CN114123896A - 基于增量式宽度学习系统的永磁同步电机控制方法及系统 - Google Patents

基于增量式宽度学习系统的永磁同步电机控制方法及系统 Download PDF

Info

Publication number
CN114123896A
CN114123896A CN202111450749.2A CN202111450749A CN114123896A CN 114123896 A CN114123896 A CN 114123896A CN 202111450749 A CN202111450749 A CN 202111450749A CN 114123896 A CN114123896 A CN 114123896A
Authority
CN
China
Prior art keywords
learning system
width learning
model
node
permanent magnet
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
CN202111450749.2A
Other languages
English (en)
Other versions
CN114123896B (zh
Inventor
杨玮林
许德智
潘庭龙
范永强
张伟明
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.)
Jiangnan University
Original Assignee
Jiangnan 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 Jiangnan University filed Critical Jiangnan University
Priority to CN202111450749.2A priority Critical patent/CN114123896B/zh
Publication of CN114123896A publication Critical patent/CN114123896A/zh
Application granted granted Critical
Publication of CN114123896B publication Critical patent/CN114123896B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • H02P25/06—Linear motors
    • H02P25/064—Linear motors of the synchronous type

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Control Of Electric Motors In General (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于增量式宽度学习系统的永磁同步电机控制方法及系统，包括：S1、获取永磁同步直线电机某段时间内的输入与输出数据，作为宽度学习系统的初始训练样本集；S2、采用模糊粗糙集对初始训练样本集进行数据预处理，得到永磁同步直线电机的训练数据样本集；S3、将训练数据样本集输入到宽度学习系统模型中进行训练，宽度学习系统模型采用增强节点增量式宽度学习系统；S4、利用训练完的宽度学习系统模型对永磁同步直线电机进行控制。本发明基于增量式宽度学习系统的永磁同步电机控制方法及系统基于增量式宽度学习系统，具有超调低、速度快、可以控制非线性和大时滞系统以及抗干扰能力强等优点，提高了对永磁同步直线电机的控制能力。

