CN116015119B - 永磁同步电机电流控制方法及装置、存储介质及电子设备 - Google Patents
永磁同步电机电流控制方法及装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116015119B CN116015119B CN202310311240.2A CN202310311240A CN116015119B CN 116015119 B CN116015119 B CN 116015119B CN 202310311240 A CN202310311240 A CN 202310311240A CN 116015119 B CN116015119 B CN 116015119B
- Authority
- CN
- China
- Prior art keywords
- disturbance
- control
- current
- disturbance estimation
- control input
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 124
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 81
- 238000013178 mathematical model Methods 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims description 39
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 8
- 201000003723 learning disability Diseases 0.000 abstract 1
- 230000008569 process Effects 0.000 description 24
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 230000000750 progressive effect Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Landscapes
- Control Of Electric Motors In General (AREA)
- Control Of Ac Motors In General (AREA)
Abstract
本发明提供一种永磁同步电机电流控制方法及装置、存储介质及电子设备，该方法包括：确定状态信息，其中包括第一状态量和第二状态量，第一状态量为永磁同步电机当前的电流，第二状态量为上一个控制时间点永磁同步电机的电流；确定历史控制输入和基础控制输入；依据状态信息、历史控制输入、电机定子电流数学模型和时间延迟策略，确定第一扰动估计量；依据自学习的扰动估计模型，确定第一状态量对应的第二扰动估计量和第二状态量对应的第三扰动估计量；基于各个扰动估计量，对基础控制输入进行扰动处理，得到当前控制时间点的控制输入。应用本发明的方法，无需额外对基础控制器进行参数调整，便可在各种工况的扰动状态下实行稳定控制。
Description
技术领域
本发明涉及控制技术领域，特别是涉及一种永磁同步电机电流控制方法及装置、存储介质及电子设备。
背景技术
在车辆工程等领域中，永磁同步电机为广泛应用的电机之一。在永磁同步电机的应用过程中，需针对其进行电流环控制设计，以保障永磁同步电机能够在所需的状态下稳定运行。
在现有的永磁同步电机的电流环控制中，通常是基于PI控制的原理配置基础控制器，通过基础控制器确定作为控制输入的电压量，基于控制输入对永磁同步电机电流实行控制。
在永磁同步电机的运行过程中，其电流环控制中实际上存在着内外部扰动。基于现有的控制方式，通过整定基础控制器的参数，可以使其在某一工况的扰动状态下能够稳定实行控制，但现有永磁同步电机的应用场景中，通常会涉及多种工况，随着工况的改变，扰动也在不断变化。当扰动发生变化时，难以实时调整基础控制器的参数，故基础控制器难以在其他的扰动状态下实现稳定控制，导致对于永磁同步电机电流的控制效果较差。
发明内容
有鉴于此，本发明实施例提供了一种永磁同步电机电流控制方法，以解决基于现有控制方式，当扰动发生变化时，基础控制器难以实现稳定控制，导致控制效果较差的问题。
本发明实施例还提供了一种永磁同步电机电流控制装置，用以保证上述方法实际中的实现及应用。
为实现上述目的，本发明实施例提供如下技术方案：
一种永磁同步电机电流控制方法，包括：
确定当前控制周期的控制时间点对应的状态信息；所述状态信息包括第一状态量和第二状态量，所述第一状态量为被控的永磁同步电机当前的电流，所述第二状态量为目标时间点所述永磁同步电机的电流；所述目标时间点为所述当前控制周期的上一个控制周期的控制时间点；
确定历史控制输入和基础控制输入；所述历史控制输入为所述目标时间点对应的控制输入，所述基础控制输入为预设的基础控制器当前输出的控制输入；
依据所述状态信息、所述历史控制输入、预设的电机定子电流数学模型和预设的时间延迟策略，确定第一扰动估计量；
依据所述第一扰动估计量，判断预设的扰动估计模型是否满足预设的参数更新条件；所述扰动估计模型为基于神经网络构建的模型；
若所述扰动估计模型满足所述参数更新条件，则依据预设的自学习策略，对所述扰动估计模型的模型参数进行更新，得到更新后的扰动估计模型；
依据所述更新后的扰动估计模型，确定所述第一状态量对应的第二扰动估计量和所述第二状态量对应的第三扰动估计量；
依据所述第一扰动估计量、所述第二扰动估计量和所述第三扰动估计量，确定所述当前控制周期的控制时间点对应的第四扰动估计量；
依据所述基础控制输入和所述第四扰动估计量，确定所述当前控制周期的控制时间点对应的控制输入，以对所述永磁同步电机的电流实行控制。
上述的方法，可选的，所述依据所述状态信息、所述历史控制输入、预设的电机定子电流数学模型和预设的时间延迟策略，确定第一扰动估计量，包括：
依据所述状态信息，确定所述目标时间点对应的状态变化量；所述状态变化量为所述第二状态量对时间的一阶导数；
将所述状态变化量、所述第一状态量以及所述历史控制输入，代入所述电机定子电流数学模型进行扰动计算，将计算结果作为所述第一扰动估计量。
上述的方法，可选的，所述依据所述第一扰动估计量，判断预设的扰动估计模型是否满足预设的参数更新条件，包括：
