CN117040340A - 一种电机的扰动预测方法、装置、设备及存储介质 - Google Patents
一种电机的扰动预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117040340A CN117040340A CN202311297894.0A CN202311297894A CN117040340A CN 117040340 A CN117040340 A CN 117040340A CN 202311297894 A CN202311297894 A CN 202311297894A CN 117040340 A CN117040340 A CN 117040340A
- Authority
- CN
- China
- Prior art keywords
- disturbance
- value
- target
- motor
- axis
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000001629 suppression Effects 0.000 claims abstract description 18
- 230000014509 gene expression Effects 0.000 claims description 109
- 238000004590 computer program Methods 0.000 claims description 2
- 230000000295 complement effect Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 16
- 230000001360 synchronised effect Effects 0.000 description 15
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000004907 flux Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- JXASPPWQHFOWPL-UHFFFAOYSA-N Tamarixin Natural products C1=C(O)C(OC)=CC=C1C1=C(OC2C(C(O)C(O)C(CO)O2)O)C(=O)C2=C(O)C=C(O)C=C2O1 JXASPPWQHFOWPL-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
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
-
- 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
- H02P21/13—Observer control, e.g. using Luenberger observers or Kalman filters
-
- 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
- H02P25/022—Synchronous motors
-
- 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
- H02P2207/05—Synchronous machines, e.g. with permanent magnets or DC excitation
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Control Of Electric Motors In General (AREA)
- Feedback Control In General (AREA)
- Control Of Ac Motors In General (AREA)
Abstract
本申请公开了一种电机的扰动预测方法、装置、设备及存储介质,可应用于电机抑制扰动***的控制器,通过获取的电机的电流、电压和电机参数,采用线性扩张状态观测器的目标状态空间表达式和预设扰动预测模型分别预测得到电机的目标总扰动估计值和目标扰动差值预测值,进一步确定电机的目标总扰动预测值。其中,所述目标扰动差值预测值用于表征所述预设扰动预测模型对所述电机的所述目标总扰动估计值和所述实际总扰动值之间的差值的预测值,可以作为对目标扰动估计值的补充值,最大可能地减少实际总扰动与目标扰动估计值之间的误差,提高本申请实施例对电机总扰动预测的准确性。
Description
技术领域
本申请涉及电机控制技术领域,更具体地说,涉及一种电机的扰动预测方法、装置、设备及存储介质。
背景技术
永磁同步电机因其效率高、功率密度大,被广泛应用于数控机床、机器人、新能源汽车等现代工业领域。但永磁同步电机在实际运行中会遭受一系列的扰动,影响永磁同步电机的工作效率。
目前为抑制永磁同步电机在运行过程中产生的扰动,普遍使用PID控制器(比例积分微分控制器,proportional-integral-derivative control)实现对永磁同步电机的扰动抑制,在实际工况应用中,需要工作人员针对电机的不同工况,对PID控制器设备多组不同的PID参数,基于PID参数提升对电机的控制性和扰动抑制性。并且针对不同的电机,需要重新标定一次PID参数,同一PID参数无法适用于多个电机。上述方法,对电机扰动预测的准确性和适应性较差,反而无益于对电机扰动的抑制。
发明内容
有鉴于此,本申请提供了一种电机的扰动预测方法、装置、设备及存储介质,用于解决现有扰动预测方式预测不准确的问题。
为了实现上述目的,现提出的方案如下:
一种电机的扰动预测方法,应用于电机抑制扰动***的控制器,所述电机抑制扰动***还包括:预设扰动预测模型、线性扩张状态观测器和电机,该方法包括:
获取所述电机的电流、电压和电机参数;
基于所述电流、所述电压和所述线性扩张状态观测器的目标状态空间表达式进行计算,得到目标总扰动估计值;
将所述电流、所述电压和所述电机参数输入所述预设扰动预测模型,获得预测得到的目标扰动差值预测值,所述预设扰动预测模型的参数的参数值为,在上一预测时刻,依据所述预设扰动预测模型得到的目标扰动差值预测值与实际扰动差值之间的误差值满足预设条件的参数值,所述实际扰动差值为所述线性扩张状态观测器估算的上一预测时刻的所述目标总扰动估计值和实际总扰动值之间的差值,所述目标扰动差值预测值用于表征所述预设扰动预测模型对所述电机的所述目标总扰动估计值和所述实际总扰动值之间的差值的预测值;
