CN110266228B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN110266228B
CN110266228B CN201910603590.XA CN201910603590A CN110266228B CN 110266228 B CN110266228 B CN 110266228B CN 201910603590 A CN201910603590 A CN 201910603590A CN 110266228 B CN110266228 B CN 110266228B
Authority
CN
China
Prior art keywords
neural network
voltage vector
permanent magnet
output
input
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
CN201910603590.XA
Other languages
English (en)
Other versions
CN110266228A (zh
Inventor
李耀华
赵承辉
秦玉贵
周逸凡
秦辉
苏锦仕
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.)
Hefei Keyiguo Information Technology Co ltd
Heilongjiang Hanze Petroleum Equipment Co ltd
Original Assignee
Changan 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 Changan University filed Critical Changan University
Priority to CN201910603590.XA priority Critical patent/CN110266228B/zh
Publication of CN110266228A publication Critical patent/CN110266228A/zh
Application granted granted Critical
Publication of CN110266228B publication Critical patent/CN110266228B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P21/0014—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/24—Vector control not involving the use of rotor position or rotor speed sensors
    • H02P21/28—Stator flux based control
    • H02P21/30—Direct torque control [DTC] or field acceleration method [FAM]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Control Of Ac Motors In General (AREA)

Abstract

本发明公开了基于BP神经网络的表面式永磁同步电机模型预测控制方法，本发明采用BP神经网络替代表面式永磁同步电机模型预测算法，BP神经网络具有强大的非线性拟合和自适应自学习的能力，可以大大减少算法的运算时间和运算负担，提高系统的及时性，并且BP神经网络替代的准确率和效果均令人满意，相对于传统的模型预测算法具有一定的创新优势，验证了智能算法在电机控制中的应用前景。

