内选择基本电压矢量参与合成目标参考电压矢量。
在一些实施方式中，所述计算模块71的工作步骤包括：
观测磁链，获得估算定子磁链矢量；
根据磁链与迭代学习控制器获得参考定子磁链矢量；
根据参考定子磁链矢量与估算定子磁链矢量获得定子磁链偏差；
根据定子磁链转矩角确定电磁转矩；
根据定子磁链偏差与电磁转矩确定两相目标电压矢量。
在一些实施方式中，所述根据磁链与迭代学习控制器获得参考定子磁链矢量包括：
根据转速增量确定电磁转矩增量；
以所述迭代学习控制器处理电磁转矩增量，获得转矩角增量；
根据磁链与转矩角增量获得参考定子磁链矢量。
在一些实施方式中，所述以迭代学习控制器处理电磁转矩增量，获得转矩角增量包括：
对电磁转矩增量与转矩角增量建立重复运行的迭代学习控制系统；
以开环P型学习增益处理某一次系统运行得到的转矩角增量，获得增益函数；
根据该次系统运行得到的转矩角增量、转矩角、参考定子磁链矢量、确定该次系统运行得到的电磁转矩增量；
将该次系统运行得到的转矩角增量与增益函数叠加，获得下一次系统运行得到的转矩角增量，重复执行上述步骤，直到迭代收敛。
在一些实施方式中，所述迭代收的条件为当电磁转矩对转矩角的偏导与开环P型学习增益的积、与1之差的绝对值小于1时，迭代收敛。
从上面所述可以看出，本发明提供的技术方案通过使用迭代学习控制器与目标电压矢量计算单元确定输出的两相目标电压矢量转化为三相参考电压矢量，确定所在的扇区并选择基本电压矢量参与合成目标参考电压矢量的技术手段，能够简化参数整定，缩小工作量。
基于上述目的，根据本发明的第四个实施例，提供了一种执行所述迭代学习的直接转矩控制方法的电子设备的一个实施例。
所述执行所述迭代学习的直接转矩控制方法的电子设备包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述任意一种方法。
如图8所示，为本发明提供的执行所述实时通话中的语音处理方法的电子设备的一个实施例的硬件结构示意图。
以如图8所示的电子设备为例，在该电子设备中包括一个处理器801以及一个存储器802，并还可以包括：输入装置803和输出装置804。
处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接，图8中以通过总线连接为例。
存储器802作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的所述迭代学习的直接转矩控制方法对应的程序指令/模块。处理器801通过运行存储在存储器802中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的迭代学习的直接转矩控制方法。
存储器802可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据迭代学习的直接转矩控制装置的使用所创建的数据等。此外，存储器802可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器802可选包括相对于处理器801远程设置的存储器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置803可接收输入的数字或字符信息，以及产生与迭代学习的直接转矩控制装置的用户设置以及功能控制有关的键信号输入。输出装置804可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器802中，当被所述处理器801执行时，执行上述任意方法实施例中的迭代学习的直接转矩控制方法。
所述执行所述迭代学习的直接转矩控制方法的电子设备的任何一个实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。所述计算机程序的实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
此外，典型地，本公开所述的装置、设备等可为各种电子终端设备，例如手机、个人数字助理(PDA)、平板电脑(PAD)、智能电视等，也可以是大型终端设备，如服务器等，因此本公开的保护范围不应限定为某种特定类型的装置、设备。本公开所述的客户端可以是以电子硬件、计算机软件或两者的组合形式应用于上述任意一种电子终端设备中。
此外，根据本公开的方法还可以被实现为由CPU执行的计算机程序，该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被CPU执行时，执行本公开的方法中限定的上述功能。
此外，上述方法步骤以及系统单元也可以利用控制器以及用于存储使得控制器实现上述步骤或单元功能的计算机程序的计算机可读存储介质实现。
此外，应该明白的是，本发明所述的计算机可读存储介质(例如，存储器)可以是易失性存储器或非易失性存储器，或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的，非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)或快闪存储器。易失性存储器可以包括随机存取存储器(RAM)，该RAM可以充当外部高速缓存存储器。作为例子而非限制性的，RAM可以以多种形式获得，比如同步RAM(DRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDR SDRAM)、增强SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)以及直接RambusRAM(DRRAM)。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。
本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性，已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现所述的功能，但是这种实现决定不应被解释为导致脱离本公开的范围。
