CN116599399A - 一种永磁同步电机控制方法和永磁同步电机 - Google Patents
一种永磁同步电机控制方法和永磁同步电机 Download PDFInfo
- Publication number
- CN116599399A CN116599399A CN202210120180.1A CN202210120180A CN116599399A CN 116599399 A CN116599399 A CN 116599399A CN 202210120180 A CN202210120180 A CN 202210120180A CN 116599399 A CN116599399 A CN 116599399A
- Authority
- CN
- China
- Prior art keywords
- current
- axis
- motor
- value
- dref
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 39
- 238000003062 neural network model Methods 0.000 claims abstract description 40
- 238000009966 trimming Methods 0.000 claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 230000008859 change Effects 0.000 claims abstract description 17
- 230000004044 response Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 33
- 239000002131 composite material Substances 0.000 claims description 3
- 230000004907 flux Effects 0.000 claims description 3
- 101000841267 Homo sapiens Long chain 3-hydroxyacyl-CoA dehydrogenase Proteins 0.000 abstract 2
- 102100029107 Long chain 3-hydroxyacyl-CoA dehydrogenase Human genes 0.000 abstract 2
- JJYKJUXBWFATTE-UHFFFAOYSA-N mosher's acid Chemical compound COC(C(O)=O)(C(F)(F)F)C1=CC=CC=C1 JJYKJUXBWFATTE-UHFFFAOYSA-N 0.000 abstract 2
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 230000009466 transformation Effects 0.000 description 10
- 238000012937 correction Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003313 weakening effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- H02P21/0085—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation specially adapted for high speeds, e.g. above nominal speed
- H02P21/0089—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation specially adapted for high speeds, e.g. above nominal speed using field weakening
-
- 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
-
- 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
- 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)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Control Of Ac Motors In General (AREA)
Abstract
公开了一种永磁同步电机控制方法和永磁同步电机。所述方法包括:响应于电机进入温度和转速恒定的稳定状态,微调d轴参考电流idref的取值;在电机的转速随idref的取值微调而变化并再次恒定时,判定合成电流is取值的变化方向,其中合成电流is基于电机的q轴电流iq和d轴电流id求取;以及重复所述微调和判定操作,直到is的取值最小,并将is取值最小时对应的idref的取值及对应的iqref作为当前温度t下的最优工作点。本发明通过基于当前温度的搜索策略,提供更为准确的MTPA最佳工作点。本发明还进一步加入了基于神经网络的自学习功能,经搜索策略训练的神经网络模型,能够使电机在不同温度和负载下快速找到最佳MTPA工作点,并可移植到同一个型号产品的所有电机中。
Description
技术领域
本公开涉及一种电机领域,尤其涉及一种永磁同步电机控制方法和对应的永磁同步电机
背景技术
在永磁同步电机(PMSM)控制过程中,为了使得在整个控制周期均可获得最大转矩输出,常采用FOC(Field-Oriented Control,磁定向矢量控制)对电机施加控制。
为了在恒转矩区域提供最佳控制,现有技术采用公式法、查表法、基于转矩角自校正和高频信号注入法等对电机进行控制。然而公式法受电机参数影响很大,查表法需要花费大量时间进行试验测试,高频信号注入法会增加额外额外功耗和转矩脉震,基于电机矢量角自校正在低速下性能不佳。
为此,需要一种改进的永磁同步电机控制方法。
发明内容