基于所述目标总扰动估计值和所述目标扰动差值预测值,确定所述电机的目标总扰动预测值。
可选的,还包括:
将所述目标总扰动预测值以预设格式输入所述电机。
可选的,还包括:
获取当前所述电机的所述实际总扰动值,以及上一预测时刻的目标总扰动估计值和目标扰动差值预测值;
确定所述上一预测时刻的目标总扰动估计值和所述实际总扰动值之间的差值作为实际扰动差值;
确定所述上一预测时刻的目标扰动差值预测值与所述实际扰动差值之间的误差值;
若所述误差值不满足预设条件,以所述电流、所述电压和所述电机参数作为所述预设扰动预测模型的输入值,所述目标扰动差值预测值作为输出值,调整所述预设扰动预测模型参数的参数值,直至所述误差值满足所述预设条件,确定当前所述预设扰动预测模型的参数的参数值为目标参数值;
将参数值为所述目标参数值的所述预设扰动预测模型作为下一预测时刻的所述预设扰动预测模型。
可选的,所述目标状态空间表达式包括分别与d轴和q轴对应的目标状态空间表达式,该方法还包括:
获取所述电机的电流状态空间表达式,所述电流状态空间表达式用于表征所述电机的输入电压和输出电流之间的函数关系;
对所述电流状态空间表达式进行解耦,得到分别与d轴和q轴对应的状态方程;
分别针对d轴和q轴对应的所述状态方程执行下方步骤:
重写所述状态方程,得到与所述线性扩张状态观测器对应的初始状态空间表达式,所述线性扩张状态观测器用于基于所述电机实际输入值对扰动估计值进行估算;
基于所述初始状态空间表达式,确定所述实际输入值和所述扰动估计值的误差表达式;
调整所述误差表达式中的参数值,得到目标参数值,所述目标参数值使得所述误差表达式满足第一预设误差条件;
将所述目标参数值代入所述初始状态空间表达式,确定与所述线性扩张状态观测器对应的目标状态空间表达式。
可选的,所述电流包括分别与d轴和q轴对应电流,所述电压包括分别与d轴和q轴对应的电压;
所述基于所述电流、所述电压和所述线性扩张状态观测器的目标状态空间表达式进行计算,得到目标总扰动估计值,包括:
将与d轴对应的电流和与d轴对应的电压输入d轴对应的所述目标状态空间表达式,得到d轴目标扰动估计值;
将与q轴对应的电流和与q轴对应的电压输入q轴对应的所述目标状态空间表达式,得到q轴目标扰动估计值;
确定包含所述d轴目标扰动估计值和所述q轴目标扰动估计值的目标总扰动估计值。
一种电机的扰动预测装置,应用于电机抑制扰动***的控制器,所述电机抑制扰动***还包括:预设扰动预测模型、线性扩张状态观测器和电机,该装置包括:
参数获取单元,用于获取所述电机的电流、电压和电机参数;
扰动估计单元,用于基于所述电流、所述电压和所述线性扩张状态观测器的目标状态空间表达式进行计算,得到目标总扰动估计值;
差值预测单元,用于将所述电流、所述电压和所述电机参数输入所述预设扰动预测模型,获得预测得到的目标扰动差值预测值,所述预设扰动预测模型的参数的参数值为,在上一预测时刻,依据所述预设扰动预测模型得到的目标扰动差值预测值与实际扰动差值之间的误差值满足预设条件的参数值,所述实际扰动差值为所述线性扩张状态观测器估算的上一预测时刻的所述目标总扰动估计值和实际总扰动值之间的差值,所述目标扰动差值预测值用于表征所述预设扰动预测模型对所述电机的所述目标总扰动估计值和所述实际总扰动值之间的差值的预测值;
预测值确定单元,用于基于所述目标总扰动估计值和所述目标扰动差值预测值,确定所述电机的目标总扰动预测值。
可选的,还包括:
控制输入单元,用于将所述目标总扰动预测值以预设格式输入所述电机。
可选的,包括:
扰动信息获取单元,用于获取当前所述电机的所述实际总扰动值,以及上一预测时刻的目标总扰动估计值和目标扰动差值预测值;
差值确定单元,用于确定所述上一预测时刻的目标总扰动估计值和所述实际总扰动值之间的差值作为实际扰动差值;
误差值确定单元,用于确定所述上一预测时刻的目标扰动差值预测值与所述实际扰动差值之间的误差值;
参数调整单元,用于若所述误差值不满足预设条件,以所述电流、所述电压和所述电机参数作为所述预设扰动预测模型的输入值,所述目标扰动差值预测值作为输出值,调整所述预设扰动预测模型参数的参数值,直至所述误差值满足所述预设条件,确定当前所述预设扰动预测模型的参数的参数值为目标参数值;
参数确定单元,用于将参数值为所述目标参数值的所述预设扰动预测模型作为下一预测时刻的所述预设扰动预测模型。
一种电机的扰动预测设备,包括存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现任一项所述电机的扰动预测方法的各个步骤。
一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现任一项所述电机的扰动预测方法的各个步骤。
本申请实施例基于线性扩张状态观测器的目标状态表达式,对电机的总扰动进行估计,但是由于线性扩张状态观测器得到的目标总扰动估计值仍然存在一定的误差,为提高对总扰动预测的准确性,采用预设扰动预测模型对电机实际总扰动与目标总扰动估计值之间的差值进行预测,得到的目标扰动差预测值可以作为对目标扰动估计值的补充值,最大可能地减少实际总扰动与目标扰动估计值之间的误差,提高本申请实施例对电机总扰动预测的准确性。
并且,预设扰动预测模型是基于上一预测时刻的目标扰动差值预测值与实际扰动差值之间的差值是否满足预设条件来调整模型参数的参数值,使得预设扰动预测模型的参数更适应当前预测时刻的差值预测状态,提升预设扰动预测模型在预测过程中的灵活性和准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种电机抑制扰动***的***架构图;
图2为本申请实施例提供的实现电机的扰动预测方法的流程示意图;
图3为本申请实施例提供的一种电机的扰动预测装置的结构示意图;
图4为本申请实施例提供的一种电机的扰动预测设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
目前对电机扰动预测和扰动抑制通常采用PID,但是PID电机的抑制效果过于依赖工作人员对PID参数的标定质量和参数类型,不具备在实际工作环境中对未知扰动的抑制能力,只能对特定参数类型对应的扰动进行抑制,并且抑制效果取决于工作人员对参数的标定质量,对电机扰动抑制的适应性较差。
