CN109327178B - 一种开关磁阻电机多步预测控制器构造方法 - Google Patents

一种开关磁阻电机多步预测控制器构造方法 Download PDF

Info

Publication number
CN109327178B
CN109327178B CN201811272510.9A CN201811272510A CN109327178B CN 109327178 B CN109327178 B CN 109327178B CN 201811272510 A CN201811272510 A CN 201811272510A CN 109327178 B CN109327178 B CN 109327178B
Authority
CN
China
Prior art keywords
torque
error
current
prediction
phase
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
Application number
CN201811272510.9A
Other languages
English (en)
Other versions
CN109327178A (zh
Inventor
陈龙
王浩祥
孙晓东
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.)
Jiangsu University
Original Assignee
Jiangsu University
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 Jiangsu University filed Critical Jiangsu University
Priority to CN201811272510.9A priority Critical patent/CN109327178B/zh
Publication of CN109327178A publication Critical patent/CN109327178A/zh
Application granted granted Critical
Publication of CN109327178B publication Critical patent/CN109327178B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H02P25/00—Arrangements or methods for the control of AC motors characterised by the kind of AC motor or by structural details
    • H02P25/02—Arrangements or methods for the control of AC motors characterised by the kind of AC motor or by structural details characterised by the kind of motor
    • H02P25/08—Reluctance motors
    • H02P25/098—Arrangements for reducing torque ripple
    • 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
    • H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
    • H02P23/0004—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P23/0018—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
    • H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
    • H02P23/04—Arrangements or methods for the control of AC motors characterised by a control method other than vector control specially adapted for damping motor oscillations, e.g. for reducing hunting
    • 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
    • H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
    • H02P23/14—Estimation or adaptation of motor parameters, e.g. rotor time constant, flux, speed, current or voltage
    • 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
    • H02P2207/00—Indexing scheme relating to controlling arrangements characterised by the type of motor
    • H02P2207/05—Synchronous machines, e.g. with permanent magnets or DC excitation

Abstract

本发明公开了一种开关磁阻电机多步预测控制器构造方法，包括通过电流传感器及位置霍尔传感器检测出k时刻的电流及位置信号。位置信号经过微分计算后可以得到转速信号。计算转速信号与给定转速信号的差值，使用PI控制模块将其分别转化为转矩及电流参考值，为电流和转矩的多步预测控制控制提供参考值。建立多步预测控制模型，通过k时刻的采样值预测出预测时域内的电流和转矩值，通过成本函数计算获得最优的控制变量及开关矢量。最后建立误差修正模块。本发明采用了误差修正环节，利用最小递归二乘法计算补偿值补偿模型误差，提高模型的准确性。

