CN110376884B - 一种新能源汽车驱动电机动态抗干扰控制器的构造方法 - Google Patents

Abstract

本发明公开了一种新能源汽车驱动电机智能动态抗干扰控制器的构造方法，包括以下步骤：通过采集d‑q轴实际电流与参考电流，通过内部模块计算和坐标变换建立驱动电机系统18；建立驱动电机系统动力学模型；建立转矩计算控制器31，并通过转矩计算控制器31对驱动电机系统动力学模型的角度误差进行估计，引入非线性扰动观测器32来识别不确定扰动；建立动态表面控制器；采用递归小波埃尔曼神经网络控制来应对动态不确定性与不确定扰动，并构造鲁棒性控制器加以控制。本发明相比之下成本较低，可行性较高而且抗干扰性能比较好，易于在工程上实行。

Description

一种新能源汽车驱动电机动态抗干扰控制器的构造方法

技术领域

本发明属于新能源汽车驱动领域，是一种基于动态表面控制器的感应电机控制方法，适用于新能源汽车驱动电机的抗干扰控制。

背景技术

近年来，石油资源的大幅度消耗导致全球能源压力剧增，各种环保措施也迫在眉睫，新能源汽车的出现大幅度降低了能源消耗与环境污染。作为新能源汽车三电之一，电控在新能源汽车的研究中占了很大一部分比例。

感应电动机具有可靠性高、鲁棒性强、成本低等优点，而且其易实现较高转速，制造成本较低，速度控制范围较宽，用在电动汽车上可以实现更快的百公里加速。因此目前特斯拉等公司采用感应电机来为电动汽车提供动力。然而感应电机具有复杂的非线性、时变和温度依赖的数学模型，而且感应电机驱动器的性能还会受到许多不确定性的影响。因此本专利设计了一种智能动态抗干扰控制器来应对感应电机在实际运用中的不确定性。

发明内容

本发明提出了一种新能源汽车驱动电机智能动态抗干扰控制器，用于感应电机伺服驱动器的辨识和控制，实现了高动态性能。该控制方案包括动态表面控制器、递归小波埃尔曼神经网络不确定性观测器和鲁棒控制器。基于转矩计算控制技术，设计并分析了一种位置跟踪控制器，以稳定感应电机伺服驱动系统。然后，设计了一种非线性扰动观测器来估计转矩控制器中存在的非线性集总参数不确定性。为了提高感应电机伺服驱动器在外部负载扰动和参数不确定性作用下的鲁棒性，设计了一种智能自适应动态表面控制系统。采用动态表面控制方法克服了反推设计技术的复杂性爆炸问题，采用标识符逼近集总参数不确定性和复合扰动。此外，设计了鲁棒控制器来恢复递归小波埃尔曼神经网络的逼近误差。在李雅普诺夫稳定性分析的基础上，推导了在线自适应控制律，从而保证了智能自适应动态表面控制系统的稳定性。

本发明采用技术方案步骤如下：

一种新能源汽车驱动电机智能动态抗干扰控制器的构造方法，包括以下步骤：

步骤1，通过采集d-q轴实际电流与参考电流，通过内部模块计算和坐标变换建立驱动电机系统；

步骤2，建立驱动电机系统动力学模型；

步骤3，建立转矩计算控制器，并通过转矩计算控制器对驱动电机系统动力学模型的角度误差进行估计，引入非线性扰动观测器来识别不确定扰动；

步骤4，建立自适应动态表面控制器，使得位置角、q轴电流、d轴磁链、d轴电流在不确定扰动Γ_θ、Γ_qs、Γ_dr、Γ_ds存在的情况下，使系统逐渐趋近于稳定；

步骤5，采用递归小波埃尔曼神经网络控制来应对动态不确定性与不确定扰动，并构造鲁棒性控制器加以控制。

进一步，步骤1具体过程为：将d-q轴电流解耦控制模块、间接磁场定向控制模块、电压坐标转换模块、SVPWM模块、感应电机模块、磁通角估计模块、电流坐标转换模块共同组成驱动电机模块；此驱动电机系统的输入为d-q轴参考电流

