CN111200381B - 一种新能源汽车驱动电机鲁棒最优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鲁棒最优抗干扰控制器的构造方法，首先建立驱动电机系统，然后依次建立误差观测器、反步控制器、最优控制器、自构造神经网络控制器、鲁棒控制器与自适应控制器构成驱动电机鲁棒最优抗干扰控制器。本发明有效解决了新能源汽车驱动电机现有控制方法的缺陷，设计简单、控制效果优良，具有很强的抗干扰能力。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。

Description

一种新能源汽车驱动电机鲁棒最优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，是一种基于鲁棒最优抗干扰控制器的驱动电机控制方法，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。

永磁同步电机与同步电机和异步电机相比，不存在电励磁和相应的损耗，永磁转子不发热，电负荷可以选得很高，因而体积小、功率密度高。随着新型电机控制理论和稀土永磁材料的快速发展，永磁同步电动机性能得以进一步提升，与普通电机相比，有许多独特优势。例如说高效节能、温升低、启动性能好、体积小、重量轻等。然而永磁同步电机具有复杂的非线性、时变和温度依赖的数学模型，而且永磁同步电机驱动器的性能还会受到许多不确定性的影响。因此本发明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鲁棒最优抗干扰控制器，用于永磁同步电机伺服驱动器的辨识和控制，实现了高动态性能。该控制方案包括反步控制器、自构造神经网络控制器、鲁棒控制器、最优控制器与自适应控制器以稳定永磁同步电机伺服驱动系统。首先，根据李雅普诺夫稳定性分析和最优控制理论，提出了一种反步控制器。为了满足反步控制器对集中参数不确定性的要求，设计了一种用于非线性不确定性在线逼近的自构造神经网络控制器来得到不确定性标识符。在此基础上，设计了一个鲁棒控制器来恢复神经网络逼近误差的残差。此外，在李雅普诺夫稳定性分析和最优控制技术的基础上，构造自适应控制器与最优控制器，从而保证了系统的稳定性。

本发明采用技术方案步骤如下：

一种新能源汽车驱动电机鲁棒最优抗干扰控制器的构造方法，包括以下步骤：

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

步骤2，建立驱动电机系统模型，将参考转速实际转速ωr，q、d轴参考电流/>与/>与实际电流i_q与i_d作为误差观测器的输入，误差Z_n作为其输出；

步骤3，构建反步控制器，将增益系数f_n、k_n与误差观测器的输出Z_n作为反步控制器的输入，第一q轴实际控制率u_q ^G1与第一d轴实际控制率u_d ^G1作为输出；

步骤4，建立最优控制器，将误差观测器的输出Z_m作为最优控制器的输入，输出为第二q轴电压最优控制率u_q ^G2、第二轴d轴电压控制率u_d ^G2与增益系数R，增益矩阵B、P；

步骤5，将误差观测器的输出Z_n作为自构造神经网络控制器的输入，输出为第三q/d轴电压控制率/>即u_q ^G3与u_d ^G3；

步骤6，将误差观测器的输出Z_n与最优控制器的输出R、B、P与作为鲁棒控制器的输入，输出为与第四q/d轴电压输出/>即u_a ^G4与u_d ^G4；

步骤7，将误差观测器的输出Z_n与鲁棒控制器的输出作为自适应控制器的输入，输出为第五q轴自适应优化实际控制率u_q ^G5与与第五d轴自适应优化实际控制率u_d ^G5；最终将驱动电机系统、误差观测器、反步控制器、最优控制器、自构造神经网络控制器、鲁棒控制器与自适应控制器构成驱动电机鲁棒最优抗干扰控制器。

进一步，步骤2的建立驱动电机系统模型为：

Ω_w＝(J_m)^-1(f_w-ΔJ_mx₁-Δβ_mx₁+ΔK_tx₂-ΔT_L-T_L) (1-4)

Ω_q＝(L_s)^-1(f_q-ΔL_sx₂-ΔR_sx₂+ΔL_sx₁x₃) (1-5)