Description

一种开关磁阻电机多步预测控制器构造方法
技术领域
本发明涉及了一种开关磁阻电机多步预测控制器构造方法，属于电机控制技术领域。
背景技术
开关磁阻电机(Switched Reluctance Motor,SRM)具有结构简单，可靠性高，调速范围宽，高启动转矩和无需永磁材料等突出特点，是混合动力汽车用轮毂电机的热门课题。SRM的磁场是由脉动电流产生的，因此由转矩脉动产生的振动和噪声成为SRM较为突出的缺点，这严重限制了开关磁阻电机在轮毂电机领域的推广应用。因此对减少振动和降低噪声的探讨，成为了国内外学者广泛关注的焦点。先进的控制方法可以一定程度上减小转矩脉动。
对于传统的PID控制，当被控对象处于经常变化的环境中时，需要根据环境的变化来调整PID增益，因此PID控制在实际应用中不够灵活。相比之下模型预测控制(ModelPredictive Control，MPC)可以滚动优化其模型，且其逻辑简单、易处理非线性、多变量系统，在功率变换器控制算法中逐渐受到关注。根据控制器的状态组合与受控对象的物理特性，MPC可依据预测结果直接产生功率变换器驱动信号，易于降低开关管动作频率，动态响应快。转矩预测控制(predictive torque control,PTC)是由MPC演化而来一种用来控制转矩的算法，提高转矩的控制精度，在一定程度上减小转矩脉动。恶劣的工作环境可能会对电机运行产生较大的干扰，影响控制精度，因此对控制的鲁棒性及稳定性具有较高的要求。因此加入了误差修正模块，提高系统的鲁棒性。
发明内容
本发明的目的构造一种开关磁阻电机多步预测控制器。首先由PI控制器将转速误差值确定为转矩和电流参考值，由预测控制器实现精确的转矩与电流控制。增加误差修正环节，建立预测模型的参数误差与预测误差之间的映射关系，根据系统不同运行工况，引入预测误差反馈量实现系统自适应在线调节，提高控制策略的鲁棒性。
本发明的技术方案是：
一种开关磁阻电机多步预测控制器构造方法，包括以下步骤：
1)采样环节：通过电流传感器和霍尔位置传感器采集电机k时刻的电流信号ik与位置信号θk，将采集的电流与位置信号输入给转矩计算模块与转速计算模块，经过计算后输出k时刻的转矩Tk与转速ωk；2)控制环节：将给定的转速参考值ωref作为输入，通过PI控制模块分别输出转矩参考值Te ref和电流参考值is ref；3)将控制模块的输出转矩参考值Te ref和电流参考值is ref作为输入参考值，将采样模块的输出电流信号ik和转矩计算模块输出Tk作为输入采样值，建立多步预测模型来预测在预测时域内的电流ik+i与转矩值Tk+i，建立成本函数minJ，确定最优的控制矢量，求取最优的控制量uk，最优的控制量uk输入到逆变器中控制开关磁阻电机的运行；4)建立模型误差在线修正模块，误差在线修正模块的输入量为运行过程中的电流预测误差ek i、转矩预测误差ek T，通过样本采集，建立模型误差与预测误差之间的非线性映射关系，建立自适应控制，误差在线修正模块的输出误差修正量δk来修正产生的模型误差。
进一步，步骤3)的具体过程为：
3.1)建立开关磁阻电机的电压平衡方程和转矩平衡方程；为减小电流转矩预测控制器的计算负担，忽略涡流、相邻相之间的互感，得到开关磁阻电机动态平衡方程：
Figure GDA0003386381880000021
其中ψj，vj，ij，R和θ分别是相磁链、相电压、相电流、相电阻和转子位置，J、kω和ω分别为转动惯量、粘性摩擦力和转速，Te、Tj、TL分别为总转矩、相转矩和负载转矩；
3.2)建立相转矩计算模块，通过转子位置信号及电流信号即可计算出相转矩；
3.3)建立电流与转矩预测模型：通过k时刻的采样值预测出k+1时刻的电流和转矩值，将开关磁阻电机电压和转矩动态方程进行离散化：
Figure GDA0003386381880000022
其中，Ts为采样周期，相电流矩阵I＝[i1,i2,i3]T，P＝diag(p1,p2,p3),Λ＝diag(e-PI),Γ＝dP/dθ，括号内的标志k和k+1表示时刻，I1为单位矩阵，Ts为采样周期，
Figure GDA0003386381880000023
Figure GDA0003386381880000024
分别为所预测的k+1时刻相电流、相转矩矩阵、总转矩和位置信号；相电压矩阵Vg＝[v1,v2,v3]T，进一步考虑到控制量PWM波的k时刻占空比uk，将电流和转矩的预测公式进一步简化得到：
Figure GDA0003386381880000031
其中有
Figure GDA0003386381880000032
ψs是电机饱和磁链值；
3.4)由于预测控制由线性叠加特性，将单步预测模型扩展为多步预测模型，为了多目标优化控制，成本函数设置为
Figure GDA0003386381880000033
假定预测步长为P,控制步长为M，k+i|k即表示由k时刻预测出k+i时刻的值，通过k时刻的电流和角度位置采样值，可以预测出预测时域P内的电流和转矩值，其中αi，βi，γj，δj均为权值系数，可根据工况进行选择匹配，成本函数中设置了电流跟踪
Figure GDA0003386381880000034
使得预测电流尽量接近参考电流，可以减小电流脉动；设置了转矩跟踪Te,k+ik-Te,ref，可以一定程度上减小电流脉动，为了减小开关频率，设置了开关频率跟踪fk+jk-fkk，通过成本函数选取各矢量状态下k时刻最优的占空比uk，并确定最优的开关矢量。
进一步，采用不对称半桥功率变换器控制开关磁阻电机，由三种工作状态sj，分别记作1、0、-1，1表示开通转状态，0表示软斩波状态，-1表示续流状态，考虑到电阻、MOS管和续流二极管上的压降，相电压vj，j表示相数，j＝1，2，3，可以表示为
Figure GDA0003386381880000035
其中vT、vD、vR分别是MOS管、二极管和电阻的压降，sj为开关状态，vdc为母线电压。
