CN113572393A - 内嵌式永磁同步电机智能mpc控制方法及装置 - Google Patents

内嵌式永磁同步电机智能mpc控制方法及装置 Download PDF

Info

Publication number
CN113572393A
CN113572393A CN202110809265.6A CN202110809265A CN113572393A CN 113572393 A CN113572393 A CN 113572393A CN 202110809265 A CN202110809265 A CN 202110809265A CN 113572393 A CN113572393 A CN 113572393A
Authority
CN
China
Prior art keywords
current
permanent magnet
synchronous motor
state
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.)
Pending
Application number
CN202110809265.6A
Other languages
English (en)
Inventor
游科友
李星辰
孟庆辉
宋士吉
赵斐然
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.)
Tsinghua University
Weichai Power Co Ltd
Original Assignee
Tsinghua University
Weichai Power Co Ltd
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 Tsinghua University, Weichai Power Co Ltd filed Critical Tsinghua University
Priority to CN202110809265.6A priority Critical patent/CN113572393A/zh
Publication of CN113572393A publication Critical patent/CN113572393A/zh
Pending legal-status Critical Current

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
    • H02P6/00—Arrangements for controlling synchronous motors or other dynamo-electric motors using electronic commutation dependent on the rotor position; Electronic commutators therefor
    • H02P6/08—Arrangements for controlling the speed or torque of a single motor
    • 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
    • H02P25/00—Arrangements or methods for the control of AC motors characterised by the kind of AC motor or by structural details
    • H02P25/02—Arrangements or methods for the control of AC motors characterised by the kind of AC motor or by structural details characterised by the kind of motor
    • H02P25/022—Synchronous motors
    • 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
    • H02P27/00—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage
    • H02P27/04—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage using variable-frequency supply voltage, e.g. inverter or converter supply voltage
    • H02P27/06—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage using variable-frequency supply voltage, e.g. inverter or converter supply voltage using dc to ac converters or inverters
    • H02P27/08—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage using variable-frequency supply voltage, e.g. inverter or converter supply voltage using dc to ac converters or inverters with pulse width modulation
    • 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
    • H02P2207/00—Indexing scheme relating to controlling arrangements characterised by the type of motor
    • H02P2207/05—Synchronous machines, e.g. with permanent magnets or DC excitation

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Control Of Ac Motors In General (AREA)

Abstract

本公开提出一种内嵌式永磁同步电机智能MPC控制方法及装置，属于电机控制领域。其中方法包括：获取内嵌式永磁同步电机的状态参数和时变参数，所述状态参数包括所述内嵌式永磁同步电机的当前状态和当前状态的参考值，所述时变参数包括所述内嵌式永磁同步电机的逆变器输出的最大定子电压和所述内嵌式永磁同步电机的转速；根据预设的深度神经网络，获取所述状态参数和时变参数对应的所述内嵌式永磁同步电机的当前最优控制量，所述控制量包括直轴电压和交轴电压。本公开具有良好的控制性能，不需要在线求解优化问题，控制频率高，克服了现有技术控制频率受限、难以应对参数误差的缺陷，适合工程应用。