基于此,本申请提出了应用于电机抑制扰动***的控制器的电机的扰动预测方法,通过线性扩张状态观测器对电机的总扰动进行估测,并通过预设扰动预测模型预测线性扩张状态观测器估测的目标总扰动估计值与实际总扰动值之间的差值,以所述差值作为所述扰动估计值的补充值,减少预测得到的总扰动值与实际总扰动值之间的误差,提高本申请实施例对电机总扰动预测的准确性。
图1为本申请实施例提供的电机抑制扰动***的***架构图,如图1所示,该电机抑制扰动***的***架构可以包括:控制器、预设扰动预测模型、线性扩张状态观测器(Linear Extended State Observer,简称LESO)和电机,在本申请实施例中所述电机可以采用永磁同步电机(permanent magnet synchronous motor,简称PMSM),所述控制器可以采用PI调节器(proportional integral controller),所述预设扰动预测模型可以选择采用深度神经网络模型(DNN)。
本申请实施例应用于对PMSM控制中的电流环部分,电机的扰动预测方法可以分为三部分对PMSM的扰动进行预测,分别为PI调节器、LESO和DNN。其中,PI调节器部分主要实现对LESO和DNN的控制作用,LESO会根据上一时刻PMSM的输入和输出(如图中的id、iq、we、Ud、Uq等)来观测或估测当前时刻电机的总扰动,DNN用于预测LESO估测的总扰动与实际总扰动之间的差值。
在本申请实施例中,采用的LESO是对传统的ESO(状态观测器)线性化后的结果,每一个LESO可以使用带宽法仅整定一个参数实现对LESO的设计。但是这种线性化的不准确性会使得到的总扰动估计值不准确,进而影响对电机的扰动抑制。所述DNN可对由于LESO对总扰动估计值估算不准确而产生的误差值进行预测,以对所述总扰动估计值进行补充,基于所述误差值和所述总扰动估计值可以确定对电机总扰动的预测值。
在所述电机抑制扰动***中,可以基于所述总扰动的预测值与实际输入电压产生的总扰动值进行抵消,实现对电机扰动的抑制。
参照图2所述的本申请实施例提供的实现电机的扰动预测方法的流程示意图,对上述预测电机总扰动的预测值的预测过程进行说明,具体过程可以包括:
步骤S110,获取电机的电流、电压和电机参数。
在本申请实施例中,所述电机可以采用永磁同步电机,针对永磁同步电机控制中的电流环部分实现对总扰动的预测。
所述电流可以包括:d轴电流和q轴电流,所述电压可以包括:d轴电压和q轴电压。在永磁同步电机控制中,d轴和q轴是基于同步电机转子磁极产生的磁场方向划定的坐标轴,其中,所述磁场的N极中心轴线为d轴(或直轴),超前d轴90°电角度的位置为q轴(或交轴),本申请实施例可以分别从d轴和q轴两个方向预测扰动值。
本申请实施例用于预测的所述电流和所述电压可以为当前时刻电机的电流值和电压值,其中,当前时刻电机的电流值实际为电机对上一时刻输入电压的响应电流。
所述电机参数可以包括永磁同步电机的多个标定参数,如定子电阻、转子磁链角速度、转子磁链以及标定电感等参数。
步骤S120,基于所述电流、所述电压和线性扩张状态观测器的目标状态空间表达式进行计算,得到目标总扰动估计值。
在本申请实施例中,需要预先创建所述线性扩张状态观测器,对线性扩张状态观测器用于估算的状态空间表达式中的参数值进行调整,得到目标状态空间表达式,使得所述线性扩张状态观测器可以根据所述目标状态空间表达式、电流、电压等参数估算得到的总扰动估计值能够满足预设条件,尽量减小总扰动估计值与实际总扰动值之间的误差,提高线性扩张状态观测器的估测准确度。
可选的,设计两个线性扩张状态观测器,分别用于估测d轴和q轴对应的总扰动值,则对应的目标状态空间表达式可以包括分别与d轴和q轴对应的目标状态空间表达式。其中,设计分别与d轴和q轴对应的线性扩张状态观测器的过程可以包括:
获取所述电机的电流状态空间表达式,所述电流状态空间表达式用于表征所述电机的输入电压和输出电流之间的函数关系;对所述电流状态空间表达式进行解耦,得到分别与d轴和q轴对应的状态方程。
分别针对d轴和q轴对应的所述状态方程执行下方步骤:重写所述状态方程,得到与所述线性扩张状态观测器对应的初始状态空间表达式,所述线性扩张状态观测器用于基于所述电机实际输入值对扰动估计值进行估算;基于所述初始状态空间表达式,确定所述实际输入值和所述扰动估计值的误差表达式;调整所述误差表达式中的参数值,得到目标参数值,所述目标参数值使得所述误差表达式满足第一预设误差条件;将所述目标参数值代入所述初始状态空间表达式,确定与所述线性扩张状态观测器对应的目标状态空间表达式。
永磁同步电机在状态相关非线性的电机抑制扰动***中电机定子电流数学模型或电流状态空间表达式可以参照表达式(1),如下:
(1)
其中,和/>分别为定子d轴和q轴的电压;/>和/>分别是定子d轴和q轴的电流;/>和/>分别是定子电阻和转子磁链角速度;/>和/>分别为定子d轴和q轴的标定电感;/>为转子磁链;/>是与状态相关的未知连续扰动。
根据线性扩张状态观测器的原理,可以重新改写表达式(1)得到表达式(2),如下:
(2)
参照表达式(1)和表达式(2)可以发现,表达式(1)中的、/>和/>项合并成了表达式(2)中的总扰动项F。对于d轴来说,d轴的总扰动项为表达式(2)中的/>,可以理解地,q轴的总扰动项为表达式(2)中的/>。进一步地,对上述表达式(2)进行化简,可以得到表达式(3),实现对d轴和q轴的完全解耦,得到分别表征d轴和q轴电流、电压和总扰动相关关系的表达式(3),如下:
(3)
在本申请实施例中,可以基于表达式(3)中分别与d轴与q轴对应的状态方程设计两个线性扩张状态观测器,两个线性扩张状态观测器分别可以实现对d轴总扰动和q轴总扰动的观测或估测。
由于d轴和q轴的状态方程相似,基于所述状态方程设计得到的线性扩张状态观测器的过程也相同,下面仅对d轴的线性扩张状态观测器的设计过程进行说明。首先需要对表达式(3)中与d轴对应的状态方程进行重写,取状态量为/>,取状态量/>为总扰动项/>,且假定/>的导数项为常数/>,对于扰动项假定其是线性变化的,则此时d轴对应的状态方程可以重写为如下状态空间表达式(4),如下:
(4)
基于重写后的初始状态空间表达式(4)建立线性扩张状态观测器对应的初始状态空间表达式,所述初始状态空间表达式可为如下表达式(5):
(5)
基于表达式(5),获取状态观测器的实际输入与估计值之间误差的表达式(6),如下:
(6)
对初始状态空间表达式(5)和状态空间表达式(4)进行化简,并结合表达式(6),可以得到由参数L与误差的误差表达式(7),如下:
(7)