进一步，步骤3.2)的具体过程为：根据机电能量转化原理，磁共能变化等于机械能变化，相转矩通过磁共能Wc来计算：
Figure GDA0003386381880000036
由于开关磁阻电机的非线性特性，磁链是非线性变化的，通过傅里叶函数，磁链可以表示为：
Figure GDA0003386381880000041
其中ψs是电机饱和磁链值，pj(θ)是与转子位置相关的傅里叶展开式，为了减少计算负担，傅里叶展开式可简化为:
pj(θ)＝α+βcos[Nrθ-(j-1)2π/3]+γsin[Nrθ-(j-1)2π/3]
其中α、β、γ为系数，根据具体磁链值可以确定，Nr为转子数，将该傅里叶展开式代入相转矩计算公式可以得到，代入到相转矩计算公式中得到转矩计算公式：
Figure GDA0003386381880000042
进一步，建立误差在线修正模块的具体过程为：
4.1)建立预测模型的参数误差与预测误差之间的映射关系：由小波神经网络算法建立预测模型的参数误差与预测误差之间的非线性映射关系，通过预测误差来判别模型的参数误差，方便误差诊断；确定小波神经网络结构后，以误差能量均方能量函数作为目标函数：
Figure GDA0003386381880000043
其中
Figure GDA0003386381880000044
为第i组计算输出值；
Figure GDA0003386381880000045
为第i组输入样本所对应的预测模型参数误差样本；m为训练样本数；
4.2)建立递归最小二乘法RLS模块计算出误差修正量，进而弥补预测模型参数的误差，输入量为模型误差
Figure GDA0003386381880000046
输出量为误差修正量δk；
假设电感模型变化为
Figure GDA0003386381880000047
结合误差计算公式，得到
Figure GDA0003386381880000048
递归最小二乘法公式如下
Figure GDA0003386381880000049
Figure GDA00033863818800000410
Figure GDA00033863818800000411
其中λ为遗忘因子，[0,1]，Gk为增益矩阵，Pk为递归矩阵，I1为单位矩阵，xk＝ikLk，ik，Lk分别为k时刻实际相电流、相电感值，通过计算得出修正量δk弥补模型误差。
进一步，小波神经网络分为三层：第一层为输入层，采集转矩预测误差
Figure GDA00033863818800000412
与电流预测误差样本
Figure GDA0003386381880000051
第二层为隐含层，第三层为线性输出层，即模型参数误差样本，由于电阻R等参数随工况变化不大，而电感对模型参数的影响较大，因此选择电感为模型参数误差，记作
Figure GDA0003386381880000052
误差计算公式可以表示为
Figure GDA0003386381880000053
其中Tk，ik，Lk均为k时刻实际相转矩、相电流、相电感值，
Figure GDA0003386381880000054
表示k时刻预测相转矩、相电流、相电感值，神经网络拓扑结构数学模型建立为：
Figure GDA0003386381880000055
其中
Figure GDA0003386381880000056
包含
Figure GDA0003386381880000057
为小波神经网络输入值，即转矩和电流预测误差样本；
Figure GDA0003386381880000058
为小波神经网络输出值，即由输入样本计算得到的模型参数误差；i表示第i个样本；wj，γj为输出节点与隐藏节点的连接权值；ajk、tj分别为小波函数的伸缩系数和平移系数；h为隐藏节点个数；p为输入节点数。
进一步，还包括采用Gauss小波函数作为小波神经网络算法激励函数。
进一步，采用梯度下降法对小波神经网络训练，训练步骤如下：
6.1)网络参数初始化：将伸缩系数ajk与平移系数tj赋予[0,1]之间随机初始值，将连接权值wj置零；
6.2)利用输入学习样本
Figure GDA0003386381880000059
和当前网络参数计算网络输出
Figure GDA00033863818800000510
6.3)利用网络输出
Figure GDA00033863818800000511
和采集模型参数误差样本
Figure GDA00033863818800000512
得到经过(n-1)次参数调整后的目标函数J(n)，若J(n)≤ε，ε为预设误差参数阈值，则算法结束；否则至步骤6.4)；
6.4)网络参数调整，调整网络连接权值与神经元参数；定义误差
Figure GDA00033863818800000513
根据误差传递算法确定偏导数；
6.5)令n＝n+1，返回6.2)；
经过该算法后得到误差之间的非线性映射关系
Figure GDA00033863818800000514
本发明的有益效果是：
1、本发明采用了模型预测控制，可以实现电流和转矩的准确控制，进行模型的滚动优化与校正，提高模型的准确性和增加控制的稳定性，进而减小转矩脉动。采用多步预测模型，进一步提高预测的准确性。
2、本发明采用了小波函数进行非线性映射关系的建立，比常规神经网络更加简单且收敛速度快。
3、本发明采用了误差修正环节，利用最小递归二乘法计算补偿值补偿模型误差，提高模型的准确性。
附图说明
图1开关磁阻电机多步多目标转矩预测控制器框图；
图2不对称半桥功率变换器；
图3不对称半桥功率变换器工作状态示意图；(a)为第一种状态；(b)为第二种状态；(c)为第三种状态；
图4神经网络控制框图；
图5梯度下降法算法流程。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明具体实施分以下四步，通过采样环节、预测环节、控制环节以及误差修正环节的搭建，构成开关磁阻电机多步多目标转矩预测控制器框图，如附图1。