Description

基于增量式宽度学习系统的永磁同步电机控制方法及系统
技术领域
本发明涉及电机控制技术领域，特别涉及一种基于增量式宽度学习系统的永磁同步电机控制方法及系统。
背景技术
永磁同步直线电机由于具有结构简单、单位推力大和体积小等优点得到了广泛的关注，同时，相比传统异步电机，永磁电机转子中无感应电流励磁，电机的功率因素高，提高了电网的品质因数使电网中不再需安装补偿器，同时，因永磁电机的高效率，也节约了电能，因此永磁同步直线电机已经成为学术研究和产品开发的热点。PI控制由于其结构简单、鲁棒性好和便于工程实施等优点，已经广泛应用于电机控制领域。然而，PI控制精度低，对于一些非线性和大时滞系统，控制效果较差，具有较大的超调。
发明内容
本发明要解决的技术问题是提供一种具有超调低、速度快、可以控制非线性和大时滞系统、抗干扰能力强的应用场景的基于增量式宽度学习系统的永磁同步电机控制方法。
为了解决上述问题，本发明提供了一种基于增量式宽度学习系统的永磁同步电机控制方法，其包括以下步骤：
S1、获取永磁同步直线电机某段时间内的输入与输出数据，作为宽度学习系统的初始训练样本集；
S2、采用模糊粗糙集对初始训练样本集进行数据预处理，得到永磁同步直线电机的训练数据样本集；
S3、将所述训练数据样本集输入到宽度学习系统模型中进行训练，所述宽度学习系统模型采用增强节点增量式宽度学习系统；
S4、利用训练完的宽度学习系统模型对永磁同步直线电机进行控制。
作为本发明的进一步改进，步骤S1中，所述初始训练样本集为X，其表达式为：
Figure BDA0003385171290000021
其中，V是反馈速度，V*是参考速度，iabc是三相电流，iq是q轴电流，
Figure BDA0003385171290000022
是q轴参考电流，id是d轴电流，
Figure BDA0003385171290000023
是d轴参考电流，
Figure BDA0003385171290000024
是d轴参考电压，
Figure BDA0003385171290000025
是d轴参考电压，Sabc是开关量。
作为本发明的进一步改进，步骤S2包括：
S21、确定初始决策表，把
Figure BDA0003385171290000028
和
Figure BDA0003385171290000029
作为决策变量，将可能影响预测结果的变量作为条件变量；
S22、确定各属性模糊隶属度函数及模糊化初始决策表，根据属性的物理特点，选择合适的模糊隶属度函数对各属性模糊划分，得到模糊化的决策表；
S23、根据Quick Reduct约简算法及模糊粗糙集理论的理论定义对影响宽度学习模型结果的多种属性进行约简，并计算每个条件属性占决策属性重要性的百分比，以此作为约简条件，并确定最终条件训练样本集X′。
作为本发明的进一步改进，所述增强节点增量式宽度学习系统包括：特征节点和增强节点，步骤S3包括：
S31、对所述特征节点，根据训练样本集X′生成特征节点Zi，并构建特征节点组Zn；如下：
Figure BDA0003385171290000026
Zn＝[Z1,Z2,…,Zn]
其中，
Figure BDA0003385171290000027
为线性或非线性激活函数，Wei和βei分别为随机权重和偏置，n为特征节点组个数；
S32、对所述增强节点，根据特征节点Zi生成增强节点Hj，并构建增强节点组Hm：
Hj＝ξj(ZnWhj+βhj),j＝1,2,3,…m
Hm＝[H1,H2,…,Hm]
其中，ξj为非线性激活函数，Whj和βhj分别为随机权重和偏置；
S33、对所述宽度学习系统模型，通过输入数据学习合适的输出权重Wm，宽度学习系统模型通过使用伪逆算法快速求解输出权重Wm：
Wm＝(ATA+λI)-1ATY
其中，
Figure BDA0003385171290000031
A+表示A的伪逆，I为单位矩阵，Y是训练样本输出；
S34、对所述增强节点增量式宽度学习系统，包含特征节点和增强节点，并构成宽度学习系统的隐藏层，通过输出权重Wm得到最终输出结果
Figure BDA0003385171290000032
Figure BDA0003385171290000033
S35、对所述增强节点增量式宽度学习系统，使用平均绝对百分比误差评价准确度，公式如下：
Figure BDA0003385171290000034
式中，
Figure BDA0003385171290000035
代表真实值，yi代表预测值，n代表样本数，
Figure BDA0003385171290000036
当MAPE为0％表示该预测模型为完美模型，当MAPE值大于100％则表示该预测模型为劣质模型；
S36、对所述增强节点增量式宽度学习系统，使用增强节点增量式算法更新模型准确度；具体包括：通过更改增强节点的个数，以确定使模型准确度最高的宽度系统结构，该算法借用矩阵伪逆的运算理论，以在数据更新时快速得到新的权重，并得到新模型的输出结果，其表达式为：
Figure BDA0003385171290000037
其中，D＝A+ξ(ZnWm+1+βm+1)
新权重Wm+1为：
Figure BDA0003385171290000041
其中，C＝ξ(ZnWm+1+βm+1)-AD，ξ为激活函数，C+为C的伪逆，
Figure BDA0003385171290000042
作为本发明的进一步改进，还包括以下步骤：
