CN109981016A - 一种基于随机森林回归算法的电动大巴用异步电机最优速矩输出方法 - Google Patents
一种基于随机森林回归算法的电动大巴用异步电机最优速矩输出方法 Download PDFInfo
- Publication number
- CN109981016A CN109981016A CN201910228569.6A CN201910228569A CN109981016A CN 109981016 A CN109981016 A CN 109981016A CN 201910228569 A CN201910228569 A CN 201910228569A CN 109981016 A CN109981016 A CN 109981016A
- Authority
- CN
- China
- Prior art keywords
- model
- current
- random forest
- optimal
- output
- 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
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 34
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 238000002474 experimental method Methods 0.000 claims abstract description 9
- 230000004907 flux Effects 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 8
- 239000012535 impurity Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 101100493820 Caenorhabditis elegans best-1 gene Proteins 0.000 claims description 2
- 238000012952 Resampling Methods 0.000 claims 1
- 238000012821 model calculation Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000009795 derivation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 241001006839 Globisporangium ultimum Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000009415 formwork Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- H02P21/20—Estimation of torque
-
- 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
- H02P21/22—Current control, e.g. using a current control loop
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Computer Hardware Design (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Primary Health Care (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Control Of Ac Motors In General (AREA)
Abstract
本发明公开了一种基于随机森林回归算法的电动大巴用异步电机最优速矩输出方法。首先，搭建了基于电流配比输出模型的异步电机矢量控制系统；其次，根据最大电压(Usmax)和最大电流(Ismax)的限制条件，建立最大转矩输出的解析模型；再次，分析在不同工况下，最大转矩输出对应的励磁电流转矩电流变化规律，搭建电压闭环矢量解析模型，并嵌入矢量控制系统；然后，搭建AVL(AVL list GmbH)实验平台，采集实测样本数据，建立工况参数为输入,为输出的随机森林回归(RFR)模型；最后，将此回归模型嵌入矢量控制系统中，实现电机实际运行在不同工况下回归既实现最优速矩控制。该方法配比电流精确；消除了对异步电机运行区域的划分；提高了速矩输出的稳定性。
