CN115347835B - 一种权重自适应的电机控制方法、***、介质及电子设备 - Google Patents

一种权重自适应的电机控制方法、***、介质及电子设备 Download PDF

Info

Publication number
CN115347835B
CN115347835B CN202211276256.6A CN202211276256A CN115347835B CN 115347835 B CN115347835 B CN 115347835B CN 202211276256 A CN202211276256 A CN 202211276256A CN 115347835 B CN115347835 B CN 115347835B
Authority
CN
China
Prior art keywords
moment
stator
flux linkage
current
value
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
Application number
CN202211276256.6A
Other languages
English (en)
Other versions
CN115347835A (zh
Inventor
张祯滨
王天一
李�真
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN202211276256.6A priority Critical patent/CN115347835B/zh
Publication of CN115347835A publication Critical patent/CN115347835A/zh
Application granted granted Critical
Publication of CN115347835B publication Critical patent/CN115347835B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, current or voltage
    • H02P21/141—Flux estimation
    • 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
    • H02P21/0017—Model reference adaptation, e.g. MRAS or MRAC, useful for control or parameter estimation
    • 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
    • H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, current or voltage
    • 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
    • H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, current or voltage
    • H02P21/20—Estimation of torque
    • 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
    • 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
    • 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
    • H02P2207/01—Asynchronous machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Control Of Ac Motors In General (AREA)

Abstract

本发明属于控制或调节***技术领域，提供了一种权重自适应的电机控制方法、***、介质及电子设备；依据计算得到的多个J 1和J 2得到每个新代价函数下的最小电压矢量；依据每个新代价函数下的最小电压矢量，得到k+3时刻的定子磁链预测值和电磁转矩预测值；依据k+3时刻的电磁转矩预测值和k+3时刻的定子磁链预测值，计算得到多个数值；将得到的多个数值带入评价函数，使得评价函数的值最小的两个权重系数作为下一时刻k+1的权重系数，将下一时刻k+1的权重系数对应下的最小电压矢量；可以使感应电机模型预测控制算法中的两个权重系数合理变化，解决了感应电机模型预测控制算法在遇到参考值发生变化情况时，控制效果较差的问题。

