CN115085614A - 一种基于高斯过程的永磁同步电机模型预测控制系统、控制方法及永磁同步电机 - Google Patents

一种基于高斯过程的永磁同步电机模型预测控制系统、控制方法及永磁同步电机 Download PDF

Info

Publication number
CN115085614A
CN115085614A CN202210831041.XA CN202210831041A CN115085614A CN 115085614 A CN115085614 A CN 115085614A CN 202210831041 A CN202210831041 A CN 202210831041A CN 115085614 A CN115085614 A CN 115085614A
Authority
CN
China
Prior art keywords
current
gaussian process
permanent magnet
magnet synchronous
model
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
CN202210831041.XA
Other languages
English (en)
Inventor
邓永停
魏宗恩
王建立
李洪文
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.)
Changchun Institute of Optics Fine Mechanics and Physics of CAS
Original Assignee
Changchun Institute of Optics Fine Mechanics and Physics of CAS
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 Changchun Institute of Optics Fine Mechanics and Physics of CAS filed Critical Changchun Institute of Optics Fine Mechanics and Physics of CAS
Priority to CN202210831041.XA priority Critical patent/CN115085614A/zh
Publication of CN115085614A publication Critical patent/CN115085614A/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
    • 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
    • H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust 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
    • H02P21/22—Current control, e.g. using a current control loop
    • 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
    • H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
    • H02P23/0004—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust 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
    • H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
    • H02P23/14—Estimation or adaptation of motor parameters, e.g. rotor time constant, flux, speed, 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
    • H02P6/00—Arrangements for controlling synchronous motors or other dynamo-electric motors using electronic commutation dependent on the rotor position; Electronic commutators therefor
    • H02P6/34—Modelling or simulation for control purposes
    • 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)
  • Control Of Ac Motors In General (AREA)

Abstract

本发明公开了一种基于高斯过程的永磁同步电机模型预测控制系统，其包括：速度控制器，电流模型预测控制器，电流检测模块，失配检测模块以及高斯过程参数优化模块。其中高斯过程参数优化模块，对失配检测模块输入的检测数据进行系统参数的预测，并将预测结果输入至所述电流模型预测控制器中更新已失配的参数。本发明还公开了一种基于高斯过程的永磁同步电机模型预测控制系统的控制方法以及永磁同步电机。