本公开要解决的一个技术问题是提供一种永磁同步电机的控制方法,该方法通过对各种工作条件的综合考虑,基于MTPA控制策略快速找出电机在当前稳定状态下的最佳工作点。上述最佳工作点可进一步用于训练神经网络模型,经训练的模型用于在不同温度和负载下迅速找出最佳工作点,从而为电机控制提供良好的动态性能。
根据本公开的第一个方面,提供了一种永磁同步电机控制方法,包括:响应于所述电机进入温度和转速恒定的稳定状态,微调d轴参考电流idref的取值;在所述电机的转速随所述d轴参考电流idref的取值微调而变化并再次恒定时,判定合成电流is取值的变化方向,其中所述合成电流is基于所述电机的q轴反馈电流iq和d轴反馈电流id求取;以及重复所述微调和判定操作,直到所述合成电流is的取值最小,并将所述合成电流is取值最小时对应的所述d轴参考电流idref的取值及对应的q轴参考电流iqref作为当前温度t下的最优工作点。
可选地,所述方法还包括:取得初始转速对应的q轴参考电流iqref的初始值;将所述q轴参考电流iqref的初始值带入d轴参考电流拟合公式,求取所述d轴参考电流idref的初始值,其中,以求取的所述d轴参考电流idref的初始值作为所述微调操作的起始点。
可选地,所述方法还包括:将基于所述电机的三相电流求取的所述q轴反馈电流iq和所述d轴反馈电流id进行快速傅里叶变换,得到q轴反馈电流直流分量iqf和d轴反馈电流直流分量idf;以及
基于所述q轴反馈电流直流分量iqf和所述d轴反馈电流直流分量idf求取所述合成电流is。
可选地,重复所述微调和判定操作,直到所述合成电流is的取值最小包括:在当前合成电流is的取值小于或等于在前合成电流is的取值的情况下,继续以当前微调方向进行下一次的d轴参考电流idref取值微调,直到当前合成电流is的取值大于在前合成电流is的取值;在当前合成电流is的取值大于在前合成电流is的取值的情况下,将微调方向改为与当前微调方向相反以进行下一次的d轴参考电流idref取值微调;以及判定所述当前合成电流is的取值变大的前次微调操作中的所述合成电流is取值最小,则以所述前次微调操作中所述d轴参考电流idref的取值及对应的所述q轴参考电流iqref作为所述当前温度t下的所述最优工作点。
可选地,重复所述微调和判定操作,直到所述合成电流is的取值最小还包括:计数将所述微调方向改为与当前微调方向相反的次数,如果所述次数超过阈值,则确定所述当前合成电流is的取值变大的前次微调操作中的所述合成电流is取值最小。
可选地,所述方法还包括:响应于所述电机的所述当前温度t发生变化,清除最佳工作点标志;以及根据被清除的所述最佳工作点标志,重新求取所述最优工作点。
可选地,所述方法还包括:将所述当前温度t下的最优工作点对应的所述d轴参考电流idref和所述q轴参考电流iqref分别记录为d轴轨迹电流idmtpa和q轴轨迹电流iqmtpa;将所述当前温度t和q轴轨迹电流iqmtpa作为输入,将所述d轴轨迹电流idmtpa作为标签,构造训练数据集;基于构造的训练数据集训练电机工作轨迹神经网络模型,以获取经训练的电机工作轨迹神经网络模型。
可选地,所述方法还包括:基于d轴参考电流拟合公式,求取与q轴参考电流iqref相对应的理想d轴参考电流idref;使用带入拟合公式的q轴参考电流iqref作为输入,使用对应的理想d轴参考电流idref作为标签,对所述电机工作轨迹神经网络模型进行初始训练;以及基于所述初始训练获取的所述电机工作轨迹神经网络模型的初始化参数,进行基于包括所述当前温度t、所述q轴轨迹电流iqmtpa和所述d轴轨迹电流idmtpa的训练数据集的所述训练,以获得经训练的电机工作轨迹神经网络模型的经训练参数。
可选地,所述经训练参数包括隐含层的权值和偏置值,及输出层的权值和偏置值。
可选地,所述d轴参考电流拟合公式为:
其中ψf为所述电机的转子永磁体磁链,Ld和Lq分别为所述电机的定子d轴和q轴电感。
可选地,所述方法还包括:将当前温度t和q轴参考电流iqref输入经训练的所述电机工作轨迹神经网络模型;以及获取所述电机工作轨迹神经网络模型的输出的d轴参考电流idref并结合输入的q轴参考电流iqref作为最佳工作点来对所述电机进行控制。
可选地,所述合成电流is取值最小时对应的所述q轴参考电流iqref为:基于探索到所述合成电流is最小时恒定的电机转速,获取速度环的输出作为所述q轴参考电流iqref。
根据本公开的第二个方面,提供了一种永磁同步电机,包括:电机;磁定向矢量控制模块,用于获取当前转速下所述电机的q轴参考电流iqref;温度传感器,用于获取所述电机的当前温度t;神经网络推理模块,用于将所述当前温度t和所述q轴参考电流iqref作为输入送入如第一方面所述的经训练的电机工作轨迹神经网络模型,并获取所述模型的预测结果;其中,将所述预测结果作为d轴参考电流idref并结合输入的所述q轴参考电流iqref作为最佳工作点送入所述磁定向矢量控制模块,用于对所述电机进行控制。
可选地,所述电机还包括:存储装置,用于存储所述经训练的电机工作轨迹神经网络模型的经训练参数和代码。
由此,本发明通过基于当前温度的搜索策略,提供与当前温度对应的更为准确的MTPA最佳工作点。由于MTPA搜索策略的动态性能较差,本发明还进一步加入了基于神经网络的自学习功能。经过搜索策略训练的神经网络模型,能够使电机在不同温度和负载情况下快速找到最佳MTPA工作点,动态性能良好并可移植到同一个型号产品的所有电机中。
附图说明
通过结合附图对本公开示例性实施方式进行更详细的描述,本公开的上述以及其它目的、特征和优势将变得更加明显,其中,在本公开示例性实施方式中,相同的参考标号通常代表相同部件。
图1示出了针对PMSM的FOC控制原理图。
图2示出了根据本发明一个实施例的永磁同步电机控制方法的示意性流程图。
图3示出了用于实施本发明的永磁同步电机控制方法的FOC模块图。
图4示出了本发明的永磁同步电机控制方法的一个优选实现。
图5示出了根据本发明一个实施例的基于神经网络的永磁同步电机控制方法的示意性流程图。
图6示出了用于实施本发明的永磁同步电机控制方法的FOC模块图。
图7示出了根据本发明一个实施例的永磁同步电机的组成示意图。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式,然而应该理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
