CN114977920B - 一种高精度的永磁同步电机参数辨识方法 - Google Patents

一种高精度的永磁同步电机参数辨识方法 Download PDF

Info

Publication number
CN114977920B
CN114977920B CN202111481369.5A CN202111481369A CN114977920B CN 114977920 B CN114977920 B CN 114977920B CN 202111481369 A CN202111481369 A CN 202111481369A CN 114977920 B CN114977920 B CN 114977920B
Authority
CN
China
Prior art keywords
module
permanent magnet
magnet synchronous
synchronous motor
motor
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
Application number
CN202111481369.5A
Other languages
English (en)
Other versions
CN114977920A (zh
Inventor
陈峥
李镇伍
申江卫
沈世全
李万超
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.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
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 Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN202111481369.5A priority Critical patent/CN114977920B/zh
Publication of CN114977920A publication Critical patent/CN114977920A/zh
Application granted granted Critical
Publication of CN114977920B publication Critical patent/CN114977920B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02P21/0014—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • H02P21/141—Flux estimation
    • 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
    • H02P21/16—Estimation of constants, e.g. the rotor time constant
    • 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
    • H02P25/024—Synchronous motors controlled by supply frequency
    • H02P25/026—Synchronous motors controlled by supply frequency thereby detecting the rotor position
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Control Of Ac Motors In General (AREA)

Abstract

本发明涉及一种高精度的永磁同步电机参数辨识方法，具体包括以下步骤：(1)搭建FOC控制系统控制已知参数永磁同步电机运行；(2)采集电机运行信号；(3)坐标变换；(4)PI控制；(5)鲸鱼优化算法优化反向传播神经网络训练；(6)实现电机参数识别。本发明提出的永磁同步电机高精度参数辨识方法引入的一种智能寻优算法与反向神经网络的结合算法，相比传统的参数辨识方法，其优势是收敛速度快，无需进行公式推导和计算，模型搭建简便快捷，鲁棒性强，辨识精度高，辨识结果波动小。