Description

一种权重自适应的电机控制方法、***、介质及电子设备
技术领域
本发明属于控制或调节***技术领域，尤其涉及一种权重自适应的电机控制方法、***、介质及电子设备。
背景技术
感应电机的控制是当今重点发展的产业，在海上风力发电和新能源汽车等行业中广泛应用。模型预测控制是感应电机驱动领域的新一代控制技术，具有动态性能好和易于处理各种约束条件等特点，方便在非线性模型的控制对象中实施，未来具有较大发展潜力。
模型预测控制中含有2个控制目标，一个是感应电机的电磁转矩能够快速、精确地追踪电磁转矩参考值，另一个是感应电机的定子磁链能够快速、精确地追踪定子磁链参考值；传统感应电机模型预测控制算法设计了一个代价函数，并在每个控制周期计算该代价函数的值，选取使代价函数最小的电压矢量，作为下一个控制周期感应电机模型预测控制算法的输入，其中，代价函数的第一项，对应控制目标电磁转矩；代价函数的第二项，对应控制目标定子磁链。
发明人发现，传统感应电机模型预测控制算法的代价函数中，设计了第一项权重系数和第二项权重系数用来调整控制目标电磁转矩和控制目标定子磁链的相对重要程度，从而影响整体控制效果，第一项权重系数和第二项权重系数是事先根据经验设置的值，并且在整个控制过程中始终不发生改变，这就导致传统感应电机模型预测控制算法在遇到电磁转矩参考值或定子磁链参考值发生变化情况时，控制效果较差的问题。
发明内容
本发明为了解决上述问题，提出了一种权重自适应的电机控制方法、***、介质及电子设备，本发明可以使感应电机模型预测控制算法中第一项权重系数和第二项权重系数合理变化，改进了感应电机模型预测控制算法，解决了传统感应电机模型预测控制算法在遇到电磁转矩参考值或定子磁链参考值发生变化情况时，控制效果较差的问题，可以使第一项权重系数和第二项权重系数在感应电机的运行过程中实时改变，提升控制性能。
为了实现上述目的，本发明是通过如下的技术方案来实现：
第一方面，本发明提供了一种权重自适应的电机控制方法，包括：
获取感应电机中，三相两电平逆变器不同开关状态下的多个电压矢量；
依据多个电压矢量，计算k+2时刻的电磁转矩预测值和k+2时刻的定子磁链预测值，其中，k为当前时刻；
通过计算电磁转矩参考值与k+2时刻的电磁转矩预测值差值的绝对值，得到多个J 1；通过计算定子磁链参考值与k+2时刻的定子磁链预测值差值的绝对值，得到多个J 2；
将预设感应电机模型预测控制算法中代价函数的权重参数进行离散化，得到多组权重参数，根据多组权重参数，得到多个对应的新代价函数；将多个J 1和J 2分别带入每个新代价函数，得到每个新代价函数下的最小电压矢量；依据每个新代价函数下的最小电压矢量，得到k+3时刻的定子磁链预测值和k+3时刻的电磁转矩预测值；
通过计算电磁转矩参考值与k+3时刻的电磁转矩预测值差值的绝对值，得到多个
Figure 100002_DEST_PATH_IMAGE001
；通过计算定子磁链参考值与k+3时刻的定子磁链预测值差值的绝对值，得到多个
Figure 398506DEST_PATH_IMAGE002
；
将
Figure 790304DEST_PATH_IMAGE001
和
Figure 365642DEST_PATH_IMAGE002
带入评价函数，使得评价函数的值最小的两个权重系数作为下一时刻k+1的权重系数，将下一时刻k+1的权重系数对应下的最小电压矢量；
依据得到的下一时刻k+1的权重系数，以及下一时刻k+1的权重系数对应下的最小电压矢量，对感应电机进行控制。
进一步的，获取当前时刻三相坐标下的定子电流；
将三相坐标下的定子电流转化为当前时刻直轴交轴坐标系下的定子电流；
依据当前时刻直轴交轴坐标系下的定子电流，并依据当前时刻直轴交轴坐标系下的定子电流和前一时刻的电压矢量计算得到当前时刻的定子磁链和当前时刻的转子磁链；
依据当前时刻的定子磁链和当前时刻直轴交轴坐标系下的定子电流，计算得到下一时刻的定子磁链预测值；依据当前时刻直轴交轴坐标系下的定子电流和当前时刻的转子磁链，计算得到下一时刻的定子电流预测值；依据下一时刻的定子磁链预测值和下一时刻的定子电流预测值，计算得到下一时刻的电磁转矩预测值。
进一步的，依据下一时刻的定子磁链预测值和下一时刻的定子电流预测值，计算得到k+2时刻的定子磁链预测值；依据下一时刻的定子电流预测值和下一时刻的转子磁链预测值计算得到k+2时刻的定子电流预测值；依据k+2时刻的定子磁链预测值和k+2时刻的定子电流预测值，计算得到k+2时刻的电磁转矩预测值；
依据k+2时刻的定子磁链预测值和k+2时刻的定子电流预测值，计算得到k+3时刻的定子磁链预测值；依据k+2时刻的定子电流预测值和k+2时刻的转子磁链预测值计算得到k+3时刻的定子电流预测值；依据k+3时刻的定子磁链预测值和k+3时刻的定子电流预测值，计算得到k+3时刻的电磁转矩预测值。
进一步的，计算当前时刻的定子磁链为：
Figure 100002_DEST_PATH_IMAGE003
其中，
Figure 639628DEST_PATH_IMAGE004
为上一时刻的定子磁链；T s 为采样周期或控制周期；
Figure DEST_PATH_IMAGE005
为上一时刻的电压矢量；R s 为感应电机定子电阻；
Figure 863674DEST_PATH_IMAGE006
为上一时刻的直轴交轴坐标系下的定子电流；k为当前时刻；k-1为上一时刻；
计算当前时刻的转子磁链为：
Figure DEST_PATH_IMAGE007
其中，L r 、L s 和L m 分别为感应电机的定子电感、感应电机的转子电感和感应电机的定转子之间的互感；
Figure 641137DEST_PATH_IMAGE008
为当前时刻的定子磁链；
Figure DEST_PATH_IMAGE009
为当前时刻直轴交轴坐标系下的定子电流；k为当前时刻。
进一步的，下一时刻的定子磁链预测值为：
Figure 59480DEST_PATH_IMAGE010
其中，
