CN110620536A - 一种电动汽车异步电机关键参数标定方法 - Google Patents

一种电动汽车异步电机关键参数标定方法 Download PDF

Info

Publication number
CN110620536A
CN110620536A CN201911014806.5A CN201911014806A CN110620536A CN 110620536 A CN110620536 A CN 110620536A CN 201911014806 A CN201911014806 A CN 201911014806A CN 110620536 A CN110620536 A CN 110620536A
Authority
CN
China
Prior art keywords
motor
current
value
neural network
torque
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
Application number
CN201911014806.5A
Other languages
English (en)
Other versions
CN110620536B (zh
Inventor
漆星
郑常宝
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.)
Anhui University
Original Assignee
Anhui 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 Anhui University filed Critical Anhui University
Priority to CN201911014806.5A priority Critical patent/CN110620536B/zh
Publication of CN110620536A publication Critical patent/CN110620536A/zh
Application granted granted Critical
Publication of CN110620536B publication Critical patent/CN110620536B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L15/00—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles
    • B60L15/20—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles for control of the vehicle or its driving motor to achieve a desired performance, e.g. speed, torque, programmed variation of speed
    • 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
    • H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, current or voltage
    • H02P21/16—Estimation of constants, e.g. the rotor time constant
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/64—Electric machine technologies in electromobility
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/72—Electric energy management in electromobility

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Feedback Control In General (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

本发明公开了一种电动汽车异步电机关键参数标定方法，在电机对拖台架上，针对不同的转速n以及当前转速下不同的转矩指令Te *，采用近端策略优化(Proximal Policy Optimization，以下简称PPO)算法对电动汽车异步电机的d轴给定电流值、q轴给定电流值以及转子时间常数值进行标定，并将标定后的结果以表格形式存入电机控制器中，以供电动汽车异步电机在实际运行时查询和使用本参数，本发明方法不仅标定了电动汽车异步电机的转子时间常数，还标定了电机的d轴给定电流和q轴给定电流，同时，标定的参数可以使得电机在任意转速n和转矩指令Te *下都具有最大转矩电流比特性。