将所述第二状态量输入所述扰动估计模型，经所述扰动估计模型处理后，获取所述扰动估计模型输出的扰动估计量，将该扰动估计量作为第五扰动估计量；
计算所述扰动估计模型对应的估计误差；所述估计误差为所述第一扰动估计量与所述第五扰动估计量之间的差值；
判断所述估计误差是否大于预设的误差阈值；
若所述估计误差大于所述误差阈值，则确定所述扰动估计模型满足所述参数更新条件。
上述的方法，可选的，所述依据所述更新后的扰动估计模型，确定所述第一状态量对应的第二扰动估计量和所述第二状态量对应的第三扰动估计量，包括：
将所述第一状态量输入所述更新后的扰动估计模型，经所述更新后的扰动估计模型处理后，获取所述更新后的扰动估计模型输出的扰动估计量，并将该扰动估计量作为所述第二扰动估计量；
将所述第二状态量输入所述更新后的扰动估计模型，经所述更新后的扰动估计模型处理后，获取所述更新后的扰动估计模型输出的扰动估计量，并将该扰动估计量作为所述第三扰动估计量。
上述的方法，可选的，所述依据所述第一扰动估计量、所述第二扰动估计量和所述第三扰动估计量，确定所述当前控制周期的控制时间点对应的第四扰动估计量，包括：
确定目标参数矩阵；所述目标参数矩阵为基于所述电机定子电流数学模型中与控制量相乘的参数所构建的矩阵；
确定所述目标参数矩阵对应的逆矩阵；
将所述第三扰动估计量与所述第二扰动估计量作差运算，得到第一运算结果；
将所述第一运算结果与所述第一扰动估计量作差运算，得到第二运算结果；
将所述第二运算结果与所述逆矩阵作乘积运算，将运算结果作为所述第四扰动估计量。
上述的方法，可选的，所述依据所述基础控制输入和所述第四扰动估计量，确定所述当前控制周期的控制时间点对应的控制输入，包括：
将所述基础控制输入与所述第四扰动估计量作和运算，将运算结果作为所述当前控制周期的控制时间点对应的控制输入。
上述的方法，可选的，还包括：
若所述扰动估计模型不满足所述参数更新条件，则依据所述扰动估计模型，确定所述第一状态量对应的第六扰动估计量和所述第二状态量对应的第七扰动估计量；
依据所述第一扰动估计量、所述第六扰动估计量和所述第七扰动估计量，确定所述当前控制周期的控制时间点对应的第八扰动估计量；
依据所述基础控制输入和所述第八扰动估计量，确定所述当前控制周期的控制时间点对应的控制输入，以对所述永磁同步电机的电流实行控制。
一种永磁同步电机电流控制装置，包括：
第一确定单元，用于确定当前控制周期的控制时间点对应的状态信息；所述状态信息包括第一状态量和第二状态量，所述第一状态量为被控的永磁同步电机当前的电流，所述第二状态量为目标时间点所述永磁同步电机的电流；所述目标时间点为所述当前控制周期的上一个控制周期的控制时间点；
第二确定单元，用于确定历史控制输入和基础控制输入；所述历史控制输入为所述目标时间点对应的控制输入，所述基础控制输入为预设的基础控制器当前输出的控制输入；
第三确定单元，用于依据所述状态信息、所述历史控制输入、预设的电机定子电流数学模型和预设的时间延迟策略，确定第一扰动估计量；
判断单元，用于依据所述第一扰动估计量，判断预设的扰动估计模型是否满足预设的参数更新条件；所述扰动估计模型为基于神经网络构建的模型；
更新单元，用于若所述扰动估计模型满足所述参数更新条件，则依据预设的自学习策略，对所述扰动估计模型的模型参数进行更新，得到更新后的扰动估计模型；
第四确定单元，用于依据所述更新后的扰动估计模型，确定所述第一状态量对应的第二扰动估计量和所述第二状态量对应的第三扰动估计量；
第五确定单元，用于依据所述第一扰动估计量、所述第二扰动估计量和所述第三扰动估计量，确定所述当前控制周期的控制时间点对应的第四扰动估计量；
第六确定单元，用于依据所述基础控制输入和所述第四扰动估计量，确定所述当前控制周期的控制时间点对应的控制输入，以对所述永磁同步电机的电流实行控制。
一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行如上述的永磁同步电机电流控制方法。
一种电子设备，包括存储器，以及一个或者一个以上的指令，其中一个或者一个以上指令存储于存储器中，且经配置以由一个或者一个以上处理器执行如上述的永磁同步电机电流控制方法。
基于上述本发明实施例提供的一种永磁同步电机电流控制方法，包括：确定当前控制周期的控制时间点对应的状态信息；状态信息包括第一状态量和第二状态量，第一状态量为被控的永磁同步电机当前的电流，第二状态量为目标时间点永磁同步电机的电流；目标时间点为当前控制周期的上一个控制周期的控制时间点；确定历史控制输入和基础控制输入；历史控制输入为目标时间点对应的控制输入，基础控制输入为预设的基础控制器当前输出的控制输入；依据状态信息、历史控制输入、预设的电机定子电流数学模型和预设的时间延迟策略，确定第一扰动估计量；依据第一扰动估计量，判断预设的扰动估计模型是否满足预设的参数更新条件；若满足条件，则依据预设的自学习策略，对扰动估计模型的模型参数进行更新，得到更新后的扰动估计模型；依据更新后的扰动估计模型，确定第一状态量对应的第二扰动估计量和第二状态量对应的第三扰动估计量；依据第一扰动估计量、第二扰动估计量和第三扰动估计量，确定当前控制周期的控制时间点对应的第四扰动估计量；依据基础控制输入和第四扰动估计量，确定当前控制周期的控制时间点对应的控制输入，以对永磁同步电机的电流实行控制。应用本发明实施例提供的方法，可结合时间延迟策略和扰动估计模型对于扰动的估计，对基础控制器输出的控制输入进行扰动处理，得到最终的控制输入。而扰动估计模型在进行扰动估计时，可以进行自学习，当扰动发生变化时，扰动估计模型可调整模型参数，适应当前工况下的扰动估计。在控制设计中，仅需合理配置基础控制器的参数，在控制过程中，无需额外对基础控制器进行参数调整，便可在各种工况的扰动状态下实行稳定控制。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种永磁同步电机电流控制方法的方法流程图；
图2为本发明实施例提供的一种永磁同步电机电流控制方法的又一方法流程图；
图3为本发明实施例提供的一种永磁同步电机电流控制方法的总体控制框图；
图4为本发明实施例提供的一种永磁同步电机电流控制装置的结构示意图；
图5为本发明实施例提供的一种电子设备的结构示意图。
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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本申请中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明实施例提供了一种永磁同步电机电流控制方法，所述方法可应用于永磁同步电机的控制系统，其执行主体可以为系统的处理器，所述方法的方法流程图如图1所示，包括：