Description

内嵌式永磁同步电机智能MPC控制方法及装置
技术领域
本公开属于电机控制领域，具体涉及一种内嵌式永磁同步电机智能MPC方法及装置。
背景技术
永磁同步电机通过永磁体提供励磁而无需励磁电流，具有较高的运行效率和功率密度，同时具有可靠性高、结构紧凑、便于维护的优点，是中国新能源汽车的主流电机，具有广阔的应用场景。其中内嵌式的永磁同步电机将永磁体安装在转子的内部，磁路结构不对称，交轴电感和直轴电感不相等。在这种情况下存在磁阻转矩，若能较好地同时控制交轴电流和直轴电流，内嵌式永磁同步电机将具有更好的转矩输出能力。
良好的动态、稳态转矩控制性能是搭载永磁同步电机的整个机械系统良好运作的关键，而内嵌式永磁同步电机实现转矩快速响应的关键在于电流环的控制。关于内嵌式永磁同步电机电流环的控制，相关学者已经有很多研究。常见的控制方法有PID控制方法、滑模控制方法、模糊控制方法、模型预测控制方法。其中基于连续控制集模型的模型预测控制方法是一种基于模型的时域最优控制方法，能够很好地处理控制量的约束，并具有较快的响应速度、较小的超调。
在d-q坐标系中，永磁同步电机的控制量ud和uq满足约束
Figure BDA0003167603420000011
其中umax为逆变器所能输出的最大定子电压。在MPC(模型预测控制)方法中，常常将此非线性约束线性化，即ud和uq在上述约束圆的内接正多边形内，从而将二次约束二次规划问题转变为二次规划问题。线性化约束虽然能够更快地求解，但将控制量的可行域变小，另一种方法是不线性化约束，直接求解二次约束二次规划问题。
无论是求解二次规划还是二次约束二次规划，都需要较大的计算量，而嵌入式芯片的计算能力的不足，如何在计算能力有限的嵌入式芯片中实现具有良好控制效果的MPC方法是一个难题。现有加速求解方法如使用专门为嵌入式系统设计的高效二次规划求解器，使用显式模型预测控制方法，使用有限状态机方法求解能够实现较高的求解速度，但对于一个时变的系统，当预测时域和控制时域较长时，上述方法的控制频率仍然受限。
发明内容
本公开的目的是为解决现有技术存在的不足，提出一种内嵌式永磁同步电机智能MPC控制方法。本公开具有良好的控制性能，且不需要在线求解优化问题，控制频率高，克服了现有技术控制频率受限、难以应对参数误差的缺陷。
本公开第一方面实施例提出一种内嵌式永磁同步电机智能MPC控制方法，包括：
获取内嵌式永磁同步电机的状态参数和时变参数，所述状态参数包括所述内嵌式永磁同步电机的当前状态和当前状态的参考值，所述时变参数包括所述内嵌式永磁同步电机的逆变器输出的最大定子电压和所述内嵌式永磁同步电机的转速；所述当前状态包括当前直轴电流和当前交轴电流，所述当前状态的参考值包括当前直轴电流的参考值和当前交轴电流的参考值；
根据预设的深度神经网络，获取所述状态参数和时变参数对应的所述内嵌式永磁同步电机的当前最优控制量，所述控制量包括直轴电压和交轴电压。
在本公开的一个实施例中，在所述获取内嵌式永磁同步电机的状态参数和时变参数之后，还包括：对所述当前状态的参考值采用积分器，以消除状态的静态误差；所述积分器为两个，分别用于消除直轴电流的静态误差和交轴电流的静态误差。
在本公开的一个实施例中，在所述根据预设的深度神经网络，获取所述状态参数和时变参数对应的所述内嵌式永磁同步电机的当前最优控制量之前，还包括：
训练所述深度神经网络；
其中，所述训练所述深度神经网络包括：
建立决策变量为所述控制量的二次约束二次规划问题；
设定所述内嵌式永磁同步电机的状态参数和时变参数的变化范围，从所述变化范围中获取多组所述状态参数和时变参数；
求解每组所述状态参数和时变参数下的所述二次约束二次规划问题，得到所述每组所述状态参数和时变参数对应的最优控制量；
将所述每组所述状态参数和时变参数和所述对应的最优控制量组成一个训练样本，将所有所述训练样本组成训练数据集；
构建一个深度神经网络，利用所述训练数据集训练所述深度神经网络，得到训练完毕的所述深度神经网络。
在本公开的一个实施例中，所述二次约束二次规划问题的表达式如下：
min L
s.t.||ut||≤umax，t＝0，…，N-1
其中，umax为所述内嵌式永磁同步电机的逆变器输出的最大定子电压；t代表采样周期数；ut表示t个采样周期后的控制量；N为预测时域长度；
L为损失函数：
Figure BDA0003167603420000031
其中，xt表示t个采样周期后的状态，xr为状态的参考值，Q为二阶方阵。
在本公开的一个实施例中，所述ut为离散化后的控制量，所述xt为离散化后的状态，所述离散化的具体方法如下：
建立所述内嵌式永磁同步电机在d-q旋转坐标系下的微分方程模型：
Figure BDA0003167603420000032
Figure BDA0003167603420000033
Figure BDA0003167603420000034
Figure BDA0003167603420000035