Description

一种基于高斯过程的永磁同步电机模型预测控制系统、控制 方法及永磁同步电机
技术领域
本发明涉及电机控制技术领域，特别涉及一种基于高斯过程的永磁同步电机模型预测控制系统、控制方法及永磁同步电机。
背景技术
电机参数对电机的精确控制有着决定性的作用，因此在当前电机控制系统中需要对电机参数进行准确估计。参数的准确程度决定了系统控制的效果。电机在运行过程中，由于外界的干扰和温度等环境的长时间作用等，可能导致电机参数实时变化，与初始值有所不同，因此需要采取一定的技术手段对这些变化的参数进行预测和优化控制，以保证电机的有效运转。
在基于模型预测控制策略中，过程模型起着重要的作用。然而在实际应用中，由于系统存在不确定性，模型与实际系统的不匹配是不可避免的，这造成了模型失配。在电机控制领域，模型失配会导致转矩脉动等一系列问题。对于模型预测电流控制来说，一个直观的表现就是电流控制效果欠佳。因此，精确地估计电机的参数对于减弱模型失配的影响是非常必要的。
目前，已有大量的永磁同步电机参数估计相关文献，这些技术通常分为离线估计方法和在线估计方法。离线估计方法又分为频域和时域方法。此外，模拟解析方法，特别是有限元分析，也被归类为离线参数估计技术。在线评估方法分为数值方法、基于观测器的方法和基于机器学习的方法。
发明内容
本发明旨在克服现有技术存在的缺陷，本发明采用以下技术方案：
一方面，本发明提供了一种基于高斯过程的永磁同步电机模型预测控制系统。该基于高斯过程的永磁同步电机模型预测控制系统包括：速度控制器，电流模型预测控制器，电流检测模块，失配检测模块以及高斯过程参数优化模块；
所述速度控制器，用于对电机进行速度控制，并产生电流参考值；
所述电流模型预测控制器，用于对电流进行跟踪，并选择电压矢量；
所述电流检测模块，用于对电流进行检测，产生电流检测数据；
所述失配检测模块，用于根据所述电流检测数据判断系统是否失配，若判断系统未失配则系统继续正常运行，若判断系统失配则将所述电流检测数据作为所述高斯过程参数优化模块的输入进行系统参数的预测；
所述高斯过程参数优化模块，用于对所述失配检测模块输入的所述检测数据进行系统参数的预测，并将预测结果输入至所述电流模型预测控制器中更新已失配的参数。
在一些实施例中，所述电流模型预测控制器，选择的电压矢量是能使代价函数最小化的电压矢量，所述电压矢量应用于整个电流采样周期。
在一些实施例中，所述高斯过程参数优化模块对所述失配检测模块输入的所述检测数据进行系统参数的预测，具体包括：
设定预测电流控制模型，并基于所述预测电流控制模型来获取进行高斯过程回归的训练数据和测试数据；
基于所述训练数据和测试数据进行训练获得高斯过程模型；
设定系统参数在线失配检测机制并通过所述高斯过程模型进行系统参数的预测。
在一些实施例中，所述控制系统还包括：数据预处理模块；
所述数据预处理模块，接收所述电流检测模块产生的所述电流检测数据，
进行数据预处理输出为电流波动度和电流偏移度，并所述电流波动度和电流偏移度输出至所述失配检测模块。
在一些实施例中，所述失配检测模块通过对输入和输出数据进行系统失配状态的判断，若电流波动度或电流偏移度超过预定阈值，判断系统失配，否则判断系统未失配。
在一些实施例中，当所述失配检测模块判断为失配时，所述高斯过程参数优化模块将电流波动度和电流偏移度作为高斯过程参数优化模块的输入来预测更新系统参数，得到系统参数作为模型预测控制器的更新标称值，系统继续运行；
当所述失配检测模块判断为系统未失配时，系统继续以所述电流模型预测控制器的原始标称值运行。
在一些实施例中，所述电流波动度的预定阈值为1.5；所述电流偏移度的预定阈值为0.7。
在一些实施例中，所述速度控制器为速度PI控制器。
第二方面，本发明还提供了一种基于高斯过程的永磁同步电机模型预测控制系统的控制方法，所述控制系统为如前所述的基于高斯过程的永磁同步电机模型预测控制系统，所述控制方法包括步骤：
S1,控制所述速度控制器产生电流参考值；
S2,所述电流模型预测控制器对电流进行跟踪，并选择电压矢量；
S3,所述电流检测模块对电流进行检测，产生电流检测数据；
S4,所述失配检测模块根据所述电流检测数据判断系统是否失配，若判断系统未失配则系统继续正常运行，若判断系统失配则将所述电流检测数据作为所述高斯过程参数优化模块的输入进行系统参数的预测；
S5,所述高斯过程参数优化模块对所述失配检测模块输入的所述检测数据进行系统参数的预测，并将预测结果输入至所述电流模型预测控制器中更新已失配的参数。
第三方面，本发明还提供了一种永磁同步电机，其包括如前所述的基于高斯过程的永磁同步电机模型预测控制系统。
