CN115967322A - 一种永磁同步电机无模型预测电流控制方法及系统 - Google Patents

Abstract

本发明公开了一种永磁同步电机无模型预测电流控制方法及系统，包括：利用并联扩张状态观测器对永磁同步电机的总扰动进行观测；其中，所述并联扩张状态观测器的最佳宽带通过神经网络预测得到；基于所述总扰动和最佳宽带构建永磁同步电机模型预测电流控制器，所述永磁同步电机模型预测电流控制器输出的电压矢量，通过SVPWM调制控制开关管的导通状态，实现对永磁同步电机的控制。本发明利用并联扩张观测器结合神经网络带宽最小化技术，实现了永磁同步电机在相对较低的控制带宽下，精确的无模型预测控制，同时可以减小系统开关频率，降低损耗，提升永磁同步电机伺服系统运行效率。

Description

一种永磁同步电机无模型预测电流控制方法及系统

技术领域

本发明涉及永磁同步电机无模型预测控制技术领域，尤其涉及一种永磁同步电机无模型预测电流控制方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

永磁同步电动机(Permanent Magnet Synchronous Motor，PMSM)以永磁体提供励磁，使电动机结构较为简单，降低了加工和装配费用，且省去了容易出问题的集电环和电刷，提高了电动机运行的可靠性；又因无需励磁电流，没有励磁损耗，提高了电动机的效率和功率密度。永磁同步电机模型预测电流控制(ModelPredictiveCurrentControl,MPCC)因为其结构简单，调节方便且动态响应迅速而被工业界广泛应用。

由于MPCC依赖于电机数学模型，当电机参数随着运行时间的增加而发生变化后，MPCC的控制性能将会下降。对此学术界提出了一种基于超局部模型的永磁同步电机无模型预测电流控制(Model-freePredictiveCurrentControl,MFPCC)。然而，该方法会增加控制器的调节参数，加大了系统的设计难度，不易于工业应用。

对此，一种基于(Extended State Observer，ESO)的永磁同步电机无模型预测电流控制方法(MFPCC-ESO)应运而生，该方法只需要系统的输入量电流与输出量电压，即可实现电机的电流闭环控制，完全不依赖电机参数，增强了系统的鲁棒性且保留了PCC的优势，使电机具备优越的动态性能。此时电机的控制性能主要受ESO的带宽影响，较高的带宽将会增强电机的抗干扰能力，但同时也会引入高频噪声，影响其稳态性能；相反，较低的带宽将会抑制高频噪声，但同时也会降低ESO的观测精度，使系统抗干扰能力下降。因此，如何在对系统状态和总扰动准确估计的同时，设计合适的观测器带宽是需要解决的一个技术难题。现有技术中对于ESO的带宽设计并没有一个很好的方案，通常是通过实验调试的方法得到一个折衷的参数，从而影响了电机的控制精度。

MFPCC-ESO方法通常具有较高的增益，增强了系统的抗干扰性能。然而，这种高增益的ESO有两个主要的局限性：1)它放大了高频测量噪声；2)它降低了参考跟踪精度。为了增加ESO的观测精度，通常是通过牺牲一部分系统的抗扰能力即减小ESO带宽来实现。所以传统的MFPCC-ESO的控制带宽在稳态与动态上始终存在一个矛盾，不能充分发挥其性能。

发明内容

为了解决上述问题，本发明提出了一种永磁同步电机无模型预测电流控制方法与系统，利用并联扩张观测器(Parallel Extended State Observer,PESO)结合神经网络带宽最小化技术，实现了永磁同步电机在相对较低的控制带宽下，精确的无模型预测控制，同时可以减小系统开关频率，降低损耗，提升永磁同步电机伺服系统运行效率。

在一些实施方式中，采用如下技术方案：

一种永磁同步电机无模型预测电流控制方法，包括：

利用并联扩张状态观测器对永磁同步电机的总扰动进行观测；其中，所述并联扩张状态观测器的最佳宽带通过神经网络预测得到；

基于所述总扰动和最佳宽带构建永磁同步电机模型预测电流控制器，所述永磁同步电机模型预测电流控制器输出的电压矢量，通过SVPWM调制控制开关管的导通状态，实现对永磁同步电机的控制。

作为进一步的方案，所述并联扩张状态观测器具体为：两个或两个以上的扩张状态观测器并联连接，每一个扩张状态观测器的输入为实测的系统电机定子电流输出信号，每一个扩张状态观测器输出的扰动分量之和为总扰动，每一个扩张状态观测器输出的观测状态分量之和为电机定子电流的观测量。