Description

一种电动汽车异步电机关键参数标定方法
技术领域
本发明涉及电机控制技术领域，特别涉及一种基于电动汽车异步电机关键参数获取方法。
背景技术
在现代电动汽车技术领域中，动力性能和续航里程是电动汽车发展的关键问题，而电动汽车电机又是电动汽车的心脏，电机运行特性的好坏直接影响到电动汽车的整体性能。一般而言，在电动汽车运行过程中，希望电机能精确的响应整车控制器发出的转矩指令，并且在运行过程中电机一直能够保持最优的转矩电流比(即使用最小的电流输出最大的转矩)，从而提高电机效率，延长整车的续航里程。
在电动汽车的电机控制领域中，为保证电机能够运行于最优转矩电流比状态，一般会在电机装车之前，对电机进行对拖台架测试。在电机对拖台架上，通过对电机在不同转速、不同转矩指令下的电机关键参数进行调整，使得电机在任意转速和转矩指令下都能保持最优转矩电流比，再将这些不同状态下的关键参数以表格的形式存储至电机控制器中供电机在实际装车运行时进行查询和使用。上述过程便称之为电动汽车电机的参数标定过程。
对于电动汽车异步电机的标定，传统的方法是通过在不同转速和转矩指令下进行异步电机的物理模型参数的标定，例如对电机的转子时间常数等参数进行标定。事实上，仅仅对电机的物理模型参数的标定只能使电机在当前电流下输出最大转矩，但这并不等同于电机可以以最小的电流输出转矩指令，例如，专利“一种基于改进粒子群优化算法的异步电机参数辨识方法(CN106953577B)”中，只对异步电机转子时间常数进行标定，而不会根据不同转速和转矩指令对d、q轴电流进行调整，很显然不能使异步电机保持在最优电流比状态；又例如，专利“基于改进粒子群算法的异步电机关键信息跟踪方法(CN104362927A)”中，只对转子时间常数和励磁电感进行调整，同样跟会根据不同的转速和转矩指令对d、q轴电流进行调整，不能使异步电机保持在最优电流比状态。因此，传统的电动汽车异步电机参数标定方法只能让电机运行于较高的转矩和较高的效率状态，但并不能严格的保证电机在任意转矩指令下都能运行于最优转矩电流比的状态。
发明内容
本发明要解决技术问题为：克服上述现有技术的不足，本发明提供了一种基于PPO算法的电动汽车异步电机关键参数标定方法，针对电动汽车某一转矩指令，不仅对电动汽车异步电机的物理模型参数进行标定，同时还对电机的d、q轴指令电流也进行了标定，使得电动汽车异步电机可以以最小的电流输出对应的转矩指令，从而让电机具有最优转矩电流比特性。
本发明的技术解决方案：本发明方法的主要步骤是：在电机测试台架上不断的采集被测电机的运行数据，再使用PPO算法从采集到的数据中挖掘出能使电机运行于最大转矩电流比状态的电机参数。具体包括如下步骤：
①将电机放置在电机对拖台架上进行测试，设置电机的控制方式为带速度传感器的间接矢量转矩控制方式。
②当电机运行于某一转速时，采集电机当前的d、q轴实际电流id、iq，以及当前的d、q轴电压Ud、Uq，作为PPO算法的观测值st；
将d轴给定电流值id *、q轴给定电流值iq *以及电机的转子时间常数Tr作为PPO的动作值at；
采集电机的当前的转矩值Te，并设当前PPO算法的奖励值rt为：rt＝1/(1-ec)，其中e为自然对数的底，在c中，-(Te *-Te)2项保证了电机可以精确的输出转矩指令所要求的转矩，项保证了电机在保证输出转矩精度的同时，也保证了能用最小的电流来输出当前的转矩，即实现电机的最大转矩电流比特性；
将观测值、动作值和奖励值送入PPO算法中进行迭代，当迭代结束后，PPO算法输出的3个动作值(也即异步电机的d轴给定电流值id *，q轴给定电流值iq *以及转子时间常数值Tr)便为标定的电动汽车异步电机关键参数值，这3个关键参数的标定值可以使电动汽车异步电机在当前转速下输出当前转矩指令所要求的转矩，并且使电机具有最大转矩电流比特性；
