CN112910376B - 多相电机模型预测容错控制的方法及装置 - Google Patents
多相电机模型预测容错控制的方法及装置 Download PDFInfo
- Publication number
- CN112910376B CN112910376B CN201911227119.1A CN201911227119A CN112910376B CN 112910376 B CN112910376 B CN 112910376B CN 201911227119 A CN201911227119 A CN 201911227119A CN 112910376 B CN112910376 B CN 112910376B
- Authority
- CN
- China
- Prior art keywords
- current value
- cost function
- plane
- vectors
- vector
- 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
Images
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
- H02P29/00—Arrangements for regulating or controlling electric motors, appropriate for both AC and DC motors
- H02P29/02—Providing protection against overload without automatic interruption of supply
- H02P29/024—Detecting a fault condition, e.g. short circuit, locked rotor, open circuit or loss of load
- H02P29/028—Detecting a fault condition, e.g. short circuit, locked rotor, open circuit or loss of load the motor continuing operation despite the fault condition, e.g. eliminating, compensating for or remedying the fault
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Control Of Ac Motors In General (AREA)
Abstract
本发明公开了一种多相电机模型预测容错控制的方法及装置,所述方法包括:分别获取参考电流值及每一个候选矢量对应的预测电流值;将参考电流值及每一个候选矢量对应的预测电流值输入至一成本函数中,以获取每一个候选矢量对应的成本函数输出值;选取成本函数输出值最小的候选矢量作为当前控制周期的最优矢量并输出至逆变器模块,以控制逆变器的开关状态。本发明有效地解决了故障前后在线切换运行模式容易出现的转速转矩脉动等问题。同时,为了保证故障前后运行的连贯性,本发明构造了只包含一个权重因子的成本函数,在发生缺相故障后,不需要改变成本函数的构成,只需要对权重因子进行适当的调整。
Description
技术领域
本发明涉及电机控制技术领域,尤其涉及一种多相电机模型预测容错控制的方法及装置。
背景技术
在大功率传动领域,相对于传统的三相电机,多相电机具有功率密度高、容错性能优异、控制灵活度高等优势。由于相数增多,多相电机的矢量空间颇为复杂,例如两电平六相逆变系统,将拥有2^6(64)个输出矢量。此外,多相电机的容错控制既是其优势之一,也是控制的难点之一,在发生缺相等故障之后,保证多相电机的平稳运行对控制系统设计提出了较高的要求。综上所述,多相逆变系统的控制相较三相逆变系统复杂许多。
容错控制是多相电机控制研究的重点之一,目前大多数关于多相电机容错控制的研究都是基于故障后指令电流的修正这一方法,在不同优化条件下(最小铜耗、最小电流峰值、最小转矩脉动等)对指令电流进行修订,通过PI(比例积分控制)+SPWM(正弦脉宽调制)调制实现对故障后经过修订的指令电流的跟踪,从而实现多相电机奇数相缺相后的容错控制。
但是,上述方法使用的都是基本的PI+SPWM调制,输出电流THD(总谐波畸变率)含量较高,直流电压利用率较低,并且需要感知具体的缺相桥臂,之后对剩余健康相进行相序的调整以建立缺相后的降维数学模型,而不同相缺相以及缺相数量下,都需要单独建模和建立不同的解耦变换矩阵,增加了预测容错控制的难度,对于实时运行的逆变系统来说是一项比较艰难的任务,特别是在故障前后的运行模式切换瞬间。
发明内容
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览,并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
本发明要解决的技术问题是为了克服现有技术中多相电机预测容错控制的难度高,控制效率低的缺陷,提供一种多相电机模型预测容错控制的方法及装置。
本发明是通过下述技术方案来解决所述技术问题:
一种多相电机模型预测容错控制的方法,其包括:
分别获取参考电流值及每一个候选矢量对应的预测电流值;
将参考电流值及每一个候选矢量对应的预测电流值输入至一成本函数中,以获取每一个候选矢量对应的成本函数输出值;以及,