可以理解的是,通过调整误差表达式(7)中的值,可以相应调整当前线性扩张状态观测器的估测的总扰动观测值与实际总扰动值之间的误差,实现误差表达式(7)的收敛,即满足第一预设误差条件。其中,参数/>的值可以根据带宽法对/>中的/>和/>进行调整,其中可以取/>和/>。
将调整得到的和/>代入表达式(7),并逐步倒推得到参数整定后的初始状态空间表达式(5),确定与d轴对应的线性扩张状态观测器的目标状态空间表达式,以所述目标状态空间表达式对d轴的总扰动进行估算。同理,根据以上相同的处理过程,对表达式(3)中与q轴对应的状态方程进行,得到与q轴对应的线性扩张状态观测器的目标状态空间表达式,在此不再赘述。
进一步地,基于分别与d轴和q轴对应的目标状态空间表达式分别对d轴和q轴的总扰动进行估算,得到线性扩张状态观测器对电机的目标总扰动估计值,具体的,估算过程可以包括:将与d轴对应的电流和与d轴对应的电压输入d轴对应的所述目标状态空间表达式,得到d轴目标扰动估计值;将与q轴对应的电流和与q轴对应的电压输入q轴对应的所述目标状态空间表达式,得到q轴目标扰动估计值;确定包含所述d轴目标扰动估计值和所述q轴目标扰动估计值的目标总扰动估计值。
其中,将d轴电流值和电压值输入d轴对应的目标空间状态表达式进行计算,得到d轴目标总扰动估计值,同理,将q轴电流值和电压值代入q轴对应的目标空间状态表达式进行计算,得到q轴目标总扰动估计值/>。
步骤S130,将所述电流、所述电压和所述电机参数输入预设扰动预测模型,获得预测得到的目标扰动差值预测值。
步骤S140,基于所述目标总扰动估计值和所述目标扰动差值预测值,得到所述电机的目标总扰动预测值。
所述目标扰动差值预测值用于表征所述预设扰动预测模型对所述电机的所述目标总扰动估计值和所述实际总扰动值之间的差值的预测值。在本申请实施例中,所述实际总扰动值可以根据预设的总扰动计算公式计算得到,但是当前时刻计算得到的是响应于上一预测时刻输入电压的实际总扰动值,相当于本次预测时刻计算得到的是上一预测时刻的实际总扰动值。由于数据滞后了一个时刻,如果用上一预测时刻的实际总扰动值作为本次预测时刻的总扰动预测值的话,仍然无法保证本次预测的总扰动预测值的准确性,同样无法保证以本次预测的总扰动预测值的抗扰动效果。
又由于所述线性扩张状态观测对电机总扰动的估算会出现误差,为减小误差值,本申请实施例采用预设扰动预测模型对所述目标总扰动估计值与所述电机实际总扰动值之间的差值进行预测,得到本次预测时刻目标总扰动估计值与本次实际总扰动估计值之间的差值预测值,即所述目标扰动差值预测值,用于对所述目标总扰动估计值作补偿,减小目标总扰动估计值与实际扰动值之间的差距。
在本申请实施例中,基于预设扰动预测模型对所述目标扰动差值预测值的估计也分别分为对d轴和q轴的扰动差值的预测,得到的目标扰动差值预测值可以包括d轴目标扰动差值预测值和q轴目标扰动差值预测值,则所述d轴目标扰动差值预测值作d轴目标扰动估计值的补充值,所述q轴目标扰动差值预测值作q轴目标扰动估计值的补充值。
所述预设扰动预测模型可以选择不预先进行大量的训练,在使用所述预设扰动预测模型进行预测的过程中,基于电机的实际数据对所述预设扰动预测模型的模型参数、模型结构等进行调整。其中,所述预设扰动预测模型的模型参数的参数值为,在上一预测时刻,依据所述预设扰动预测模型得到的目标扰动差值预测值与实际扰动差值之间的误差值满足预设条件的参数值,所述实际扰动差值为所述线性扩张状态观测器估算的上一预测时刻的目标总扰动估计值和实际总扰动值之间的差值。使得所述预设扰动预测模型逐步提升对扰动差值预测的准确性,提升所述预设扰动预测模型对电机扰动预测的适应性和灵活性。
在本申请实施例中,所述预设扰动预测模型可以采用具有1个隐藏层、具有7个节点的输入层的全连接神经网络模型,对所述全连接神经网络模型的训练过程中可以以d轴和q轴的电压和/>、d轴和q轴的电流/>和/>、电机转速/>、d轴和q轴的电流导数作为输入,以所述目标总扰动估计值与所述电机的实际总扰动值之间的差值作为输出,训练所述预设扰动预测模型参数的参数值,使得所述预设扰动预测模型在输入不变的情况下,调整所述参数值,使得所述预设扰动预测模型输出的分别与d轴和q轴对应的目标扰动差值预测值满足预设条件。
可以理解的是,用于本次预测时刻的预设扰动预测模型的模型参数是基于上一预测时刻预测得到的预测结果与预设条件之间的关系,对模型参数进行调整得到的目标参数值,所述目标参数值可以使得所述预设扰动预测模型基于上一预测时刻的输入参数预测得到的预测结果能够满足预设条件。
以本次预测时刻为例,对上述调整模型参数的过程进行说明,具体过程可以包括:获取当前所述电机的所述实际总扰动值,以及上一预测时刻的目标总扰动估计值和目标扰动差值预测值;确定所述上一预测时刻的目标总扰动估计值和所述实际总扰动值之间的差值作为实际扰动差值;确定所述上一预测时刻的目标扰动差值预测值与所述实际扰动差值之间的误差值;若所述误差值不满足预设条件,以所述电流、所述电压和所述电机参数作为所述预设扰动预测模型的输入值,所述目标扰动差值预测值作为输出值,调整所述预设扰动预测模型参数的参数值,直至所述误差值满足所述预设条件,确定当前所述预设扰动预测模型的参数的参数值为目标参数值;将参数值为所述目标参数值的所述预设扰动预测模型作为下一预测时刻的所述预设扰动预测模型。
对所述预设扰动预测模型参数的调整过程是在上一预测时刻结束至本次预测时刻结束的时间段内进行的,可以理解的是,假设当前预测时刻为k时刻,在上一预测时刻即k-1时刻结束后,根据上一预测时刻的目标总扰动估计值,以及响应于上一时刻输入电压的实际总扰动值F(k-1)进行差值计算,确定实际扰动差值,从而判断k-1时刻基于预设扰动差值预测模型预测得到的目标扰动差值预测值/>是否准确。如果不准确,可以在k时刻对预设扰动差值预测模型进行参数调整,提高预测差值的准确性,并用于后一预测时刻,即k+1时刻的差值预测,
可以理解的是,基于在k时刻获取的电机的电机状态参数可以计算得到k-1时刻电机的实际总扰动值 (k-1)。在本申请实施例中,所述电机状态参数可以包括电流、电压、电流导数等,计算实际总扰动值F包括d轴实际总扰动值/>和q轴实际总扰动值/>。其中,计算/>和/>的式子如下式:
(8)
其中,、/>、/>和/>为通过传感器从电机采集得到的电压、电流实际值。
进一步地,在k时刻,根据下式(9),以及在上一预测时刻,线性扩张状态观测估算的,确定所述实际总扰动值与所述目标总扰动估计值之间的实际扰动差值:
(9)
