CN116243160A - 基于自适应观测增强的多传感器状态预估方法及*** - Google Patents

基于自适应观测增强的多传感器状态预估方法及*** Download PDF

Info

Publication number
CN116243160A
CN116243160A CN202211482306.6A CN202211482306A CN116243160A CN 116243160 A CN116243160 A CN 116243160A CN 202211482306 A CN202211482306 A CN 202211482306A CN 116243160 A CN116243160 A CN 116243160A
Authority
CN
China
Prior art keywords
generator
axis
kalman
observation
time
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
CN202211482306.6A
Other languages
English (en)
Inventor
徐元
马荔瑶
孙明旭
孙斌
毕淑慧
赵钦君
申涛
万东
高瑞
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.)
University of Jinan
Original Assignee
University of Jinan
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 University of Jinan filed Critical University of Jinan
Priority to CN202211482306.6A priority Critical patent/CN116243160A/zh
Publication of CN116243160A publication Critical patent/CN116243160A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/343—Testing dynamo-electric machines in operation

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Gyroscopes (AREA)

Abstract

本发明公开了一种基于自适应观测增强的多传感器状态预估方法及***，包括：将t时刻采集到的发电机直轴、交轴的定子电流和发电机电角速度作为Kalman滤波器的状态向量；将测量得到的直轴、交轴的定子电流作为Kalman滤波器的观测向量；若当前时刻为Kalman滤波的正常采样时刻，Kalman滤波正常进行一步预估和量测更新；若当前时刻不是Kalman滤波的正常采样时刻，则Kalman只进行一步预估，并确定一步预估的次数；最终得到当前时刻的发电机直轴、交轴的定子电流预估值，进而得到发电机直轴、交轴的定子电压预估值。本发明在Kalman滤波器两次采样之间增加了一步预估的次数，减少了多传感器数据融合中采样频率快的传感器数据丢失对发电机电压预估精度的影响。