Ω_d＝(L_s)^-1(f_d-ΔL_sx₃-ΔR_sx₃+ΔL_sx₁x₂) (1-6)

x₁、x₂、x₃分别为ω_r、i_q、i_d，V_q，V_d，i_q，i_d分别是q轴与d轴的定子电压和电流，R_s和L_s分别是定子电阻和自感。θ_r，ω_r为电机的转子位置角和转子角速度，极对数系数K_t＝(3/2)(P_n/2)。J_m，β_m和P_n分别代表了电机的转动惯量，摩擦系数和极对数。T_e和T_L分别是电磁转矩和负载转矩，λ′_m是转矩常数。Ωw，Ω_q和Ω_d表示集中不确定性参数。ΔR_s，ΔL_s，ΔK_t，Δβ_m，ΔJ_m和ΔT_L都是由于永磁同步电机参数引入的不确定性。f_w，f_q，f_d分别表示实际应用中的外部扰动。

进一步，步骤3的具体过程为：

步骤3.1、定义转速误差z₁(t)：

其中，ω_r*(t)为参考转速；

构建李雅普诺夫函数V₁(t)：

定义最优虚拟控制率

其中，i_q*为q轴参考电流，设计的控制增益系数k₁＞0，u_w*是(1-11)的一个新的控制输入，也是最优稳定控制器的输出，稍后将对它进行优化；h_w(x)为最优虚拟控制率中捕捉所有不确定动态的非线性函数，/>步骤3.2、定义q轴电流误差z₂(t)：

建立李雅普诺夫函数V₂(t)：

第一q轴实际控制率u_q ^G1：

其中，L_q为q轴电感，设计的控制增益系数k₂＞0，u_q*是(1-16)的一个新的控制输入，也是最优稳定控制器的输出，h_q(x)为第一q实际控制率u_q ^G1中捕捉所有不确定动态的非线性函数，

步骤3.3、定义d轴电流误差z₃(t)：

其中i_d*为d轴电流参考值；

建立李雅普诺夫函数V₃(t)：

第一d轴实际控制率为u_d ^G1：

其中，设计的控制增益系数k₃>0,u_d*是(1-21)的一个新的控制输入，也是最优稳定控制器的输出，h_d(x)为第一d轴实际控制率中捕捉所有不确定动态的非线性函数，

进一步，步骤4的具体过程为：

将转速误差z₁(t)、q轴电流误差z₂(t)、d轴电流误差z₃(t)动态构成非线性不确定系统，为了稳定非线性不确定系统设计最优控制器；现将该非线性不确定系统z(t)表示为：

z(t)＝Az(t)+Bu(t)+W (1-22)

A、B为系数，W为所属集中不确定性参数；

假设系统参数无变化，无外部负荷扰动，(1-22)可改写为：

z(t)＝Az(t)+Bu(t) (1-23)

使用哈密顿-雅可比-贝尔曼方程(Hamilton-Jacobi-Bellman equation，简称HJB方程)，误差动态公式(1-23)可用于优化辅助控制输入u(t)，根据优化控制技术，定义二次性能指标为J(u)：

L(z,u)为二次性能指标函数，将(1-24)进行拉格朗日分解，得到：

L(z,u)＝(1/2)z^T(t)Tz(t)+(1/2)u^T(t)Ru(t) (1-25)

其中，T是一个正定矩阵，R为一个正数，控制目标是构造辅助控制输入u(t)，根据转速误差z₁(t)、q轴电流误差z₂(t)、d轴电流误差z₃(t)的动态方程限制性能指标J(u)，为了满足最优控制率u*(t),在满足(1-23)的条件下最小化(1-24)的充要条件是存在一个函数J(z(t),t)满足HJB方程，由此可以得到第二q/d轴电压最优控制率为即u_q ^G2与u_d ^G2：