Description
技术领域
本发明涉及异步电机的技术领域，具体涉及一种基于随机森林回归算法的电动大巴用异步电机最优速矩输出方法。
背景技术
常见的异步电机控制方式有直接转矩控制(Direct torque control，DTC)和矢量控制(vector control，VC)两种。DTC对转矩和定子磁链进行Bang-Bang控制,避免了旋转坐标变换，使控制系统结构简单，但易产生转矩脉动，且调速宽度不高；VC对转矩和转子磁链解耦控制，易实现转矩连续稳定控制，调速范围较宽。因此根据电动大巴在全工况运行(电动大巴运行在不同环境下，有拥堵行驶、一般行驶和畅通行驶3种典型工况；在工况测试中，按国标GBT 18488.1-2006规定，有停车、加速、匀速、减速、上坡、下坡6种工况。通常分为恒转矩区、恒功率区、恒电压区。)，追求舒适性和较高转速的实际需求，需连续平稳的最优转矩输出和宽范围调速，因此，选用VC系统作为电动大巴的实际控制系统。
异步电机低速运行(额定转速以下)时，电机需要的电压矢量不超过最大电压(Usmax)，但受最大电流(Ismax)的限制；高速运行(额定转速以上)时，其逆变器电压无法满足逐步上升的转子反电动势；在各工况节点，需要临界条件判断如何给定励磁电流转矩电流易产生转矩抖动。针对上述问题，如何合理的分配电流是保证VC系统输出最优速矩的重要前提。传统的电机控制方法对分配电流只能实现单输入单输出或双输入双输出，输入输出的中间过程由公式运算主导，其运算量过大，结构复杂。另外，电机控制常常依赖于输入实际电流和反馈电流经PI调节器调节，从而输出电压矢量，因此输入电流的准确度尤为重要。
与本发明相关的现有技术：1.转子磁链与电机转速成反比来给定的建模方法。2.基于电机模型励磁反馈的建模方法。3.基于电压检测的弱磁算法的建模方法。4.基于查表法的电机控制建模方法。现有技术的缺点在于：1.需要公式推导，对电机参数依赖性强，影响因素多。2.需要多个PI调解器控制弱磁区(额定转速以上的区域)，系统复杂，参数整定困难。3.实际输入的不准确，导致经过PI控制器后输出的电压矢量存在响应滞后的问题。4.需要临界条件判断如何给定易产生转矩抖动。
发明内容
本发明所要解决的技术问题为：本发明主要是设计了一种基于随机森林回归算法对励磁电流和转矩电流进行合理分配的预测模型，以实现电动大巴用异步电机在全工况下输出最优速矩。该模型可以利用不连续的离散实测数据，在任意速度点下，实现多输入多输出的连续的精准预测，简化了系统的结构，降低了运算量，为PI调解器提供了精确的电流输入量，消除了电机在不同工况切换时给定电流矢量的临界条件，最终可实现稳定运行，实现最优速矩输出。
本发明采用的技术方案为：一种基于随机森林回归算法的电动大巴用异步电机最优速矩输出方法，所述的方法包括以下步骤：
步骤一：为了探寻电流分配与最大转矩的关系，构建异步电机电流配比输出解析模型，需从转子磁链定向矢量控制系统入手，结合异步电机Ismax和Usmax的约束条件，对电压、电流、转矩之间的解析关系进行推导；
步骤二：为降低步骤一中解析模型的计算量，使控制系统结构简单，且配比电流结果与解析模型相近，需建立一个电压闭环矢量解析模型；
步骤三：选取电压闭环矢量解析模型作为控制励磁电流和转矩电流配比的控制模型，将其应用在矢量控制系统中，在AVL实验平台上运行，测取电机全工况运行时的电流分配数据和影响电流分配的各种系统参量，将其用作搭建随机森林回归模型分配电流的样本库；
步骤四：将影响电流分配的系统参量作为RFR模型的输入矢量，为：其中，n为转速；phi(r/d)为磁通分量；s为转差率；为解耦后定子电压分量；
步骤五：由于输入参量过多，为简化系统结构，使随机森林回归模型输入量减少，分别用3种方法评估系统参量对输出电流的影响，最终选择影响力度大的系统参量作为随机森林回归模型的输入量；
步骤六：为了精准预测励磁电流和转矩电流，需对随机森林回归模型内部参数进行优化。建立随机森林回归模型时，需对每个分裂节点处的样本预测器个数(Mtry)和生成决策树个数(ntree)进行选择,合理选择模型参数能提高预测结果的准确率。
其中，建立基于拉格朗日函数的异步电机全工况运行下的最优电流分配解析模型，电压、电流限制条件作为最优电流分配解析模型的2个约束条件，为两个变量，再引入2个λ参数，构成n个约束条件，y个变量，v个参数的n+y+v结构的最大转矩电流分配解析模型，适用于任何电机，具有多个限制条件的最优电流分配求解。
