CN115800850A - 一种模块化多单元永磁同步电机多参数在线辨识方法 - Google Patents

Abstract

本发明公开一种模块化多单元永磁同步电机多参数在线辨识方法，辨识方法首先采用一种适用于模块化多单元永磁同步电机的同步d轴扰动电流注入方法，联立电机正常运行电压方程与d轴扰动电流注入时段电压方程，建立参数在线辨识模型，解决传统辨识方法的欠秩问题，且不需要额外的电机参数；其次，通过采用基于平均电压补偿法的逆变器死区补偿方法，解决传统辨识方法受电流非正弦畸变影响的问题，提升电流过零点的跟踪准确度；最后，针对辨识模型求解问题，采用一种基于双曲正切函数的变步长Adaline神经网络算法，结合满秩模型，建立多参数在线辨识观测器，解决了传统定步长算法收敛速度慢、稳态误差大的问题。

Description

一种模块化多单元永磁同步电机多参数在线辨识方法

技术领域

本发明涉及模块化多单元永磁同步电机技术领域，具体是一种模块化多单元永磁同步电机多参数在线辨识方法。

背景技术

为提高电动汽车动力系统及整车安全性，近年来国内外众多学者将研究焦点转移至容错电机。由于模块化多单元永磁同步电机具有结构简单，可靠性高，维修便捷等优势，成为了研究焦点。该结构电机由若干个三相电机模块组成，每个模块均为一台三相电机，目前模块化多单元永磁同步电机多参数在线辨识领域较为空白。

传统的三相永磁电机多参数在线辨识方法需要部分已知的电机参数，存在欠秩问题，为了防止逆变器上下管导通和关断的时刻发生短路，通常会设置一个死区时间以保护功率器件。但这一措施的建立，也使得电压电流信号产生了非正弦的畸变。这一畸变也使得参数辨识方程多了一个未知量，并且会对辨识模型产生干扰。针对多参数辨识模型求解算法方面，Adaline神经网络由于具有计算量小、结构简单、抗干扰能力强的特点被逐渐使用，但其步长为定值，存在收敛速度慢，稳态误差大的缺点。

发明内容

本发明的目的在于提供一种模块化多单元永磁同步电机多参数在线辨识方法，通过在不需要额外的电机参数基础上，同步d轴扰动电流注入方法能避免模块化多单元电机产生单边磁拉力，减少运行时的振动和噪声，采用的辨识模型构建方法能解决电压方程欠秩问题；通过对逆变器非线性进行建模并补偿了死区电压，解决了传统辨识方法受电流非正弦畸变影响的问题；通过提出将dq轴参考电流值做反Park变换和反Clark变换之后的三相理想电流作为过零点判断依据，大幅提升了电流过零点的跟踪准确度；通过基于双曲正切函数的变步长Adaline神经网络算法，提高了多参数辨识观测器的收敛速度，减小了稳态误差。

本发明的目的可以通过以下技术方案实现：

一种模块化多单元永磁同步电机多参数在线辨识方法，所述辨识方法包括如下步骤：

步骤1：模块化多单元永磁同步电机运行时，在各单元注入同步d轴扰动电流。

步骤2：联立电机正常运行时段电压方程与d轴扰动电流注入时段电压方程，构造电机多参数在线辨识满秩模型。

步骤3：建立模块化多单元永磁同步电机的逆变器非线性数学模型，推导出αβ坐标系下的逆变器死区补偿电压，补偿步骤2在线辨识模型死区畸变量；并将dq轴参考电流值做反Park变换和反Clark变换之后的三相理想电流作为过零点判断依据。

