CN117240151A - 一种基于lstm神经网络的永磁同步电机模型预测控制方法 - Google Patents
一种基于lstm神经网络的永磁同步电机模型预测控制方法 Download PDFInfo
- Publication number
- CN117240151A CN117240151A CN202311205255.7A CN202311205255A CN117240151A CN 117240151 A CN117240151 A CN 117240151A CN 202311205255 A CN202311205255 A CN 202311205255A CN 117240151 A CN117240151 A CN 117240151A
- Authority
- CN
- China
- Prior art keywords
- neural network
- lstm neural
- vector
- double
- permanent magnet
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 29
- 239000013598 vector Substances 0.000 claims abstract description 112
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims description 52
- 238000010606 normalization Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000010349 pulsation Effects 0.000 claims description 7
- 238000013178 mathematical model Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 17
- 238000004364 calculation method Methods 0.000 description 14
- 238000012795 verification Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 230000009471 action Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 4
- 230000004907 flux Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000002441 reversible effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000006386 memory function Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
Landscapes
- Control Of Ac Motors In General (AREA)
Abstract
本发明公开了一种基于LSTM神经网络的永磁同步电机双矢量模型预测控制方法。本发明采用双矢量模型预测控制算法，即从一个控制时间段中挑选出两个最佳的电压矢量，然后根据其所需的占空比进行调整，该算法能有效减小最优电压矢量与参考电压矢量的误差范围，在保证控制性能良好的情况下降低了计算负担以及逆变器的开关损耗。为了进一步降低MPC的计算量及PMSM模型参数带来的影响，本发明采用LSTM神经网络替代永磁同步电机双矢量模型预测控制算法，可以提高转矩控制的稳定性，解决传统神经网络面对时序性输入时，输出仅与当前时刻当前时刻输入简单对应的问题，从时序性输入的角度增加了前后时刻与电机转矩控制的连续性对应关系。
Description
技术领域
本发明属于电机控制技术领域，尤其涉及基于LSTM神经网络的表面式永磁同步电机双矢量模型预测控制方法。
背景技术
