CN116232132A - 一种电动汽车无刷直流电机的转速控制方法 - Google Patents

一种电动汽车无刷直流电机的转速控制方法 Download PDF

Info

Publication number
CN116232132A
CN116232132A CN202310316551.8A CN202310316551A CN116232132A CN 116232132 A CN116232132 A CN 116232132A CN 202310316551 A CN202310316551 A CN 202310316551A CN 116232132 A CN116232132 A CN 116232132A
Authority
CN
China
Prior art keywords
fuzzy
pid
rule
rotating speed
control
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
Application number
CN202310316551.8A
Other languages
English (en)
Inventor
吕红明
郭大鹏
张瑞
秦彦彬
朱凯斌
丁福生
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.)
Yancheng Institute of Technology
Original Assignee
Yancheng Institute of Technology
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 Yancheng Institute of Technology filed Critical Yancheng Institute of Technology
Priority to CN202310316551.8A priority Critical patent/CN116232132A/zh
Publication of CN116232132A publication Critical patent/CN116232132A/zh
Pending legal-status Critical Current

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
    • H02P6/00—Arrangements for controlling synchronous motors or other dynamo-electric motors using electronic commutation dependent on the rotor position; Electronic commutators therefor
    • H02P6/08—Arrangements for controlling the speed or torque of a single 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
    • H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
    • H02P23/0004—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • 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
    • H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
    • H02P23/0004—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P23/0013—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using fuzzy control
    • 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
    • H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
    • H02P23/0004—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P23/0018—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
    • 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
    • H02P6/08—Arrangements for controlling the speed or torque of a single motor
    • H02P6/085—Arrangements for controlling the speed or torque of a single motor in a bridge configuration
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Control Of Motors That Do Not Use Commutators (AREA)

Abstract

本发明涉及无刷直流电机技术领域，尤其涉及一种基于自适应神经网络模糊推理***‑改进遗传算法(ANFIS‑IGA)的电动汽车无刷直流电机的转速控制方法。本专利所使用的控制方法能够克服传统PID控制响应速率不够理想，模糊PID控制器的初始参数等严重依赖专家整定的缺点，本方法能够对模糊PID的初始参数以及所有模糊隶属度函数进行协同优化，具有更好的动态特性、控制精度与鲁棒性。