Figure DEST_PATH_IMAGE011
为当前时刻的定子磁链；
Figure 24025DEST_PATH_IMAGE012
为当前时刻的电压矢量；R s 为感应电机定子电阻；T s 为采样周期或控制周期；
Figure DEST_PATH_IMAGE013
为当前时刻直轴交轴坐标系下的定子电流；k为当前时刻；k+1为下一时刻；
下一时刻的定子电流预测值为：
Figure 677860DEST_PATH_IMAGE014
其中，
Figure DEST_PATH_IMAGE015
，
Figure 955170DEST_PATH_IMAGE016
，
Figure DEST_PATH_IMAGE017
，
Figure 403469DEST_PATH_IMAGE018
，
Figure DEST_PATH_IMAGE019
，
Figure 120889DEST_PATH_IMAGE020
；T s 为采样周期或控制周期；
Figure DEST_PATH_IMAGE021
为当前时刻直轴交轴坐标系下的定子电流；j为旋转因子；
Figure 453781DEST_PATH_IMAGE022
为电角速度；R s 为感应电机定子电阻；
Figure DEST_PATH_IMAGE023
为当前时刻的定子磁链；L r 、L s 和L m 分别为感应电机的定子电感、感应电机的转子电感和感应电机的定转子之间的互感；R r 为感应电机的转子电阻；
Figure 173213DEST_PATH_IMAGE024
为当前时刻的转子磁链；
Figure DEST_PATH_IMAGE025
为当前时刻的电压矢量；
下一时刻的电磁转矩预测值为：
Figure 933359DEST_PATH_IMAGE026
其中，符号
Figure DEST_PATH_IMAGE027
表示对矢量做外积运算；
Figure 997130DEST_PATH_IMAGE028
为下一时刻的定子磁链预测值；
Figure DEST_PATH_IMAGE029
为下一时刻的定子电流预测值；p为感应电机的极对数。
进一步的，评价函数为：
Figure 133713DEST_PATH_IMAGE030
其中，
Figure DEST_PATH_IMAGE031
为第一项权重系数；
Figure 209117DEST_PATH_IMAGE032
为第二项权重系数。
进一步的，感应电机为鼠笼型感应电机。
第二方面，本发明还提供了一种权重自适应的电机控制***，包括：
数据采集模块，被配置为：获取感应电机中，三相两电平逆变器不同开关状态下的多个电压矢量；
k+2时刻预测模块，被配置为：依据多个电压矢量，计算k+2时刻的电磁转矩预测值和k+2时刻的定子磁链预测值，其中，k为当前时刻；
第一计算模块，被配置为：通过计算电磁转矩参考值与k+2时刻的电磁转矩预测值差值的绝对值，得到多个J 1；通过计算定子磁链参考值与k+2时刻的定子磁链预测值差值的绝对值，得到多个J 2；
k+3时刻预测模块，被配置为：将预设感应电机模型预测控制算法中代价函数的权重参数进行离散化，得到多组权重参数，根据多组权重参数，得到多个对应的新代价函数；将多个J 1和J 2分别带入每个新代价函数，得到每个新代价函数下的最小电压矢量；依据每个新代价函数下的最小电压矢量，得到k+3时刻的定子磁链预测值和k+3时刻的电磁转矩预测值；
第二计算模块，被配置为：通过计算电磁转矩参考值与k+3时刻的电磁转矩预测值差值的绝对值，得到多个
Figure DEST_PATH_IMAGE033
；通过计算定子磁链参考值与k+3时刻的定子磁链预测值差值的绝对值，得到多个
Figure 638699DEST_PATH_IMAGE034
；
权重系数和电压矢量确定模块，被配置为：将
Figure 924187DEST_PATH_IMAGE033
和
Figure 67723DEST_PATH_IMAGE034
带入评价函数，使得评价函数的值最小的两个权重系数作为下一时刻k+1的权重系数，将下一时刻k+1的权重系数对应下的最小电压矢量；
控制模块，被配置为：依据得到的下一时刻k+1的权重系数，以及下一时刻k+1的权重系数对应下的最小电压矢量，对感应电机进行控制。
第三方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现了第一方面所述的权重自适应的电机控制方法的步骤。
第四方面，本发明还提供了一种电子设备，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了第一方面所述的权重自适应的电机控制方法的步骤。
与现有技术相比，本发明的有益效果为：
本发明中，通过计算电磁转矩参考值与k+2时刻的电磁转矩预测值差值的绝对值，得到多个J 1；通过计算定子磁链参考值与k+2时刻的定子磁链预测值差值的绝对值，得到多个J 2；将预设感应电机模型预测控制算法中代价函数的权重参数进行离散化，得到多组权重参数，根据多组权重参数，得到多个对应的新代价函数；将多个J 1和J 1分别带入每个新代价函数，得到每个新代价函数下的最小电压矢量；依据每个新代价函数下的最小电压矢量，得到k+3时刻的定子磁链预测值和k+3时刻的电磁转矩预测值；以及通过计算电磁转矩参考值与k+3时刻的电磁转矩预测值差值的绝对值，得到多个
Figure DEST_PATH_IMAGE035
；通过计算定子磁链参考值与k+3时刻的定子磁链预测值差值的绝对值，得到多个
Figure 263212DEST_PATH_IMAGE036
；将
Figure 958636DEST_PATH_IMAGE035
和
Figure 465840DEST_PATH_IMAGE036
带入评价函数，使得评价函数的值最小的两个权重系数作为下一时刻k+1的权重系数，将下一时刻k+1的权重系数对应下的最小电压矢量；可以使感应电机模型预测控制算法中的两个权重系数合理变化，解决了传统感应电机模型预测控制算法在遇到电磁转矩参考值或定子磁链参考值发生变化情况时，控制效果较差的问题。