S5、通过PI控制与所述宽度学习系统模型控制速度对比分析所述宽度学习系统模型控制性能。
为了解决上述问题，本发明还提供了一种基于增量式宽度学习系统的永磁同步电机控制系统，所述基于增量式宽度学习系统的永磁同步电机控制系统包括以下模块：
样本获取模块，用于获取永磁同步直线电机某段时间内的输入与输出数据，作为宽度学习系统的初始训练样本集；
数据预处理模块，用于采用模糊粗糙集对初始训练样本集进行数据预处理，得到永磁同步直线电机的训练数据样本集；
模型训练模块，用于将所述训练数据样本集输入到宽度学习系统模型中进行训练，所述宽度学习系统模型采用增强节点增量式宽度学习系统；
控制模块，用于利用训练完的宽度学习系统模型对永磁同步直线电机进行控制。
作为本发明的进一步改进，所述初始训练样本集为X，其表达式为：
Figure BDA0003385171290000043
其中，V是反馈速度，V*是参考速度，iabc是三相电流，iq是q轴电流，
Figure BDA0003385171290000044
是q轴参考电流，id是d轴电流，
Figure BDA0003385171290000045
是d轴参考电流，
Figure BDA0003385171290000046
是d轴参考电压，
Figure BDA0003385171290000047
是d轴参考电压，Sabc是开关量。
作为本发明的进一步改进，所述数据预处理模块用于执行以下步骤：
S21、确定初始决策表，把
Figure BDA0003385171290000048
和
Figure BDA0003385171290000049
作为决策变量，将可能影响预测结果的变量作为条件变量；
S22、确定各属性模糊隶属度函数及模糊化初始决策表，根据属性的物理特点，选择合适的模糊隶属度函数对各属性模糊划分，得到模糊化的决策表；
S23、根据Quick Reduct约简算法及模糊粗糙集理论的理论定义对影响宽度学习模型结果的多种属性进行约简，并计算每个条件属性占决策属性重要性的百分比，以此作为约简条件，并确定最终条件训练样本集X′。
作为本发明的进一步改进，所述增强节点增量式宽度学习系统包括：特征节点和增强节点，所述模型训练模块用于执行以下步骤：
S31、对所述特征节点，根据训练样本集X′生成特征节点Zi，并构建特征节点组Zn；如下：
Figure BDA0003385171290000051
Zn＝[Z1,Z2,…,Zn]
其中，
Figure BDA0003385171290000052
为线性或非线性激活函数，Wei和βei分别为随机权重和偏置，n为特征节点组个数；
S32、对所述增强节点，根据特征节点Zi生成增强节点Hj，并构建增强节点组Hm：
Hj＝ξj(ZnWhj+βhj),j＝1,2,3,…m
Hm＝[H1,H2,…,Hm]
其中，ξj为非线性激活函数，Whj和βhj分别为随机权重和偏置；
S33、对所述宽度学习系统模型，通过输入数据学习合适的输出权重Wm，宽度学习系统模型通过使用伪逆算法快速求解输出权重Wm：
Wm＝(ATA+λI)-1ATY
其中，
Figure BDA0003385171290000053
A+表示A的伪逆，I为单位矩阵，Y是训练样本输出；
S34、对所述增强节点增量式宽度学习系统，包含特征节点和增强节点，并构成宽度学习系统的隐藏层，通过输出权重Wm得到最终输出结果
Figure BDA0003385171290000054
Figure BDA0003385171290000055
S35、对所述增强节点增量式宽度学习系统，使用平均绝对百分比误差评价准确度，公式如下：
Figure BDA0003385171290000061
式中，
Figure BDA0003385171290000062
代表真实值，yi代表预测值，n代表样本数，
Figure BDA0003385171290000063
当MAPE为0％表示该预测模型为完美模型，当MAPE值大于100％则表示该预测模型为劣质模型；
S36、对所述增强节点增量式宽度学习系统，使用增强节点增量式算法更新模型准确度。具体包括：通过更改增强节点的个数，以确定使模型准确度最高的宽度系统结构，该算法借用矩阵伪逆的运算理论，以在数据更新时快速得到新的权重，并得到新模型的输出结果，其表达式为：
Figure BDA0003385171290000064
其中，D＝A+ξ(ZnWm+1+βm+1)
新权重Wm+1为：
Figure BDA0003385171290000065
其中，C＝ξ(ZnWm+1+βm+1)-AD，ξ为激活函数，C+为C的伪逆，
Figure BDA0003385171290000066
作为本发明的进一步改进，所述基于增量式宽度学习系统的永磁同步电机控制系统还包括以下模块：
对比分析模块，用于通过PI控制与所述宽度学习系统模型控制速度对比分析所述宽度学习系统模型控制性能。
本发明的有益效果：
本发明基于增量式宽度学习系统的永磁同步电机控制方法及系统基于增量式宽度学习系统，具有超调低、速度快、可以控制非线性和大时滞系统以及抗干扰能力强等优点，提高了对永磁同步直线电机的控制能力。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。
附图说明
图1是本发明优选实施例中基于增量式宽度学习系统的永磁同步电机控制方法的流程图；
图2是本发明优选实施例中增强节点增量式宽度学习系统结构图；