步骤4：构造基于双曲正切函数的变步长Adaline神经网络算法，结合满秩模型，利用Adaline神经网络建立多参数在线辨识观测器。

进一步的，所述多参数在线辨识观测器的待辨识参数包括定子电阻、电感和转子磁链。

进一步的，所述步骤1中各单元电机注入同步d轴扰动电流之后，增设一组电压方程解决欠秩问题。

所述注入同步d轴扰动电流信号相位相同，可减少各单元之间的交叉耦合；符号为负，即弱磁电流；幅值为电机额定电流的10％。

进一步的，所述注入扰动电流信号后，磁场饱和状态会发生变化，电机电感及转子磁链参数也发生变化，电机各单元结构相同，联立方程具体表现形式为：

其中,模块化多单元永磁同步电机为表贴式电机，L_d≈L_q＝L_s，L_d1，L_q1分别为d轴扰动电流注入时刻的d、q轴电感；R为定子电阻；ψ_m0，ψ_m1为两种状态的转子磁链；ω是电气角速度；V_dead是因为逆变器非线性而产生的死区畸变电压；

是控制器输出电压；“k₀”、“k₁”表示电机正常运行及d轴扰动电流注入时的数据；D_d和D_q的具体表达式为：

其中，θ是电气角度；i_as，i_bs，i_cs是电机的三相相电流；sgn(i)是符号函数，定义为：

电机采用i_d＝0策略控制，当i_d＝0时，D_d是均值为0的六次谐波分量，作均值化处理，可将D_d这一变量消除，得电感的辨识方程为：

其中，

和

是滤波后的直流分量。

由于扰动注入时间很短，则注入期间转矩被视为一个常数，推导出定子电阻、转子磁链的辨识方程为：

进一步的，所述步骤3中建立的逆变器非线性数学模型，设置死区时间，基于电流的正负特性，将死区电压补偿之后可消除辨识模型中的死区畸变电压V_dead，αβ坐标系下的逆变器死区补偿电压表达式为:

其中，t_d为死区时间；U_dc为母线电压；T_pwm为PWM周期，sign(i)为符号函数，U’_α、U’_β即αβ坐标系下的死区补偿电压。

所述步骤3中将dq轴参考电流值做反Park变换和反Clark变换之后的三相电流波形为理想的正弦波，且与实际电流同相位，能够作为符号函数过零点判断依据。

进一步的，所述步骤4中基于双曲正切函数的变步长Adaline神经网络算法，其变步长表达式具体如下：

其中，α、β、γ、m均为影响因子，l为补偿因子。

进一步的，所述Adaline神经网络权值调整方法为：

W(k+1)＝W(k)+2μX(k)e(k)

e(k)＝d(k)-O(k)＝W(k)X(k)

其中，X(k)为输入，O(k)为网络输出，W(k)为权值，d(k)为目标输出，μ是权值迭代的步长，e(k)是网络输出与目标输出之间的偏差。

输入与网络输出的关系可以表示为：

进一步的，所述Adaline神经网络算法中步长μ满足下述方程的约束：

0＜2μ|X(k)|²＜1。

本发明的有益效果：

1、本发明辨识方法提出的同步d轴扰动电流注入方法能避免模块化多单元电机产生单边磁拉力，减少运行时的振动和噪声；

2、本发明辨识方法采用的辨识模型构建方法能解决电压方程欠秩问题，且不需要额外的电机参数；

3、本发明辨识方法考虑了因逆变器非线性特性导致的电流非正弦畸变，对逆变器非线性进行建模并补偿了死区电压，本发明辨识方法相比于传统方法，能消除死区畸变电压V_dead，简化辨识方程，提升辨识精度；

4、本发明辨识方法针对零电流箝位现象导致的电流过零点跟踪精度差的问题，提出将dq轴参考电流值做反Park变换和反Clark变换之后的三相理想电流作为过零点判断依据，大幅提升了电流过零点的跟踪准确度；

5、本发明辨识方法提出的基于双曲正切函数的变步长Adaline神经网络算法，提高了多参数辨识观测器的收敛速度，减小了稳态误差；

6、本发明辨识方法适用于表贴式三相永磁同步电机。

附图说明

下面结合附图对本发明作进一步的说明。

图1是本发明辨识方法原理框图；

图2是本发明模块化多单元永磁同步电机结构图及槽导体星形空载感应电势分布图；

图3是本发明辨识方法的同步d轴扰动电流注入方法；

图4是本发明辨识方法的逆变器非线性死区时间分析；

图5是本发明辨识方法过零点判断电流及死区电压补偿模块原理框图；

图6是本发明辨识方法电流过零点箝位仿真图及理想的同相位判断电流仿真图；

图7是本发明辨识方法不同转速时死区电压补偿效果实验对比图；

图8是本发明辨识方法中的Adaline神经网络结构框图；

图9是本发明辨识方法中的Adaline神经网络μ(k)和e(k)的关系曲线图；

图10是本发明辨识方法死区补偿前后单元1多参数在线辨识结果。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