附图说明
构成本实施例的一部分的说明书附图用来提供对本实施例的进一步理解，本实施例的示意性实施例及其说明用于解释本实施例，并不构成对本实施例的不当限定。
图1为本发明实施例1的控制流程图；
图2为本发明实施例1的权重参数的离散化过程。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
两电平，指的是两电平逆变器。
k为当前时刻；k+1为下一时刻；k-1为上一时刻；k+2和k+3是相对于当前时刻k和下一时刻k+1而言。
实施例1：
正如背景技术中记载的，传统的感应电机模型预测控制算法含有2个控制目标，一个是感应电机的电磁转矩T e 能够快速、精确地追踪电磁转矩参考值
Figure DEST_PATH_IMAGE037
，另一个是感应电机的定子磁链
Figure 944226DEST_PATH_IMAGE038
能够快速、精确地追踪定子磁链参考值
Figure DEST_PATH_IMAGE039
；
发明人发现，传统感应电机模型预测控制算法设计了一个代价函数，并在每个控制周期计算该代价函数的值，选取使代价函数最小电压矢量，作为下一个控制周期感应电机模型预测控制算法的输入，代价函数为：
Figure 758336DEST_PATH_IMAGE040
其中，J为传统感应电机模型预测控制算法的代价函数；
Figure DEST_PATH_IMAGE041
为第一项权重系数；
Figure 31186DEST_PATH_IMAGE042
为第二项权重系数；
Figure DEST_PATH_IMAGE043
为电磁转矩参考值，是经过比例-积分环节得到的电磁转矩参考值；
Figure 697790DEST_PATH_IMAGE044
为预先设定的定子磁链参考值。
代价函数的第一项，对应控制目标电磁转矩；代价函数的第二项，对应控制目标定子磁链；第一项权重系数
Figure 183130DEST_PATH_IMAGE041
第二项权重系数
Figure 946686DEST_PATH_IMAGE042
用来调整控制目标电磁转矩和控制目标定子磁链的相对重要程度，从而影响整体控制效果。在传统感应电机模型预测控制算法中，第一项权重系数
Figure 983912DEST_PATH_IMAGE041
和第二项权重系数
Figure 99330DEST_PATH_IMAGE042
是事先根据经验设置的值，并且在整个控制过程中，第一项权重系数
Figure 247415DEST_PATH_IMAGE041
和第二项权重系数
Figure 6424DEST_PATH_IMAGE042
的值始终不发生改变，这就导致传统感应电机模型预测控制算法在遇到以下三种工况时，控制效果较差的问题；第一种工况为电磁转矩参考值
Figure DEST_PATH_IMAGE045
不变，定子磁链参考值
Figure 745710DEST_PATH_IMAGE046
发生变化；第二种工况为定子磁链参考值
Figure DEST_PATH_IMAGE047
不变，电磁转矩参考值
Figure 121327DEST_PATH_IMAGE045
发生变化；第三种工况为电磁转矩参考值
Figure 682890DEST_PATH_IMAGE045
和定子磁链参考值
Figure 686618DEST_PATH_IMAGE047
均发生变化。
针对上述问题，本实施例提供了一种权重自适应的电机控制方法，主要包括：
S1、采样得到abc三相坐标系下当前时刻三相坐标下的定子电流
Figure 800067DEST_PATH_IMAGE048
、
Figure DEST_PATH_IMAGE049
和
Figure 895937DEST_PATH_IMAGE050
。
S2、将abc三相坐标系下的定子电流
Figure 526770DEST_PATH_IMAGE048
、
Figure 385004DEST_PATH_IMAGE049
和
Figure DEST_PATH_IMAGE051
坐标变换为当前时刻直轴交轴坐标系下的定子电流
Figure 341459DEST_PATH_IMAGE052
；直轴交轴坐标系也称dq坐标系，转换过程为现有技术，在此不再详述。
S3、各个变量的当前值计算以及各个变量的预测值计算：
依据当前时刻直轴交轴坐标系下的定子电流，并依据当前时刻直轴交轴坐标系下的定子电流和前一时刻的电压矢量计算得到当前时刻的定子磁链和当前时刻的转子磁链；具体为：
当前时刻的定子磁链为：
Figure DEST_PATH_IMAGE053
其中，
Figure 426090DEST_PATH_IMAGE054
为当前时刻的定子磁链；
Figure DEST_PATH_IMAGE055
为上一时刻的定子磁链；T s 为采样周期或控制周期；
Figure 624727DEST_PATH_IMAGE056
为上一时刻的电压矢量；R s 为感应电机定子电阻；
Figure DEST_PATH_IMAGE057
为上一时刻的直轴交轴坐标系下的定子电流；k为当前时刻；k-1为上一时刻。
当前时刻的转子磁链为：
Figure 603048DEST_PATH_IMAGE058
其中，L r 、L s 和L m 分别为感应电机的定子电感、感应电机的转子电感和感应电机的定转子之间的互感；
Figure DEST_PATH_IMAGE059
为当前时刻的定子磁链；
Figure 995983DEST_PATH_IMAGE060
为当前时刻直轴交轴坐标系下的定子电流；k为当前时刻。
依据当前时刻的定子磁链和当前时刻直轴交轴坐标系下的定子电流，计算得到下一时刻的定子磁链预测值；依据当前时刻直轴交轴坐标系下的定子电流和当前时刻的转子磁链，计算得到下一时刻的定子电流预测值；依据下一时刻的定子磁链预测值和下一时刻的定子电流预测值，计算得到下一时刻的电磁转矩预测值；具体为：