图3是PI控制与本发明宽度学习系统模型控制速度对比图；
图4是PI控制与本发明宽度学习系统模型控制电磁推力对比图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
如图1所示，为本发明优选实施例中基于增量式宽度学习系统的永磁同步电机控制方法，其包括以下步骤：
S1、获取永磁同步直线电机某段时间内的输入与输出数据，作为宽度学习系统的初始训练样本集；
具体地，所述初始训练样本集为X，其表达式为：
Figure BDA0003385171290000071
其中，V是反馈速度，V*是参考速度，iabc是三相电流，iq是q轴电流，
Figure BDA0003385171290000072
是q轴参考电流，id是d轴电流，
Figure BDA0003385171290000073
是d轴参考电流，
Figure BDA0003385171290000074
是d轴参考电压，
Figure BDA0003385171290000075
是d轴参考电压，Sabc是开关量。
S2、采用模糊粗糙集对初始训练样本集进行数据预处理，得到永磁同步直线电机的训练数据样本集；可选的，步骤S2具体包括：
S21、确定初始决策表，把
Figure BDA0003385171290000076
和
Figure BDA0003385171290000077
作为决策变量，综合考虑其他变量，将可能影响预测结果的变量作为条件变量；
S22、确定各属性模糊隶属度函数及模糊化初始决策表，根据属性的物理特点，选择合适的模糊隶属度函数对各属性模糊划分，得到模糊化的决策表；
S23、根据Quick Reduct约简算法及模糊粗糙集理论的理论定义对影响宽度学习模型结果的多种属性进行约简，并计算每个条件属性占决策属性重要性的百分比，以此作为约简条件，并确定最终条件训练样本集X′。
S3、将所述训练数据样本集输入到宽度学习系统模型中进行训练，所述宽度学习系统模型采用增强节点增量式宽度学习系统；
其中，所述增强节点增量式宽度学习系统包括：特征节点和增强节点。参照图2，可选地，步骤S3包括：
S31、对所述特征节点，根据训练样本集X′生成特征节点Zi，并构建特征节点组Zn；如下：
Figure BDA0003385171290000081
Zn＝[Z1,Z2,…,Zn]
其中，
Figure BDA0003385171290000082
为线性或非线性激活函数，Wei和βei分别为随机权重和偏置，n为特征节点组个数；
S32、对所述增强节点，根据特征节点Zi生成增强节点Hj，并构建增强节点组Hm：
Hj＝ξj(ZnWhj+βhj),j＝1,2,3,…m
Hm＝[H1,H2,…,Hm]
其中，ξj为非线性激活函数，Whj和βhj分别为随机权重和偏置；
S33、对所述宽度学习系统模型，通过输入数据学习合适的输出权重Wm，宽度学习系统模型通过使用伪逆算法快速求解输出权重Wm：
Wm＝(ATA+λI)-1ATY
其中，
Figure BDA0003385171290000083
A+表示A的伪逆，I为单位矩阵，Y是训练样本输出；
S34、对所述增强节点增量式宽度学习系统，包含特征节点和增强节点，并构成宽度学习系统的隐藏层，通过输出权重Wm得到最终输出结果
Figure BDA0003385171290000084
Figure BDA0003385171290000091
S35、对所述增强节点增量式宽度学习系统，使用平均绝对百分比误差(MAPE)评价准确度，MAPE不仅可以衡量模型偏差，还可以衡量一个模型预测结果的好坏，公式如下：
Figure BDA0003385171290000092
式中，
Figure BDA0003385171290000093
代表真实值，yi代表预测值，n代表样本数，
Figure BDA0003385171290000094
当MAPE为0％表示该预测模型为完美模型，当MAPE值大于100％则表示该预测模型为劣质模型；
S36、对所述增强节点增量式宽度学习系统，使用增强节点增量式算法更新模型准确度。
具体地，通过更改增强节点的个数，以确定使模型准确度最高的宽度系统结构，该算法借用矩阵伪逆的运算理论，以在数据更新时快速得到新的权重，并得到新模型的输出结果，其表达式为：
Figure BDA0003385171290000095
其中，D＝A+ξ(ZnWm+1+βm+1)
新权重Wm+1为：
Figure BDA0003385171290000096
其中，C＝ξ(ZnWm+1+βm+1)-AD，ξ为激活函数，C+为C的伪逆，
Figure BDA0003385171290000097
S4、利用训练完的宽度学习系统模型对永磁同步直线电机进行控制。
在一些实施例中，本发明基于增量式宽度学习系统的永磁同步电机控制方法，还包括以下步骤：
S5、通过PI控制与所述宽度学习系统模型控制速度对比分析所述宽度学习系统模型控制性能。
图3为PI控制与本发明宽度学习系统模型控制速度对比图。可见，相比PI控制系统，基于增量式BLS的PMLSM系统具有更小的超调；
图4为PI控制与本发明宽度学习系统模型控制电磁推力对比图。可见，PI控制系统产生的电磁推力脉动明显高于增强节点增量式宽度学习控制系统。
本发明基于增量式宽度学习系统的永磁同步电机控制方法基于增量式宽度学习系统，具有超调低、速度快、可以控制非线性和大时滞系统以及抗干扰能力强等优点，提高了对永磁同步直线电机的控制能力。