在永磁同步电机(PMSM)控制过程中,为了使得在整个控制周期均可获得最大转矩输出,常采用FOC(磁定向矢量控制)对电机施加控制。图1示出了针对PMSM的FOC控制原理图。
如图所示,诸如磁编码器的位置传感器获取电机M的转子转速n和转子位置θ。在实际应用中例如基于用户输入得到的转速参考nref与获取的转子转速n作差,并被输入到PID1(即,速度环PID)。速度环PID的输出为q轴参考电流iqref。为简单起见,在不进行弱磁控制时,可以设d轴参考电流idref=0。此时,可以将q轴和d轴的参考电流iqref和idref与电机的实际反馈的q轴和d轴电流iq和id(其后也可称为q轴反馈电流iq和d轴反馈电流id)作差,并分别经过PID2(即,q轴电流环)和PID3(即,d轴电流环)调节后输出q轴和d轴电压Vd和Vq,再经过Park逆变换转换为α轴和β轴电压Vα和Vβ、再经过SVPWM(空间电压矢量调制)得到三相电压Va、Vb、Vc,经由三相逆变桥驱动电机M转动。在FOC控制中,采集三相电流ia、ib、ic,经过Clark变换得到α轴和β轴电流iα和iβ、再经过Park变换得到反馈的q轴和d轴电流id和iq,分别输入参与电流环PID2和PID3控制。而位置传感器获取的转子位置θ则在Park变换和Park逆变换中会被用到。
然而,在很多情况下,需要对电机进行弱磁控制,即,此时d轴参考电流idref≠0。此时,可以使用MTPA控制策略来对永磁同步电机,尤其是凸极PMSM进行恒转矩区域的最优控制。具体地,MTPA(Maximum Torque Per Ampere,最大转矩电流比控制)控制策略是一种用于FOC控制的恒转矩区域内的最优控制策略。使用该策略,可以在使用相同电流的情况下输出最大的电磁转矩;同样,可以在输出相同转矩的情况下所需的电流最小。
然而,由于现有MTPA控制的动态性能不佳,在负载突变或者加/减速时基于MTPA搜索到的最佳工作点会失效,因此一般只能在电机稳定运行时进行再次搜索。
为此,本发明提出一种新的搜索策略,通过同时考虑温度和负载,得到在不同温度和运行条件下的MTPA工作轨迹模型。该策略还可以进一步结合BP神经网络的自学习功能,实现良好的动态性能,便于移植到同一型号的不同电机中,并且使得电机在不同温度和负载情况下迅速找到最佳MTPA工作点。
图2示出了根据本发明一个实施例的永磁同步电机控制方法的示意性流程图。该方法可由例如图1所示的FOC控制,结合本发明的MTPA搜索策略来实现。图3示出了用于实施本发明的永磁同步电机控制方法的FOC模块图。参见图3可知,相比于图1所示的FOC控制电路,图3所示的FOC模块图还额外包括了MTPA搜索策略模块310、温度传感器320以及可选的FFT变换模块330。换句话说,可以看作是使用图3所示的功能模块310~330结合FOC控制实现了本发明的图2所示的永磁同步电机控制方法。
在步骤S210,响应于所述电机进入温度和转速恒定的稳定状态,微调d轴参考电流idref的取值。
在步骤S220,在所述电机的转速随d轴参考电流idref的取值微调而变化并再次恒定时,判定合成电流is取值的变化方向,其中合成电流is基于电机的q轴电流iq和d轴电流id求取。
在步骤S230,重复所述微调和判定操作,直到所述合成电流is的取值最小,并将所述合成电流is取值最小时所对应的d轴参考电流idref的取值及对应的q轴参考电流iqref作为当前温度t下的最优工作点。
由此,通过不断微调d轴参考电流idref的取值,搜索到合成电流is的最小值,并将该is最小值所对应的d轴参考电流idref的取值和此时速度环PID1输出的q轴参考电流iqref作为最佳工作点,来实现MTPA控制中输出相同转矩的情况下所需的电流最小的效果。
不同于不进行弱磁控制直接设d轴参考电流idref=0的图1,在图3的实现中包括用于求取最佳d轴参考电流idref的MTPA搜索策略模块310。也可认为由该MTPA搜索策略模块310实现了如上的步骤210-230。MTPA搜索策略模块310需要在电机转速进入恒定状态并且当前温度也恒定的情况下进行最佳d轴参考电流idref的搜索。上述搜索包括微调d轴参考电流idref,并判定由此得到的合成电流is是否变小。如果变小,则以当前微调方向(例如,将d轴参考电流idref继续减小一个值Δid)继续下一次微调,如果变大,则更改当前微调方向(例如,将d轴参考电流idref从减小改为增大一个值Δid)。
如步骤S210所述,对d轴参考电流idref的微调需要以电机转速稳定并且电机本体温度稳定为前提。为此,除了常规FOC控制已有的位置传感器用于测定转子转速n之外,本发明的FOC模块还可以额外包括温度传感器320,用于测定电机本体的当前温度t。转子转速n和当前温度t被送入MTPA搜索策略模块310,使得MTPA搜索策略模块310可以判定电机已进入可以进行搜索的稳定状态(例如,转子转速n和当前温度t在连续3次的采样中保持不变),并且可以进行针对d轴参考电流idref的微调。
在针对当前电机运行条件(例如,当前温度和转速)进行d轴参考电流idref微调时,需要首先从一个初始值开始。在一个实施例中,初始值可以为0,或是任意其他的经验值,例如基于当前转速n的经验值。例如,当假设d轴参考电流idref的初始值为0时,可以任选一个微调方向(例如,将d轴参考电流idref增大一个值Δid),并观察该微调方向(即,增大方向)下合成电流is是否变小。如果变小,则继续以该微调方向进行微调,而如果合成电流is变大,则变换微调方向。
在一个实施例中,可以根据当前负载情况下电机开始转动时的q轴参考电流iqref,根据已有的公式求取对应的d轴参考电流idref的公式理想值来作为微调的初始值。值得注意的是,转子转速n输入速度环PID1可得到对应的q轴参考电流iqref,转速n的变化可能由多种因素引起:例如电机的负载改变,或者或者电机需要加速/减速时输入的转速参考nref改变,等等。
理想情况下,电机参数不发生变化,于是MTPA控制时,电机的d轴电流和q轴电流满足如下拟合公式:
其中ψf为电机M的转子永磁体磁链,Ld和Lq分别为电机M的定子d轴和q轴电感。但在实际操作中,当温度和磁场变化时,电机参数会发生变化,不能按照上述拟合公式求取的d轴参考电流idref直接进行MTPA控制。在由于实际的最佳工作点是由于电机参数变化而导致的偏移,因此根据该公式求取的理想值应该离真实最佳值不远,因此可以首先求取当前负载条件下电机开始转动的初始转速n对应的q轴参考电流iqref的初始值。如图3所示,并与图1类似,位置传感器通过U_bus(U总线)测量电机M的运动状态,包括电机的转子转速n和转子角度θe。将转速参考nref与获取的转子转速n作差,并被输入到PID1(即,速度环PID)。速度环PID的输出即为q轴参考电流iqref。
如上求取的q轴参考电流iqref的初始值被带入d轴参考电流拟合公式(1),由此求取d轴参考电流idref的初始值,其中,以求取的所述d轴参考电流idref的初始值作为所述微调操作的起始点。
在获取了d轴参考电流idref的初始值之后,可以如步骤S210所示对d轴参考电流idref进行微调,例如,将d轴参考电流idref增大或减小一个值Δid。在此,Δid可以是一个经验值,也可以基于电机的最小控制精度确定。而最初微调的方向也可以是增大或减小中的任一方向。
而在进行了初次微调之后,例如,将d轴参考电流idref增大一个值Δid之后,由于d轴参考电流idref微变使得PID3(即,d轴电流环)调节后输出的Vd微变,因此在经过Park逆变换、SVPWM(空间电压矢量调制)得到三相电压Va、Vb、Vc微变,从而使得电机的转子转速n也发生变化(例如,也是微小变化)。于是,可以如步骤S220所示,在电机的转速n随d轴参考电流idref的取值微调而变化并再次恒定时,判定合成电流is取值的变化方向。在此,合成电流is的计算遵循如下公式:
其中id和iq为电机的d轴和q轴反馈电流,可以在电机转速重新稳定后(此时温度t不变,否则需要重新搜索)采集三相电流ia、ib、ic,经过Clark变换、基于位置传感器获取的转子位置θe进行的Park变换得到微变的d轴和q轴反馈电流id和iq,由此求取合成电流is。
在实际操作中,由于实际逆变器中死区效应的存在,反馈电流id和iq会含有多种谐波,不利于合成电流is的准确计算。为此,在本发明中,可以对反馈电流id和iq进行FFT(快速傅里叶变换)变换,提取直流分量idf和iqf,用来更为准确地计算is。为此,如图3所示,Park变换得到的反馈电流id和iq可被送入FFT变换模块330,求取直流分量idf和iqf。此时,合成电流is的计算遵循如下公式:
为此,本发明的永磁同步电机控制方法还可以包括:将基于所述电机的三相电流求取的q轴反馈电流iq和d轴反馈电流id进行快速傅里叶变换,得到q轴反馈电流直流分量iqf和d轴反馈电流直流分量idf;以及基于所述q轴反馈电流直流分量iqf和所述d轴反馈电流直流分量idf求取所述合成电流is。
无论是基于公式(2),还是基于更为准确的公式(3),在基于微变的反馈电流id和iq求取当前的合成电流is之后,可以将当前的合成电流is与反馈电流id和iq微变之前的合成电流is的取值相比较,如果取值变小,说明搜索方向正确,随后可以继续将d轴参考电流idref增大一个值Δid的微调操作;而如果取值变大,则说明搜索方向错误,并且可以将微调改为将d轴参考电流idref减小一个值Δid(甚至在第一次微调后就转向时改为减小两个Δid,因为减小一个是返回初始值)。由此,重复所述微调和判定操作,直到所述合成电流is的取值最小。此时,对应的d轴参考电流idref的取值及对应的q轴参考电流iqref即可作为当前温度t下的最优工作点。
而当电机运行状态方式变化时,例如当前温度t发生变化,或是当前转速发生变化(例如,由于负载发生变化,或者电机需要加速/减速时输入的转速参考nref改变,都可能引起当前转速n发生变化)时,需要重新进行如上所述的MTPA搜索,以确定新状态下的新工作点。
由此,当电机稳定运行(电机本体温度和转速恒定)时,更改d轴参考电流idref的取值,使得电机输出转矩微变,转速微变,通过速度PID环(PID1)的调整,当电机转速n再次稳定时,转速n对应的iqref也发生变化,基于iq和id求取的合成电流is也发生变化。通过不断改变idref的取值,最终找到一个最小的is,此时对应的d轴参考电流idref的取值及对应的q轴参考电流iqref就是当前状态下的MTPA控制点。
图4示出了本发明的永磁同步电机控制方法的一个优选实现。当电机开始转动时,判定是否为当前状态下的首次搜索。如果是,则进入流程图最左侧分支,将初始转速对应的速度环PID1输出iqref带入拟合公式(对如上公式(1)分段拟合)中,计算idref的初始值,以此作为后续进行MTPA搜索的微调操作的起始点,等待电机转速n稳定。当电机转速n稳定后,初始化搜索方向,其中“搜索方向”取值为1或者-1;基于反馈电流iq和id通过FFT变换模块330得到iqf和idf以计算初始化合成电流is,并使得最小电流变量is_min=is;并改变d轴电流参考值idref+=(搜索方向*Δid)。Δid可以设置为固定,也可以设置为变化值。由于此时idref发生变化,电机的转速n会发生变化。
在首次搜索的初始设置完成之后,流程进入右侧部分。在未到达最佳工作点(例如最佳工作点标志MTPA_Flag==1表示到达最佳工作点)时,等待电机转速n稳定,当判断到转速n稳定并且当前温度t未发生改变后,再次基于反馈电流iq和id通过FFT变换模块330得到iqf和idf以求取合成电流is,并判断is与is_min的大小。
如果is变小了,则说明搜索方向正确,继续沿着该方向改变idref的值,直到搜索到is变大时,停止搜索。具体而言,在当前合成电流is的取值小于或等于在前合成电流is的取值(即图4中的is<=is_min的Y分支)的情况下,继续以当前微调方向(例如每次微调将idref增加一个Δid)进行下一次的idref取值微调(执行is_min=is;并微调idref+=(搜索方向*Δid),其中搜索方向=1或-1),直到当前合成电流is的取值大于在前合成电流is的取值(即图4中的is<=is_min的N分支)。
如果is变大了,说明本次搜索方向不对,需要改变搜索方向,继续搜索。如果改变搜索方向后,is仍然没有变小,说明两个搜索方向都不对,则可进行报错。具体而言,在当前合成电流is的取值大于在前合成电流is的取值(即图4中的is<=is_min的N分支)的情况下,将微调方向改为与当前微调方向相反以进行下一次的idref取值微调(执行搜索方向取反,例如如果原来搜索方向为1,则更改为-1;并微调idref+=(搜索方向*Δid))。