结合这里的公开所描述的各种示例性逻辑块、模块和电路可以利用被设计成用于执行这里所述功能的下列部件来实现或执行：通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。通用处理器可以是微处理器，但是可替换地，处理器可以是任何传统处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP核、或任何其它这种配置。
结合这里的公开所描述的方法或算法的步骤可以直接包含在硬件中、由处理器执行的软件模块中或这两者的组合中。软件模块可以驻留在RAM存储器、快闪存储器、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域已知的任何其它形式的存储介质中。示例性的存储介质被耦合到处理器，使得处理器能够从该存储介质中读取信息或向该存储介质写入信息。在一个替换方案中，所述存储介质可以与处理器集成在一起。处理器和存储介质可以驻留在ASIC中。ASIC可以驻留在用户终端中。在一个替换方案中，处理器和存储介质可以作为分立组件驻留在用户终端中。
在一个或多个示例性设计中，所述功能可以在硬件、软件、固件或其任意组合中实现。如果在软件中实现，则可以将所述功能作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质来传送。计算机可读介质包括计算机存储介质和通信介质，该通信介质包括有助于将计算机程序从一个位置传送到另一个位置的任何介质。存储介质可以是能够被通用或专用计算机访问的任何可用介质。作为例子而非限制性的，该计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储设备、磁盘存储设备或其它磁性存储设备，或者是可以用于携带或存储形式为指令或数据结构的所需程序代码并且能够被通用或专用计算机或者通用或专用处理器访问的任何其它介质。此外，任何连接都可以适当地称为计算机可读介质。例如，如果使用同轴线缆、光纤线缆、双绞线、数字用户线路(DSL)或诸如红外线、无线电和微波的无线技术来从网站、服务器或其它远程源发送软件，则上述同轴线缆、光纤线缆、双绞线、DSL或诸如红外先、无线电和微波的无线技术均包括在介质的定义。如这里所使用的，磁盘和光盘包括压缩盘(CD)、激光盘、光盘、数字多功能盘(DVD)、软盘、蓝光盘，其中磁盘通常磁性地再现数据，而光盘利用激光光学地再现数据。上述内容的组合也应当包括在计算机可读介质的范围内。
公开的示例性实施例，但是应当注公开的示例性实施例，但是应当注意，在不背离权利要求限定的本公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本公开的元素可以以个体形式描述或要求，但是也可以设想多个，除非明确限制为单数。
应当理解的是，在本发明中使用的，除非上下文清楚地支持例外情况，单数形式“一个”(“a”、“an”、“the”)旨在也包括复数形式。还应当理解的是，在本发明中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
上述本公开实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
Claims (10)
1.一种迭代学习的直接转矩控制方法，其特征在于，包括：
使用迭代学习控制器与目标电压矢量计算单元确定输出的两相目标电压矢量；
将两相目标电压矢量转化为三相参考电压矢量；
确定三相参考电压矢量所在的扇区；
在三相参考电压矢量所在的扇区内选择基本电压矢量参与合成目标参考电压矢量。
2.根据权利要求1所述的方法，其特征在于，所述使用迭代学习控制器与目标电压矢量计算单元确定输出的两相目标电压矢量包括：
观测磁链，获得估算定子磁链矢量；
根据磁链与迭代学习控制器获得参考定子磁链矢量；
根据参考定子磁链矢量与估算定子磁链矢量获得定子磁链偏差；
根据定子磁链转矩角确定电磁转矩；
根据定子磁链偏差与电磁转矩确定两相目标电压矢量。
3.根据权利要求2所述的方法，其特征在于，所述根据磁链与迭代学习控制器获得参考定子磁链矢量包括：
根据转速增量确定电磁转矩增量；
以所述迭代学习控制器处理电磁转矩增量，获得转矩角增量；
根据磁链与转矩角增量获得参考定子磁链矢量。
4.根据权利要求3所述的方法，其特征在于，所述以迭代学习控制器处理电磁转矩增量，获得转矩角增量包括：
对电磁转矩增量与转矩角增量建立重复运行的迭代学习控制系统；
以开环P型学习增益处理某一次系统运行得到的转矩角增量，获得增益函数；
根据该次系统运行得到的转矩角增量、转矩角、参考定子磁链矢量、确定该次系统运行得到的电磁转矩增量；
将该次系统运行得到的转矩角增量与增益函数叠加，获得下一次系统运行得到的转矩角增量，重复执行上述步骤，直到迭代收敛。
5.根据权利要求4所述的方法，其特征在于，所述迭代收的条件为当电磁转矩对转矩角的偏导与开环P型学习增益的积、与1之差的绝对值小于1时，迭代收敛。
6.一种迭代学习的直接转矩控制装置，其特征在于，包括：
计算模块，用于迭代学习控制器与目标电压矢量计算单元确定输出的两相目标电压矢量；
变换模块，用于将两相目标电压矢量转化为三相参考电压矢量；
定位模块，用于确定三相参考电压矢量所在的扇区；
合成模块，用于在三相参考电压矢量所在的扇区内选择基本电压矢量参与合成目标参考电压矢量。
7.根据权利要求6所述的装置，其特征在于，所述计算模块的工作步骤包括：
观测磁链，获得估算定子磁链矢量；
根据磁链与迭代学习控制器获得参考定子磁链矢量；
根据参考定子磁链矢量与估算定子磁链矢量获得定子磁链偏差；
根据定子磁链转矩角确定电磁转矩；
根据定子磁链偏差与电磁转矩确定两相目标电压矢量。
8.根据权利要求7所述的装置，其特征在于，所述根据磁链与迭代学习控制器获得参考定子磁链矢量包括：
根据转速增量确定电磁转矩增量；
以所述迭代学习控制器处理电磁转矩增量，获得转矩角增量；
根据磁链与转矩角增量获得参考定子磁链矢量。