Description

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
技术领域
本发明属于永磁同步电机直接转矩控制领域，具体涉及基于BP神经网络的表面式永磁同步电机模型预测控制方法。
背景技术
直接转矩控制技术基于定子磁链坐标系并直接将转矩作为控制对象，避免了旋转坐标变换时的大量计算以及对电机参数的依赖性，其动态性能好，转矩响应时间短。但是传统DTC是一种离线式控制方法，将控制算法以及预先编制好的电压矢量LUT植入微处理器中，在每一控制周期循环执行。DTC根据电机控制系统当前的转矩误差和定子磁链误差从电压矢量LUT中选取最优电压矢量来消除转矩误差和定子磁链误差。但是传统DTC只能根据每一控制周期初始时刻的电机变量误差选取最优电压矢量，并不能预知在此电压矢量作用下电机变量的变化趋势，无法保证整个控制周期内转矩和定子磁链始终保持在一定的范围内，导致较大的转矩脉动和定子磁链脉动。同时，传统电压矢量LUT设计简单，控制精度较低，电机在特定运行状态下可有多个不同电压矢量供选择输出，根据查表法得到的电压矢量可能并不是最优的电压矢量。因此，可以研究电机的在线式控制方法，实时预测施加不同电压矢量时电机变量的变化，提前预知在某一电压矢量作用下电机转矩误差和定子磁链误差在整个控制周期内的变化，确保所施加电压矢量的有效性和准确性。
模型预测控制(Model predictive control,MPC)作为一种有效的在线式控制方法被广泛的应用于各种工业控制场合。有相关文献提出将MPC与DTC相结合，提出一种模型预测直接转矩控制，该方法对连续的非线性电机方程进行离散化得到电机预测模型，预测不同电压矢量作用下未来多个控制周期内电机转矩和定子磁链的变化，并根据目标函数对每一电压矢量的各步预测结果进行综合评估，最终确定一个最优电压矢量序列并只输出序列的首项。该方法的首要目标是降低逆变器开关频率，同时将电机转矩、定子磁链和逆变器中性点电压限制在一定范围内，以保证电机稳定运行。但是文献中提出的预测算法运算量较大，难以在实际应用中实施。
发明内容
本发明的目的在于克服上述不足，提供一种基于BP神经网络的表面式永磁同步电机模型预测控制方法，通过将离线训练好的BP神经网络编译成在线BP神经网络放入模型预测直接转矩控制系统中，替代模型预测算法完成未来控制周期内最优电压矢量的选择工作。
为了达到上述目的，本发明包括以下步骤：
步骤一，确定表面式永磁同步电机模型预测控制算法中的输入量和输出量，并确定其中变化量的取值范围和适当的变化步长；
步骤二，按照各个输入量的变化步长将各参数的取值范围遍历取遍，并送入表面式永磁同步电机模型预测控制算法中，生成未来控制周期内模型预测控制算法选择的最优电压矢量序列，并且将各个输入量的取值与对应选择出来的最优电压矢量对应组合成BP神经网络的训练样本；
步骤三，构建BP神经网络拓扑模型；
步骤四，将步骤二中的训练样本数据进行归一化处理，将归一化处理后的训练样本输入已构建BP神经网络拓扑模型中进行离线训练学习，得到符合要求的权值阈值；
步骤五，将离线训练好的BP神经网络模型编译成在线学习的BP神经网络，并将离线训练好的权值阈值作为在线学习BP神经网络的初始权值阈值，将在线学习的BP神经网络嵌入到表面式永磁同步电机模型预测直接转矩控制系统中与模型预测算法并联，用于替代模型预测控制算法进行未来控制周期内电机最优电压矢量选择的工作和功能；
步骤六，在模型预测算法模块和在线BP神经网络的并联之间设置一个开关量，当转矩脉动较大时即当转矩脉动大于阈值时，开关量将工作模式切换为模型预测算法进行最优电压矢量的选择工作，同时，新的样本数据送入在线学习的BP神经网络进行新的训练和再学习；当转矩脉动值小于阈值时，均使用神经网络进行电压矢量的选择工作。
步骤一，确定表面式永磁同步电机模型预测控制算法中的输入量和输出量的具体方法如下：
忽略转子旋转运动和定子电阻压降，施加非零电压矢量后，下一时刻定子磁链幅值和转矩如公式1.1所示：
Figure BDA0002120080320000031
Figure BDA0002120080320000032