有限集模型预测控制方法直接根据价值函数选取最优电压矢量施加于电机，不需要使用传统矢量控制中的电流PI调节器，从而实现更加优异的动态性能。有限集模型预测控制方法动态性能表现优异，能够快速响应转速和负载转矩的突变。它的基本工作原理是利用离散电压方程，预测出8个电压矢量在下一个控制周期内相应的电流值，制定一个价值函数，进一步，采用遍历寻优的方法，可以找到最小价值函数的电压矢量，从而使逆变器处于可靠的运行状态，这种方法具有很好的动态特性和稳定性。为了处理非线性过程，有限即模型预测控制需要大量的计算能力和非线性求解器。一些研究人员将线性预测控制与非线性优化技术相结合，以解决非线性过程，但这增加了在线计算时间。对于一些比较复杂的被控对象，对它们的建模控制变得越来越困难
传统的MPC在每个控制周期只有最优的基本电压矢量被应用于电机，通常所选定的最优电压矢量与期望的参考电压之间存在跟踪误差，这个误差会在一定程度上影响PMSM的稳态控制性能。为了提高控制效果，本发明采用双矢量模型预测控制算法，即在一个控制周期内向电机施加两个基本电压矢量，两个矢量的持续时间之和为整个控制周期的时间，然后根据其所需的占空比进行调整。相比于传统的单矢量MPC，双矢量MPC在电压矢量选择和作用时间分配上具有更大的灵活性，通过选择最优的电压矢量组合，计算它们各自的动作时间，可以得到更准确的输出电压矢量。该方法可以显著减小期望参考电压向量与输出电压向量之间的误差，减小电流和转矩脉动，提高控制系统的稳态性能。虽然电压矢量个数的增加带来了更为优异的稳态性能，但也不可避免地增加了计算负担和逆变器的开关频率。这是交流电机模型预测控制稳态控制性能与逆变器开关频率之间存在的矛盾问题。
神经网络控制以神经网络模型为基础，由两大组成部分组成：神经网络模型及控制算法，由控制理论与人工神经网络交叉领域中发展起来。神经网络具有很好的非线性逼近能力、自适应性和鲁棒性，它广泛应用于复杂系统的控制。神经网络模型预测控制不需要系统的任何数学模型，通过使用从被控过程收集的数据在离线模式下建立神经网络模型，减少了在线计算负担。但是传统的神经网络如BP、ANN等神经网络在训练过程中分类性能比较差，容易陷入局部最优解，导致模型效果不理想，并且存在数据长期依赖、梯度消失或梯度爆炸等问题。
发明内容
本发明的目的在于克服以上不足，提供一种基于LSTM神经网络的表面式永磁同步电机双矢量模型预测控制方法，通过将离线训练好的LSTM神经网络编译成在线LSTM神经网络放入双矢量模型预测控制系统中，替代双矢量模型预测算法完成未来控制周期内最优电压矢量的选择工作。
为达到上述目的，本发明提供一种基于LSTM神经网络的永磁同步电机双矢量模型预测控制方法，包括以下步骤：
S1、建立双矢量数学模型及确定神经网络的输入量和输出量；
根据表面式永磁同步电机有限集模型预测控制算法中的输入量和输出量，建立双矢量电流模型预测控制模型，并确定其中变化量的取值范围和适当的变化步长；
S2、采集LSTM神经网络训练样本；
将不同参考转速下负载转矩变化的情况和不同负载转矩下参考转速变化的情况按照一定步长和间隔将各参数的取值范围遍历取遍，并送入永磁同步电机双矢量电流模型预测控制算法中，生成未来控制周期内双矢量模型预测控制算法选择的最优电压矢量序列，将优化处理后的输入量的取值与对应选择出来的最优电压矢量对应组合成LSTM神经网络的训练样本；
S3、构建LSTM神经网络控制器；
S4、对训练样本数据归一化处理及LSTM神经网络的离线训练；
S5、将离线训练好的LSTM神经网络模型编译成在线学习的LSTM神经网络，并将离线训练好的权值阈值完成在线学习LSTM神经网络的权值阈值的初始化，将在线学习的LSTM神经网络控制器嵌入到表面式永磁同步电机模型预测电流控制系统中与模型预测算法软件或硬件并联，用于替代双矢量模型预测控制算法实现未来控制周期内电机选择最优电压矢量的工作；
S6、在双矢量模型预测算法模块和在线LSTM神经网络的并联之间设置一个“开关量”，当转矩脉动较大时即当转矩脉动大于阈值时，“开关量”将工作模式切换为双矢量模型预测算法进行最优电压矢量的选择工作，同时，新的样本数据送入在线学习的LSTM神经网络进行新的训练和再学习；当转矩脉动值小于阈值时，均使用LSTM神经网络选择最优电压矢量。
进一步地，步骤S1具体为：
S1.1、建立双矢量数学模型；
永磁同步电机电流预测模型重构为：
式中id(k)和iq(k)为当前时刻的实际电流；id(k+1)和iq(k+1)为下一时刻电流预测值；Ts代表系统控制周期；We为电角速度；Rs为定子电阻；Ψf为永磁体磁链；由于采用的电机为表贴式永磁同步电机(SPMSM),因此其交轴电感与直轴电感近似相等，即L＝Ld＝Lq。上述模型中的ud(k)和uq(k)表示下一时刻施加的逆变器基本电压矢量，由于其不再是单一的电压矢量，在双矢量中可表示为：