构建开关磁阻电机多步多目标预测控制方法，如附图1，该系统由预测模块、采样模块、控制模块、误差修正模块组成。1)采样模块的作用是通过电流传感器和霍尔位置传感器采集电机k时刻的电流信号ik与位置信号θk。将采集的电流与位置信号输入给转矩与转速计算模块，经过计算后输出k时刻的转矩Tk与转速ωk。2)控制模块作用是将给定的转速参考值ωref作为输入，通过PI控制模块分别输出转矩参考值Te ref和电流参考值is ref。3)将控制模块的输出转矩参考值Te ref和电流参考值is ref作为输入参考值，将采样模块的输出电流信号ik和转矩计算模块输出Tk作为输入采样值，建立多步预测模型来预测在预测时域内的电流ik+i与转矩值Tk+i，建立成本函数minJ，确定最优的控制矢量，求取最优的控制量uk。4)模型误差在线修正模块是为了提高系统鲁棒性而建立。输入量为运行过程中的电流预测误差ek T、转矩预测误差ek i。通过样本采集，建立模型误差与预测误差之间的非线性映射关系。建立自适应控制，输出误差修正量δk来修正产生的模型误差。
第一步，建立控制系统中的采样模块。采样模块的作用是通过电流传感器和霍尔位置传感器采集电机k时刻的电流信号ik与位置信号θk。将采集的电流与位置信号输入给转矩与转速计算模块。位置信号经过微分计算后可以得到转速信号ωk。转矩计算模块可以通过电流信号ik与位置信号θk可以查表计算出k时刻转矩Tk。转矩计算模块建立过程在步骤四中详细介绍。
第二步，建立控制系统中的控制模块。将给定转速参考值ωref作为输入，通过PI控制模块分别输出转矩参考值Te ref和电流参考值is ref。
第三步，建立控制系统中的模型预测模块。建立多步预测模型来预测在预测时域内的电流ik+i与转矩值Tk+i，建立成本函数minJ，确定最优的控制矢量并求取最优的控制量。以下分四步进行详细说明。
1)建立开关磁阻电机的电压平衡方程和转矩平衡方程，为预测模型建立奠定模型基础。
为保证开关磁阻电机的相独立性，采用不对称半桥功率变换器，如图2所示。不对称半桥功率变换器由三种工作状态sj，如图3所示，分别记作1、0、-1。1表示开通转状态，0表示软斩波状态，-1表示续流状态。考虑到电阻、MOS管和续流二极管上的压降，相电压vj(j表示相数，此处以三相开关磁阻电机为例，即j＝1，2，3)可以表示为
Figure GDA0003386381880000071
其中vT、vD、vR分别是MOS管、二极管和电阻的压降，sj为开关状态，vdc为母线电压。
为减小电流转矩预测控制器的计算负担，忽略涡流、相邻相之间的互感，可以得到开关磁阻电机动态平衡方程：
Figure GDA0003386381880000072
其中ψj，vj，ij，R和θ分别是相磁链、相电压、相电流、相电阻和转子位置。J、kω和ω分别为转动惯量、粘性摩擦力和转速。Te、Tj、TL分别为总转矩、相转矩和负载转矩。
2)建立相转矩计算模型，通过转子位置信号及电流信号即可计算出相转矩。该模型即步骤二中介绍的转矩计算模块。
根据机电能量转化原理，磁共能变化等于机械能变化。因此，相转矩可以通过磁共能Wc来计算
Figure GDA0003386381880000081
由于开关磁阻电机的非线性特性，磁链是非线性变化的。通过傅里叶函数，磁链可以表示为
Figure GDA0003386381880000082
其中ψs是电机饱和磁链值，pj(θ)是与转子位置相关的傅里叶展开式。为了减少计算负担，傅里叶展开式可简化为
pj(θ)＝α+βcos[Nrθ-(j-1)2π/3]+γsin[Nrθ-(j-1)2π/3] (5)
其中α、β、γ为系数，根据具体磁链值可以确定。Nr为转子数。将该傅里叶展开式代入相转矩计算公式可以得到
代入到相转矩计算公式(3)中可以得到转矩计算公式
Figure GDA0003386381880000083
3)建立电流与转矩预测模型。通过k时刻的采样值预测出k+1时刻的电流和转矩值。
由于硬件系统中的数字器件工作在离散时间状态下，因此需要将开关磁阻电机电压和转矩动态方程进行离散化
Figure GDA0003386381880000084
其中，Ts为采样周期。相电流矩阵I＝[i1,i2,i3]T，P＝diag(p1,p2,p3),Λ＝diag(e-PI),Γ＝dP/dθ(括号内的标志k和k+1表示时刻)。I1为单位矩阵。
Figure GDA0003386381880000085
所预测的k+1时刻相电流、相转矩矩阵、总转矩和位置信号。
相电压矩阵Vg＝[v1,v2,v3]T，进一步考虑到控制量PWM波的k时刻占空比uk，将电流和转矩的预测公式进一步简化，可以得到
Figure GDA0003386381880000086
Figure GDA0003386381880000091
其中有
Figure GDA0003386381880000092
转矩、电流和角度位置之间的映射关系f(x)可以见公式(7)。
4)由于预测控制由线性叠加特性，因此可以将单步预测模型扩展为多步预测模型。假定预测步长为P,控制步长为M，则电流和转矩在预测步长内的所有预测值可以表示为(下表k+i|k即表示由k时刻预测出k+i时刻的值)
Figure GDA0003386381880000093
即通过k时刻的电流和角度位置采样值，可以预测出预测时域P内的电流和转矩值。为了多目标优化控制，成本函数设置为
Figure GDA0003386381880000094
其中α，β，γ，δ均为权值系数，可根据工况进行选择匹配。成本函数中设置了电流跟踪
Figure GDA0003386381880000095