作为进一步的方案，并联扩张状态观测器的最佳宽带通过神经网络预测得到，所述神经网络的输入包括：电流谐波约束、αβ轴定子电流、q轴电流变化率以及q轴电流变化的峰值；所述神经网络的输出为最佳带宽ω_0(opt)。

在另一些实施方式中，采用如下技术方案：

一种永磁同步电机无模型预测电流控制系统，包括：

状态观测模块，用于利用并联扩张状态观测器对永磁同步电机的总扰动进行观测；其中，所述并联扩张状态观测器的最佳宽带通过神经网络预测得到；

永磁同步电机控制模块，用于基于所述总扰动和最佳宽带构建永磁同步电机模型预测电流控制器，所述永磁同步电机模型预测电流控制器输出的电压矢量，通过SVPWM调制控制开关管的导通状态，实现对永磁同步电机的控制。

在另一些实施方式中，采用如下技术方案：

一种终端设备，其包括处理器和存储器，处理器用于实现指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的永磁同步电机无模型预测电流控制方法。

在另一些实施方式中，采用如下技术方案：

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的永磁同步电机无模型预测电流控制方法。

与现有技术相比，本发明的有益效果是：

(1)本发明使用并行扩展状态观测器(PESO)和神经网络最小化带宽；PESO的应用，可以增强永磁同步电机MFPCC的抗干扰能力，同时在相同动态响应与抗干扰能力条件下，相较于ESO极大减小观测器的控制带宽；人工神经网络的应用，可以保证电机获得在当前工况下观测器的最小带宽。

(2)本发明在保证系统良好动态响应与抗扰能力的前提下，极大降低了ESO带宽，从而降低了系统运行成本，也降低了由高带宽和增益引起的噪声放大。减小系统运行成本，提高运行效率节约能源，具备更好的抗干扰能力。

本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。

附图说明

图1为本发明实施例中的并联扩张状态观测器结构示意图；

图2为本发明实施例中的并联扩张状态观测器的神经网络模型示意图；

图3为本发明实施例中的永磁同步电机无模型预测电流控制过程示意图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例一

在一个或多个实施方式中，公开了一种永磁同步电机无模型预测电流控制方法，具体包括如下过程：

利用并联扩张状态观测器PESO对永磁同步电机的总扰动进行观测；其中，所述并联扩张状态观测器的最佳宽带通过神经网络预测得到；

基于总扰动和最佳宽带构建永磁同步电机模型预测电流控制器，所述永磁同步电机模型预测电流控制器输出的电压矢量，通过SVPWM调制控制开关管的导通状态，实现对永磁同步电机的控制。

具体地，结合图3，本实施例中永磁同步电机无模型预测电流控制过程具体如下：

电机通过编码器得到的实际转速ω_e与参考转速

比较，将差值输入转速环(转速调节器)得到q轴电流参考值，d轴电流参考值一般设置为0；dq轴电流参考值经过Park变换得到αβ轴定子电流参考值，将其输入至本实施例的永磁同步电机模型预测电流控制器中，同时，永磁同步电机的实际测量转速经过坐标变换得到αβ轴定子电流实测值，也输入至本实施例的永磁同步电机模型预测电流控制器中。永磁同步电机模型预测电流控制器输出定子电压矢量，通过SVPWM调制控制开关管的导通状态，进而实现对电机转速和转矩的精确调控。