其中，Rs为定子电阻，Ld为定子直轴电感，Lq为定子交轴电感，
Figure BDA0003167603420000036
为转子磁链，np为极对数，J为转动惯量，Te为输出转矩，TL为负载转矩，id和iq分别为直轴电流、交轴电流，ud和uq分别为直轴电压、交轴电压，ωe为转速；
根据所述微分方程模型，建立所述内嵌式永磁同步电机的电流环的系统状态方程：
Figure BDA0003167603420000037
设定采样周期Ts，将所述系统状态方程离散化，得到：
xt+1＝Axt+But+G
其中，x代表状态，u表示控制量；
Figure BDA0003167603420000038
在本公开的一个实施例中，在所述求解每组所述状态参数和时变参数下的所述二次约束二次规划问题之前，还包括：
对所述二次约束二次规划问题的约束||ut||≤umax进行线性化，表达式如下：
Figure BDA0003167603420000041
在本公开的一个实施例中，若对所述二次约束二次规划问题的约束进行线性化，则采用二次规划求解器求解所述二次约束二次规划问题；若未对所述二次约束二次规划问题的约束进行线性化，则采用二次约束二次规划求解器求解所述二次约束二次规划问题。
本公开第二方面实施例提出一种内嵌式永磁同步电机智能MPC控制装置，包括：
参数获取模块，用于获取内嵌式永磁同步电机的状态参数和时变参数，所述状态参数包括所述内嵌式永磁同步电机的当前状态和当前状态的参考值，所述时变参数包括所述内嵌式永磁同步电机的逆变器输出的最大定子电压和所述内嵌式永磁同步电机的转速；所述当前状态包括当前直轴电流和当前交轴电流，所述当前状态的参考值包括当前直轴电流的参考值和当前交轴电流的参考值；
控制估计模块，用于根据预设的深度神经网络，获取所述状态参数和时变参数对应的所述内嵌式永磁同步电机的当前最优控制量，所述控制量包括直轴电压和交轴电压。
在本公开的一个实施例中，所述控制估计模块中还包括两个积分器子模块；所述两个积分器子模块分别用于消除直轴电流的静态误差和交轴电流的静态误差。
本公开第三方面实施例提出一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述实施例的一种内嵌式永磁同步电机智能MPC控制方法。
本公开的特点及有益效果在于：
(1)使用基于模型预测控制方法，具有响应速度快、超调量好等优点。
(2)适应性强，可以线性化约束也可以不线性化约束，能够灵活实现良好的控制效果。
(3)通过大量的离线求解和神经网络学习，避免了在线求解优化问题的计算量，控制频率高，计算速度快。
附图说明
图1为本公开实施例中控制系统框图；
图2为本公开实施例中深度神经网络结构示意图；
图3为本公开实施例中d轴电流控制效果对比图；
图4为本公开实施例中q轴电流控制效果对比图；
图5为本公开实施例中控制量幅值对比图。
具体实施方式
本公开提出一种内嵌式永磁同步电机智能MPC控制方法及装置，下面结合附图和具体实施例进一步详细说明。
本公开第一方面实施例提出一种内嵌式永磁同步电机智能MPC控制方法，首先建立内嵌式永磁同步电机在d-q旋转坐标系下的微分方程模型，然后设定采样周期时间，将电流环的系统状态方程离散化得到状态的迭代式，设计目标函数并结合约束得到控制量的优化问题，通过设定参数的变化范围，大量随机选取参数并求解优化问题得到数据集，最后设计深度神经网络并在数据集上进行训练，并使用积分器消除训练完毕后深度神经网络控制的微小误差，实现较好的动态控制速度和稳态控制精度。其中，深度神经网络计算主要为矩阵运算，可使用擅长并行运算的FPGA进行快速实现。本公开实施例具有良好的控制性能，不需要在线求解优化问题，控制频率高，克服了现有技术控制频率受限、难以应对参数误差的缺陷。
本公开实施例提出的一种基于深度神经网络的内嵌式永磁同步电机智能MPC控制方法，包括以下步骤：
(1)建立内嵌式永磁同步电机在d-q旋转坐标系下的微分方程模型：
Figure BDA0003167603420000051
Figure BDA0003167603420000052
Figure BDA0003167603420000053
Figure BDA0003167603420000054
其中，Rs为定子电阻，Ld为定子直轴电感，Lq为定子交轴电感，
Figure BDA0003167603420000055
为转子磁链，np为极对数，J为转动惯量，Te为输出转矩，TL为负载转矩，id和iq分别为直轴电流、交轴电流，ud和uq分别为直轴电压、交轴电压，ωe为转速。Ld与id、iq，Lq与id、iq分别有非线性的函数关系。
(2)利用步骤(1)的模型，单独写出电流环的系统状态方程，其中ωe、Ld、Lq可视为时变参数：
Figure BDA0003167603420000056
取采样周期Ts(在本实施例中Ts＝0.1ms)，将系统状态方程离散化，得到：