使得预测电流尽量接近参考电流，可以减小电流脉动；设置了转矩跟踪Te,k+ik-Te,ref，可以一定程度上减小电流脉动。为了减小开关频率，设置了fk+jk-fkk项。通过成本函数选取各矢量状态下k时刻最优的占空比uk，并确定最优的开关矢量。
第四步，建立误差修正模块。建立误差修正模块。通过多组离线仿真样本采集，由神经网络算法建立预测模型的参数误差与预测误差之间的非线性映射关系。根据系统不同运行工况，引入预测误差反馈量实现系统自适应在线调节预测模型，提高控制策略的鲁棒性。建立该模块分为两步：
1)建立预测模型的参数误差与预测误差之间的映射关系，即可以通过预测误差来判别模型的参数误差，方便误差诊断。
小波神经网络是基于小波变换而构成的一种连接型前馈神经网络,它将常规神经网络的隐层函数用小波函数代替,相应的输入层到隐层的权值及隐层阀值分别由小波函数的伸缩系数和平移参数代替。小波神经网络把小波变换与神经网络有机地结合起来,充分继承了两者的优点。小波神经网络分为三层：第一层为输入层，即采集转矩预测误差
Figure GDA0003386381880000101
与电流预测误差样本
Figure GDA0003386381880000102
第二层为隐含层,采用Gauss小波函数作为激励函数；第三层为线性输出层，即模型参数误差样本。由于电阻R等参数随工况变化不大，而电感对模型参数的影响较大，因此选择电感为模型参数误差，记作
Figure GDA0003386381880000103
误差计算公式可以表示为
Figure GDA0003386381880000104
其中Tk，ik，Lk均为k时刻实际相转矩、相电流、相电感值，
Figure GDA0003386381880000105
表示k时刻预测相转矩、相电流、相电感值。神经网络拓扑结构如图4所示，其数学模型建立为
Figure GDA0003386381880000106
其中
Figure GDA0003386381880000107
包含
Figure GDA0003386381880000108
为小波神经网络输入值，即转矩和电流预测误差样本；
Figure GDA0003386381880000109
为小波神经网络输出值，即由输入样本计算得到的模型参数误差；i表示第i个样本；wj为输出节点与隐藏节点的连接权值；ajk、tj分别为小波函数的伸缩系数和平移系数；h为隐藏节点个数；p为输入节点数。
确定小波神经网络结构后，以误差能量均方能量函数作为目标函数
Figure GDA00033863818800001010
其中
Figure GDA00033863818800001011
为第i组计算输出值；
Figure GDA00033863818800001012
为第i组输入样本
Figure GDA00033863818800001013
所对应的预测模型参数误差样本；m为训练样本数。由于小波神经网络的输出与其连接权值是线性的，可直接利用最小二乘法学习。梯度下降法的算法流程图如图5所示，训练步骤如下：
(1)网络参数初始化。将伸缩系数ajk与平移系数tj赋予[0,1]之间随机初始值，将连接权值wj置零；
(2)利用输入学习样本
Figure GDA00033863818800001014
和当前网络参数，按式(12)计算网络输出
Figure GDA00033863818800001015
(3)利用网络输出
Figure GDA00033863818800001016
和采集模型参数误差样本
Figure GDA00033863818800001017
按式(13)得到经过(n-1)次参数调整后的目标函数J(n)，若J(n)≤ε(预设误差参数阈值)，则算法结束；否则至步骤4；
(4)网络参数调整，调整网络连接权值与神经元参数，公式如下：
Figure GDA0003386381880000111
Figure GDA0003386381880000112
Figure GDA0003386381880000113
式中η(区间[0,1])为梯度下降搜索步长，其值越大，调整越快。定义误差
Figure GDA0003386381880000114
根据误差传递算法确定偏导数，得
Figure GDA0003386381880000115
Figure GDA0003386381880000116
Figure GDA0003386381880000117
(5)令n＝n+1，返回第二步。
经过该算法后可以得到误差之间的非线性映射关系
Figure GDA0003386381880000118
2)建立递归最小二乘法(RLS)模块计算出误差修正量，进而弥补预测模型参数的误差，提高模型鲁棒性与准确性。输入量为模型误差
Figure GDA0003386381880000119
输出量为误差修正量δk。
假设电感模型变化为
Figure GDA00033863818800001110
结合(11)的误差计算公式，可以得到
Figure GDA00033863818800001111
递归最小二乘法公式如下
Figure GDA00033863818800001112
Figure GDA00033863818800001113
Figure GDA00033863818800001114
其中λ为遗忘因子([0,1])，Gk为增益矩阵，Pk为递归矩阵，I1为单位矩阵，xk＝ikLk。通过计算得出修正量δk弥补模型误差。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“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一定指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何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (6)