Description

一种高精度的永磁同步电机参数辨识方法
技术领域
本发明属于电机参数辨识技术领域，尤其涉及一种高精度的永磁同步电机参数辨识方法。
背景技术
永磁同步电机因具有高效率、高转矩电流比、高功率密度、可靠性等优点，已在电动汽车、航空工业等领域得到了广泛应用。在永磁同步电机的控制过程中，闭环控制、减小运行损耗方法以及无传感器控制等方面，都比较依赖永磁同步电机自身参数，输入不准确参数的控制会导致永磁同步电机闭环控制效果差，系统波动大；引起减小运行损耗方法效果不佳导致电机损耗增大；无传感器控制中如果电机参数输入不准确，会引起电机运行不畅甚至无法运行。因此高精度的永磁同步电机参数辨识方法是很有必要的。
目前多采用参数辨识方法包括最小二乘法、模型参考自适应法、神经网络法等。其中，最小二乘法的参数辨识无法实现多参数同时辨识，在辨识某一参数时，其他参数是假定为已知值，因此最小二乘法参数辨识的辨识效果较差，在对电机参数有较高要求的领域难以胜任；模型参考自适应法一定程度上解决了最小二乘法无法同时实现多参数辨识的问题，且参数辨识精度更高，但是需要进行大量的公式推导和计算，同时还需要人工调节模型参考自适应的自适应律以及搭建精准的电机控制参考模型和可调模型，使用不够便捷；神经网络法无需进行复杂的公式推导及计算，也无需搭建精准的电机模型，使用方便，且电机参数辨识结果远好于其他方法，但是存在辨识初始阶段波动较大，鲁棒性较差，辨识速度慢等问题。
发明内容
本发明所要解决的技术问题是提供一种基于鲸鱼优化算法优化反向传播神经网络的永磁同步电机参数辨识方法，以解决现有技术中存在的无法进行多参数辨识、需要进行复杂的公式推导及运算、人工调节自适应律、需要搭建精确模型等问题。
为解决以上技术问题，本发明的技术方案为：提供一种高精度的永磁同步电机参数辨识方法，其创新点在于，具体包括以下步骤：
(1)搭建FOC控制系统控制已知参数永磁同步电机运行：根据永磁同步电机foc矢量控制方法搭建FOC控制系统，并控制电机在小于本电机最大转矩、最大转速的工况下运行；
(2)采集电机运行信号：通过电流传感器检测永磁同步电机的三相电流ia、ib、ic；通过转速传感器检测电机的机械角速度ωm，通过计算得到电机电角速度ωe；通过位置传感器检测电机机械角度θm，通过计算得到电机电角度θe；
(3)坐标变换：将步骤(2)得到的电机的三相电流ia、ib、ic通过Clarke变换转化为静止坐标系下的电流iα、iβ，再通过Park变换转化为同步旋转坐标系下的电流id、iq；
(4)PI控制：将步骤(2)得到的电角速度ωe和参考转速ωe_ref输入转速环PI模块，转速环PI模块输出q轴电流参考值至q轴电流环PI模块；将参考电流id_ref输入d轴电流环PI模块，同时将步骤(3)得到的同步旋转坐标系下的电流id、iq分别输入d轴电流环PI模块以及q轴电流环PI模块进行计算，d轴电流环PI模块以及q轴电流环PI模块分别输出d轴电压ud和q轴电压uq；
(5)鲸鱼优化算法优化反向传播神经网络训练：鲸鱼优化算法优化反向传播神经网络WOA-BPNN，由输入层、隐含层及输出层构成，将步骤(3)所得到的d、q轴电流id、iq、步骤(4)得到的d、q轴电压ud、uq以及步骤(2)得到的电机电角速度ωe作为WOA-BPNN的输入，将步骤(1)中所述的已知参数的永磁同步电机参数作为输出，进行训练，获得用于永磁同步电机参数辨识的鲸鱼优化算法优化反向传播神经网络；
(6)实现电机参数识别：将未知参数的永磁同步电机使用FOC控制系统控制运行，重复步骤(2)、步骤(3)和步骤(4)，将得到的数据id、iq、ud、uq、ωe输入至步骤(5)得出的鲸鱼优化算法优化BP神经网络中，输出永磁同步电机PMSM的各项参数。
进一步的，所述步骤(1)中根据永磁同步电机foc矢量控制方法搭建FOC控制系统包括转速环PI模块、q轴电流环PI模块、d轴电流环PI模块、Clarke变换模块、Park变换模块，SVPWM模块、逆Park变换模块，逆变器、永磁同步电机PMSM模块、电流传感器、速度/位置传感器、WOA-BPNN参数辨识模块；还包括需要给定转速环PI模块的参考转速ωe_ref以及d轴电流环PI模块的参考电流id_ref；
所述逆变器和永磁同步电机PMSM模块连接来驱动永磁同步电机PMSM模块运行，所述电流传感器模块设于逆变器和永磁同步电机PMSM模块之间来采集逆变器输出到永磁同步电机PMSM模块的三相电流ia、ib、ic并输出到Clark变换模块进行运算；
所述Clark变换模块分别和Park变换模块、速度/位置传感器连接，用于将三相电流ia、ib、ic通过Clark变换模块得到的静止坐标系下的电流iα、iβ分别输入Park变换模块、速度/位置传感器中；
所述速度/位置传感器分别与转速环PI模块、Park变换模块、逆Park变换模块、永磁同步电机PMSM模块连接，从永磁同步电机PMSM模块采集永磁同步电机机械角速度ωm并计算得到电角速度ωe，输入转速环PI模块对永磁同步电机转速进行控制；从永磁同步电机PMSM模块采集永磁同步电机机械角度θm并计算得到电角度θe，分别输入Park变换模块、逆Park变换模块参与计算；