下一时刻的定子磁链预测值为：
Figure DEST_PATH_IMAGE061
其中，
Figure 567910DEST_PATH_IMAGE062
为当前时刻的定子磁链；
Figure DEST_PATH_IMAGE063
为当前时刻的电压矢量；R s 为感应电机定子电阻；T s 为采样周期或控制周期；
Figure 71703DEST_PATH_IMAGE064
为当前时刻直轴交轴坐标系下的定子电流。
下一时刻的定子电流预测值为：
Figure DEST_PATH_IMAGE065
其中，
Figure 278432DEST_PATH_IMAGE015
，
Figure 435743DEST_PATH_IMAGE016
，
Figure 963808DEST_PATH_IMAGE017
，
Figure 599189DEST_PATH_IMAGE018
，
Figure 161888DEST_PATH_IMAGE019
，
Figure 490101DEST_PATH_IMAGE020
；T s 为采样周期或控制周期；
Figure 364516DEST_PATH_IMAGE021
为当前时刻直轴交轴坐标系下的定子电流；j为旋转因子；
Figure 944533DEST_PATH_IMAGE022
为电角速度；R s 为感应电机定子电阻；
Figure 220794DEST_PATH_IMAGE023
为当前时刻的定子磁链；L r 、L s 和L m 分别为感应电机的定子电感、感应电机的转子电感和感应电机的定转子之间的互感；R r 为感应电机的转子电阻；
Figure 99669DEST_PATH_IMAGE024
为当前时刻的转子磁链；
Figure 726960DEST_PATH_IMAGE025
为当前时刻的电压矢量。
下一时刻的电磁转矩预测值为：
Figure 579509DEST_PATH_IMAGE066
其中，符号
Figure DEST_PATH_IMAGE067
表示对矢量做外积运算；p为感应电机的极对数。
依据下一时刻的定子磁链预测值和下一时刻的定子电流预测值，计算得到k+2时刻的定子磁链预测值；依据下一时刻的定子电流预测值和下一时刻的转子磁链预测值计算得到k+2时刻的定子电流预测值；依据k+2时刻的定子磁链预测值和k+2时刻的定子电流预测值，计算得到k+2时刻的电磁转矩预测值；具体的，将k+1时刻的各预测方程下标“[]”中的部分加1，即可得到k+2时刻的各预测方程；
依据k+2时刻的定子磁链预测值和k+2时刻的定子电流预测值，计算得到k+3时刻的定子磁链预测值；依据k+2时刻的定子电流预测值和k+2时刻的转子磁链预测值计算得到k+3时刻的定子电流预测值；依据k+3时刻的定子磁链预测值和k+3时刻的定子电流预测值，计算得到k+3时刻的电磁转矩预测值；具体的，将k+1时刻的各预测方程下标“[]”中的部分加2，即可得到k+3时刻的各预测方程。
S4、获取感应电机中，三相两电平逆变器不同开关状态下的多个电压矢量；依据多个电压矢量，计算k+2时刻的电磁转矩预测值和k+2时刻的定子磁链预测值，其中，k为当前时刻；通过计算电磁转矩参考值与k+2时刻的电磁转矩预测值差值的绝对值，得到多个J 1；通过计算定子磁链参考值与k+2时刻的定子磁链预测值差值的绝对值，得到多个J 2；具体的，可以将8个电压矢量分别代入k+2时刻的预测方程，得到8个
Figure 507014DEST_PATH_IMAGE068
和8个
Figure DEST_PATH_IMAGE069
；然后计算得到8个J 1值和8个J 2值；8个电压矢量见表1所示；其中，V dc 为直流母线电压；S a 、S b 和S c 为三相两电平逆变器的开关状态：
S a =1表示a相上桥臂导通，下桥臂关断；
S a =0表示a相上桥臂关断，下桥臂导通；
S b =1表示b相上桥臂导通，下桥臂关断；
S b =0表示b相上桥臂关断，下桥臂导通；
S c =1表示c相上桥臂导通，下桥臂关断；
S c =0表示c相上桥臂关断，下桥臂导通；
表1 电压矢量的取值范围
Figure 317975DEST_PATH_IMAGE070
Figure DEST_PATH_IMAGE071
Figure 573507DEST_PATH_IMAGE072
S5、将预设感应电机模型预测控制算法中代价函数的权重参数进行离散化，得到多组权重参数，根据多组权重参数，得到多个对应的新代价函数；具体的，将当前时刻的权重系数
Figure DEST_PATH_IMAGE073
按间隔
Figure 259441DEST_PATH_IMAGE074
离散化，得到9组权重系数，形成9个代价函数g1、g2、g3、g4、g5、g6、g7、g8和g9。
当前时刻的权重系数：
Figure DEST_PATH_IMAGE075
9组权重系数为：
Figure 916818DEST_PATH_IMAGE076
Figure DEST_PATH_IMAGE077
Figure 164260DEST_PATH_IMAGE078
Figure DEST_PATH_IMAGE079
Figure 31722DEST_PATH_IMAGE080
Figure DEST_PATH_IMAGE081
Figure 22812DEST_PATH_IMAGE082
Figure DEST_PATH_IMAGE083
Figure 298810DEST_PATH_IMAGE084
9个新代价函数为：
Figure DEST_PATH_IMAGE085
Figure 451574DEST_PATH_IMAGE086
Figure DEST_PATH_IMAGE087
Figure 681698DEST_PATH_IMAGE088
Figure DEST_PATH_IMAGE089
Figure 647118DEST_PATH_IMAGE090