Description

一种电动汽车无刷直流电机的转速控制方法
技术领域
本发明涉及无刷直流电机技术领域，尤其涉及一种基于自适应神经网络模糊推理***-改进遗传算法(ANFIS-IGA)的电动汽车无刷直流电机的转速控制方法。
背景技术
随着全球汽车的保有量快速的增加，对石油的需求也变得越来越大，能源短缺问题已经成为全球关注的焦点。全球石油资源极度匮乏，我国石油又严重依赖进口，面临的能源短缺问题则更加严峻。面对如此严峻的能源短缺形势，开发电动汽车技术，用电动汽车逐渐代替燃油汽车是解决全球能源危机和环境污染的有效办法。电机驱动***的控制性能关系着整车的安全可靠性。在行驶过程中，路况复杂多变，汽车可能会频繁的加减速、爬坡、制动等等，这就要求电机能够足够满足不同的转速要求，并且要有良好的动静态响应能力。
在电动汽车的驱动***中，多使用永磁同步电机和无刷直流电机。无刷直流电机维护简便，寿命长，运行可靠，没有换向火花。此外，它还具有效率高，启动转矩大，控制性能好，运行平稳，调速范围宽，低速性能好等优点，因此在电动汽车上得到了广泛应用。
电动汽车在不同的路况下行驶时，其参数也总是在变化的。因此，电动汽车的控制器起着至关重要的作用。目前对于无刷直流电机模糊PID控制器来说，其对模糊PID的初始参数的在线调整都是采用固定论域的方式。多采用总结好的专家经验对模糊逻辑控制器的隶属度函数和模糊规则进行自动生成和优化，这使得隶属度函数、模糊规则个数也多为固定值，不能更好地体现模糊逻辑控制器的自适应性。且由于同时需要对隶属度函数的模糊规则进行优化，增加了运算的复杂性。
发明内容
针对现有技术的不足，本发明的目的是提供一种基于自适应神经网络模糊推理***-改进遗传算法的无刷直流电机模糊控制方法，能够提高无刷直流电机转速控制的稳定性以及抗干扰性。
为实现上述目的，本发明所提供的技术方案包括以下步骤：
S1、搭建无刷直流电机模型和模糊PID控制器；
S2、基于无刷直流电机和模糊PID控制器搭建电动汽车电机调速***；
S3、使用改进的遗传算法对模糊控制器的模糊规则进行优化，采用一种自适应模糊推理***整定PID的方法，实现对PID参数的实时调整；
S4、使用优化后的模糊PID调节器输出控制变量，对电机的转速进行优化控制；
进一步地，所述步骤S1的具体步骤如下：
S1.1、基于MATLAB仿真平台，根据无刷直流电机的数学模型搭建无刷直流电机的仿真模型；
S1.2、结合模糊控制的相关原理，构建经典的模糊PID控制器，按照专家经验设置PID参数的初始值和模糊规则；
进一步地，所述步骤S2的具体步骤如下：
S2.1、基于MATLAB仿真平台搭建无刷直流电机的双闭环控制***，转速环采用模糊PID控制器、电流环使用经典的PI控制器；
S2.2、模糊控制器采用两输入、三输出Mamdani控制器，输入为转速误差e及误差变化率ec，输出为PID增益变化ΔKp、ΔKi和ΔKd；
S2.3、PID增益变化ΔKp、ΔKi和ΔKd，结合运算得出控制信号UPID为
Figure BDA0004150269030000021
Kp1＝ΔKp×Kp,Ki1＝ΔKi×Ki,Kd1＝ΔKd×Kd
其中：Kp为比例增益；Ki为积分系数；Kd为微分系数；e为调节器偏差输入信号；
S2.4、基于模糊PID控制器的电动汽车无刷直流电机调速***的控制过程为：电机实际转速与设定目标转速进行比较并采样，得出采样误差e，将采样误差e和误差变化率ec作为模糊控制器的输入量，输入数值量经过比例因子和隶属度函数映射为模糊量，然后根据模糊规则库得到相应的输出模糊量，再经过清晰化得到输出数值增量ΔKp、ΔKi和ΔKd，在线与PID初始参数累加，最终输出使***有较好稳态与动态性能的PID参数.在实际运行中，每次采样模糊控制器都会对PID参数进行一次在线调整，直至达到稳定状态。
进一步地，所述步骤S3的具体步骤如下：
S3.1、遗传算法基于进化理论，为搜索大而复杂的解空间提供了一种接近最优解、避免局部极小值的有效方法，因此广泛应用于模糊控制器参数优化中。针对模糊PID控制器的模糊控制规则过于依赖专家经验这一问题，采用一种改进的遗传优化算法对模糊控制器的模糊规则进行在线迭代，直至得到最优的模糊规则；
所述步骤S3.1改进遗传算法对模糊规则的优化的具体步骤如下：
S3.1-1、种群初始化，本发明将模糊控制规则作为基因，采用二进制的方法对基因进行编码，基因的位数设定为20；将各基因排列得到的向量作为染色体，来表示一组模糊控制规则的优化结果；初始种群的个体数设定为100，对应的矩阵是随机生成的。