是当前K时刻定子磁链的幅值，
Figure BDA0002120080320000033
是k+1时刻的定子磁链幅值,
Figure BDA0002120080320000034
是当前要施加的电压矢量幅值，固定幅值，即将电压矢量设置为定幅值，其幅值恒等于
Figure BDA0002120080320000035
其中Udc是直流母线电压；Δt是该电压矢量施加的作用时间，α是电压矢量与定子磁链矢量之间的夹角；
下一时刻定子磁链转矩如公式1.2所示：
Figure BDA0002120080320000036
Te(k+1)是k+1时刻的电机转矩，p是电机的极对数，ψf是永磁体磁链，
Figure BDA0002120080320000037
是当前K时刻定子磁链的幅值，Ld为d轴定子电感，α是电压矢量与定子磁链矢量之间的夹角，δ(k)是当前K时刻的转矩角；
所用成本函数如公式1.3所示：
Figure BDA0002120080320000038
将公式1.1和公式1.2计算的结果送入成本函数，整个算法过程中，如果有n个备选电压矢量，则会得到n个成本函数数值，选择成本函数最小的数值所对应的电压矢量作为该计算控制周期内要施加给电机的最优电压矢量；
模型预测控制算法的输入量分别有转矩角、当前定子磁链幅值、当前定子磁链角位置、参考磁链、参考转矩、备选电压矢量角度，并根据在电机实际的运行过程确定各变化量的取值范围，并确定恰当的变化步长。
步骤二中，通过编程或者仿真实现按照各参数的变化步长遍历取遍各参数的取值范围内的数值。
步骤三中，BP神经网络模型为三层的前馈神经网络，根据隐含层节点经验公式
Figure BDA0002120080320000041
其中a为0～10之间的常数，确定隐含层节点数，输入层节点数为6，对应步骤一中确定出来的模型预测控制算法的输入量，输出层节点等于备选电压矢量的个数，BP神经网络的隐含层和输出层中的神经元的激活函数均采用sigmoid型变换函数，sigmoid函数的表达式为
Figure BDA0002120080320000042
步骤四中，归一化处理采用最大最小法，其函数形式如下所示：
Figure BDA0002120080320000043
式中，xmin为数据系列中的最小数，xmax为序列中的最大数。
步骤四中，BP神经网络拓扑模型进行训练学习的具体方法如下：
第一步，归一化处理后的训练样本每一维分别对应表面式永磁同步电机模型预测算法中的因变量即输入量，将输入与输出组合成训练样本序列(X,Y)，X是输入数据，Y是对应的输出数据；
第二步，根据系统输入输出组合成的训练样本序列(X,Y)确定网络输入层节点数n，隐含层节点数l，输出层节点数m，初始化输入层、隐含层和输出层神经元之间的连接权值ωij，ωjk，初始化隐含层阈值a，输出层阈值b，给定学习速率和神经元激励函数；
第三步，根据输入变量X，输入层和隐含层间连接权值ωij以及隐含层阈值a，计算隐含层输出H；
Figure BDA0002120080320000051
式中，l为隐含层节点数，f为隐含层激励函数，所选函数为：
Figure BDA0002120080320000052
第四步，根据隐含层输出H，连接权值ωjk和阈值b，计算BP神经网络预测输出O；
Figure BDA0002120080320000053
第五步，根据网络预测输出O和期望输出Y，计算网络预测误差e；
ek＝Yk-Ok k＝1,2,…,m 1.8
第六步，根据网络预测误差e更新网络连接权值ωij和ωjk；
Figure BDA0002120080320000054
ωjk＝ωjk+ηHjek j＝1,2,…,l；k＝1,2,…,m 1.10
式中，η为学习速率，Hj(1-Hj)是sigmoid函数求导之后将隐含层输出带入之后的形式；
第七步，根据网络预测误差e更新网络节点阈值a,b；
Figure BDA0002120080320000055
bk＝bk+ek k＝1,2,…,m 1.12
第八步，判断算法迭代是否结束，若迭代结束要满足以下条件之一，则迭代结束：
条件1，达到迭代次数2000；
条件2，预测的误差降到目标误差值0.05以内；