其中，构建最优电流分配的随机森林回归模型，此模型基于Bootstrap方法重采样，随机产生T个训练集S1,S2,…ST,然后利用训练集生成决策树，在每个非子叶选择节点属性前，先从的20个属性中选择7个属性，以随机选取的7个分裂属性中的最好的1个属性进行分裂，最后以投票的方式测试每一颗决策树，得到输出集P＝{P1(X),P2(X),...,Pk(X)}，将输出集取平均值作为最后的输出结果，此建模过程适用于任何电机运行时对实时电流的回归预测。
其中，对于建立随机森林最优电流回归模型前的样本获取，是利用上位机中已经建好的电压闭环矢量解析模型的最大转矩控制系统控制AVL实验平台，通过控制台和上位机协同操作对电动大巴用异步电机的速矩特性曲线进行最优标定，同时使用测量设备对和22个变量测量计算，最终形成样本库，使用平均精度减小(Mean Decrease Accuracy,MDA)的方法，基于不纯度的平均Gini减小(Mean DecreaseGini，MDG)的方法和标准误差(std.error)来表示样本指标对指标的影响，确定随机森林回归电流模型的输入量为s、phir、
其中，建立随机森林回归电流模型前的样本获取皆为离散实测数据，目的是为建立模型提供足够的分裂属性，便于保证回归预测的精度，通过对模型ntree和Mtry两个参量分析设定，优化了模型内部结构，将此模型再嵌入矢量控制系统中，就可以在线、实时的输出连续的最优电流，即可输出最优速矩。
本发明与现有技术相比的优点在于：
1)基于AVL实验平台实测数据建立的随机森林回归模型可以实现对不连续离散实测数据处理，进而得到任意速度点下连续的励磁电流和转矩电流准确的预测。该模型可以替代电压闭环矢量解析模型，应用在异步电机的矢量控制系统中，控制电机输出最优速矩。和现有的模型相比，具体优点如下：
2)随机森林回归模型调节电流精确，可实现输入和输出实时响应。同时，为PI控制器输送精确的输入量，克服了用公式推导电流而引入的公式参数对PI输出电压矢量的响应速度产生的影响。
3)消除了异步电机在低速和高速((恒功率区和恒转矩区)弱磁区)过渡的临界条件。传统的电流分配模型以公式作为原型搭建模型，在不同区域使用不同公式判定如何给定电流矢量，计算量大，系统结构复杂且转矩易抖动，而随机森林回归模型解决了以上缺陷。
4)随机森林回归模型可实现多输入多输出的电流配比方式，解决了离散实测数据不连续的问题，实现在任意速度点下的电流最优配比。
附图说明
图1为本发明的原理图。
图2为按公式推导建立的解析模型输出最大转矩时的励磁电流和转矩电流配比曲线。
图3为基于电压闭环矢量解析模型的VC控制系统图。
图4为20个可作为随机森林回归模型输入量的重要性分析图。
图5为随机森林回归模型内部参数Mtry个数选择的折线图。
图6为随机森林回归模型内部参数ntree选择的对比曲线图。
图7为随机森林回归模型效果图。
图8为经电压闭环矢量解析模型的励磁电流实测曲线与经随机森林回归模型的励磁电流回归曲线对比图。
图9为经电压闭环矢量解析模型的转矩电流实测曲线与经随机森林回归模型的转矩电流回归曲线对比图。
图10为将随机森林回归模型嵌入矢量控制系统代替电压闭环矢量解析模型输出励磁电流和转矩电流配比曲线与电压闭环矢量解析模型输出的配比曲线对比。
图11为将随机森林回归模型嵌入矢量控制系统代替电压闭环矢量解析模型输出的最优速矩特性曲线，并与使用电压闭环矢量解析模型和传统弱磁模型的速矩特性曲线对比。
具体实施方式
下结合附图以及具体实施方式进一步说明本发明。
为解决上述问题，如图1所示，本发明从机器学习的角度出发，对基于随机森林回归算法的电流配比输出模型的VC控制系统进行建模，从而对控制异步电机输出速矩的励磁电流和转矩电流进行在线预测，实时输出最优的电流矢量，以实现异步电机输出最优速矩。主要优点如下：(1)基于随机森林回归算法构建的电流配比模型，基本可实现输入该模型的各系统参量与励磁电流和转矩电流的输出同步，电流矢量输出响应基本没有滞后。(2)避免了配比电流时的公式运算，降低了系统运算量，简化了模型的结构。(3)预测精度高，可实现多输入多输出的运行方式。(4)消除了对异步电机全工况运行区域的划分，使电机在不同工况临界点过渡更加平滑；提高了转矩输出的稳定性,并使电机输出最优速矩。(5)由于采用离散实测数据建模，因此随机森林回归模型解决了离散实测数据不连续的问题，实现在任意速度点下的电流最优配比。
以下详述本发明随机森林回归模型的工作过程。