Description

基于自适应观测增强的多传感器状态预估方法及***
技术领域
本发明涉及多传感器状态预估技术领域，尤其涉及一种基于自适应观测增强的多传感器状态预估方法及***。
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。
目前，随着规模化可再生能源装机容量的进一步扩大，火电承担电网深度调峰调频的负担日益沉重，传统电力产业面临严峻挑战。储能设备种类繁多、特性各异，但能够较好担任风电场联合调频任务的储能设备并不多。其中，飞轮储能具有寿命长、清洁无污染和充放电次数不受限制等突出优势，可实现电力***调频、调峰、有功和无功调节等。飞轮储能的配置可有效支撑新型电力***产业转型，对推动能源行业低碳转型具有建设性意义。
发电机的电压监测作为飞轮储能***关键技术之一，虽然目前多采用多传感器进行数据融合，但其依旧面临挑战。其中，飞轮发电机电压的产生与多个参数有关，而采集这些参数的多个传感器之间的采样频率不尽相同，面对这样的多传感器数据融合***，通常的做法是将数据融合滤波器(比如Kalman滤波器)的采样频率设置为与采样频率较低的传感器一致，但这种情况会导致采样频率快的传感器的部分测量信息不能充分的融入数据融合***中，会对数据融合的精度造成影响。
发明内容
为了解决上述问题，本发明提出了一种基于自适应观测增强的多传感器状态预估方法及***，在传统的传感器处理间隙，增加一步预测的频率，利用马氏距离判断观测增强的效果，直到预估精度满足需求。
在一些实施方式中，采用如下技术方案：
一种基于自适应观测增强的多传感器状态预估方法，包括：
将t时刻采集到的发电机直轴、交轴的定子电流和发电机电角速度作为Kalman滤波器的状态向量；将测量得到的直轴、交轴的定子电流作为Kalman滤波器的观测向量；
若当前时刻为Kalman滤波的正常采样时刻，Kalman滤波正常进行一步预估和量测更新；
若当前时刻不是Kalman滤波的正常采样时刻，则Kalman只进行一步预估，并通过计算一步预估的观测向量和上一正常采样时刻得到的观测向量之间的马氏距离确定一步预估的次数；
最终得到当前时刻的发电机直轴、交轴的定子电流预估值，进而得到发电机直轴、交轴的定子电压预估值。
作为进一步的方案，Kalman滤波器的状态方程具体为：
Figure BDA0003962200420000021
其中，id iq分别为t时刻的直轴、交轴定子电流；μdμq分别为t时刻的、、直轴、交轴定子电压；ωe为发电机电角速度，Rs为定子电阻，ψf为永磁体磁链，Ld、Lq分别为t时刻直轴、交轴电感，wt为t时刻的***噪声，其协方差阵为Q；
Figure BDA0003962200420000031
为状态向量、/>
Figure BDA0003962200420000032
为t时刻的直轴定子电流的导数、/>
Figure BDA0003962200420000033
为t时刻的交轴定子电流的导数、/>
Figure BDA0003962200420000034
发电机电角速度的导数。
作为进一步的方案，Kalman滤波器的观测方程具体为：
Figure BDA0003962200420000035
其中，vt表示测量噪声，其协方差阵为R；
Figure BDA0003962200420000036
分别为测量得到的t时刻直轴、交轴定子电流，/>
Figure BDA0003962200420000037
为测量得到的发电机电角速度，/>
Figure BDA0003962200420000038
作为进一步的方案，若当前时刻为Kalman滤波的正常采样时刻，Kalman滤波正常进行一步预估和量测更新，t时刻的迭代步骤为：
先进行一步预估：
Figure BDA0003962200420000039
Pt -＝FtPt-1Ft T+Q
再进行量测更新：
Kt＝Pt -HT(HPt -HT+R)-1
Figure BDA00039622004200000310
Pt＝(I-KtH)Pt -
其中，
Figure BDA00039622004200000311
为状态向量的一步预估矩阵，Pt、Pt-1分别表示t时刻和t-1时刻的误差矩阵，Kt为滤波增益，/>
Figure BDA00039622004200000312
为f(it)的雅克比矩阵；H为观测矩阵；Q是***噪声wt的协方差矩阵；R为测量噪声vt的协方差阵；yt为观测向量，Pt -为误差矩阵的一步预估，it为状态向量。
若当前时刻不是Kalman滤波的正常采样时刻，则Kalman只进行一步预估，具体过程为：
先进行一步预估：
Figure BDA0003962200420000041
Pt -＝Ft Pt-1Ft T+Q
然后计算马氏距离d，若d＜dset，则停止一步预测，等待量测更新；其中，dset为预先设定的阈值；若d＞dset，则再进行一步预测，然后计算马氏距离，直至马氏距离小于dset或者到达Kalman滤波的正常采样时刻。
作为进一步的方案，计算马氏距离d，具体为：
Figure BDA0003962200420000042
其中，
Figure BDA0003962200420000043
为状态向量的一步预估矩阵，H为观测矩阵，R为测量噪声的协方差、yt为观测向量。
在另一些实施方式中，采用如下技术方案：
一种基于自适应观测增强的多传感器状态预估***，包括：
数据获取模块，用于将t时刻采集到的发电机直轴、交轴的定子电流和发电机电角速度作为Kalman滤波器的状态向量；将测量得到的直轴、交轴的定子电流作为Kalman滤波器的观测向量；
电流预估模块，用于在当前时刻为Kalman滤波的正常采样时刻时，Kalman滤波正常进行一步预估和量测更新；在当前时刻不是Kalman滤波的正常采样时刻时，则Kalman只进行一步预估，并通过计算一步预估的观测向量和上一正常采样时刻得到的观测向量之间的马氏距离确定一步预估的次数；最终得到当前时刻的发电机直轴、交轴的定子电流预估值。
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，处理器用于实现各指令；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基于自适应观测增强的多传感器状态预估方法。