另一种is变大的情形是,之前多次沿着同一方向微调的搜索方向是正确的,并且is的取值变大(图4中的is<=is_min的N分支)的前一次微调操作中的is取值就是需要搜索的最小值。在一些实施例中,可判定当前合成电流is的取值变大的前次微调操作中的合成电流is取值最小,则以前次微调操作中idref的取值及速度环输出的q轴参考电流iqref作为当前温度t下的最优工作点(iqref,idref)。为了恢复到前一次微调操作中的is取值,同样执行搜索方向取反,例如如果原来搜索方向为1,则更改为-1;并微调idref+=(搜索方向*Δid),以先恢复本次微调。
在图4所示的例子中,可以在搜索到最小is时进行验证,例如在最小is处进行Δid的反复加减,如图4中count(计数)示出的5次,以避免最小值的误算。具体而言,当判断搜索方向改变(图4所示的“搜索方向与前一次相同”判断的N分支),则计数将微调方向改为与当前微调方向相反的次数(图4所示的Count++),如果该次数超过阈值(例如Count>5),则确定is的取值变大的前次微调操作中的is取值最小,即本次微调即为is的取值变大的前次微调操作,则执行idref+=(搜索方向*Δid),以取得is取值最小时idref的取值,并记录该idref的取值及对应的iqref作为当前温度t下的最优工作点(iqref,idref)。
而在电机温度变化时,则需要重新进行MTPA搜索。在图4所示的例子中,响应于当前温度t发生变化,可清除最佳工作点标志(例如最佳工作点标志MTPA_Flag赋值为0),根据被清除的最佳工作点标志MTPA_Flag,重新求取所述最优工作点(例如MTPA_Flag==0,则执行图4的“最佳工作点”判断则会为N)。
由于MTPA搜索策略的动态性能较差,在突变负载或者突然加速/减速时,可能会失效,一般只能在电机稳定运行时进行搜索。因此本发明还可以加入基于神经网络的自学习功能。经过搜索策略训练的神经网络模型,动态性能好,能够使电机在不同温度和负载情况下快速找到最佳MTPA工作点,并且可以移植到同一个型号产品的所有电机中。
为此,本发明还可以实现为一种永磁同步电机控制方法,该方法可以看作是基于图2所示方法的优化版本。MTPA搜索策略记录的结果输给神经网络模块,该模块经过不断训练,可以实现在不同温度下的MTPA轨迹,以及良好的动态性能。
图5示出了根据本发明一个实施例的基于神经网络的永磁同步电机控制方法的示意性流程图。该方法可由例如图1所示的FOC控制,结合本发明的MTPA搜索策略和神经网络模型来实现。图6示出了用于实施本发明的永磁同步电机控制方法的FOC模块图。参见图6可知,相比于图3所示的FOC控制电路,图6所示的FOC模块图不仅包括了MTPA搜索策略模块610、温度传感器620以及可选的FFT变换模块630,还包括神经网络模型640和存储器650。换句话说,可以看作是使用图6所示的功能模块610~650结合FOC控制实现了本发明的图2和图5所示的永磁同步电机控制方法。
在步骤S510,将所述当前温度t下的最优工作点对应的所述d轴参考电流idref和所述q轴参考电流iqref分别记录为d轴轨迹电流idmtpa和q轴轨迹电流iqmtpa。换句话说,可以将根据图2所示的方法获取的最优工作点及其对应的温度用来进行神经网络模型训练。
具体地,在步骤S520,可以将所述当前温度t和q轴轨迹电流iqmtpa作为输入,将所述d轴轨迹电流idmtpa作为标签,构造训练数据集。
随后,在步骤S530,基于构造的训练数据集训练电机工作轨迹神经网络模型,以获取经训练的电机工作轨迹神经网络模型。
在某些实施例中,可以将神经网络模型的初始参数设为任意值并开始训练,在另一些实施例中,则可以对神经网络模型进行预训练,例如,根据拟合公式(1),由此加快模型收敛的过程。
为此,本发明的基于神经网络的永磁同步电机控制方法还可以包括:基于d轴参考电流拟合公式(1),求取与q轴参考电流iqref相对应的理想d轴参考电流idref;使用带入拟合公式的q轴参考电流iqref作为输入,使用对应的理想d轴参考电流idref作为标签,对所述电机工作轨迹神经网络模型进行初始训练;以及基于所述初始训练获取的电机工作轨迹神经网络模型的初始化参数,进行基于包括当前温度t、q轴轨迹电流iqmtpa和d轴轨迹电流idmtpa的训练数据集的所述训练,以获得经训练的电机工作轨迹神经网络模型的经训练参数。在采取BP神经网络的实施例中,这些经训练参数包括多个隐含层的权值和偏置值,及输出层的权值和偏置值。
由此训练得到的电机工作轨迹神经网络模型由于已经习得了基于温度的最佳工作点分布的知识,因此可以在实际操作中直接用于对最佳工作点的推理。为此,该方法还包括:将当前温度t和q轴参考电流iqref输入经训练的电机工作轨迹神经网络模型;以及获取所述电机工作轨迹神经网络模型的输出的d轴参考电流idref并结合输入的q轴参考电流iqref作为最佳工作点来对所述电机进行控制。
在一个实施例中,可以利用BP(back propagation,反向传播)神经网络作为本发明的电机工作轨迹神经网络模型。BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络,是应用最广泛的神经网络模型之一。误差逆向传播算法的基本思想是梯度下降法,利用梯度搜索技术,以期使网络的实际输出值和期望输出值的误差均方差为最小,包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行,而调整权值和偏置值则从输出到输入的方向进行。正向传播时,输入信号通过隐含层作用于输出节点,经过非线性变换,产生输出信号,若实际输出与期望输出不相符,则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传,并将误差分摊给各层所有单元,以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及偏置值,使误差沿梯度方向下降,经过反复学习训练,确定与最小误差相对应的网络参数(权值和偏置值),训练即告停止。
在本发明的一个实施例中,BP神经网络包括如下三层:
输入层:2个神经元,输入为MTPA搜索策略记录的q轴电流iqmtpa和温度t;