选取成本函数输出值最小的候选矢量作为当前控制周期的最优矢量并输出至逆变器模块,以控制逆变器的开关状态。
可选地,获取每一个候选矢量对应的预测电流值的步骤包括:
将多个候选矢量及每一个候选矢量对应的k时刻的采样电流值输入至一预测模型中,以分别获取每一个候选矢量对应的k+1时刻的预测电流值。
可选地,所述成本函数包括以下表达式:
其中,g为成本函数输出值,λ为权重因子,iαs(k+1)及iβs(k+1)分别为k+1时刻的α-β平面的预测电流值,iαs *及iβs *分别为α-β平面的参考电流值,iz1s(k+1)及iz2s(k+1)分别为k+1时刻的z1-z2平面的预测电流值。
可选地,还包括:
对采样到的电机多相电流值进行解耦变换,以分别获取k时刻的α-β平面及z1-z2平面的采样电流值。
可选地,获取参考电流值的步骤包括:
对获取到的调速系统的速度环的输出值进行坐标变换,以分别获取α-β平面的参考电流值iαs *及iβs *,并且将z1-z2平面的参考电流值iz1s *及iz2s *分别设定为0。
可选地,所述多个候选矢量包括12个最长矢量及2个零矢量。
可选地,所述多个候选矢量包括12个最长矢量及4个零矢量。
在本方案中,从两个平面的矢量分布可以看出,在α-β平面投影幅值最大的12个矢量在z1-z2平面的投影恰好是最小的,利用这个特性,可以简化六相电机MPC(模型预测控制)控制中候选矢量的个数,这与通常六相电机空间矢量调制中选择12个长矢量是同样的道理。
可选地,所述多相电机包括六相电机。
一种计算机可读介质,其上存储有计算机指令,所述计算机指令在由处理器执行时实现如上述的多相电机模型预测容错控制的方法的步骤。
一种多相电机模型预测容错控制的装置,其包括处理器及与所述处理器通信连接的存储器;
所述处理器被配置为:
分别获取参考电流值及每一个候选矢量对应的预测电流值;
将参考电流值及每一个候选矢量对应的预测电流值输入至一成本函数中,以获取每一个候选矢量对应的成本函数输出值;
选取成本函数输出值最小的候选矢量作为当前控制周期的最优矢量并输出至逆变器模块,以控制逆变器的开关状态。
可选地,所述处理器被配置为:
将多个候选矢量及每一个候选矢量对应的k时刻的采样电流值输入至一预测模型中,以分别获取每一个候选矢量对应的k+1时刻的预测电流值。
可选地,所述成本函数包括以下表达式:
其中,g为成本函数输出值,λ为权重因子,iαs(k+1)及iβs(k+1)分别为k+1时刻的α-β平面的预测电流值,iαs *及iβs *分别为α-β平面的参考电流值,iz1s(k+1)及iz2s(k+1)分别为k+1时刻的z1-z2平面的预测电流值。
可选地,所述处理器还被配置为:
对采样到的电机多相电流值进行解耦变换,以分别获取k时刻的α-β平面及z1-z2平面的采样电流值。
可选地,所述处理器还被配置为:
对获取到的调速系统的速度环的输出值进行坐标变换,以分别获取α-β平面的参考电流值iαs *及iβs *,并且将z1-z2平面的参考电流值iz1s *及iz2s *分别设定为0。
可选地,所述多个候选矢量包括12个最长矢量及2个零矢量。
可选地,所述多个候选矢量包括12个最长矢量及4个零矢量。
在本方案中,从两个平面的矢量分布可以看出,在α-β平面投影幅值最大的12个矢量在z1-z2平面的投影恰好是最小的,利用这个特性,可以简化六相电机MPC控制中候选矢量的个数,这与通常六相电机空间矢量调制中选择12个长矢量是同样的道理。
可选地,所述多相电机包括六相电机。
在符合本领域常识的基础上,所述各优选条件,可任意组合,即得本发明各较佳实施例。
本发明的积极进步效果在于:
本发明提供的多相电机模型预测容错控制的方法及装置,在正常运行和缺相故障后采用相同的解耦变换矩阵,有效地解决了故障前后在线切换运行模式容易出现的转速转矩脉动等问题。
同时,为了保证故障前后运行的连贯性,本发明构造了只包含一个权重因子的成本函数,在发生缺相故障后,不需要改变成本函数的构成,只需要对权重因子进行适当的调整,从而降低了多相电机预测容错控制的难度,提升了控制效率。
附图说明
在结合以下附图阅读本公开的实施例的详细描述之后,能够更好地理解本发明的所述特征和优点。在附图中,各组件不一定是按比例绘制,并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
图1为根据本发明一实施例的多相电机模型预测容错控制的方法的流程示意图。
图2为根据本发明一实施例的双Y移30°六相电机系统的结构示意图。
图3为根据本发明一实施例的六相电机的α-β平面的矢量示意图。
图4为根据本发明一实施例的六相电机的z1-z2平面的矢量示意图。
图5为根据本发明一实施例的多相电机模型预测容错控制系统的控制示意图。
图6为根据本发明一实施例的多相电机模型预测容错控制的装置的结构示意图。
附图标记说明:
步骤 101;
步骤 102;
步骤 103;
步骤 104;
步骤 105;
处理器 1;
存储器 2。
具体实施方式
以下结合附图和具体实施例对本发明作详细描述。注意,以下结合附图和具体实施例描述的诸方面仅是示例性的,而不应被理解为对本发明的保护范围进行任何限制。
给出以下描述以使得本领域技术人员能够实施和使用本发明并将其结合到具体应用背景中。各种变型、以及在不同应用中的各种使用对于本领域技术人员将是容易显见的,并且本文定义的一般性原理可适用于较宽范围的实施例。由此,本发明并不限于本文中给出的实施例,而是应被授予与本文中公开的原理和新颖性特征相一致的最广义的范围。