式中t1为第一个电压矢量的作用时间，ud1、ud2、uq1和uq2分别为第一电压矢量和第二电压矢量在d轴和q轴的电压分量。
为了获得最佳的电压矢量组合，需要根据电流无差拍原则来合理分配两个电压矢量的作用时间，即：
式中，s1和s2为两个电压矢量作用时电流变化率。
s1和s2由以下计算公式获得：
基于式(1)、式(2)和式(4)的模型可以预测两个不同矢量的合成电压矢量产生的电流，将计算出来的电流预测值代入到式(6)表示的价值函数中进行比较，获取最优解。
整个算法过程中，如果有n个备选电压矢量，则会得到n个价值函数数值，选择价值函数最小的数值所对应的电压矢量作为该计算控制周期内要施加给电机的最优电压矢量；
S1.2、确定表面式永磁同步电机双矢量模型预测控制算法中的输入量和输出量；
双矢量模型预测电流控制算法的输入量分别为当前时刻的实际电流、电角速度、永磁体磁链、参考电流以及下一时刻施加到逆变器上的电压矢量，并根据在电机实际的运行过程确定各变化量的取值范围，并确定恰当的变化步长。
进一步地，步骤S3具体为：
S3.1、通过遗忘门对信息进行过滤，忘记无用信息
ft＝σ(Whf*ht-1+WxfXt+bf) (7)
S3.2、通过输入门对输入信息和记忆信息进行状态更新
S3.3、通过输出门输出当前信息
以上公式中：W是各个门的权重矩阵，b是各个门的偏置项，σ是sigmoid函数；tanh是双曲正切函数公式为：
ht-1和ht为t时刻前和t时刻LSTM输出的矢量，也即短记忆信息；b为偏置向量；Xt为t时刻的输入矢量；Ct为t时刻下的长时记忆信息；
LSTM神经网络的整体网络结构包括输入层，LSTM层，ReLu激活层，Softmax全连接层和回归输出层，在LSTM的每个每个时间步里面都有一个记忆细胞，记忆细胞给予了LSTM选择记忆功能，使得LSTM有能力自由选择每个时间步里面记忆的内容；
进一步地，步骤S4具体为：
S4.1、训练样本数据归一化处理；
利用如下公式进行计算。
其中x'为处理后的数据，xmax和xmin为原始数据中的最大值和最小值。
S4.2、对LSTM神经网络进行离线训练
LSTM神经网络的离线训练包括正向计算，计算损失值，反向计算，LSTM神经网络拓扑模型进行离线训练学习的具体方法如下：
S4.2.1、导入数据。将训练数据打乱，并将数据按照比例划分为训练集和验证集，将验证集与训练集数据进行相同准则的归一化，归一化处理后的训练样本每一维分别对应表面式永磁同步电机模型预测算法中的因变量即输入量，将输入与输出组合成训练样本序列(A,B)，A是输入数据，B是对应的输出数据；
S4.2.2、创建模型。整体网络结构包括输入层，LSTM层，ReLu激活层，Softmax全连接层和回归输出层，其中可学习参数主要存在于LSTM层和Softmax全连接层；
S4.2.3、参数设置。设置Adam梯度下降算法，最大训练次数和初始学习率等等；
S4.2.4、训练模型。根据系统输入输出组合成的训练样本序列(A,B)确定网络输入层节点数M，隐含层节点数H，输出层节点数n，初始化输入层、隐含层和输出层神经元之间的连接权值ωij，ωjk，初始化隐含层偏置Bi，输出层偏置Bj，给定学习速率和神经元激励函数，并保存softmax层的概率分布结果以及每一步的中间结果；
S4.2.5、计算交叉熵损失值。我们在每一步都能计算交叉熵损失值(因为采用softmax方法)。然后，累加每一步的损失值，并求平均值；
S4.2.6、反向计算。基于前向传播的结果进行反向传播运算，需要注意的是数据遍历的方向与之前相反，根据网络预测输出O和期望输出Y，计算网络预测误差e；
ek＝Yk-0k k＝1,2,...,m (12)
根据网络预测误差e更新网络连接权值ωij和ωjk；
wjk＝wjk+αGj(1-Gj)ek j＝1,2,...,l；k＝1,2,...,m (14)
式中，ɑ为学习速率，Gj(1-Gj)是sigmoid函数求导之后将隐含层输出带入之后的形式；
S4.2.7、数据反归一化。将验证集与训练集的预测结果进行反归一化的得到想要的形式，并计算验证集与训练集的均方根误差；
S4.2.8、仿真预测。将预测结果进行可视化，将训练集预测结果与验证集预测结果进行图形对比，在训练过程中，数据分类的准确率如下图4所示，由图4可知，LSTM网络分类的准确率可以达到83.7％，同RNN神经网络以及BP神经网络相比，准确率都有不小的提高；
S4.2.9、计算相关指标，判断算法迭代是否结束若迭代结束，要满足以下条件之一，则迭代结束：