本发明优选实施例还公开了一种基于增量式宽度学习系统的永磁同步电机控制系统，所述基于增量式宽度学习系统的永磁同步电机控制系统包括以下模块：
样本获取模块，用于获取永磁同步直线电机某段时间内的输入与输出数据，作为宽度学习系统的初始训练样本集；具体地，所述初始训练样本集为X，其表达式为：
Figure BDA0003385171290000101
其中，V是反馈速度，V*是参考速度，iabc是三相电流，iq是q轴电流，
Figure BDA0003385171290000102
是q轴参考电流，id是d轴电流，
Figure BDA0003385171290000103
是d轴参考电流，
Figure BDA0003385171290000104
是d轴参考电压，
Figure BDA0003385171290000105
是d轴参考电压，Sabc是开关量。
数据预处理模块，用于采用模糊粗糙集对初始训练样本集进行数据预处理，得到永磁同步直线电机的训练数据样本集；
所述数据预处理模块用于执行以下步骤：
S21、确定初始决策表，把
Figure BDA0003385171290000106
和
Figure BDA0003385171290000107
作为决策变量，将可能影响预测结果的变量作为条件变量；
S22、确定各属性模糊隶属度函数及模糊化初始决策表，根据属性的物理特点，选择合适的模糊隶属度函数对各属性模糊划分，得到模糊化的决策表；
S23、根据Quick Reduct约简算法及模糊粗糙集理论的理论定义对影响宽度学习模型结果的多种属性进行约简，并计算每个条件属性占决策属性重要性的百分比，以此作为约简条件，并确定最终条件训练样本集X′。
模型训练模块，用于将所述训练数据样本集输入到宽度学习系统模型中进行训练，所述宽度学习系统模型采用增强节点增量式宽度学习系统；
所述增强节点增量式宽度学习系统包括：特征节点和增强节点，所述模型训练模块用于执行以下步骤：
S31、对所述特征节点，根据训练样本集X′生成特征节点Zi，并构建特征节点组Zn；如下：
Figure BDA0003385171290000111
Zn＝[Z1,Z2,…,Zn]
其中，
Figure BDA0003385171290000112
为线性或非线性激活函数，Wei和βei分别为随机权重和偏置，n为特征节点组个数；
S32、对所述增强节点，根据特征节点Zi生成增强节点Hj，并构建增强节点组Hm：
Hj＝ξj(ZnWhj+βhj),j＝1,2,3,…m
Hm＝[H1,H2,…,Hm]
其中，ξj为非线性激活函数，Whj和βhj分别为随机权重和偏置；
S33、对所述宽度学习系统模型，通过输入数据学习合适的输出权重Wm，宽度学习系统模型通过使用伪逆算法快速求解输出权重Wm：
Wm＝(ATA+λI)-1ATY
其中，
Figure BDA0003385171290000113
A+表示A的伪逆，I为单位矩阵，Y是训练样本输出；
S34、对所述增强节点增量式宽度学习系统，包含特征节点和增强节点，并构成宽度学习系统的隐藏层，通过输出权重Wm得到最终输出结果
Figure BDA0003385171290000114
Figure BDA0003385171290000115
S35、对所述增强节点增量式宽度学习系统，使用平均绝对百分比误差评价准确度，公式如下：
Figure BDA0003385171290000121
式中，
Figure BDA0003385171290000122
代表真实值，yi代表预测值，n代表样本数，
Figure BDA0003385171290000123
当MAPE为0％表示该预测模型为完美模型，当MAPE值大于100％则表示该预测模型为劣质模型；
S36、对所述增强节点增量式宽度学习系统，使用增强节点增量式算法更新模型准确度。
具体地，通过更改增强节点的个数，以确定使模型准确度最高的宽度系统结构，该算法借用矩阵伪逆的运算理论，以在数据更新时快速得到新的权重，并得到新模型的输出结果，其表达式为：
Figure BDA0003385171290000124
其中，D＝A+ξ(ZnWm+1+βm+1)
新权重Wm+1为：
Figure BDA0003385171290000125
其中，C＝ξ(ZnWm+1+βm+1)-AD，ξ为激活函数，C+为C的伪逆，
Figure BDA0003385171290000126
控制模块，用于利用训练完的宽度学习系统模型对永磁同步直线电机进行控制。
在一些实施例中，本发明基于增量式宽度学习系统的永磁同步电机控制系统还包括以下模块：
对比分析模块，用于通过PI控制与所述宽度学习系统模型控制速度对比分析所述宽度学习系统模型控制性能。
本发明基于增量式宽度学习系统的永磁同步电机控制方法及系统采用宽度学习系统模型控制永磁同步直线电机，通过采集输入输出数据，使用模糊粗糙集约简条件属性，很大程度上降低了永磁同步直线电机速度调制时间。
本发明基于增量式宽度学习系统的永磁同步电机控制方法及系统基于增强节点增量式宽度学习系统，当增加增强节点时，可以根据伪逆公式快速构建新的增强节点组，并快速计算新的随机权重和偏置，大大提高了系统的抗干扰以及快速跟踪参考速度能力。
以上实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (10)