条件3，连续6次验证集误差不降低或者反而增加；
若迭代没有结束，则返回第三步。
与现有技术相比，本发明采用BP神经网络替代表面式永磁同步电机模型预测算法，BP神经网络具有强大的非线性拟合和自适应自学习的能力，可以大大减少算法的运算时间和运算负担，提高系统的及时性，将离线训练好的BP神经网络模型编译成在线学习的BP神经网络，并将离线训练好的权值阈值作为在线学习BP神经网络的初始权值阈值，能够优化在线BP神经网络的初始权值阈值，加速网络的训练，并且BP神经网络替代的准确率和效果均令人满意，由于神经网络没有反馈和纠正能力，通过设置一个开关量和阈值切换神经网络工作模式和模型预测算法工作模式可以有效解决此问题，且在线学习的BP神经网络方式让神经网络有了再学习的能力，本发明相对于传统的模型预测算法具有一定的创新优势，验证了智能算法在电机控制中的应用前景。
附图说明
图1是本发明的模型流程图；
图2是本发明的BP神经网络的原理示意图；
图3为定子磁链运动变化图。
具体实施方式
下面结合附图对本发明做进一步说明。
参见图1，本发明包括以下步骤：
步骤一，确定表面式永磁同步电机模型预测控制算法中的输入量和输出量，并确定其中变化量的取值范围和适当的变化步长；
步骤二，按照各个输入量的变化步长将各参数的取值范围遍历取遍，并送入表面式永磁同步电机模型预测控制算法中，生成未来控制周期内模型预测控制算法选择的最优电压矢量序列，并且将各个输入量的取值与对应选择出来的最优电压矢量对应组合成BP神经网络的训练样本；
步骤三，构建BP神经网络拓扑模型；
步骤四，将步骤二中收集到的训练样本数据进行数据归一化处理，将归一化处理后的训练样本数据输入到已构建BP神经网络拓扑模型中进行离线训练学习，得到符合要求的权值阈值；
步骤五，将离线训练好的BP神经网络模型编译成在线学习的BP神经网络，并将离线训练好的权值阈值作为在线学习BP神经网络的初始权值阈值，将在线BP神经网络嵌入到表面式永磁同步电机模型预测直接转矩控制系统中与模型预测算法并联，替代模型预测控制算法进行未来控制周期内电机最优电压矢量选择的工作和功能；
步骤六，将离线训练好的BP神经网络模型编译成在线学习的BP神经网络，并将离线训练好的权值阈值作为在线学习BP神经网络的初始权值阈值。将在线BP神经网络嵌入到表面式永磁同步电机模型预测直接转矩控制系统中与模型预测算法并联，替代模型预测控制算法进行未来控制周期内电机最优电压矢量选择的工作和功能。
神经网络没有反馈和纠正能力，通过设置一个开关量和阈值切换神经网络工作模式和模型预测算法工作模式可以有效解决此问题，且在线学习的BP神经网络方式让神经网络有了再学习的能力。
步骤一中，忽略转子旋转运动和定子电阻压降，施加非零电压矢量后，定子磁链运动变化如图3所示。
施加电压矢量后，下一时刻定子磁链幅值和转矩如公式1.13和公式1.14所示。
Figure BDA0002120080320000071
其中，
Figure BDA0002120080320000072
是当前K时刻定子磁链的幅值，
Figure BDA0002120080320000073
是k+1时刻的定子磁链幅值,
Figure BDA0002120080320000074
是当前要施加的电压矢量幅值，固定幅值，即将电压矢量设置为定幅值，其幅值恒等于
Figure BDA0002120080320000075
其中Udc是直流母线电压；Δt是该电压矢量施加的作用时间，α是电压矢量与定子磁链矢量之间的夹角。
Figure BDA0002120080320000081
Te(k+1)是k+1时刻的电机转矩，p是电机的极对数，ψf是永磁体磁链，
Figure BDA0002120080320000082
是当前K时刻定子磁链的幅值，Ld为d轴定子电感，α是电压矢量与定子磁链矢量之间的夹角，δ(k)是当前K时刻的转矩角。
所用成本函数如公式1.15所示：
Figure BDA0002120080320000083
将公式1.13和公式1.14计算的结果送入成本函数，整个算法过程中，如果有n个备选电压矢量，则会得到n个成本函数数值，选择成本函数最小的数值所对应的电压矢量作为该计算控制周期内要施加给电机的最优电压矢量。