9.根据权利要求8所述的装置，其特征在于，所述以迭代学习控制器处理电磁转矩增量，获得转矩角增量包括：
对电磁转矩增量与转矩角增量建立重复运行的迭代学习控制系统；
以开环P型学习增益处理某一次系统运行得到的转矩角增量，获得增益函数；
根据该次系统运行得到的转矩角增量、转矩角、参考定子磁链矢量、确定该次系统运行得到的电磁转矩增量；
将该次系统运行得到的转矩角增量与增益函数叠加，获得下一次系统运行得到的转矩角增量，重复执行上述步骤，直到迭代收敛。
10.根据权利要求9所述的装置，其特征在于，所述迭代收的条件为当电磁转矩对转矩角的偏导与开环P型学习增益的积、与1之差的绝对值小于1时，迭代收敛。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710149840.8A CN106953575B (zh) | 2017-03-14 | 2017-03-14 | 一种迭代学习的直接转矩控制方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710149840.8A CN106953575B (zh) | 2017-03-14 | 2017-03-14 | 一种迭代学习的直接转矩控制方法与装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106953575A true CN106953575A (zh) | 2017-07-14 |
| CN106953575B CN106953575B (zh) | 2019-05-10 |
Family
ID=59466951
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710149840.8A Active CN106953575B (zh) | 2017-03-14 | 2017-03-14 | 一种迭代学习的直接转矩控制方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106953575B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107979316A (zh) * | 2017-11-21 | 2018-05-01 | 华南理工大学 | 一种基于迭代学习的pmsm转速波动抑制方法 |
| CN113644857A (zh) * | 2021-08-06 | 2021-11-12 | 江南大学 | 一种永磁直线电机有限级量化迭代学习控制方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101286724A (zh) * | 2007-11-16 | 2008-10-15 | 西北工业大学 | 一种永磁同步电机直接转矩控制方法 |
| CN102364871A (zh) * | 2011-10-24 | 2012-02-29 | 洛阳理工学院 | 一种感应电动机直接转矩控制的方法及控制装置 |
| KR101449872B1 (ko) * | 2013-11-25 | 2014-10-13 | 경성대학교 산학협력단 | 영구 자석 동기 모터의 전류 제어 방법 |
-
2017
- 2017-03-14 CN CN201710149840.8A patent/CN106953575B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101286724A (zh) * | 2007-11-16 | 2008-10-15 | 西北工业大学 | 一种永磁同步电机直接转矩控制方法 |
| CN102364871A (zh) * | 2011-10-24 | 2012-02-29 | 洛阳理工学院 | 一种感应电动机直接转矩控制的方法及控制装置 |
| KR101449872B1 (ko) * | 2013-11-25 | 2014-10-13 | 경성대학교 산학협력단 | 영구 자석 동기 모터의 전류 제어 방법 |
Non-Patent Citations (3)
| Title |
|---|
| MINGDI FAN等: "Periodical speed ripple minimization in the PMSM -DTC system using Iterative Learning Control", 《PROCEEDINGS OF THE 32ND CHINESE CONTROL CONFERENCE》 * |
| 李君等: "无速度传感器永磁同步电机的SVM-DTC控制", 《中国电机工程学报》 * |
| 王雪丹等: "基于SVM-DTC的永磁同步电动机控制方法研究", 《机械与电子》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107979316A (zh) * | 2017-11-21 | 2018-05-01 | 华南理工大学 | 一种基于迭代学习的pmsm转速波动抑制方法 |
| CN113644857A (zh) * | 2021-08-06 | 2021-11-12 | 江南大学 | 一种永磁直线电机有限级量化迭代学习控制方法 |
| CN113644857B (zh) * | 2021-08-06 | 2023-08-18 | 江南大学 | 一种永磁直线电机有限级量化迭代学习控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106953575B (zh) | 2019-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Khalilzadeh et al. | Model-free predictive control of motor drives and power converters: A review | |