1.一种开关磁阻电机多步预测控制器构造方法，其特征在于，包括以下步骤：
1)采样环节：通过电流传感器和霍尔位置传感器采集电机k时刻的电流信号ik与位置信号θk，将采集的电流与位置信号输入给转矩计算模块与转速计算模块，经过计算后输出k时刻的转矩Tk与转速ωk；2)控制环节：将给定的转速参考值ωref作为输入，通过PI控制模块分别输出转矩参考值Te ref和电流参考值is ref；3)将控制模块的输出转矩参考值Te ref和电流参考值is ref作为输入参考值，将采样模块的输出电流信号ik和转矩计算模块输出Tk作为输入采样值，建立多步预测模型来预测在预测时域内的电流ik+i与转矩值Tk+i，建立成本函数minJ，确定最优的控制矢量，求取最优的控制量uk，最优的控制量uk输入到逆变器中控制开关磁阻电机的运行；4)建立模型误差在线修正模块，误差在线修正模块的输入量为运行过程中的电流预测误差ek i、转矩预测误差ek T，通过样本采集，建立模型误差与预测误差之间的非线性映射关系，建立自适应控制，误差在线修正模块的输出误差修正量δk来修正产生的模型误差；
建立误差在线修正模块的具体过程为：
4.1)建立预测模型的参数误差与预测误差之间的映射关系：由小波神经网络算法建立预测模型的参数误差与预测误差之间的非线性映射关系，通过预测误差来判别模型的参数误差，方便误差诊断；确定小波神经网络结构后，以误差能量均方能量函数作为目标函数：
Figure FDA0003386381870000011
其中
Figure FDA0003386381870000012
为第i组计算输出值；
Figure FDA0003386381870000013
为第i组输入样本所对应的预测模型参数误差样本；m为训练样本数；
4.2)建立递归最小二乘法RLS模块计算出误差修正量，进而弥补预测模型参数的误差，输入量为模型误差
Figure FDA0003386381870000014
输出量为误差修正量δk；
假设电感模型变化为
Figure FDA0003386381870000015
结合误差计算公式，得到
Figure FDA0003386381870000016
递归最小二乘法公式如下
Figure FDA0003386381870000017
Figure FDA0003386381870000018
Figure FDA0003386381870000021
其中λ为遗忘因子，[0,1]，Gk为增益矩阵，Pk为递归矩阵，I1为单位矩阵，xk＝ikLk，ik，Lk分别为k时刻实际相电流、相电感值，通过计算得出修正量δk弥补模型误差；
小波神经网络分为三层：第一层为输入层，采集转矩预测误差
Figure FDA0003386381870000022
与电流预测误差样本
Figure FDA0003386381870000023
第二层为隐含层，第三层为线性输出层，即模型参数误差样本，由于电阻R等参数随工况变化不大，而电感对模型参数的影响较大，因此选择电感为模型参数误差，记作
Figure FDA0003386381870000024
误差计算公式可以表示为
Figure FDA0003386381870000025
其中Tk，ik，Lk均为k时刻实际相转矩、相电流、相电感值，
Figure FDA0003386381870000026
表示k时刻预测相转矩、相电流、相电感值，神经网络拓扑结构数学模型建立为：
Figure FDA0003386381870000027
其中
Figure FDA0003386381870000028
包含
Figure FDA0003386381870000029
为小波神经网络输入值，即转矩预测误差和电流预测误差的样本；
Figure FDA00033863818700000210
为小波神经网络输出值，即由输入样本计算得到的模型参数误差；i表示第i个样本；wj，γj为输出节点与隐藏节点的连接权值；ajk、tj分别为小波函数的伸缩系数和平移系数；h为隐藏节点个数；p为输入节点数。
2.根据权利要求1所述的一种开关磁阻电机多步预测控制器构造方法，其特征在于，步骤3)的具体过程为：
3.1)建立开关磁阻电机的电压平衡方程和转矩平衡方程；为减小电流转矩预测控制器的计算负担，忽略涡流、相邻相之间的互感，得到开关磁阻电机动态平衡方程：
Figure FDA00033863818700000211
其中ψj，vj，ij，R和θ分别是相磁链、相电压、相电流、相电阻和转子位置，J、kω和ω分别为转动惯量、粘性摩擦力和转速，Te、Tj、TL分别为总转矩、相转矩和负载转矩；
3.2)建立相转矩计算模块，通过转子位置信号及电流信号即可计算出相转矩；
3.3)建立电流与转矩预测模型：通过k时刻的采样值预测出k+1时刻的电流和转矩值，
将开关磁阻电机电压和转矩动态方程进行离散化：
Figure FDA0003386381870000031
其中，Ts为采样周期，相电流矩阵I＝[i1,i2,i3]T，P＝diag(p1,p2,p3),Λ＝diag(e-PI),Γ＝dP/dθ，括号内的标志k和k+1表示时刻，I1为单位矩阵，Ts为采样周期，