xt+1＝Axt+But+G
其中，下标t代表采样周期数，x代表状态，u表示控制量；以0时刻为当前时刻，xt表示t个采样周期后的状态，ut表示t个采样周期后的控制量。
Figure BDA0003167603420000061
(3)选取目标函数二阶方阵Q(在本公开的一些实施例中，一般选择单位矩阵即可)，设计损失函数：
Figure BDA0003167603420000062
其中xr为状态x的参考值，N为预测时域长度，由于xt+1＝Axt+But+G，L实际上为控制量ut，t＝0，…，N-1的二次型。
(4)建立决策变量为控制量的二次约束二次规划问题：
min L
s.t.||ut||≤umaxt＝0，…，N-1
其中，umax为逆变器所能输出的最大定子电压。
(5)设定时变参数和状态的变化范围，即设定x，xr，umax，ωe的变化范围。
(6)在步骤(5)设定的变化范围中，随机选取一组x，xr，umax，ωe，得到该组x，xr，umax，ωe下决策变量为控制量的的二次约束二次规划问题。可以将||ut||≤umax约束线性化为：
Figure BDA0003167603420000063
从而得到更新后的二次规划问题。
调用现有的二次约束二次规划求解器或者二次规划求解器进行求解，得到该组x，xr，umax，ωe对应的最优控制量u*。
其中，求解约束线性化之后的的规划问题使用二次规划求解器，求解线性化约束之前的规划问题使用二次约束二次规划求解器，两种求解方法均可。需要说明的是，在使用MPC时，当前的通用方法是使用二次规划进行求解，需要将约束线性化。但在本公开的一些实施例中不线性化也可以，而且能够获得更好的性能。
(7)多次重复步骤(6)(重复次数一般较大，至少以万为单位，在本公开的一些实例中求解了300万次)，得到每组x，xr，umax，ωe与其对应的最优控制量u*。
(8)将每组{x，xr，umax，ωe}和对应的u*组成一个训练样本，将所有的训练样本构成训练数据集，其中，将每组{x，xr，umax，ωe}作为输入，对应的u*作为输，构建一个多层全连接的深度神经网络来拟合输入输出的关系，利用该训练数据集对深度神经网络进行训练。在本实施例中，构建的深度神经网络使用具有1个归一化层、5个隐层和1个反归一化层，每个隐层包含50个节点，激活函数为LeakyReLU函数的深度神经网络(节点数依次为6、50、50、50、50、50、2)，本公开的一个实施例中的深度神经网络结构示意图见图2，其中，
Figure BDA0003167603420000071
为id的参考值，
Figure BDA0003167603420000072
为iq的参考值，使用Adam优化器对深度神经网络进行训练。在本公开的一个实施例中，LeakyReLU的函数式为：
Figure BDA0003167603420000073
其中，x为函数自变量。
当深度神经网络损失函数值几乎不再下降时，训练就可结束，得到训练完毕的深度神经网络。
(9)深度神经网络进行训练后，便能很好地拟合出控制器输入输出的关系。给定一个时刻，即给定{x，xr，umax，ωe}，经过深度神经网络正向传播后，得到该时刻的最优控制的估计值
Figure BDA00031676034200000710
以实现该时刻对内嵌式永磁同步电机的控制。本公开的实施例中，深度神经网络计算主要为矩阵运算，可使用擅长并行运算的FPGA进行快速实现。由于深度神经网络拟合效果不可能完美，
Figure BDA00031676034200000711
和u*总有一定差别，这会带来一定的静态误差。在一些实施例中，实际控制时，在深度神经网络输入xr之前添加积分器(其中，在输入的
Figure BDA0003167603420000074
和
Figure BDA0003167603420000075
前各添加一个积分器，具体实现时积分器只是一个累加变量，仅需要设定积分常数就能构建)，该两个积分器通过调整神经网络的输入xr，实现消除静态误差的功能。
本公开实施例的整体控制框图如图1。图1中，通过位置/速度传感器测量永磁同步电机(PMSM)的位置θ和转速ω。位置θ和传感器采样得到的ia，ib，分别代表三相静止坐标系下a轴、b轴电流；通过abc-dq坐标变换得到id，iq。id，iq和人为给定的状态的参考值
Figure BDA0003167603420000076
Figure BDA0003167603420000077
以及ωe，umax共同作为为控制器(即训练完毕的深度神经网络)的输入，其中
Figure BDA0003167603420000078
Figure BDA0003167603420000079
前各添加一个积分器。控制器计算得到控制量ud，uq，联合位置θ通过dq-αβ坐标变换得到uα，uβ，可通过SVPWM技术输出PWM波给逆变器并最终输出控制电压到PMSM中(也可不使用SVPWM而使用其他的实现方式，将dq轴的控制电压转换为abc轴的控制电压，最终输出到PMSM中。目前一般常用的技术的SVPWM，本公开并没有指定控制电压的最终实现方式)。