所述转速环PI模块将永磁同步电机电角速度ωe以及参考转速ωe_ref进行运算得到q轴电流参考值iq*，输入到q轴电流环PI模块；
所述Park变换模块分别与q轴电流环PI模块、d轴电流环PI模块连接；所述Park变换模块将静止坐标系下的电流iα、iβ以及速度/位置传感器得到的电角度θe输入进行运算转换为同步旋转坐标系下的电流id、iq；将id、iq分别输入到d轴电流环PI模块以及q轴电流环PI模块，完成永磁同步电机d、q轴电流控制；
所述q轴电流环PI模块将q轴电流参考值iq*以及iq进行运算得到uq，所述d轴电流环PI模块将输入的参考电流id_ref以及id进行运算得到ud；
所述逆Park变换模块分别与q轴电流环PI模块、d轴电流环PI模块、SVPWM模块连接，用于将分别从q轴电流环PI模块和d轴电流环PI模块得到的uq、ud以及速度/位置传感器得到的电角度θe输入进行运算，得到静止坐标系下的电压uα、uB并输入SVPWM模块；
所述SVPWM模块和逆变器模块连接，用于将静止坐标系下的电压uα、uβ输入到SVPWM模块运算，得到六路逆变器开关输出信号以及三相电压ua、ub、uc，并输入到逆变器模块；
所述WOA-BPNN参数辨识模块与Park变换模块、d轴电流环PI模块、q轴电流环PI模块以及速度/位置传感器模块连接，将id、iq、ud、uq、ωe输入WOA-BPNN参数辨识模块中，计算输出永磁同步电机的线电阻Rs、d轴电感Ld、q轴电感Lq以及磁链ψf。
进一步的，所述逆Park变换描述如下：
通过逆Park变换将同步旋转坐标系下的电压ud、uq转化为静止坐标系下的电压uα、uβ，具体方法为：
uα＝udcosθe-uqsinθe
uβ＝udsinθe+uqcosθe。
进一步的，所述步骤(1)中已知参数的永磁同步电机所需要已知的参数包括同步旋转坐标系下的d轴电感Ld、q轴电感Lq、永磁同步电机极对数p、永磁同步电机线电阻Rs、永磁同步电机磁链ψf、永磁同步电机的转动惯量J、阻尼系数B。
进一步的，所述步骤(2)中由转速传感器检测电机的机械角速度ωm，并通过计算得到的电机电角速度ωe的具体方法为：
ωe＝p*ωm
通过位置传感器检测电机机械角度θm，并通过计算得到的电机电角度θe，其具体方法为：
θe＝p*θm
其中，p表示极对数。
进一步的，所述步骤(3)中，Clarke变换、Park变换描述如下：
将电机的三相电流ia、ib、ic通过Clarke变换转化为静止坐标系下的电流iα、iβ的具体方法为：
将静止坐标系下的电流iα、iβ通过Park变换转化为同步旋转坐标系下的电流id、iq的具体方法为：
id＝iαcosθe+iβsinθe
iq＝-iαsinθe+iβcosθe。
进一步的，所述步骤(5)中，鲸鱼优化算法优化反向传播神经网络训练，鲸鱼优化算法的参数设置如下：
A、鲸鱼优化算法在于找到神经网络训练结果偏差最小的值，并输出神经网络在该偏差下的初始权值j0和阈值k0，自变量数量为1，则设置鲸鱼优化算法的自变量维度等于1，鲸鱼优化算法种群规模为N，最大迭代次数设置为T次；
B、设置概率p1＝0.5为种群会按当前最优值继续寻优，设置概率p2＝0.5为种群会从头开始寻优；
C、设置鲸鱼优化算法的停止条件为寻优得到的神经网络训练误差小于等于5％或迭代达到最大迭代次数，当满足停止条件时，鲸鱼优化算法停止工作，将得到的神经网络训练结果偏差最小的值对应的初始权值j0和阈值k0赋予反向传播神经网络作为初始权值和阈值进行训练。
进一步的，所述步骤(5)中，鲸鱼优化算法优化反向传播神经网络训练，反向传播神经网络的参数设置如下：
A、反向传播神经网络的输入数据集为{id、iq、ud、uq、ωe}，则设置反向传播神经网络的输入数为5；输出数据集为{Rs、Ld、Lq、ψf}，则设置输出数为4；
B、反向传播神经网络的隐含层数量选择m层，隐含层神经元数量根据经验及实践确定为n个。
进一步的，所述步骤(6)中，输出未知参数的永磁同步电机各项参数，具体可输出的参数包括：永磁同步电机线电阻Rs、d轴电感Ld、q轴电感Lq以及磁链ψf。
与现有技术相比，本发明具有以下优点：
1.本发明提出的永磁同步电机高精度参数辨识方法引入的一种智能寻优算法与反向神经网络的结合算法，相比传统的参数辨识方法，其优势是收敛速度快，无需进行公式推导和计算，模型搭建简便快捷，鲁棒性强，辨识精度高，辨识结果波动小。
2.本发明提出的一种基于鲸鱼优化算法优化反向传播神经网络的永磁同步电机参数辨识方法，相比最小二乘参数辨识法，能够直接进行多个参数的辨识，且辨识精度比最小二乘法高。
3.本发明提出的一种基于鲸鱼优化算法优化反向传播神经网络的永磁同步电机参数辨识方法，相比模型参考自适应参数辨识法，辨识精度更高，且无需进行大量的公式推导和计算，同时省略了人工调节模型参考自适应的自适应律以及搭建精准的电机控制参考模型和可调模型的步骤，使用起来更加方便。
4.本发明提出的一种基于鲸鱼优化算法优化反向传播神经网络的永磁同步电机参数辨识方法，相比传统神经网络参数辨识法，辨识初始阶段波动小，鲁棒性较好，辨识速度更快。
附图说明