在以下详细描述中,阐述了许多特定细节以提供对本发明的更透彻理解。然而,对于本领域技术人员显而易见的是,本发明的实践可不必局限于这些具体细节。换言之,公知的结构和器件以框图形式示出而没有详细显示,以避免模糊本发明。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
另外,在以下的说明中所使用的“上”、“下”、“左”、“右”、“顶”、“底”、“水平”、“垂直”应被理解为该段以及相关附图中所绘示的方位。此相对性的用语仅是为了方便说明之用,其并不代表其所叙述的装置需以特定方位来制造或运作,因此不应理解为对本发明的限制。
能理解的是,虽然在此可使用用语“第一”、“第二”、“第三”等来叙述各种组件、区域、层和/或部分,这些组件、区域、层和/或部分不应被这些用语限定,且这些用语仅是用来区别不同的组件、区域、层和/或部分。因此,以下讨论的第一组件、区域、层和/或部分可在不偏离本发明一些实施例的情况下被称为第二组件、区域、层和/或部分。
相对于传统的PI+调制结构电力电子装置控制方式,模型预测控制拥有诸多优势,首先是其理念的简单,其最优化的求解过程更符合人脑的决策机制;其次在于其可以方便地包含非线性约束,例如开关频率、损耗和输出电流畸变等约束;有限集模型预测控制方法充分利用了电力电子装置不连续的特性,可以取消复杂的调制环节。
容错控制是多相电机控制研究的重点之一,目前大多数关于多相电机容错控制的研究都是基于故障后指令电流的修正这一方法,在不同优化条件下(最小铜耗、最小电流峰值、最小转矩脉动等)对指令电流进行修订,通过PI+SPWM调制实现对故障后经过修订的指令电流的跟踪,从而实现多相电机奇数相缺相后的容错控制。
但是,上述方法使用的都是基本的PI+SPWM调制,输出电流THD含量较高,直流电压利用率较低,并且需要感知具体的缺相桥臂,之后对剩余健康相进行相序的调整以建立缺相后的降维数学模型,而不同相缺相以及缺相数量下,都需要单独建模和建立不同的解耦变换矩阵,增加了预测容错控制的难度,对于实时运行的逆变系统来说是一项比较艰难的任务,特别是在故障前后的运行模式切换瞬间。
为了克服目前存在的上述缺陷,本实施例提供一种多相电机模型预测容错控制的方法,上述方法包括:分别获取参考电流值及每一个候选矢量对应的预测电流值;将参考电流值及每一个候选矢量对应的预测电流值输入至一成本函数中,以获取每一个候选矢量对应的成本函数输出值;以及,选取成本函数输出值最小的候选矢量作为当前控制周期的最优矢量并输出至逆变器模块,以控制逆变器的开关状态。
在本实施例中,优选地,上述多相电机为六相电机,但并不具体限定电机的类型,可根据实际需求进行相应的选择及调整。
在本实施例中,可以同时保证六相逆变系统在正常状态下的运行和缺相故障下的容错运行,并且无需检测出故障相。
具体地,作为一实施例,如图1所示,上述方法主要包括以下步骤:
步骤101、获取采样电流值。
图2示出了双Y移30°六相逆变系统,两套三相绕组中性点不连接。
在本步骤中,参考图5所示,采样电机的六相电流ia1、ia2、ib1、ib2、ic1、ic2,并且对采样到的电机六相电流值进行解耦变换,以分别获取k时刻的α-β平面及z1-z2平面的采样电流值iα、iβ、iz1、iz2。
在本步骤中,还选择出多个候选矢量,并且获取每一个候选矢量对应的k时刻的α-β平面及z1-z2平面的采样电流值iα、iβ、iz1、iz2。
在本实施例中,上述多个候选矢量为12个最长矢量及至少2个零矢量。
优选地,上述多个候选矢量为12个最长矢量及4个零矢量。
为了方便之后在成本函数中增加开关频率的约束项,除了12个长矢量之外,还选择了四个零矢量,因此在每个预测周期,一共有16个候选矢量进行电流的预测。选择四个零矢量有利于控制器在选择最优矢量的过程中降低系统的开关损耗。
具体地,定义解耦矩阵MD,可以将相电压和电流解耦变换到α-β、z1-z2和o1-o2三个互相垂直平面。
其中,α-β平面与气隙磁通的旋转平面一致,对应的电流分量会在气隙中形成旋转磁势,参与系统的机电能量转换。由于采用了两套绕组中性点不连接的方式,o1-o2平面分量为0;z1-z2平面的电流分量不参与系统的机电能量转换,但是决定了系统的谐波分量。
根据系统的拓扑图和开关函数,可以定义两个平面的矢量分布如图3及图4所示。从两个平面的矢量分布可以看出,在α-β平面投影幅值最大的12个矢量在z1-z2平面的投影恰好是最小的,利用这个特性,可以简化六相电机MPC控制中候选矢量的个数,这与通常六相电机空间矢量调制中选择12个长矢量是同样的道理。
步骤102、获取预测电流值。执行步骤102之后,执行步骤104。
在本步骤中,将多个候选矢量及每一个候选矢量对应的k时刻的采样电流值输入至一预测模型中,以分别获取每一个候选矢量对应的k+1时刻的预测电流值。
具体地,上述预测模型的表达式如下。
iαs(k+1)=(1-TsC2Rs)iαs(k)+TsC3ωriβs(k)Lm+TsC2uα(k)
iβs(k+1)=(1-TsC2Rs)iβs(k)-TsC3ωriαs(k)Lm+TsC2uβ(k)
Izs(k+1)=(1-TsC4Rs)Izs(k)+TsC4Uzs(k)
其中,iαs(k)及iβs(k)分别为k时刻的α-β平面的采样电流值,iαs(k+1)及iβs(k+1)分别为k+1时刻的α-β平面的预测电流值,Ts为系统采样周期,ωr为转子转速,C1-C4为系统参数,其中C1=LsLr-Lm 2;C2=Lr/C1,C3=Lm/C1;C4=1/L1s,Ls、Lr、Lm分别为定子电感、转子电感和互感,L1s为定子漏感,Rs为定子电阻;Izs(k)和Uzs(k)分别表示[iz1s iz2s]T,[uz1s uz2s]T。