下面结合一个具体实施例对本公开的上述实施例进一步说明如下。
在本公开的一个具体实施例中，使用擅长并行运算的FGPA运行带有深度神经网络的控制器，实现高频率的控制。具体方式为手动编写C++控制器代码，然后通过HLS工具生成目标FPGA平台为XCZU9EG-FFVB1156的verilogHDL代码，从而进行FPGA的实现。以目标时钟为200MHz为例，控制器运行需要12190时钟周期，约60.95us，可实现16.4kHz的高控制频率。
下面通过仿真实验检验控制器控制效果：
仿真实验
(1)仿真设置
本公开的实施例中控制系统框图如图1，为方便起见，本实施例中控制器之外的电机部分使用d-q轴旋转坐标系来描述。设定最大输出电压为
Figure BDA0003167603420000081
转速ωe＝600rpm，采样周期Ts＝10-4s。
(2)仿真结果
选取一个电流控制点测试控制方法的动态性能和稳态性能。设定id的参考值为-50A，iq的参考值在0.05s时从0A变化为450A。此时控制目标是饱和的，由于最大电压的限制，参考值不能达到。
图3、4、5中“QCQP”指本公开实施例提出的一种内嵌式永磁同步电机智能MPC控制方法，其控制量ud，uq满足在一个圆内，即
Figure BDA0003167603420000082
为求解二次约束二次规划问题；“QP”也为本公开实施例中提出的一种内嵌式永磁同步电机智能MPC控制方法，其控制量ud，uq在一个多边形内，该多边形为圆
Figure BDA0003167603420000083
的内接正12边形，为求解二次规划问题。
如图3、4所示，本公开实施例提出的一种内嵌式永磁同步电机智能MPC控制方法稳态性能好，且控制过程平滑、稳定。如图5所示，本公开实施例的控制过程中控制量ud，uq均能满足电压约束，不会出现超过极限电压的情况。
本公开实施例的方法具有良好的控制性能，且不需要在线求解优化问题，控制频率高，克服了现有技术控制频率受限、难以应对参数误差的缺陷。
为达上述目的，本公开第二方面实施例提出一种内嵌式永磁同步电机智能MPC控制装置，包括：
参数获取模块，用于获取内嵌式永磁同步电机的状态参数和时变参数，所述状态参数包括所述内嵌式永磁同步电机的当前状态和当前状态的参考值，所述时变参数包括所述内嵌式永磁同步电机的逆变器输出的最大定子电压和所述内嵌式永磁同步电机的转速；所述当前状态包括当前直轴电流和当前交轴电流，所述当前状态的参考值包括当前直轴电流的参考值和当前交轴电流的参考值；
控制估计模块，用于根据预设的深度神经网络，获取所述状态参数和时变参数对应的所述内嵌式永磁同步电机的当前最优控制量，所述控制量包括直轴电压和交轴电压。
具体地，在本公开的一些实施例中，所述控制估计模块中还包括两个积分器子模块；所述两个积分器子模块分别用于消除直轴电流的静态误差和交轴电流的静态误差。
为达上述目的，本公开第三方面实施例提出一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述实施例的一种内嵌式永磁同步电机智能MPC控制方法。
需要说明的是，本公开上述实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“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申请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必须针对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一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种内嵌式永磁同步电机智能MPC控制方法，其特征在于，包括：
获取内嵌式永磁同步电机的状态参数和时变参数，所述状态参数包括所述内嵌式永磁同步电机的当前状态和当前状态的参考值，所述时变参数包括所述内嵌式永磁同步电机的逆变器输出的最大定子电压和所述内嵌式永磁同步电机的转速；所述当前状态包括当前直轴电流和当前交轴电流，所述当前状态的参考值包括当前直轴电流的参考值和当前交轴电流的参考值；
根据预设的深度神经网络，获取所述状态参数和时变参数对应的所述内嵌式永磁同步电机的当前最优控制量，所述控制量包括直轴电压和交轴电压。
2.根据权利要求1所述的控制方法，其特征在于，在所述获取内嵌式永磁同步电机的状态参数和时变参数之后，还包括：对所述当前状态的参考值采用积分器，以消除状态的静态误差；所述积分器为两个，分别用于消除直轴电流的静态误差和交轴电流的静态误差。