Figure DEST_PATH_IMAGE091
Figure 544666DEST_PATH_IMAGE092
Figure DEST_PATH_IMAGE093
如图2所示，权重参数进行离散化时，以当前时刻的权重参数为中心，建立的田字形网格，表示离散化之后的9组权重系数；田字形网格上的每一个点，代表一组权重系数；每组权重系数均为矢量，一组权重系数由两个权重系数组成；在k时刻，权重系数被离散化寻优，找到k+1时刻的最优权重系数；在k+1时刻，新的权重系数又被离散化寻优，得到k+2时刻的最优权重，如此不断动态寻优。
S6、将多个J 1和J 2分别带入每个新代价函数，得到每个新代价函数下的最小电压矢量；具体的，将8个J 1值和8个J 2值代入g1，选择出使g1最小的最优电压矢量
Figure 868332DEST_PATH_IMAGE094
。
S7、分别使用g2、g3、g4、g5、g6、g7、g8和g9，重复步骤S5，得到最优电压矢量
Figure DEST_PATH_IMAGE095
、
Figure 851331DEST_PATH_IMAGE096
、
Figure DEST_PATH_IMAGE097
、
Figure 512837DEST_PATH_IMAGE098
、
Figure DEST_PATH_IMAGE099
、
Figure 733734DEST_PATH_IMAGE100
、
Figure 352934DEST_PATH_IMAGE101
和
Figure DEST_PATH_IMAGE102
。
S8、依据每个新代价函数下的最小电压矢量，得到k+3时刻的定子磁链预测值和k+3时刻的电磁转矩预测值；具体的，步骤S6和步骤S7总共选出了9个电压矢量，使用这9个电压矢量计算各变量在k+3时刻的预测值。
S9、通过计算电磁转矩参考值与k+3时刻的电磁转矩预测值差值的绝对值，得到多个
Figure 557650DEST_PATH_IMAGE103
；通过计算定子磁链参考值与k+3时刻的定子磁链预测值差值的绝对值，得到多个
Figure DEST_PATH_IMAGE104
；将
Figure 163075DEST_PATH_IMAGE103
和
Figure 363112DEST_PATH_IMAGE104
带入评价函数，使得评价函数的值最小的两个权重系数作为下一时刻k+1的权重系数，将下一时刻k+1的权重系数对应下的最小电压矢量；具体的，计算评价函数F的值，选择使F的值最小的那组权重系数，记为
Figure 527115DEST_PATH_IMAGE105
，并且选择与此权重系数对应的最优电压矢量
Figure DEST_PATH_IMAGE106
。
Figure 687969DEST_PATH_IMAGE107
Figure DEST_PATH_IMAGE108
Figure 628243DEST_PATH_IMAGE109
S10、依据得到的下一时刻k+1的权重系数，以及下一时刻k+1的权重系数对应下的最小电压矢量，对感应电机进行控制；具体的，将控制算法中的权重系数更新为
Figure DEST_PATH_IMAGE110
。并在k+1时刻，使两电平逆变器产生最优电压矢量
Figure 89312DEST_PATH_IMAGE111
，并送入鼠笼型感应电机进行控制。
实施例2：
本实施例提供了一种权重自适应的电机控制***，包括：
数据采集模块，被配置为：获取感应电机中，三相两电平逆变器不同开关状态下的多个电压矢量；
k+2时刻预测模块，被配置为：依据多个电压矢量，计算k+2时刻的电磁转矩预测值和k+2时刻的定子磁链预测值，其中，k为当前时刻；
第一计算模块，被配置为：通过计算电磁转矩参考值与k+2时刻的电磁转矩预测值差值的绝对值，得到多个J 1；通过计算定子磁链参考值与k+2时刻的定子磁链预测值差值的绝对值，得到多个J 2；
k+3时刻预测模块，被配置为：将预设感应电机模型预测控制算法中代价函数的权重参数进行离散化，得到多组权重参数，根据多组权重参数，得到多个对应的新代价函数；将多个J 1和J 2分别带入每个新代价函数，得到每个新代价函数下的最小电压矢量；依据每个新代价函数下的最小电压矢量，得到k+3时刻的定子磁链预测值和k+3时刻的电磁转矩预测值；
第二计算模块，被配置为：通过计算电磁转矩参考值与k+3时刻的电磁转矩预测值差值的绝对值，得到多个
Figure 784735DEST_PATH_IMAGE033
；通过计算定子磁链参考值与k+3时刻的定子磁链预测值差值的绝对值，得到多个
Figure 291940DEST_PATH_IMAGE034
；
权重系数和电压矢量确定模块，被配置为：将
Figure 737702DEST_PATH_IMAGE033
和
Figure 646753DEST_PATH_IMAGE034
带入评价函数，使得评价函数的值最小的两个权重系数作为下一时刻k+1的权重系数，将下一时刻k+1的权重系数对应下的最小电压矢量；
控制模块，被配置为：依据得到的下一时刻k+1的权重系数，以及下一时刻k+1的权重系数对应下的最小电压矢量，对感应电机进行控制。
所述***的工作方法与实施例1的权重自适应的电机控制方法相同，这里不再赘述。
实施例3：
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现了实施例1所述的权重自适应的电机控制方法的步骤。
实施例4：
本实施例提供了一种电子设备，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了实施例1所述的权重自适应的电机控制方法的步骤。
以上所述仅为本实施例的优选实施例而已，并不用于限制本实施例，对于本领域的技术人员来说，本实施例可以有各种更改和变化。凡在本实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本实施例的保护范围之内。