隐含层:有4个神经元,隐含层的权值为偏置值为激活函数为/>
输出层:有1个神经单元,输出层的权值为WO=[w01 w02 w03 w04],偏置值为BO=b0,激活函数为
在进行在线BP神经网络训练之前,先按照公式进行离线BP神经网络训练,将离线BP网络的各层参数作为在线BP模型的初始化参数,记为:/>WO0=[wi01 wi02 wi03 wi04],BO0=bi0。
在获取了初始化参数之后,可以基于如下条件来进行BP神经网络的训练:期望输出:idmtpa
学习率:η
迭代计数器:m
最大迭代次数:M
具体训练过程如下:
1.当第一次进入BP神经网络,根据离线神经网络参数进行参数初始化:WI=WI0、BI=BI0、WO=WO0、BO=BO0,初始化迭代计数器m=1,η=0.5。如果非第一次进入BP网络,则无需初始化。
2.判断在前的MTPA搜索策略是否出错,如果出错(Error=1),则停止BP网络训练,则直接结束训练。如果MTPA搜索策略正确,说明MTPA搜索到了最优的iqmtpa和idmtpa,可以进行训练,执行第3步。
3.将iqmtpa和温度t给输入层:执行第4步。
4.计算隐含层的输入:计算隐含层的输出:out(j)=f(net(j)),执行第5步;
5.计算输出:执行第6步;
6.计算误差:判断误差是否满足要求,如果满足,将训练结果写入存储器,本次样本训练结束,执行第8步;若不满足,则进行第7步。
7.计算修正梯度和调整各层权值和偏置值,并返回第4部:
修正梯度计算方法:
输出层权值的修正梯度:Δw0j=-(idmtpa-y)*out(j),j=1..4
输出层偏置值的修正梯度:Δb0=-(idmtpa-y)
隐含层权值的修正梯度:Δwjp=-(idmtpa-y)*w0j*out(j)*(1-out(j))*xp
隐含层偏置值的修正梯度:Δbj=-(idmtpa-y)*w0j*out(j)*(1-out(j))
调整权值和偏置值方法:
误差清零:E=0
迭代计数器自增:m+=1,判断迭代次数是达到最大M。若没有,则调整执行第4步;否则,记录本次训练失败样本和参数,执行第8步;
8.结束本次样本训练。
由此,图6所示的模型640优选可以是在线BP神经网络模型,经过训练得到的模型参数(即,如上的隐含层的权值WI和偏置值BI,及输出层的权值WO和偏置值BO)可被送入存储器650(例如,闪存650)。
在实际使用中,可以仅为永磁同步电机配备神经网络推理模块,使其可以基于经训练的模型来进行最佳工作点的判断。图7示出了根据本发明一个实施例的永磁同步电机的组成示意图。
如图所示,本发明的永磁同步电机可以类似于图1,包括电机M和磁定向矢量控制(FOC)模块,并且额外包括神经网络推理模块710和温度传感器720。在图7的例子中,可以将除电机M、神经网络推理模块710、温度传感器720和存储装置730之前的所有部件都看作是FOC模块的组成部分。
磁定向矢量控制模块可用于获取当前转速下所述电机的q轴参考电流iqref,例如通过当前的转子转速n输入速度环PID1得到的输出为q轴参考电流iqref。。温度传感器720用于获取所述电机的当前温度t。神经网络推理模块710则可用于将所述当前温度t和所述q轴参考电流iqref作为输入送入如前所述获取的经训练的电机工作轨迹神经网络模型,并获取所述模型的预测结果。
可将经训练的电机工作轨迹神经网络模型看作函数idref=f(iqref,t),由此,可以将所述预测结果作为d轴参考电流idref并结合输入的所述q轴参考电流iqref作为最佳工作点(iqref,idref)送入图7所示的所述磁定向矢量控制FOC模块,用于对所述电机进行控制。由于基于神经网络推理获取的d轴参考电流idref不涉及如图2或图4的MTPA搜索过程,因此具有良好的动态性能。
优选地,本发明的永磁同步电机还可以包括存储装置730,例如闪存730,用于存储所述经训练的电机工作轨迹神经网络模型的经训练参数和代码。由此,由计算模块实现的神经网络推理模块710可以基于模型代码和参数,从输入的当前温度t和所述q轴参考电流iqref中推理出d轴参考电流idref。
上文中已经参考附图详细描述了根据本发明的永磁同步电机控制方法以及由此得到的永磁同步电机。本发明通过基于当前温度的搜索策略,提供更为准确的MTPA最佳工作点。由于MTPA搜索策略的动态性能较差,本发明还进一步加入了基于神经网络的自学习功能。经过搜索策略训练的神经网络模型,能够使电机在不同温度和负载情况下快速找到最佳MTPA工作点,动态性能良好并可移植到同一个型号产品的所有电机中。
此外,根据本发明的方法还可以实现为一种计算机程序或计算机程序产品,该计算机程序或计算机程序产品包括用于执行本发明的上述方法中限定的上述各步骤的计算机程序代码指令。
或者,本发明还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质),其上存储有可执行代码(或计算机程序、或计算机指令代码),当所述可执行代码(或计算机程序、或计算机指令代码)被电子设备(或计算设备、服务器等)的处理器执行时,使所述处理器执行根据本发明的上述方法的各个步骤。
本领域技术人员还将明白的是,结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。
附图中的流程图和框图显示了根据本发明的多个实施例的系统和方法的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (14)
1.一种永磁同步电机控制方法,包括:
响应于所述电机进入温度和转速恒定的稳定状态,微调d轴参考电流idref的取值;
在所述电机的转速随所述d轴参考电流idref的取值微调而变化并再次恒定时,判定合成电流is取值的变化方向,其中所述合成电流is基于所述电机的q轴反馈电流iq和d轴反馈电流id求取;以及
重复所述微调和判定操作,直到所述合成电流is的取值最小,并将所述合成电流is取值最小时对应的所述d轴参考电流idref的取值及对应的q轴参考电流iqref作为当前温度t下的最优工作点。
2.如权利要求1所述的方法,还包括:
取得初始转速对应的q轴参考电流iqref的初始值;
将所述q轴参考电流iqref的初始值带入d轴参考电流拟合公式,求取所述d轴参考电流idref的初始值,其中,以求取的所述d轴参考电流idref的初始值作为所述微调操作的起始点。