在不同的转速以及不同的给定转矩条件下，循环执行上述步骤，便可以得到任意转速和任意给定转矩下的电机参数标定值，最终将这些参数标定值以表格的形式存入电动汽车异步电机的控制器，便完成了全部的电动汽车异步电机关键参数标定工作；
PPO算法的具体实现方式为：
1)采集当前的观测、奖励和动作值st、at、rt；
2)计算 被称为优势函数，其中γ为一常数，被称为折扣因子，且0＜γ＜1，VΦ(st)是Critic神经网络的输出值；
3)将当前时刻的策略存储为上一时刻的策略：πold(at-1|st-1)＝πθ(at|st)；
计算PPO算法中Actor神经网络的参数梯度 其中t表示当前时刻，t-7表示上一时刻，T表示算法结束时的最终时刻，θ表示Actor神经网络的参数；JPPO(θ)表示Actor神经网络参数θ的梯度；πθ(at|st)表示当前的策略，πold(at-1|st-1)表示上一时刻的策略；KL[πold|πθ]称为策略πold与πθ的KL散度，其作用是表示策略πold与策略πθ之间的不同程度，KL[πold|πθ]散度的具体形式为：λ为KL散度的系数；
4)使用梯度下降法进行PPO算法中Actor神经网络的参数梯度JPPO(θ)的更新；
5)计算PPO算法中Critic神经网络的参数梯度其中Φ为Critic神经网络的参数，VΦ(st)表示在当前观测st下，Critic神经网络的输出值；
6)使用梯度下降法进行Critic神经网络的参数梯度LBL(Φ)的更新；
7)上述步骤重复1000次，记录最后一次的Actor神经网络的输出值，即为当前转速和转矩指令下的d轴给定电流值id *、q轴给定电流值iq *以及电机的转子时间常数Tr标定值。
与现有的技术相比，本发明的优势在于：
(1)传统的电动汽车异步电机标定方法只能标定异步电机的模型参数，例如转子时间常数，而本发明的方法不仅能标定异步电机的转子时间常数，还能标定不同转速和转矩指令下的d轴给定电流值id *、q轴给定电流值iq *，使得异步电机在不同工况下，能够进行更加精细的状态调整，从而保持异步电机在任意转速和转矩指令下都能运行于最优转矩电流比状态，这是传统异步电机参数标定方法不具有的优势，同时，相对于传统异步电机参数标定方法，本发明方法可以输出比以往电动汽车异步电机标定方法更高的效率。
(2)使用本发明的异步电机参数标定方法不仅能标定异步电机的转子时间常数，还能标定不同转速和转矩指令下的d轴给定电流值id *、q轴给定电流值iq *，使得异步电机在不同工况下，能够进行更加精细的状态调整，从而保持异步电机在任意转速和转矩指令下都能运行于最优转矩电流比状态，同时，在以往的文献中，没有使用PPO算法在电机控制领域的应用。
附图说明
图1为本发明的结构图；
图2为适用于电动汽车异步电机关键参数标定方法的PPO算法结构框图；
图3为PPO算法中的Actor神经网络结构图；
图4为PPO算法中的Critc神经网络结构图；
图5为以转速n＝1000rpm、转矩指令Te *＝20Nm为例，基于本发明方法的转子时间常数值Tr的计算结果；
图6为以转速n＝1000rpm、转矩指令Te *＝20Nm为例，基于本发明方法的d轴给定电流值id *的计算结果；
图7为以转速n＝1000rpm、转矩指令Te *＝20Nm为例，基于本发明方法的q轴给定电流值iq *的计算结果；
图8为以转速n＝1000rpm、转矩指令Te *＝20Nm为例，基于本发明方法的电机转矩跟踪结果；