下面对本实施例中的具体实施过程进行详细说明：

(1)线性扩张状态观测器LESO建模

考虑一个具有以下超局部状态空间模型的广义单输入单输出(SISO)系统：

其中u(t)为输入信号，a为一个恒定的输入增益，F(t)代表系统的总扰动，x(t)表示系统的状态变量，η(t)表示传感器测量噪声，y(t)表示系统输出信号。

在LESO中总扰动F(t)可以通过以下公式获得：

其中

表示估计的状态变量，y(t)为实测的系统输出信号，ω₀为观测器的带宽。

(2)PESO建模

本实施例中，结合图1，PESO内部由两个或两个以上(比如三个)单独的ESO并联而成，

表示每个ESO估计的状态变量，在本实施例中对应为电机定子电流，

表示每个ESO估计的扰动分量，即系统的外界扰动和电机内部的参数变化对系统造成的影响，

表示PESO总的状态估计，在本实施例中对应为电机定子电流。y(t)表示实际由传感器测得的状态变量，在本实施例中指实际的定子电流。

作为一种具体的示例，并联扩张状态观测器PESO可以由多个(比如三个)线性扩张状态观测器LESO并联连接而成。

由于总扰动是非结构化的，并且有中频分量即

使ω₀₁<ω₀₂<…<ω_0M＝ω₀在带宽范围内，可以用下面的傅立叶级数来建模：

其中A_j,ω_0j,φ_j分别为j_th总扰动项的幅值、频率和相位。

在M＝3的情况下，总扰动F将用下面的并联扩张状态观测器PESO估计，如图1所示。

其中

表示观测状态，y(t)→i_αβ(t)表示实测的系统输出信号，ω₀为ESO的总带宽。系统观测的总扰动为

系统观测的状态变量为

(3)基于人工神经网络模型实现带宽最小化

公式(3)中的PESO可以通过人工神经网络最小化来改善。为了进一步降低带宽需求以减少噪声干扰，带宽最小化将使用下面描述的神经网络最小化来实现。

我们可以用神经网络估计(3)中的扰动

其中

是激活函数，W^T是输出权重矩阵并且||W||_F≤W^*，W^*是已知的正常数，ζ是近似误差。

这将式(3)转换为如下所示的基于神经网络的观测器：

其中

表示观测状态，y(t)→i_αβ(t)表示被测输出信号，

是神经网络的权值更新规律。

将公式(5)前向欧拉离散化可得：

其中T_s表示系统的控制周期，

表示神经网络的权值更新规律。

结合图2，神经网络的输入参量包括：电流谐波约束、αβ轴定子电流、q轴电流变化率以及q轴电流变化的峰值；神经网络的输出为最佳带宽ω_0(opt)。

获取上述输入参量及其对应的最佳带宽数据，构建训练样本集；基于训练样本集对神经网络进行训练。

训练神经网络后，下面最小化问题的解决方案给出了最佳带宽ω_0(opt)：

其中

为电机定子电流的最大总谐波畸变(THD_i)，ω_0(low)、ω_0(high)分别为带宽的上下限，i_αβ(max)＝[i_α(max)i_β(max)]是最大αβ轴电流，|△i_q|_PESO为参考从0阶跃变化时q轴电流变化的峰值，|△i_q|_std为q轴电流变化的边界值。

(4)永磁同步电机无模型预测电流控制

在静止坐标系下，永磁同步电机的动态方程可以表示为：

其中i_s＝[i_α i_β]^T为定子电流，u_s＝[u_α u_β]^T为定子电压，R_s为定子电阻，L_s表示定子电感，ω为电机电角速度，ψ_r为永磁磁链。

永磁同步电动机的超局部数学模型可以表示为：

其中F＝(-R_si_s-jωψ_r)/L_s表示电机动态系统的总扰动，α＝1/L_s表示系统输入增益。

将需要估计的定子电流

总扰动

转化为PESO中的状态变量，则可以得到：

表示估计的αβ轴电流。永磁同步电机PESO模型如下：

其中，(k)表示变量第k时刻的值，(k+1)表示变量在第k+1时刻的值，后续不在单独叙述。T_s表示系统采样时间，

是激活函数，κ为激活函数调节系数。

为观测器参数，M为并联ESO个数，本实施例M＝3，ω₀为神经网络输出的最佳带宽。i_s＝[i_α i_β]^T表示定子电流，

表示基于神经网络的观测器估计定子电流，

为基于神经网络的观测器估计的系统扰动，其中

表示神经网络设计的权重系数矩阵，并且

W^*是已知的正常数。

如前所述，带宽最小化为(7)，从而得到ω_0(opt)。永磁同步电机变流器的控制原理如图3所示。

根据公式(8)，u^k _s可以根据一阶离散化得到：

其中F被(10)计算的总扰动

代替，通过假设

达到其终值

可得到

的表达式为：

为输出电压矢量，通过SVPWM调制控制开关管的导通状态，从而控制电机运行。

考虑到数字化实现中的一步延迟，(12)可重写为：

其中，

与

可以通过(10)获得。

为输出定子电压矢量，

表示第(k+1)时刻PESO-ANN的观测的定子电流；

表示第(k+1)时刻PESO-ANN的观测的总扰动；

表示第(k+2)时刻的定子电流参考；

表示第(k)时刻的定子电流参考；

表示第(k)时刻的电机电角度；ω表示电机电角速度；T_s表示采样时间。

本实施例通过PESO的应用，来增强永磁同步电机MFPCC的抗干扰能力，同时在相同动态响应与抗干扰能力条件下，相较于ESO极大减小观测器的控制带宽；通过人工神经网络的应用，以保证电机获得在当前工况下观测器的最小带宽。