S3.1-2、适应度值计算，在对模糊规则进行优化的过程中，适应度函数与优化设计的目标函数是密切相关的。本发明模糊控制规则优化的模型，其目标函数为求极小值的优化问题，因此需要对目标函数进行转换，以使其符合适应度函数的要求。据此可得到适应函数F(x)和模糊规则优化函数f(x)的映射关系：
Figure BDA0004150269030000031
式中，Cmax存在多种选择方法，本发明中采用惩罚函数法。
S3.1-3、改进交叉算子和变异算子，为了减小优良基因由于交叉变异遭到破坏的概率，同时在陷入局部最优解的时候引入新的基因，本发明提出交叉概率和变异概率的动态调整公式：
Figure BDA0004150269030000032
/>
Figure BDA0004150269030000041
式中，fmax为当代群体中最大适应度值；favg为当代群体的平均适应度值；fc为交叉的两个体中较大的适应度值；fm为要变异的个体的适应度值；Pc1和Pc2为交叉概率上和下极限值；Pm1和Pm2为变异概率上和下极限值。
S3.1-4、基于上述的改进方法，利用NSGA-II遗传优化算法对模糊规则进行优化，经过多次迭代计算后，可得到优化后的模糊规则。NSGA-II算法的流程图如图3所示，具体实现过程如下：
第一步：初始种群并设置进化代数Gen＝1。
第二步：判断是否生成了第一代子种群，若已生成则令进化代数Gen＝2，否则，对初始种群进行非支配排序和选择、高斯交叉、变异从而生成第一代子种群并使进化代数Gen＝2。
第三步：将父代种群与子代种群合并为新种群。
第四步：判断是否已生成新的父代种群，若没有则计算新种群中个体的目标函数，并执行快速非支配排序、计算拥挤度、精英策略等操作生成新的父代种群；否则，进入第五步。
第五步：对生成的父代种群执行选择、交叉、变异操作生成子代种群。
第六步：判断Gen是否等于最大的进化代数，若没有则进化代数Gen＝Gen+1并返回第三步；否则，算法运行结束。
S3.3、自适应模糊推理***(ANFIS)是基于Takagi-Sugeno模型的模糊推理***，该***将神经网络与模糊推理***相结合；
S3.4、本发明所采用的ANFIS有5层结构，其结构，如图4所示。结构的输入是无刷直流电机转速的误差及其变化率，这里用x1,x2表示。第一层是隶属度函数生成层。该层中的每个神经元节点代表一个逻辑语言值。隶属函数为高斯函数：
Figure BDA0004150269030000051
式中：i—输入变量的数量；j—模糊变量的个数；μij(xi)—输入变量对应的模糊变量值；mij—高斯函数的中心值；δij—高斯函数的宽度。
S3.5、第二层是模糊推理层，每个节点代表一个模糊规则，通过隶属度函数相乘得到每个规则的触发强度为：
wk＝μ1j(x1)×μ2j(x2)
S3.6、第三层决定了每个规则的触发强度与所有规则的触发强度之和的比率。输出是归一化后每个规则的触发强度：
Figure BDA0004150269030000052
S3.7、第四层给出每个规则的输出：
Figure BDA0004150269030000053
/>
S3.8、第五层是解模糊层，它计算***的总输出：
Figure BDA0004150269030000054
S3.9、提出的ANFIS-PID控制方法是将传统的PID控制、模糊控制与神经网络控制相结合，实现对PID参数的实时调整，从而保证***一直处于最优的状态。本发明采用的ANFIS-PID的结构图，如图5所示。对于无刷直流电机***，控制回路将采集到的电机转速值和设定的电机转速值的偏差e和电机转速的偏差变化率de/dt输入到模糊推理中，然后经过ANFIS结构的最小二乘法和神经网络模块自适应输出ΔKp、ΔKi和ΔKd，从而实现PID参数的在线调整；
进一步地，所述步骤S4的具体步骤如下：
S4.1、将优化后的模糊规则通过仿真平台赋值给模糊控制器，对模糊控制器进行优化改进；
S4.2、基于优化过的模糊控制器，自适应模糊推理***对PID调节器进行整定，实现对PID参数的实时优化调整，调整过参数的PID调节器输出控制变量；
S4.3、根据输出的控制变量控制无刷直流电机的转速。