以下附图是本发明利用FOC控制系统所得出的部分仿真结果图，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，以下实施例为了更直观表现本发明对永磁同步电机参数辨识的效果，加入了普通反向传播神经网络(BPNN)辨识法的对比，在正常运用时，无需进行对比。
图1是本发明的一种高精度的永磁同步电机的参数辨识方法流程图。
图2是本发明的基于鲸鱼优化算法优化反向传播神经网络的永磁同步电机参数辨识方法的结构框图。
图3a是给定工况下，永磁同步电机线电阻Rs基于WOA-BPNN与BPNN的辨识结果对比。
图3b是给定工况下，永磁同步电机线电阻Rs基于WOA-BPNN与BPNN的辨识结果误差对比。
图4a是给定工况下，永磁同步电机d轴电感Ld基于WOA-BPNN与BPNN的辨识结果对比。
图4b是给定工况下，永磁同步电机d轴电感Ld基于WOA-BPNN与BPNN的辨识结果误差对比。
图5a是给定工况下，永磁同步电机q轴电感Lq基于WOA-BPNN与BPNN的辨识结果对比。
图5b是给定工况下，永磁同步电机d轴电感Ld基于WOA-BPNN与BPNN的辨识结果误差对比。
图6a是给定工况下，永磁同步电机磁链ψf基于WOA-BPNN与BPNN的辨识结果对比。
图6b是给定工况下，永磁同步电机磁链ψf基于WOA-BPNN与BPNN的辨识结果误差对比。
具体实施方式
为了说明本发明所述的技术方案，下面结合附图进一步说明本发明。
本发明提供基于鲸鱼优化算法的永磁同步电机最小损耗控制方法，如图1和2所示，包括以下步骤：
(1)搭建FOC控制系统控制已知参数永磁同步电机运行：根据永磁同步电机foc矢量控制方法搭建FOC控制系统，并控制电机在小于本电机最大转矩、最大转速的工况下运行；在本发明的实施方式中，本发明使用Matlab/Simulink软件进行FOC控制系统搭建，通过永磁同步电机的铭牌获取永磁同步电机同步旋转坐标系下的d轴电感Ld、q轴电感Lq、永磁同步电机极对数p、永磁同步电机线电阻Rs、永磁同步电机磁链ψf、永磁同步电机的转动惯量J、阻尼系数B。使用Matlab/Simulink软件搭建转速环PI模块、q轴电流环PI模块、d轴电流环PI模块、Clarke变换模块、Park变换模块，SVPWM模块、逆Park变换模块，逆变器模块、永磁同步电机PMSM模块、电流传感器、速度/位置传感器、WOA-BPNN参数辨识模块，并给定转速环PI模块的参考转速ωe_ref以及d轴电流环PI模块的参考电流id_ref，其中Clarke变换模块、Park变换模块，SVPWM模块、逆Park变换模块、永磁同步电机PMSM模块以及WOA-BPNN参数辨识模块使用Matlab/Simulink中的S-function进行程序编写，其余模块则是使用Matlab/Simulink模块库自带的模块；使用Matlab/Simulink软件搭建的FOC控制系统的具体如下：
逆变器模块和永磁同步电机PMSM模块连接来驱动永磁同步电机PMSM模块运行，电流传感器模块设于逆变器和永磁同步电机PMSM模块之间采集逆变器输出到永磁同步电机PMSM模块的三相电流ia、ib、ic并输出到Clark变换模块进行运算；
Clark变换模块分别和Park变换模块、速度/位置传感器连接，将三相电流ia、ib、ic通过Clark变换模块得到的静止坐标系下的电流iα、iβ分别输入Park变换模块、速度/位置传感器中；
速度/位置传感器分别与转速环PI模块、Park变换模块、逆Park变换模块、永磁同步电机PMSM模块连接，从永磁同步电机PMSM模块采集永磁同步电机机械角速度ωm并计算得到电角速度ωe，输入转速环PI模块对永磁同步电机转速进行控制；从永磁同步电机PMSM模块采集永磁同步电机机械角度θm并计算得到电角度θe，分别输入Park变换模块、逆Park变换模块参与计算；
转速环PI模块将永磁同步电机电角速度ωe以及参考转速ωe_ref进行运算得到q轴电流参考值ig*，输入到q轴电流环PI模块；
Park变换模块分别与q轴电流环PI模块、d轴电流环PI模块连接；Park变换模块将静止坐标系下的电流iα、iβ以及速度/位置传感器得到的电角度θe输入进行运算转换为同步旋转坐标系下的电流id、iq；将id、iq分别输入到d轴电流环PI模块以及q轴电流环PI模块，完成永磁同步电机d、q轴电流控制；
q轴电流环PI模块将q轴电流参考值iq*和iq进行运算得到uq，d轴电流环PI模块将输入的参考电流id_ref和id进行运算得到ud；
逆Park变换模块分别与q轴电流环PI模块、d轴电流环PI模块、SVPWM模块连接，将分别从q轴电流环PI模块和d轴电流环PI模块得到的uq、ud以及速度/位置传感器得到的电角度θe输入进行运算，得到静止坐标系下的电压uα、uβ并输入SVPWM模块；
SVPWM模块和逆变器模块连接，用于将静止坐标系下的电压uα、uβ输入到SVPWM模块运算，得到六路逆变器开关输出信号以及三相电压ua、ub、uc，并输入到逆变器模块；
WOA-BPNN参数辨识模块与Park变换模块、d轴电流环PI模块、q轴电流环PI模块以及速度/位置传感器模块连接，将id、iq、ud、uq、ωe输入WOA-BPNN参数辨识模块中，计算输出永磁同步电机的线电阻Rs、d轴电感Ld、q轴电感Lq以及磁链ψf。