一种模块化多单元永磁同步电机多参数在线辨识方法，如图1所示，模块化多单元永磁同步电机与三相永磁同步电机类似，采用FOC双闭环控制，各单元的相位保持一致，能大幅增强系统的容错能力，保障电机平稳运行。

建立基于Simulink的仿真平台，且搭建实验平台，从而验证本发明所提出的一种模块化多单元永磁同步电机多参数在线辨识方法的有效性:

如图2(a)所示，实验采用一台定子48槽、转子52极的外转子四单元永磁同步电机，该电机由四个沿周向排列的三相单元电机构成，分别为单元1、单元2、单元3与单元4；如图2(b)所示槽导体星形空载感应电势分布，为了保证各单元A、B、C三相之间相位差严格为120°电角度，对个别相做了反接处理，最终组成的四个单元电机对应三相绕组之间无相位差，即A1～A4是同相位的A相，B1～B4、C1～C4于此类推，电机标称参数如下表所示。

表1模块化多单元永磁同步电机标称参数

辨识方法具体步骤包括：

步骤1、模块化多单元永磁同步电机运行时，在各单元注入同步d轴扰动电流

如图3所示，将各单元电机注入同步d轴扰动电流，t_o的加入是为了在采集数据前增加一个稳定阶段，待电机稳定运行后才开始采集有效数据；t₁是注入一段i_d＜0电流方波后的电机运行状态，四单元注入电流的幅值分别为A、B、C、D，为避免产生单边磁拉力，将其数值设为相等；t₂是电机在i_d＝0控制方式下的正常运行状态；所注扰动电流信号相位相同，可减少各单元之间的交叉耦合；符号为负，即弱磁电流，有益于减小转矩脉动；幅值为电机额定电流的10％，过大会引起不可忽略的转矩脉动；过小则会导致信噪比过低，引入病态问题。结合采样速度及电机动态响应能力，t₁、t₂设为0.2s。

步骤2、联立电机正常运行时段电压方程与d轴扰动电流注入时段电压方程，构造电机多参数在线辨识满秩模型

考虑注入扰动电流信号后，磁场饱和状态会发生变化，电机电感及转子磁链参数也会发生变化。

其中,L_d≈L_q＝L_s，L_d1，L_q1分别为d轴扰动电流注入时刻的d、q轴电感；R为定子电阻；ψ_m0，ψ_m1为两种状态的转子磁链；ω是电气角速度；V_dead是因为逆变器非线性而产生的死区畸变电压；

是控制器输出电压；“k₀”、“k₁”表示电机正常运行及d轴扰动电流注入时的数据。

通过数学变换可得电感的辨识方程为：

定子电阻、转子磁链的辨识方程为：

步骤3、建立模块化多单元永磁同步电机的逆变器非线性数学模型，推导出αβ坐标系下的逆变器死区补偿电压；将dq轴参考电流值做反Park变换和反Clark变换之后的三相理想电流作为过零点判断依据

如图4所示，S_a代表A相上功率管，S_a代表A相下功率管，t_d为死区时间，如图4(a)所示，若无死区时间，则上下功率管完全互补；如图4(b)所示若设置了死区时间，电机电压脉宽将会改变；考虑电流正负特性，αβ坐标系下的逆变器死区补偿电压表达式为:

其中，t_d为死区时间；U_dc为母线电压；T_pwm为PWM周期；sign(i)为符号函数；U’_α、U’_β即αβ坐标系下的死区补偿电压。

如图5所示，图5详细说明了理想正弦波的构建方法；如图6(a)所示，图6(a)为零电流箝位现象，电流在零值附近反复振荡，符号函数也会随之不断振荡进而导致无法正常补偿死区电压；图6(b)为将dq轴参考电流值做反Park变换和反Clark变换之后的理想三相正弦波电流，与图6(a)实际电流同相位，可以作为符号函数过零点判断依据。

如图7，左侧波形为未补偿的电流波形，右侧波形为已经补偿的电流波形；图7(a)中电机转速为1rpm，图7(b)中转速为10rpm，图7(c)中转速为480rpm。死区时间设置为1.8us，PWM频率为7500Hz，从图7(a)-图7(c)的图中均可发现，死区电压补偿前电流波形存在畸变，有明显的零电流箝位现象；补偿后的波形几乎为理想的正弦波，死区补偿效果很好。

步骤4：构造基于双曲正切函数的变步长Adaline神经网络算法，利用Adaline神经网络建立多参数在线辨识观测器

Adaline神经网络算法具有计算量小、结构简单、抗干扰能力强的特点，如图8所示，图8为Adaline神经网络的结构框图，其中X(k),O(k),W(k),d(k)分别是网络在kT_s时的输入，网络输出，权值以及目标输出，输入与网络输出的关系可以表示为：

权值调整方法为：

W(k+1)＝W(k)+2μX(k)e(k)

e(k)＝d(k)-O(k)＝W(k)X(k)

其中，μ是权值迭代的步长，e(k)是网络输出与目标输出直接的偏差。

为了保证Adaline神经网络算法的收敛性，步长μ需要满足下述方程的约束：

0＜2μ|X(k)|²＜1

传统的Adaline神经网络的步长为定值，使得算法在收敛速度、稳态超调量和跟踪能力等方面存在很大的矛盾。因此本发明提出了基于双曲正切函数的变步长Adaline神经网络算法，相较于传统的定步长算法具有收敛速度快、稳态误差小的优点，其变步长表达式具体如下：

其中，α,β,γ,m为影响因子；l为补偿因子。

如图9所示，图9中详细分析因子α,β,γ,m与步长μ的关系，图9(a)为β对μ的影响，图9(b)为α对μ的影响，图9(c)为m对μ的影响，图9(d)为γ对μ的影响，因子α控制步长函数的形状和底部特性，β控制步长函数的取值范围，l控制补偿值；γ和m可改善步长函数的形状以加快收敛速度，优化底部特性以减少收敛误差。参数的具体取值应结合实际工况，突出辨识模型收敛速度快、稳态误差小的特点，传统定步长算法μ为固定值，体现在图中为一条横线。

电感、定子电阻、转子磁链的辨识观测器的具体形式为：

为体现普遍适用性，上述观测器包含死区畸变电压V_dead，实际在本发明所述方法中，V_dead可通过所述步骤3消除，既能简化参数辨识模型，又能提高辨识精度。

模块化多单元永磁同步电机多参数在线辨识平均结果如下表所示：

表2多参数在线辨识平均结果

如图10所示，因模块化多单元电机各单元结构类似、相位相同，为简化分析，以单元1的在线辨识过程来举例说明，图10(a)为死区补偿前后定子电阻辨识结果，图10(b)为死区补偿前后电感辨识结果，图10(c)死区补偿前后转子磁链辨识结果，通过传统方法未补偿死区电压的辨识结果与采用步骤3方法补偿了死区电压的辨识结果进行对比，结果表明所辨识的定子电阻、电感、转子磁链的误差均小于传统方法，且稳定性更强，证明了本发明的有效性。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”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一定指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何的一个或多个实施例或示例中以合适的方式结合。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (8)

1.一种模块化多单元永磁同步电机多参数在线辨识方法，其特征在于，所述辨识方法包括如下步骤：

步骤1：模块化多单元永磁同步电机运行时，在各单元注入同步d轴扰动电流；

步骤2：联立电机正常运行时段电压方程与步骤1中d轴扰动电流注入时段电压方程，构造电机多参数在线辨识满秩模型；

步骤3：建立模块化多单元永磁同步电机的逆变器非线性数学模型，推导出αβ坐标系下的逆变器死区补偿电压，补偿步骤2在线辨识模型死区畸变量；并将dq轴参考电流值做反Park变换和反Clark变换之后的三相理想电流作为过零点判断依据；