本发明的技术效果：本发明公开的基于高斯过程的永磁同步电机模型预测控制系统和控制方法以及永磁同步电机，通过速度控制器，电流模型预测控制器，电流检测模块，失配检测模块以及高斯过程参数优化模块之间的配合可实现电机的在线系统参数的优化控制。该基于高斯过程的永磁同步电机模型预测控制系统通过高斯过程参数优化模块在电机参数波动的情况下，实现永磁同步电机电流环的稳定控制。本发明相对于传统的模型预测电流控制，通过失配检测模块与控制系统的整体配合增加了控制的稳定性，克服了系统模型失配问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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。
图1为根据本发明一个实施例的一种基于高斯过程的永磁同步电机模型预测控制系统的结构原理示意图；
图2为根据本发明一个实施例的标称值不同条件下参数预测曲线；
图3为根据本发明一个实施例的标称值不同条件下预测方差曲线；
图4为根据本发明一个实施例的标称值相同条件下参数预测曲线；
图5为根据本发明一个实施例的标称值相同条件下预测方差曲线；
图6为根据本发明一个实施例的标称值相同条件下高斯过程回归曲线；
图7为根据本发明一个实施例的基于高斯过程的系统参数在线失配检测机制；
图8为根据本发明一个实施例的电流波动度超过阈值时FCS-MPC电流曲线；
图9为根据本发明一个实施例的电流波动度超过阈值时GP-MPC电流曲线；
图10为根据本发明一个实施例的电流偏移度超过阈值时FCS-MPC的电流曲线；
图11为根据本发明一个实施例的电流偏移度超过阈值GP-MPC的电流曲线；
图12为根据本发明一个实施例的一种基于高斯过程的永磁同步电机模型预测控制方法流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，而不构成对本发明的限制。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
以下将结合附图所示的各实施方式对本发明进行详细描述。但该等实施方式并不限制本发明，本领域的普通技术人员根据该等实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
高斯过程是一种新型机器学习方法，其泛化能力较强，与神经网络、支持向量机相比，高斯过程具有更容易实现、超参数自适应获取、非参数推断灵活以及输出具有概率意义等特点。
基于上述优点，本发明实施例提供了一种基于高斯过程的基于高斯过程的永磁同步电机模型预测控制系统，该控制系统的结构原理框图参考图1所示。
该基于高斯过程的永磁同步电机模型预测控制系统包括：速度控制器，电流模型预测控制器，电流检测模块，失配检测模块以及高斯过程参数优化模块；
所述速度控制器，用于对电机进行速度控制，并产生电流参考值；
所述电流模型预测控制器，用于对电流进行跟踪，并选择电压矢量；
所述电流检测模块，用于对电流进行检测，产生电流检测数据；
所述失配检测模块，用于根据所述电流检测数据判断系统是否失配，若判断系统未失配则系统继续正常运行，若判断系统失配则将所述电流检测数据作为所述高斯过程参数优化模块的输入进行系统参数的预测；
所述高斯过程参数优化模块，用于对所述失配检测模块输入的所述检测数据进行系统参数的预测，并将预测结果输入至所述电流模型预测控制器中更新已失配的参数。
在一些实施例中，所述电流模型预测控制器，选择的电压矢量是能使代价函数最小化的电压矢量，所述电压矢量应用于整个电流采样周期。
在一些实施例中，所述高斯过程参数优化模块对所述失配检测模块输入的所述检测数据进行系统参数的预测，具体包括：
设定预测电流控制模型，并基于所述预测电流控制模型来获取进行高斯过程回归的训练数据和测试数据；
基于所述训练数据和测试数据进行训练获得高斯过程模型；
设定系统参数在线失配检测机制并通过所述高斯过程模型进行系统参数的预测。
在一些实施例中，所述控制系统还包括：数据预处理模块；
所述数据预处理模块，接收所述电流检测模块产生的所述电流检测数据，
进行数据预处理输出为电流波动度和电流偏移度，并所述电流波动度和电流偏移度输出至所述失配检测模块。
在一些实施例中，所述失配检测模块通过对输入和输出数据进行系统失配状态的判断，若电流波动度或电流偏移度超过预定阈值，判断系统失配，否则判断系统未失配。
在一些实施例中，当所述失配检测模块判断为失配时，所述高斯过程参数优化模块将电流波动度和电流偏移度作为高斯过程参数优化模块的输入来预测更新系统参数，得到系统参数作为模型预测控制器的更新标称值，系统继续运行；
当所述失配检测模块判断为系统未失配时，系统继续以所述电流模型预测控制器的原始标称值运行。
在一些实施例中，所述电流波动度的预定阈值为1.5；所述电流偏移度的预定阈值为0.7。
在一些实施例中，所述速度控制器为速度PI控制器。
下面主要对所述高斯过程参数优化模块对所述失配检测模块输入的所述检测数据进行系统参数的预测的具体情况进行说明，其具体包括：
1.设定预测电流控制模型，并基于所述预测电流控制模型来获取进行高斯过程回归的训练数据和测试数据；
2.基于所述训练数据和测试数据进行训练获得高斯过程模型；