通过逆Park变换将同步旋转坐标系下的电压ud、uq转化为静止坐标系下的电压uα、uβ，具体方法为：
uα＝uacosθe-uqsinθe
uβ＝udsinθe+uqcosθe。
(2)采集电机运行信号：通过电流传感器检测永磁同步电机的三相电流ia、ib、ic；通过转速传感器检测电机的机械角速度ωm，通过计算得到电机电角速度ωe；通过位置传感器检测电机机械角度θm，通过计算得到电机电角度θe；
转速传感器检测电机的机械角速度ωm，并通过计算得到的电机电角速度ωe的具体方法为：
ωe＝p*ωm
位置传感器检测电机机械角度θm，并通过计算得到的电机电角度θe，其具体方法为：
θe＝p*θm
其中，p表示极对数。
(3)坐标变换：将步骤(2)得到的电机的三相电流ia、ib、ic通过Clarke变换转化为静止坐标系下的电流iα、iβ，再通过Park变换转化为同步旋转坐标系下的电流id、iq；
将电机的三相电流ia、ib、ic通过Clarke变换转化为静止坐标系下的电流iα、iβ的具体方法为：
将静止坐标系下的电流iα、iβ通过Park变换转化为同步旋转坐标系下的电流id、iq的具体方法为：
id＝iαcosθe+iβsinθe
iq＝-iαsinθe+iβcosθe。
(4)PI控制：使用Matlab/Simulink中的PID模块搭建转速环PI模块、d轴电流环PI模块以及q轴电流环PI模块；将步骤(2)得到的电角速度ωe和参考转速ωe_ref输入转速环PI模块，转速环PI模块输出q轴电流参考值至q轴电流环PI模块；将参考电流id_ref输入d轴电流环PI模块，同时将步骤(3)得到的同步旋转坐标系下的电流id、iq分别输入d轴电流环PI模块以及q轴电流环PI模块进行计算，d轴电流环PI模块以及q轴电流环PI模块分别输出d轴电压ud和q轴电压uq；
(5)鲸鱼优化算法优化反向传播神经网络训练：鲸鱼优化算法优化反向传播神经网络WOA-BPNN，由输入层、隐含层及输出层构成，将步骤(3)所得到的d、q轴电流id、iq、步骤(4)得到的d、q轴电压ud、uq以及步骤(2)得到的电机电角速度ωe作为WOA-BPNN的输入，将步骤(1)中所述的已知参数的永磁同步电机参数作为输出，进行训练，获得用于永磁同步电机参数辨识的鲸鱼优化算法优化反向传播神经网络；其中鲸鱼优化算法的参数设置如下：
A、使用鲸鱼优化算法搜索神经网络训练结果偏差最小的值，并输出神经网络在该偏差下的初始权值j0和阈值k0，设置鲸鱼优化算法的自变量维度等于1，设置种群规模设置为30，最大迭代次数设置为20次；
B、设置概率p1＝0.5为种群会按当前最优值继续寻优，设置概率p2＝0.5为种群会从头开始寻优；
C、设置鲸鱼优化算法的停止条件为寻优得到的神经网络训练误差小于等于5％或迭代达到最大迭代次数，当满足停止条件时，鲸鱼优化算法停止工作，将得到的神经网络训练结果偏差最小的值对应的初始权值j0和阈值k0赋予反向传播神经网络作为初始权值和阈值进行训练；
反向传播神经网络的参数设置如下：
A、反向传播神经网络的输入数据集为{id、iq、ud、uq、ωe}，因此设置反向传播神经网络的输入数为5；输出数据集为{Rs、Ld、Lq、ψf}，因此设置输出数为4；
B、反向传播神经网络的隐含层数量设置为1层，隐含层神经元数量选择6个。
(6)实现电机参数识别：将未知参数的永磁同步电机使用FOC控制系统控制运行，重复步骤(2)、步骤(3)和步骤(4)，将得到的数据id、iq、ud、ug、ωe输入至步骤(5)得出的鲸鱼优化算法优化BP神经网络中，输出永磁同步电机PMSM的线电阻Rs、d轴电感Ld、q轴电感Lq以及磁链ψf。
为了验证本发明所提出的一种基于鲸鱼优化算法优化反向传播神经网络的永磁同步电机参数辨识方法的鲁棒性，所有实施例在运行的前两秒的id_ref＝0，后两秒的id_ref＝-2A；此外，所有实施例为验证本发明所述的参数辨识方法应对电机参数发生变化时的可靠性，设置电机参数随时间遵循二次函数变化，其中线电阻Rs由初始值0.958Ω，逐渐上升至1.115Ω；d轴电感Ld由初始值0.00525H，逐渐上升至0.00628H；q轴电感Lq由初始值0.012H，逐渐上升至0.0144H；磁链ψf由初始值0.1827Wb，逐渐下降至0.1644H；此外，电机转动惯量J＝0.003kg·m2，阻尼系数B＝0.008，极对数p＝4；所有实施例的工况都设置为转速700r/min，负载转矩7N/m。结果图如图3a、3b、4a、4b、5a、5b、6a、6b所示。
为兼顾辨识的速度和精度，本实施例中，输入数据集{id、iq、ud、uq、ωe}中的每个元素进行了随机采样，共采样1000个数据，取600个数据进行WOA-BPNN训练，剩下400个数据作为测试。
从附图3a、3b、4a、4b、5a、5b、6a、6b中可以看出，WOA-BPNN方法的辨识效果相较于反向传播神经网络(BPNN)法精度更高，辨识过程中波动更小，在辨识初期就有较好的辨识效果，并且在电流发生突变时，产生的辨识波动也远小于BPNN法，因此可以验证本发明提出的一种基于鲸鱼优化算法优化BP神经网络的永磁同步电机参数辨识方法，辨识精度高，辨识系统的鲁棒性好。