S101：确定当前控制周期的控制时间点对应的状态信息；所述状态信息包括第一状态量和第二状态量，所述第一状态量为被控的永磁同步电机当前的电流，所述第二状态量为目标时间点所述永磁同步电机的电流；所述目标时间点为所述当前控制周期的上一个控制周期的控制时间点；
本发明实施例提供的方法中，控制系统可以周期性地调整被控对象的控制输入，具体的，可以按照预定的时间间隔调整控制输入，将间隔的两个时间点之间的时间段视为一个控制周期。被控对象指的是永磁同步电机，在实际的应用场景中，具体可以是永磁同步电机对应的运行系统，控制输入具体可以输入至直接关联的器件，如逆变器等，以此作用于永磁同步电机。
本发明实施例提供的方法中，当需要确定当前控制周期的控制时间点所对应的控制输入时，可获取第一状态量和第二状态量，继而得到状态信息。第一状态量为被控的永磁同步电机当前的电流，具体可以是电机定子电流，包括定子d轴电流值和q轴电流值，可以通过实时采样得到。而第二状态量为在上一个控制周期的控制时间点，采集到的永磁同步电机的电流，可以在历史数据记录中读取得到。
S102：确定历史控制输入和基础控制输入；所述历史控制输入为所述目标时间点对应的控制输入，所述基础控制输入为预设的基础控制器当前输出的控制输入；
本发明实施例提供的方法中，控制系统中预先设置有基础控制器，基础控制器是基于PI控制原理配置的控制器，即基础控制器是PI控制器，PI控制器是一种现有的控制器，在此不做详细介绍。在永磁同步电机的运行过程中，基础控制器可基于当前的参考输入以及永磁同步电机当前的状态量，对应确定控制输入。
本发明实施例提供的方法中，读取基础控制器当前输出的控制输入，并将该控制输入作为基础控制输入。在历史数据记录中读取上一个控制时间点对应的控制输入，将其作为历史控制输入。
S103：依据所述状态信息、所述历史控制输入、预设的电机定子电流数学模型和预设的时间延迟策略，确定第一扰动估计量；
本发明实施例提供的方法中，针对永磁同步电机的电机参数，可以预先设置对应的电机定子电流数学模型，电机定子电流数学模型表征电机状态量对于时间的一阶导数与电机状态量、电机的控制输入以及扰动等要素的关系。具体的，针对存在与状态相关非线性扰动的系统，电机定子电流数学模型的表达式可如下所示：
其中，u d 表示定子d轴电压，u q 表示定子q轴电压，i d 表示定子d轴电流，i q 表示定子q轴电流，R s 表示定子电阻，ω e 表示转子磁链角速度，L d 表示定子d轴电感，L q 表示定子q轴电感，φ f 表示转子磁链，f d (x)表示d轴方向上与状态相关的未知连续扰动，f q (x)表示q轴方向上与状态相关的未知连续扰动。
、A、x、B、u、G和f，分别表示式中对应的参数项。可以理解的是，f是与状态相关的未知连续扰动，x为状态量，u为控制输入。
基于电机定子电流数学模型，若已知状态量和控制输入，可以估算出系统的扰动量。本发明实施例提供的方法中，通过状态信息中的状态量和历史控制输入，应用电机定子电流数学模型计算一个扰动量，基于时间延迟策略，将其视为一个扰动估计，即第一扰动估计量。
S104：依据所述第一扰动估计量，判断预设的扰动估计模型是否满足预设的参数更新条件；所述扰动估计模型为基于神经网络构建的模型；
本发明实施例提供的方法中，基于神经网络构建了扰动估计模型，即扰动估计模型是一个经过训练的神经网络模型，扰动估计模型可用于估计某一个状态量对应状态下的扰动量。
本发明实施例提供的方法中，预先设置了扰动估计模型的参数更新条件，当满足该条件时，说明扰动估计模型不适用于当前状态下的扰动估计，需要进行自学习，调整模型参数。具体的，可以通过评估扰动估计模型的估计误差实现判断。本发明实施例提供的方法中，通过第一扰动估计量评估扰动估计模型当前的估计误差，以确定扰动估计模型是否满足预设的参数更新条件。
S105：若所述扰动估计模型满足所述参数更新条件，则依据预设的自学习策略，对所述扰动估计模型的模型参数进行更新，得到更新后的扰动估计模型；
本发明实施例提供的方法中，若扰动估计模型满足预设的参数更新条件，则基于预设的自学习策略，使扰动估计模型基于第一扰动估计量和状态信息进行自学习，不断更新扰动估计模型的模型参数，直至模型收敛后结束模型参数的更新过程，得到更新后的扰动估计模型。
需要说明的是，当前更新后的扰动估计模型，对于下一个控制周期而言，即为预设的扰动估计模型。
S106：依据所述更新后的扰动估计模型，确定所述第一状态量对应的第二扰动估计量和所述第二状态量对应的第三扰动估计量；
本发明实施例提供的方法中，通过更新后的扰动估计模型对第一状态量下的扰动进行估计，获得第二扰动估计量。通过更新后的扰动估计模型对第二状态量下的扰动进行估计，获得第三扰动估计量。
S107：依据所述第一扰动估计量、所述第二扰动估计量和所述第三扰动估计量，确定所述当前控制周期的控制时间点对应的第四扰动估计量；
本发明实施例提供的方法中，结合第一扰动估计量、第二扰动估计量和第三扰动估计量，确定当前用于对基础控制输入进行扰动处理的整体扰动估计量，即第四扰动估计量。
S108：依据所述基础控制输入和所述第四扰动估计量，确定所述当前控制周期的控制时间点对应的控制输入，以对所述永磁同步电机的电流实行控制。
本发明实施例提供的方法中，通过第四扰动估计量对基础控制输入进行扰动处理，将处理后得到的控制输入作为当前控制周期的控制时间点所对应的控制输入，将该控制输入作用于永磁同步电机，以实现对于永磁同步电机的电流控制。
基于本发明实施例提供的方法，确定当前控制周期的控制时间点对应的状态信息，其中包括第一状态量和第二状态量，第一状态量为永磁同步电机当前的电流，第二状态量为上一个控制时间点上永磁同步电机的电流；确定历史控制输入和基础控制输入；历史控制输入为上一个控制时间点对应的控制输入，基础控制输入为预设的基础控制器当前输出的控制输入；依据状态信息、历史控制输入、预设的电机定子电流数学模型和预设的时间延迟策略，确定第一扰动估计量；依据第一扰动估计量，判断预设的扰动估计模型是否满足预设的参数更新条件；若满足条件，则依据预设的自学习策略，对扰动估计模型的模型参数进行更新，得到更新后的扰动估计模型；依据更新后的扰动估计模型，确定第一状态量对应的第二扰动估计量和第二状态量对应的第三扰动估计量；依据第一扰动估计量、第二扰动估计量和第三扰动估计量，确定当前控制周期的控制时间点对应的第四扰动估计量；依据基础控制输入和第四扰动估计量，确定当前控制周期的控制时间点对应的控制输入。应用本发明实施例提供的方法，可结合时间延迟策略和扰动估计模型对于扰动的估计，对基础控制器输出的控制输入进行扰动处理，得到最终的控制输入。而扰动估计模型在进行扰动估计时，可以进行自学习，当扰动发生变化时，扰动估计模型可调整模型参数，适应当前工况下的扰动估计。在控制设计中，仅需合理配置基础控制器的参数，在控制过程中，无需额外对基础控制器进行参数调整，便可在各种工况的扰动状态下实行稳定控制。