1.基于增量式宽度学习系统的永磁同步电机控制方法，其特征在于，包括以下步骤：
S1、获取永磁同步直线电机某段时间内的输入与输出数据，作为宽度学习系统的初始训练样本集；
S2、采用模糊粗糙集对初始训练样本集进行数据预处理，得到永磁同步直线电机的训练数据样本集；
S3、将所述训练数据样本集输入到宽度学习系统模型中进行训练，所述宽度学习系统模型采用增强节点增量式宽度学习系统；
S4、利用训练完的宽度学习系统模型对永磁同步直线电机进行控制。
2.如权利要求1所述的基于增量式宽度学习系统的永磁同步电机控制方法，其特征在于，步骤S1中，所述初始训练样本集为X，其表达式为：
Figure FDA0003385171280000011
其中，V是反馈速度，V*是参考速度，iabc是三相电流，iq是q轴电流，
Figure FDA0003385171280000012
是q轴参考电流，id是d轴电流，
Figure FDA0003385171280000013
是d轴参考电流，
Figure FDA0003385171280000014
是d轴参考电压，
Figure FDA0003385171280000015
是d轴参考电压，Sabc是开关量。
3.如权利要求2所述的基于增量式宽度学习系统的永磁同步电机控制方法，其特征在于，步骤S2包括：
S21、确定初始决策表，把
Figure FDA0003385171280000016
和
Figure FDA0003385171280000017
作为决策变量，将可能影响预测结果的变量作为条件变量；
S22、确定各属性模糊隶属度函数及模糊化初始决策表，根据属性的物理特点，选择合适的模糊隶属度函数对各属性模糊划分，得到模糊化的决策表；
S23、根据Quick Reduct约简算法及模糊粗糙集理论的理论定义对影响宽度学习模型结果的多种属性进行约简，并计算每个条件属性占决策属性重要性的百分比，以此作为约简条件，并确定最终条件训练样本集X′。
4.如权利要求3所述的基于增量式宽度学习系统的永磁同步电机控制方法，其特征在于，所述增强节点增量式宽度学习系统包括：特征节点和增强节点，步骤S3包括：
S31、对所述特征节点，根据训练样本集X′生成特征节点Zi，并构建特征节点组Zn；如下：
Figure FDA0003385171280000021
Zn＝[Z1,Z2,…,Zn]
其中，
Figure FDA0003385171280000022
为线性或非线性激活函数，Wei和βei分别为随机权重和偏置，n为特征节点组个数；
S32、对所述增强节点，根据特征节点Zi生成增强节点Hj，并构建增强节点组Hm：
Hj＝ξj(ZnWhj+βhj),j＝1,2,3,…m
Hm＝[H1,H2,…,Hm]
其中，ξj为非线性激活函数，Whj和βhj分别为随机权重和偏置；
S33、对所述宽度学习系统模型，通过输入数据学习合适的输出权重Wm，宽度学习系统模型通过使用伪逆算法快速求解输出权重Wm：
Wm＝(ATA+λI)-1ATY
其中，
Figure FDA0003385171280000023
A+表示A的伪逆，I为单位矩阵，Y是训练样本输出；
S34、对所述增强节点增量式宽度学习系统，包含特征节点和增强节点，并构成宽度学习系统的隐藏层，通过输出权重Wm得到最终输出结果
Figure FDA0003385171280000024
Figure FDA0003385171280000025
S35、对所述增强节点增量式宽度学习系统，使用平均绝对百分比误差评价准确度，公式如下：
Figure FDA0003385171280000026
式中，
Figure FDA0003385171280000027
代表真实值，yi代表预测值，n代表样本数，
Figure FDA0003385171280000028
当MAPE为0％表示该预测模型为完美模型，当MAPE值大于100％则表示该预测模型为劣质模型；
S36、对所述增强节点增量式宽度学习系统，使用增强节点增量式算法更新模型准确度。
5.如权利要求1所述的基于增量式宽度学习系统的永磁同步电机控制方法，其特征在于，还包括以下步骤：
S5、通过PI控制与所述宽度学习系统模型控制速度对比分析所述宽度学习系统模型控制性能。
6.基于增量式宽度学习系统的永磁同步电机控制系统，其特征在于，包括以下模块：
样本获取模块，用于获取永磁同步直线电机某段时间内的输入与输出数据，作为宽度学习系统的初始训练样本集；
数据预处理模块，用于采用模糊粗糙集对初始训练样本集进行数据预处理，得到永磁同步直线电机的训练数据样本集；
模型训练模块，用于将所述训练数据样本集输入到宽度学习系统模型中进行训练，所述宽度学习系统模型采用增强节点增量式宽度学习系统；