3.设定系统参数在线失配检测机制并通过所述高斯过程模型进行系统参数的预测。
其中，1.设定预测电流控制模型，并基于所述预测电流控制模型来获取进行高斯过程回归的训练数据和测试数据可以详细阐述如下：
基于高斯过程的永磁同步电机模型预测控制系统模型是通过有限集模型预测电流控制模型进行设计的，有限集MPC电流控制器需要下面的电流模型来预测电机的动态：
Figure BDA0003748385770000101
其中vd和id分别为d轴电压和电流，vq和iq分别为q轴电压和电流，Rs为定子电阻，Ld和Lq分别为d轴和q轴电感，ψm为定子磁链，wr为电机的角速度。
采用欧拉法进行离散化：
Figure BDA0003748385770000102
其中Ts为采样时间，i[k+1]为k+1时刻的电流值，i[k]为k时刻的电流值。
预测定子电流表达式可从表达式(1)和(2)得到：
Figure BDA0003748385770000103
上述表达式可以对逆变器所产生的7个电压矢量中每个矢量的定子电流进行预测。电流模型预测控制器将对该电流进行跟踪，选择能够使代价函数最小化的电压矢量作为控制信号，并将其应用于下一个周期。设计的代价函数CFn的表达式为：
Figure BDA0003748385770000104
其中，
Figure BDA0003748385770000105
和
Figure BDA0003748385770000106
分别表示d轴和q轴电流参考值，V0～V6表示逆变器所产生的7个电压矢量。
理想情况下，电机参数不存在模型失配，那么表达式(3)和(4)所述的预测控制策略是有效的，但实际情况下，电机参数未知或者并不准确。
当电机参数不准确时，预测电流控制模型的电机参数和实际的电机参数必然产生失配。因此，我们将电机模型失配程度和电流表现的量化值进行数据预处理，并以此数据为基础进行高斯过程回归的训练和测试。
以表贴式永磁同步电机的d轴和q轴电感为例，当电机实际参数低于电感标称值时，随着失配程度的增加，q轴电流的波动越来越大。当电机实际参数高于电感标称值，随着失配程度的增加，电流波动程度变小，但是q轴电流相较于电流参考值的偏移程度越来越大。
电流偏移度和电流波动度即为电流表现的量化值，此量化值数据通过模型预测电流控制模型获取。经上述分析，电流偏移度、电流波动度与模型失配程度存在某种函数关系，在此函数关系已知的条件下可得模型失配程度，模型失配程度即参数标称值对实际参数值的偏移量，而参数标称值已知，因此可得系统实际参数值。而函数关系的获取，需要进行高斯过程回归模型的训练。
其中，2.基于所述训练数据和测试数据进行训练获得高斯过程模型，可以详细阐述如下：
在该步骤中，主要通过系统数据进行高斯过程模型回归。此高斯过程回归模型一个多输入单输出的模型，假设以电感的标称值γ、电流波动度α和电流偏移度β作为模型输入，实际电感参数y为模型输出，训练数据集D包含n个样本如下：
Figure BDA0003748385770000121
y*,z*＝(α*,β*,γ*)表示测试数据，因此，训练样本与一个测试点的联合分布为：
Figure BDA0003748385770000122
其中z为训练样本的向量，服从均值向量μ1、协方差矩阵K的高斯分布。测试数据z*服从均值向量μ2、协方差矩阵K**的高斯分布。
并且K、K*和K**满足如下条件：
Figure BDA0003748385770000123
上述协方差矩阵用以下核函数进行计算：
Figure BDA0003748385770000124
其中σf，α，i为超参数。
本实施例中高斯过程模型的均值函数为常数均值函数，似然函数为高斯似然。利用高斯分布的条件分布性质可得预测核心公式：
Figure BDA0003748385770000125
其中，μz*|z为预测均值，Kz*|z为预测方差。
在上述设计的高斯过程算法基础下用训练数据进行在线训练，并通过测试数据进行预测精度分析。
图2为随机十组数据预测值和真实值的对比，图3则为这十组数据的预测精度，通过数据分析预测方差，精度可以达到10-3。
为了更加直观地展示回归曲线，测试电机电感标称值在0.01条件下的十组数据，参数预测值和真实值的对比如图4所示，这十组数据的预测精度见图5，由图4和图5可知，这一组测试的预测方差达到10-4。图7为上述条件下高斯过程回归曲线的三维示意图，圆圈代表测试的真实值，深灰色曲线即回归曲线，两条浅灰色曲线的中间部分则代表预测值置信度95％之上的区间。从概率的角度而言，得到该预测值的概率在95％以上。
通过上述分析，电机参数预测精度完全满足模型精度要求，高斯过程模型训练初步完成；为了进一步提高效率，高斯过程模型参数优化模块还需要一个启动机制，即系统参数在线失配检测机制。
其中，3.设定系统参数在线失配检测机制并通过所述高斯过程模型进行系统参数的预测，可以详细阐述如下：