进一步,基于下式(10)确定所述实际扰动差值与k-1时刻预测的目标扰动差值预测值之间的误差值/>。
(10)
根据式(10)不难看出,误差值即表征了实际扰动差值与预测得到的目标扰动差值预测值之间的误差,也表征了实际总扰动与基于本申请实施例的预测方法预测得到的目标总扰动预测值之间误差,当所述误差值越大,证明当前预测方法的准确性越低。又由于在设计线性扩张状态观测时,已经通过调整观测器的参数值使得总扰动估计值与实际总扰动值之间的误差收敛,将线性扩张状态观测器的误差在可调整范围内降到了最低,则本申请实施例进一步对预设扰动预测模型的模型参数进行调整,该方式可通过调整的方法实现/>收敛,达到降低目标总扰动预测值与实际总扰动值之间误差的目的。
在本申请实施例中,所述预设扰动预测模型可以分别预测与d轴和q轴对应的目标扰动差值预测值,则在模型中可能需要分别针对与d轴和q轴的实际总扰动值与目标总扰动估计值之间的差值对模型参数进行调整,根据公式(10)可以解耦得到分别与d轴和q轴对应的差值表达式如下式(11):
(11)
式(11)中的d轴或q轴任一公式的预设预测模型的输出值,即或无法使/>或/>收敛于预设误差阈值,则均需要对预设扰动预测模型的模型参数的参数值进行调整,使得式(11)中分别与d轴和q轴对应的误差值公式均实现收敛。
其中,预设扰动预测模型中的各个模型参数可以通过如下公式(12)进行调整,得到用于下一预测时刻的目标参数值。
(12)
其中,、/>、/>为半正定矩阵,控制着神经网络模型即预设扰动预测模型的学习速度,/>。
基于上述公式以及方法对k时刻的预设扰动模型参数的参数值进行调整,直至输出的能够使/>收敛,或使得/>的误差值满足预设误差阈值,此时的参数值即可确定为目标参数值,并将参数值为所述目标参数值的预设扰动预测模型作为下一预测时刻即k+1时刻中,用于预测目标扰动差值预测值的预设扰动预测模型。
进一步地,d轴和q轴分别基于各自对应的所述目标扰动差值预测值和所述目标总扰动估计值进行求和,得到由线性扩张状态观测器和预设扰动预测模型共同预测的所述电机d轴和q轴分别对应的目标总扰动预测值。
在抑制电机扰动时,可以同时将所述目标总扰动预测值以预设格式输入电机,与电机的实际总扰动值进行抵消,起到抑制扰动的作用。其中所述预设格式可以为负值,所述目标总扰动预测值中所述目标扰动差值预测值和所述目标总扰动估计值为正数,为实现与所述实际总扰动值抵消的效果,需要对所述目标总扰动预测值取负值。
综上所述,本申请实施例基于线性扩张状态观测器的目标状态表达式,对电机的总扰动进行估计,但是由于线性扩张状态观测器的得到目标总扰动估计值仍然存在一定的误差,为提高对总扰动预测的准确性,采用预设扰动预测模型对电机实际总扰动与目标总扰动估计值之间的差值进行预测,得到的目标扰动差预测值可以作为对目标扰动估计值的补充值,最大可能地减少实际总扰动与目标扰动估计值之间的误差,提高本申请实施例对电机总扰动预测的准确性。
并且,预设扰动预测模型是基于上一预测时刻的目标总扰动预测值是否满足预设条件来调整模型参数的参数值,使得预设扰动预测模型的参数更适应当前预测时刻的差值预测状态,提升预设扰动预测模型在预测过程中的灵活性和准确性。
以针对d轴的预测值为例,对本申请实施例对扰动预测以及对扰动抑制的有效性和优势进行说明。参照图1所示的电机抑制扰动***的***架构图,在k时刻或者k预测时刻,永磁同步电机d轴的输入控制量为下式(13):
(13)
将公式(13)代入公式(3)中与d轴对应的公式,得到下式(14):
(14)
经过上述对线性扩张状态观测器参数设计、对预设扰动预测模型的参数值调整,k时刻公式(11)中的误差将收敛于0,则证明公式(14)中右侧的后三项系数之和趋近于0。可以理解的是,d轴和q轴结合来看,此时实际总扰动项/>已经被/>和/>完全抵消,控制量/>的剩余部分和状态量/>成为了一个纯积分关系,则电机抑制扰动***的公式表征则成为了一个具有PI调节器的纯积分***,则电机抑制扰动***的电流与电压之间的关系可用下式(15)表征:
(15)
所述电机抑制扰动***的最终目的是实现对电机***的有效控制,其中线性扩张状态观测器LESO和预设扰动预测模型是为了对扰动进行较为准确的预测,得到目标总扰动预测值。
进一步地,取所述目标总扰动预测值的负值,控制所述负值通入电机***中,通过所述负值实现对实际总扰动值的抵消,达到抑制电机扰动的目的。
本申请实施例利用线性扩张状态观测器,并结合神经网络深度学习的方法,提升对电机总扰动值预测的准确性,进而实现扰动抵消和抗扰动的目的。同时结合PI调节器可以实现对永磁同步电机PMSM更为准确和鲁棒的控制。并且由公式(15)可知,在本申请实施例中,最终状态量与PI调节器有关,则本申请实施例可以选择搭配其他任何控制器使用,以应用于多种不同场景,使得该机抑制扰动***具备更高的实用价值。
下面对本申请实施例提供的电机的扰动预测装置进行描述,下文描述的电机的扰动预测装置与上文描述的电机的扰动预测方法可相互对应参照。
首先,结合图3,对应用于电机抑制扰动***的控制器的电机的扰动预测装置进行介绍,如图3所示,该电机的扰动预测装置可以包括:
参数获取单元100,用于获取所述电机的电流、电压和电机参数;
扰动估计单元200,用于基于所述电流、所述电压和所述线性扩张状态观测器的目标状态空间表达式进行计算,得到目标总扰动估计值;
差值预测单元300,用于将所述电流、所述电压和所述电机参数输入所述预设扰动预测模型,获得预测得到的目标扰动差值预测值,所述预设扰动预测模型的参数的参数值为,在上一预测时刻,依据所述预设扰动预测模型得到的目标扰动差值预测值与实际扰动差值之间的误差值满足预设条件的参数值,所述实际扰动差值为所述线性扩张状态观测器估算的上一预测时刻的所述目标总扰动估计值和实际总扰动值之间的差值,所述目标扰动差值预测值用于表征所述预设扰动预测模型对所述电机的所述目标总扰动估计值和所述实际总扰动值之间的差值的预测值;
预测值确定单元400,用于基于所述目标总扰动估计值和所述目标扰动差值预测值,确定所述电机的目标总扰动预测值。
本申请实施例基于线性扩张状态观测器的目标状态表达式,对电机的总扰动进行估计,但是由于线性扩张状态观测器的得到目标总扰动估计值仍然存在一定的误差,为提高对总扰动预测的准确性,采用预设扰动预测模型对电机实际总扰动与目标总扰动估计值之间的差值进行预测,得到的目标扰动差预测值可以作为对目标扰动估计值的补充值,最大可能地减少实际总扰动与目标扰动估计值之间的误差,提高本申请实施例对电机总扰动预测的准确性。