由上述表面式永磁同步电机模型预测控制的公式中可以得知模型预测控制算法的输入量分别有转矩角(变化步长取1°时)、当前定子磁链幅值(0.01时)、当前定子磁链角位置(变化步长取1°时)、参考磁链、参考转矩、备选电压矢量角度分别是0°、60°、120°、180°、240°、300°等等，括号内是通过客观实际情况确定的各个参数的变化步长。
步骤二中，通过步骤一中对表面式永磁同步电机模型预测算法的公式中确定了输入量及其适当的变化步长，通过编程或者仿真实现按照各参数的变化步长遍历取遍各参数的取值范围内的所有数值，并送入表面式永磁同步电机模型预测系统或者模块中，生成未来控制周期内模型预测控制算法选择的最优电压矢量序列，并且将其与对应的各个输入量的取值对应组合成BP神经网络的训练样本矩阵。
步骤三中，BP神经网络模型为3层的前馈神经网络，根据隐含层节点经验公式
Figure BDA0002120080320000084
其中a为0～10之间的常数，确定隐含层节点数，输入层节点数为6，对应步骤一中确定出来的模型预测控制算法的输入量，输出层节点等于备选电压矢量的个数，BP神经网络的隐含层和输出层中的神经元的激活函数均采用sigmoid型变换函数，sigmoid函数的表达式为
Figure BDA0002120080320000091
步骤四中，为了取消各维数据间数量级差别，避免因为输入输出数据数量级差别较大而造成网络预测误差较大，需要对数据进行归一化处理，本方法中所述神经网络中采用的归一化方法为最大最小法，其函数形式如下：
Figure BDA0002120080320000092
式中，xmin为数据系列中的最小数，xmax为序列中的最大数。
步骤五中，BP神经网络拓扑模型进行训练学习的过程如下：
(5.1)输入数据：
对步骤二中收集到的训练数据进行数据预处理即数据归一化处理之后，形成一个6维矩阵，每一维分别对应表面式永磁同步电机模型预测算法中的因变量即输入量，将输入与输出组合成训练样本序列(X,Y)，X是输入数据，Y是对应的输出数据。
(5.2)网络初始化:
根据系统输入输出序列(X,Y)确定网络输入层节点数n，隐含层节点数l，输出层节点数m，初始化输入层、隐含层和输出层神经元之间的连接权值ωij，ωjk，初始化隐含层阈值a，输出层阈值b，给定学习速率和神经元激励函数。
(5.3)隐含层输出计算:
根据输入变量X，输入层和隐含层间连接权值ωij以及隐含层阈值a，计算隐含层输出H。
Figure BDA0002120080320000093
式中，l为隐含层节点数，f为隐含层激励函数，该函数有多种选择，本发明所选函数为
Figure BDA0002120080320000101
(5.4)输出层输出计算:
根据隐含层输出H，连接权值ωjk和阈值b，计算BP神经网络预测输出O。
Figure BDA0002120080320000102
(5.5)误差计算:
根据网络预测输出O和期望输出Y，计算网络预测误差e。
ek＝Yk-Ok k＝1,2,…,m
(5.6)权值更新:
根据网络预测误差e更新网络连接权值ωij和ωjk。
Figure BDA0002120080320000103
ωjk＝ωjk+ηHjek j＝1,2,…,l；k＝1,2,…,m 2
式中，η为学习速率，Hj(1-Hj)是sigmoid函数求导之后将隐含层输出带入之后的形式。
(5.7)阈值更新:
根据网络预测误差e更新网络节点阈值a,b。
Figure BDA0002120080320000104
bk＝bk+ek k＝1,2,…,m
(5.8)判断算法迭代是否结束，迭代结束要满足以下条件之一：
(1)达到迭代次数2000；
(2)预测的误差降到目标误差值0.05以内；
(3)连续6次验证集误差不降低或者反而增加。若迭代没有结束，返回步骤(5.3)。
目前暂时没有发现使用神经网络替代模型预测算法去选择电压矢量这样的做法，所以本发明具有开创性，且神经网络具有强大的非线性拟合能力，利用神经网络去替代计算量较大实时性不好的模型预测控制具有重要的探索意义和实际应用价值。