步骤4：基于双曲正切函数的变步长Adaline神经网络算法，结合满秩模型，利用Adaline神经网络建立多参数在线辨识观测器。

2.根据权利要求1所述的一种模块化多单元永磁同步电机多参数在线辨识方法，其特征在于，所述多参数在线辨识观测器的待辨识参数包括定子电阻、电感和转子磁链。

3.根据权利要求1所述的一种模块化多单元永磁同步电机多参数在线辨识方法，其特征在于，所述步骤1中各单元电机注入同步d轴扰动电流之后，增设一组电压方程解决欠秩问题；

所述注入同步d轴扰动电流信号相位相同，可减少各单元之间的交叉耦合；符号为负，即弱磁电流；幅值为电机额定电流的10％。

4.根据权利要求3所述的一种模块化多单元永磁同步电机多参数在线辨识方法，其特征在于，所述注入扰动电流信号后，磁场饱和状态会发生变化，电机电感及转子磁链参数也发生变化，电机各单元结构相同，联立方程具体表现形式为：

其中,模块化多单元永磁同步电机为表贴式电机，L_d≈L_q＝L_s，L_d1，L_q1分别为d轴扰动电流注入时刻的d、q轴电感；R为定子电阻；ψ_m0，ψ_m1为两种状态的转子磁链；ω是电气角速度；V_dead是因为逆变器非线性而产生的死区畸变电压；

是控制器输出电压；“k₀”、“k₁”表示电机正常运行及d轴扰动电流注入时的数据；D_d和D_q的具体表达式为：

其中，θ是电气角度；i_as，i_bs，i_cs是电机的三相相电流；sgn(i)是符号函数，定义为：

电机采用i_d＝0策略控制，当i_d＝0时，D_d是均值为0的六次谐波分量，作均值化处理，可将D_d这一变量消除，得电感的辨识方程为：

其中，

和

是滤波后的直流分量；

由于扰动注入时间很短，则注入期间转矩被视为一个常数，推导出定子电阻、转子磁链的辨识方程为：

5.根据权利要求1所述的一种模块化多单元永磁同步电机多参数在线辨识方法，其特征在于，所述步骤3中建立的逆变器非线性数学模型，设置死区时间，基于电流的正负特性，将死区电压补偿之后可消除辨识模型中的死区畸变电压V_dead，αβ坐标系下的逆变器死区补偿电压表达式为:

其中，t_d为死区时间；U_dc为母线电压；T_pwm为PWM周期，sign(i)为符号函数，U’_α、U’_β即αβ坐标系下的死区补偿电压；

所述步骤3中将dq轴参考电流值做反Park变换和反Clark变换之后的三相电流波形为理想的正弦波，且与实际电流同相位，能够作为符号函数过零点判断依据。

6.根据权利要求1所述的一种模块化多单元永磁同步电机多参数在线辨识方法，其特征在于，所述步骤4中基于双曲正切函数的变步长Adaline神经网络算法，其变步长表达式具体如下：

其中，α、β、γ、m均为影响因子，l为补偿因子。

7.根据权利要求6所述的一种模块化多单元永磁同步电机多参数在线辨识方法，其特征在于，所述Adaline神经网络权值调整方法为：

W(k+1)＝W(k)+2μX(k)e(k)

e(k)＝d(k)-O(k)＝W(k)X(k)

其中，X(k)为输入，O(k)为网络输出，W(k)为权值，d(k)为目标输出，μ是权值迭代的步长，e(k)是网络输出与目标输出之间的偏差；

输入与网络输出的关系可以表示为：

8.根据权利要求7所述的一种模块化多单元永磁同步电机多参数在线辨识方法，其特征在于，所述Adaline神经网络算法中步长μ满足下述方程的约束：

0＜2μ|X(k)|²＜1。

Images