步骤103、获取参考电流值。步骤103与步骤101和步骤102并列执行,执行步骤103之后,执行步骤104。
在本步骤中,对获取到的调速系统的速度环的输出值进行坐标变换,以分别获取α-β平面的参考电流值iαs *及iβs *,并且将z1-z2平面的参考电流值iz1s *及iz2s *分别设定为0。
具体地,调速系统的外环采用PI控制器,外环控制周期设置为内环的1/10,速度环的输出经过坐标变换得到α-β平面的指令电流iαs *及iβs *,在正常运行条件下,将z1-z2的参考值设为0,即谐波电流为0。
步骤104、将预测电流值及参考电流值代入至成本函数中,以获取成本函数输出值。
在本步骤中,将参考电流值及每一个候选矢量对应的预测电流值输入至一成本函数中,以获取每一个候选矢量对应的成本函数输出值。
具体地,在本实施例中,模型预测控制的重点在于成本函数的构造和成本函数中权重因子的选取。一般认为权重因子的个数越少,越有利于系统的维护和调试。
在电机驱动系统中,各种开路和短路故障可以通过硬件隔离等措施转化为缺相故障,因此本实施例所讨论的故障为逆变器缺相故障,电机绕组没有损坏的情况。
参考图2及图5所示,假设C2相桥臂发生缺相故障,由于电机本体没有发生变化,则系统的电压、磁链和转矩方程不会受到影响,电流方程则会减少一个自由度。
由解耦矩阵可知,iα、iz1与C2相电流无关,因此电流不会受到约束,iβ与iz2则会受到缺相之后的电流约束。
ic2=-iβ-iz2=0
由以上约束可知,发生一相缺相之后,基波子平面和谐波子平面不再互相解耦,此时z1-z2轴电流将不为0,一般是对z1-z2轴电流施加约束,根据定子铜耗最小和最大转矩输出等不同的优化方式,对z1-z2轴电流进行闭环控制,不同桥臂缺相时,z1-z2轴的电流参考值都将不同,增加了容错控制的复杂度。
采用本实施例所提出的成本函数构造方式,可以简单有效地解决上述问题。
在本实施例中,上述成本函数的表达式如下。
其中,g为成本函数输出值,λ为权重因子,iαs(k+1)及iβs(k+1)分别为k+1时刻的α-β平面的预测电流值,iαs *及iβs *分别为α-β平面的参考电流值,iz1s(k+1)及iz2s(k+1)分别为k+1时刻的z1-z2平面的预测电流值。
在本实施例中,成本函数主要包括两个部分组成,第一部分控制基波子平面电流,第二部分控制谐波子平面电流,两者通过权重因子λ进行调节。
为了保证在故障前后,成本函数的一致性,iz1s及iz2s的参考电流值(即iz1s *及iz2s *)在成本函数中不需要体现。
在正常运行情况下,谐波子平面参考值为0,只需保证基波子平面的控制效果,此时λ取值较大,六相电机总的定子铜耗可以表示为如下表达式。
由于缺相时需要保证输出转矩不变,即对应于基波子平面的定子铜耗是固定的,因此定子铜耗最小方式的优化条件可以简化为如下表达式。
因此,在发生缺相故障后,保持成本函数的结构不变,仍将谐波子平面电流约束为0,可以实现直接定子铜耗最小优化方式的容错控制,这是采用PI控制器不能实现的特点。
从如下表1中可以看出,以最小定子铜耗优化为例,目前的容错控制在不同相缺相时,需要给定不同的z1-z2轴电流指令,而在本实施例中,统一了谐波子平面参考电流的给定,极大地简化了六相电机的容错控制。
表1:定子铜耗最小优化方式下的容错控制参考电流值给定
缺相桥臂 | A1 | A2 | B1 | B2 | C1 | C2 |
Z1轴电流给定 | -i<sub>α</sub> | i<sub>α</sub> | 0 | i<sub>α</sub> | 0 | 0 |
Z2轴电流给定 | 0 | 0 | i<sub>β</sub> | 0 | i<sub>β</sub> | -i<sub>β</sub> |
步骤105、选取成本函数输出值最小的候选矢量作为当前控制周期的最优矢量。
在本步骤中,选取成本函数输出值最小的候选矢量作为当前控制周期的最优矢量并输出至逆变器模块,以控制逆变器的开关状态。
本实施例还提供一种计算机可读介质,其上存储有计算机指令,上述计算机指令在由处理器执行时实现如上述的多相电机模型预测容错控制的方法的步骤。
本实施例提供的多相电机模型预测容错控制的方法,正常运行和缺相故障后采用相同的解耦变换矩阵,有效地解决了故障前后在线切换运行模式容易出现的转速转矩脉动等问题。
同时,为了保证故障前后运行的连贯性,本实施例基于一种新型的成本函数构造方式,构造了只包含一个权重因子的成本函数,并且通过训练人工神经网络的方法,得到权重因子的最优取值。
在发生缺相故障后,不需要改变成本函数的构成,只需要对权重因子进行适当的调整,从而降低了多相电机预测容错控制的难度,提升了控制效率。
这种新的成本函数构造方式可以实现六相异步电机任意相缺相故障后的容错运行,并且能够保证定子铜耗最小的优化原则。
为了克服目前存在的上述缺陷,如图6所示,本实施例提供一种多相电机模型预测容错控制的装置,上述装置利用如上述的方法,上述装置主要包括处理器1及与处理器1通信连接的存储器2,存储器2被配置为存储处理器1所执行的程序及数据。
处理器1被配置为:分别获取参考电流值及每一个候选矢量对应的预测电流值;将参考电流值及每一个候选矢量对应的预测电流值输入至一成本函数中,以获取每一个候选矢量对应的成本函数输出值;选取成本函数输出值最小的候选矢量作为当前控制周期的最优矢量并输出至逆变器模块,以控制逆变器的开关状态。
在本实施例中,优选地,上述多相电机为六相电机,但并不具体限定电机的类型,可根据实际需求进行相应的选择及调整。
在本实施例中,可以同时保证六相逆变系统在正常状态下的运行和缺相故障下的容错运行,并且无需检测出故障相。