在图1所示方法的基础上，本发明实施例提供的方法中，步骤S103中提及的依据所述状态信息、所述历史控制输入、预设的电机定子电流数学模型和预设的时间延迟策略，确定第一扰动估计量的过程，包括：
依据所述状态信息，确定所述目标时间点对应的状态变化量；所述状态变化量为所述第二状态量对时间的一阶导数；
本发明实施例提供的方法中，可以通过状态信息计算第二状态量对于时间的一阶导数，将计算结果作为状态变化量。该参数也可以在采集到相关的状态量时进行计算并记录下来，在确定状态信息时从数据库中获取该参数。
将所述状态变化量、所述第一状态量以及所述历史控制输入，代入所述电机定子电流数学模型进行扰动计算，将计算结果作为所述第一扰动估计量。
本发明实施例提供的方法中，将状态变化量作为电机定子电流数学模型中电流的变化量，将第一状态量作为电机定子电流数学模型中的状态量，将历史控制输入作为电机定子电流数学模型中的控制输入，以此将上述数据代入电机定子电流数学模型，计算扰动项的参数值，计算结果即为第一扰动估计量。
在图1所示方法的基础上，本发明实施例提供的方法中，步骤S104中提及的依据所述第一扰动估计量，判断预设的扰动估计模型是否满足预设的参数更新条件的过程，包括：
将所述第二状态量输入所述扰动估计模型，经所述扰动估计模型处理后，获取所述扰动估计模型输出的扰动估计量，将该扰动估计量作为第五扰动估计量；
本发明实施例提供的方法中，通过扰动估计模型对第二状态量下的扰动进行估计，将得到的扰动估计量作为第五扰动估计量。
计算所述扰动估计模型对应的估计误差；所述估计误差为所述第一扰动估计量与所述第五扰动估计量之间的差值；
本发明实施例提供的方法中，将第一扰动估计量与第五扰动估计量相减，将两者的差值作为估计误差。
判断所述估计误差是否大于预设的误差阈值；
本发明实施例提供的方法中，将估计误差与预设的误差阈值进行大小比较，以识别扰动估计模型是否满足当前状态下扰动估计的精度要求。
若所述估计误差大于所述误差阈值，则确定所述扰动估计模型满足所述参数更新条件。
本发明实施例提供的方法中，若估计误差大于预设的误差阈值，则认为扰动估计模型满足预设的参数更新条件，即当前的扰动估计模型不满足当前状态下扰动估计的精度要求。若估计误差小于或等于预设的误差阈值，可以认为扰动估计模型不满足预设的参数更新条件，即扰动估计模型满足当前状态下的扰动估计的精度要求，不需要更新参数。
在图1所示方法的基础上，本发明实施例提供的方法中，步骤S106中提及的依据所述更新后的扰动估计模型，确定所述第一状态量对应的第二扰动估计量和所述第二状态量对应的第三扰动估计量的过程，包括：
将所述第一状态量输入所述更新后的扰动估计模型，经所述更新后的扰动估计模型处理后，获取所述更新后的扰动估计模型输出的扰动估计量，并将该扰动估计量作为所述第二扰动估计量；
将所述第二状态量输入所述更新后的扰动估计模型，经所述更新后的扰动估计模型处理后，获取所述更新后的扰动估计模型输出的扰动估计量，并将该扰动估计量作为所述第三扰动估计量。
本发明实施例提供的方法中，将第一状态量输入更新后的扰动估计模型，通过更新后的扰动估计模型对第一状态量下的扰动进行估计，并获取更新后的扰动估计模型在当前估计过程中输出的扰动估计量，将其作为第二扰动估计量。同理，将第二状态量输入更新后的扰动估计模型，通过更新后的扰动估计模型对第二状态量下的扰动进行估计，并获取更新后的扰动估计模型在此估计过程中输出的扰动估计量，将其作为第三扰动估计量。
在图1所示方法的基础上，本发明实施例提供了又一种永磁同步电机电流控制方法，如图2所示，本发明实施例提供的方法中，步骤S107中提及的依据所述第一扰动估计量、所述第二扰动估计量和所述第三扰动估计量，确定所述当前控制周期的控制时间点对应的第四扰动估计量的过程，包括：
S201：确定目标参数矩阵；所述目标参数矩阵为基于所述电机定子电流数学模型中与控制量相乘的参数所构建的矩阵；
本发明实施例提供的方法中，基于电机定子电流数学模型中与控制量相乘的参数构建目标参数矩阵，具体的，如式1所示，参数B所表示的矩阵即为与控制量u相乘的矩阵。B表示的矩阵即为目标参数矩阵。
S202：确定所述目标参数矩阵对应的逆矩阵；
本发明实施例提供的方法中，计算目标参数矩阵的逆矩阵。
S203：将所述第三扰动估计量与所述第二扰动估计量作差运算，得到第一运算结果；
本发明实施例提供的方法中，将第三扰动估计量减去第二扰动估计量，两者的差值即为第一运算结果，第一运算结果可以理解是扰动估计模型对于上一时刻状态的扰动估计与对于当前状态的扰动估计的差值。
S204：将所述第一运算结果与所述第一扰动估计量作差运算，得到第二运算结果；
本发明实施例提供的方法中，将第一运算结果减去第一扰动估计量，两者的差值即为第二运算结果。
S205：将所述第二运算结果与所述逆矩阵作乘积运算，将运算结果作为所述第四扰动估计量。
本发明实施例提供的方法中，将第二运算结果乘以目标参数矩阵的逆矩阵，将两者的乘积作为第四扰动估计量。
在上述实施例提供的方法的基础上，本发明实施例提供的方法中，步骤S108中提及的依据所述基础控制输入和所述第四扰动估计量，确定所述当前控制周期的控制时间点对应的控制输入的过程，包括：
将所述基础控制输入与所述第四扰动估计量作和运算，将运算结果作为所述当前控制周期的控制时间点对应的控制输入。
本发明实施例提供的方法中，通过图2所示流程处理得到的第四扰动估计量，可以理解为扰动估计模型对于上一控制时间点状态的扰动估计，减去扰动估计模型对于当前状态的扰动估计，并减去基于时间延迟策略计算的对于上一控制时间点状态的扰动估计所得到的扰动估计量。将基础控制输入与第四扰动估计量相加，将两者的和作为当前控制周期的控制时间点的控制输入。
在图1所示方法的基础上，本发明实施例提供的方法中，还包括：
若所述扰动估计模型不满足所述参数更新条件，则依据所述扰动估计模型，确定所述第一状态量对应的第六扰动估计量和所述第二状态量对应的第七扰动估计量；