本发明的有益效果为：在传统的无刷直流电机模糊PID控制***中，虽然性能较传统PID控制有一定提高，但是响应速率不够理想，且隶属度函数、模糊规则与模糊PID控制器的初始参数等靠专家整定法，而专家整定法需要大量的经验，且不同模型的经验规则亦不同，收集一定量的数据形成知识库需要漫长的过程。本发明提出一种自适应神经网络模糊推理***-改进遗传算法的无刷直流电机控制方法。所使用的控制方法对模糊PID的初始参数以及所有模糊隶属度函数进行协同优化，具有更好的动态特性、控制精度与鲁棒性。
附图说明
为了使本发明的内容更容易和清楚地被理解，下面根据具体实施例并结合附图，对本发明作进一步的详细说明，其中：
图1为本发明的流程图；
图2为本发明的总体框图；
图3为本发明的改进遗传算法实施的流程图；
图4是本发明的自适应模糊推理***的结构图；
图5是本发明的自适应模糊推理***整定PID的结构图；
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进一步说明：
如图1所示，本发明所提供的技术方案包括以下步骤：
S1、搭建无刷直流电机模型和模糊PID控制器；
S2、基于无刷直流电机和模糊PID控制器搭建电动汽车电机调速***；
S3、使用改进的遗传算法对模糊控制器的模糊规则进行优化，采用一种自适应模糊推理***整定PID的方法，实现对PID参数的实时调整；
S4、使用优化后的模糊PID调节器输出控制变量，对电机的转速进行优化控制；
步骤S1搭建无刷直流电机模型和模糊PID控制器的具体过程如下：
S1.1、基于MATLAB仿真平台，根据无刷直流电机的数学模型搭建无刷直流电机的仿真模型；
S1.2、结合模糊控制的相关原理，构建经典的模糊PID控制器，按照专家经验设置PID参数的初始值和模糊规则；
步骤S2基于无刷直流电机和模糊PID控制器搭建电动汽车电机调速***的具体过程如下：
S2.1、基于MATLAB仿真平台搭建无刷直流电机的双闭环控制***，转速环采用模糊PID控制器、电流环使用经典的PI控制器；
S2.2、模糊控制器采用两输入、三输出Mamdani控制器，输入为转速误差e及误差变化率ec，输出为PID增益变化ΔKp、ΔKi和ΔKd；
S2.3、PID增益变化ΔKp、ΔKi和ΔKd，结合运算得出控制信号UPID为
Figure BDA0004150269030000071
Kp1＝ΔKp×Kp,Ki1＝ΔKi×Ki,Kd1＝ΔKd×Kd
其中：Kp为比例增益；Ki为积分系数；Kd为微分系数；e为调节器偏差输入信号；
S2.4、基于模糊PID控制器的电动汽车无刷直流电机调速***的控制过程为：电机实际转速与设定目标转速进行比较并采样，得出采样误差e，将采样误差e和误差变化率ec作为模糊控制器的输入量，输入数值量经过比例因子和隶属度函数映射为模糊量，然后根据模糊规则库得到相应的输出模糊量，再经过清晰化得到输出数值增量ΔKp、ΔKi和ΔKd，在线与PID初始参数累加，最终输出使***有较好稳态与动态性能的PID参数.在实际运行中，每次采样模糊控制器都会对PID参数进行一次在线调整，直至达到稳定状态。
步骤S3使用改进的遗传算法对模糊控制器的模糊规则进行优化，采用一种自适应模糊推理***整定PID的方法，实现对PID参数的实时调整的具体步骤如下：
S3.1、遗传算法基于进化理论，为搜索大而复杂的解空间提供了一种接近最优解、避免局部极小值的有效方法，因此广泛应用于模糊控制器参数优化中。针对模糊PID控制器的模糊控制规则过于依赖专家经验这一问题，采用一种改进的遗传优化算法对模糊控制器的模糊规则进行在线迭代，直至得到最优的模糊规则；
参照图3所示的算法流程图，所述步骤S3.1改进遗传算法对模糊规则的优化的具体步骤如下：
S3.1-1、种群初始化，本发明将模糊控制规则作为基因，采用二进制的方法对基因进行编码，基因的位数设定为20；将各基因排列得到的向量作为染色体，来表示一组模糊控制规则的优化结果；初始种群的个体数设定为100，对应的矩阵是随机生成的。
S3.1-2、适应度值计算，在对模糊规则进行优化的过程中，适应度函数与优化设计的目标函数是密切相关的。本发明模糊控制规则优化的模型，其目标函数为求极小值的优化问题，因此需要对目标函数进行转换，以使其符合适应度函数的要求。据此可得到适应函数F(x)和模糊规则优化函数f(x)的映射关系：
Figure BDA0004150269030000081
式中，Cmax存在多种选择方法，本发明中采用惩罚函数法。
S3.1-3、改进交叉算子和变异算子，为了减小优良基因由于交叉变异遭到破坏的概率，同时在陷入局部最优解的时候引入新的基因，本发明提出交叉概率和变异概率的动态调整公式：