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，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上述的基于自适应观测增强的多传感器状态预估方法。
与现有技术相比，本发明的有益效果是：
(1)本发明方法在传统Kalman滤波的基础上，在Kalman滤波器两次采样之间增加了一步预估的次数，减少了多传感器数据融合中采样频率快的传感器数据丢失对发电机电压预估精度的影响。
(2)本发明通过计算马氏距离(Mahalanobis距离)确定迭代是否终止新加入的一步预估，能够实现***的自适应增加一步预估。
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基于自适应观测增强的多传感器状态预估方法流程图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。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申请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申请的示例性实施方式。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，公开了一种基于自适应观测增强的多传感器状态预估方法，结合图1，图1中方框内为发电机角速度采样频率(较快)，剩下的为电流电压采样频率(较慢)。
本实施例方法具体包括如下过程：
(1)将t时刻采集到的发电机直轴、交轴的定子电流和发电机电角速度作为Kalman滤波器的状态向量；将测量得到的直轴、交轴的定子电流作为Kalman滤波器的观测向量；
本实施例中，Kalman滤波算法的状态方程具体为：
Figure BDA0003962200420000061
其中id、iq分别为t时刻的直轴、交轴定子电流；
μd、μq分别为t时刻的直轴、交轴定子电压；
ωe为发电机电角速度，Rs为定子电阻，ψf为永磁体磁链，Ld、Lq分别为t时刻直轴、交轴电感，wt为t时刻的***噪声，其协方差阵为Q；
Figure BDA0003962200420000071
为状态向量、/>
Figure BDA0003962200420000072
为t时刻的直轴定子电流的导数、/>
Figure BDA0003962200420000073
为t时刻的交轴定子电流的导数、/>
Figure BDA0003962200420000074
发电机电角速度的导数。
Kalman滤波算法的观测方程具体为：
Figure BDA0003962200420000075
/>
其中，vt表示测量噪声，其协方差阵为R；
Figure BDA0003962200420000076
分别为测量得到的t时刻直轴、交轴定子电流，/>
Figure BDA0003962200420000077
为测量得到的发电机电角速度。
(2)若当前时刻为Kalman滤波的正常采样时刻，Kalman滤波正常进行一步预估和量测更新；t时刻的具体的迭代步骤为：
先进行一步预估：
Figure BDA0003962200420000078
Pt -＝FtPt-1Ft T+Q
再进行量测更新：
Kt＝Pt -HT(HPt -HT+R)-1
Figure BDA0003962200420000079
Pt＝(I-KtH)Pt -
其中，
Figure BDA00039622004200000710
为状态向量的一步预估矩阵，Pt、Pt-1分别表示t时刻和t-1时刻的误差矩阵，Kt为滤波增益，/>
Figure BDA00039622004200000711
为f(it)的雅克比矩阵；H为观测矩阵；Q是***噪声wt的协方差矩阵；R为测量噪声vt的协方差阵；yt为观测向量，Pt -为误差矩阵的一步预估，it为状态向量。
(3)若当前时刻不是Kalman滤波的正常采样时刻，则Kalman只进行一步预估，并通过计算一步预估的观测向量和上一正常采样时刻得到的观测向量之间的马氏距离确定一步预估的次数；
具体地，若当前时刻不是Kalman滤波的正常采样时刻，则Kalman只进行一步预估，不进行量测更新，t时刻的具体的迭代步骤为：
先进行一步预估：
Figure BDA0003962200420000081
Pt -＝Ft Pt-1Ft T+Q
再计算马氏距离：
Figure BDA0003962200420000082
若d<dset，则说明滤波精度可以，则停止一步预测，等待量测更新；其中，dset为预先设置的阈值；
若d>dset，则说明滤波精度有待提高，则再进行一次一步预测，然后再计算马氏距离，直至马氏距离小于阈值或者达到采样时间。
(4)最终得到当前时刻的发电机直轴、交轴的定子电流预估值，进而得到发电机直轴、交轴的定子电压预估值。
本实施例在Kalman滤波器两次采样之间增加了一步预估的次数，减少了多传感器数据融合中采样频率快的传感器的数据丢失对电压预估精度的影响。
实施例二
在一个或多个实施方式中，公开了一种基于自适应观测增强的多传感器状态预估***，包括：
数据获取模块，用于将t时刻采集到的发电机直轴、交轴的定子电流和发电机电角速度作为Kalman滤波器的状态向量；将测量得到的直轴、交轴的定子电流作为Kalman滤波器的观测向量；
电流预估模块，用于在当前时刻为Kalman滤波的正常采样时刻时，Kalman滤波正常进行一步预估和量测更新；在当前时刻不是Kalman滤波的正常采样时刻时，则Kalman只进行一步预估，并通过计算一步预估的观测向量和上一正常采样时刻得到的观测向量之间的马氏距离确定一步预估的次数；最终得到当前时刻的发电机直轴、交轴的定子电流预估值。
需要说明的是，上述各模块的具体实施方式已经在实施例一中进行了详细的说明，此处与实施例一中相同，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基于自适应观测增强的多传感器状态预估方法。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基于自适应观测增强的多传感器状态预估方法。
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)