其中，R为正数，B与P为增益矩阵，z_n为上述提到的z₁、z₂、z₃。

进一步，步骤5的具体过程为：

步骤5.1、输入层：第一层的节点将输入信号传输到下一层，第一层的输出y_i ⁽¹⁾：

其中，x_i ¹表示第一层节点的第i个输入；

步骤5.2、模糊层：该层中的每个节点执行一个模糊函数，

其中，为上文中所提到的不确定性参数W_w、W_q、W_d，x_i为x₁、x₂、x₃，/>为误差系数，/>与/>为传递系数；y_i ⁽²⁾为模糊层的输出；

步骤5.3、发射层：规则中的发射强度y_i ⁽³⁾为：

其中，Ψⁱ _F为发射层系数，为链接系数；

步骤5.4、逻辑层：计算第l层小波的输出逻辑层的输出y_i ⁽⁴⁾(n)；

步骤5.5、输出层：计算自构造神经网络控制器的输入，输出节点及其相关链接作为去模糊器，第五层最终输出为y₀ ⁽⁵⁾(n)，也就是第三q/d轴电压控制率最终得出估计的不确定性非线性函数/>即为非线性函数h_w(x)，h_q(x)和h_d(x)的逼近值。

进一步，步骤6的具体过程为：

使用自构造小波神经网络不确定性标识符的鲁棒优化非线性函数h_w(x)，h_q(x)和h_d(x)，设计如下：

其中，ε_k是重构误差，W_k和X_k为最佳参数矩阵，k＝w、q、d。由于这些最优参数矩阵是不可获得的，因此将自构造小波神经网络不确定性标识符定义为：

最终，鲁棒控制器对第四q/d轴电压的输出为：

其中，W_k*和X_k*为最优参数，和/>是最优参数W_k*和X_k*的估计值，/>是一种鲁棒控制器，σ_k为鲁棒控制系数，sgn()为符号函数。

进一步，步骤7的具体过程为：

使用自适应估计控制器来接收鲁棒控制器输出的自适应优化虚拟控制率为：

其中，是根据神经网络控制器得到的h_w(x)的估计值，为q轴电流最优参数，u_w ^RC为鲁棒控制器输出，y_w为自适应控制器参数，u*_w由最优控制器得到；第五q轴自适应优化实际控制率u_q ^G5构造如下：

其中，是根据神经网络控制器得到的h_d(x)的估计值，/>与Ξ_d为d轴电压最优参数，ud^RC为鲁棒控制器输出，y_d为自适应控制器参数，u*_d由最优稳定控制器得到；最终，控制系统的输出结果u_q ^ref与u_d ^ref如下所示：

本发明的有益效果为：

1、通过构建最优控制器(子控制器)提高驱动电机系统的静态控制性能，构建反步控制器(子控制器)与自构造神经网络控制器(子控制器)实现驱动电机系统的抗干扰控制，构建鲁棒控制器(子控制器)与自适应控制器(子控制器)保证神经网络控制器的控制精度。将上述五个子控制器构成鲁棒最优抗干扰智能控制器，有效解决了新能源汽车驱动电机现有控制方法的缺陷，设计简单、控制效果优良，具有很强的抗干扰能力。

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，是由电压坐标转换模块11、SVPWM模块12、永磁同步电机模块13、磁通角估计模块14、电流坐标转换模块15共同构成的驱动电机系统16；

图2为新能源汽车驱动电机系统鲁棒最优抗干扰控制器，是由驱动电机系统16、误差观测器31、反步控制器32、最优控制器41、自构造神经网络控制器51、鲁棒控制器61与自适应控制器71构成驱动电机鲁棒最优抗干扰控制器；

图3为神经网络结构/参数学习流程图，具体步骤在建立神经网络控制器中进行了解释。

具体实施方式

本发明的具体实施步骤分为以下几步：

1.通过采集d-q轴实际电压与参考电压，通过内部模块计算和坐标变换建立驱动电机系统16：

将电压坐标转换模块11、SVPWM模块12、永磁同步电机模块13、磁通角估计模块14、电流坐标转换模块15共同组成驱动电机系统16。此驱动电机系统的输入为v_q ^ref和v_d ^ref，输出为转子位置角θ_r和i_q，i_d。将v_q ^ref和v_d ^ref作为电压坐标转换模块11的输入，同时输入电角度θ_e，输出为三相电压v_a、v_b，、v_c；将其作为SVPWM模块12的输入，输出为三相电流i_a、i_b、i_c；三相电流输入永磁同步电机模块13，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14，得到电角度θ_e；将三相电流作为电流坐标转换模块15的输入，同时输入电角度θ_e，输出两相坐标i_q与i_d。将该系统等效为驱动电机系统16。该驱动电机系统为本领域的公知常识，见：袁雷，胡冰新，魏克银，陈姝.现代永磁同步电机控制原理机Matlab仿真.北京航空航天大学出版社.