实施例二

在一个或多个实施方式中，公开了一种永磁同步电机无模型预测电流控制系统，包括：

状态观测模块，用于利用并联扩张状态观测器对永磁同步电机的总扰动进行观测；其中，所述并联扩张状态观测器的最佳宽带通过神经网络预测得到；

永磁同步电机控制模块，用于基于所述总扰动和最佳宽带构建永磁同步电机模型预测电流控制器，所述永磁同步电机模型预测电流控制器输出的电压矢量，通过SVPWM调制控制开关管的导通状态，实现对永磁同步电机的控制。

需要说明的是，上述各模块的具体实现方式已经在实施例一中进行了说明，此处不再详述。

实施例三

在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中的永磁同步电机无模型预测电流控制方法方法。为了简洁，在此不再赘述。

应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。

实施例四

在一个或多个实施方式中，公开了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行实施例一中所述的永磁同步电机无模型预测电流控制方法。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (9)

1.一种永磁同步电机无模型预测电流控制方法，其特征在于，包括：

利用并联扩张状态观测器对永磁同步电机的总扰动进行观测；其中，所述并联扩张状态观测器的最佳宽带通过神经网络预测得到；

基于所述总扰动和最佳宽带构建永磁同步电机模型预测电流控制器，所述永磁同步电机模型预测电流控制器输出的电压矢量，通过SVPWM调制控制开关管的导通状态，实现对永磁同步电机的控制。

2.如权利要求1所述的一种永磁同步电机无模型预测电流控制方法，其特征在于，所述并联扩张状态观测器具体为：两个或两个以上的扩张状态观测器并联连接，每一个扩张状态观测器的输入为实测的系统电机定子电流输出信号，每一个扩张状态观测器输出的扰动分量之和为总扰动，每一个扩张状态观测器输出的观测状态分量之和为电机定子电流的观测量。

3.如权利要求1所述的一种永磁同步电机无模型预测电流控制方法，其特征在于，当扩张状态观测器数量为3个时，各扩张状态观测器的输出为：

其中，

为第j个扩张状态观测器输出的观测扰动分量，观测的总扰动为

为第j个扩张状态观测器输出的状态观测分量，总的状态观测量为

a为一个恒定的输入增益，y(t)表示系统输出信号，u(t)为输入信号，ω₀为观测器的带宽。

4.如权利要求1所述的一种永磁同步电机无模型预测电流控制方法，其特征在于，并联扩张状态观测器的最佳宽带通过神经网络预测得到，所述神经网络的输入包括：电流谐波约束、αβ轴定子电流、q轴电流变化率以及q轴电流变化的峰值；所述神经网络的输出为最佳带宽ω_0(opt)。

5.如权利要求1所述的一种永磁同步电机无模型预测电流控制方法，其特征在于，基于所述总扰动和最佳宽带构建永磁同步电机模型预测电流控制器，永磁同步电机模型预测电流控制器的模型具体为：

其中，(k)表示变量第k时刻的值，(k+1)表示变量在第k+1时刻的值，

表示基于并联扩张状态观测器估计的定子电流，T_s表示系统采样时间，

是激活函数，κ为激活函数调节系数，

是输出权重矩阵，γ₁、γ₂分别为观测器参数，ω₀为神经网络输出的最佳带宽，i_s＝[i_α i_β]^T表示定子电流，

为基于并联扩张状态观测器估计的系统扰动。

6.如权利要求1所述的一种永磁同步电机无模型预测电流控制方法，其特征在于，永磁同步电机模型预测电流控制器的输出为：

其中，

为输出定子电压矢量，

表示第(k+1)时刻PESO-ANN的观测的定子电流；

表示第(k+1)时刻PESO-ANN的观测的总扰动；

表示第(k+2)时刻的定子电流参考；

表示第(k)时刻的定子电流参考；

表示第(k)时刻的电机电角度；ω表示电机电角速度；T_s表示采样时间。

7.一种永磁同步电机无模型预测电流控制系统，其特征在于，包括：

状态观测模块，用于利用并联扩张状态观测器对永磁同步电机的总扰动进行观测；其中，所述并联扩张状态观测器的最佳宽带通过神经网络预测得到；

永磁同步电机控制模块，用于基于所述总扰动和最佳宽带构建永磁同步电机模型预测电流控制器，所述永磁同步电机模型预测电流控制器输出的电压矢量，通过SVPWM调制控制开关管的导通状态，实现对永磁同步电机的控制。

8.一种终端设备，其包括处理器和存储器，处理器用于实现指令；存储器用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-6任一项所述的永磁同步电机无模型预测电流控制方法。

9.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-6任一项所述的永磁同步电机无模型预测电流控制方法。

Images