本发明实施例提供的方法中，若在步骤S104的判断过程中，经判断，扰动估计模型不满足预设的参数更新条件，则通过当前的扰动估计模型对第一状态量下的扰动进行估计，将估计结果作为第六扰动估计量。通过当前的扰动估计模型对第二状态量下的扰动进行估计，将估计结果作为第七扰动估计量。
依据所述第一扰动估计量、所述第六扰动估计量和所述第七扰动估计量，确定所述当前控制周期的控制时间点对应的第八扰动估计量；
本发明实施例提供的方法中，结合第一扰动估计量、第六扰动估计量和第七扰动估计量，确定当前用于对基础控制输入进行扰动处理的整体扰动估计量，即第八扰动估计量。确定第八扰动估计量的原理与步骤S107中确定第四扰动估计量的原理相同，具体可参见结合图2所提供的实施例中的说明，在此不再赘述。
依据所述基础控制输入和所述第八扰动估计量，确定所述当前控制周期的控制时间点对应的控制输入，以对所述永磁同步电机的电流实行控制。
本发明实施例提供的方法中，通过第八扰动估计量对基础控制输入进行扰动处理，将处理后得到的控制输入作为当前控制周期的控制时间点所对应的控制输入。此步骤的处理原理与步骤S108中的处理原理相同，可参见前文实施例中的说明，在此不再赘述。
为了更好地说明本发明实施例提供的方法，在上述实施例提供的方法的基础上，本发明实施例提供了又一种永磁同步电机电流控制方法，结合实际的模块设计，对本发明实施例提供的永磁同步电机电流控制过程进行说明。本发明实施例提供的方法是一种基于扰动自学习的永磁同步电机的电流控制方法，本发明实施例提供的控制过程的总体控制框图可如图3所示，控制过程主要由自学习控制器实现，其中包含基础控制器（BaselineControl），时间延迟控制（Time Delay Control，TDC）模块以及神经网络（Neural Net，NN）模块。NN模块中配置有神经网络模型，可用于对状态相关的未知扰动进行估计。
需要说明的是，图3仅是示意性的控制框图，图中并未示出所有状态量或计算量与各模块的处理过程之间的关联关系。
本发明实施例提供的控制过程中，基础控制器会根据被控对象（即永磁同步电机）的当前状态和参考模型当前的输入r，输出一个控制输入。自学习控制器可采集被控对象当前的状态量，读取预先记录的前一时刻的控制输入、前一时刻的状态量和前一时刻的状态量的一阶导数等历史数据，TDC模块基于时间延迟的策略，通过前一时刻的控制输入、前一时刻的状态量的一阶导数以及当前的状态量，可以估算前一时刻的扰动量，TDC模块可输出估算得到的扰动量的负数。通过TDC模块估算的扰动量，判断NN模块中的神经网络当前的估计误差是否满足估计需求，若不满足，则通过TDC模块输出的扰动量等数据，对神经网络的模型参数进行更新，NN模块应用更新后的神经网络进行扰动估计。若是神经网络当前的估计误差满足估计需求，则应用当前的神经网络进行扰动估计。NN模块基于被控对象当前的状态量和前一时刻的状态量，通过神经网络分别对上述两个状态量进行扰动估计，NN模块输出对于前一时刻状态的扰动的估计量与对于当前状态的扰动的估计量的差值。将NN模块的输出与TDC模块的输出相加，将其总和与相应逆矩阵作乘积运算，将运算结果与基础控制器的输出相加，则得到最终的控制输入。接下来对于自学习控制器的具体设计进行说明。
在永磁同步电机的电流环控制中，控制器的设计目标是选取合适的控制输入，使闭环系统具有全局有界解，还能使被控对象状态以较小的误差跟踪参考模型的状态。
参考模型可以定义为：
其中，A m 是与式1中的参数A具有相同结构的渐进稳定矩阵，r(t)为有界的参考输入，K为增益系数。A和B的含义与式1中对应参数的含义相同。x m （t）为参考模型的输出，图3中X m 亦为参考模型的输出的简化表示，e为参考模型的输出与被控对象实际状态的追踪误差。
基于图3所示控制框图，控制输入的表达式可如下所示：
其中，u（k）表示当前计算的控制输入，u tdc（k）表示TDC模块的输出，u NN（k）表示NN模块的输出，u fb（k）表示基础控制器的输出，
表示NN模块中神经网络对于状态x p （k）未知扰动的在线估计，L表示延迟时间，
。A、B、K与式1和式2中对应参数的含义相同，B -为B的逆，f()与式1中f对应的含义相同，可基于式1构建其对应的计算模型。
，
，
，是神经网络的未知的矩阵和矢量参数。σ为非线性的连续激活函数。
神经网络的更新控制率的表达式可如下所示：
其中，F、G和H为半正定矩阵，控制着神经网络的学习速度，F∈R m×n ，G∈R (n+1)×(n+1)，H∈R n×n ，
。
e 1（k）表示误差，
，神经网络在最小化误差的基础上进行参数更新。
接下来对于本发明实施例提供的方法的稳定性进行简要分析。
引理1：如果系统模型，参考模型和控制器模型分别如式1，式2和式4所示，在时间0≤t≤T给出，那么，f(x p )和
在0≤t≤T满足一致连续。
关于引理1的证明如下：
当系统模型、参考模型和控制器模型分别如式1、式2和式4所示，在时间0≤t≤T给出，这也意味着
在0≤t≤T是有界的，那么x也是时间t的一致连续函数。
因为f(x p )和
是关于状态量x的平滑函数，所以f(x p )和
是0≤t≤T的一致连续函数。
将追踪误差定义为：e(k)=x p (k)-x m (k)。x m (k)为参考模型的输出。
将式3带入式1，结合式2可得：
应用引理1，可得：
因为A m 是渐进稳定矩阵，故当k→∞，L→0时，追踪误差e(k)→0。
接下来对于神经网络模块的设计必要性进行简要说明。
在引理1的基础上，当k→∞，L→0，系统的状态追踪误差e(k)→0。然而，L常常受系统采样周期的限制，是一个非零的常数，这样就会导致一个很小，但是非零的状态追踪误差。
接下来证明：
，e tdc+fb(k)为采用TDC模块和基础控制器的情况下的追踪误差，e tdc+NN+fb(k)为采用TDC模块、NN模块和基础控制器的情况下的追踪误差。
假设L足够小可以保证引理1中的系统稳定，假设神经网络经过T 1=NL后学习到了系统未知的状态相关扰动，N＞0。
将式3带入式1，并且式3中的u NN（k）设为0，同时结合式2可得仅使用TDC模块和基础控制器的系统误差动态方程：
同理可以得到，同时使用TDC模块、NN模块和基础控制器的系统误差动态方程：
在神经网络在线自学习的过程中，u tdc用来估计系统状态相关内外部扰动，进而用来保持系统的稳定性。假设神经网络完全学习到了系统状态相关非线性信息，有：
那么，
其中，ε为神经网络的近似误差，且ε可以设计得无穷小。
所以可以得到如下关系：
因此我们可以得到：
将式3代入到式1可得：
结合式11，式14可以改写为：
那么，当ε无穷小的时候，