Figure FDA0003386381870000032
Figure FDA0003386381870000033
分别为所预测的k+1时刻相电流、相转矩矩阵、总转矩和位置信号；相电压矩阵Vg＝[v1,v2,v3]T，进一步考虑到控制量PWM波的k时刻占空比uk，将电流和转矩的预测公式进一步简化得到：
Figure FDA0003386381870000034
其中有
Figure FDA0003386381870000035
ψs是电机饱和磁链值；
3.4)由于预测控制由线性叠加特性，将单步预测模型扩展为多步预测模型，为了多目标优化控制，成本函数设置为
Figure FDA0003386381870000036
假定预测步长为P,控制步长为M，k+i|k即表示由k时刻预测出k+i时刻的值，通过k时刻的电流和角度位置采样值，可以预测出预测时域P内的电流和转矩值，其中αi，βi，γj，δj均为权值系数，可根据工况进行选择匹配，成本函数中设置了电流跟踪
Figure FDA0003386381870000037
使得预测电流尽量接近参考电流，可以减小电流脉动；设置了转矩跟踪Te,k+i|k-Te,ref，可以一定程度上减小电流脉动，为了减小开关频率，设置了开关频率跟踪fk+j|k-fk|k，通过成本函数选取各矢量状态下k时刻最优的占空比uk，并确定最优的开关矢量。
3.根据权利要求2所述的一种开关磁阻电机多步预测控制器构造方法，其特征在于，
采用不对称半桥功率变换器控制开关磁阻电机，由三种工作状态sj，分别记作1、0、-1，1表示开通转状态，0表示软斩波状态，-1表示续流状态，考虑到电阻、MOS管和续流二极管上的压降，相电压vj，j表示相数，j＝1，2，3，可以表示为
Figure FDA0003386381870000041
其中vT、vD、vR分别是MOS管、二极管和电阻的压降，sj为开关状态，vdc为母线电压。
4.根据权利要求2所述的一种开关磁阻电机多步预测控制器构造方法，其特征在于，
步骤3.2)的具体过程为：根据机电能量转化原理，磁共能变化等于机械能变化，相转矩通过磁共能Wc来计算：
Figure FDA0003386381870000042
由于开关磁阻电机的非线性特性，磁链是非线性变化的，通过傅里叶函数，磁链可以表示为：
Figure FDA0003386381870000043
其中ψs是电机饱和磁链值，pj(θ)是与转子位置相关的傅里叶展开式，为了减少计算负担，傅里叶展开式可简化为:
pj(θ)＝α+βcos[Nrθ-(j-1)2π/3]+γsin[Nrθ-(j-1)2π/3]
其中α、β、γ为系数，根据具体磁链值可以确定，Nr为转子数，将该傅里叶展开式代入相转矩计算公式可以得到，代入到相转矩计算公式中得到转矩计算公式：
Figure FDA0003386381870000044
5.根据权利要求1所述的一种开关磁阻电机多步预测控制器构造方法，其特征在于，还包括采用Gauss小波函数作为小波神经网络算法激励函数。
6.根据权利要求1所述的一种开关磁阻电机多步预测控制器构造方法，其特征在于，采用梯度下降法对小波神经网络训练，训练步骤如下：
6.1)网络参数初始化：将伸缩系数ajk与平移系数tj赋予[0,1]之间随机初始值，将连接权值wj置零；
6.2)利用输入学习样本
Figure FDA0003386381870000045
和当前网络参数计算网络输出
Figure FDA0003386381870000046
6.3)利用网络输出
Figure FDA0003386381870000051
和采集模型参数误差样本
Figure FDA0003386381870000052
得到经过(n-1)次参数调整后的目标函数J(n)，若J(n)≤ε，ε为预设误差参数阈值，则算法结束；否则至步骤6.4)；
6.4)网络参数调整，调整网络连接权值与神经元参数；定义误差
Figure FDA0003386381870000053
根据误差传递算法确定偏导数；
6.5)令n＝n+1，返回6.2)；
经过该算法后得到误差之间的非线性映射关系
Figure FDA0003386381870000054
CN201811272510.9A 2018-10-29 2018-10-29 一种开关磁阻电机多步预测控制器构造方法 Active CN109327178B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811272510.9A CN109327178B (zh) 2018-10-29 2018-10-29 一种开关磁阻电机多步预测控制器构造方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811272510.9A CN109327178B (zh) 2018-10-29 2018-10-29 一种开关磁阻电机多步预测控制器构造方法