条件1，达到迭代次数2000；
条件2，预测的误差降到目标误差值0.05以内；
条件3，连续6次验证集误差不降低或者反而增加；
若迭代没有结束，则返回步骤s4.2.2。
与现有技术相比，本发明采用LSTM神经网络替代表面式永磁同步电机模型预测算法，LSTM神经网络具有强大的非线性拟合和自适应自学习的能力，通过LSTM神经网络去学习逼近双矢量模型预测控制过程，避免了复杂模型的构建，可以大大减少算法的运算时间和运算负担，提高系统的及时性。将离线训练好的LSTM神经网络模型编译成在线学习的LSTM神经网络，并将离线训练好的权值阈值作为在线学习LSTM神经网络的初始权值阈值，能够优化在线LSTM神经网络的初始权值阈值，加速网络学习速度，并且LSTM神经网络替代的准确率和效果均令人满意。通过设置一个“开关量”和“阈值”来切换神经网络工作模式和双矢量模型预测算法工作模式，有效解决了神经网络没有反馈和纠正能力的问题，让LSTM神经网络有了再学习的能力，本发明相对于传统的模型预测算法具有一定的创新优势，验证了智能算法在电机控制中的应用前景。
附图说明
图1是本发明基于LSTM神经网络的永磁同步电机控制系统；
图2是双矢量MPC控制系统框图；
图3是LSTM的的结构示意图；
图4是LSTM神经网络分类混淆矩阵；
图5是基于LSTM控制器转速；
图6是基于LSTM控制器转矩；
图7是基于LSTM三相电流。
具体实施方式
下面结合附图对本发明做进一步说明。
如图1-7所示，一种基于LSTM神经网络的永磁同步电机双矢量模型预测控制方法，包括以下步骤：
S1、建立双矢量数学模型及确定神经网络的输入量和输出量；
根据表面式永磁同步电机有限集模型预测控制算法中的输入量和输出量，建立双矢量电流模型预测控制模型，并确定其中变化量的取值范围和适当的变化步长，双矢量电流模型预测控制系统框图如图1所示；
步骤S1具体如下：
S1.1、建立双矢量数学模型；
永磁同步电机电流预测模型重构为：
式中id(k)和iq(k)为当前时刻的实际电流；id(k+1)和iq(k+1)为下一时刻电流预测值；Ts代表系统控制周期；We为电角速度；Rs为定子电阻；Ψf为永磁体磁链；由于采用的电机为表贴式永磁同步电机(SPMSM),因此其交轴电感与直轴电感近似相等，即L＝Ld＝Lq。上述模型中的ud(k)和uq(k)表示下一时刻施加的逆变器基本电压矢量，由于其不再是单一的电压矢量，在双矢量中可表示为：
式中t1为第一个电压矢量的作用时间，ud1、ud2、uq1和uq2分别为第一电压矢量和第二电压矢量在d轴和q轴的电压分量。
为了获得最佳的电压矢量组合，需要根据电流无差拍原则来合理分配两个电压矢量的作用时间，即：
式中，s1和s2为两个电压矢量作用时电流变化率。
s1和s2由以下计算公式获得：
基于式(1)、式(2)和式(4)的模型可以预测两个不同矢量的合成电压矢量产生的电流，将计算出来的电流预测值代入到式(6)表示的价值函数中进行比较，获取最优解。
整个算法过程中，如果有n个备选电压矢量，则会得到n个价值函数数值，选择价值函数最小的数值所对应的电压矢量作为该计算控制周期内要施加给电机的最优电压矢量；
S1.2、确定表面式永磁同步电机双矢量模型预测控制算法中的输入量和输出量；
双矢量模型预测电流控制算法的输入量分别为当前时刻的实际电流、电角速度、永磁体磁链、参考电流以及下一时刻施加到逆变器上的电压矢量，并根据在电机实际的运行过程确定各变化量的取值范围，并确定恰当的变化步长。
S2、采集LSTM神经网络训练样本；
将不同参考转速下负载转矩变化的情况和不同负载转矩下参考转速变化的情况按照一定步长和间隔将各参数的取值范围遍历取遍，并送入永磁同步电机双矢量电流模型预测控制算法中，生成未来控制周期内双矢量模型预测控制算法选择的最优电压矢量序列，将优化处理后的输入量的取值与对应选择出来的最优电压矢量对应组合成LSTM神经网络的训练样本；
S3、构建LSTM神经网络控制器，LSTM的的结构示意图如图3所示；
LSTM神经网络通过输入门、遗忘门和输出门调节之前的信息与当前信息的记忆和遗忘程度。其工作原理具体表述如下：
(1)通过遗忘门对信息进行过滤，忘记无用信息
ft＝σ(Whf*ht-1+WxfXt+bf) (7)
(2)通过输入门对输入信息和记忆信息进行状态更新
(3)通过输出门输出当前信息
以上公式中：W是各个门的权重矩阵，b是各个门的偏置项，σ是sigmoid函数；tanh是双曲正切函数公式为：