3.根据权利要求1或2所述的控制方法，其特征在于，在所述根据预设的深度神经网络，获取所述状态参数和时变参数对应的所述内嵌式永磁同步电机的当前最优控制量之前，还包括：
训练所述深度神经网络；
其中，所述训练所述深度神经网络包括：
建立决策变量为所述控制量的二次约束二次规划问题；
设定所述内嵌式永磁同步电机的状态参数和时变参数的变化范围，从所述变化范围中获取多组所述状态参数和时变参数；
求解每组所述状态参数和时变参数下的所述二次约束二次规划问题，得到所述每组所述状态参数和时变参数对应的最优控制量；
将所述每组所述状态参数和时变参数和所述对应的最优控制量组成一个训练样本，将所有所述训练样本组成训练数据集；
构建一个深度神经网络，利用所述训练数据集训练所述深度神经网络，得到训练完毕的所述深度神经网络。
4.根据权利要求3所述的控制方法，其特征在于，所述二次约束二次规划问题的表达式如下：
min L
s.t.||ut||≤umax，t＝0，…，N-1
其中，umax为所述内嵌式永磁同步电机的逆变器输出的最大定子电压；t代表采样周期数；ut表示t个采样周期后的控制量；N为预测时域长度；
L为损失函数：
Figure FDA0003167603410000021
其中，xt表示t个采样周期后的状态，xr为状态的参考值，Q为二阶方阵。
5.根据权利要求4所述的控制方法，其特征在于，所述ut为离散化后的控制量，所述xt为离散化后的状态，所述离散化的具体方法如下：
建立所述内嵌式永磁同步电机在d-q旋转坐标系下的微分方程模型：
Figure FDA0003167603410000022
Figure FDA0003167603410000023
Figure FDA0003167603410000024
Figure FDA0003167603410000025
其中，Rs为定子电阻，Ld为定子直轴电感，Lq为定子交轴电感，
Figure FDA0003167603410000026
为转子磁链，np为极对数，J为转动惯量，Te为输出转矩，TL为负载转矩，id和iq分别为直轴电流、交轴电流，ud和uq分别为直轴电压、交轴电压，ωe为转速；
根据所述微分方程模型，建立所述内嵌式永磁同步电机的电流环的系统状态方程：
Figure FDA0003167603410000027
设定采样周期Ts，将所述系统状态方程离散化，得到：
xt+1＝Axt+But+G
其中，x代表状态，u表示控制量；
Figure FDA0003167603410000028
6.根据权利要求4所述的控制方法，其特征在于，在所述求解每组所述状态参数和时变参数下的所述二次约束二次规划问题之前，还包括：
对所述二次约束二次规划问题的约束||ut||≤umax进行线性化，表达式如下：
Figure FDA0003167603410000031
7.根据权利要求6所述的控制方法，其特征在于，若对所述二次约束二次规划问题的约束进行线性化，则采用二次规划求解器求解所述二次约束二次规划问题；若未对所述二次约束二次规划问题的约束进行线性化，则采用二次约束二次规划求解器求解所述二次约束二次规划问题。
8.一种内嵌式永磁同步电机智能MPC控制装置，其特征在于，包括：
参数获取模块，用于获取内嵌式永磁同步电机的状态参数和时变参数，所述状态参数包括所述内嵌式永磁同步电机的当前状态和当前状态的参考值，所述时变参数包括所述内嵌式永磁同步电机的逆变器输出的最大定子电压和所述内嵌式永磁同步电机的转速；所述当前状态包括当前直轴电流和当前交轴电流，所述当前状态的参考值包括当前直轴电流的参考值和当前交轴电流的参考值；
控制估计模块，用于根据预设的深度神经网络，获取所述状态参数和时变参数对应的所述内嵌式永磁同步电机的当前最优控制量，所述控制量包括直轴电压和交轴电压。
9.根据权利要求8所述的控制装置，其特征在于，所述控制估计模块中还包括两个积分器子模块；所述两个积分器子模块分别用于消除直轴电流的静态误差和交轴电流的静态误差。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行权利要求1-7任一项所述的内嵌式永磁同步电机智能MPC控制方法。
CN202110809265.6A 2021-07-16 2021-07-16 内嵌式永磁同步电机智能mpc控制方法及装置 Pending CN113572393A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110809265.6A CN113572393A (zh) 2021-07-16 2021-07-16 内嵌式永磁同步电机智能mpc控制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110809265.6A CN113572393A (zh) 2021-07-16 2021-07-16 内嵌式永磁同步电机智能mpc控制方法及装置