控制模块，用于利用训练完的宽度学习系统模型对永磁同步直线电机进行控制。
7.如权利要求6所述的基于增量式宽度学习系统的永磁同步电机控制系统，其特征在于，所述初始训练样本集为X，其表达式为：
Figure FDA0003385171280000031
其中，V是反馈速度，V*是参考速度，iabc是三相电流，iq是q轴电流，
Figure FDA0003385171280000032
是q轴参考电流，id是d轴电流，
Figure FDA0003385171280000033
是d轴参考电流，
Figure FDA0003385171280000034
是d轴参考电压，
Figure FDA0003385171280000035
是d轴参考电压，Sabc是开关量。
8.如权利要求7所述的基于增量式宽度学习系统的永磁同步电机控制系统，其特征在于，所述数据预处理模块用于执行以下步骤：
S21、确定初始决策表，把
Figure FDA0003385171280000036
和
Figure FDA0003385171280000037
作为决策变量，将可能影响预测结果的变量作为条件变量；
S22、确定各属性模糊隶属度函数及模糊化初始决策表，根据属性的物理特点，选择合适的模糊隶属度函数对各属性模糊划分，得到模糊化的决策表；
S23、根据Quick Reduct约简算法及模糊粗糙集理论的理论定义对影响宽度学习模型结果的多种属性进行约简，并计算每个条件属性占决策属性重要性的百分比，以此作为约简条件，并确定最终条件训练样本集X′。
9.如权利要求8所述的基于增量式宽度学习系统的永磁同步电机控制系统，其特征在于，所述增强节点增量式宽度学习系统包括：特征节点和增强节点，所述模型训练模块用于执行以下步骤：
S31、对所述特征节点，根据训练样本集X′生成特征节点Zi，并构建特征节点组Zn；如下：
Figure FDA0003385171280000041
Zn＝[Z1,Z2,…,Zn]
其中，
Figure FDA0003385171280000042
为线性或非线性激活函数，Wei和βei分别为随机权重和偏置，n为特征节点组个数；
S32、对所述增强节点，根据特征节点Zi生成增强节点Hj，并构建增强节点组Hm：
Hj＝ξj(ZnWhj+βhj),j＝1,2,3,…m
Hm＝[H1,H2,…,Hm]
其中，ξj为非线性激活函数，Whj和βhj分别为随机权重和偏置；
S33、对所述宽度学习系统模型，通过输入数据学习合适的输出权重Wm，宽度学习系统模型通过使用伪逆算法快速求解输出权重Wm：
Wm＝(ATA+λI)-1ATY
其中，
Figure FDA0003385171280000043
A+表示A的伪逆，I为单位矩阵，Y是训练样本输出；
S34、对所述增强节点增量式宽度学习系统，包含特征节点和增强节点，并构成宽度学习系统的隐藏层，通过输出权重Wm得到最终输出结果
Figure FDA0003385171280000044
Figure FDA0003385171280000051
S35、对所述增强节点增量式宽度学习系统，使用平均绝对百分比误差评价准确度，公式如下：
Figure FDA0003385171280000052
式中，
Figure FDA0003385171280000053
代表真实值，yi代表预测值，n代表样本数，
Figure FDA0003385171280000054
当MAPE为0％表示该预测模型为完美模型，当MAPE值大于100％则表示该预测模型为劣质模型；
S36、对所述增强节点增量式宽度学习系统，使用增强节点增量式算法更新模型准确度。
10.如权利要求6所述的基于增量式宽度学习系统的永磁同步电机控制系统，其特征在于，还包括以下模块：
对比分析模块，用于通过PI控制与所述宽度学习系统模型控制速度对比分析所述宽度学习系统模型控制性能。
CN202111450749.2A 2021-11-30 2021-11-30 基于增量式宽度学习系统的永磁同步电机控制方法及系统 Active CN114123896B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111450749.2A CN114123896B (zh) 2021-11-30 2021-11-30 基于增量式宽度学习系统的永磁同步电机控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111450749.2A CN114123896B (zh) 2021-11-30 2021-11-30 基于增量式宽度学习系统的永磁同步电机控制方法及系统