步骤一：基于转子磁链定向矢量控制系统的异步电机电压方程(1)，得到异步电机稳态时电压方程(2)。受异步电机本体和逆变器容限的影响，控制系统中，电流矢量和电压矢量应受到最大电流、最大电压方程的限制(3)。由(2)、(3)可得电压限制和电流限制方程(4)。异步电机稳态时转矩方程为(5)。根据拉格朗日乘数法，以式(3)、(4)为约束条件，式(5)为输出变量，建立全速范围的异步电机最大转矩方程(6)。
式中：s是转差率；Lm是电机互感；Ls是定子电感；Lr是转子电感；Rs是定子电阻；ωs是定子电角频率；ψr是转子磁链，σ是漏感因子，λ1、λ2是拉格朗日乘数方程的两个乘数；np是异步电机极对数；usd是d轴定子电压；usq是q轴定子电压；是d轴定子电流；是q轴定子电流；Usmax是最大电压；Ismax是最大电流；Te是电磁转矩。
通过求解公式(6)可得异步电机在全工况运行时输出最大转矩时励磁电流和转矩电流的分配曲线，如图2所示。其中AB段(恒转矩区)表示电机工作在恒转矩工况下的电流配比关系；BC段(恒功率区)表示电机工作在恒功率工况下的电流配比关系；CD段(恒电压区)表示电机工作在恒电压工况下的电流配比关系。AB段，λ1＝0，λ2≠0。当输出转矩最大。实际运行中考虑磁饱和等因素，往往以额定励磁电流isdn作为即可使电机运行在最佳状态。考虑电机实际运行的约束条件，BC段，λ1＝λ2≠0；CD段，λ1≠0，λ2＝0。电机运行速度实时变化，电流配比运算复杂，难以获得准确的电流配比关系。因此，用电压闭环矢量解析模型对解析模型改进。
步骤二：电压闭环控制器通过采集解耦后的定子电压矢量进行电压重组，产生定子电压(us)信号。当时，电压闭环控制器开始运行，既电机运行进入BC段。
电机运行在BC段时，由于Udc＞Usmax(Udc为母线电压)，超过了逆变器容限，电流配比同时受Usmax和Ismax的限制。此时，电压控制器由希望输出Usmax与实际输出us的差值经过调节后，自动给定(为励磁电流参考值)，而逼近解析模型的励磁电流和转矩电流的给定值。电压控制器通过降低使Udc下降，并维持在Udc≈Usmax，充分利用了Udc使电机输出最大转矩。
电机运行在CD段时，只受Usmax的限制，电压闭环控制器给定来满足Usmax限制条件，则由式(6)解得。基于电压闭环矢量解析模型的VC控制系统如图3所示。
步骤三：搭建基于AVL测功机台架系统的实验平台，对转矩-转速特性进行测试。图3所示的系统作为实验平台异步电机的控制系统，获取实测数据。实验中，调速范围为0到3000r/min，通过控制台将转速设为固定值，在上位机上调节转矩，通过AVL转矩传感器得到实测转矩，功率达到上限则停止调节。测得同一转速不同转矩对应电机输出磁通、功率、励磁电流、转矩电流等几组参量。改变转速设定值，直到覆盖调速全范围，最终测得的数据作为构建基于随机森林回归算法最优电流配比模型的实测数据样本。
步骤四：实测数据用于构建森林。森林是由许多棵决策树组成的集成分类器{T1(x),T2(x),...,Tk(x)}，通过投票对输入矢量X的数据集进行预测，每一次预测的结果记为Pk(X)，k棵决策树的预测结果为{P1(X),P2(X),...,Pk(X)}，最终的预测结果为k决策树预测结果的平均值：
步骤五：随机森林回归算法对系统参量重要性评估的方法：基于袋外数据(Out OfBag,OOB)的平均精度减小(Mean Decrease Accuracy,MDA)的方法,是利用袋外数据测试模型中每棵树的袋外误差(oobError)，将参量ν打乱顺序，再次计算其oobError*，按式(7)、(8)计算其重要性的度量值。基于不纯度的平均Gini减小(Mean Decrease Gini，MDG)的方法,是利用参量ν导致Gini不纯度降低的程度来度量的，按式(9)计算其重要性的度量值。统计学中，常用标准误差(std.error)来表示样本指标对总体指标的影响。这三种方法都是下降的越多，参量越重要。式中：MDG(v)为基于不纯度的平均Gini减小方法的参数重要性度量值；Gini(t)为每一棵树的Gini不纯度下降程度；Q为变量的类别总数；P2(k|t)为在t节点处，第k类变量的条件概率的平方。MDA(v)为基于袋外数据的平均精度减小方法的参数重要性度量值；式(7)中，i为树的个数；yi为输出的真实值；Pi为OOB数据经过RFR得到的预测值；m为OOB的样本个数；为OOB预测值的方差。
三种估计方法对参量重要性进行度量且结果一致，均表现为s、phir、比其他参量重要，如图4所示(图中ud、uq为)。因此，将其作为随机森林回归实测模型的输入量。