Publications (1)

Publication Number Publication Date
CN113572393A true CN113572393A (zh) 2021-10-29

Family

ID=78165309

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110809265.6A Pending CN113572393A (zh) 2021-07-16 2021-07-16 内嵌式永磁同步电机智能mpc控制方法及装置

Country Status (1)

Country Link
CN (1) CN113572393A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114580627A (zh) * 2022-02-28 2022-06-03 华南理工大学 一种基于变参递归神经网络的fpga实现方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114580627A (zh) * 2022-02-28 2022-06-03 华南理工大学 一种基于变参递归神经网络的fpga实现方法
CN114580627B (zh) * 2022-02-28 2024-04-16 华南理工大学 一种基于变参递归神经网络的fpga实现方法

Similar Documents

Publication Publication Date Title
Bolognani et al. Design and implementation of model predictive control for electrical motor drives
Chen et al. Fractional order active disturbance rejection control with the idea of cascaded fractional order integrator equivalence
Mansouri et al. Improved double‐surface sliding mode observer for flux and speed estimation of induction motors
Sawma et al. Analysis of the impact of online identification on model predictive current control applied to permanent magnet synchronous motors
Sadrossadat et al. ANN‐based method for parametric modelling and optimising efficiency, output power and material cost of BLDC motor
Boulghasoul et al. Fuzzy improvement on Luenberger observer based induction motor parameters estimation for high performances sensorless drive
BACKSTEPPING Low-speed sensorless control of PMSM motor drive using a nonlinear approach backstepping control: FPGA-based implementation
Xu et al. Three‐vector‐based low‐complexity model predictive current control with reduced steady‐state current error for permanent magnet synchronous motor
Jukić et al. Flying‐start and continuous operation of a permanent‐magnet wind generator based on discontinuous currents, discrete second‐order sliding‐mode observer and phase‐locked loop
Tami et al. Rotor speed, load torque and parameters estimations of a permanent magnet synchronous motor using extended observer forms
Pourseif et al. Design of robust control for a motor in electric vehicles
CN113572393A (zh) 内嵌式永磁同步电机智能mpc控制方法及装置
Carpiuc et al. Efficient state reference generation for torque control in externally excited synchronous machines
Than et al. FPGA-realization of an RBF-NN tuning PI controller for sensorless PMSM drives
Selma et al. Model-free control-based vector control of synchronous reluctance motor
Bolognani et al. Combined speed and current model predictive control with inherent field-weakening features for PMSM drives
Wang et al. Full digital deadbeat speed control for permanent magnet synchronous motor with load compensation
CN117335700A (zh) 半闭环场景下基于深度强化学习的电动伺服位置反馈动态调优方法
Liu et al. Sensorless model predictive control of permanent magnet synchronous motor based on hybrid parallel observer under parameter uncertainty
Popovic et al. Tuning the rotor time constant parameter of IM using the minimum order recursive linear least square estimator
Thakar et al. Fractional-order PI controller for permanent magnet synchronous motor: A design-based comparative study
Antonello et al. Self‐commissioning calculation of dynamic models for synchronous machines with magnetic saturation using flux as state variable
Chen et al. High performance control of a permanent magnet synchronous motor for electric vehicle applications
Sanz et al. Analytical maximum torque per volt control strategy of an interior permanent magnet synchronous motor with very low battery voltage
Ge et al. HGO and neural network based integral sliding mode control for PMSMs with uncertainty

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