，结合公式3和式15，基于本发明实施例提供的方法，通过TDC模块和NN模块的组合可抵消系统内外部的扰动f（x），从而将系统转化为更容易控制的名义系统，即理论上不存在扰动的系统。由式3可以看出，当u fb为常规PI控制器的输出时，基于时间延迟控制的自学习控制器可认为是理想环境下的PI控制器，一旦确定了PI控制器的参数，即使工况发生较大变化，它也不再需要额外调节PI控制器的参数。
本发明实施例提供的方法，利用TDC模块和NN模块的组合来处理系统内外部的扰动，将存在状态相关扰动的系统转化为更易控制的名义系统。利用基础控制器处理转化后的名义系统，基础控制器的参数能适应理论上的所有工况，无需额外的参数调整。且本发明实施例提供的控制算法的算法需求小，可以运行在常规的电机控制器上。
与图1所示的一种永磁同步电机电流控制方法相对应的，本发明实施例还提供了一种永磁同步电机电流控制装置，用于对图1中所示方法的具体实现，其结构示意图如图4所示，包括：
第一确定单元301，用于确定当前控制周期的控制时间点对应的状态信息；所述状态信息包括第一状态量和第二状态量，所述第一状态量为被控的永磁同步电机当前的电流，所述第二状态量为目标时间点所述永磁同步电机的电流；所述目标时间点为所述当前控制周期的上一个控制周期的控制时间点；
第二确定单元302，用于确定历史控制输入和基础控制输入；所述历史控制输入为所述目标时间点对应的控制输入，所述基础控制输入为预设的基础控制器当前输出的控制输入；
第三确定单元303，用于依据所述状态信息、所述历史控制输入、预设的电机定子电流数学模型和预设的时间延迟策略，确定第一扰动估计量；
判断单元304，用于依据所述第一扰动估计量，判断预设的扰动估计模型是否满足预设的参数更新条件；所述扰动估计模型为基于神经网络构建的模型；
更新单元305，用于若所述扰动估计模型满足所述参数更新条件，则依据预设的自学习策略，对所述扰动估计模型的模型参数进行更新，得到更新后的扰动估计模型；
第四确定单元306，用于依据所述更新后的扰动估计模型，确定所述第一状态量对应的第二扰动估计量和所述第二状态量对应的第三扰动估计量；
第五确定单元307，用于依据所述第一扰动估计量、所述第二扰动估计量和所述第三扰动估计量，确定所述当前控制周期的控制时间点对应的第四扰动估计量；
第六确定单元308，用于依据所述基础控制输入和所述第四扰动估计量，确定所述当前控制周期的控制时间点对应的控制输入，以对所述永磁同步电机的电流实行控制。
应用本发明实施例提供的装置，可结合时间延迟策略和扰动估计模型对于扰动的估计，对基础控制器输出的控制输入进行扰动处理，得到最终的控制输入。而扰动估计模型在进行扰动估计时，可以进行自学习，当扰动发生变化时，扰动估计模型可调整模型参数，适应当前工况下的扰动估计。在控制设计中，仅需合理配置基础控制器的参数，在控制过程中，无需额外对基础控制器进行参数调整，便可在各种工况的扰动状态下实行稳定控制。
在图4所示装置的基础上，本发明实施例提供的装置还可以进一步扩展出多个单元，各个单元的功能可参见前文对于永磁同步电机电流控制方法所提供的各个实施例中的说明，在此不再进一步举例说明。
本发明实施例还提供了一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行如上述的永磁同步电机电流控制方法。
本发明实施例还提供了一种电子设备，其结构示意图如图5所示，具体包括存储器401，以及一个或者一个以上的指令402，其中一个或者一个以上指令402存储于存储器401中，且经配置以由一个或者一个以上处理器403执行所述一个或者一个以上指令402进行以下操作：
确定当前控制周期的控制时间点对应的状态信息；所述状态信息包括第一状态量和第二状态量，所述第一状态量为被控的永磁同步电机当前的电流，所述第二状态量为目标时间点所述永磁同步电机的电流；所述目标时间点为所述当前控制周期的上一个控制周期的控制时间点；
确定历史控制输入和基础控制输入；所述历史控制输入为所述目标时间点对应的控制输入，所述基础控制输入为预设的基础控制器当前输出的控制输入；
依据所述状态信息、所述历史控制输入、预设的电机定子电流数学模型和预设的时间延迟策略，确定第一扰动估计量；
依据所述第一扰动估计量，判断预设的扰动估计模型是否满足预设的参数更新条件；所述扰动估计模型为基于神经网络构建的模型；
若所述扰动估计模型满足所述参数更新条件，则依据预设的自学习策略，对所述扰动估计模型的模型参数进行更新，得到更新后的扰动估计模型；
依据所述更新后的扰动估计模型，确定所述第一状态量对应的第二扰动估计量和所述第二状态量对应的第三扰动估计量；
依据所述第一扰动估计量、所述第二扰动估计量和所述第三扰动估计量，确定所述当前控制周期的控制时间点对应的第四扰动估计量；
依据所述基础控制输入和所述第四扰动估计量，确定所述当前控制周期的控制时间点对应的控制输入，以对所述永磁同步电机的电流实行控制。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种永磁同步电机电流控制方法，其特征在于，包括：
确定当前控制周期的控制时间点对应的状态信息；所述状态信息包括第一状态量和第二状态量，所述第一状态量为被控的永磁同步电机当前的电流，所述第二状态量为目标时间点所述永磁同步电机的电流；所述目标时间点为所述当前控制周期的上一个控制周期的控制时间点；
确定历史控制输入和基础控制输入；所述历史控制输入为所述目标时间点对应的控制输入，所述基础控制输入为预设的基础控制器当前输出的控制输入；
依据所述状态信息、所述历史控制输入、预设的电机定子电流数学模型和预设的时间延迟策略，确定第一扰动估计量；
依据所述第一扰动估计量，判断预设的扰动估计模型是否满足预设的参数更新条件；所述扰动估计模型为基于神经网络构建的模型；
若所述扰动估计模型满足所述参数更新条件，则依据预设的自学习策略，对所述扰动估计模型的模型参数进行更新，得到更新后的扰动估计模型；
依据所述更新后的扰动估计模型，确定所述第一状态量对应的第二扰动估计量和所述第二状态量对应的第三扰动估计量；
依据所述第一扰动估计量、所述第二扰动估计量和所述第三扰动估计量，确定所述当前控制周期的控制时间点对应的第四扰动估计量；
依据所述基础控制输入和所述第四扰动估计量，确定所述当前控制周期的控制时间点对应的控制输入，以对所述永磁同步电机的电流实行控制。
2.根据权利要求1所述的方法，其特征在于，所述依据所述状态信息、所述历史控制输入、预设的电机定子电流数学模型和预设的时间延迟策略，确定第一扰动估计量，包括：