Claims (6)

1.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，其特征在于，包括以下步骤：
步骤一，确定表面式永磁同步电机模型预测控制算法中的输入量和输出量，并确定其中变化量的取值范围和适当的变化步长；
步骤二，按照各个输入量的变化步长将各参数的取值范围遍历取遍，并送入表面式永磁同步电机模型预测控制算法中，生成未来控制周期内模型预测控制算法选择的最优电压矢量序列，并且将各个输入量的取值与对应选择出来的最优电压矢量对应组合成BP神经网络的训练样本；
步骤三，构建BP神经网络拓扑模型；
步骤四，将步骤二中的训练样本数据进行归一化处理，将归一化处理后的训练样本输入已构建BP神经网络拓扑模型中进行离线训练学习，得到符合要求的权值阈值；
步骤五，将离线训练好的BP神经网络模型编译成在线学习的BP神经网络，并将离线训练好的权值阈值作为在线学习BP神经网络的初始权值阈值，将在线学习的BP神经网络嵌入到表面式永磁同步电机模型预测直接转矩控制系统中与模型预测算法并联，用于替代模型预测控制算法进行未来控制周期内电机最优电压矢量选择的工作和功能；
步骤六，在模型预测算法模块和在线BP神经网络的并联之间设置一个开关量，当转矩脉动较大时即当转矩脉动大于阈值时，开关量将工作模式切换为模型预测算法进行最优电压矢量的选择工作，同时，新的样本数据送入在线学习的BP神经网络进行新的训练和再学习；当转矩脉动值小于阈值时，均使用神经网络进行电压矢量的选择工作。
2.根据权利要求1所述的基于BP神经网络的表面式永磁同步电机模型预测控制方法，其特征在于，步骤一，确定表面式永磁同步电机模型预测控制算法中的输入量和输出量的具体方法如下：
忽略转子旋转运动和定子电阻压降，施加非零电压矢量后，下一时刻定子磁链幅值如公式1.1所示：
Figure FDA0002906030920000021
Figure FDA0002906030920000022
是当前k时刻定子磁链的幅值，
Figure FDA0002906030920000023
是k+1时刻的定子磁链幅值,
Figure FDA0002906030920000024
是当前要施加的电压矢量幅值，为固定幅值，即将电压矢量设置为定幅值，其幅值恒等于
Figure FDA0002906030920000025
其中Udc是直流母线电压；Δt是该电压矢量施加的作用时间，α是电压矢量与定子磁链矢量之间的夹角；
下一时刻转矩如公式1.2所示：
Figure FDA0002906030920000026
Te(k+1)是k+1时刻的电机转矩，p是电机的极对数，ψf是永磁体磁链，
Figure FDA0002906030920000027
是当前k时刻定子磁链的幅值，Ld为d轴定子电感，α是电压矢量与定子磁链矢量之间的夹角，δ(k)是当前k时刻的转矩角；
所用成本函数如公式1.3所示：
Figure FDA0002906030920000028
Figure FDA0002906030920000029
为给定的定子磁链的幅值，Te *为给定的电机转矩；
将公式1.1和公式1.2计算的结果送入成本函数，整个算法过程中，如果有n个备选电压矢量，则会得到n个成本函数数值，选择成本函数最小的数值所对应的电压矢量作为该计算控制周期内要施加给电机的最优电压矢量；
模型预测控制算法的输入量分别有转矩角、当前定子磁链幅值、当前定子磁链角位置、参考磁链、参考转矩、备选电压矢量角度，并根据在电机实际的运行过程确定各变化量的取值范围，并确定恰当的变化步长。
3.根据权利要求1所述的基于BP神经网络的表面式永磁同步电机模型预测控制方法，其特征在于，步骤二中，通过编程或者仿真实现按照各参数的变化步长遍历取遍各参数的取值范围内的数值。
4.根据权利要求1所述的基于BP神经网络的表面式永磁同步电机模型预测控制方法，其特征在于，步骤三中，BP神经网络模型为三层的前馈神经网络，根据隐含层节点经验公式
Figure FDA0002906030920000031
m为输出层节点数，n为输入层节点数，其中a为0～10之间的常数，确定隐含层节点数，输入层节点数为6，对应步骤一中确定出来的模型预测控制算法的输入量，输出层节点等于备选电压矢量的个数，BP神经网络的隐含层和输出层中的神经元的激活函数均采用sigmoid型变换函数，sigmoid函数的表达式为
Figure FDA0002906030920000032
5.根据权利要求1所述的基于BP神经网络的表面式永磁同步电机模型预测控制方法，其特征在于，步骤四中，归一化处理采用最大最小法，其函数形式如下所示：
Figure FDA0002906030920000033
式中，xmin为数据系列中的最小数，xmax为序列中的最大数。
6.根据权利要求1所述的基于BP神经网络的表面式永磁同步电机模型预测控制方法，其特征在于，步骤四中，BP神经网络拓扑模型进行离线训练学习的具体方法如下：
第一步，归一化处理后的训练样本每一维分别对应表面式永磁同步电机模型预测算法中的因变量即输入量，将输入与输出组合成训练样本序列(X,Y)，X是输入数据，Y是对应的输出数据；
第二步，根据系统输入输出组合成的训练样本序列(X,Y)确定网络输入层节点数n，隐含层节点数l，输出层节点数m，初始化输入层、隐含层和输出层神经元之间的连接权值ωij，ωjk，初始化隐含层阈值a，输出层阈值b，给定学习速率和神经元激励函数；
第三步，根据输入变量X，输入层和隐含层间连接权值ωij以及隐含层阈值a，计算隐含层输出H；
Figure FDA0002906030920000041
式中，l为隐含层节点数，f为隐含层激励函数，xi为输入变量，i＝1,2,…,n，所选函数为：
Figure FDA0002906030920000042
第四步，根据隐含层输出H，连接权值ωjk和阈值b，计算BP神经网络预测输出O；
Figure FDA0002906030920000043
第五步，根据网络预测输出O和期望输出Y，计算网络预测误差e；
ek＝Yk-Ok k＝1,2,…,m 1.8
第六步，根据网络预测误差e更新网络连接权值ωij和ωjk；
Figure FDA0002906030920000044
ωjk＝ωjk+ηHjek j＝1,2,…,l；k＝1,2,…,m 1.10
式中，η为学习速率，Hj(1-Hj)是sigmoid函数求导之后将隐含层输出带入之后的形式；
第七步，根据网络预测误差e更新网络节点阈值a,b；
Figure FDA0002906030920000045
bk＝bk+ek k＝1,2,…,m 1.12
第八步，判断算法迭代是否结束，若迭代结束要满足以下条件之一，则迭代结束：
条件1，达到迭代次数2000；
条件2，预测的误差降到目标误差值0.05以内；
条件3，连续6次验证集误差不降低或者反而增加；
若迭代没有结束，则返回第三步。
CN201910603590.XA 2019-07-05 2019-07-05 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 Active CN110266228B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910603590.XA CN110266228B (zh) 2019-07-05 2019-07-05 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910603590.XA CN110266228B (zh) 2019-07-05 2019-07-05 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