并且,预设扰动预测模型是基于上一预测时刻的目标总扰动预测值是否满足预设条件来调整模型参数的参数值,使得预设扰动预测模型的参数更适应当前预测时刻的差值预测状态,提升预设扰动预测模型在预测过程中的灵活性和准确性。
可选的,所述装置还包括:
控制输入单元,用于将所述目标总扰动预测值以预设格式输入所述电机。
可选的,该装置可以包括:
扰动信息获取单元,用于获取当前所述电机的所述实际总扰动值,以及上一预测时刻的目标总扰动估计值和目标扰动差值预测值;
差值确定单元,用于确定所述上一预测时刻的目标总扰动估计值和所述实际总扰动值之间的差值作为实际扰动差值;
误差值确定单元,用于确定所述上一预测时刻的目标扰动差值预测值与所述实际扰动差值之间的误差值;
参数调整单元,用于若所述误差值不满足预设条件,以所述电流、所述电压和所述电机参数作为所述预设扰动预测模型的输入值,所述目标扰动差值预测值作为输出值,调整所述预设扰动预测模型参数的参数值,直至所述误差值满足所述预设条件,确定当前所述预设扰动预测模型的参数的参数值为目标参数值;
参数确定单元,用于将参数值为所述目标参数值的所述预设扰动预测模型作为下一预测时刻的所述预设扰动预测模型。
可选的,所述目标状态空间表达式包括分别与d轴和q轴对应的目标状态空间表达式,所述装置还包括:
表达式获取子单元,用于获取所述电机的电流状态空间表达式,所述电流状态空间表达式用于表征所述电机的输入电压与输出电流之间的函数关系;
表达式解耦子单元,用于对所述电流状态空间表达式进行解耦,得到分别与d轴和q轴对应的状态方程;
分别针对d轴和q轴对应的所述状态方程执行下方步骤:
方程重写子单元,用于重写所述状态方程,得到与所述线性扩张状态观测器对应的初始状态空间表达式,所述线性扩张状态观测器用于基于所述电机实际输入值对扰动估计值进行估算;
误差表达式确定子单元,用于基于所述初始状态空间表达式,确定所述实际输入值和所述扰动估计值的误差表达式;
参数调整子单元,用于调整所述误差表达式中的参数值,得到目标参数值,所述目标参数值使得所述误差表达式满足第一预设误差条件;
目标表达式确定子单元,用于将所述目标参数值代入所述初始状态空间表达式,确定与所述线性扩张状态观测器对应的目标状态空间表达式。
可选的,所述电流包括分别与d轴和q轴对应电流,所述电压包括分别与d轴和q轴对应的电压;
所述扰动估计单元200,包括:
d轴扰动估计子单元,用于将与d轴对应的电流和与d轴对应的电压输入d轴对应的所述目标状态空间表达式,得到d轴目标扰动估计值;
q轴扰动估计子单元,用于将与q轴对应的电流和与q轴对应的电压输入q轴对应的所述目标状态空间表达式,得到q轴目标扰动估计值;
目标扰动确定子单元,用于确定包含所述d轴目标扰动估计值和所述q轴目标扰动估计值的目标总扰动估计值。
本申请实施例提供的电机的扰动预测装置可应用于电机的扰动预测设备。
图4示出了电机的扰动预测设备的结构示意图,参照图4,电机的扰动预测设备的结构可以包括:至少一个处理器10,至少一个存储器20,和至少一个通信总线30至少一个通信接口40;
在本申请实施例中,处理器10、存储器20、通信总线30、通信接口40的数量为至少一个,且处理器10、存储器20、通信接口40通过通信总线30完成相互间的通信;
处理器10可能是一个中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路等;
存储器20可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory)等,例如至少一个磁盘存储器;
其中,存储器存储有程序,处理器可调用存储器存储的程序,所述程序用于实现前述电机的扰动预测方案中的各个处理流程。
本申请实施例还提供一种存储介质,该存储介质可存储有适于处理器执行的程序,所述程序用于实现前述电机的扰动预测方案中的各个处理流程。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种电机的扰动预测方法,其特征在于,应用于电机抑制扰动***的控制器,所述电机抑制扰动***还包括:预设扰动预测模型、线性扩张状态观测器和电机,该方法包括:
获取所述电机的电流、电压和电机参数;
基于所述电流、所述电压和所述线性扩张状态观测器的目标状态空间表达式进行计算,得到目标总扰动估计值;
将所述电流、所述电压和所述电机参数输入所述预设扰动预测模型,获得预测得到的目标扰动差值预测值,所述预设扰动预测模型的参数的参数值为,在上一预测时刻,依据所述预设扰动预测模型得到的目标扰动差值预测值与实际扰动差值之间的误差值满足预设条件的参数值,所述实际扰动差值为所述线性扩张状态观测器估算的上一预测时刻的所述目标总扰动估计值和实际总扰动值之间的差值,所述目标扰动差值预测值用于表征所述预设扰动预测模型对所述电机的所述目标总扰动估计值和所述实际总扰动值之间的差值的预测值;
基于所述目标总扰动估计值和所述目标扰动差值预测值,确定所述电机的目标总扰动预测值。
2.根据权利要求1所述的电机的扰动预测方法,其特征在于,还包括:
将所述目标总扰动预测值以预设格式输入所述电机。
3.根据权利要求1所述的电机的扰动预测方法,其特征在于,还包括:
获取当前所述电机的所述实际总扰动值,以及上一预测时刻的目标总扰动估计值和目标扰动差值预测值;
确定所述上一预测时刻的目标总扰动估计值和所述实际总扰动值之间的差值作为实际扰动差值;
确定所述上一预测时刻的目标扰动差值预测值与所述实际扰动差值之间的误差值;
若所述误差值不满足预设条件,以所述电流、所述电压和所述电机参数作为所述预设扰动预测模型的输入值,所述目标扰动差值预测值作为输出值,调整所述预设扰动预测模型参数的参数值,直至所述误差值满足所述预设条件,确定当前所述预设扰动预测模型的参数的参数值为目标参数值;
将参数值为所述目标参数值的所述预设扰动预测模型作为下一预测时刻的所述预设扰动预测模型。
4.根据权利要求1所述的电机的扰动预测方法,其特征在于,所述目标状态空间表达式包括分别与d轴和q轴对应的目标状态空间表达式,该方法还包括:
获取所述电机的电流状态空间表达式,所述电流状态空间表达式用于表征所述电机的输入电压和输出电流之间的函数关系;
对所述电流状态空间表达式进行解耦,得到分别与d轴和q轴对应的状态方程;
分别针对d轴和q轴对应的所述状态方程执行下方步骤:
重写所述状态方程,得到与所述线性扩张状态观测器对应的初始状态空间表达式,所述线性扩张状态观测器用于基于所述电机的实际输入值对扰动估计值进行估算;
基于所述初始状态空间表达式,确定所述实际输入值和所述扰动估计值的误差表达式;