Figure BDA0004150269030000082
Figure BDA0004150269030000083
式中，fmax为当代群体中最大适应度值；favg为当代群体的平均适应度值；fc为交叉的两个体中较大的适应度值；fm为要变异的个体的适应度值；Pc1和Pc2为交叉概率上和下极限值；Pm1和Pm2为变异概率上和下极限值。
S3.1-4、基于上述的改进方法，利用NSGA-II遗传优化算法对模糊规则进行优化，经过多次迭代计算后，可得到优化后的模糊规则。具体实现过程如下：
第一步：初始种群并设置进化代数Gen＝1。
第二步：判断是否生成了第一代子种群，若已生成则令进化代数Gen＝2，否则，对初始种群进行非支配排序和选择、高斯交叉、变异从而生成第一代子种群并使进化代数Gen＝2。
第三步：将父代种群与子代种群合并为新种群。
第四步：判断是否已生成新的父代种群，若没有则计算新种群中个体的目标函数，并执行快速非支配排序、计算拥挤度、精英策略等操作生成新的父代种群；否则，进入第五步。
第五步：对生成的父代种群执行选择、交叉、变异操作生成子代种群。
第六步：判断Gen是否等于最大的进化代数，若没有则进化代数Gen＝Gen+1并返回第三步；否则，算法运行结束。
S3.3、自适应模糊推理***(ANFIS)是基于Takagi-Sugeno模型的模糊推理***，该***将神经网络与模糊推理***相结合；
S3.4、如图4所示，本发明所采用的ANFIS有5层结构。结构的输入是无刷直流电机转速的误差及其变化率，这里用x1,x2表示。第一层是隶属度函数生成层。该层中的每个神经元节点代表一个逻辑语言值。隶属函数为高斯函数：
Figure BDA0004150269030000091
式中：i—输入变量的数量；j—模糊变量的个数；μij(xi)—输入变量对应的模糊变量值；mij—高斯函数的中心值；δij—高斯函数的宽度。
S3.5、第二层是模糊推理层，每个节点代表一个模糊规则，通过隶属度函数相乘得到每个规则的触发强度为：
wk＝μ1j(x1)×μ2j(x2)
S3.6、第三层决定了每个规则的触发强度与所有规则的触发强度之和的比率。输出是归一化后每个规则的触发强度：
Figure BDA0004150269030000101
S3.7、第四层给出每个规则的输出：
Figure BDA0004150269030000102
S3.8、第五层是解模糊层，它计算***的总输出：
Figure BDA0004150269030000103
S3.9、参照图5，本发明提出的ANFIS-PID控制方法是将传统的PID控制、模糊控制与神经网络控制相结合，实现对PID参数的实时调整，从而保证***一直处于最优的状态。对于无刷直流电机***，控制回路将采集到的电机转速值和设定的电机转速值的偏差e和电机转速的偏差变化率de/dt输入到模糊推理中，然后经过ANFIS结构的最小二乘法和神经网络模块自适应输出ΔKp、ΔKi和ΔKd，从而实现PID参数的在线调整；
步骤S4使用优化后的模糊PID调节器输出控制变量，对电机的转速进行优化控制的具体过程如下：
S4.1、将优化后的模糊规则通过仿真平台赋值给模糊控制器，对模糊控制器进行优化改进；
S4.2、基于优化过的模糊控制器，自适应模糊推理***对PID调节器进行整定，实现对PID参数的实时优化调整，调整过参数的PID调节器输出控制变量；
S4.3、根据输出的控制变量控制无刷直流电机的转速。
参照图2，步骤S4.3、根据输出的控制变量控制无刷直流电机转速的具体过程如下：将基于自适应神经网络模糊推理***-改进遗传算法的控制器用于电机的调速***，通过输入电机的转速与给定的目标速度的对比，计算电机运行的速度与目标速度的偏差及偏差的变化率，调速***可以自适应地输出相应的电流值，所输出电流值经由电流环PI调节器输出电机所需要的电压值，PID电压模块通过对PID电流模块输出的目标电压值与实际采集母线电压值进行PID调节，得到并输出所需的占空比，经由PWM模块生成PWM波控制三相逆变器桥功率器件的导通截至以及电机三相电压大小。本实施例中输出为六路互补的PWM波，以此来控制三相逆变器桥六个功率器件的导通与截止，并据此计算的占空比去调节电机三相电压的大小，进而控制电机的转速向预期值逼近。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (3)