2.建立驱动电机系统模型：

Ω_w＝(J_m)^-1(f_w-ΔJ_mx₁-Δβ_mx₁+ΔK_tx₂-ΔT_L-T_L) (1-4)

Ω_q＝(L_s)^-1(f_q-ΔL_sx₂-ΔR_sx₂+ΔL_sx₁x₃) (1-5)

Ω_d＝(L_s)^-1(f_d-ΔL_sx₃-ΔR_sx₃+ΔL_sx₁x₂) (1-6)

x₁、x₂、x₃分别为ω_r、i_q、i_d，V_q，V_d，i_q，i_d分别是q轴与d轴的定子电压和电流，R_s和L_s分别是定子电阻和自感。θ_r，ω_r为电机的转子位置角和转子角速度，极对数系数K_t＝(3/2)(P_n/2)。J_m，β_m和P_n分别代表了电机的转动惯量，摩擦系数和极对数。T_e和T_L分别是电磁转矩和负载转矩，λ'_m是转矩常数。Ωw，Ω_q和Ω_d表示集中不确定性参数。△R_s，△L_s，△K_t，△β_m，△J_m和△T_L都是由于永磁同步电机参数引入的不确定性。f_w，f_q，f_d分别表示实际应用中的外部扰动。

3.建立反步控制器：对步骤2中的式(1-1)-(1-6)进行李雅普诺夫稳定性分析，在未知的外部和动态扰动存在的情况下设计反步控制器。

步骤3.1、定义转速误差z₁(t)：

其中，w_r*(t)为参考转速；

将(1-1)带入(1-7)，得到转速误差z₁(t)的动态方程

构建李雅普诺夫函数V₁(t)：

通过(1-7)和(1-8)对(1-9)进行求导，可以得到：

定义最优虚拟控制率

其中，i_q*为q轴参考电流，设计的控制增益系数k₁>0,u_w*是(1-11)的一个新的控制输入，也是最优稳定控制器的输出，稍后将对它进行优化；h_w(x)为最优虚拟控制率中捕捉所有不确定动态的非线性函数，/>定义q轴电流误差z₂(t)：

步骤3.2、将(1-2)带入(1-12)，得到q轴电流误差z₂(t)的动态方程：

建立李雅普诺夫函数V₂(t)：

对(1-14)进行微分得到：

实际控制率u_q ^G1：

其中，L_q为q轴电感，设计的控制增益系数k₂>0,u_q*是(1-16)的一个新的控制输入，也是最优稳定控制器的输出，h_q(x)为第一q实际控制率u_q ^G1中捕捉所有不确定动态的非线性函数，定义d轴电流误差z₃(t)：

其中i_d*为d轴电流参考值；

步骤3.3、将(1-3)带入(1-17)，得到d轴电流误差z₃(t)的动态方程：

建立李雅普诺夫函数V₃(t)：

对(1-19)进行微分得到：

实际控制率：

其中，设计的控制增益系数k₃>0,u_d*是(1-21)的一个新的控制输入，也是最优稳定控制器的输出，h_d(x)为第一d轴实际控制率中捕捉所有不确定动态的非线性函数，

4.建立最优控制器：最优控制器的建立是为了保护系统的稳定性，最小化成本函数。为了稳定非线性不确定系统(1-8)，(1-13)与(1-18)，需要设计最优控制器，保证闭环系统中所有信号都有界。现将该非线性不确定系统表示为:

z(t)＝Az(t)+Bu(t)+W (1-22)

A、B为系数，W为所属集中不确定性参数；

假设系统参数无变化，无外部负荷扰动，(1-22)可改写为：

z(t)＝Az(t)+Bu(t) (1-23)

使用哈密顿-雅可比-贝尔曼方程(Hamilton-Jacobi-Bellman equation，简称HJB方程)，误差动态公式(1-23)可用于优化辅助控制输入u(t)，根据优化控制技术，定义二次性能指标为J(u)：