根据电流波动来判断电机参数失配情况，而此电流波动的量化数据同时也是高斯过程回归算法的输入，因此在线失配检测和在线参数优化可以同时嵌入到控制系统中。
基于高斯过程的系统参数在线失配检测机制如图7所示。系统运行的过程中，实时进行电流检测，检测结果作为数据预处理算法的输入，数据预处理输出为电流波动度和电流偏移度。通过输入和输出数据进行系统失配状态的判断，电流波动度B超过1.5或电流偏移度P超过70％，系统判断失配，否则系统判断未失配。
当判断为系统失配时，将电流波动度和电流偏移度作为高斯过程参数优化模块的输入来预测更新系统参数，得到系统参数作为模型预测控制器的更新标称值，系统继续运行。当判断为系统未失配时，系统继续以电流模型预测控制器原始标称值运行。
此失配检测机制为闭环机制，在控制系统运行过程中，此检测机制同步运行，不间断监测系统的失配状态。然而，高斯过程参数优化模块不是一直运行的，只有当系统检测到失配信号时才会启动，因此失配检测机制为整个系统减小了50％的算力，从而提高了在线运行效率。
为了验证本发明提出的基于高斯过程的参数优化控制效果。在电感标称值为0.01，电机实际参数在0.005～0.05随机波动的情况下，通过对有限集模型预测电流控制策略和本专利提出的控制策略进行对比。图8和图10为有限集模型预测控制(FCS-MPC)的q轴电流曲线，在电机实际参数不断变化情况下，随着失配程度的增加，电流波动逐渐增大，无法满足控制性能要求。图9和图11为基于高斯过程的模型预测控制(GP-MPC)的q轴电流曲线，失配程度到达预定阈值时，系统参数及时调整优化，电流数据曲线保持稳定。
第二方面，本发明还提供了一种基于高斯过程的永磁同步电机模型预测控制系统的控制方法，所述控制系统为如前所述的基于高斯过程的永磁同步电机模型预测控制系统。参考图12所示，所述控制方法包括步骤：
S1,控制所述速度控制器产生电流参考值；
S2,所述电流模型预测控制器对电流进行跟踪，并选择电压矢量；
S3,所述电流检测模块对电流进行检测，产生电流检测数据；
S4,所述失配检测模块根据所述电流检测数据判断系统是否失配，若判断系统未失配则系统继续正常运行，若判断系统失配则将所述电流检测数据作为所述高斯过程参数优化模块的输入进行系统参数的预测；
S5,所述高斯过程参数优化模块对所述失配检测模块输入的所述检测数据进行系统参数的预测，并将预测结果输入至所述电流模型预测控制器中更新已失配的参数。
第三方面，本发明还提供了一种永磁同步电机，其包括如前所述的基于高斯过程的永磁同步电机模型预测控制系统。
基于高斯过程的永磁同步电机模型预测控制系统的控制方法以及永磁同步电机的有益效果等，与上述基于高斯过程的永磁同步电机模型预测控制系统一致，在此不再赘述。
本发明实施例的有益效果：本发明实施例公开的基于高斯过程的永磁同步电机模型预测控制系统和控制方法以及永磁同步电机，通过速度控制器，电流模型预测控制器，电流检测模块，失配检测模块以及高斯过程参数优化模块之间的配合可实现电机的在线优化控制。该基于高斯过程的永磁同步电机模型预测控制系统通过将基于高斯过程的永磁同步电机模型预测控制系统模型的有限集模型预测控制器和高斯过程参数优化模块相结合，在电机参数波动的情况下，实现永磁同步电机电流环的稳定控制。本发明相对于传统的模型预测电流控制，通过失配检测模块与控制系统的整体配合增加了控制的稳定性，克服了系统模型失配问题。相对于其他参数优化算法，本发明高斯过程参数优化模块的高斯过程还提供了预测结果的置信度，通过此置信度可进行系统算法的监测及优化。此外，控制系统的高斯过程参数优化模块在工作过程中的高斯过程回归算法中，超参数的自适应获取也降低了算法的复杂度，增加了算法的实用性。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
在本发明的描述中，需要理解的是，本发明实施例中中提及的参数、变量以及程序名等符号均可替代成不至混淆的任何其他代号。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
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。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；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或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
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。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所作出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。