Publications (2)

Publication Number Publication Date
CN109327178A CN109327178A (zh) 2019-02-12
CN109327178B true CN109327178B (zh) 2022-02-15

Family

ID=65260328

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811272510.9A Active CN109327178B (zh) 2018-10-29 2018-10-29 一种开关磁阻电机多步预测控制器构造方法

Country Status (1)

Country Link
CN (1) CN109327178B (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109787531B (zh) * 2019-02-21 2021-02-12 江苏大学 一种开关磁阻轮毂电机预测控制方法
CN109921707B (zh) * 2019-02-21 2021-06-22 江苏大学 一种开关磁阻轮毂电机无位置预测控制方法
CN110334386B (zh) * 2019-05-09 2023-04-07 深圳大学 一种基于参数回归的平面电机控制方法及终端设备
CN110299865B (zh) * 2019-06-20 2021-05-11 Oppo广东移动通信有限公司 电子设备、电子设备的控制方法及存储介质
CN110336267B (zh) * 2019-06-27 2023-04-28 上海电力学院 一种多直流电力弹簧分层控制方法
CN110445441B (zh) * 2019-06-29 2021-07-27 天津大学 一种永磁同步电机预测转矩控制方法
CN110266228B (zh) * 2019-07-05 2021-03-23 长安大学 基于bp神经网络的表面式永磁同步电机模型预测控制方法
CN111193386B (zh) * 2020-02-17 2021-02-09 南京邮电大学 一种全桥变换器反馈补偿参数自适应的模型预测控制方法
CN111277196B (zh) * 2020-03-07 2022-11-25 湖南科技大学 基于电流预测的开关磁阻电机再生制动控制方法
CN111464094B (zh) * 2020-05-13 2021-10-26 吉林大学 无刷直流电机模型预测控制器及其构造方法
CN112949109B (zh) * 2021-01-26 2023-04-07 西北核技术研究所 基于深度神经网络的架空线电磁脉冲传导环境的预测方法
CN112994538B (zh) * 2021-02-01 2022-09-13 桂林电子科技大学 基于傅里叶神经网络srm转矩脉动抑制控制系统和方法
CN112821831A (zh) * 2021-02-08 2021-05-18 北方工业大学 永磁同步电机的控制方法、装置及电机控制器
CN113078855B (zh) * 2021-04-29 2022-10-04 联合汽车电子有限公司 电机目标预测扭矩获得方法及电机控制系统
CN113839600B (zh) * 2021-08-25 2024-03-01 西北工业大学 一种基于傅里叶级数模型的开关磁阻电机转矩控制方法
CN113987914B (zh) * 2021-09-23 2024-05-03 北京电子工程总体研究所 一种面向冷气推进的空间机器人跟踪控制方法
CN114204877B (zh) * 2021-11-24 2023-09-12 哈尔滨工业大学 一种基于混合脉宽调制策略的开关磁阻电机系统及其控制方法
CN114578875B (zh) * 2022-03-07 2023-04-07 杭州电子科技大学 一种实现气动阀门定位器低温工作的装置及方法
CN115622465B (zh) * 2022-11-18 2023-04-11 西南交通大学 一种多电平变流器无权重因子模型预测控制方法
CN117691920B (zh) * 2024-02-01 2024-04-12 成都航空职业技术学院 一种伺服电机自动控制方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104767449B (zh) * 2015-03-02 2018-04-24 江苏大学 无轴承异步电动机rbf神经网络自适应逆解耦控制及参数辨识方法
CN106452250B (zh) * 2016-09-30 2018-09-25 华中科技大学 一种直线感应电机多步长模型预测控制方法
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
CN107241033B (zh) * 2017-08-01 2019-08-23 桂林电子科技大学 基于电流-位置的开关磁阻电机转矩脉动抑制方法与系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Model Predictive Current Control of Switched Reluctance Motors With Inductance Auto-Calibration;Xin Li 等;《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》;20160630;第63卷(第6期);参见正文第3934页第1栏第3段-第3941页第1栏第1段 *

Also Published As

Publication number Publication date
CN109327178A (zh) 2019-02-12

Similar Documents

Publication Publication Date Title
CN109327178B (zh) 一种开关磁阻电机多步预测控制器构造方法
Kim et al. Speed-sensorless vector control of an induction motor using neural network speed estimation
CN109921707B (zh) 一种开关磁阻轮毂电机无位置预测控制方法
CN109507876B (zh) 一种基于信度推理的电推船舶电机pid参数整定方法
CN109347388A (zh) 一种开关磁阻轮毂电机自抗扰模型预测控制器构造方法
CN109257001A (zh) 一种开关磁阻bsg电机自抗扰转矩预测控制器构造方法
CN108880394A (zh) 一种小波神经网络开关磁阻电机无位置传感器预测控制方法
Lin et al. Adaptive fuzzy-neural-network control for a DSP-based permanent magnet linear synchronous motor servo drive
CN106505909B (zh) 一种超声波电机非线性死区补偿控制系统及方法
CN111608868A (zh) 风力发电系统最大功率跟踪自适应鲁棒控制系统及方法
Lin et al. Recurrent radial basis function network-based fuzzy neural network control for permanent-magnet linear synchronous motor servo drive
Wang et al. An adaptive fuzzy PID controller for speed control of brushless direct current motor
CN110518847B (zh) 基于bp神经网络的表面式永磁同步电机模型预测控制方法
Gundogdu et al. Comparison of Si-ANN and extended Kalman filter-based sensorless speed controls of a DC motor
CN115037202A (zh) 基于柔性神经网络pid参数自适应控制方法及系统
CN102522948B (zh) Dtc系统中转矩滞环宽度的混合智能调节方法
Abdelfattah et al. Adaptive neuro fuzzy technique for speed control of six-step brushless DC motor
Nguyen The neural network-based control system of direct current motor driver
CN110518860B (zh) 一种永磁同步电机模型预测控制方法
Danh et al. Comparison of estimator-based compensation schemes for hydrostatic transmissions with uncertainties
CN116436354A (zh) 一种基于改进鲸鱼算法和bp-pid的永磁同步电机控制方法
CN115001335A (zh) 基于神经网络的无轴承磁通切换电机转子悬浮控制方法
Ouannou et al. Torque control of switched reluctance motor using ANN-PID controller
Masoudi et al. A Multilayer Perception Trained Method in Speed Control of a Linear Switched Reluctance Motor
Leena et al. Adaptive controller for improved performance of brushless DC motor

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