具体地,作为一实施例,参考图5所示,处理器1被配置为:获取采样到的电机的六相电流ia1、ia2、ib1、ib2、ic1、ic2,并且对采样到的电机六相电流值进行解耦变换,以分别获取k时刻的α-β平面及z1-z2平面的采样电流值iα、iβ、iz1、iz2。
处理器1还被配置为:选择出多个候选矢量,并且获取每一个候选矢量对应的k时刻的α-β平面及z1-z2平面的采样电流值iα、iβ、iz1、iz2。
在本实施例中,上述多个候选矢量为12个最长矢量及至少2个零矢量。
优选地,上述多个候选矢量为12个最长矢量及4个零矢量。
为了方便之后在成本函数中增加开关频率的约束项,除了12个长矢量之外,还选择了四个零矢量,因此在每个预测周期,一共有16个候选矢量进行电流的预测。选择四个零矢量有利于控制器在选择最优矢量的过程中降低系统的开关损耗。
具体地,定义解耦矩阵MD,可以将相电压和电流解耦变换到α-β、z1-z2和o1-o2三个互相垂直平面。
其中,α-β平面与气隙磁通的旋转平面一致,对应的电流分量会在气隙中形成旋转磁势,参与系统的机电能量转换。由于采用了两套绕组中性点不连接的方式,o1-o2平面分量为0;z1-z2平面的电流分量不参与系统的机电能量转换,但是决定了系统的谐波分量。
根据系统的拓扑图和开关函数,可以定义两个平面的矢量分布如图3及图4所示。从两个平面的矢量分布可以看出,在α-β平面投影幅值最大的12个矢量在z1-z2平面的投影恰好是最小的,利用这个特性,可以简化六相电机MPC控制中候选矢量的个数,这与通常六相电机空间矢量调制中选择12个长矢量是同样的道理。
处理器1还被配置为:将多个候选矢量及每一个候选矢量对应的k时刻的采样电流值输入至一预测模型中,以分别获取每一个候选矢量对应的k+1时刻的预测电流值。
具体地,上述预测模型的表达式如下。
iαs(k+1)=(1-TsC2Rs)iαs(k)+TsC3ωriβs(k)Lm+TsC2uα(k)
iβs(k+1)=(1-TsC2Rs)iβs(k)-TsC3ωriαs(k)Lm+TsC2uβ(k)
Izs(k+1)=(1-TsC4Rs)Izs(k)+TsC4Uzs(k)
其中,iαs(k)及iβs(k)分别为k时刻的α-β平面的采样电流值,iαs(k+1)及iβs(k+1)分别为k+1时刻的α-β平面的预测电流值,Ts为系统采样周期,ωr为转子转速,C1-C4为系统参数,其中C1=LsLr-Lm 2;C2=Lr/C1,C3=Lm/C1;C4=1/L1s,Ls、Lr、Lm分别为定子电感、转子电感和互感,L1s为定子漏感,Rs为定子电阻;Izs(k)和Uzs(k)分别表示[iz1s iz2s]T,[uz1s uz2s]T。
处理器1还被配置为:对获取到的调速系统的速度环的输出值进行坐标变换,以分别获取α-β平面的参考电流值iαs *及iβs *,并且将z1-z2平面的参考电流值iz1s *及iz2s *分别设定为0。
具体地,调速系统的外环采用PI控制器,外环控制周期设置为内环的1/10,速度环的输出经过坐标变换得到α-β平面的指令电流iαs *及iβs *,在正常运行条件下,将z1-z2的参考值设为0,即谐波电流为0。
处理器1还被配置为:将参考电流值及每一个候选矢量对应的预测电流值输入至一成本函数中,以获取每一个候选矢量对应的成本函数输出值。
具体地,在本实施例中,模型预测控制的重点在于成本函数的构造和成本函数中权重因子的选取。一般认为权重因子的个数越少,越有利于系统的维护和调试。
在电机驱动系统中,各种开路和短路故障可以通过硬件隔离等措施转化为缺相故障,因此本实施例所讨论的故障为逆变器缺相故障,电机绕组没有损坏的情况。
参考图2及图5所示,假设C2相桥臂发生缺相故障,由于电机本体没有发生变化,则系统的电压、磁链和转矩方程不会受到影响,电流方程则会减少一个自由度。
由解耦矩阵可知,iα、iz1与C2相电流无关,因此电流不会受到约束,iβ与iz2则会受到缺相之后的电流约束。
ic2=-iβ-iz2=0
由以上约束可知,发生一相缺相之后,基波子平面和谐波子平面不再互相解耦,此时z1-z2轴电流将不为0,一般是对z1-z2轴电流施加约束,根据定子铜耗最小和最大转矩输出等不同的优化方式,对z1-z2轴电流进行闭环控制,不同桥臂缺相时,z1-z2轴的电流参考值都将不同,增加了容错控制的复杂度。
采用本实施例所提出的成本函数构造方式,可以简单有效地解决上述问题。
在本实施例中,上述成本函数的表达式如下。
其中,g为成本函数输出值,λ为权重因子,iαs(k+1)及iβs(k+1)分别为k+1时刻的α-β平面的预测电流值,iαs *及iβs *分别为α-β平面的参考电流值,iz1s(k+1)及iz2s(k+1)分别为k+1时刻的z1-z2平面的预测电流值。
在本实施例中,成本函数主要包括两个部分组成,第一部分控制基波子平面电流,第二部分控制谐波子平面电流,两者通过权重因子λ进行调节。
为了保证在故障前后,成本函数的一致性,iz1s及iz2s的参考电流值(即iz1s*及iz2s*)在成本函数中不需要体现。
在正常运行情况下,谐波子平面参考值为0,只需保证基波子平面的控制效果,此时λ取值较大,六相电机总的定子铜耗可以表示为如下表达式。
由于缺相时需要保证输出转矩不变,即对应于基波子平面的定子铜耗是固定的,因此定子铜耗最小方式的优化条件可以简化为如下表达式。
因此,在发生缺相故障后,保持成本函数的结构不变,仍将谐波子平面电流约束为0,可以实现直接定子铜耗最小优化方式的容错控制,这是采用PI控制器不能实现的特点。