Claims (10)

1.一种权重自适应的电机控制方法，其特征在于，包括：
获取感应电机中，三相两电平逆变器不同开关状态下的多个电压矢量；
依据多个电压矢量，计算k+2时刻的电磁转矩预测值和k+2时刻的定子磁链预测值，其中，k为当前时刻；
通过计算电磁转矩参考值与k+2时刻的电磁转矩预测值差值的绝对值，得到多个J 1；通过计算定子磁链参考值与k+2时刻的定子磁链预测值差值的绝对值，得到多个J 2；
将预设感应电机模型预测控制算法中代价函数的权重参数进行离散化，得到多组权重参数，根据多组权重参数，得到多个对应的新代价函数；将多个J 1和J 2分别带入每个新代价函数，得到每个新代价函数下的最小电压矢量；依据每个新代价函数下的最小电压矢量，得到k+3时刻的定子磁链预测值和k+3时刻的电磁转矩预测值；
通过计算电磁转矩参考值与k+3时刻的电磁转矩预测值差值的绝对值，得到多个
Figure DEST_PATH_IMAGE001
；通过计算定子磁链参考值与k+3时刻的定子磁链预测值差值的绝对值，得到多个
Figure 673872DEST_PATH_IMAGE002
；
将
Figure DEST_PATH_IMAGE003
和
Figure 793138DEST_PATH_IMAGE002
带入评价函数，使得评价函数的值最小的两个权重系数作为下一时刻k+1的权重系数，将下一时刻k+1的权重系数对应下的最小电压矢量；
依据得到的下一时刻k+1的权重系数，以及下一时刻k+1的权重系数对应下的最小电压矢量，对感应电机进行控制。
2.如权利要求1所述的一种权重自适应的电机控制方法，其特征在于，
获取当前时刻三相坐标下的定子电流；
将三相坐标下的定子电流转化为当前时刻直轴交轴坐标系下的定子电流；
依据当前时刻直轴交轴坐标系下的定子电流，并依据当前时刻直轴交轴坐标系下的定子电流和前一时刻的电压矢量计算得到当前时刻的定子磁链和当前时刻的转子磁链；
依据当前时刻的定子磁链和当前时刻直轴交轴坐标系下的定子电流，计算得到下一时刻的定子磁链预测值；依据当前时刻直轴交轴坐标系下的定子电流和当前时刻的转子磁链，计算得到下一时刻的定子电流预测值；依据下一时刻的定子磁链预测值和下一时刻的定子电流预测值，计算得到下一时刻的电磁转矩预测值。
3.如权利要求2所述的一种权重自适应的电机控制方法，其特征在于，依据下一时刻的定子磁链预测值和下一时刻的定子电流预测值，计算得到k+2时刻的定子磁链预测值；依据下一时刻的定子电流预测值和下一时刻的转子磁链预测值计算得到k+2时刻的定子电流预测值；依据k+2时刻的定子磁链预测值和k+2时刻的定子电流预测值，计算得到k+2时刻的电磁转矩预测值；
依据k+2时刻的定子磁链预测值和k+2时刻的定子电流预测值，计算得到k+3时刻的定子磁链预测值；依据k+2时刻的定子电流预测值和k+2时刻的转子磁链预测值计算得到k+3时刻的定子电流预测值；依据k+3时刻的定子磁链预测值和k+3时刻的定子电流预测值，计算得到k+3时刻的电磁转矩预测值。
4.如权利要求2所述的一种权重自适应的电机控制方法，其特征在于，计算当前时刻的定子磁链为：
Figure 389336DEST_PATH_IMAGE004
其中，
Figure 820317DEST_PATH_IMAGE005
为上一时刻的定子磁链；T s 为采样周期或控制周期；
Figure DEST_PATH_IMAGE006
为上一时刻的电压矢量；R s 为感应电机定子电阻；
Figure 324111DEST_PATH_IMAGE007
为上一时刻的直轴交轴坐标系下的定子电流；k为当前时刻；k-1为上一时刻；
计算当前时刻的转子磁链为：
Figure DEST_PATH_IMAGE008
其中，L r 、L s 和L m 分别为感应电机的定子电感、感应电机的转子电感和感应电机的定转子之间的互感；
Figure 61997DEST_PATH_IMAGE009
为当前时刻的定子磁链；
Figure DEST_PATH_IMAGE010
为当前时刻直轴交轴坐标系下的定子电流；k为当前时刻。
5.如权利要求2所述的一种权重自适应的电机控制方法，其特征在于，下一时刻的定子磁链预测值为：
Figure 360254DEST_PATH_IMAGE011
其中，
Figure DEST_PATH_IMAGE012
为当前时刻的定子磁链；
Figure 685057DEST_PATH_IMAGE013
为当前时刻的电压矢量；R s 为感应电机定子电阻；T s 为采样周期或控制周期；
Figure DEST_PATH_IMAGE014
为当前时刻直轴交轴坐标系下的定子电流；k为当前时刻；k+1为下一时刻；
下一时刻的定子电流预测值为：
Figure 992541DEST_PATH_IMAGE015
其中，
Figure DEST_PATH_IMAGE016
，
Figure 53776DEST_PATH_IMAGE017
，
Figure DEST_PATH_IMAGE018
，
Figure 788514DEST_PATH_IMAGE019
，
Figure DEST_PATH_IMAGE020
，
Figure 335033DEST_PATH_IMAGE021
；T s 为采样周期或控制周期；
Figure DEST_PATH_IMAGE022
为当前时刻直轴交轴坐标系下的定子电流；j为旋转因子；
Figure 180629DEST_PATH_IMAGE023
为电角速度；R s 为感应电机定子电阻；
Figure DEST_PATH_IMAGE024
为当前时刻的定子磁链；L r 、L s 和L m 分别为感应电机的定子电感、感应电机的转子电感和感应电机的定转子之间的互感；R r 为感应电机的转子电阻；
Figure 627528DEST_PATH_IMAGE025
为当前时刻的转子磁链；
Figure DEST_PATH_IMAGE026
为当前时刻的电压矢量；
下一时刻的电磁转矩预测值为：
Figure 533167DEST_PATH_IMAGE027
其中，符号
Figure DEST_PATH_IMAGE028
表示对矢量做外积运算；
Figure 832562DEST_PATH_IMAGE029
为下一时刻的定子磁链预测值；
Figure DEST_PATH_IMAGE030
为下一时刻的定子电流预测值；p为感应电机的极对数。
6.如权利要求1所述的一种权重自适应的电机控制方法，其特征在于，评价函数为：
Figure 216270DEST_PATH_IMAGE031
其中，
Figure DEST_PATH_IMAGE032
为第一项权重系数；
Figure 246237DEST_PATH_IMAGE033
为第二项权重系数。
7.如权利要求1所述的一种权重自适应的电机控制方法，其特征在于，感应电机为鼠笼型感应电机。
8.一种权重自适应的电机控制***，其特征在于，包括：
数据采集模块，被配置为：获取感应电机中，三相两电平逆变器不同开关状态下的多个电压矢量；
k+2时刻预测模块，被配置为：依据多个电压矢量，计算k+2时刻的电磁转矩预测值和k+2时刻的定子磁链预测值，其中，k为当前时刻；
第一计算模块，被配置为：通过计算电磁转矩参考值与k+2时刻的电磁转矩预测值差值的绝对值，得到多个J 1；通过计算定子磁链参考值与k+2时刻的定子磁链预测值差值的绝对值，得到多个J 2；
k+3时刻预测模块，被配置为：将预设感应电机模型预测控制算法中代价函数的权重参数进行离散化，得到多组权重参数，根据多组权重参数，得到多个对应的新代价函数；将多个J 1和J 2分别带入每个新代价函数，得到每个新代价函数下的最小电压矢量；依据每个新代价函数下的最小电压矢量，得到k+3时刻的定子磁链预测值和k+3时刻的电磁转矩预测值；
第二计算模块，被配置为：通过计算电磁转矩参考值与k+3时刻的电磁转矩预测值差值的绝对值，得到多个
Figure DEST_PATH_IMAGE034
；通过计算定子磁链参考值与k+3时刻的定子磁链预测值差值的绝对值，得到多个
Figure 322778DEST_PATH_IMAGE035
；
权重系数和电压矢量确定模块，被配置为：将
Figure DEST_PATH_IMAGE036
和
Figure 702943DEST_PATH_IMAGE037
带入评价函数，使得评价函数的值最小的两个权重系数作为下一时刻k+1的权重系数，将下一时刻k+1的权重系数对应下的最小电压矢量；
控制模块，被配置为：依据得到的下一时刻k+1的权重系数，以及下一时刻k+1的权重系数对应下的最小电压矢量，对感应电机进行控制。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现了如权利要求1-7任一项所述的权重自适应的电机控制方法的步骤。
10.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现了如权利要求1-7任一项所述的权重自适应的电机控制方法的步骤。
CN202211276256.6A 2022-10-19 2022-10-19 一种权重自适应的电机控制方法、***、介质及电子设备 Active CN115347835B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211276256.6A CN115347835B (zh) 2022-10-19 2022-10-19 一种权重自适应的电机控制方法、***、介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211276256.6A CN115347835B (zh) 2022-10-19 2022-10-19 一种权重自适应的电机控制方法、***、介质及电子设备