调整所述误差表达式中的参数值,得到目标参数值,所述目标参数值使得所述误差表达式满足第一预设误差条件;
将所述目标参数值代入所述初始状态空间表达式,确定与所述线性扩张状态观测器对应的目标状态空间表达式。
5.根据权利要求4所述的电机的扰动预测方法,其特征在于,所述电流包括分别与d轴和q轴对应电流,所述电压包括分别与d轴和q轴对应的电压;
所述基于所述电流、所述电压和所述线性扩张状态观测器的目标状态空间表达式进行计算,得到目标总扰动估计值,包括:
将与d轴对应的电流和与d轴对应的电压输入d轴对应的所述目标状态空间表达式,得到d轴目标扰动估计值;
将与q轴对应的电流和与q轴对应的电压输入q轴对应的所述目标状态空间表达式,得到q轴目标扰动估计值;
确定包含所述d轴目标扰动估计值和所述q轴目标扰动估计值的目标总扰动估计值。
6.一种电机的扰动预测装置,其特征在于,应用于电机抑制扰动***的控制器,所述电机抑制扰动***还包括:预设扰动预测模型、线性扩张状态观测器和电机,该装置包括:
参数获取单元,用于获取所述电机的电流、电压和电机参数;
扰动估计单元,用于基于所述电流、所述电压和所述线性扩张状态观测器的目标状态空间表达式进行计算,得到目标总扰动估计值;
差值预测单元,用于将所述电流、所述电压和所述电机参数输入所述预设扰动预测模型,获得预测得到的目标扰动差值预测值,所述预设扰动预测模型的参数的参数值为,在上一预测时刻,依据所述预设扰动预测模型得到的目标扰动差值预测值与实际扰动差值之间的误差值满足预设条件的参数值,所述实际扰动差值为所述线性扩张状态观测器估算的上一预测时刻的所述目标总扰动估计值和实际总扰动值之间的差值,所述目标扰动差值预测值用于表征所述预设扰动预测模型对所述电机的所述目标总扰动估计值和所述实际总扰动值之间的差值的预测值;
预测值确定单元,用于基于所述目标总扰动估计值和所述目标扰动差值预测值,确定所述电机的目标总扰动预测值。
7.根据权利要求6所述的电机的扰动预测装置,其特征在于,还包括:
控制输入单元,用于将所述目标总扰动预测值以预设格式输入所述电机。
8.根据权利要求6所述的电机的扰动预测装置,其特征在于,包括:
扰动信息获取单元,用于获取当前所述电机的所述实际总扰动值,以及上一预测时刻的目标总扰动估计值和目标扰动差值预测值;
差值确定单元,用于确定所述上一预测时刻的目标总扰动估计值和所述实际总扰动值之间的差值作为实际扰动差值;
误差值确定单元,用于确定所述上一预测时刻的目标扰动差值预测值与所述实际扰动差值之间的误差值;
参数调整单元,用于若所述误差值不满足预设条件,以所述电流、所述电压和所述电机参数作为所述预设扰动预测模型的输入值,所述目标扰动差值预测值作为输出值,调整所述预设扰动预测模型参数的参数值,直至所述误差值满足所述预设条件,确定当前所述预设扰动预测模型的参数的参数值为目标参数值;
参数确定单元,用于将参数值为所述目标参数值的所述预设扰动预测模型作为下一预测时刻的所述预设扰动预测模型。
9.一种电机的扰动预测设备,其特征在于,包括存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现如权利要求1-5任一项所述电机的扰动预测方法的各个步骤。
10.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1-5任一项所述电机的扰动预测方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311297894.0A CN117040340B (zh) | 2023-10-09 | 2023-10-09 | 一种电机的扰动预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311297894.0A CN117040340B (zh) | 2023-10-09 | 2023-10-09 | 一种电机的扰动预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117040340A true CN117040340A (zh) | 2023-11-10 |
CN117040340B CN117040340B (zh) | 2024-01-16 |
Family
ID=88632239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311297894.0A Active CN117040340B (zh) | 2023-10-09 | 2023-10-09 | 一种电机的扰动预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117040340B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107994819A (zh) * | 2017-12-01 | 2018-05-04 | 北方工业大学 | 一种永磁同步电机***模型预测电流控制方法 |
US20190236242A1 (en) * | 2018-01-30 | 2019-08-01 | Guangdong University Of Technology | Mechanical and control integration design method based on prediction model and quick disturbance elimination |
CN110794680A (zh) * | 2019-11-14 | 2020-02-14 | 浙江工业大学 | 一种基于扩张状态观测器的磁悬浮球***预测跟踪控制方法 |
CN111600523A (zh) * | 2020-05-21 | 2020-08-28 | 华中科技大学 | 一种永磁同步电机的模型预测电流控制方法 |
CN113437912A (zh) * | 2021-07-09 | 2021-09-24 | 中南大学 | 永磁同步电机的强鲁棒性模型预测控制方法及*** |
CN113472257A (zh) * | 2021-06-07 | 2021-10-01 | 浙江工业大学 | 基于扰动补偿的永磁直驱风力发电***有限集模型预测电流控制方法 |
CN115133831A (zh) * | 2022-07-29 | 2022-09-30 | 武汉理工大学 | 滑模自抗扰永磁同步电机连续集多步模型预测控制方法 |