ht-1和ht为t时刻前和t时刻LSTM输出的矢量，也即短记忆信息；b为偏置向量；Xt为t时刻的输入矢量；Ct为t时刻下的长时记忆信息；
LSTM神经网络的整体网络结构包括输入层，LSTM层，ReLu激活层，Softmax全连接层和回归输出层，在LSTM的每个每个时间步里面都有一个记忆细胞，记忆细胞给予了LSTM选择记忆功能，使得LSTM有能力自由选择每个时间步里面记忆的内容；
S4、对训练样本数据归一化处理及LSTM神经网络的离线训练；
为了使采集到的输入量满足LSTM神经网络的输入，首先将训练样本数据进行归一化处理，然后将优化处理后的训练样本输入已构建LSTM神经网络控制器的拓扑模型中进行离线训练学习，初始化所述LSTM神经网络模型的网络参数；
S4.1、训练样本数据归一化处理；
由于输入数据之间的量纲不一样，所以再将数据放进输入层前，需要将输入数据进行归一化处理。数据归一化是一种常用的数据处理技术，其目的是将数据缩放到特定范围内，以消除数据之间的差异，使模型训练更加稳定和准确。在这里选用最小—最大归一化：也称为离差标准化。处理后的数据将缩放到0到1的范围内，利用如下公式进行计算。
其中x'为处理后的数据，xmax和xmin为原始数据中的最大值和最小值。
S4.2、对LSTM神经网络进行离线训练
LSTM神经网络的离线训练包括正向计算，计算损失值，反向计算，LSTM神经网络拓扑模型进行离线训练学习的具体方法如下：
S4.2.1、导入数据。将训练数据打乱，并将数据按照比例划分为训练集和验证集，将验证集与训练集数据进行相同准则的归一化，归一化处理后的训练样本每一维分别对应表面式永磁同步电机模型预测算法中的因变量即输入量，将输入与输出组合成训练样本序列(A,B)，A是输入数据，B是对应的输出数据；
S4.2.2、创建模型。整体网络结构包括输入层，LSTM层，ReLu激活层，Softmax全连接层和回归输出层，其中可学习参数主要存在于LSTM层和Softmax全连接层；
S4.2.3、参数设置。设置Adam梯度下降算法，最大训练次数和初始学习率等等；
S4.2.4、训练模型。根据系统输入输出组合成的训练样本序列(A,B)确定网络输入层节点数M，隐含层节点数H，输出层节点数n，初始化输入层、隐含层和输出层神经元之间的连接权值ωij，ωjk，初始化隐含层偏置Bi，输出层偏置Bj，给定学习速率和神经元激励函数，并保存softmax层的概率分布结果以及每一步的中间结果；
S4.2.5、计算交叉熵损失值。我们在每一步都能计算交叉熵损失值(因为采用softmax方法)。然后，累加每一步的损失值，并求平均值；
S4.2.6、反向计算。基于前向传播的结果进行反向传播运算，需要注意的是数据遍历的方向与之前相反，根据网络预测输出O和期望输出Y，计算网络预测误差e；
ek＝Yk-0k k＝1,2,...,m (12)
根据网络预测误差e更新网络连接权值ωij和ωjk；
wjk＝wjk+αGj(1-Gj)ek j＝1,2,...,l；k＝1,2,...,m (14)
式中，ɑ为学习速率，Gj(1-Gj)是sigmoid函数求导之后将隐含层输出带入之后的形式；
S4.2.7、数据反归一化。将验证集与训练集的预测结果进行反归一化的得到想要的形式，并计算验证集与训练集的均方根误差；
S4.2.8、仿真预测。将预测结果进行可视化，将训练集预测结果与验证集预测结果进行图形对比，在训练过程中，数据分类的准确率如下图4所示，由图4可知，LSTM网络分类的准确率可以达到83.7％，同RNN神经网络以及BP神经网络相比，准确率都有不小的提高；
S4.2.9、计算相关指标，判断算法迭代是否结束若迭代结束，要满足以下条件之一，则迭代结束：
条件1，达到迭代次数2000；
条件2，预测的误差降到目标误差值0.05以内；
条件3，连续6次验证集误差不降低或者反而增加；
若迭代没有结束，则返回步骤s4.2.2。
S5、将离线训练好的LSTM神经网络模型编译成在线学习的LSTM神经网络，并将离线训练好的权值阈值完成在线学习LSTM神经网络的权值阈值的初始化，将在线学习的LSTM神经网络控制器嵌入到表面式永磁同步电机模型预测电流控制系统中与模型预测算法软件或硬件并联，用于替代双矢量模型预测控制算法实现未来控制周期内电机选择最优电压矢量的工作，基于LSTM神经网络的永磁同步电机控制系统如图2所示；