依据所述状态信息，确定所述目标时间点对应的状态变化量；所述状态变化量为所述第二状态量对时间的一阶导数；
将所述状态变化量、所述第一状态量以及所述历史控制输入，代入所述电机定子电流数学模型进行扰动计算，将计算结果作为所述第一扰动估计量。
3.根据权利要求1所述的方法，其特征在于，所述依据所述第一扰动估计量，判断预设的扰动估计模型是否满足预设的参数更新条件，包括：
将所述第二状态量输入所述扰动估计模型，经所述扰动估计模型处理后，获取所述扰动估计模型输出的扰动估计量，将该扰动估计量作为第五扰动估计量；
计算所述扰动估计模型对应的估计误差；所述估计误差为所述第一扰动估计量与所述第五扰动估计量之间的差值；
判断所述估计误差是否大于预设的误差阈值；
若所述估计误差大于所述误差阈值，则确定所述扰动估计模型满足所述参数更新条件。
4.根据权利要求1所述的方法，其特征在于，所述依据所述更新后的扰动估计模型，确定所述第一状态量对应的第二扰动估计量和所述第二状态量对应的第三扰动估计量，包括：
将所述第一状态量输入所述更新后的扰动估计模型，经所述更新后的扰动估计模型处理后，获取所述更新后的扰动估计模型输出的扰动估计量，并将该扰动估计量作为所述第二扰动估计量；
将所述第二状态量输入所述更新后的扰动估计模型，经所述更新后的扰动估计模型处理后，获取所述更新后的扰动估计模型输出的扰动估计量，并将该扰动估计量作为所述第三扰动估计量。
5.根据权利要求1所述的方法，其特征在于，所述依据所述第一扰动估计量、所述第二扰动估计量和所述第三扰动估计量，确定所述当前控制周期的控制时间点对应的第四扰动估计量，包括：
确定目标参数矩阵；所述目标参数矩阵为基于所述电机定子电流数学模型中与控制量相乘的参数所构建的矩阵；
确定所述目标参数矩阵对应的逆矩阵；
将所述第三扰动估计量与所述第二扰动估计量作差运算，得到第一运算结果；
将所述第一运算结果与所述第一扰动估计量作差运算，得到第二运算结果；
将所述第二运算结果与所述逆矩阵作乘积运算，将运算结果作为所述第四扰动估计量。
6.根据权利要求5所述的方法，其特征在于，所述依据所述基础控制输入和所述第四扰动估计量，确定所述当前控制周期的控制时间点对应的控制输入，包括：
将所述基础控制输入与所述第四扰动估计量作和运算，将运算结果作为所述当前控制周期的控制时间点对应的控制输入。
7.根据权利要求1所述的方法，其特征在于，还包括：
若所述扰动估计模型不满足所述参数更新条件，则依据所述扰动估计模型，确定所述第一状态量对应的第六扰动估计量和所述第二状态量对应的第七扰动估计量；
依据所述第一扰动估计量、所述第六扰动估计量和所述第七扰动估计量，确定所述当前控制周期的控制时间点对应的第八扰动估计量；
依据所述基础控制输入和所述第八扰动估计量，确定所述当前控制周期的控制时间点对应的控制输入，以对所述永磁同步电机的电流实行控制。
8.一种永磁同步电机电流控制装置，其特征在于，包括：
第一确定单元，用于确定当前控制周期的控制时间点对应的状态信息；所述状态信息包括第一状态量和第二状态量，所述第一状态量为被控的永磁同步电机当前的电流，所述第二状态量为目标时间点所述永磁同步电机的电流；所述目标时间点为所述当前控制周期的上一个控制周期的控制时间点；
第二确定单元，用于确定历史控制输入和基础控制输入；所述历史控制输入为所述目标时间点对应的控制输入，所述基础控制输入为预设的基础控制器当前输出的控制输入；
第三确定单元，用于依据所述状态信息、所述历史控制输入、预设的电机定子电流数学模型和预设的时间延迟策略，确定第一扰动估计量；
判断单元，用于依据所述第一扰动估计量，判断预设的扰动估计模型是否满足预设的参数更新条件；所述扰动估计模型为基于神经网络构建的模型；
更新单元，用于若所述扰动估计模型满足所述参数更新条件，则依据预设的自学习策略，对所述扰动估计模型的模型参数进行更新，得到更新后的扰动估计模型；
第四确定单元，用于依据所述更新后的扰动估计模型，确定所述第一状态量对应的第二扰动估计量和所述第二状态量对应的第三扰动估计量；
第五确定单元，用于依据所述第一扰动估计量、所述第二扰动估计量和所述第三扰动估计量，确定所述当前控制周期的控制时间点对应的第四扰动估计量；
第六确定单元，用于依据所述基础控制输入和所述第四扰动估计量，确定所述当前控制周期的控制时间点对应的控制输入，以对所述永磁同步电机的电流实行控制。
9.一种存储介质，其特征在于，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行如权利要求1~7任意一项所述的永磁同步电机电流控制方法。
10.一种电子设备，其特征在于，包括存储器，以及一个或者一个以上的指令，其中一个或者一个以上指令存储于存储器中，且经配置以由一个或者一个以上处理器执行如权利要求1~7任意一项所述的永磁同步电机电流控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310311240.2A CN116015119B (zh) | 2023-03-28 | 2023-03-28 | 永磁同步电机电流控制方法及装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310311240.2A CN116015119B (zh) | 2023-03-28 | 2023-03-28 | 永磁同步电机电流控制方法及装置、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116015119A CN116015119A (zh) | 2023-04-25 |
| CN116015119B true CN116015119B (zh) | 2023-06-23 |
Family
ID=86021453
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310311240.2A Active CN116015119B (zh) | 2023-03-28 | 2023-03-28 | 永磁同步电机电流控制方法及装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116015119B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115622458A (zh) * | 2022-11-09 | 2023-01-17 | 国网黑龙江省电力有限公司绥化供电公司 | 一种基于数据驱动的永磁同步电机预设性能控制方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2924870B1 (en) * | 2014-03-24 | 2021-10-13 | maxon international ag | Method for determining the position of a rotor of a polyphase motor |