Claims (9)

1.一种高精度的永磁同步电机参数辨识方法，其特征在于：具体包括以下步骤：
(1)搭建FOC控制系统控制已知参数永磁同步电机运行：根据永磁同步电机foc矢量控制方法搭建FOC控制系统，并控制电机在小于本电机最大转矩、最大转速的工况下运行；
(2)采集电机运行信号：通过电流传感器检测永磁同步电机的三相电流ia、ib、ic；通过转速传感器检测电机的机械角速度ωm，通过计算得到电机电角速度ωe；通过位置传感器检测电机机械角度θm，通过计算得到电机电角度θe；
(3)坐标变换：将步骤(2)得到的电机的三相电流ia、ib、ic通过Clarke变换转化为静止坐标系下的电流iα、iβ，再通过Park变换转化为同步旋转坐标系下的电流id、iq；
(4)PI控制：将步骤(2)得到的电角速度ωe和参考转速ωe_ref输入转速环PI模块，转速环PI模块输出q轴电流参考值至q轴电流环PI模块；将参考电流id_ref输入d轴电流环PI模块，同时将步骤(3)得到的同步旋转坐标系下的电流id、iq分别输入d轴电流环PI模块以及q轴电流环PI模块进行计算，d轴电流环PI模块以及q轴电流环PI模块分别输出d轴电压ud和q轴电压uq；
(5)鲸鱼优化算法优化反向传播神经网络训练：鲸鱼优化算法优化反向传播神经网络WOA-BPNN，由输入层、隐含层及输出层构成，将步骤(3)所得到的d、q轴电流id、iq、步骤(4)得到的d、q轴电压ud、uq以及步骤(2)得到的电机电角速度ωe作为WOA-BPNN的输入，将步骤(1)中所述的已知参数的永磁同步电机参数作为输出，进行训练，获得用于永磁同步电机参数辨识的鲸鱼优化算法优化反向传播神经网络；
(6)实现电机参数识别：将未知参数的永磁同步电机使用FOC控制系统控制运行，重复步骤(2)、步骤(3)和步骤(4)，将得到的数据id、iq、ud、uq、ωe输入至步骤(5)得出的鲸鱼优化算法优化BP神经网络中，输出永磁同步电机PMSM的各项参数。
2.根据权利要求1所述的一种高精度的永磁同步电机参数辨识方法，其特征在于：所述步骤(1)中根据永磁同步电机foc矢量控制方法搭建FOC控制系统包括转速环PI模块、q轴电流环PI模块、d轴电流环PI模块、Clarke变换模块、Park变换模块，SVPWM模块、逆Park变换模块，逆变器、永磁同步电机PMSM模块、电流传感器、速度/位置传感器、WOA-BPNN参数辨识模块；还包括需要给定转速环PI模块的参考转速ωe_ref以及d轴电流环PI模块的参考电流id_ref；
所述逆变器和永磁同步电机PMSM模块连接来驱动永磁同步电机PMSM模块运行，所述电流传感器模块设于逆变器和永磁同步电机PMSM模块之间来采集逆变器输出到永磁同步电机PMSM模块的三相电流ia、ib、ic并输出到Clark变换模块进行运算；
所述Clark变换模块分别和Park变换模块、速度/位置传感器连接，用于将三相电流ia、ib、ic通过Clark变换模块得到的静止坐标系下的电流iα、iβ分别输入Park变换模块、速度/位置传感器中；
所述速度/位置传感器分别与转速环PI模块、Park变换模块、逆Park变换模块、永磁同步电机PMSM模块连接，从永磁同步电机PMSM模块采集永磁同步电机机械角速度ωm并计算得到电角速度ωe，输入转速环PI模块对永磁同步电机转速进行控制；从永磁同步电机PMSM模块采集永磁同步电机机械角度θm并计算得到电角度θe，分别输入Park变换模块、逆Park变换模块参与计算；
所述转速环PI模块将永磁同步电机电角速度ωe以及参考转速ωe_ref进行运算得到q轴电流参考值iq*，输入到q轴电流环PI模块；
所述Park变换模块分别与q轴电流环PI模块、d轴电流环PI模块连接；所述Park变换模块将静止坐标系下的电流iα、iβ以及速度/位置传感器得到的电角度θe输入进行运算转换为同步旋转坐标系下的电流id、iq；将id、iq分别输入到d轴电流环PI模块以及q轴电流环PI模块，完成永磁同步电机d、q轴电流控制；
所述q轴电流环PI模块将q轴电流参考值iq*以及iq进行运算得到uq，所述d轴电流环PI模块将输入的参考电流id_ref以及id进行运算得到ud；
所述逆Park变换模块分别与q轴电流环PI模块、d轴电流环PI模块、SVPWM模块连接，用于将分别从q轴电流环PI模块和d轴电流环PI模块得到的uq、ud以及速度/位置传感器得到的电角度θe输入进行运算，得到静止坐标系下的电压uα、uB并输入SVPWM模块；