1.一种电动汽车无刷直流电机的转速控制方法，其特征在于，包括如下步骤：
S1、搭建无刷直流电机模型和模糊PID控制器，基于无刷直流电机和模糊PID控制器搭建电动汽车电机调速***；
S2、使用改进的遗传算法对模糊控制器的模糊规则进行优化；
S3、采用一种自适应模糊推理***整定PID的方法，实现对PID参数的实时调整；
S4、使用优化后的模糊PID调节器输出控制变量，对电机的转速进行优化控制。
2.根据权利要求1所述的一种电动汽车无刷直流电机的转速控制方法，其特征在于，所述步骤S2的具体步骤如下：
S2.1、模糊控制器的生成：模糊控制器采用两输入、三输出Mamdani控制器，输入为转速误差e及误差变化率ec，输出为PID增益变化ΔKp、ΔKi和ΔKd；根据遗传算法优化后的模糊规则库得到相应的输出模糊量，再经过清晰化得到输出数值增量ΔKp、ΔKi和ΔKd，在线与PID初始参数累加，最终输出使***有较好稳态与动态性能的PID参数；
S2.2、遗传算法基于进化理论，为搜索大而复杂的解空间提供了一种接近最优解、避免局部极小值的有效方法，因此广泛应用于模糊控制器参数优化中。针对模糊PID控制器的模糊控制规则过于依赖专家经验这一问题，采用一种改进的遗传优化算法对模糊控制器的模糊规则进行在线迭代，直至得到最优的模糊规则；
S2.3、在传统的遗传算法的基础上，为了减小优良基因由于交叉变异遭到破坏的概率，同时在陷入局部最优解的时候引入新的基因，改进交叉算子和变异算子，本发明提出交叉概率和变异概率的动态调整公式：
Figure QLYQS_1
Figure QLYQS_2
式中，fmax为当代群体中最大适应度值；favg为当代群体的平均适应度值；fc为交叉的两个体中较大的适应度值；fm为要变异的个体的适应度值；Pc1和Pc2为交叉概率上和下极限值；Pm1和Pm2为变异概率上和下极限值。
S2.4、基于上述的改进方法，利用NSGA-II遗传优化算法对模糊规则进行优化，经过多次迭代计算后，可得到优化后的模糊规则。
3.根据权利要求1所述的一种基于自适应神经网络模糊推理***-改进遗传算法(ANFIS-IGA)的电动汽车无刷直流电机模糊控制方法，其特征在于，所述步骤S3的具体步骤如下：
S3.1、自适应模糊推理***(ANFIS)是基于Takagi-Sugeno模型的模糊推理***，该***将神经网络与模糊推理***相结合，本发明所用的ANFIS有5层结构，其结构，如图4所示。结构的输入是无刷直流电机转速的误差及其变化率。第一层是隶属度函数生成层。该层中的每个神经元节点代表一个逻辑语言值。隶属函数为高斯函数：
Figure QLYQS_3
式中：i—输入变量的数量；j—模糊变量的个数；μij(xi)—输入变量对应的模糊变量值；mij—高斯函数的中心值；δij—高斯函数的宽度。
S3.2、第二层是模糊推理层，每个节点代表一个模糊规则，通过隶属度函数相乘得到每个规则的触发强度为：
wk＝μ1j(x1)×μ2j(x2)
S3.3、第三层决定了每个规则的触发强度与所有规则的触发强度之和的比率。输出是归一化后每个规则的触发强度：
Figure QLYQS_4
S3.4、第四层给出每个规则的输出：
Figure QLYQS_5
S3.5、第五层是解模糊层，它计算***的总输出：
Figure QLYQS_6
S3.6、本发明提出的ANFIS-PID控制方法是将传统的PID控制、模糊控制与神经网络控制相结合，实现对PID参数的实时调整，从而保证***一直处于最优的状态。对于无刷直流电机***，控制回路将采集到的电机转速值和设定的电机转速值的偏差e和电机转速的偏差变化率de/dt输入到模糊推理中，然后经过ANFIS结构的最小二乘法和神经网络模块自适应输出ΔKp、ΔKi和ΔKd，从而实现PID参数的在线调整，调整过参数的PID调节器输出控制变量，根据输出的控制变量控制无刷直流电机的转速。
CN202310316551.8A 2023-03-29 2023-03-29 一种电动汽车无刷直流电机的转速控制方法 Pending CN116232132A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310316551.8A CN116232132A (zh) 2023-03-29 2023-03-29 一种电动汽车无刷直流电机的转速控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310316551.8A CN116232132A (zh) 2023-03-29 2023-03-29 一种电动汽车无刷直流电机的转速控制方法