Publications (2)

Publication Number Publication Date
CN115347835A CN115347835A (zh) 2022-11-15
CN115347835B true CN115347835B (zh) 2023-02-17

Family

ID=83957356

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211276256.6A Active CN115347835B (zh) 2022-10-19 2022-10-19 一种权重自适应的电机控制方法、***、介质及电子设备

Country Status (1)

Country Link
CN (1) CN115347835B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022088440A1 (zh) * 2020-10-29 2022-05-05 浙江大学 一种双电机转矩同步***模型预测电流控制方法
CN114614719A (zh) * 2022-05-16 2022-06-10 山东大学 电机驱动***预测功率因数控制方法及***

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11119457B2 (en) * 2019-06-26 2021-09-14 King Fahd University Of Petroleum And Minerals Method for controlling electric drive system and electric drive system

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022088440A1 (zh) * 2020-10-29 2022-05-05 浙江大学 一种双电机转矩同步***模型预测电流控制方法
CN114614719A (zh) * 2022-05-16 2022-06-10 山东大学 电机驱动***预测功率因数控制方法及***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Multiobjective_Fuzzy-Decision-Making_Predictive_Torque_Control_for_an_Induction_Motor_Drive;Tianyi Wang等;《2021 IEEE International Conference on Predictive Control of Electrical Drives and Power Electronics (PRECEDE)》;20220124;全文 *
永磁同步电机优化模型预测转矩控制;张晓光等;《中国电机工程学报》;20170820(第16期);全文 *

Also Published As

Publication number Publication date
CN115347835A (zh) 2022-11-15

Similar Documents

Publication Publication Date Title
Shi et al. Speed estimation of an induction motor drive using an optimized extended Kalman filter
CN110086383B (zh) 十二相驱动***的模型预测控制方法及装置
CN114584040B (zh) 基于离散空间矢量调制的永磁同步电机预测转矩控制方法
CN111327242A (zh) 一种三电平永磁同步电机无模型预测电流控制方法
Aguilar-Mejía et al. Adaptive neural network control of chaos in permanent magnet synchronous motor
CN112910362B (zh) 永磁同步电机无模型预测电流控制方法
CN110649854A (zh) 一种表贴式永磁同步电机连续集模型预测转矩控制方法
Butt et al. Untrained artificial neuron-based speed control of interior permanent-magnet motor drives over extended operating speed range
Elgbaily et al. Genetic and particle swarm optimization algorithms based direct torque control for torque ripple attenuation of induction motor
Boukhlouf et al. Hardware-in-the-loop implementation of an unknown input observer for synchronous reluctance motor
WO2022252369A1 (zh) 一种三相永磁同步电机的控制方法、装置、设备及介质
CN115347835B (zh) 一种权重自适应的电机控制方法、***、介质及电子设备
Belhamdi et al. Direct field-oriented control using fuzzy logic type-2 for induction motor with broken rotor bars
CN112039402A (zh) 一种电机控制***及控制方法
CN109617467B (zh) 永磁同步电动机低复杂度预测控制方法
Khan et al. Neural network modulation for a Direct Torque controlled Induction Motor Drive
Thakar et al. Fractional-order PI controller for permanent magnet synchronous motor: A design-based comparative study
Vukadinovic et al. Stator resistance identification based on neural and fuzzy logic principles in an induction motor drive
CN115528975A (zh) 基于dsvm的smpmsm驱动***双目标全局最优无模型预测控制方法
Boumaalif et al. Accounting for magnetic saturation in designing a SRM speed controller for torque ripple minimization
Sanz et al. Analytical maximum torque per volt control strategy of an interior permanent magnet synchronous motor with very low battery voltage
CN114244216A (zh) 一种永磁同步电机参数辨识方法、装置及***
Lažek et al. Comparison and simulation of two loss minimization algorithms for field-oriented control of induction motor
Durgasukumar et al. Neuro-fuzzy-based torque ripple reduction and performance improvement of VSI fed induction motor drive
CN111464100A (zh) 一种基于模型预测控制的永磁同步电机控制方法及***

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