3.如权利要求1所述的方法,还包括:
将基于所述电机的三相电流求取的所述q轴反馈电流iq和所述d轴反馈电流id进行快速傅里叶变换,得到q轴反馈电流直流分量iqf和d轴反馈电流直流分量idf;以及
基于所述q轴反馈电流直流分量iqf和所述d轴反馈电流直流分量idf求取所述合成电流is。
4.如权利要求1所述的方法,其中,重复所述微调和判定操作,直到所述合成电流is的取值最小包括:
在当前合成电流is的取值小于或等于在前合成电流is的取值的情况下,继续以当前微调方向进行下一次的d轴参考电流idref取值微调,直到当前合成电流is的取值大于在前合成电流is的取值;
在当前合成电流is的取值大于在前合成电流is的取值的情况下,将微调方向改为与当前微调方向相反以进行下一次的d轴参考电流idref取值微调;以及
判定所述当前合成电流is的取值变大的前次微调操作中的所述合成电流is取值最小,则以所述前次微调操作中所述d轴参考电流idref的取值及对应的所述q轴参考电流iqref作为所述当前温度t下的所述最优工作点。
5.如权利要求4所述的方法,其中,重复所述微调和判定操作,直到所述合成电流is的取值最小还包括:
计数将所述微调方向改为与当前微调方向相反的次数,如果所述次数超过阈值,则确定所述当前合成电流is的取值变大的前次微调操作中的所述合成电流is取值最小。
6.如权利要求1所述的方法,还包括:
响应于所述电机的所述当前温度t发生变化,清除最佳工作点标志;以及
根据被清除的所述最佳工作点标志,重新求取所述最优工作点。
7.如权利要求1所述的方法,还包括:
将所述当前温度t下的最优工作点对应的所述d轴参考电流idref和所述q轴参考电流iqref分别记录为d轴轨迹电流idmtpa和q轴轨迹电流iqmtpa;
将所述当前温度t和q轴轨迹电流iqmtpa作为输入,将所述d轴轨迹电流idmtpa作为标签,构造训练数据集;
基于构造的训练数据集训练电机工作轨迹神经网络模型,以获取经训练的电机工作轨迹神经网络模型。
8.如权利要求7所述的方法,还包括:
基于d轴参考电流拟合公式,求取与q轴参考电流iqref相对应的理想d轴参考电流idref;
使用带入拟合公式的q轴参考电流iqref作为输入,使用对应的理想d轴参考电流idref作为标签,对所述电机工作轨迹神经网络模型进行初始训练;以及
基于所述初始训练获取的所述电机工作轨迹神经网络模型的初始化参数,进行基于包括所述当前温度t、所述q轴轨迹电流iqmtpa和所述d轴轨迹电流idmtpa的训练数据集的所述训练,以获得经训练的电机工作轨迹神经网络模型的经训练参数。
9.如权利要求8所述的方法,其中,所述经训练参数包括隐含层的权值和偏置值,及输出层的权值和偏置值。
10.如权利要求2或8所述的方法,其中,所述d轴参考电流拟合公式为:
其中ψf为所述电机的转子永磁体磁链,Ld和Lq分别为所述电机的定子d轴和q轴电感。
11.如权利要求7所述的方法,还包括:
将当前温度t和q轴参考电流iqref输入经训练的所述电机工作轨迹神经网络模型;以及
获取所述电机工作轨迹神经网络模型的输出的d轴参考电流idref并结合输入的q轴参考电流iqref作为最佳工作点来对所述电机进行控制。
12.如权利要求1所述的方法,其中,所述合成电流is取值最小时对应的所述q轴参考电流iqref为:
基于探索到所述合成电流is最小时恒定的电机转速,获取速度环的输出作为所述q轴参考电流iqref。
13.一种永磁同步电机,包括:
电机;
磁定向矢量控制模块,用于获取当前转速下所述电机的q轴参考电流iqref;
温度传感器,用于获取所述电机的当前温度t;
神经网络推理模块,用于将所述当前温度t和所述q轴参考电流iqref作为输入送入如权利要求7-12中任一项所述的经训练的电机工作轨迹神经网络模型,并获取所述模型的预测结果;
其中,将所述预测结果作为d轴参考电流idref并结合输入的所述q轴参考电流iqref作为最佳工作点送入所述磁定向矢量控制模块,用于对所述电机进行控制。
14.如权利要求13所述的电机,还包括:
存储装置,用于存储所述经训练的电机工作轨迹神经网络模型的经训练参数和代码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210120180.1A CN116599399A (zh) | 2022-02-07 | 2022-02-07 | 一种永磁同步电机控制方法和永磁同步电机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210120180.1A CN116599399A (zh) | 2022-02-07 | 2022-02-07 | 一种永磁同步电机控制方法和永磁同步电机 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116599399A true CN116599399A (zh) | 2023-08-15 |
Family
ID=87610397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210120180.1A Pending CN116599399A (zh) | 2022-02-07 | 2022-02-07 | 一种永磁同步电机控制方法和永磁同步电机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116599399A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116915098A (zh) * | 2023-09-14 | 2023-10-20 | 广东美的暖通设备有限公司 | 永磁同步电机的运行电流控制方法及装置、控制系统 |
-
2022
- 2022-02-07 CN CN202210120180.1A patent/CN116599399A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116915098A (zh) * | 2023-09-14 | 2023-10-20 | 广东美的暖通设备有限公司 | 永磁同步电机的运行电流控制方法及装置、控制系统 |