与

输出为转子位置角θ_r，将参考电流

与电流坐标转换模块输出的实际电流i_q、i_d作为d-q轴电流解耦控制模块的输入，通过对两者的比较输出两相坐标系下的电流值i_qs与i_ds；将其作为间接磁场定向控制模块的两个输入，输出为旋转坐标系下的电压值v_q与v_d；将v_q与v_d作为电压坐标转换模块的输入值，同时输入电角度θ_e，输出为三相坐标系下的电压v_a、v_b、v_c；将其作为SVPWM模块的输入，输出为三相电流i_a、i_b、i_c；三相电流输入感应电机模块，电机输出位置角θ_r；对位置角进行微分，得到机械角速度ω_r并且输入给磁通角估计模块，得到电角度θ_e；将三相电流作为电流坐标转换模块的输入，同时输入电角度θ_e，输出两相坐标i_q与i_d并传输回d-q轴电流解耦控制模块，将该系统等效为驱动电机系统。

进一步，步骤2中，转矩计算控制器的输入为感应电机输出角度θ_r及其一、二阶导数

与

转矩计算控制器的输出为

其中K为角度误差系数，

为角度误差及其一阶导数，

其中P为电机极对数，ψ_dr为d轴转子磁链，K为角度误差系数，J_m为转动惯量，

其中β_m为摩擦系数，Γ_θ为角度不确定性扰动。

进一步，步骤2中，引入非线性扰动观测器后的转矩计算控制器的输出为：

其中，

是对角度不确定性扰动Γ_θ的估计值。

进一步，所述步骤4中，自适应动态表面控制器的建立包括以下步骤：

通过角度跟踪误差求取虚拟控制器1的控制率，经过一阶滤波后获得第一个新的状态变量x_f1；

通过自适应控制律A确定角度不确定性扰动估计值的一阶导数；虚拟控制器2接收虚拟控制器1传输的x_f1与角速度跟踪误差a₂，并求取虚拟控制器2的控制率；经过时间常数为τ_f2的一阶滤波器f2后定义第二个新的状态变量x_f2；

通过自适应控制律B确定q轴电流不确定性扰动估计值的一阶导数；实际控制器3接收虚拟控制器2传输的x_f2与q轴电流跟踪误差a₃，并求取实际控制器3的控制率；

通过自适应控制率C确定d轴磁链不确定性扰动估计值的一阶导数；定义d轴磁链跟踪误差为a₄，虚拟控制器4接收a₄，并求取虚拟控制器4的控制率；

通过自适应控制率D确定d轴电流不确定性扰动估计值的一阶导数；定义d轴电流跟踪误差a₅，实际控制器5接收虚拟控制器4传输的第四个新的状态变量x_f4，并求取控制器5的控制率。

进一步，所述步骤5中的递归小波埃尔曼神经网络，共分为输入层、隐层、调理层、输出反馈层与输出层五层；该控制器的输入为a₁、a₃、a₂、a₄、a₅，即角度跟踪误差、角速度跟踪误差、q轴电流跟踪误差、d轴磁链跟踪误差与d轴电流跟踪误差，将上述五个输入量由输入层输入给隐层，隐层通过在线平移与放大操作对这些波形进行分解，将其分解为小波，调理层作为一个额外层接收小波并为其提供安全的一步延迟，该层对a₁、a₃、a₄、a₅分别积分并且求导，组成神经网络的训练样本集；确定神经网络中的各个权值系数，输出反馈层提高了系统的学习效率，减少系统反应时间，对权值系数进行了规范与验证，最终将不确定性扰动的估计值

输入给动态表面控制器。

进一步，所述鲁棒控制器的输入与神经网络控制器相同，分别为a₁、a₃、a₄、a₅，同时输入鲁棒控制器参数学习率η_RC，输出

最终鲁棒控制器的输出为

其中sgn()为符号函数。

本发明的有益效果为：

1、通过构建转矩计算控制器与非线性扰动观测器来实现对电机的静态控制，并且确定电机的角度不确定性扰动Γ_θ；通过构建动态表面控制器使角度不确定性扰动Γ_θ、q轴电流不确定性扰动Γ_qs、磁链不确定性扰动Γ_dr、d轴电流不确定性扰动Γ_ds存在的情况下系统可以趋于稳定；通过构建神经网络控制器与鲁棒控制器来逼近电机的不确定扰动。以上四种子控制器构成了新能源汽车驱动电机智能动态抗干扰控制器，很大程度的优化了新能源汽车驱动电机现有控制方法的缺陷，在抗干扰能力上进行了很大的改进。

2、以上控制器仅仅需要在软件上进行编程，而不需要再添加硬件设备，即无需添加物理层面的实际控制器，相比之下成本较低，可行性较高而且抗干扰性能比较好，易于在工程上实行。