从如下表1中可以看出,以最小定子铜耗优化为例,目前的容错控制在不同相缺相时,需要给定不同的z1-z2轴电流指令,而在本实施例中,统一了谐波子平面参考电流的给定,极大地简化了六相电机的容错控制。
表1:定子铜耗最小优化方式下的容错控制参考电流值给定
缺相桥臂 | A1 | A2 | B1 | B2 | C1 | C2 |
Z1轴电流给定 | -i<sub>α</sub> | i<sub>α</sub> | 0 | i<sub>α</sub> | 0 | 0 |
Z2轴电流给定 | 0 | 0 | i<sub>β</sub> | 0 | i<sub>β</sub> | -i<sub>β</sub> |
处理器1还被配置为:选取成本函数输出值最小的候选矢量作为当前控制周期的最优矢量并输出至逆变器模块,以控制逆变器的开关状态。
本实施例提供的多相电机模型预测容错控制的装置,正常运行和缺相故障后采用相同的解耦变换矩阵,有效地解决了故障前后在线切换运行模式容易出现的转速转矩脉动等问题。
同时,为了保证故障前后运行的连贯性,本实施例基于一种新型的成本函数构造方式,构造了只包含一个权重因子的成本函数,并且通过训练人工神经网络的方法,得到权重因子的最优取值。
在发生缺相故障后,不需要改变成本函数的构成,只需要对权重因子进行适当的调整,从而降低了多相电机预测容错控制的难度,提升了控制效率。
这种新的成本函数构造方式可以实现六相异步电机任意相缺相故障后的容错运行,并且能够保证定子铜耗最小的优化原则。
结合本文所公开的实施例描述的各种解说性逻辑模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器,但在替换方案中,该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合,例如DSP与微处理器的组合、多个微处理器、与DSP核心协作的一个或多个微处理器、或任何其他此类配置。
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中,存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中,处理器和存储介质可作为分立组件驻留在用户终端中。
在一个或多个示例性实施例中,所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品,则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者,其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定,这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如,如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来,则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光碟,其中盘(disk)往往以磁的方式再现数据,而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
尽管为使解释简单化将上述方法图示并描述为一系列动作,但是应理解并领会,这些方法不受动作的次序所限,因为根据一个或多个实施例,一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的,且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此,本公开并非旨在被限定于本文中所描述的示例和设计,而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。
Claims (13)
1.一种多相电机模型预测容错控制的方法,其特征在于,包括:
分别获取参考电流值及每一个候选矢量对应的预测电流值;
将参考电流值及每一个候选矢量对应的预测电流值输入至一成本函数中,以获取每一个候选矢量对应的成本函数输出值;以及,
选取成本函数输出值最小的候选矢量作为当前控制周期的最优矢量并输出至逆变器模块,以控制逆变器的开关状态;其中
获取每一个候选矢量对应的预测电流值的步骤包括:
将多个候选矢量及每一个候选矢量对应的k时刻的采样电流值输入至一预测模型中,以分别获取每一个候选矢量对应的k+1时刻的预测电流值;
所述成本函数包括以下表达式:
其中,g为成本函数输出值,λ为权重因子,iαs(k+1)及iβs(k+1)分别为k+1时刻的α-β平面的预测电流值,iαs *及iβs *分别为α-β平面的参考电流值,iz1s(k+1)及iz2s(k+1)分别为k+1时刻的z1-z2平面的预测电流值。
2.如权利要求1所述的方法,其特征在于,还包括:
对采样到的电机多相电流值进行解耦变换,以分别获取k时刻的α-β平面及z1-z2平面的采样电流值。
3.如权利要求1所述的方法,其特征在于,获取参考电流值的步骤包括:
对获取到的调速系统的速度环的输出值进行坐标变换,以分别获取α-β平面的参考电流值iαs *及iβs *,并且将z1-z2平面的参考电流值iz1s *及iz2s *分别设定为0。
4.如权利要求1所述的方法,其特征在于,所述多个候选矢量包括12个最长矢量及2个零矢量。
5.如权利要求1所述的方法,其特征在于,所述多个候选矢量包括12个最长矢量及4个零矢量。
6.如权利要求1~5中任意一项所述的方法,其特征在于,所述多相电机包括六相电机。