所述SVPWM模块和逆变器模块连接，用于将静止坐标系下的电压uα、uβ输入到SVPWM模块运算，得到六路逆变器开关输出信号以及三相电压ua、ub、uc，并输入到逆变器模块；
所述WOA-BPNN参数辨识模块与Park变换模块、d轴电流环PI模块、q轴电流环PI模块以及速度/位置传感器模块连接，将id、iq、ud、uq、ωe输入WOA-BPNN参数辨识模块中，计算输出永磁同步电机的线电阻Rs、d轴电感Ld、q轴电感Lq以及磁链ψf。
3.根据权利要求2所述的一种高精度的永磁同步电机参数辨识方法，其特征在于：所述逆Park变换描述如下：
通过逆Park变换将同步旋转坐标系下的电压ud、uq转化为静止坐标系下的电压uα、uβ，具体方法为：
uα＝udcosθe-uqsinθe
uβ＝udsinθe+uqcosθe。
4.根据权利要求1所述的一种高精度的永磁同步电机参数辨识方法，其特征在于：所述步骤(1)中已知参数的永磁同步电机所需要已知的参数包括同步旋转坐标系下的d轴电感Ld、q轴电感Lq、永磁同步电机极对数p、永磁同步电机线电阻Rs、永磁同步电机磁链ψf、永磁同步电机的转动惯量J、阻尼系数B。
5.根据权利要求1所述的一种高精度的永磁同步电机参数辨识方法，其特征在于：所述步骤(2)中由转速传感器检测电机的机械角速度ωm，并通过计算得到的电机电角速度ωe的具体方法为：
ωe＝p*ωm
通过位置传感器检测电机机械角度θm，并通过计算得到的电机电角度θe，其具体方法为：
θe＝p*θm
其中，p表示极对数。
6.根据权利要求1所述的一种高精度的永磁同步电机参数辨识方法，其特征在于：所述步骤(3)中，Clarke变换、Park变换描述如下：
将电机的三相电流ia、ib、ic通过Clarke变换转化为静止坐标系下的电流iα、iβ的具体方法为：
将静止坐标系下的电流iα、iβ通过Park变换转化为同步旋转坐标系下的电流id、iq的具体方法为：
id＝iαcosθe+iβsinθe
iq＝-iαsinθe+iβcosθe。
7.根据权利要求1所述的一种高精度的永磁同步电机参数辨识方法，其特征在于：所述步骤(5)中，鲸鱼优化算法优化反向传播神经网络训练，鲸鱼优化算法的参数设置如下：
A、鲸鱼优化算法在于找到神经网络训练结果偏差最小的值，并输出神经网络在该偏差下的初始权值j0和阈值k0，自变量数量为1，则设置鲸鱼优化算法的自变量维度等于1，鲸鱼优化算法种群规模为N，最大迭代次数设置为T次；
B、设置概率p1＝0.5为种群会按当前最优值继续寻优，设置概率p2＝0.5为种群会从头开始寻优；
C、设置鲸鱼优化算法的停止条件为寻优得到的神经网络训练误差小于等于5％或迭代达到最大迭代次数，当满足停止条件时，鲸鱼优化算法停止工作，将得到的神经网络训练结果偏差最小的值对应的初始权值j0和阈值k0赋予反向传播神经网络作为初始权值和阈值进行训练。
8.根据权利要求1所述的一种高精度的永磁同步电机参数辨识方法，其特征在于：所述步骤(5)中，鲸鱼优化算法优化反向传播神经网络训练，反向传播神经网络的参数设置如下：
A、反向传播神经网络的输入数据集为{id、iq、ud、uq、ωe}，则设置反向传播神经网络的输入数为5；输出数据集为{Rs、Ld、Lq、ψf}，则设置输出数为4；
B、反向传播神经网络的隐含层数量选择m层，隐含层神经元数量根据经验及实践确定为n个。
9.根据权利要求1所述的一种高精度的永磁同步电机参数辨识方法，其特征在于：所述步骤(6)中，输出未知参数的永磁同步电机各项参数，具体可输出的参数包括：永磁同步电机线电阻Rs、d轴电感Ld、q轴电感Lq以及磁链ψf。
CN202111481369.5A 2021-12-09 2021-12-09 一种高精度的永磁同步电机参数辨识方法 Active CN114977920B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111481369.5A CN114977920B (zh) 2021-12-09 2021-12-09 一种高精度的永磁同步电机参数辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111481369.5A CN114977920B (zh) 2021-12-09 2021-12-09 一种高精度的永磁同步电机参数辨识方法