附图说明

图1为驱动电机系统示意图；

图2为新能源汽车驱动电机系统抗干扰控制器；

图3为自适应动态表面控制器示意图；

具体实施方式

如图1所示，是由d-q轴电流解耦控制模块11、间接式磁场定向控制模块12、电压坐标转换模块13、SVPWM模块14、感应电机模块15、磁通角估计模块16以及电流坐标转换模块17构成的驱动电机系统18；

本发明具体的实施步骤分为以下六步：

1.通过采集d-q轴实际电流电流与参考电流，通过内部模块计算和坐标变换建立驱动电机系统18：

将d-q轴电流解耦控制模块11、间接磁场定向控制模块12、电压坐标转换模块13、SVPWM模块14、感应电机模块15、磁通角估计模块16、电流坐标转换模块17共同组成驱动电机模块18。此驱动电机系统的输入为

与

输出为转子位置角θ_r。将参考电流

与电流坐标转换模块输出的实际电流i_q、i_d作为d-q轴电流解耦控制模块11的输入，输出两相坐标系下的电流值i_qs与i_ds；将其作为间接磁场定向控制模块12的两个输入，通过定子电压方程输出为旋转坐标系下的电压值v_q与v_d；将v_q与v_d作为电压坐标转换模块13的输入值，同时输入电角度θ_e，输出为三相坐标系下的电压v_a、v_b、v_c；将其作为SVPWM模块14的输入，经过逆变器的调节输出为三相电流i_a、i_b、i_c；三相电流输入感应电机模块15，电机输出位置角θ_r；对位置角进行微分，得到机械角速度ω_r并且输入给磁通角估计模块16；将三相电流作为电流坐标转换模块17的输入，同时输入电角度θ_e，输出两相坐标i_q与i_d并传输回d-q轴电流解耦控制模块。将该系统等效为驱动电机系统18。

上述模块中，间接磁场定向控制模块12、电压坐标转换模块13、SVPWM模块14、感应电机模块15、电流坐标转换模块17为本领域的公知技术，在此不再赘述，d-q轴电流解耦控制模块11是通定子电压方程

与

对d-q轴分量进行解耦获得，磁通角估计模块16是通过与定子所给出的参考速度ω_sl＝(1/τ_r)(i_qs/i_ds)的比较得到电角速度ω_e，将其积分得到电角度θ_e获得。

2.建立驱动电机系统动力学模型

其中，θ_r为驱动电机系统的位置角，

分别为θ_r的一阶与二阶导数，代表着角速度与角加速度，i_q为q轴电流，T_L为负载转矩，Γ_θ为角度不确定性扰动,X、Y与Z分别为位置角系数、q轴电流系数、负载转矩系数，其中

其中β_m为摩擦系数，J_m为转动惯量，

其中P为电机极对数，ψ_dr为d轴转子磁链，K为角度误差系数，

3.建立转矩计算控制器31，并通过转矩计算控制器31对驱动电机系统动力学模型的角度误差进行估计，引入非线性扰动观测器32来识别不确定扰动；

驱动电机系统18控制的目的就是需要找到一个最适合的控制率，使感应电机输出角度θ_r可以追踪角度给定模块的参考角度

令其差值e_θ达到最小。因此首先采用转矩计算控制器，其输入为感应电机输出角度θ_r及其一、二阶导数

与

转矩计算控制器的输出为

其中K为角度误差系数，

为角度误差及其一阶导数。但是当感应电机的参数受到扰动时，转矩计算控制器将无法使系统继续保持稳定。因此，引入非线性扰动观测器来识别不确定扰动，保持系统稳定。此时，引入非线性扰动观测器后的转矩计算控制器的输出

其中，

是对角度不确定性扰动Γ_θ的估计值。此时，对于角度不确定性扰动Γ_θ基本已经确定，然而对于q轴电流不确定性扰动Γ_qs，d轴电流不确定性扰动Γ_ds与磁链不确定性扰动Γ_dr，为了保持感应电机伺服驱动系统的稳定性，因此使用动态表面控制器、鲁棒控制器、神经网络控制器来确定d、q轴电流不确定性扰动与磁链不确定性扰动。

如图2所示，新能源汽车驱动电机系统动态抗干扰控制器是由角度给定模块21、转矩计算控制器31、非线性扰动观测器32、动态处理模块41、动态表面控制器51、递归小波埃尔曼神经网络控制器61、鲁棒控制器71、以及驱动电机系统18构成的新能源汽车驱动电机智能动态抗干扰控制器。