7.一种计算机可读介质,其特征在于,其上存储有计算机指令,所述计算机指令在由处理器执行时实现如权利要求1~6中任意一项所述的多相电机模型预测容错控制的方法的步骤。
8.一种多相电机模型预测容错控制的装置,其特征在于,包括处理器及与所述处理器通信连接的存储器;
所述处理器被配置为:
分别获取参考电流值及每一个候选矢量对应的预测电流值;
将参考电流值及每一个候选矢量对应的预测电流值输入至一成本函数中,以获取每一个候选矢量对应的成本函数输出值;
选取成本函数输出值最小的候选矢量作为当前控制周期的最优矢量并输出至逆变器模块,以控制逆变器的开关状态;其中
所述处理器被配置为:
将多个候选矢量及每一个候选矢量对应的k时刻的采样电流值输入至一预测模型中,以分别获取每一个候选矢量对应的k+1时刻的预测电流值;
所述成本函数包括以下表达式:
其中,g为成本函数输出值,λ为权重因子,iαs(k+1)及iβs(k+1)分别为k+1时刻的α-β平面的预测电流值,iαs *及iβs *分别为α-β平面的参考电流值,iz1s(k+1)及iz2s(k+1)分别为k+1时刻的z1-z2平面的预测电流值。
9.如权利要求8所述的装置,其特征在于,所述处理器还被配置为:
对采样到的电机多相电流值进行解耦变换,以分别获取k时刻的α-β平面及z1-z2平面的采样电流值。
10.如权利要求8所述的装置,其特征在于,所述处理器还被配置为:
对获取到的调速系统的速度环的输出值进行坐标变换,以分别获取α-β平面的参考电流值iαs *及iβs *,并且将z1-z2平面的参考电流值iz1s *及iz2s *分别设定为0。
11.如权利要求8所述的装置,其特征在于,所述多个候选矢量包括12个最长矢量及2个零矢量。
12.如权利要求8所述的装置,其特征在于,所述多个候选矢量包括12个最长矢量及4个零矢量。
13.如权利要求8~12中任意一项所述的装置,其特征在于,所述多相电机包括六相电机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911227119.1A CN112910376B (zh) | 2019-12-04 | 2019-12-04 | 多相电机模型预测容错控制的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911227119.1A CN112910376B (zh) | 2019-12-04 | 2019-12-04 | 多相电机模型预测容错控制的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112910376A CN112910376A (zh) | 2021-06-04 |
CN112910376B true CN112910376B (zh) | 2022-07-29 |
Family
ID=76104478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911227119.1A Active CN112910376B (zh) | 2019-12-04 | 2019-12-04 | 多相电机模型预测容错控制的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112910376B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114301372B (zh) * | 2021-12-31 | 2022-09-09 | 小米汽车科技有限公司 | 多相电机的控制方法、装置及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103746624A (zh) * | 2013-12-28 | 2014-04-23 | 华中科技大学 | 基于模型预测的双凸极永磁同步电机的电流控制方法 |
CN103746629A (zh) * | 2014-01-17 | 2014-04-23 | 华中科技大学 | 基于模型预测的开关磁链永磁同步电机的电流控制方法 |
CN109742991A (zh) * | 2019-01-30 | 2019-05-10 | 江南大学 | 基于扇区划分算法的永磁同步电机多步预测控制方法 |
CN110086383A (zh) * | 2019-05-30 | 2019-08-02 | 清华大学 | 十二相驱动系统的模型预测控制方法及装置 |
-
2019
- 2019-12-04 CN CN201911227119.1A patent/CN112910376B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103746624A (zh) * | 2013-12-28 | 2014-04-23 | 华中科技大学 | 基于模型预测的双凸极永磁同步电机的电流控制方法 |
CN103746629A (zh) * | 2014-01-17 | 2014-04-23 | 华中科技大学 | 基于模型预测的开关磁链永磁同步电机的电流控制方法 |
CN109742991A (zh) * | 2019-01-30 | 2019-05-10 | 江南大学 | 基于扇区划分算法的永磁同步电机多步预测控制方法 |
CN110086383A (zh) * | 2019-05-30 | 2019-08-02 | 清华大学 | 十二相驱动系统的模型预测控制方法及装置 |
Non-Patent Citations (1)
Title |
---|