Claims (10)

1.一种基于高斯过程的永磁同步电机模型预测控制系统，其特征在于，包括：
速度控制器，电流模型预测控制器，电流检测模块，失配检测模块以及高斯过程参数优化模块；
所述速度控制器，用于对电机进行速度控制，并产生电流参考值；
所述电流模型预测控制器，用于对电流进行跟踪，并选择电压矢量；
所述电流检测模块，用于对电流进行检测，产生电流检测数据；
所述失配检测模块，用于根据所述电流检测数据判断系统是否失配，若判断系统未失配则系统继续正常运行，若判断系统失配则将所述电流检测数据作为所述高斯过程参数优化模块的输入进行系统参数的预测；
所述高斯过程参数优化模块，用于对所述失配检测模块输入的所述检测数据进行系统参数的预测，并将预测结果输入至所述电流模型预测控制器中更新已失配的参数。
2.根据权利要求1所述的基于高斯过程的永磁同步电机模型预测控制系统，其特征在于，
所述电流模型预测控制器，选择的电压矢量是能使代价函数最小化的电压矢量，所述电压矢量应用于整个电流采样周期。
3.根据权利要求1所述的基于高斯过程的永磁同步电机模型预测控制系统，其特征在于，
所述高斯过程参数优化模块对所述失配检测模块输入的所述检测数据进行系统参数的预测，具体包括：
设定预测电流控制模型，并基于所述预测电流控制模型来获取进行高斯过程回归的训练数据和测试数据；
基于所述训练数据和测试数据进行训练获得高斯过程模型；
设定系统参数在线失配检测机制并通过所述高斯过程模型进行系统参数的预测。
4.根据权利要求1所述的基于高斯过程的永磁同步电机模型预测控制系统，其特征在于，所述控制系统还包括：数据预处理模块；
所述数据预处理模块，接收所述电流检测模块产生的所述电流检测数据，进行数据预处理输出为电流波动度和电流偏移度，并所述电流波动度和电流偏移度输出至所述失配检测模块。
5.根据权利要求4所述的基于高斯过程的永磁同步电机模型预测控制系统，其特征在于，所述失配检测模块通过对输入和输出数据进行系统失配状态的判断，若电流波动度或电流偏移度超过预定阈值，判断系统失配，否则判断系统未失配。
6.根据权利要求5所述的基于高斯过程的永磁同步电机模型预测控制系统，其特征在于，
当所述失配检测模块判断为失配时，所述高斯过程参数优化模块将电流波动度和电流偏移度作为高斯过程参数优化模块的输入来预测更新系统参数，得到系统参数作为模型预测控制器的更新标称值，系统继续运行；
当所述失配检测模块判断为系统未失配时，系统继续以所述电流模型预测控制器的原始标称值运行。
7.根据权利要求5所述的基于高斯过程的永磁同步电机模型预测控制系统，其特征在于，所述电流波动度的预定阈值为1.5；所述电流偏移度的预定阈值为0.7。
8.根据权利要求1所述的基于高斯过程的永磁同步电机模型预测控制系统，其特征在于，所述速度控制器为速度PI控制器。
9.一种基于高斯过程的永磁同步电机模型预测控制系统的控制方法，其特征在于，所述控制系统为权利要求1所述的控制系统，所述控制方法包括：
S1,控制所述速度控制器产生电流参考值；
S2，所述电流模型预测控制器对电流进行跟踪，并选择电压矢量；
S3,所述电流检测模块对电流进行检测，产生电流检测数据；
S4,所述失配检测模块根据所述电流检测数据判断系统是否失配，若判断系统未失配则系统继续正常运行，若判断系统失配则将所述电流检测数据作为所述高斯过程参数优化模块的输入进行系统参数的预测；
S5,所述高斯过程参数优化模块对所述失配检测模块输入的所述检测数据进行系统参数的预测，并将预测结果输入至所述电流模型预测控制器中更新已失配的参数。
10.一种永磁同步电机，其特征在于，所述永磁同步电机包括权利要求1-8任一项所述的基于高斯过程的永磁同步电机模型预测控制系统。
CN202210831041.XA 2022-07-15 2022-07-15 一种基于高斯过程的永磁同步电机模型预测控制系统、控制方法及永磁同步电机 Pending CN115085614A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210831041.XA CN115085614A (zh) 2022-07-15 2022-07-15 一种基于高斯过程的永磁同步电机模型预测控制系统、控制方法及永磁同步电机