1.一种基于自适应观测增强的多传感器状态预估方法，其特征在于，包括：
将t时刻采集到的发电机直轴、交轴的定子电流和发电机电角速度作为Kalman滤波器的状态向量；将测量得到的直轴、交轴的定子电流作为Kalman滤波器的观测向量；
若当前时刻为Kalman滤波的正常采样时刻，Kalman滤波正常进行一步预估和量测更新；
若当前时刻不是Kalman滤波的正常采样时刻，则Kalman只进行一步预估，并通过计算一步预估的观测向量和上一正常采样时刻得到的观测向量之间的马氏距离确定一步预估的次数；
最终得到当前时刻的发电机直轴、交轴的定子电流预估值，进而得到发电机直轴、交轴的定子电压预估值。
2.如权利要求1所述的一种基于自适应观测增强的多传感器状态预估方法，其特征在于，Kalman滤波器的状态方程具体为：
Figure FDA0003962200410000011
其中，id、iq分别为t时刻的直轴、交轴定子电流；μd、μq分别为t时刻的直轴、交轴定子电压；ωe为发电机电角速度，Rs为定子电阻，ψf为永磁体磁链，Ld、Lq分别为t时刻直轴、交轴电感，wt为t时刻的***噪声，其协方差阵为Q；
Figure FDA0003962200410000012
为状态向量、/>
Figure FDA0003962200410000013
为t时刻的直轴定子电流的导数、/>
Figure FDA0003962200410000014
为t时刻的交轴定子电流的导数、/>
Figure FDA0003962200410000015
发电机电角速度的导数。
3.如权利要求1所述的一种基于自适应观测增强的多传感器状态预估方法，其特征在于，Kalman滤波器的观测方程具体为：
Figure FDA0003962200410000021
其中，vt表示测量噪声，其协方差阵为R；
Figure FDA0003962200410000022
分别为测量得到的t时刻直轴、交轴定子电流，/>
Figure FDA0003962200410000023
为测量得到的发电机电角速度，/>
Figure FDA0003962200410000024
4.如权利要求1所述的一种基于自适应观测增强的多传感器状态预估方法，其特征在于，若当前时刻为Kalman滤波的正常采样时刻，Kalman滤波正常进行一步预估和量测更新，t时刻的迭代步骤为：
先进行一步预估：
Figure FDA0003962200410000025
Pt -＝Ft Pt-1Ft T+Q
再进行量测更新：
Kt＝Pt -HT(HPt -HT+R)-1
Figure FDA0003962200410000026
Pt＝(I-KtH)Pt -
其中，
Figure FDA0003962200410000027
为状态向量的一步预估矩阵，Pt、Pt-1分别表示t时刻和t-1时刻的误差矩阵，Kt为滤波增益，/>
Figure FDA0003962200410000028
为f(it)的雅克比矩阵；H为观测矩阵；Q是***噪声wt的协方差矩阵；R为测量噪声vt的协方差阵；yt为观测向量，Pt -为误差矩阵的一步预估，it为状态向量。
5.如权利要求1所述的一种基于自适应观测增强的多传感器状态预估方法，其特征在于，若当前时刻不是Kalman滤波的正常采样时刻，则Kalman只进行一步预估，具体过程为：
先进行一步预估：
Figure FDA0003962200410000031
Pt -＝Ft Pt-1Ft T+Q
然后计算马氏距离d，若d＜dset，则停止一步预测，等待量测更新；其中，dset为预先设定的阈值；若d＞dset，则再进行一步预测，然后计算马氏距离，直至马氏距离小于dset或者到达Kalman滤波的正常采样时刻。
6.如权利要求5所述的一种基于自适应观测增强的多传感器状态预估方法，其特征在于，计算马氏距离d，具体为：
Figure FDA0003962200410000032
其中，
Figure FDA0003962200410000033
为状态向量的一步预估矩阵，H为观测矩阵，R为测量噪声的协方差、yt为观测向量。
7.一种基于自适应观测增强的多传感器状态预估***，其特征在于，包括：
数据获取模块，用于将t时刻采集到的发电机直轴、交轴的定子电流和发电机电角速度作为Kalman滤波器的状态向量；将测量得到的直轴、交轴的定子电流作为Kalman滤波器的观测向量；
电流预估模块，用于在当前时刻为Kalman滤波的正常采样时刻时，Kalman滤波正常进行一步预估和量测更新；在当前时刻不是Kalman滤波的正常采样时刻时，则Kalman只进行一步预估，并通过计算一步预估的观测向量和上一正常采样时刻得到的观测向量之间的马氏距离确定一步预估的次数；最终得到当前时刻的发电机直轴、交轴的定子电流预估值。
8.一种终端设备，其包括处理器和存储器，处理器用于实现各指令；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任一项所述的基于自适应观测增强的多传感器状态预估方法。
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任一项所述的基于自适应观测增强的多传感器状态预估方法。
CN202211482306.6A 2022-11-24 2022-11-24 基于自适应观测增强的多传感器状态预估方法及*** Pending CN116243160A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211482306.6A CN116243160A (zh) 2022-11-24 2022-11-24 基于自适应观测增强的多传感器状态预估方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211482306.6A CN116243160A (zh) 2022-11-24 2022-11-24 基于自适应观测增强的多传感器状态预估方法及***