Publications (2)

Publication Number Publication Date
CN114977920A CN114977920A (zh) 2022-08-30
CN114977920B true CN114977920B (zh) 2024-06-28

Family

ID=82975016

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111481369.5A Active CN114977920B (zh) 2021-12-09 2021-12-09 一种高精度的永磁同步电机参数辨识方法

Country Status (1)

Country Link
CN (1) CN114977920B (zh)

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113014170B (zh) * 2021-04-21 2022-08-12 昆明理工大学 一种基于鲸鱼优化算法的永磁同步电机最小损耗控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"A Thermal-Aware Digital Twin Model of Permanent Magnet Synchronous Motors (PMSM) Based on BP Neural Networks";Li, H等;《2022 IEEE INTERNATIONAL CONFERENCE ON TRUST, SECURITY AND PRIVACY IN COMPUTING AND COMMUNICATIONS》;20230320;第1099-1106页 *

Also Published As

Publication number Publication date
CN114977920A (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN108092567B (zh) 一种永磁同步电动机转速控制系统及方法
CN111711396B (zh) 基于分数阶滑模控制器的电机速度环控制参数的整定方法
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
CN109495048A (zh) 基于mrac观测器的永磁同步电机无速度传感器控制方法
CN106788046B (zh) 永磁同步电机命令滤波有限时间模糊控制方法
CN114915225A (zh) 一种基于优化bp神经网络的永磁同步电机参数辨识方法
CN109194225B (zh) 一种双馈电机参数在线辨识方法
CN113014170B (zh) 一种基于鲸鱼优化算法的永磁同步电机最小损耗控制方法
CN104393814B (zh) 一种永磁同步电机控制方法
CN109347382B (zh) 一种永磁直驱风力发电机的转子位置估计方法
CN109639200B (zh) 一种基于电机负载转矩检测的转动惯量在线辨识方法
Ting et al. Nonlinear backstepping control of SynRM drive systems using reformed recurrent Hermite polynomial neural networks with adaptive law and error estimated law
CN102611380A (zh) 一种双馈电机参数在线辨识方法
CN106330043A (zh) 永磁同步电动机的控制方法及控制装置
CN109946978A (zh) 一种考虑延时环节的伺服系统分数阶模型辨识方法
CN107294448B (zh) 一种基于命令滤波的异步电机模糊离散控制方法
Bohari et al. Speed tracking of indirect field oriented control induction motor using neural network
CN114977920B (zh) 一种高精度的永磁同步电机参数辨识方法
CN103337997B (zh) 一种电动汽车用永磁同步电机矢量控制系统及方法
CN106130425A (zh) 混合动力车用开关磁阻bsg系统智能控制器的构造方法
CN111030543B (zh) 直流变频空调压缩机的零速闭环启动方法
CN115085608A (zh) 一种基于永磁同步电机的mtpa控制方法
Sergaki Motor flux minimization controller based on fuzzy logic control for DTC AC drives
CN103346710B (zh) 一种电动汽车用永磁同步电机直接转矩控制系统及方法
CN111082711A (zh) 一种无刷直流电机反步法控制方法及系统

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