图9为以转速n＝1000rpm、转矩指令Te *＝40Nm为例，基于本发明方法的转子时间常数值Tr的计算结果；
图10为以转速n＝1000rpm、转矩指令Te *＝40Nm为例，基于本发明方法的d轴给定电流值id *的计算结果；
图11为转速n＝1000rpm、转矩指令Te *＝40Nm为例，基于本发明方法的q轴给定电流值iq *的计算结果。
图12为以转速n＝1000rpm、转矩指令Te *＝40Nm为例，基于本发明方法的电机转矩跟踪结果；
图13为在转速n＝1000rpm、转矩指令Te *＝40Nm条件下，使用本发明方法所需的电流和使用传统标定方法所需的电流的比较。
具体实施方式
下面结合附图对本发明进一步说明。
如图1所示，本发明系统需要的仪器设备有：
1、电机对拖台架一台、台架上同轴安装测功机电机和被测电机，被测电机即为所需标定关键参数值的电动汽车异步电机，测功机电机的作用是为被测电机提供负载，并支撑被测电机的转速，测功机电机可以是异步电机也可以是同步电机；
2、电机控制器两个，分别为对拖台架的对被测电机进行控制的被测电机控制器和对测功机电机进行控制的测功机电机控制器；
3、转速-转矩传感器一台，安装在测功机电机和被测电机之间；
4、电机数据采集器一个，其功能为：
(1)使用被测电机的电机控制器采集被测电机的数据，包括：被测电机的d、q轴电流id、iq以及被测电机的d、q轴电压Ud、Uq，
(2)采集转速-转矩传感器上转矩信号Te，
(3)将上述信号传送至电脑，
(4)接收电脑运算后的被测电机标定参数，
(5)将接收的被测电机参数传送给被测电机的电机控制器。
5、电脑一台，用于运行电动汽车异步电机关键参数标定算法，算法实现的操作环境为Ubuntu16.04，算法编写的语言为python3.5，同时，使用了基于python的numpy和pandas库进行算法实现。
实现本发明方法的具体操作步骤为：
(1)将测功机电机运行于转速模式，并限制在一固定转速。被测电机运行于转矩模式。被测电机控制方式为带速度传感器的间接磁场定向控制算法；
(2)用被测电机的电机控制器采集被测电机的id、iq、Ud、Uq，并将其数据传送给电机数据采集器；
(3)电机数据采集器同时采集转速-转矩传感器的转矩信号Te；
(4)电机数据采集器将上述信号传送至电脑，电脑根据采集的信号运行PPO算法。并将PPO算法更新出的被测电机参数的标定值回传至电机数据采集器，电机数据采集器再将被测电机参数标定值回传给被测电机的电机控制器；
(5)被测电机的电机控制器采用更新后的被测电机参数标定值迭代运行，重复步骤(1)至步骤(4)；
(6)运行1000次，算法结束，此时记录最后一次PPO算法运算出的参数值，并认为是电机的最终参数标定值；
(7)在不同转速，不同转矩指令下重复上述步骤，最终获取到所有转速和转矩指令下的被测电机参数标定值；
(8)所有状态辨识完成后，记录下不同转速及不同转矩指令下状态下的参数标定值。并以表格形式记录至被测电机的电机控制器中。至此，电动汽车异步电机参数标定的全部工作完成。
标定工作完成后，被测电机便可以脱离测试系统运行于实际工况中，实际运行中，对被测电机进行控制的被测电机控制器只需采集被测电机的id、iq、Ud、Uq信号，并根据生成的表格便可以获得被测电机在当前转速和转矩指令下的d轴给定电流值id *、q轴给定电流值iq *以及电机的转子时间常数Tr值。
如图2所示，是适用于电动汽车异步电机关键参数标定的PPO算法结构图。从图2可以看出，PPO算法实现的步骤为：