S6、在双矢量模型预测算法模块和在线LSTM神经网络的并联之间设置一个“开关量”，当转矩脉动较大时即当转矩脉动大于阈值时，“开关量”将工作模式切换为双矢量模型预测算法进行最优电压矢量的选择工作，同时，新的样本数据送入在线学习的LSTM神经网络进行新的训练和再学习；当转矩脉动值小于阈值时，均使用LSTM神经网络选择最优电压矢量。
目前暂时没有发现使用LSTM神经网络替代双矢量模型预测算法去选择最优电压矢量这样的做法,所以本发明具有开创性，LSTM神经网络具有强大的非线性拟合能力，解决了在处理大量数据时对数据的长期依赖问题，缓解了时间序列太长时梯度消失或梯度爆炸的梯度问题，利用LSTM神经网络去替代计算量较大实时性不好的双矢量模型预测控制具有重要的探索意义和实际应用价值。
Claims (1)
1.一种基于LSTM神经网络的永磁同步电机双矢量模型预测控制方法，其特征在于，包括以下步骤：
S1、建立双矢量数学模型及确定神经网络的输入量和输出量；
根据表面式永磁同步电机有限集模型预测控制算法中的输入量和输出量，建立双矢量电流模型预测控制模型，并确定其中变化量的取值范围和适当的变化步长；
S2、采集LSTM神经网络训练样本；
将不同参考转速下负载转矩变化的情况和不同负载转矩下参考转速变化的情况按照一定步长和间隔将各参数的取值范围遍历取遍，并送入永磁同步电机双矢量电流模型预测控制算法中，生成未来控制周期内双矢量模型预测控制算法选择的最优电压矢量序列，将优化处理后的输入量的取值与对应选择出来的最优电压矢量对应组合成LSTM神经网络的训练样本；
S3、构建LSTM神经网络控制器；
S4、对训练样本数据归一化处理及LSTM神经网络的离线训练；
S5、将离线训练好的LSTM神经网络模型编译成在线学习的LSTM神经网络，并将离线训练好的权值阈值完成在线学习LSTM神经网络的权值阈值的初始化，将在线学习的LSTM神经网络控制器嵌入到表面式永磁同步电机模型预测电流控制系统中与模型预测算法软件或硬件并联，用于替代双矢量模型预测控制算法实现未来控制周期内电机选择最优电压矢量的工作；
S6、在双矢量模型预测算法模块和在线LSTM神经网络的并联之间设置一个“开关量”，当转矩脉动较大时即当转矩脉动大于阈值时，“开关量”将工作模式切换为双矢量模型预测算法进行最优电压矢量的选择工作，同时，新的样本数据送入在线学习的LSTM神经网络进行新的训练和再学习；当转矩脉动值小于阈值时，均使用LSTM神经网络选择最优电压矢量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311205255.7A CN117240151A (zh) | 2023-09-15 | 2023-09-15 | 一种基于lstm神经网络的永磁同步电机模型预测控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311205255.7A CN117240151A (zh) | 2023-09-15 | 2023-09-15 | 一种基于lstm神经网络的永磁同步电机模型预测控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117240151A true CN117240151A (zh) | 2023-12-15 |
Family
ID=89082128
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311205255.7A Pending CN117240151A (zh) | 2023-09-15 | 2023-09-15 | 一种基于lstm神经网络的永磁同步电机模型预测控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117240151A (zh) |
-
2023
- 2023-09-15 CN CN202311205255.7A patent/CN117240151A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111628687B (zh) | 一种基于熵权法的永磁同步电机多目标参数优化方法 | |
| Han et al. | Adaptive computation algorithm for RBF neural network | |
| CN110266228B (zh) | 基于bp神经网络的表面式永磁同步电机模型预测控制方法 | |