如图3所示，共分为五个步骤进行，是由虚拟控制器1、虚拟控制器2、实际控制器3、虚拟控制器4、实际控制器5五个控制器，A、B、C、D四个自适应控制率与滤波器f1、f2、f3组成的。

4.建立自适应动态表面控制器，此控制器中共分为5个步骤进行：

步骤一、首先定义角度跟踪误差

虚拟控制器1的控制率为

其中k₁为虚拟控制器1的增益系数，

为参考电机系统位置角的一阶导数，而后引入时间常数为τ_f1的一阶滤波器f1来克服重复微分带来的“项爆炸问题”。经过一阶滤波后定义第一个新的状态变量x_f1，其值满足

其中

为x_f1的一阶导数。此时定义角速度跟踪误差a₂＝ω_r-x_f1，其中ω_r为电机的机械角速度。

步骤二、自适应控制律A确定了角度不确定性扰动估计值的一阶导数

其中η_θ为鲁棒控制器输出的角度参数学习率。虚拟控制器2接收虚拟控制器1传输的x_f1与a₂，虚拟控制器2的控制率为

其中k₂是控制器2的增益系数，X、Y在步骤1中已经介绍。同上，经过时间常数为τ_f2的一阶滤波器f2后定义第二个新的状态变量x_f2满足

其中

为x_f2的一阶导数。定义q轴电流跟踪误差a₃＝i_qs-x_f2，其中i_qs为电机两相坐标系下的q轴电流值。

步骤三、自适应控制律B确定了q轴电流不确定性扰动估计值的一阶导数

其中η_qs为鲁棒控制器输出的q轴电流参数学习率。实际控制器3接收虚拟控制器2传输的x_f2与a₃，实际控制器3的控制率为

其中σ是漏磁系数，k₃是控制器3的增益系数，L_S与L_r分别为定子与转子的自感，R_S与R_r为定子与转子的电阻，L_m为互感，ψ_dr为d轴磁链，

为q轴电压不确定性扰动估计值。步骤四、自适应控制率C确定了d轴磁链不确定性扰动估计值的一阶导数

其中η_dr为鲁棒控制器输出的d轴磁链值参数学习率。磁链模型输入

输出参考d轴磁链

定义d轴磁链跟踪误差为

虚拟控制器4接收a₄，虚拟控制器4的控制率如下所示：

其中k₄是控制器4的增益系数，

为d轴磁链不确定扰动估计值。经过时间常数为τ_f4的一阶滤波器后定义第四个新的状态变量x_f4满足

其中

为x_f4的一阶导数。

步骤五、自适应控制率D确定了d轴电流不确定性扰动估计值的一阶导数

其中η_ds为鲁棒控制器输出的d轴电流参数学习率。定义d轴电流跟踪误差a₅＝i_ds-x_f4，实际控制器5接收虚拟控制器4传输的x_f4，控制器5的控制率为

其中σ是漏磁系数，x₅＝i_ds，ω_e为电角速度，

为d轴电压不确定扰动估计值。

经过自适应动态表面控制器的控制，位置角、q轴电流、d轴磁链、d轴电流的不确定扰动Γ_θ、Γ_qs、Γ_dr、Γ_ds存在的情况下，也可以使系统逐渐趋近于稳定，然而在实际操作中，Γ_θ、Γ_qs、Γ_dr、Γ_ds的值是未知的，因此需要神经网络控制来估计这些不确定扰动。

5.神经网络控制器，采用递归小波埃尔曼神经网络控制来应对动态不确定性与不确定扰动。该神经网络共分为输入层、隐层、调理层、输出反馈层与输出层五层。该控制器的输入为a₁、a₃、a₂、a₄、a₅，即角度跟踪误差、角速度跟踪误差、q轴电流跟踪误差、d轴磁链跟踪误差与d轴电流跟踪误差，将上述五个输入量由输入层输入给隐层，隐层通过在线平移与放大操作对这些波形进行分解，将其分解为小波以提高近似精度并且加快收敛速度，调理层作为一个额外层接收小波并为其提供安全的一步延迟，该层对a₁、a₃、a₄、a₅分别积分为∫a₁(t)dt、∫a₃(t)dt、∫a₄(t)dt、∫a₅(t)dt，即∫e_θ(t)dt、∫e_qs(t)dt、∫e_dr(t)dt、∫e_ds(t)dt，并且求导为