Publications (2)

Publication Number Publication Date
CN110266228A CN110266228A (zh) 2019-09-20
CN110266228B true CN110266228B (zh) 2021-03-23

Family

ID=67924610

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910603590.XA Active CN110266228B (zh) 2019-07-05 2019-07-05 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

Country Status (1)

Country Link
CN (1) CN110266228B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110715405A (zh) * 2019-09-29 2020-01-21 华中科技大学 一种基于bp神经网络拟合模型的空调器制冷量检测方法
CN111241749B (zh) * 2020-01-13 2023-04-07 广西师范大学 一种基于储备池计算的永磁同步电动机混沌预测方法
CN111769770B (zh) * 2020-01-17 2022-03-18 华中科技大学 直线感应电机多步长有限集模型预测控制方法及系统
CN111612242A (zh) * 2020-05-15 2020-09-01 北京天工智造科技有限公司 一种基于lstm深度学习模型的电机状态参数预测方法
CN111915054A (zh) * 2020-06-08 2020-11-10 唐山钢铁集团有限责任公司 一种基于离线神经网络的重卷延伸率自适应优化方法
CN112691783A (zh) * 2020-12-09 2021-04-23 华润电力技术研究院有限公司 一种煤粉锅炉制粉系统调控方法、装置、设备及存储介质
CN116418260A (zh) * 2021-12-31 2023-07-11 深圳先进技术研究院 永磁同步电机的转矩估测方法、装置、设备及存储介质
CN116027672B (zh) * 2023-03-28 2023-06-09 山东大学 基于神经网络的模型预测控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2546979A1 (en) * 2011-07-15 2013-01-16 ABB Research Ltd. Method for controlling harmonics and resonances in an inverter
CN103259479A (zh) * 2013-05-28 2013-08-21 江苏大学 一种永磁同步电机神经网络左逆状态观测方法
CN107968613A (zh) * 2017-11-20 2018-04-27 无锡开放大学 一种基于递归模糊神经网络的永磁同步电机转速控制器
CN109327178A (zh) * 2018-10-29 2019-02-12 江苏大学 一种开关磁阻电机多步预测控制器构造方法
CN109873581A (zh) * 2017-12-04 2019-06-11 北京自动化控制设备研究所 一种基于神经网络的永磁同步电机直接速度控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2546979A1 (en) * 2011-07-15 2013-01-16 ABB Research Ltd. Method for controlling harmonics and resonances in an inverter
CN103259479A (zh) * 2013-05-28 2013-08-21 江苏大学 一种永磁同步电机神经网络左逆状态观测方法
CN107968613A (zh) * 2017-11-20 2018-04-27 无锡开放大学 一种基于递归模糊神经网络的永磁同步电机转速控制器
CN109873581A (zh) * 2017-12-04 2019-06-11 北京自动化控制设备研究所 一种基于神经网络的永磁同步电机直接速度控制方法
CN109327178A (zh) * 2018-10-29 2019-02-12 江苏大学 一种开关磁阻电机多步预测控制器构造方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
NN-based model predictive direct speed control of PMSM drive systems;Ben Guo et al.;《2014 International Conference on Machine Learning and Cybernetics》;20150115;第163-168页 *
基于BP神经网络的开关磁阻电机直接转矩控制系统及实现;李孟秋 等;《电力系统及其自动化学报》;20170131;第29卷(第1期);第52-57页 *