将(1-24)进行拉格朗日分解，得到：

L(z,u)＝(1/2)z^T(t)Tz(t)+(1/2)u^T(t)Ru(t) (1-25)

其中，T是一个正定矩阵，R为一个正数，控制目标是构造辅助控制输入u(t)，根据转速误差z₁(t)、q轴电流误差z₂(t)、d轴电流误差z₃(t)的动态方程限制性能指标J(u)，为了满足最优控制率u*(t),在满足(1-23)的条件下最小化(1-24)的充要条件是存在一个函数J(z(t),t)满足HJB方程，由此可以得到q/d轴电压最优控制率为

其中，R为正数，B与P为增益矩阵，z_n为上述提到的z₁、z₂、z₃。然而，由于参数不确定性的存在，该最优控制器很难追求最优性能。

5.为了保证电机驱动系统在参数变化时的稳定性，引入神经网络来逼近非线性函数h_w(x)，h_q(x)和h_d(x)。建立自构造神经网络控制器：采用递归结构和模糊神经网络组合成自构造小波神经网络控制器来逼近非线性函数h_w(x)，h_q(x)和h_d(x)。

具体实施步骤如下：

步骤5.1、输入层：第一层的节点将输入信号传输到下一层，第一层的输出y_i ⁽¹⁾：

其中，x_i ¹表示第一层节点的第i个输入；

步骤5.2、模糊层：该层中的每个节点执行一个模糊函数，

其中，为上文中所提到的不确定性参数W_w、W_q、W_d，x_i为x₁、x₂、x₃，/>为误差系数，/>与/>为传递系数。

骤5.3、发射层：规则中的发射强度y_i ⁽³⁾为：

其中，Ψⁱ _F为发射层系数，为链接系数。

步骤5.4、逻辑层：计算第l层小波的输出为：

其中F_l是关于W_i ^j的函数。

这一层的输出y_i ⁽⁴⁾(n)如下：

步骤5.5、输出层：计算自构造神经网络控制器的输入，输出节点及其相关链接作为去模糊器，第五层最终输出为y₀ ⁽⁵⁾(n)，也就是第三q/d轴电压控制率为：

最终得出估计的不确定性非线性函数即为上文中所述非线性函数h_w(x)，h_q(x)和h_d(x)的逼近值。

6.建立鲁棒控制器：使用自构造小波神经网络不确定性标识符的鲁棒优化非线性函数h_w(x)，h_q(x)和h_d(x)，方案设计如下：

其中，ε_k是重构误差，W_k和X_k为最佳参数矩阵，k＝w、q、d。由于这些最优参数矩阵是不可获得的，因此将自构造小波神经网络不确定性标识符定义为：

最终，鲁棒控制器对第四q/d轴电压的输出为：

其中，W_k*和X_k*为最优参数，和/>是最优参数W_k*和X_k*的估计值，/>是一种鲁棒控制器，s_k为鲁棒控制系数，sgn()为符号函数，B、P、z_n上文均有解释。它弥补了自构造小波神经网络不确定性标识符由于估计误差、跟踪误差和权值估计误差所造成的不足。

7.使用自适应估计控制器来接收鲁棒控制器输出的自适应优化虚拟控制率构造如下：

其中，是根据神经网络控制器得到的h_w(x)的估计值，为q轴电流最优参数，u_w ^RC为鲁棒控制器输出，y_w为自适应控制器参数，u*_w由最优控制器得到；第五q轴自适应优化实际控制率u_q ^G5构造如下：

其中，是根据神经网络控制器得到的h_d(x)的估计值，/>与Ξ_d为d轴电压最优参数，u_d ^RC为鲁棒控制器输出，y_d为自适应控制器参数，u*_d由最优稳定控制器得到；最终，控制系统的输出结果u_q ^ref与u_d ^ref如下所示：

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鲁棒最优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，首先采集d-q轴实际电压与参考电压，通过内部模块计算和坐标变换建立驱动电机系统；

步骤2，建立驱动电机系统模型，将参考转速实际转速ωr，q、d轴参考电流/>与/>与实际电流i_q与i_d作为误差观测器的输入，误差Z_n作为其输出；

步骤3，构建反步控制器，将增益系数f_n、k_n与误差观测器的输出Z_n作为反步控制器的输入，第一q轴实际控制率u_q ^G1与第一d轴实际控制率u_d ^G1作为输出；

步骤4，建立最优控制器，将误差观测器的输出Z_n作为最优控制器的输入，输出为第二q轴电压最优控制率u_q ^G2、第二轴d轴电压控制率u_d ^G2与增益系数R，增益矩阵B、P；

步骤5，将误差观测器的输出Z_n作为自构造神经网络控制器的输入，输出为第三q/d轴电压控制率/>即u_q ^G3与u_d ^G3；

步骤6，将误差观测器的输出Z_n与最优控制器的输出R、B、P与作为鲁棒控制器的输入，输出为与第四q/d轴电压输出/>即u_q ^G4与u_d ^G4；

步骤7，将误差观测器的输出Z_n与鲁棒控制器的输出作为自适应控制器的输入，输出为第五q轴自适应优化实际控制率u_q ^G5与与第五d轴自适应优化实际控制率u_d ^G5；最终将驱动电机系统、误差观测器、反步控制器、最优控制器、自构造神经网络控制器、鲁棒控制器与自适应控制器构成驱动电机鲁棒最优抗干扰控制器；

步骤2的建立驱动电机系统模型为：

Ω_w＝(J_m)^-1(f_w-ΔJ_mx₁-Δβ_mx₁+ΔK_tx₂-ΔT_L-T_L) (1-4)

Ω_q＝(L_s)^-1(f_q-ΔL_sx₂-ΔR_sx₂+ΔL_sx₁x₃) (1-5)

Ω_d＝(L_s)^-1(f_d-ΔL_sx₃-ΔR_sx₃+ΔL_sx₁x₂) (1-6)

x₁、x₂、x₃分别为ω_r、i_q、i_d，V_q,V_d,i_q,i_d分别是q轴与d轴的定子电压和电流，R_s和L_s分别是定子电阻和自感，θ_r,ω_r为电机的转子位置角和转子角速度，极对数系数K_t＝(3/2)(P_n/2)，J_m,β_m和P_n分别代表了电机的转动惯量，摩擦系数和极对数，T_e和T_L分别是电磁转矩和负载转矩，λ'_m是转矩常数，Ωw，Ω_q和Ω_d表示集中不确定性参数，△R_s，△L_s，△K_t，△β_m，△J_m和△T_L都是由于永磁同步电机参数引入的不确定性，f_w，f_q，f_d分别表示实际应用中的外部扰动；

步骤6的具体过程为：

使用自构造小波神经网络不确定性标识符的鲁棒优化非线性函数h_w(x)，h_q(x)和h_d(x)，设计如下：

其中，ε_k是重构误差，W_k和X_k为最佳参数矩阵，k＝w、q、d，由于这些最优参数矩阵是不可获得的，因此将自构造小波神经网络不确定性标识符定义为：

最终，鲁棒控制器对第四q/d轴电压的输出为：

其中，W_k*和X_k*为最优参数，和/>是最优参数W_k*和X_k*的估计值，/>是一种鲁棒控制器，s_k为鲁棒控制系数，sgn()为符号函数；

步骤7的具体过程为：

使用自适应估计控制器来接收鲁棒控制器输出的自适应优化虚拟控制率/>为：

其中，是根据神经网络控制器得到的h_w(x)的估计值，/>为q轴电流最优参数，u_w ^RC为鲁棒控制器输出，y_w为自适应控制器参数，u*_w由最优控制器得到；第五q轴自适应优化实际控制率u_q ^G5构造如下：

其中，是根据神经网络控制器得到的h_d(x)的估计值，/>与Ξ_d为d轴电压最优参数，u_d ^RC为鲁棒控制器输出，y_d为自适应控制器参数，u*_d由最优稳定控制器得到；最终，控制系统的输出结果u_q ^ref与u_d ^ref如下所示：