即

组成神经网络的训练样本集

其中，z₁、z₂、z₃、z₄、z₅、z₆、z₇、z₈为滤波跟踪误差模型系数。

确定了神经网络中的各个权值系数，输出反馈层提高了系统的学习效率，减少系统反应时间，对权值系数进行了规范与验证，最终将不确定性扰动的估计值

输入给动态表面控制器。

6.构造鲁棒控制器，鲁棒控制器的输入与神经网络控制器相同，即a₁、a₃、a₄、a₅，同时输入鲁棒控制器参数学习率η_RC，输出

并且将η_θ、η_qs、η_dr、η_ds分别输出给自适应动态表面控制器的自适应控制律用来计算不确定性扰动估计值的一阶导数，最终鲁棒控制器的输出为

其中sgn()为符号函数。

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 (4)

1.一种新能源汽车驱动电机动态抗干扰控制器的构造方法，其特征在于，包括以下步骤：

步骤1，通过采集d-q轴实际电流与参考电流，通过内部模块计算和坐标变换建立驱动电机系统；

步骤2，建立驱动电机系统动力学模型；

步骤3，建立转矩计算控制器，并通过转矩计算控制器对驱动电机系统动力学模型的角度误差进行估计，引入非线性扰动观测器来识别不确定扰动；

步骤4，建立自适应动态表面控制器，使得位置角、q轴电流、d轴磁链、d轴电流在不确定扰动Γ_θ、Γ_qs、Γ_dr、Γ_ds存在的情况下，使系统逐渐趋近于稳定；其中，Γ_θ为角度不确定性扰动，Γ_qs为q轴电流不确定性扰动，Γ_dr为d轴磁链不确定性扰动，Γ_ds为d轴电流不确定性扰动；

建立自适应动态表面控制器，此控制器中共分为5个步骤进行：

步骤一、首先定义角度跟踪误差

虚拟控制器1的控制率为

其中，θ_r为电机输出位置角，k₁为虚拟控制器1的增益系数，

为参考电机系统位置角的一阶导数，τ_f1为时间常数，经过一阶滤波后定义第一个新的状态变量x_f1，其值满足

其中

为x_f1的一阶导数，此时定义角速度跟踪误差a₂＝ω_r-x_f1，其中ω_r为电机的机械角速度；

步骤二、自适应控制律A确定了角度不确定性扰动估计值的一阶导数

其中η_θ为鲁棒控制器输出的角度参数学习率，虚拟控制器2接收虚拟控制器1传输的x_f1与a₂，虚拟控制器2的控制率为

其中k₂是控制器2的增益系数，

其中P为电机极对数，ψ_dr为d轴磁链，K为角度误差系数，J_m为转动惯量，β_m为摩擦系数，经过时间常数为τ_f2的一阶滤波器f2后定义第二个新的状态变量x_f2满足

其中

为x_f2的一阶导数，定义q轴电流跟踪误差a₃＝i_qs-x_f2，其中i_qs为电机两相坐标系下的q轴电流值；

步骤三、自适应控制律B确定了q轴电流不确定性扰动估计值的一阶导数

其中η_qs为鲁棒控制器输出的q轴电流参数学习率，实际控制器3接收虚拟控制器2传输的x_f2与a₃，实际控制器3的控制率为

其中σ是漏磁系数，k₃是控制器3的增益系数，L_S与L_r分别为定子与转子的自感，R_S与R_r为定子与转子的电阻，L_m为互感，ψ_dr为d轴磁链，

为q轴电压不确定性扰动估计值；

步骤四、自适应控制率C确定了d轴磁链不确定性扰动估计值的一阶导数

其中η_dr为鲁棒控制器输出的d轴磁链值参数学习率，磁链模型输入

输出参考d轴磁链

定义d轴磁链跟踪误差为

虚拟控制器4接收a₄，Ψ_dr为d轴转子磁链，虚拟控制器4的控制率如下所示：

其中，k₄是控制器4的增益系数，i_ds为电机d轴电流，

为d轴磁链不确定扰动估计值，经过时间常数为τ_f4的一阶滤波器后定义第四个新的状态变量x_f4满足

其中

为x_f4的一阶导数；

步骤五、自适应控制率D确定了d轴电流不确定性扰动估计值的一阶导数

其中η_ds为鲁棒控制器输出的d轴电流参数学习率，定义d轴电流跟踪误差a₅＝i_ds-x_f4，实际控制器5接收虚拟控制器4传输的x_f4，控制器5的控制率为

其中σ是漏磁系数，x₅＝i_ds，ω_e为电角速度，

为d轴电压不确定扰动估计值；

步骤5，采用递归小波埃尔曼神经网络控制来应对动态不确定性与不确定扰动，并构造鲁棒性控制器加以控制；

神经网络控制器，采用递归小波埃尔曼神经网络控制来应对动态不确定性与不确定扰动，该神经网络共分为输入层、隐层、调理层、输出反馈层与输出层五层，该控制器的输入为a₁、a₂、a₃、a₄、a₅，即角度跟踪误差、角速度跟踪误差、q轴电流跟踪误差、d轴磁链跟踪误差与d轴电流跟踪误差，将上述五个输入量由输入层输入给隐层，隐层通过在线平移与放大操作对这些波形进行分解，将其分解为小波，调理层作为一个额外层接收小波并为其提供安全的一步延迟，该层对a₁、a₃、a₄、a₅分别积分为∫a₁(t)dt、∫a₃(t)dt、∫a₄(t)dt、∫a₅(t)dt，即∫e_θ(t)dt、∫e_qs(t)dt、∫e_dr(t)dt、∫e_ds(t)dt，并且求导为

即

组成神经网络的训练样本集{∫e_θ(t)dt、∫e_qs(t)dt、∫e_dr(t)dt、∫e_ds(t)dt、

其中，z₁、z₂、z₃、z₄、z₅、z₆、z₇、z₈为滤波跟踪误差模型系数；

确定了神经网络中的各个权值系数，输出反馈层对权值系数进行了规范与验证，最终将不确定性扰动的估计值

输入给动态表面控制器；

构造鲁棒控制器，鲁棒控制器的输入与神经网络控制器相同，即a₁、a₂、a₃、a₄、a₅，同时输入鲁棒控制器参数学习率η_RC，输出

并且将η_θ、η_qs、η_dr、η_ds分别输出给自适应动态表面控制器的自适应控制律用来计算不确定性扰动估计值的一阶导数，最终鲁棒控制器的输出为

其中sgn()为符号函数，a_n为控制器的输入，其中n为1、2、3、4、5。

2.根据权利要求1所述的一种新能源汽车驱动电机动态抗干扰控制器的构造方法，其特征在于，步骤1具体过程为：将d-q轴电流解耦控制模块、间接磁场定向控制模块、电压坐标转换模块、SVPWM模块、感应电机模块、磁通角估计模块、电流坐标转换模块共同组成驱动电机系统；此驱动电机系统的输入为d-q轴参考电流

与

输出为转子位置角θ_r，将参考电流

与电流坐标转换模块输出的实际电流i_q、i_d作为d-q轴电流解耦控制模块的输入，通过对两者的比较输出两相坐标系下的电流值i_qs与i_ds；将其作为间接磁场定向控制模块的两个输入，输出为旋转坐标系下的电压值v_q与v_d；将v_q与v_d作为电压坐标转换模块的输入值，同时输入电角度θ_e，输出为三相坐标系下的电压v_a、v_b、v_c；将其作为SVPWM模块的输入，输出为三相电流i_a、i_b、i_c；三相电流输入感应电机模块，电机输出位置角θ_r；对位置角进行微分，得到机械角速度ω_r并且输入给磁通角估计模块，得到电角度θ_e；将三相电流作为电流坐标转换模块的输入，同时输入电角度θ_e，输出i_q与i_d并传输回d-q轴电流解耦控制模块，将该系统等效为驱动电机系统。

3.根据权利要求1所述的一种新能源汽车驱动电机动态抗干扰控制器的构造方法，其特征在于，步骤3中，转矩计算控制器的输入为电机输出角度θ_r及其一、二阶导数

与

转矩计算控制器的输出为

其中K为角度误差系数，

为角度误差及其一阶导数，

其中P为电机极对数，ψ_dr为d轴磁链，K为角度误差系数，J_m为转动惯量，

其中β_m为摩擦系数，Γ_θ为角度不确定性扰动。

4.根据权利要求3所述的一种新能源汽车驱动电机动态抗干扰控制器的构造方法，其特征在于，步骤3中，引入非线性扰动观测器后的转矩计算控制器的输出为：

其中，

是对角度不确定性扰动Γ_θ的估计值，θ为角度。

Images