Publications (1)

Publication Number Publication Date
CN116243160A true CN116243160A (zh) 2023-06-09

Family

ID=86633775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211482306.6A Pending CN116243160A (zh) 2022-11-24 2022-11-24 基于自适应观测增强的多传感器状态预估方法及***

Country Status (1)

Country Link
CN (1) CN116243160A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118091695A (zh) * 2024-04-23 2024-05-28 山东哈工卓越智能有限公司 基于激光雷达的车厢边界预估方法、***、装置及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118091695A (zh) * 2024-04-23 2024-05-28 山东哈工卓越智能有限公司 基于激光雷达的车厢边界预估方法、***、装置及介质

Similar Documents

Publication Publication Date Title
Farasat et al. Efficiency improved sensorless control scheme for electric vehicle induction motors
CN116243160A (zh) 基于自适应观测增强的多传感器状态预估方法及***
Huang et al. Efficient maximum torque per ampere (MTPA) control of interior PMSM using sparse bayesian based offline data-driven model with online magnet temperature compensation
CN114938173A (zh) 永磁同步电机效率优化控制方法及装置
CN113236541B (zh) 压缩机控制方法、设备、存储介质及装置
Wang et al. Improvements in the permanent magnet synchronous motor torque model using incremental inductance
Brescia et al. Automated parameter identification of spmsms based on two steady states using cloud computing resources
CN113364380A (zh) 一种电机参数确定方法及装置
CN110889240B (zh) 一种分数阶永磁同步电机非线性建模及辨识方法
CN113691182A (zh) 永磁同步电机的电阻辨识方法、***、介质及终端
Bayoumi Stator resistance estimator for direct torque control of permanent magnet synchronous motor drive systems using multi-resolution analysis wavelet
CN111049446A (zh) 永磁同步电机硬件在环仿真方法及装置、存储介质和终端
CN113552452A (zh) 永磁电机匝间短路剩余绝缘监测方法、装置和存储介质
Sabzevari et al. Analysis and Modification of a Particle Filter Algorithm for Sensorless Control of BLDC Machine
CN110966729A (zh) 压缩机接线反接的识别方法、装置、压缩机及空调器
CN114744941B (zh) 一种永磁同步电机永磁体退磁在线监测方法及***
CN114448319B (zh) 一种永磁同步电机参数辨识方法、装置、设备及存储介质
CN117375471B (zh) 永磁电机转动惯量与负载转矩辨识方法及***
CN117240126B (zh) 一种有限集模型预测控制方法、***、终端及存储介质
CN115333427A (zh) 一种永磁同步电机三相短路暂态建模方法及装置
CN115967322A (zh) 一种永磁同步电机无模型预测电流控制方法及***
CN115276490A (zh) 基于状态空间模型的感应电机参数辨识方法和装置
Wei et al. Sensorless current model control for permanent magnet synchronous motor based on IPID with two‐dimensional cloud model online optimisation
CN110299880B (zh) 永磁同步电机的控制方法、控制装置及压缩机
Bui et al. Numerical Investigation of the Online Parameter Estimation Techniques for Interior Permanent Magnet Synchronous Machines

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