1)采集当前的观测、奖励和动作值st、at、rt，具体描述为：采集电机当前的d、q轴实际电流id、iq，当前的d、q轴实际电压Ud、Uq作为PPO算法当前的观测值st；将d轴给定电流值id *、q轴给定电流值iq *以及电机的转子时间常数Tr作为PPO算法当前的动作值at；采集电机的当前的转矩值Te，并设PPO算法当前的奖励值rt为：rt＝1/(1-ec)，其中在c中，-(Te *-Te)2项保证了电机可以精确的输出转矩指令所要求的转矩，项保证了电机在保证输出转矩精度的同时，也保证了能用最小的电流来输出当前的转矩，即实现电机的最大转矩电流比特性；
2)计算 被称为优势函数，其中γ为一常数，被称为折扣因子，且0＜γ＜1，VΦ(st)是Critic神经网络的输出值；
3)将当前时刻的策略存储为上一时刻的策略：πold(at-1|st-1)＝πθ(at|st)；
4)计算PPO算法中Actor神经网络的参数梯度
其中t表示当前时刻，t-1表示上一时刻，T表示算法结束时的最终时刻，θ表示Actor神经网络的参数，JPPO(θ)表示Actor神经网络参数θ的梯度，πθ(at|st)表示当前的策略，πold(at-1|st-1)表示上一时刻的策略，KL[πold|πθ]称为策略πold与πθ的KL散度，其作用是表示策略πold与策略πθ之间的不同程度，KL[πold|πθ]散度的具体形式为： λ为KL散度的系数，Actor神经网络为3层全连接神经网络，其中输入层一层，包含4个输入神经元，隐含层一层，包含2个隐含神经元，输出层一层，包含3个输出神经元，其具体结构如图3所示；
5)使用梯度下降法进行PPO中Actor神经网络的参数梯度JPPO(θ)的更新；
6)计算PPO中Critic神经网络的参数梯度其中Φ为Critic神经网络的参数，VΦ(st)表示在当前观测st下，Critic神经网络的输出值；
7)使用梯度下降法进行Critic神经网络的参数梯度LBL(中)的更新，Critic神经网络为3层全连接神经网络，其中输入层一层，包含4个神经元，隐含层一层，包含2个隐含神经元，输出层一层，包含1个输出神经元，其具体结构如图4所示；
8)上述步骤重复1000次，记录最后一次的Actor神经网络的输出值，即为当前转速和转矩指令下的d轴给定电流值id *、q轴给定电流值iq *以及电机的转子时间常数Tr标定值。
以转速n＝1000rpm、转矩指令分别为20Nm和40Nm为例，图5、图6、图7分别展示了在转速n＝1000rpm、转矩指令Te *＝20Nm条件下，基于本发明方法标定的转子时间常数值Tr、d轴给定电流值id *、以及q轴给定电流值iq *的计算过程，图8是在使用图5、图6、图7所示标定参数值时，电机的输出转矩波形；图9、图10、图11分别展示了在转速n＝1000rpm、转矩指令Te *＝40Nm条件下，基于本发明方法的转子时间常数值Tr、d轴给定电流值id *、以及q轴给定电流值iq *的计算过程，图12是在使用图9、图10、图11所述标定参数值时，电机的输出转矩波形；可以看出，本发明方法不仅可以对转子时间常数值Tr进行标定，同时可以对d轴给定电流值id *、以及q轴给定电流值iq *进行标定，同时，标定的参数可以精确的跟踪转矩指令，图13所示为在转速n＝1000rpm、转矩指令Te *＝40Nm条件下，使用本发明方法所需的电流和使用传统标定方法所需的电流，可以看出，同样的转速和转矩指令条件下，本发明的标定方法所需电流明显比传统方法要小很多，可以使电机获得最优转矩电流比的特性，并输出较传统方法更高的效率。
提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims (5)