-
2023
- 2023-10-09 CN CN202311297894.0A patent/CN117040340B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107994819A (zh) * | 2017-12-01 | 2018-05-04 | 北方工业大学 | 一种永磁同步电机***模型预测电流控制方法 |
US20190236242A1 (en) * | 2018-01-30 | 2019-08-01 | Guangdong University Of Technology | Mechanical and control integration design method based on prediction model and quick disturbance elimination |
CN110794680A (zh) * | 2019-11-14 | 2020-02-14 | 浙江工业大学 | 一种基于扩张状态观测器的磁悬浮球***预测跟踪控制方法 |
CN111600523A (zh) * | 2020-05-21 | 2020-08-28 | 华中科技大学 | 一种永磁同步电机的模型预测电流控制方法 |
CN113472257A (zh) * | 2021-06-07 | 2021-10-01 | 浙江工业大学 | 基于扰动补偿的永磁直驱风力发电***有限集模型预测电流控制方法 |
CN113437912A (zh) * | 2021-07-09 | 2021-09-24 | 中南大学 | 永磁同步电机的强鲁棒性模型预测控制方法及*** |
CN115133831A (zh) * | 2022-07-29 | 2022-09-30 | 武汉理工大学 | 滑模自抗扰永磁同步电机连续集多步模型预测控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117040340B (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Maiti et al. | Model reference adaptive controller-based rotor resistance and speed estimation techniques for vector controlled induction motor drive utilizing reactive power | |
Yu et al. | Approximation-based discrete-time adaptive position tracking control for interior permanent magnet synchronous motors | |
CN108809166B (zh) | 永磁直流电机的扰动观测器 | |
JPH10133703A (ja) | 適応的ロバスト制御装置 | |
Wang et al. | Event-based disturbance compensation control for discrete-time SPMSM with mismatched disturbances | |
CN111106772B (zh) | 一种包含参数跟踪的感应电机状态强跟踪滤波估计方法 | |
CN115085611B (zh) | 一种直线电机运动控制方法、装置、设备及存储介质 | |
CN111510035A (zh) | 一种永磁同步电机的控制方法及装置 | |
CN104009696A (zh) | 一种基于滑模控制的交互式模型参考自适应速度与定子电阻的辨识方法 | |
CN113406895A (zh) | 一种智能阀门电动执行机构的控制***构建方法 | |
Zhu et al. | An integrated design approach for fault-tolerant control of switched LPV systems with actuator faults | |
CN111679644A (zh) | 一种考虑***延迟的不确定工业机器人运动控制方法 | |
CN117040340B (zh) | 一种电机的扰动预测方法、装置、设备及存储介质 | |
Zhao et al. | Observer-based discrete-time cascaded control for lateral stabilization of steer-by-wire vehicles with uncertainties and disturbances | |
CN117013902B (zh) | 电机电感参数计算方法、装置、***、电机和动力设备 | |
CN110112980A (zh) | 基于分数微积分的闭环迭代学习的控制方法和*** | |
US20210405608A1 (en) | Thermal displacement correction method for machine tool | |
CN116805849A (zh) | 一种永磁同步电机的连续集模型预测控制方法 | |
Qi et al. | Active disturbance rejection control for networked switched nonlinear systems with decentralized event-triggered communication | |
CN112821840B (zh) | 一种永磁同步电机非光滑自适应直接转矩控制方法和*** | |
CN106208844B (zh) | 一种全局稳定的电机伺服***输出反馈鲁棒控制方法 | |
CN112290846B (zh) | 一种基于改进型分数阶自抗扰的起动控制方法 | |
CN116015119B (zh) | 永磁同步电机电流控制方法及装置、存储介质及电子设备 | |
CN113411026A (zh) | 用于永磁同步直线电机的自适应滑膜扰动观测器设计方法 | |
Gennaro | Adaptive output feedback control of synchronous motors |
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 |