Also Published As

Publication number Publication date
CN110266228A (zh) 2019-09-20

Similar Documents

Publication Publication Date Title
CN110266228B (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
Chang et al. Adaptive dynamic surface control for uncertain nonlinear systems with interval type-2 fuzzy neural networks
CN110535396B (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
Sakunthala et al. A review on speed control of permanent magnet synchronous motor drive using different control techniques
CN111628687A (zh) 一种基于熵权法的永磁同步电机多目标参数优化方法
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
CN108365784A (zh) 基于改进pso-bp神经网络的无刷直流电机控制方法
Hu et al. A reinforcement learning neural network for robotic manipulator control
CN110518860B (zh) 一种永磁同步电机模型预测控制方法
Pilla et al. Tuning of extended Kalman filter using grey wolf optimisation for speed control of permanent magnet synchronous motor drive
Gritli et al. PID-type fuzzy scaling factors tuning using genetic algorithm and simulink design optimization for electronic throttle valve
Quynh et al. A novel robust adaptive control using RFWNNs and backstepping for industrial robot manipulators with dead-zone
Guo et al. A nearly optimal chattering reduction method of sliding mode control with an application to a two-wheeled mobile robot
Demirtas DSP-based sliding mode speed control of induction motor using neuro-genetic structure
Nguyen The neural network-based control system of direct current motor driver
Ennen et al. Learning robust manipulation skills with guided policy search via generative motor reflexes
Sasongko et al. Performance analysis of hybrid PID-ANFIS for speed control of brushless DC motor base on identification model system
Rigatos Adaptive fuzzy control for non-linear dynamical systems based on differential flatness theory
Kaminski et al. Neural speed controller based on two state variables applied for a drive with elastic connection
CN112947606A (zh) Bp神经网络pid预测控制的锅炉液位控制系统及方法
Srey et al. Lumped Parameter Estimation of a Low Cost DC Motor for Position Controller Design
Salome et al. Discrete-time sliding mode controllers for nonholonomic mobile robots trajectory tracking problem
CN117240151A (zh) 一种基于lstm神经网络的永磁同步电机模型预测控制方法
Antonio-Toledo et al. Real-time neural inverse optimal control for position trajectory tracking of an induction motor
Sytnik et al. Construction of an analytical method for limiting the complexity of neural-fuzzy models with guaranteed accuracy

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
TR01 Transfer of patent right

Effective date of registration: 20231202

Address after: 152000 East of Andong 1st Avenue and South of Andong 4th Road, Comprehensive Development Zone, Anda City, Suihua City, Heilongjiang Province

Patentee after: Heilongjiang Hanze Petroleum Equipment Co.,Ltd.

Address before: 230000 room 1414, building D, Yinhe happiness Plaza, intersection of Luzhou Avenue and Fuzhou Road, Baohe District, Hefei City, Anhui Province

Patentee before: Hefei keyiguo Information Technology Co.,Ltd.

Effective date of registration: 20231202

Address after: 230000 room 1414, building D, Yinhe happiness Plaza, intersection of Luzhou Avenue and Fuzhou Road, Baohe District, Hefei City, Anhui Province

Patentee after: Hefei keyiguo Information Technology Co.,Ltd.

Address before: 710064 middle section, south two ring road, Shaanxi, Xi'an

Patentee before: CHANG'AN University

TR01 Transfer of patent right