CN116915098B (zh) * | 2023-09-14 | 2024-01-23 | 广东美的暖通设备有限公司 | 永磁同步电机的运行电流控制方法及装置、控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Speed sensorless control for IPMSMs using a modified MRAS with gray wolf optimization algorithm | |
EP3014760B1 (en) | System and method of rotor time constant online identification in an ac induction machine | |
Liu et al. | Improved backstepping control with nonlinear disturbance observer for the speed control of permanent magnet synchronous motor | |
CN113472262A (zh) | 采用模糊逻辑控制的永磁同步电机d-q轴电感参数辨识的MTPA控制方法 | |
CN110943657A (zh) | 永磁同步电机无模型自适应转速控制方法及系统 | |
Jia et al. | Online trained neural network-PI speed controller for DTC based IPMSM drives | |
Zhou et al. | An improved MTPA control based on amplitude-adjustable square wave injection | |
Bhattacharjee et al. | Real-time sil validation of a novel pmsm control based on deep deterministic policy gradient scheme for electrified vehicles | |
CN116599399A (zh) | 一种永磁同步电机控制方法和永磁同步电机 | |
Bhattacharjee et al. | An advanced policy gradient based vector control of PMSM for EV application | |
Messaoudi et al. | A robust sensorless direct torque control of induction motor based on MRAS and extended Kalman filter | |
Rehman et al. | A fuzzy learning—Sliding mode controller for direct field-oriented induction machines | |
CN112422014B (zh) | 基于高阶滑模补偿的永磁同步电机转速预测方法 | |
CN115102444B (zh) | 一种永磁同步电机自适应积分滑模预测控制方法 | |
Zhao et al. | Design of model free adaptive controller for PMSM speed control | |
Li et al. | Hybrid sensorless control based on I/F and sliding mode observer using current nonlinear regulation for PMSM drives | |
CN113765449B (zh) | 基于双Sigmod神经网络电感模型的SRM磁链控制系统与方法 | |
Fatemimoghadam et al. | Permanent magnet synchronous motor drive using deep-neural-network-based vector control for electric vehicle applications | |
Shadab et al. | Application of regression based speed estimation for sensorless vector controlled im drive | |
Moghadasian et al. | Intelligent sensorless speed control of six-phase induction machine | |
Kumar et al. | MRAS speed estimator for speed sensorless IFOC of an induction motor drive using fuzzy logic controller | |
Liu et al. | MRAS speed identification for PMSM based on fuzzy PI control | |
Buchholz et al. | Gopinath-observer for flux estimation of an induction machine drive system | |
Chehimi et al. | A predictive controller for induction motors using an unknown input observer for online rotor resistance estimation and an update technique for load torque | |
Abd Samat et al. | Implementation of Sugeno FIS in model reference adaptive system adaptation scheme for speed sensorless control of PMSM |
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 |