CN110518847B - 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
CN110518847B
CN110518847B CN201910817695.5A CN201910817695A CN110518847B CN 110518847 B CN110518847 B CN 110518847B CN 201910817695 A CN201910817695 A CN 201910817695A CN 110518847 B CN110518847 B CN 110518847B
Authority
CN
China
Prior art keywords
neural network
permanent magnet
voltage vector
output
magnet synchronous
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.)
Expired - Fee Related
Application number
CN201910817695.5A
Other languages
English (en)
Other versions
CN110518847A (zh
Inventor
李耀华
赵承辉
周逸凡
秦玉贵
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.)
Changan University
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 CN201910817695.5A priority Critical patent/CN110518847B/zh
Publication of CN110518847A publication Critical patent/CN110518847A/zh
Application granted granted Critical
Publication of CN110518847B publication Critical patent/CN110518847B/zh
Expired - Fee Related 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
    • H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, 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
    • 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)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (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，本发明首先通过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生成最优电压矢量序列，再通过最优电压矢量序列训练BP神经网络拓扑模型，采用训练后的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模式识别分类的能力，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，同时具有结构简单、精度较高、反应速度快等优点，而且神经网络分布式并行运算的特点使得大量运算成为可能，可以减轻系统计算负担，提高系统响应及时性，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。
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神经网络嵌入到表面式永磁同步电机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以及神经网络的输入量与输出量，并确定电机参考转速和负载转矩的变化范围；
步骤二，按照恒定参考转速下负载转矩阶跃和恒定负载转矩下参考转速阶跃两种方式将不同参考转速下负载转矩变化的情况和不同负载转矩下参考转速变化的情况按照一定的步长和间隔遍历取到，并将相应产生的上述输入量的数据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训练学习；
步骤五，将训练好的BP神经网络模型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。
步骤一中，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以及神经网络输入量与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 BDA0002186752960000031
Figure BDA0002186752960000032
是当前K时刻定子磁链的幅值，
Figure BDA0002186752960000033
是k+1时刻的定子磁链幅值，
Figure BDA0002186752960000034
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 BDA0002186752960000035
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 BDA0002186752960000036
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 BDA0002186752960000037
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 BDA0002186752960000038
将公式1.1和公式1.2计算的结果送入成本函数，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；
表面式永磁同步电机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，输出量是选择的电压矢量。6个输入量中去掉其中的恒值，包括参考磁链和备选电压矢量角度，将特征维度精简到4，可以减少运算量，作为神经网络的输入量，选择的电压矢量作为神经网络的输出量。
步骤二中，通过编程或者仿真实现按照一定的步长和间隔将相应取值范围内的上述两种变化情况遍历取到。
步骤三中，BP神经网络拓扑模型为三层的前馈神经网络，根据隐含层节点经验公式
Figure BDA0002186752960000041
确定隐含层节点数，其中a为0～10之间的常数，在此基础上进一步根据调试经验确定隐含层节点个数。输入层节点对应上述确定的4个输入量，输出层节点等于备选电压矢量的个数即7个基本电压矢量。BP神经网络拓扑模型的隐含层和输出层中的神经元的激活函数均采用tansig型的双曲正切传递函数，tansig函数的表达式为f(x)＝2/(1+exp(-2*x))-1。
步骤四中，归一化处理采用默认方式，其处理方式如下所示：
Figure BDA0002186752960000042
式中，xmin为数据系列中的最小数，xmax为序列中的最大数。ymin和ymax为指定的归一化范围。
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、输入层和隐含层神经元之间的连接权值ωij、隐含层和输出层神经元之间的连接权值ωjk、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 BDA0002186752960000051
式中，l为隐含层节点数，f为隐含层激励函数，所选函数为：
f(x)＝2/(1+exp(-2*x))-1 公式1.6
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 BDA0002186752960000052
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J；
ek＝Yk-Ok k＝1,2,…,m 公式1.8
Figure BDA0002186752960000053
第六步，由输出层开始，依据J，按照梯度下降法方向计算，并逐层调整权值阈值。取步长为η，可得神经元u到神经元v之间的连接权值和阈值的t+1次调整算式：
Figure BDA0002186752960000054
Figure BDA0002186752960000055
第七步，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，本发明首先通过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生成最优电压矢量序列，再通过最优电压矢量序列训练BP神经网络拓扑模型，采用训练后的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能力和模式识别的分类能力，其分布式并行运算的特点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，其选择最优电压矢量的准确率可以达到88.34％，性能表现与MPC相当，且平均开关次数可以减少21.1％，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。
图4为开关表模式下的电机实际转矩波形；
图5为开关表模式下的电机实际转速波形；
图6为开关表模式下的定子磁链幅值；
图7为开关表模式下的定子磁链轨迹；
图8为开关表模式下的a相电流波形；
图9为BP神经网络模式下的电机实际转矩波形；
图10为BP神经网络模式下的电机实际转速波形；
图11为BP神经网络模式下的定子磁链幅值；
图12为BP神经网络模式下的定子磁链轨迹；
图13为BP神经网络模式下的a相电流波形；
图14为MPC工作模式下的电机实际转矩波形；
图15为MPC工作模式下的电机实际转速波形；
图16为MPC工作模式下的定子磁链幅值；
图17为MPC工作模式下的定子磁链轨迹；
图18为MPC工作模式下的a相电流波形；
具体实施方式
下面结合附图对本发明作进一步说明。
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以及神经网络的输入量与输出量，并确定电机参考转速和负载转矩的变化范围；
步骤二，按照恒定参考转速下负载转矩阶跃和恒定负载转矩下参考转速阶跃两种方式将不同参考转速下负载转矩变化的情况和不同负载转矩下参考转速变化的情况按照一定的步长和间隔遍历取到，并将相应产生的上述输入量的数据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训练学习；
步骤五，将训练好的BP神经网络模型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 BDA0002186752960000071
其中，
Figure BDA0002186752960000072
Figure BDA0002186752960000073
是当前K时刻定子磁链的幅值，
Figure BDA0002186752960000074
是k+1时刻的定子磁链幅值,
Figure BDA0002186752960000075
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 BDA0002186752960000081
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 BDA0002186752960000082
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 BDA0002186752960000083
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 BDA0002186752960000084
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、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，去掉其中的恒值，因为恒值在神经网络的运算中意义不大，包括参考磁链和备选电压矢量角度，认为当前电压矢量的选择主要与当前定子磁链角位置有关。因此，将特征维度精简到4，可以减少运算量，将该4个变量作为神经网络的输入，选择的电压矢量作为神经网络的输出。
步骤二中，按照恒定参考转速下负载转矩阶跃和恒定负载转矩下参考转速阶跃两种方式将不同参考转速下负载转矩变化的情况和不同负载转矩下参考转速变化的情况按照一定的步长和间隔遍历取到，并将相应产生的上述输入量的数据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 BDA0002186752960000091
其中a为0～10之间的常数，在此基础上进一步根据调试经验确定隐含层节点个数，输入层节点对应上述确定的4个输入量，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tansig型双曲正切传递函数，tansig函数的表达式为f(x)＝2/(1+exp(-2*x))-1。
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归一化处理采用传统默认方式，其处理方式如下所示：
Figure BDA0002186752960000092
式中，xmin为数据系列中的最小数，xmax为序列中的最大数。ymin和ymax为指定的归一化范围。
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4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 BDA0002186752960000101
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f(x)＝2/(1+exp(-2*x))-1 1.18
(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 BDA0002186752960000102
(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J。
ek＝Yk-Ok k＝1,2,…,m 1.20
Figure BDA0002186752960000103
(5.6)权值阈值更新：
由输出层开始，依据J，按照梯度下降法方向计算，并逐层调整权值阈值。取步长为η，可得神经元u到神经元v之间的连接权值和阈值的t+1次调整算式：
Figure BDA0002186752960000104
Figure BDA0002186752960000105
(5.7)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)。
步骤五中，将训练好的BP神经网络模型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的计算与选择工作。
实施例
基于MATLAB/Simulink建立了表面式永磁同步电机模型预测直接转矩控制仿真模型。仿真模型为离散模型，采样周期为5×10-5s。直流母线电压为312V。转速PI调节器参数为：Kp＝5，KI＝10，PI调节器输出上下限为[-35，35]。参考定子磁链幅值为0.3Wb。仿真用表面式永磁同步电机参数如表1所示。
表1仿真用表面式永磁同步电机参数
Figure BDA0002186752960000111
综合考虑参考转速和负载转矩两种变化情况的学习，使用斜坡函数营造训练数据：
参考转速10rpm、30rpm和60rpm的三种情况下，负载转矩均使用斜坡函数设置，初始值为10N·m，仿真时间2s，2s末负载转矩上升到34N·m。
负载转矩10N·m、15N·m、20N·m、25N·m、30N·m和34N·m的六种情况下，参考转速均使用斜坡函数设置，初始值为10rpm，仿真时间2s，2s末参考转速上升到60rpm。
收集以上数据，经过调试和训练，神经网络的拓扑结构为4-18-7，其分类选择正确率可达到88.34％。将神经网络嵌入到表面式永磁同步电机直接转矩控制系统中替代模型预测控制进行最优电压矢量选择的工作。
参考转速为35rpm，1s时阶跃至30rpm。负载转矩初始为10N.m，0.5s时阶跃至30N.m。开关表工作模式、BP神经网络工作模式和原始MPC工作模式下的仿真结果分别如图4—图18所示。
不同的性能之间的对比采用以下指标进行评价：表面式永磁同步电机模型预测直接转矩控制系统稳态评价指标采用转矩脉动均方根误差Trip_RMSE、磁链脉动均方根误差ψrip_RMSE和平均开关次数，分别如下式所示，其中n为采样个数，Nswitching为开关次数，t为仿真时间。
Figure BDA0002186752960000121
Figure BDA0002186752960000122
Figure BDA0002186752960000123
表2.三种方式的评价指标对比
Figure BDA0002186752960000124
仿真实验表明，BP神经网络工作模式下的电机运行良好，而且性能表现与MPC相当，且平均开关次数可以减少21.1％。这表明可以用简单的BP神经网络代替复杂的模型预测算法，同时具有结构简单、精度较高、反应速度快等优点，而且神经网络分布式并行运算的特点使得大量运算成为可能，可以减轻系统计算负担，提高系统响应及时性，并且探索了神经网络在电机模型预测控制中的应用价值。
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方法，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和模式识别的分类能力，其分布式并行运算的特点加速了运算，使得大量运算成为可能，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 (7)

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，并确定电机参考转速和负载转矩的变化范围；
步骤二，按照恒定参考转速下负载转矩阶跃和恒定负载转矩下参考转速阶跃两种方式将不同参考转速下负载转矩变化的情况和不同负载转矩下参考转速变化的情况按照一定的步长和间隔遍历取到，并将相应产生的上述输入量的数据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训练学习；
步骤五，将训练好的BP神经网络模型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。
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，步骤一中，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 FDA0002936696510000011
Figure FDA0002936696510000012
是当前k时刻定子磁链的幅值，
Figure FDA0002936696510000013
是k+1时刻的定子磁链幅值，
Figure FDA0002936696510000014
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 FDA0002936696510000021
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 FDA0002936696510000022
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 FDA0002936696510000023
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 FDA0002936696510000024
Te *和
Figure FDA0002936696510000025
分别表示电机转矩和定子磁链幅值的参考值；
将公式1.1和公式1.2计算的结果送入成本函数，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。
3.根据权利要求1或2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，表面式永磁同步电机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，输出量是选择的电压矢量；
从输入量中去掉恒值，对特征维度进行精简，作为神经网络的输入量，选择的电压矢量作为神经网络的输出量，恒值包括参考磁链和备选电压矢量角度。
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，步骤二中，通过编程或者仿真实现按照一定的步长和间隔将相应取值范围内的两种变化情况遍历取到。
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，步骤三中，BP神经网络拓扑模型为三层的前馈神经网络，根据隐含层节点经验公式
Figure FDA0002936696510000031
以及调试经验确定隐含层节点数，其中a为0～10之间的常数，输入层节点对应输入量，输出层节点等于备选电压矢量的个数，m为输出层节点数，n为输入层节点数，l为隐含层节点数；
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tansig型的双曲正切传递函数，tansig函数的表达式为f(x)＝2/(1+exp(-2*x))-1。
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，归一化采用默认处理方式，其处理方式如下所示：
Figure FDA0002936696510000032
式中，xmin为数据中的最小数，xmax为序列中的最大数，ymin和ymax为指定的归一化范围。
7.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、输入层和隐含层神经元之间的连接权值ωij、隐含层和输出层神经元之间的连接权值ωjk、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xi，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 FDA0002936696510000041
式中，l为隐含层节点数，f为隐含层激励函数，所选函数为：
f(x)＝2/(1+exp(-2*x))-1 公式1.6
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 FDA0002936696510000042
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J；
ek＝Yk-Ok k＝1,2,…,m 公式1.8
Figure FDA0002936696510000043
第六步，由输出层开始，依据J，按照梯度下降法方向计算，并逐层调整权值阈值，取步长为η，可得神经元u到神经元v之间的连接权值和阈值的t+1次调整算式：
Figure FDA0002936696510000044
Figure FDA0002936696510000045
第七步，判断算法迭代是否结束，若迭代结束满足以下条件之一，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。
CN201910817695.5A 2019-08-30 2019-08-30 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 Expired - Fee Related CN110518847B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910817695.5A CN110518847B (zh) 2019-08-30 2019-08-30 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
CN201910817695.5A CN110518847B (zh) 2019-08-30 2019-08-30 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
CN110518847A CN110518847A (zh) 2019-11-29
CN110518847B true CN110518847B (zh) 2021-03-30

Family

ID=68628619

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910817695.5A Expired - Fee Related CN110518847B (zh) 2019-08-30 2019-08-30 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) CN110518847B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112152523B (zh) * 2020-09-21 2022-04-01 武汉大学 一种基于nn/ga的直流电机节能调速方法
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
CN117250900B (zh) * 2023-10-25 2024-03-05 无锡市中远工业自动化有限公司 基于自动辨识运行模式的人工智能电机控制系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102335872A (zh) * 2011-09-14 2012-02-01 桂林电子科技大学 基于人工神经网络的磨床砂轮自动修整方法和修整装置
CN105262358A (zh) * 2015-11-11 2016-01-20 国网上海市电力公司 双向并网逆变器
JP2017211913A (ja) * 2016-05-27 2017-11-30 日本電信電話株式会社 行動決定装置、未来予測モデル学習装置、ネットワーク学習装置、方法、及びプログラム
CN108880394A (zh) * 2018-06-04 2018-11-23 江苏大学 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
CN109760523A (zh) * 2019-01-21 2019-05-17 浙江工业大学 基于bp神经网络车速预测的复合电源能量管理方法
WO2019145907A1 (en) * 2018-01-29 2019-08-01 Universita' Degli Studi Di Roma "La Sapienza" Method aimed at patients with motor disabilities for selecting a command by means of a graphic interface, and corresponding system and computer program product

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102335872A (zh) * 2011-09-14 2012-02-01 桂林电子科技大学 基于人工神经网络的磨床砂轮自动修整方法和修整装置
CN105262358A (zh) * 2015-11-11 2016-01-20 国网上海市电力公司 双向并网逆变器
JP2017211913A (ja) * 2016-05-27 2017-11-30 日本電信電話株式会社 行動決定装置、未来予測モデル学習装置、ネットワーク学習装置、方法、及びプログラム
WO2019145907A1 (en) * 2018-01-29 2019-08-01 Universita' Degli Studi Di Roma "La Sapienza" Method aimed at patients with motor disabilities for selecting a command by means of a graphic interface, and corresponding system and computer program product
CN108880394A (zh) * 2018-06-04 2018-11-23 江苏大学 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
CN109760523A (zh) * 2019-01-21 2019-05-17 浙江工业大学 基于bp神经网络车速预测的复合电源能量管理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
NN-based model predictive direct speed control of PMSM drive systems;Ben Guo etal.;《2014 International Conference on Machine Learning and Cybernetics》;20150115;全文 *

Also Published As

Publication number Publication date
CN110518847A (zh) 2019-11-29

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
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
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
Ruiz-Cruz et al. Particle swarm optimization for discrete-time inverse optimal control of a doubly fed induction generator
Sakunthala et al. A review on speed control of permanent magnet synchronous motor drive using different control techniques
CN109327178A (zh) 一种开关磁阻电机多步预测控制器构造方法
CN110518860B (zh) 一种永磁同步电机模型预测控制方法
CN109507876B (zh) 一种基于信度推理的电推船舶电机pid参数整定方法
Jia et al. Online trained neural network-PI speed controller for DTC based IPMSM drives
CN113726253A (zh) 一种提高电动汽车用永磁同步电机效率的方法
Ting et al. Nonlinear backstepping control of SynRM drive systems using reformed recurrent Hermite polynomial neural networks with adaptive law and error estimated law
Pilla et al. Tuning of extended Kalman filter using grey wolf optimisation for speed control of permanent magnet synchronous motor drive
CN109639200B (zh) 一种基于电机负载转矩检测的转动惯量在线辨识方法
Wang Adaptive inverse position control of switched reluctance motor
CN113224991B (zh) 一种基于无迹卡尔曼滤波的同步磁阻电机电感辨识方法、系统、终端及可读存储介质
Abdelfattah et al. Adaptive neuro fuzzy technique for speed control of six-step brushless DC motor
Chaouch et al. Optimized torque control via backstepping using genetic algorithm of induction motor
Sridhar et al. Speed control of BLDC motor using soft computing technique
Ouannou et al. Torque control of switched reluctance motor using ANN-PID controller
Sun et al. A single neuron PID controller based PMSM DTC drive system fed by fault tolerant 4-switch 3-phase inverter
Kaminski et al. Neural speed controller based on two state variables applied for a drive with elastic connection
Yao et al. Online modeling for switched reluctance motors using adaptive network based fuzzy inference system
Oh et al. Optimized neural network speed control of induction motor using genetic algorithm
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
Neumerkel et al. Real-time application of neural model predictive control for an induction servo drive

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210330

Termination date: 20210830