-
2023
- 2023-03-28 CN CN202310311240.2A patent/CN116015119B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115622458A (zh) * | 2022-11-09 | 2023-01-17 | 国网黑龙江省电力有限公司绥化供电公司 | 一种基于数据驱动的永磁同步电机预设性能控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116015119A (zh) | 2023-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Control of rotary inverted pendulum using model-free backstepping technique | |
| Yu et al. | Approximation-based discrete-time adaptive position tracking control for interior permanent magnet synchronous motors | |
| Cao et al. | Stability Margins of ${\cal L} _ {1} $ Adaptive Control Architecture | |
| JP6485644B2 (ja) | 誘導モーターの角速度を制御する方法およびモータードライブ | |
| Ornelas‐Tellez et al. | Optimal tracking for state‐dependent coefficient factorized nonlinear systems | |
| Izadbakhsh | A note on the “nonlinear control of electrical flexible-joint robots” | |
| Mandra et al. | Robust guaranteed cost ILC with dynamic feedforward and disturbance compensation for accurate PMSM position control | |
| CN108390597A (zh) | 带有扰动观测器的永磁同步电机非线性预测控制器设计 | |
| CN112564557B (zh) | 一种永磁同步电机的控制方法、装置、设备及存储介质 | |
| CN115085611B (zh) | 一种直线电机运动控制方法、装置、设备及存储介质 | |
| Morales et al. | Adaptive control based on fast online algebraic identification and GPI control for magnetic levitation systems with time-varying input gain | |
| Tyukin et al. | Adaptive control with nonconvex parameterization | |
| Gundogdu et al. | Comparison of Si-ANN and extended Kalman filter-based sensorless speed controls of a DC motor | |
| CN112769367A (zh) | 永磁直线电机数据驱动离散迭代积分滑模控制方法及系统 | |
| Meng et al. | Adaptive EPCH strategy for nonlinear systems with parameters uncertainty and disturbances | |
| Akgün et al. | System identification using LMS, RLS, EKF and neural network | |
| Chi et al. | Dynamic linearization and extended state observer-based data-driven adaptive control | |
| CN116015119B (zh) | 永磁同步电机电流控制方法及装置、存储介质及电子设备 | |
| CN114665780A (zh) | 永磁同步电机的控制方法、装置、设备及存储介质 | |
| Li et al. | Identification for nonlinear systems modelled by deep long short-term memory networks based Wiener model | |
| Sehili et al. | Ultra-local model design based on real-time algebraic and derivative estimators for position control of a DC motor | |
| CN116805849A (zh) | 一种永磁同步电机的连续集模型预测控制方法 | |
| CN109992907A (zh) | 基于粒子群的连续搅拌釜反应器维纳非线性模型辨识方法 | |
| Thakar et al. | Fractional-order PI controller for permanent magnet synchronous motor: A design-based comparative study | |
| CN116418260A (zh) | 永磁同步电机的转矩估测方法、装置、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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |