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
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 Download PDFInfo
- Publication number
- CN111200381B CN111200381B CN202010004868.4A CN202010004868A CN111200381B CN 111200381 B CN111200381 B CN 111200381B CN 202010004868 A CN202010004868 A CN 202010004868A CN 111200381 B CN111200381 B CN 111200381B
- Authority
- CN
- China
- Prior art keywords
- controller
- output
- optimal
- axis
- error
- 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
Links
- 238000010276 construction Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000013461 design Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 39
- 238000013528 artificial neural network Methods 0.000 claims description 32
- 230000003044 adaptive effect Effects 0.000 claims description 16
- 230000001360 synchronised effect Effects 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000087 stabilizing effect Effects 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 230000004907 flux Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- CLOMYZFHNHFSIQ-UHFFFAOYSA-N clonixin Chemical compound CC1=C(Cl)C=CC=C1NC1=NC=CC=C1C(O)=O CLOMYZFHNHFSIQ-UHFFFAOYSA-N 0.000 description 2
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000011151 fibre-reinforced plastic Substances 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 229910052761 rare earth metal Inorganic materials 0.000 description 1
- 150000002910 rare earth metals Chemical class 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- H02P21/001—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using fuzzy control
-
- 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
- H02P21/13—Observer control, e.g. using Luenberger observers or Kalman filters
-
- 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
- H02P21/18—Estimation of position or 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
- H02P21/22—Current control, e.g. using a current control loop
-
- 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)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Feedback Control In General (AREA)
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
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iq与id作为误差观测器的输入,误差Zn作为其输出;
步骤3,构建反步控制器,将增益系数fn、kn与误差观测器的输出Zn作为反步控制器的输入,第一q轴实际控制率uq G1与第一d轴实际控制率ud G1作为输出;
步骤4,建立最优控制器,将误差观测器的输出Zm作为最优控制器的输入,输出为第二q轴电压最优控制率uq G2、第二轴d轴电压控制率ud 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Zn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uq G3与ud G3;
步骤6,将误差观测器的输出Zn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ua G4与ud G4;
步骤7,将误差观测器的输出Zn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uq G5与与第五d轴自适应优化实际控制率ud 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:
Ωw=(Jm)-1(fw-ΔJmx1-Δβmx1+ΔKtx2-ΔTL-TL) (1-4)
Ωq=(Ls)-1(fq-ΔLsx2-ΔRsx2+ΔLsx1x3) (1-5)
Ωd=(Ls)-1(fd-ΔLsx3-ΔRsx3+ΔLsx1x2) (1-6)
x1、x2、x3分别为ωr、iq、id,Vq,Vd,iq,id分别是q轴与d轴的定子电压和电流,Rs和Ls分别是定子电阻和自感。θr,ωr为电机的转子位置角和转子角速度,极对数系数Kt=(3/2)(Pn/2)。Jm,βm和Pn分别代表了电机的转动惯量,摩擦系数和极对数。Te和TL分别是电磁转矩和负载转矩,λ′m是转矩常数。Ωw,Ωq和Ωd表示集中不确定性参数。ΔRs,ΔLs,ΔKt,Δβm,ΔJm和ΔTL都是由于永磁同步电机参数引入的不确定性。fw,fq,fd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,ωr*(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,iq*为q轴参考电流,设计的控制增益系数k1>0,uw*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;hw(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uq G1:
其中,Lq为q轴电感,设计的控制增益系数k2>0,uq*是(1-16)的一个新的控制输入,也是最优稳定控制器的输出,hq(x)为第一q实际控制率uq 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id*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ud G1:
其中,设计的控制增益系数k3>0,ud*是(1-21)的一个新的控制输入,也是最优稳定控制器的输出,hd(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)zT(t)Tz(t)+(1/2)uT(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uq G2与ud G2:
其中,R为正数,B与P为增益矩阵,zn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yi (1):
其中,xi 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Ww、Wq、Wd,xi为x1、x2、x3,/>为误差系数,/>与/>为传递系数;yi (2)为模糊层的输出;
步骤5.3、发射层:规则中的发射强度yi (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yi (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hw(x),hq(x)和hd(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hw(x),hq(x)和hd(x),设计如下:
其中,εk是重构误差,Wk和Xk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,Wk*和Xk*为最优参数,和/>是最优参数Wk*和Xk*的估计值,/>是一种鲁棒控制器,σk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hw(x)的估计值,为q轴电流最优参数,uw RC为鲁棒控制器输出,yw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uq G5构造如下:
其中,是根据神经网络控制器得到的hd(x)的估计值,/>与Ξd为d轴电压最优参数,udRC为鲁棒控制器输出,yd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uq ref与ud 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vq ref和vd ref,输出为转子位置角θr和iq,id。将vq ref和vd ref作为电压坐标转换模块11的输入,同时输入电角度θe,输出为三相电压va、vb,、vc;将其作为SVPWM模块12的输入,输出为三相电流ia、ib、ic;三相电流输入永磁同步电机模块13,电机输出位置角θr;对位置角进行微分,得到机械角速度ωr并且输入给磁通角估计模块14,得到电角度θe;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θe,输出两相坐标iq与id。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:
Ωw=(Jm)-1(fw-ΔJmx1-Δβmx1+ΔKtx2-ΔTL-TL) (1-4)
Ωq=(Ls)-1(fq-ΔLsx2-ΔRsx2+ΔLsx1x3) (1-5)
Ωd=(Ls)-1(fd-ΔLsx3-ΔRsx3+ΔLsx1x2) (1-6)
x1、x2、x3分别为ωr、iq、id,Vq,Vd,iq,id分别是q轴与d轴的定子电压和电流,Rs和Ls分别是定子电阻和自感。θr,ωr为电机的转子位置角和转子角速度,极对数系数Kt=(3/2)(Pn/2)。Jm,βm和Pn分别代表了电机的转动惯量,摩擦系数和极对数。Te和TL分别是电磁转矩和负载转矩,λ'm是转矩常数。Ωw,Ωq和Ωd表示集中不确定性参数。△Rs,△Ls,△Kt,△βm,△Jm和△TL都是由于永磁同步电机参数引入的不确定性。fw,fq,fd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,wr*(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,iq*为q轴参考电流,设计的控制增益系数k1>0,uw*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;hw(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uq G1:
其中,Lq为q轴电感,设计的控制增益系数k2>0,uq*是(1-16)的一个新的控制输入,也是最优稳定控制器的输出,hq(x)为第一q实际控制率uq 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id*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,ud*是(1-21)的一个新的控制输入,也是最优稳定控制器的输出,hd(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)zT(t)Tz(t)+(1/2)uT(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,zn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hw(x),hq(x)和hd(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hw(x),hq(x)和hd(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yi (1):
其中,xi 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Ww、Wq、Wd,xi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yi (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Fl是关于Wi j的函数。
这一层的输出yi (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hw(x),hq(x)和hd(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hw(x),hq(x)和hd(x),方案设计如下:
其中,εk是重构误差,Wk和Xk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,Wk*和Xk*为最优参数,和/>是最优参数Wk*和Xk*的估计值,/>是一种鲁棒控制器,sk为鲁棒控制系数,sgn()为符号函数,B、P、zn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hw(x)的估计值,为q轴电流最优参数,uw RC为鲁棒控制器输出,yw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uq G5构造如下:
其中,是根据神经网络控制器得到的hd(x)的估计值,/>与Ξd为d轴电压最优参数,ud RC为鲁棒控制器输出,yd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uq ref与ud 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iq与id作为误差观测器的输入,误差Zn作为其输出;
步骤3,构建反步控制器,将增益系数fn、kn与误差观测器的输出Zn作为反步控制器的输入,第一q轴实际控制率uq G1与第一d轴实际控制率ud G1作为输出;
步骤4,建立最优控制器,将误差观测器的输出Zn作为最优控制器的输入,输出为第二q轴电压最优控制率uq G2、第二轴d轴电压控制率ud 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Zn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uq G3与ud G3;
步骤6,将误差观测器的输出Zn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uq G4与ud G4;
步骤7,将误差观测器的输出Zn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uq G5与与第五d轴自适应优化实际控制率ud 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:
Ωw=(Jm)-1(fw-ΔJmx1-Δβmx1+ΔKtx2-ΔTL-TL) (1-4)
Ωq=(Ls)-1(fq-ΔLsx2-ΔRsx2+ΔLsx1x3) (1-5)
Ωd=(Ls)-1(fd-ΔLsx3-ΔRsx3+ΔLsx1x2) (1-6)
x1、x2、x3分别为ωr、iq、id,Vq,Vd,iq,id分别是q轴与d轴的定子电压和电流,Rs和Ls分别是定子电阻和自感,θr,ωr为电机的转子位置角和转子角速度,极对数系数Kt=(3/2)(Pn/2),Jm,βm和Pn分别代表了电机的转动惯量,摩擦系数和极对数,Te和TL分别是电磁转矩和负载转矩,λ'm是转矩常数,Ωw,Ωq和Ωd表示集中不确定性参数,△Rs,△Ls,△Kt,△βm,△Jm和△TL都是由于永磁同步电机参数引入的不确定性,fw,fq,fd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hw(x),hq(x)和hd(x),设计如下:
其中,εk是重构误差,Wk和Xk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,Wk*和Xk*为最优参数,和/>是最优参数Wk*和Xk*的估计值,/>是一种鲁棒控制器,sk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hw(x)的估计值,/>为q轴电流最优参数,uw RC为鲁棒控制器输出,yw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uq G5构造如下:
其中,是根据神经网络控制器得到的hd(x)的估计值,/>与Ξd为d轴电压最优参数,ud RC为鲁棒控制器输出,yd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uq ref与ud 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,wr*(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,iq*为q轴参考电流,设计的控制增益系数k1>0,uw*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;hw(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uq G1:
其中,Lq为q轴电感,设计的控制增益系数k2>0,uq*是(1-16)的一个新的控制输入,也是最优稳定控制器的输出,hq(x)为第一q实际控制率uq 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id*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ud G1:
其中,设计的控制增益系数k3>0,ud*是(1-21)的一个新的控制输入,也是最优稳定控制器的输出,hd(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)zT(t)Tz(t)+(1/2)uT(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uq G2与ud G2:
其中,R为正数,B与P为增益矩阵,zn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yi (1):
其中,xi 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,Wi j(n)代表不确定性参数Ww、Wq、Wd,xi为x1、x2、x3,γi j为误差系数,si j与ri j为传递系数;yi (2)为模糊层的输出;
步骤5.3、发射层:规则中的发射强度yi (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yi (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hw(x),hq(x)和hd(x)的逼近值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010004868.4A CN111200381B (zh) | 2020-01-03 | 2020-01-03 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010004868.4A CN111200381B (zh) | 2020-01-03 | 2020-01-03 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111200381A CN111200381A (zh) | 2020-05-26 |
CN111200381B true CN111200381B (zh) | 2023-08-22 |
Family
ID=70747351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010004868.4A Active CN111200381B (zh) | 2020-01-03 | 2020-01-03 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111200381B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150017072A (ko) * | 2013-08-06 | 2015-02-16 | 엘에스산전 주식회사 | 인버터 |
CN106026819A (zh) * | 2016-07-14 | 2016-10-12 | 江苏大学 | 智能汽车eps用交流电机抗干扰智能控制器的构造方法 |
CN108336935A (zh) * | 2018-01-12 | 2018-07-27 | 西安理工大学 | 一种反步控制协同eso的直线电机控制方法 |
CN109921698A (zh) * | 2019-01-29 | 2019-06-21 | 青岛大学 | 考虑铁损的永磁同步电机随机命令滤波神经网络控制方法 |
CN110376884A (zh) * | 2019-06-26 | 2019-10-25 | 江苏大学 | 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 |
-
2020
- 2020-01-03 CN CN202010004868.4A patent/CN111200381B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150017072A (ko) * | 2013-08-06 | 2015-02-16 | 엘에스산전 주식회사 | 인버터 |
CN106026819A (zh) * | 2016-07-14 | 2016-10-12 | 江苏大学 | 智能汽车eps用交流电机抗干扰智能控制器的构造方法 |
CN108336935A (zh) * | 2018-01-12 | 2018-07-27 | 西安理工大学 | 一种反步控制协同eso的直线电机控制方法 |
CN109921698A (zh) * | 2019-01-29 | 2019-06-21 | 青岛大学 | 考虑铁损的永磁同步电机随机命令滤波神经网络控制方法 |
CN110376884A (zh) * | 2019-06-26 | 2019-10-25 | 江苏大学 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN111200381A (zh) | 2020-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Do et al. | Suboptimal control scheme design for interior permanent-magnet synchronous motors: An SDRE-based approach | |
CN109194219B (zh) | 一种基于无模型非奇异终端滑模控制永磁同步电机的方法及系统 | |
CN110112971B (zh) | 一种基于有限时间动态面的异步电动机位置跟踪控制方法 | |
CN106788052B (zh) | 基于观测器的异步电机命令滤波误差补偿模糊控制方法 | |
CN108418487B (zh) | 一种用于电动汽车的速度脉动抑制方法 | |
CN106026835A (zh) | 一种基于模糊控制和滑模观测器的无速度传感器优化方法 | |
CN110336505B (zh) | 基于状态约束的异步电动机命令滤波模糊控制方法 | |
CN110266226B (zh) | 一种基于模型预测控制的电动汽车能效控制方法 | |
CN107276471B (zh) | 一种基于状态受限的异步电机模糊位置跟踪控制方法 | |
CN109067275A (zh) | 一种基于解耦自适应滑模的永磁直线电机混沌控制方法 | |
CN109873583B (zh) | 基于状态受限的永磁同步电机模糊位置跟踪控制方法 | |
CN110247586B (zh) | 基于效率最优的电动公交车用永磁同步电机转矩分配方法 | |
CN104167968B (zh) | 一种异步电机矢量控制方法 | |
CN106788053A (zh) | 基于观测器的电动车永磁同步电机系统误差补偿控制方法 | |
CN106655962B (zh) | 基于极限学习机的电动汽车异步电机驱动系统控制方法 | |
CN106533313B (zh) | 电动汽车用永磁同步电机的极限学习机命令滤波控制方法 | |
CN113659895A (zh) | 基于指令滤波的永磁同步电动机全状态约束有限时间控制方法 | |
CN111200381B (zh) | 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 | |
Dogan et al. | Application of speed control of permanent magnet synchronous machine with PID and fuzzy logic controller | |
Huang et al. | Nonsingular terminal sliding mode control based on sensor-cloud system for permanent magnet in-wheel motor | |
Xie et al. | Optimization research of FOC based on PSO of induction motors | |
Wen-long et al. | Ship electrical propulsion control system based on improved model-free adaptive control | |
CN111293941B (zh) | 一种考虑铁损的永磁同步电动机有限时间动态面控制方法 | |
Mohanasundaram et al. | Neuro-fuzzy controller for high performance induction motor drives | |
CN111181453B (zh) | 一种永磁同步轮毂电机过采样无差拍补偿控制器的构造方法 |
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 |