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210831041.XA CN115085614A (zh) 2022-07-15 2022-07-15 一种基于高斯过程的永磁同步电机模型预测控制系统、控制方法及永磁同步电机

Publications (1)

Publication Number Publication Date
CN115085614A true CN115085614A (zh) 2022-09-20

Family

ID=83260649

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210831041.XA Pending CN115085614A (zh) 2022-07-15 2022-07-15 一种基于高斯过程的永磁同步电机模型预测控制系统、控制方法及永磁同步电机

Country Status (1)

Country Link
CN (1) CN115085614A (zh)

Similar Documents

Publication Publication Date Title
US10090791B2 (en) Machine learning apparatus and method for learning correction value in motor current control, correction value computation apparatus including machine learning apparatus and motor driving apparatus
Kirchgässner et al. Data-driven permanent magnet temperature estimation in synchronous motors with supervised machine learning: A benchmark
EP2558910B1 (en) Method for computer-aided closed-loop and/or open-loop control of a technical system
Azar et al. Dynamic policy programming
CN105008946B (zh) 用于确定用于SoC的控制技术观测器的方法
US9716294B2 (en) Battery controller with monitoring logic for model-based battery control
CN110471276B (zh) 用于为物理系统创建模型函数的装置
KR20020059647A (ko) 센서데이터의 시간제한검색시스템과 방법
JP2010086397A (ja) 制御装置、制御プログラム及び方法
Habib et al. Data-driven modeling: concept, techniques, challenges and a case study
Han et al. Data-driven robust fault tolerant linear quadratic preview control of discrete-time linear systems with completely unknown dynamics
CN115085614A (zh) 一种基于高斯过程的永磁同步电机模型预测控制系统、控制方法及永磁同步电机
CN111241749B (zh) 一种基于储备池计算的永磁同步电动机混沌预测方法
KR102124425B1 (ko) 시계열 데이터 예측 모델 평가 방법 및 장치
WO2020071066A1 (ja) 異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデル
CN116449081A (zh) 具有自适应调控功能的数据采集系统、装置及存储介质
CN116307151A (zh) 充电站充电负荷预测方法、存储介质以及电子设备
CN115214691A (zh) 汽车行驶车速预测方法、装置、电子设备以及存储介质
KR20210138498A (ko) 테스트 벤치를 작동하기 위한 장치 및 방법
CN108897818B (zh) 确定数据处理过程老化状态的方法、装置及可读存储介质
Cheong et al. Instability detection of ARMA systems based on AR system identification
KR20210138516A (ko) 테스트 벤치를 작동하기 위한 장치 및 방법
JP3309554B2 (ja) カオス時系列短期予測装置
CN117348620A (zh) 一种无人机电池仓湿度控制方法及存储介质
CN116203435A (zh) 一种电池参数获取方法、装置、电子设备及存储介质

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