1.一种电动汽车异步电机关键参数标定方法，其特征在于：将电动汽车异步电机运行于电机对拖台架上，采用近端策略优化(Proximal Policy Optimization，以下简称PPO)算法标定电机的d轴给定电流值id *、q轴给定电流值iq *以及转子时间常数值Tr，使得电机可以在任意转速n下输出转矩指令Te *，同时，标定的参数值使得电机具有最大转矩电流比特性。
2.如根据权利要求1所述的一种电动汽车异步电机关键参数标定方法，其特征在于，方法的具体实现为：
步骤1、让电机在电机对拖台架上运行于带转速传感器的间接磁场定向转矩控制方式；
步骤2、在任意转速下，采集电机当前的d、q轴实际电流id、iq以及当前的d、q轴实际电压Ud、Uq作为PPO算法当前的观测值st；
步骤3、将d轴给定电流值id *、q轴给定电流值iq *以及电机的转子时间常数Tr作为PPO算法当前的动作值at；采集电机的当前的转矩值Te，并设PPO算法当前的奖励值rt为：rt＝1/(1-ec)，其中e表示自然对数的底，
步骤4、将观测值、动作值和奖励值送入PPO算法中进行迭代，当迭代结束后，PPO算法输出的异步电机的d轴给定电流值id *，q轴给定电流值iq *以及转子时间常数值Tr这三个个动作值，便为标定的电动汽车异步电机关键参数值，这三个关键参数的标定值使电动汽车异步电机在当前转速n下输出转矩指令Te *所需的转矩值，并且使电机具有最大转矩电流比特性；
步骤5、在不同的转速n以及不同的转矩指令Te *下，循环执行步骤1至步骤4，得到任意转速和任意转矩指令下的电机参数标定值，最终将这些参数标定值以表格的形式存入电动汽车异步电机的控制器，完成电动汽车异步电机关键参数标定。
3.如权利要求1所述的一种电动汽车异步电机关键参数标定方法，其特征在于，所述PPO算法的结构为：PPO算法采用强化学习中的Actor-Critic架构，Actor和Critic分别为一个神经网络结构，Actor神经网络的参数更新方式为：
其中t表示当前时刻，t-1表示上一时刻，T表示算法结束时的最终时刻，θ表示Actor神经网络的参数，JPPO(θ)表示Actor神经网络参数θ的梯度；πθ(at|st)表示当前的策略，即在当前观测值为st的条件下，选择动作值为at的概率，πold(at-1|st-1)表示上一时刻的策略，即在上一次观测值为st-1的条件下，选择动作值为at-1的概率； 称为优势函数，其中∑t≥1γtrt表示从初始时刻到当前时刻的这段时间内所有时刻的奖励之和，0＜γ＜1称为折扣因子，这使得γt表示越早时刻的获得的奖励越小，VΦ(st)是Critic神经网络的输出值；KL[πold|πθ]称为策略πold与πθ的KL散度，其作用是表示策略πold与策略πθ之间的不同程度，KL[πold|πθ]的表达式为： 其中p(·)表示概率函数；λ为KL散度的系数；使用梯度下降法对JPPO(θ)进行更新，得到Actor神经网络的参数；
Critic神经网络的更新方式为：
其中LBL(Φ)表示Critic神经网络参数Φ的梯度，使用梯度下降法对LBL(Φ)进行更新，便可得到Critic神经网络的参数。
4.如权利要求3所述的一种电动汽车异步电机关键参数标定方法，其特征在于：所述Actor的神经网络为3层全连接神经网络，其中输入层一层，包含4个输入神经元，隐含层一层，包含2个隐含神经元，输出层一层，包含3个输出神经元，Actor神经网络使用梯度下降法进行更新。
5.如权利要求3所述的一种电动汽车异步电机关键参数标定方法，其特征在于：所述Critic的神经网络为3层全连接神经网络，其中输入层一层，包含4个神经元，隐含层一层，包含2个隐含神经元，输出层一层，包含1个输出神经元，Critic神经网络使用梯度下降法进行更新。
CN201911014806.5A 2019-10-24 2019-10-24 一种电动汽车异步电机关键参数标定方法 Active CN110620536B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911014806.5A CN110620536B (zh) 2019-10-24 2019-10-24 一种电动汽车异步电机关键参数标定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911014806.5A CN110620536B (zh) 2019-10-24 2019-10-24 一种电动汽车异步电机关键参数标定方法