| CN110504676B (zh) | 一种基于apso-bp的配电网状态估计方法 | |
| CN110729939B (zh) | 一种永磁同步电机转速环自抗扰控制器参数整定方法 | |
| Xie et al. | Imitation and transfer Q-learning-based parameter identification for composite load modeling | |
| Hajebi et al. | Online adaptive fuzzy logic controller using genetic algorithm and neural network for networked control systems | |
| CN110518847B (zh) | 基于bp神经网络的表面式永磁同步电机模型预测控制方法 | |
| CN110535396B (zh) | 基于bp神经网络的表面式永磁同步电机模型预测控制方法 | |
| CN111105005A (zh) | 一种风电功率预测方法 | |
| CN110518860B (zh) | 一种永磁同步电机模型预测控制方法 | |
| CN117240151A (zh) | 一种基于lstm神经网络的永磁同步电机模型预测控制方法 | |
| Muneer et al. | Optimal Machine Learning based Controller for Shunt Active Power Filter by Auto Machine Learning | |
| CN115453871A (zh) | 一种基于ide扩展多维泰勒网的非线性系统建模方法 | |
| CN114094896A (zh) | 一种永磁同步电机的自构式t-s型模糊神经网络控制方法 | |
| Xie et al. | Data-driven based method for power system time-varying composite load modeling | |
| Xia et al. | The control of two-wheeled self-balancing vehicle based on reinforcement learning in a continuous domain | |
| CN111241749A (zh) | 一种基于储备池计算的永磁同步电动机混沌预测方法 | |
| Chen et al. | Intelligent Prediction of Power Grid Project Cost Based on PSO-BP Model | |
| Wu et al. | Chaotic newton-raphson optimization based predictive control for permanent magnet synchronous motor systems with long-delay | |
| Yao et al. | Online modeling for switched reluctance motors using adaptive network based fuzzy inference system | |
| Shang et al. | Parameter optimization of PID controllers by reinforcement learning | |
| Sunny et al. | High performance parameter observation of induction motor with sensorless vector Control using extended Kalman filter | |
| Li et al. | Transient stability emergency control strategy of power system based on deep reinforcement learning | |
| Taha et al. | Learning to Run a Power Network under Varying Grid Topology |
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 |