步骤六：根据经验，一般选择Mtry为全部类别的1/3；在本发明中，给定默认值ntree＝500，依次比较不同Mtry的oobError来选取最优的Mtry。由图5可知，当Mtry＝7时，oobError＝0.061，此时oobError最小，其值近似于经过大量计算的K折交叉验证得出的结果。ntree的选择，依次设置50，100，250，300棵树，比较不同ntree与oobError的关系，选取最优ntree。由图6可知，在ntree＝250时，oobError快速下降后趋于稳定，因此，ntree＝250最优。
综上所述，ntree＝250、Mtry＝7时，随机森林回归模型分配电流准确率最高。图7给出了以s、phir、为输入量，为输出量的随机森林回归最优分配电流模型效果图。
步骤七：将构建好的随机森林回归模型嵌入矢量控制系统中替代电压闭环矢量解析模型，运行结果对比如图8，图9，图10，图11。图8为经电压闭环矢量解析模型的励磁电流实测曲线与经随机森林回归模型的励磁电流回归曲线对比图。按式(10)、(11)计算，对回归励磁电流曲线和实测励磁电流曲线进行拟合度分析，其拟合度指标RNew的值越接近1，曲线的拟合度越高。经计算，励磁电流回归曲线的RNew＝0.985，因此，回归和实测励磁电流曲线基本拟合。图9为经电压闭环矢量解析模型的转矩电流实测曲线与经随机森林回归模型的转矩电流回归曲线对比图。按式(10)、(11)计算，对回归转矩电流曲线和实测转矩电流曲线进行拟合度分析，转矩电流回归曲线的RNew＝0.991，因此，回归和实测转矩电流曲线基本拟合。由图8、9分析可知，回归与实测曲线的拟合度较高，随机森林回归模型分配电流效果接近电压闭环解析模型的分配结果，所以，随机森林回归模型对最优电流的预测配比有效。图10为将随机森林回归模型嵌入矢量控制系统代替电压闭环矢量解析模型输出励磁电流和转矩电流的配比曲线与电压闭环矢量解析模型输出的配比曲线对比。图10为2种模型控制电机运行在0到3000r/min的配比实测电流矢量对比曲线，其变化趋势与图2趋势相同。随机森林回归模型与电压闭环矢量解析模型的实测配比电流曲线的拟合度指标RNew≈1，既逼近解析模型(式(6))和图2的电流分配结果。由式(6)可知，输出转矩与电流分配有关，保证电流合理分配是电机输出最优转矩的前提。综上所述，随机森林回归模型可以合理分配电流，控制电机输出最优速矩。图11为将随机森林回归模型嵌入矢量控制系统代替电压闭环矢量解析模型输出的最优速矩特性曲线，并与使用电压闭环矢量解析模型和传统弱磁模型的速矩特性曲线对比。图11为3种模型控制电机在全工况运行的实测速矩特性曲线对比。随机森林回归模型与电压闭环矢量解析模型分别控制电机运行，输出的实测速矩特性曲线的拟合度指标RNew≈1。在恒功率区和恒电压区，随机森林回归模型控制电机输出转矩优于电压闭环矢量解析模型控制下的输出转矩，间接证明了随机森林回归模型可实现在任意速度点下的电流配比最优；降低了解析模型电流配比计算量；有效的提高了电机在恒功率区和恒电压区运行的速矩特性。
Q＝∑(y-y*)2 (10)
式中：Q为残差平方和；y为实测数据；y*为回归数据；RNew为拟合度指标。
Claims (5)
1.一种基于随机森林回归算法的电动大巴用异步电机最优速矩输出方法，其特征在于：所述的方法包括以下步骤：
步骤一：为了探寻电流分配与最大转矩的关系，构建异步电机电流配比输出解析模型，需从转子磁链定向矢量控制系统入手，结合异步电机Ismax和Usmax的约束条件，对电压、电流、转矩之间的解析关系进行推导；
步骤二：为降低步骤一中解析模型的计算量，使控制系统结构简单，且配比电流结果与解析模型相近，需建立一个电压闭环矢量解析模型；
步骤三：选取电压闭环矢量解析模型作为控制励磁电流和转矩电流配比的控制模型，将其应用在矢量控制系统中，在AVL实验平台上运行，测取电机全工况运行时的电流分配数据和影响电流分配的各种系统参量，将其用作搭建随机森林回归模型分配电流的样本库；
步骤四：将影响电流分配的系统参量作为RFR模型的输入矢量，为：其中，n为转速；phi(r/d)为磁通分量；s为转差率；为解耦后定子电压分量；
步骤五：由于输入参量过多，为简化系统结构，使随机森林回归模型输入量减少，分别用3种方法评估系统参量对输出电流的影响，最终选择影响力度大的系统参量作为随机森林回归模型的输入量；
步骤六：为了精准预测励磁电流和转矩电流，需对随机森林回归模型内部参数进行优化。建立随机森林回归模型时，需对每个分裂节点处的样本预测器个数(Mtry)和生成决策树个数(ntree)进行选择,合理选择模型参数能提高预测结果的准确率。
2.根据权利要求1所述的一种基于随机森林回归算法的电动大巴用异步电机最优速矩输出方法，其特征在于：建立基于拉格朗日函数的异步电机全工况运行下的最优电流分配解析模型，其中电压、电流限制条件作为最优电流分配解析模型的2个约束条件，为两个变量，再引入2个λ参数，构成n个约束条件，y个变量，v个参数的n+y+v结构的最大转矩电流分配解析模型，适用于任何电机，具有多个限制条件的最优电流分配求解。
3.根据权利要求1所述的一种基于随机森林回归算法的电动大巴用异步电机最优速矩输出方法，其特征在于：构建最优电流分配的随机森林回归模型，此模型基于Bootstrap方法重采样，随机产生T个训练集S1,S2,…ST,然后利用训练集生成决策树，在每个非子叶选择节点属性前，先从的20个属性中选择7个属性，以随机选取的7个分裂属性中的最好的1个属性进行分裂，最后以投票的方式测试每一颗决策树，得到 输出集P＝{P1(X),P2(X),...,Pk(X)}，将输出集取平均值作为最后的输出结果，此建模过程适用于任何电机运行时对实时电流的回归预测。
4.根据权利要求1所述的一种基于随机森林回归算法的电动大巴用异步电机最优速矩输出方法，其特征在于：对于建立随机森林最优电流回归模型前的样本获取，是利用上位机中已经建好的电压闭环矢量解析模型的最大转矩控制系统控制AVL实验平台，通过控制台和上位机协同操作对电动大巴用异步电机的速矩特性曲线进行最优标定，同时使用测量设备对和个变量测量计算，最终形成样本库，使用平均精度减小(Mean Decrease Accuracy,MDA)的方法，基于不纯度的平均Gini减小(MeanDecrease Gini，MDG)的方法和标准误差(std.error)来表示样本指标对指标的影响，确定随机森林回归电流模型的输入量为s、phir、
5.根据权利要求1所述的一种基于随机森林回归算法的电动大巴用异步电机最优速矩输出方法，其特征在于：建立随机森林回归电流模型前的样本获取皆为离散实测数据，目的是为建立模型提供足够的分裂属性，便于保证回归预测的精度，通过对模型ntree和Mtry两个参量分析设定，优化了模型内部结构，将此模型再嵌入矢量控制系统中，就可以在线、实时的输出连续的最优电流，即可输出最优速矩。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910228569.6A CN109981016B (zh) | 2019-03-25 | 2019-03-25 | 一种基于随机森林回归算法的电动大巴用异步电机最优速矩输出方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910228569.6A CN109981016B (zh) | 2019-03-25 | 2019-03-25 | 一种基于随机森林回归算法的电动大巴用异步电机最优速矩输出方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109981016A true CN109981016A (zh) | 2019-07-05 |
| CN109981016B CN109981016B (zh) | 2020-10-30 |
Family
ID=67080436
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910228569.6A Active CN109981016B (zh) | 2019-03-25 | 2019-03-25 | 一种基于随机森林回归算法的电动大巴用异步电机最优速矩输出方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109981016B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110247602A (zh) * | 2019-07-15 | 2019-09-17 | 东风电子科技股份有限公司 | 用于内嵌式永磁同步电机外特性标定的台架标定系统及相应的标定查表处理方法 |
| CN111191361A (zh) * | 2019-12-27 | 2020-05-22 | 湖南大学 | 一种基于随机森林的螺旋电感建模方法 |
| CN112821823A (zh) * | 2021-01-08 | 2021-05-18 | 东风商用车有限公司 | 汽车智能发电机输出电流闭环控制方法及系统 |
| CN113067522A (zh) * | 2021-03-29 | 2021-07-02 | 杭州吉易物联科技有限公司 | 基于rf-ga-svm算法的升降机输出电压控制方法 |
| CN113486585A (zh) * | 2021-07-06 | 2021-10-08 | 新智数字科技有限公司 | 设备剩余使用寿命预测方法、装置、电子设备及存储介质 |
| CN113726253A (zh) * | 2021-09-03 | 2021-11-30 | 安徽大学 | 一种提高电动汽车用永磁同步电机效率的方法 |
| CN115083549A (zh) * | 2022-07-18 | 2022-09-20 | 烟台国工智能科技有限公司 | 一种基于数据挖掘的产品原料配比逆向推导方法 |
| CN118100728A (zh) * | 2024-04-28 | 2024-05-28 | 四川蓉大智能设备有限公司 | 轮盘式槽式翻抛机的交流电机控制方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
| CN108197752A (zh) * | 2018-01-25 | 2018-06-22 | 国网福建省电力有限公司 | 基于随机森林的风机输出功率短期预测方法 |
| US20180276861A1 (en) * | 2017-03-22 | 2018-09-27 | Sas Institute Inc. | Computer system to generate scalable plots using clustering |
| CN109017799A (zh) * | 2018-04-03 | 2018-12-18 | 张锐明 | 一种新能源汽车驾驶行为预测方法 |
-
2019
- 2019-03-25 CN CN201910228569.6A patent/CN109981016B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180276861A1 (en) * | 2017-03-22 | 2018-09-27 | Sas Institute Inc. | Computer system to generate scalable plots using clustering |
| CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
| CN108197752A (zh) * | 2018-01-25 | 2018-06-22 | 国网福建省电力有限公司 | 基于随机森林的风机输出功率短期预测方法 |
| CN109017799A (zh) * | 2018-04-03 | 2018-12-18 | 张锐明 | 一种新能源汽车驾驶行为预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| M.A.HANNAN等: "A Random Forest Regression Based Space Vector PWM Inverter Controller for the Induction Motor Drive", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 * |
| 彭喜英等: "基于随机森林回归算法的感应电机驱动控制", 《电气传动》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110247602A (zh) * | 2019-07-15 | 2019-09-17 | 东风电子科技股份有限公司 | 用于内嵌式永磁同步电机外特性标定的台架标定系统及相应的标定查表处理方法 |
| CN111191361A (zh) * | 2019-12-27 | 2020-05-22 | 湖南大学 | 一种基于随机森林的螺旋电感建模方法 |
| CN112821823A (zh) * | 2021-01-08 | 2021-05-18 | 东风商用车有限公司 | 汽车智能发电机输出电流闭环控制方法及系统 |
| CN113067522A (zh) * | 2021-03-29 | 2021-07-02 | 杭州吉易物联科技有限公司 | 基于rf-ga-svm算法的升降机输出电压控制方法 |
| CN113067522B (zh) * | 2021-03-29 | 2023-08-01 | 杭州吉易物联科技有限公司 | 基于rf-ga-svm算法的升降机输出电压控制方法 |
| CN113486585A (zh) * | 2021-07-06 | 2021-10-08 | 新智数字科技有限公司 | 设备剩余使用寿命预测方法、装置、电子设备及存储介质 |
| CN113726253A (zh) * | 2021-09-03 | 2021-11-30 | 安徽大学 | 一种提高电动汽车用永磁同步电机效率的方法 |
| CN113726253B (zh) * | 2021-09-03 | 2023-10-27 | 安徽大学 | 一种提高电动汽车用永磁同步电机效率的方法 |
| CN115083549A (zh) * | 2022-07-18 | 2022-09-20 | 烟台国工智能科技有限公司 | 一种基于数据挖掘的产品原料配比逆向推导方法 |
| CN118100728A (zh) * | 2024-04-28 | 2024-05-28 | 四川蓉大智能设备有限公司 | 轮盘式槽式翻抛机的交流电机控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109981016B (zh) | 2020-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109981016A (zh) | 一种基于随机森林回归算法的电动大巴用异步电机最优速矩输出方法 | |
| CN104603699B (zh) | 温度管理系统 | |
| CN108696210B (zh) | 基于参数辨识的直流电机电流环控制器参数自整定方法 | |
| CN105474532B (zh) | 在ac感应式电机中转子时间常量在线识别的系统及方法 | |
| CN106712646A (zh) | 使用频率响应调节电机驱动器的方法 | |
| CN102624320A (zh) | 基于定子电阻观测器的电动机动/稳态阶段参数辨识方法 | |
| CN113726253B (zh) | 一种提高电动汽车用永磁同步电机效率的方法 | |
| CN105759148B (zh) | 一种用电器类型判断方法 | |
| CN102176653A (zh) | 带指数渐消因子的卡尔曼滤波器的感应电机转速观测方法 | |
| CN109343351A (zh) | 一种改进pid控制的开关磁阻电机转矩控制系统 | |
| CN107248808B (zh) | 一种可实现控制器参数自整定的电力变换器控制电路 | |
| CN107171612A (zh) | 模糊分数阶pid的开关磁阻电机转矩控制方法与系统 | |
| Wang et al. | Approximation accuracy of some neuro-fuzzy approaches | |
| CN106788051A (zh) | 一种无轴承异步电机转速估计方法 | |
| Xu et al. | Optimal tuning of PID parameters using iterative learning approach | |
| CN113268040A (zh) | 一种数控机床伺服进给系统控制参数的优选方法 | |
| CN117590989B (zh) | 基于神经网络的电机转速在线估算装置及方法 | |
| CN110350540B (zh) | 一种基于在线估计负荷频率特性的精细切负荷方法 | |
| CN102621893A (zh) | 基于四个修正因子的电机非平衡负载模糊控制方法 | |
| CN107516115A (zh) | 一种基于k‑中心点算法的负荷模型典型参数提取方法 | |
| Qi et al. | Reinforcement learning based parameter lookup table generating method for optimal torque control of induction motors | |
| CN106130425B (zh) | 混合动力车用开关磁阻bsg系统智能控制器的构造方法 | |
| CN105048920B (zh) | 一种考虑励磁系统调节作用的改进同步发电机抛载试验参数辨识方法 | |
| CN107421190A (zh) | 冰箱及其中冷凝风机的控制方法和装置 | |
| CN106788064B (zh) | 基于emd-elm的感应电机定子电阻参数识别方法 |
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 |