Publications (2)

Publication Number Publication Date
CN114123896A true CN114123896A (zh) 2022-03-01
CN114123896B CN114123896B (zh) 2022-05-24

Family

ID=80368980

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111450749.2A Active CN114123896B (zh) 2021-11-30 2021-11-30 基于增量式宽度学习系统的永磁同步电机控制方法及系统

Country Status (1)

Country Link
CN (1) CN114123896B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023221740A1 (zh) * 2022-05-18 2023-11-23 湘潭大学 永磁同步电机效率优化控制方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110146812A (zh) * 2019-05-15 2019-08-20 吉林大学珠海学院 一种基于特征节点增量式宽度学习的电机故障诊断方法
CN110462264A (zh) * 2017-07-18 2019-11-15 株式会社电装 换挡挡位控制装置
AU2021100614A4 (en) * 2021-02-01 2021-04-22 Southwest University A novel regression prediction method for electronic nose based on broad learning system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110462264A (zh) * 2017-07-18 2019-11-15 株式会社电装 换挡挡位控制装置
CN110146812A (zh) * 2019-05-15 2019-08-20 吉林大学珠海学院 一种基于特征节点增量式宽度学习的电机故障诊断方法
AU2021100614A4 (en) * 2021-02-01 2021-04-22 Southwest University A novel regression prediction method for electronic nose based on broad learning system

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘莉莉等: "B 样条学习前馈控制器的设计研究", 《渤海大学学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023221740A1 (zh) * 2022-05-18 2023-11-23 湘潭大学 永磁同步电机效率优化控制方法及系统

Also Published As

Publication number Publication date
CN114123896B (zh) 2022-05-24

Similar Documents

Publication Publication Date Title
CN111600523B (zh) 一种永磁同步电机的模型预测电流控制方法
Mansouri et al. Improved double‐surface sliding mode observer for flux and speed estimation of induction motors
US20230412098A1 (en) Efficiency optimization control method and system for permanent magnet synchronous motor
Zerdali et al. Speed-sensorless predictive torque controlled induction motor drive withfeed-forward control of load torque for electric vehicle applications
CN114123896B (zh) 基于增量式宽度学习系统的永磁同步电机控制方法及系统
Pilla et al. Tuning of extended Kalman filter using grey wolf optimisation for speed control of permanent magnet synchronous motor drive
Khan et al. MPPT control paradigms for PMSG-WECS: A synergistic control strategy with gain-scheduled sliding mode observer
Ding et al. Research on pmsm vector control system based on fuzzy pi parameter self-tuning
Bayindir et al. Application of adaptive artificial neural network method to model the excitation currents of synchronous motors
Xiao et al. Parameter identification of direct‐drive permanent magnet synchronous generator based on EDMPSO‐EKF
CN114912300B (zh) 一种电力系统快速时域仿真方法
CN115808952B (zh) 基于改进粒子群优化的能源系统最大功率跟踪控制方法
Wei et al. A weighting factor online tuning method based PSO algorithm for MPTC strategy of PMSM
Sahraoui et al. Performance enhancement of sensorless speed control of DSIM using MRAS and EKF optimized by genetic algorithm
CN106410795B (zh) 一种时滞电力系统带记忆反馈控制方法
Long et al. Modular Linear Power Flow Model Against Large Fluctuations
Jiao et al. Research on PMSM sensorless control based on improved RBF neural network algorithm
Guo et al. Optimization of fuzzy sliding mode controller with improved genetic algorithm
CN114744946B (zh) 基于宽度学习干扰观测器的永磁同步电机控制方法及系统
Yuan et al. Design of single neuron super-twisting sliding mode controller for permanent magnet synchronous servo motor
Potturi et al. Latest advances in DTC control of induction motors
Mahmoudi et al. Neuro-Genetic sensorless sliding mode control of a permanent magnet synchronous motor using Luenberger observer
Wei et al. Sensorless current model control for permanent magnet synchronous motor based on IPID with two‐dimensional cloud model online optimisation
Qin et al. Design of ACO variable structure controller for brushless direct current motor
Zhou et al. Predictive functional control for linear motor speed system based on repetitive sliding mode observer

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