2.根据权利要求1所述的一种新能源汽车驱动电机鲁棒最优抗干扰控制器的构造方法，其特征在于，步骤3的具体过程为：

步骤3.1、定义转速误差z₁(t)：

其中，w_r*(t)为参考转速；

构建李雅普诺夫函数V₁(t)：

定义最优虚拟控制率

其中，i_q*为q轴参考电流，设计的控制增益系数k₁>0,u_w*是(1-11)的一个新的控制输入，也是最优稳定控制器的输出，稍后将对它进行优化；h_w(x)为最优虚拟控制率中捕捉所有不确定动态的非线性函数，/>

步骤3.2、定义q轴电流误差z₂(t)：

建立李雅普诺夫函数V₂(t)：

第一q轴实际控制率u_q ^G1：

其中，L_q为q轴电感，设计的控制增益系数k₂>0,u_q*是(1-16)的一个新的控制输入，也是最优稳定控制器的输出，h_q(x)为第一q实际控制率u_q ^G1中捕捉所有不确定动态的非线性函数，

步骤3.3、定义d轴电流误差z₃(t)：

其中i_d*为d轴电流参考值；

建立李雅普诺夫函数V₃(t)：

第一d轴实际控制率为u_d ^G1：

其中，设计的控制增益系数k₃>0,u_d*是(1-21)的一个新的控制输入，也是最优稳定控制器的输出，h_d(x)为第一d轴实际控制率中捕捉所有不确定动态的非线性函数，

3.根据权利要求2所述的一种新能源汽车驱动电机鲁棒最优抗干扰控制器的构造方法，其特征在于，步骤4的具体过程为：

将转速误差z₁(t)、q轴电流误差z₂(t)、d轴电流误差z₃(t)动态构成非线性不确定系统，为了稳定非线性不确定系统设计最优控制器；现将该非线性不确定系统z(t)表示为：

z(t)＝Az(t)+Bu(t)+W (1-22)

A、B为系数，W为所属集中不确定性参数；

假设系统参数无变化，无外部负荷扰动，(1-22)可改写为：

z(t)＝Az(t)+Bu(t) (1-23)

使用哈密顿-雅可比-贝尔曼方程，

误差动态公式(1-23)可用于优化辅助控制输入u(t)，根据优化控制技术，定义二次性能指标为J(u)：

L(z,u)为二次性能指标函数，将(1-24)进行拉格朗日分解，得到：

L(z,u)＝(1/2)z^T(t)Tz(t)+(1/2)u^T(t)Ru(t) (1-25)

其中，T是一个正定矩阵，R为一个正数，控制目标是构造辅助控制输入u(t)，根据转速误差z₁(t)、q轴电流误差z₂(t)、d轴电流误差z₃(t)的动态方程限制性能指标J(u)，为了满足最优控制率u*(t),在满足(1-23)的条件下最小化(1-24)的充要条件是存在一个函数J(z(t),t)满足HJB方程，由此可以得到第二q/d轴电压最优控制率为即u_q ^G2与u_d ^G2：

其中，R为正数，B与P为增益矩阵，z_n代表z₁、z₂、z₃。

4.根据权利要求1所述的一种新能源汽车驱动电机鲁棒最优抗干扰控制器的构造方法，其特征在于，步骤5的具体过程为：

步骤5.1、输入层：第一层的节点将输入信号传输到下一层，第一层的输出y_i ⁽¹⁾：

其中，x_i ¹表示第一层节点的第i个输入；

步骤5.2、模糊层：该层中的每个节点执行一个模糊函数，

其中，W_i ^j(n)代表不确定性参数W_w、W_q、W_d，x_i为x₁、x₂、x₃，γ_i ^j为误差系数，s_i ^j与r_i ^j为传递系数；y_i ⁽²⁾为模糊层的输出；

步骤5.3、发射层：规则中的发射强度y_i ⁽³⁾为：

其中，Ψⁱ _F为发射层系数，为链接系数；

步骤5.4、逻辑层：计算第l层小波的输出逻辑层的输出y_i ⁽⁴⁾(n)；

步骤5.5、输出层：计算自构造神经网络控制器的输入，输出节点及其相关链接作为去模糊器，第五层最终输出为y₀ ⁽⁵⁾(n)，也就是第三q/d轴电压控制率最终得出估计的不确定性非线性函数/>即为非线性函数h_w(x)，h_q(x)和h_d(x)的逼近值。