Publications (1)

Publication Number Publication Date
CN116232132A true CN116232132A (zh) 2023-06-06

Family

ID=86584449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310316551.8A Pending CN116232132A (zh) 2023-03-29 2023-03-29 一种电动汽车无刷直流电机的转速控制方法

Country Status (1)

Country Link
CN (1) CN116232132A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117691920A (zh) * 2024-02-01 2024-03-12 成都航空职业技术学院 一种伺服电机自动控制方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117691920A (zh) * 2024-02-01 2024-03-12 成都航空职业技术学院 一种伺服电机自动控制方法
CN117691920B (zh) * 2024-02-01 2024-04-12 成都航空职业技术学院 一种伺服电机自动控制方法

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
CN107688343B (zh) 一种混合动力车辆的能量控制方法
Zand et al. Using adaptive fuzzy logic for intelligent energy management in hybrid vehicles
CN110888317A (zh) 一种pid控制器参数智能优化方法
CN116232132A (zh) 一种电动汽车无刷直流电机的转速控制方法
CN109910863B (zh) 一种基于插电式混合动力轿车专用变速器的控制方法
CN110266226B (zh) 一种基于模型预测控制的电动汽车能效控制方法
Oh et al. Speed control of induction motor using genetic algorithm based fuzzy controller
Aissaoui et al. Power control of wind turbine based on fuzzy controllers
Yin et al. Hybrid multi-agent emotional deep Q network for generation control of multi-area integrated energy systems
Guediri et al. Modeling and comparison of fuzzy-PI and genetic control algorithms for active and reactive power flow between the stator (DFIG) and the grid
CN114722693A (zh) 一种水轮机调节***二型模糊控制参数的优化方法
CN113690926B (zh) 一种改进烟花算法优化单相逆变器控制参数整定方法
CN111614215B (zh) 一种基于生成对抗网络的电动汽车用驱动电机设计方法
CN116384692A (zh) 基于数据驱动的含风能电力***环境经济调度方法及***
Zheng et al. Double fuzzy pitch controller of wind turbine designed by genetic algorithm
CN116050461A (zh) 运用卷积神经网络确定模糊控制理论隶属度函数的改进法
CN112488442B (zh) 基于深度强化学习算法及源荷不确定性的配电网重构方法
CN110210113B (zh) 基于确定性策略梯度的风电场动态等值参数智能校核方法
Kraa et al. Fuzzy logic maximum structure and state feedback control strategies of the electrical car
CN110671266A (zh) 一种智能变桨距机电控制优化方法
CN115514186B (zh) 兆瓦级风电机组多级磁齿轮箱的磁齿轮分级优化设计方法
CN113653596B (zh) 基于模糊预测和扇区管理的双风轮风力机变桨控制方法
Bousserhane et al. Optimal fuzzy gains scheduling of PI controller for induction motor speed control
Xu et al. Research on BLDC Motor Controller Based on GA Optimization

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