《Finite set model predictive MTPA control with VSD method for asymmetric six-phase PMSM》;Donglin Ye;《2017 IEEE International Electric Machines and Drives Conference (IEMDC)》;20170827;第2-3页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112910376A (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gonçalves et al. | Finite control set model predictive control of six-phase asymmetrical machines—An overview | |
Wang et al. | Model predictive direct torque control of permanent magnet synchronous motors with extended set of voltage space vectors | |
Bermúdez et al. | Predictive current control in electrical drives: an illustrated review with case examples using a five‐phase induction motor drive with distributed windings | |
Gonçalves et al. | Bi‐subspace predictive current control of six‐phase PMSM drives based on virtual vectors with optimal amplitude | |
CN107968425A (zh) | 提高vsc与弱交流电网交换功率稳定性的控制方法 | |
CN110086383B (zh) | 十二相驱动系统的模型预测控制方法及装置 | |
CN111541411A (zh) | 一种双三电平逆变器开绕组电机模型控制方法 | |
Zhou et al. | Finite‐control‐set model predictive control scheme of three‐phase four‐leg back‐to‐back converter‐fed induction motor drive | |
CN112910376B (zh) | 多相电机模型预测容错控制的方法及装置 | |
CN110266196A (zh) | 基于神经网络的无电解电容变频器母线电压波动抑制方法 | |
CN111224594B (zh) | 一种高效率低纹波电机驱动方法 | |
Liu et al. | Lyapunov-based finite control-set model predictive control for nested neutral point-clamped converters without weighting factors | |
CN114156946B (zh) | 一种基于共模电压注入的并联逆变器功率均衡控制方法 | |
Hamid Bhat et al. | Capacitor voltage balancing of a three‐phase neutral‐point clamped bi‐directional rectifier using optimised switching sequences | |
CN114649968A (zh) | 一种两相组三电平变流系统共模电压抑制优化调制方法 | |
CN116827210B (zh) | 一种开绕组电机三维空间矢量调制方法 | |
Bhanuchandar et al. | A new single modulating and single carrier‐based predictive current control technique for single‐phase quadruple boost multilevel inverter topology | |
Lin et al. | Coordinated‐control strategy of scalable superconducting magnetic energy storage under an unbalanced voltage condition | |
CN113162107A (zh) | 一种永磁直驱风机电磁暂态仿真的启动方法 | |
CN115864942B (zh) | 一种双三相电机与开绕组电机在线切换拓扑及其控制方法 | |
CN109861606B (zh) | 十二相永磁同步电机的模型预测电流控制方法及装置 | |
CN116667732A (zh) | 一种三电平逆变器永磁同步电机的模型预测电流控制方法 | |
CN109450316B (zh) | 基于pwm的直驱式风机的简化方法及系统 | |
CN109546873A (zh) | 基于李雅普诺夫算法状态变量优化的均流方法 | |
CN106329525B (zh) | 环流与电流振荡的抑制方法及并联式逆变驱动系统 |
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 |