Publications (2)

Publication Number Publication Date
CN110620536A true CN110620536A (zh) 2019-12-27
CN110620536B CN110620536B (zh) 2021-03-02

Family

ID=68926543

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911014806.5A Active CN110620536B (zh) 2019-10-24 2019-10-24 一种电动汽车异步电机关键参数标定方法

Country Status (1)

Country Link
CN (1) CN110620536B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111064418A (zh) * 2020-03-17 2020-04-24 深圳熙斯特新能源技术有限公司 基于电流检测的电动汽车电机控制方法及系统
CN112202379A (zh) * 2020-08-11 2021-01-08 南京邮电大学 基于变步长搜索的mtpa曲线标定系统及标定方法
CN114325055A (zh) * 2021-12-31 2022-04-12 重庆长安新能源汽车科技有限公司 一种电机轴电压的测试装置及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018078762A (ja) * 2016-11-11 2018-05-17 国立大学法人 名古屋工業大学 埋込磁石同期電動機を用いた加振制御システム
CN109343341A (zh) * 2018-11-21 2019-02-15 北京航天自动控制研究所 一种基于深度强化学习的运载火箭垂直回收智能控制方法
CN109412494A (zh) * 2018-10-31 2019-03-01 阳光电源股份有限公司 一种电机标定方法及装置
CN209342878U (zh) * 2018-11-26 2019-09-03 安徽鸿创新能源动力有限公司 一种永磁同步电机mtpa参数自动标定系统
CN110276139A (zh) * 2019-06-26 2019-09-24 安徽大学 一种基于深度确信策略梯度算法的感应电机关键参数获取方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018078762A (ja) * 2016-11-11 2018-05-17 国立大学法人 名古屋工業大学 埋込磁石同期電動機を用いた加振制御システム
CN109412494A (zh) * 2018-10-31 2019-03-01 阳光电源股份有限公司 一种电机标定方法及装置
CN109343341A (zh) * 2018-11-21 2019-02-15 北京航天自动控制研究所 一种基于深度强化学习的运载火箭垂直回收智能控制方法
CN209342878U (zh) * 2018-11-26 2019-09-03 安徽鸿创新能源动力有限公司 一种永磁同步电机mtpa参数自动标定系统
CN110276139A (zh) * 2019-06-26 2019-09-24 安徽大学 一种基于深度确信策略梯度算法的感应电机关键参数获取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
漆星 等: "Actor-Critic 框架下的数据驱动异步电机离线参数辨识方法", 《电工技术学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111064418A (zh) * 2020-03-17 2020-04-24 深圳熙斯特新能源技术有限公司 基于电流检测的电动汽车电机控制方法及系统
CN112202379A (zh) * 2020-08-11 2021-01-08 南京邮电大学 基于变步长搜索的mtpa曲线标定系统及标定方法
CN114325055A (zh) * 2021-12-31 2022-04-12 重庆长安新能源汽车科技有限公司 一种电机轴电压的测试装置及方法

Also Published As

Publication number Publication date
CN110620536B (zh) 2021-03-02

Similar Documents

Publication Publication Date Title
CN110620536B (zh) 一种电动汽车异步电机关键参数标定方法
CN107645257B (zh) 机械学习器、电动机控制装置以及机械学习方法
CN107147342B (zh) 一种感应电机参数辨识系统及方法
CN110276139B (zh) 一种基于深度确信策略梯度算法的感应电机关键参数获取方法
CN114061880B (zh) 直驱式轮毂电机高速旋转时电磁耦合振动测试系统和控制策略
CN109685935B (zh) 一种整车系统状态量的估计方法和装置
CN107861061B (zh) 一种数据驱动的感应电机参数在线辨识方法
CN110341546A (zh) 一种纯电动车续航里程估算方法
CN109871044B (zh) 一种转速跟踪方法及装置
CN109167546B (zh) 一种基于数据生成模型的异步电机参数在线辨识方法
CN111106772A (zh) 一种包含参数跟踪的感应电机状态强跟踪滤波估计方法
CN112528434A (zh) 信息识别方法、装置、电子设备和存储介质
CN117787111B (zh) 可变桨距机构旋翼推力估计方法、装置及其应用
CN109976153A (zh) 控制无人驾驶设备及模型训练的方法、装置及电子设备
CN116620048A (zh) 双电机功率预测方法、装置、电子设备及车辆
CN114337427B (zh) 一种带遗忘因子的递推最小二乘法的转动惯量辨识方法
CN116620049A (zh) 双电机功率预测方法、装置、电子设备及车辆
CN112886890B (zh) 一种数据驱动的异步电机动力学模型建模方法
CN114379568A (zh) 基于车辆质量估计的车辆控制方法、装置、介质和车辆
CN113311333B (zh) 高速鼓风机定子在线故障诊断系统及方法
CN116756641A (zh) 一种数据驱动的分布式驱动电机轴承小样本故障诊断方法
CN117302261B (zh) 基于人工智能学习的车辆自适应驾驶控制方法及系统
JP7564704B2 (ja) 自動操縦ロボットの制御装置及び制御方法
CN117351449B (zh) 基于极坐标加权的道路可通行区域边界优化方法
CN118399821B (zh) 永磁同步电机控制方法、装置及设备

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