| Sun et al. | Design and implementation of a novel adaptive backstepping control scheme for a PMSM with unknown load torque | |
| Cao et al. | Stability Margins of ${\cal L} _ {1} $ Adaptive Control Architecture | |
| Yan et al. | Torque ripple suppression of permanent magnet synchronous machines by minimal harmonic current injection | |
| Xia et al. | Two‐degree‐of‐freedom proportional integral speed control of electrical drives with Kalman‐filter‐based speed estimation | |
| CN106953575A (zh) | 一种迭代学习的直接转矩控制方法与装置 | |
| CN113992098A (zh) | 一种永磁同步电机稳态性能的提升方法、系统 | |
| Chen et al. | Backstepping sliding mode control of induction motor based on disturbance observer | |
| Xu et al. | Cascaded speed and current model of PMSM with ultra‐local model‐free predictive control | |
| Huang et al. | Research on grey predictive control of PMSM based on reduced-order luenberger observer | |
| Wang et al. | Model predictive position control of permanent magnet synchronous motor servo system with sliding mode observer | |
| Mohammed et al. | Improved adaptive iterative learning current control approach for IPMSM drives | |
| Anbalagan et al. | Stabilization analysis of fractional-order nonlinear permanent magnet synchronous motor model via interval type-2 fuzzy memory-based fault-tolerant control scheme | |
| Oliferovich et al. | Increasing the robustness of the digital controller | |
| Sun et al. | Improved cascaded model-free predictive speed control for PMSM speed ripple minimization based on ultra-local model | |
| Toso et al. | Simple and robust model predictive control of PMSM with moving horizon estimator for disturbance compensation | |
| Pepe | Adaptive output tracking for a class of non‐linear time‐delay systems | |
| Wang et al. | Adaptive type-2 fuzzy output feedback control using nonlinear observers for permanent magnet synchronous motor servo systems | |
| Pan et al. | Grey‐prediction‐based double model predictive control strategy for the speed and current control of permanent magnet synchronous motor | |
| Yu et al. | Adaptive neural position tracking control for induction motors via backstepping | |
| Lima Rodrigues et al. | Fake algebraic riccati equation applied to model predictive control for doubly fed induction generator direct power control | |
| Yin et al. | Sliding mode control for servo motors based on the differential evolution algorithm | |
| CN116015144A (zh) | 一种永磁同步电机电流环控制方法及装置 | |
| Pradhan et al. | A new optimal model predictive control scheme for a wind energy conversion system | |
| CN112104286B (zh) | 交流电机的定子磁链轨迹的控制方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |