CN117277888B - 永磁同步电机的定子的电压矢量的预测方法和装置 - Google Patents
永磁同步电机的定子的电压矢量的预测方法和装置 Download PDFInfo
- Publication number
- CN117277888B CN117277888B CN202311570761.6A CN202311570761A CN117277888B CN 117277888 B CN117277888 B CN 117277888B CN 202311570761 A CN202311570761 A CN 202311570761A CN 117277888 B CN117277888 B CN 117277888B
- Authority
- CN
- China
- Prior art keywords
- vector
- stator
- voltage
- axis
- current
- 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
Links
- 239000013598 vector Substances 0.000 title claims abstract description 409
- 238000000034 method Methods 0.000 title claims abstract description 121
- 230000001360 synchronised effect Effects 0.000 title claims description 104
- 238000013528 artificial neural network Methods 0.000 claims abstract description 100
- 238000012545 processing Methods 0.000 claims description 45
- 210000002569 neuron Anatomy 0.000 claims description 42
- 239000011159 matrix material Substances 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 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
- H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
- H02P21/0014—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
- 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
- H02P21/22—Current control, e.g. using a current control loop
-
- 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)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Control Of Ac Motors In General (AREA)
Abstract
本申请提供了一种永磁同步电机的定子的电压矢量的预测方法和装置,该方法通过将先验估计方法和神经网络拓扑预测方法进行融合,得到优化预测电流向量,再构建向量表达式,求取向量表达式的最小值,且将最小值对应的定子的d轴的电压和定子的q轴的电压确定为最优预测电压向量,来得到最优预测电压向量,因结合了先验估计方法和神经网络拓扑预测方法,从而提高了预测的准确度,进而解决了现有方案永磁同步电机模型预测控制中电机模型精确度较低的问题。
Description
技术领域
本申请涉及永磁同步电机技术领域,具体而言,涉及一种永磁同步电机的定子的电压矢量的预测方法、装置、永磁同步电机的控制方法、计算机可读存储介质和电子设备。
背景技术
现有方案经常采用对应的模型来预测未来一段时间内永磁同步电机的定子的d轴和q轴的电压的变化,但是传统的永磁同步电机模型预测控制使用的模型为机理模型,机理模型往往不能真实的反应现实世界中电机随环境的变化,无法模拟外界环境的不确定性和未知性。
因此亟需一种永磁同步电机的定子的电压矢量的预测方法,来解决现有方案永磁同步电机模型预测控制中电机模型精确度较低的问题。
发明内容
本申请的主要目的在于提供一种永磁同步电机的定子的电压矢量的预测方法、装置、永磁同步电机的控制方法、计算机可读存储介质和电子设备,以至少解决现有方案永磁同步电机模型预测控制中电机模型精确度较低的问题。
为了实现上述目的,根据本申请的一个方面,提供了一种永磁同步电机的定子的电压矢量的预测方法,该方法包括:
获取第一定子电压、第二定子电压和当前转子角速度,所述第一定子电压为永磁同步电机的定子的d轴在当前时刻的电压,所述第二定子电压为所述永磁同步电机的所述定子的q轴在当前时刻的电压,所述当前转子角速度为所述永磁同步电机的转子在当前时刻的角速度;采用先验估计方法,根据所述第一定子电压、所述第二定子电压和所述当前转子角速度,得到第一预测电流向量,并采用神经网络拓扑模型,对所述第一定子电压、所述第二定子电压和所述当前转子角速度进行处理,得到第二预测电流向量,其中,所述第一预测电流向量是包括第一q轴预测电流和第一d轴预测电流的向量,所述第二预测电流向量是包括第二q轴预测电流和第二d轴预测电流的向量,所述神经网络拓扑模型是使用多组训练数据训练得到的,所述多组训练数据中的每一组训练数据均包括历史时间段内获取的:输入数据以及与所述输入数据对应的输出数据,所述输入数据包括所述定子的d轴的电压、所述定子的q轴的电压和所述转子的角速度,所述输出数据包括所述定子的q轴的预测电流和所述定子的d轴的预测电流;对所述第一预测电流向量和所述第二预测电流向量进行加权处理,得到优化预测电流向量,所述优化预测电流向量是包括优化q轴预测电流和优化d轴预测电流的向量;采用所述优化预测电流向量和定子电压向量构建向量表达式,求取所述向量表达式的最小值,且将所述最小值对应的所述定子的d轴的电压和所述定子的q轴的电压确定为最优预测电压向量,所述定子电压向量是包括所述第一定子电压和所述第二定子电压的向量。
可选地,采用先验估计方法,根据所述第一定子电压、所述第二定子电压和所述当前转子角速度,得到第一预测电流向量,包括:采用所述第一定子电压、所述第二定子电压和所述当前转子角速度,构建第一预测电流向量表达式,所述第一预测电流向量表达式包括所述定子的q轴的电感值和所述定子的d轴的电感值的比例关系、所述定子的电阻值和所述定子的q轴的电感值的比例关系、所述定子的电阻值和所述定子的d轴的电感值的比例关系、采样周期和所述定子的q轴的电感值的比例关系、所述采样周期和所述定子的d轴的电感值的比例关系,根据所述第一预测电流向量表达式,确定所述第一预测电流向量。
可选地,所述神经网络拓扑模型中的神经网络包括多个输入层、多个隐藏层和多个输出层,各所述输入层、各所述隐藏层和各所述输出层之间以全连接的方式连接。
可选地,在采用神经网络拓扑模型,对所述第一定子电压、所述第二定子电压和所述当前转子角速度进行处理,得到第二预测电流向量的过程中,所述方法还包括:
构建d轴预测性能表达式和q轴预测性能表达式,所述d轴预测性能表达式包括采用所述神经网络拓扑模型得到的第t次预测的d轴的电流与采用所述神经网络拓扑模型得到的第t+1次预测的d轴的电流的差值,所述q轴预测性能表达式包括采用所述神经网络拓扑模型得到的第t次预测的q轴的电流与采用所述神经网络拓扑模型得到的第t+1次预测的q轴的电流的差值;
确定预测性能向量,所述预测性能向量是包括d轴预测性能和q轴预测性能的向量。
可选地,在确定预测性能向量之后,所述方法还包括:
根据,
确定采用所述神经网络拓扑模型进行第t+1次预测时的所述输入层和所述隐藏层的神经元之间的连接权值以及所述隐藏层和所述输出层的神经元之间的连接权值;
其中,为采用所述神经网络拓扑模型进行第t+1次预测时的所述输入层和所述隐藏层的神经元之间的连接权值,/>为采用所述神经网络拓扑模型进行第t+1次预测时的所述隐藏层和所述输出层的神经元之间的连接权值,/>为采用所述神经网络拓扑模型进行第t次预测时的所述输入层和所述隐藏层的神经元之间的连接权值,/>为采用所述神经网络拓扑模型进行第t次预测时的所述隐藏层和所述输出层的神经元之间的连接权值,/>为预设系数,loss为所述预测性能向量,i用于表征所述输入层的第i个神经元,j用于表征所述隐藏层的第j个神经元,k用于表征所述输出层的第k个神经元。
可选地,采用所述优化预测电流向量和定子电压向量构建向量表达式,求取所述向量表达式的最小值,且将所述最小值对应的所述定子的d轴的电压和所述定子的q轴的电压确定为最优预测电压向量,包括:
采用所述优化预测电流向量和定子电压向量构建向量表达式,求取所述向量表达式的最小值,且将所述最小值对应的所述定子的d轴的电压和所述定子的q轴的电压确定为最优预测电压向量,包括:
根据,
确定所述最优预测电压向量,其中,为所述最优预测电压向量,/>为预测得到的未来第N步的所述优化预测电流向量,/>为/>的转置矩阵,/>为预测未来第a步的所述优化预测电流向量与对应的电流向量的实际值的差值,/>为/>的转置矩阵,/>为所述定子电压向量,/>为/>的转置矩阵,P、R、Q分别为预设权重矩阵,所述电流向量的实际值为所述永磁同步电机实时反馈的所述定子的d轴的电流和所述定子的q轴的电流。
根据本申请的另一方面,提供了一种永磁同步电机的定子的电压矢量的预测装置,该装置包括:
获取单元,用于获取第一定子电压、第二定子电压和当前转子角速度,所述第一定子电压为永磁同步电机的定子的d轴在当前时刻的电压,所述第二定子电压为所述永磁同步电机的所述定子的q轴在当前时刻的电压,所述当前转子角速度为所述永磁同步电机的转子在当前时刻的角速度;
第一处理单元,用于采用先验估计方法,根据所述第一定子电压、所述第二定子电压和所述当前转子角速度,得到第一预测电流向量,并采用神经网络拓扑模型,对所述第一定子电压、所述第二定子电压和所述当前转子角速度进行处理,得到第二预测电流向量,其中,所述第一预测电流向量是包括第一q轴预测电流和第一d轴预测电流的向量,所述第二预测电流向量是包括第二q轴预测电流和第二d轴预测电流的向量,所述神经网络拓扑模型是使用多组训练数据训练得到的,所述多组训练数据中的每一组训练数据均包括历史时间段内获取的:输入数据以及与所述输入数据对应的输出数据,所述输入数据包括所述定子的d轴的电压、所述定子的q轴的电压和所述转子的角速度,所述输出数据包括所述定子的q轴的预测电流和所述定子的d轴的预测电流;
第二处理单元,用于对所述第一预测电流向量和所述第二预测电流向量进行加权处理,得到优化预测电流向量,所述优化预测电流向量是包括优化q轴预测电流和优化d轴预测电流的向量;
第三处理单元,用于采用所述优化预测电流向量和定子电压向量构建向量表达式,求取所述向量表达式的最小值,且将所述最小值对应的所述定子的d轴的电压和所述定子的q轴的电压确定为最优预测电压向量,所述定子电压向量是包括所述第一定子电压和所述第二定子电压的向量。
根据本申请的另一方面,提供了一种永磁同步电机的控制方法,该方法包括:获取第一定子电压、第二定子电压和当前转子角速度,所述第一定子电压为永磁同步电机的定子的d轴在当前时刻的电压,所述第二定子电压为所述永磁同步电机的所述定子的q轴在当前时刻的电压,所述当前转子角速度为所述永磁同步电机的转子在当前时刻的角速度;采用先验估计方法,根据所述第一定子电压、所述第二定子电压和所述当前转子角速度,得到第一预测电流向量,并采用神经网络拓扑模型,对所述第一定子电压、所述第二定子电压和所述当前转子角速度进行处理,得到第二预测电流向量,其中,所述第一预测电流向量是包括第一q轴预测电流和第一d轴预测电流的向量,所述第二预测电流向量是包括第二q轴预测电流和第二d轴预测电流的向量,所述神经网络拓扑模型是使用多组训练数据训练得到的,所述多组训练数据中的每一组训练数据均包括历史时间段内获取的:输入数据以及与所述输入数据对应的输出数据,所述输入数据包括所述定子的d轴的电压、所述定子的q轴的电压和所述转子的角速度,所述输出数据包括所述定子的q轴的预测电流和所述定子的d轴的预测电流;对所述第一预测电流向量和所述第二预测电流向量进行加权处理,得到优化预测电流向量,所述优化预测电流向量是包括优化q轴预测电流和优化d轴预测电流的向量;采用所述优化预测电流向量和定子电压向量构建向量表达式,求取所述向量表达式的最小值,且将所述最小值对应的所述定子的d轴的电压和所述定子的q轴的电压确定为最优预测电压向量,所述定子电压向量是包括所述第一定子电压和所述第二定子电压的向量;对最优预测电压向量进行坐标逆变换处理,得到目标三相电压,基于所述目标三相电压对所述永磁同步电机进行控制。
根据本申请的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的永磁同步电机的定子的电压矢量的预测方法。
根据本申请的另一方面,提供了一种电子设备,电子设备包括一个或多个处理器,存储器,以及一个或多个程序,其中,所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行任意一种所述的永磁同步电机的定子的电压矢量的预测方法。
应用本申请的技术方案,通过将先验估计方法和神经网络拓扑预测方法进行融合,得到优化预测电流向量,再构建向量表达式来得到最优预测电压向量,因结合了先验估计方法和神经网络拓扑预测方法,从而提高了预测的准确度,进而解决了现有方案永磁同步电机模型预测控制中电机模型精确度较低的问题。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示出了根据本申请的实施例提供的一种永磁同步电机的定子的电压矢量的预测方法的流程示意图;
图2示出了神经网络拓扑模型的拓扑示意图;
图3示出了根据第一定子电压、第二定子电压和当前转子角速度得到优化预测电流向量的过程的示意图;
图4示出了一种永磁同步电机的控制方法的流程示意图;
图5示出了根据本申请的实施例提供的一种永磁同步电机的定子的电压矢量的预测装置的结构框图;
图6示出了另一种永磁同步电机的控制方法的流程示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案,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的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
正如背景技术中所介绍的,现有方案经常采用对应的模型来预测未来一段时间内永磁同步电机的定子的d轴和q轴的电压的变化,但是传统的永磁同步电机模型预测控制使用的模型为机理模型,机理模型往往不能真实的反应现实世界中电机随环境的变化,无法模拟外界环境的不确定性和未知性,为解决现有方案永磁同步电机模型预测控制中电机模型精确度较低的问题,本申请的实施例提供了一种永磁同步电机的定子的电压矢量的预测方法、装置、永磁同步电机的控制方法、计算机可读存储介质和电子设备。
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清楚、完整地描述。
在本实施例中提供了一种永磁同步电机的定子的电压矢量的预测方法,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本申请的实施例提供的一种永磁同步电机的定子的电压矢量的预测方法的流程示意图。如图1所示,该方法包括以下步骤:
步骤S101,获取第一定子电压、第二定子电压和当前转子角速度,上述第一定子电压为永磁同步电机的定子的d轴在当前时刻的电压,上述第二定子电压为上述永磁同步电机的上述定子的q轴在当前时刻的电压,上述当前转子角速度为上述永磁同步电机的转子在当前时刻的角速度;
具体地,永磁同步电机的定子的q轴和d轴在当前时刻的电压,有助于对后续电压进行预测,因此需要获取定子的q轴和d轴在当前时刻的电压,永磁同步电机的转子在当前时刻的角速度同理,也有助于于对后续电压进行预测;
,
该式子中的为包括定子的d轴电流的导数和q轴电流的导数的矩阵,x为包括定子的d轴电流和q轴电流的矩阵,u为包括定子的d轴电压和q轴电压的矩阵,A表示***矩阵,B表示控制矩阵,G为常数项;/>和/>分别是定子的d轴和q轴电压;/>和/>分别是定子的d轴和q轴电流;/>和/>分别是定子的电阻值和转子的角速度;/>为转子磁链,即预设常数,该预设常数是永磁同步电机的固有特性,如果确定了某一个电机,永磁同步电机的预设常数也就是确定的;
为与状态相关的未知扰动电流参数,/>为q轴的未知扰动电流参数,/>为d轴的位置扰动电流参数。
步骤S102,采用先验估计方法,根据上述第一定子电压、上述第二定子电压和上述当前转子角速度,得到第一预测电流向量,并采用神经网络拓扑模型,对上述第一定子电压、上述第二定子电压和上述当前转子角速度进行处理,得到第二预测电流向量,其中,上述第一预测电流向量是包括第一q轴预测电流和第一d轴预测电流的向量,上述第二预测电流向量是包括第二q轴预测电流和第二d轴预测电流的向量,上述神经网络拓扑模型是使用多组训练数据训练得到的,上述多组训练数据中的每一组训练数据均包括历史时间段内获取的:输入数据以及与上述输入数据对应的输出数据,上述输入数据包括上述定子的d轴的电压、上述定子的q轴的电压和上述转子的角速度,上述输出数据包括上述定子的q轴的预测电流和上述定子的d轴的预测电流;
具体地,先验估计方法为:
采用上述第一定子电压、上述第二定子电压和上述当前转子角速度,构建第一预测电流向量表达式,上述第一预测电流向量表达式包括上述定子的q轴的电感值和上述定子的d轴的电感值的比例关系、上述定子的电阻值和上述定子的q轴的电感值的比例关系、上述定子的电阻值和上述定子的d轴的电感值的比例关系、采样周期和上述定子的q轴的电感值的比例关系、上述采样周期和上述定子的d轴的电感值的比例关系,根据上述第一预测电流向量表达式,确定上述第一预测电流向量。
其中一种具体地实施例(不考虑未知扰动的情况下)为:
根据,
确定上述第一预测电流向量,其中,为采用上述先验估计方法得到的k+1时刻时上述定子的d轴的预测电流,/>为采样周期,/>为上述定子的电阻值,/>为上述定子的d轴的电感值,/>为采用上述先验估计方法得到的k时刻时上述定子的d轴的预测电流,/>为上述定子的q轴的电感值,/>为k时刻时上述转子的角速度,/>为k时刻时上述定子的d轴的电压,/>为采用上述先验估计方法得到的k时刻时上述定子的q轴的电压,为预设常数,/>为采用上述先验估计方法得到的k时刻时上述定子的q轴的预测电流,为k+1时刻时上述定子的q轴的预测电流;
采用上一轮预测的电流,来计算当前轮预测的电流,从而提高了计算当前轮预测的电流的准确度。
另外关于神经网络拓扑模型,首先基于确定型号的永磁同步电机,在电机对拖平台上进行电机开环控制试验以采集训练数据。在直流母线电压确定的情况下,首先对控制输入量第一定子电压、第二定子电压和当前转子角速度离散化,其中,第一定子电压、第二定子电压的离散间隔5V,要求取遍所有定子d轴和q轴的电压范围。负载电机的当前转子角速度的离散间隔为20rpm,取遍被测电机的转速范围。编写脚本语言(Python或者MATLAB)在上位机端,以自动化的方式分别输入不同的第一定子电压、第二定子电压和当前转子角速度,脚本自动输出d轴的预测电流和q轴的预测电流,不同的输入与输出构成了整个数据集。
数据预处理:采集得到数据进行数据异常点和剔除,以及数据的归一化处理。其中,数据归一化方法采用最小值和最大值方法,表达式:
;
其中,为归一化处理后的数据,/>为数据序列中的原始数据(即包括定子的d轴电流和q轴电流的矩阵),/>为数据序列中的最小值,/>为数据序列中的最大值。
如图2所示,上述神经网络拓扑模型中的神经网络包括多个输入层、多个隐藏层和多个输出层,各上述输入层、各上述隐藏层和各上述输出层之间以全连接的方式连接,输入层中需要输入三个值,分别为第一定子电压、第二定子电压和当前转子角速度,输出层需要输出两个值,分别为第二q轴预测电流和第二d轴预测电流。
其中,在采用神经网络拓扑模型,对上述第一定子电压、上述第二定子电压和上述当前转子角速度进行处理,得到第二预测电流向量的过程中,上述方法还包括:
构建d轴预测性能表达式和q轴预测性能表达式,上述d轴预测性能表达式包括采用上述神经网络拓扑模型得到的第t次预测的d轴的电流与采用上述神经网络拓扑模型得到的第t+1次预测的d轴的电流的差值,上述q轴预测性能表达式包括采用上述神经网络拓扑模型得到的第t次预测的q轴的电流与采用上述神经网络拓扑模型得到的第t+1次预测的q轴的电流的差值;
确定预测性能向量,上述预测性能向量是包括d轴预测性能和q轴预测性能的向量。
保证分别求得d轴预测性能和q轴预测性能,从而提高了利用这两个预测性能求得对应的权值的准确度。
其中一种具体地实施例,
根据,确定d轴预测性能,上述d轴预测性能为上述神经网络拓扑模型对上述定子的d轴的电流进行预测的性能,其中,lossd为上述d轴预测性能,为采用上述神经网络拓扑模型得到的第t次预测的d轴的电流,/>为采用上述神经网络拓扑模型得到的第t+1次预测的d轴的电流;
根据,确定q轴预测性能,上述q轴预测性能为上述神经网络拓扑模型对上述定子的q轴的电流进行预测的性能,其中,lossq为上述d轴预测性能,为采用上述神经网络拓扑模型得到的第t次预测的q轴的电流,/>为采用上述神经网络拓扑模型得到的第t+1次预测的q轴的电流;
确定预测性能向量,上述预测性能向量包括d轴预测性能和q轴预测性能,提高神经网络拓扑模型进行预测的精确度。
另外,在确定预测性能向量之后,上述方法还包括:
根据,
确定采用上述神经网络拓扑模型进行第t+1次预测时的上述输入层和上述隐藏层的神经元之间的连接权值以及上述隐藏层和上述输出层的神经元之间的连接权值;
其中,首先,确定隐藏层层数和每一隐藏层的节点数、隐藏层神经元阈值、输出层神经元阈值。设置训练参数,包括学习率、最大迭代次数、最小容忍误差。然后,构建损失函数lossd和lossq,用来评价神经网络的预测性能,loss越小表示神经网络的预测性越好,神经网络的隐含层和输出层中的神经元的激活函数均采用sigmoid(即生物学中常见的S型函数)型激活函数。
为采用上述神经网络拓扑模型进行第t+1次预测时的上述输入层和上述隐藏层的神经元之间的连接权值,/>为采用上述神经网络拓扑模型进行第t+1次预测时的上述隐藏层和上述输出层的神经元之间的连接权值,/>为采用上述神经网络拓扑模型进行第t次预测时的上述输入层和上述隐藏层的神经元之间的连接权值,/>为采用上述神经网络拓扑模型进行第t次预测时的上述隐藏层和上述输出层的神经元之间的连接权值,/>为预设系数,loss为上述预测性能向量,i用于表征上述输入层的第i个神经元,j用于表征上述隐藏层的第j个神经元,k用于表征上述输出层的第k个神经元。
由此求得了上述隐藏层和上述输出层的神经元之间的连接权值以及上述输入层和上述隐藏层的神经元之间的连接权值,从而得以根据权值将输入层输入的参数,转换为输出层输出的参数,提高了神经网络拓扑模型的预测的准确度。
步骤S103,对上述第一预测电流向量和上述第二预测电流向量进行加权处理,得到优化预测电流向量,上述优化预测电流向量是包括优化q轴预测电流和优化d轴预测电流的向量;
具体地,优化预测电流向量是对上述第一预测电流向量和上述第二预测电流向量进行加权处理而得到的优化后的预测电流向量,通过对上述第一预测电流向量和上述第二预测电流向量进行加权处理,从而实现了先验估计方法和神经网络拓扑预测方法进行融合的目的,进而提高了预测电流向量的精确度,如图3所示,图3展示了如何根据第一定子电压、上述第二定子电压和上述当前转子角速度得到优化预测电流向量的过程。
其中一种具体地实施例为,
1)先将永磁同步电机的数学模型,写成状态空间表达式的形式,先验预测值(即对应第a步的第一预测电流向量):
;
为第a-1步的第一预测电流向量,/>为第a-1步的向量表达式的最小值对应的定子的d轴的电压和定子的q轴的电压;
2)计算第a步的先验估计误差的协方差矩阵:
;
为第a-1步的后验估计误差的协方差矩阵,W1为一个常数项;
AT为A的转置矩阵;
3)计算第a步的***增益Ka:
;
H为测量矩阵,即预设的矩阵,HT为H的转置矩阵,W2也为一个常数项;
4)计算第a步的最优估计值,即第a步的优化预测电流向量:
;
za为观测值,即第a步的第二预测电流向量;
5)求得第a步的后验估计误差的协方差矩阵:
;
I为单位矩阵。
步骤S104,采用上述优化预测电流向量和定子电压向量构建向量表达式,求取上述向量表达式的最小值,且将上述最小值对应的上述定子的d轴的电压和上述定子的q轴的电压确定为最优预测电压向量,上述定子电压向量是包括上述第一定子电压和上述第二定子电压的向量。
将向量表达式的最小值对应的定子的d轴的电压和定子的q轴的电压确定为最优预测电压向量;
上述方法中,通过将先验估计方法和神经网络拓扑预测方法进行融合,得到优化预测电流向量,再构建向量表达式来得到最优预测电压向量,因结合了先验估计方法和神经网络拓扑预测方法,从而提高了预测的准确度,进而解决了现有方案永磁同步电机模型预测控制中电机模型精确度较低的问题。
具体地,根据,
确定上述最优预测电压向量,其中,为上述最优预测电压向量,/>为预测得到的未来第N步的上述优化预测电流向量,/>为/>的转置矩阵,/>为预测未来第a步的上述优化预测电流向量与对应的电流向量的实际值的差值,/>为/>的转置矩阵,/>为上述定子电压向量,/>为/>的转置矩阵,P、R、Q分别为预设权重矩阵,上述电流向量的实际值为上述永磁同步电机实时反馈的上述定子的d轴的电流和上述定子的q轴的电流。
其中,通过考虑预测得到的未来第N步的上述优化预测电流向量、预测未来第a步的上述优化预测电流向量与对应的电流向量的实际值的差值和定子电压向量,从而提高了最优预测电压向量的准确度。
通过两个模型(即分别为先验估计方法对应的模型和神经网络拓扑模型)融合得到模型,再以此融合后的模型进行永磁同步电机电流环的模型预测控制,可以得到更优的预测电压向量(d轴和q轴电压),从而提高了控制精度。
为了使得本领域技术人员能够更加清楚地了解本申请的技术方案,以下将结合具体的实施例对本申请的永磁同步电机的定子的电压矢量的预测方法的实现过程进行详细说明。
本实施例涉及一种具体的永磁同步电机的控制方法,如图4所示,包括如下步骤:
步骤S1:获取第一定子电压、第二定子电压和当前转子角速度,上述第一定子电压为永磁同步电机的定子的d轴在当前时刻的电压,上述第二定子电压为上述永磁同步电机的上述定子的q轴在当前时刻的电压,上述当前转子角速度为上述永磁同步电机的转子在当前时刻的角速度;
步骤S2:采用先验估计方法,根据上述第一定子电压、上述第二定子电压和上述当前转子角速度,得到第一预测电流向量,并采用神经网络拓扑模型,对上述第一定子电压、上述第二定子电压和上述当前转子角速度进行处理,得到第二预测电流向量,其中,上述第一预测电流向量是包括第一q轴预测电流和第一d轴预测电流的向量,上述第二预测电流向量是包括第二q轴预测电流和第二d轴预测电流的向量,上述神经网络拓扑模型是使用多组训练数据训练得到的,上述多组训练数据中的每一组训练数据均包括历史时间段内获取的:输入数据以及与上述输入数据对应的输出数据,上述输入数据包括上述定子的d轴的电压、上述定子的q轴的电压和上述转子的角速度,上述输出数据包括上述定子的q轴的预测电流和上述定子的d轴的预测电流;
步骤S3:对上述第一预测电流向量和上述第二预测电流向量进行加权处理,得到优化预测电流向量,上述优化预测电流向量是包括优化q轴预测电流和优化d轴预测电流的向量;
步骤S4:采用上述优化预测电流向量和定子电压向量构建向量表达式,求取上述向量表达式的最小值,且将上述最小值对应的上述定子的d轴的电压和上述定子的q轴的电压确定为最优预测电压向量,上述定子电压向量是包括上述第一定子电压和上述第二定子电压的向量;
步骤S5:基于上述最优预测电压向量对上述永磁同步电机进行控制。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种永磁同步电机的定子的电压矢量的预测装置,需要说明的是,本申请实施例的永磁同步电机的定子的电压矢量的预测装置可以用于执行本申请实施例所提供的用于永磁同步电机的定子的电压矢量的预测方法。该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
以下对本申请实施例提供的永磁同步电机的定子的电压矢量的预测装置进行介绍。
图5是根据本申请的实施例提供的一种永磁同步电机的定子的电压矢量的预测装置的结构框图。如图5所示,该装置包括:
获取单元51,用于获取第一定子电压、第二定子电压和当前转子角速度,上述第一定子电压为永磁同步电机的定子的d轴在当前时刻的电压,上述第二定子电压为上述永磁同步电机的上述定子的q轴在当前时刻的电压,上述当前转子角速度为上述永磁同步电机的转子在当前时刻的角速度;
第一处理单元52,用于采用先验估计方法,根据上述第一定子电压、上述第二定子电压和上述当前转子角速度,得到第一预测电流向量,并采用神经网络拓扑模型,对上述第一定子电压、上述第二定子电压和上述当前转子角速度进行处理,得到第二预测电流向量,其中,上述第一预测电流向量是包括第一q轴预测电流和第一d轴预测电流的向量,上述第二预测电流向量是包括第二q轴预测电流和第二d轴预测电流的向量,上述神经网络拓扑模型是使用多组训练数据训练得到的,上述多组训练数据中的每一组训练数据均包括历史时间段内获取的:输入数据以及与上述输入数据对应的输出数据,上述输入数据包括上述定子的d轴的电压、上述定子的q轴的电压和上述转子的角速度,上述输出数据包括上述定子的q轴的预测电流和上述定子的d轴的预测电流;
第二处理单元53,用于对上述第一预测电流向量和上述第二预测电流向量进行加权处理,得到优化预测电流向量,上述优化预测电流向量是包括优化q轴预测电流和优化d轴预测电流的向量;
第三处理单元54,用于采用上述优化预测电流向量和定子电压向量构建向量表达式,求取上述向量表达式的最小值,且将上述最小值对应的上述定子的d轴的电压和上述定子的q轴的电压确定为最优预测电压向量,上述定子电压向量是包括上述第一定子电压和上述第二定子电压的向量。
上述装置中,通过将先验估计方法和神经网络拓扑预测方法进行融合,得到优化预测电流向量,再构建向量表达式来得到最优预测电压向量,因结合了先验估计方法和神经网络拓扑预测方法,从而提高了预测的准确度,进而解决了现有方案永磁同步电机模型预测控制中电机模型精确度较低的问题。
在本申请的一种实施例中,第一处理单元包括第一处理模块和第二处理模块,第一处理模块用于采用上述第一定子电压、上述第二定子电压和上述当前转子角速度,构建第一预测电流向量表达式,上述第一预测电流向量表达式包括上述定子的q轴的电感值和上述定子的d轴的电感值的比例关系、上述定子的电阻值和上述定子的q轴的电感值的比例关系、上述定子的电阻值和上述定子的d轴的电感值的比例关系、采样周期和上述定子的q轴的电感值的比例关系、上述采样周期和上述定子的d轴的电感值的比例关系;第二处理模块用于根据上述第一预测电流向量表达式,确定上述第一预测电流向量。
在本申请的一种实施例中,上述神经网络拓扑模型中的神经网络包括多个输入层、多个隐藏层和多个输出层,各上述输入层、各上述隐藏层和各上述输出层之间以全连接的方式连接。
在本申请的一种实施例中,第一处理单元包括第三处理模块和第四处理模块,在采用神经网络拓扑模型,对上述第一定子电压、上述第二定子电压和上述当前转子角速度进行处理,得到第二预测电流向量的过程中,
第三处理模块用于构建d轴预测性能表达式和q轴预测性能表达式,上述d轴预测性能表达式包括采用上述神经网络拓扑模型得到的第t次预测的d轴的电流与采用上述神经网络拓扑模型得到的第t+1次预测的d轴的电流的差值,上述q轴预测性能表达式包括采用上述神经网络拓扑模型得到的第t次预测的q轴的电流与采用上述神经网络拓扑模型得到的第t+1次预测的q轴的电流的差值;
第四处理模块用于确定预测性能向量,上述预测性能向量是包括d轴预测性能和q轴预测性能的向量。
在本申请的一种实施例中,第一处理单元包括第一确定模块,在确定预测性能向量之后,
第一确定模块用于根据,
确定采用上述神经网络拓扑模型进行第t+1次预测时的上述输入层和上述隐藏层的神经元之间的连接权值以及上述隐藏层和上述输出层的神经元之间的连接权值;
为采用上述神经网络拓扑模型进行第t+1次预测时的上述输入层和上述隐藏层的神经元之间的连接权值,/>为采用上述神经网络拓扑模型进行第t+1次预测时的上述隐藏层和上述输出层的神经元之间的连接权值,/>为采用上述神经网络拓扑模型进行第t次预测时的上述输入层和上述隐藏层的神经元之间的连接权值,/>为采用上述神经网络拓扑模型进行第t次预测时的上述隐藏层和上述输出层的神经元之间的连接权值,/>为预设系数,loss为上述预测性能向量,i用于表征上述输入层的第i个神经元,j用于表征上述隐藏层的第j个神经元,k用于表征上述输出层的第k个神经元。
在本申请的一种实施例中,第三处理模块包括第二确定模块;
第二确定模块用于根据,
确定上述最优预测电压向量,其中,为上述最优预测电压向量,/>为预测得到的未来第N步的上述优化预测电流向量,/>为/>的转置矩阵,/>为预测未来第a步的上述优化预测电流向量与对应的电流向量的实际值的差值,/>为/>的转置矩阵,/>为上述定子电压向量,/>为/>的转置矩阵,P、R、Q分别为预设权重矩阵,上述电流向量的实际值为上述永磁同步电机实时反馈的上述定子的d轴的电流和上述定子的q轴的电流。
上述永磁同步电机的定子的电压矢量的预测装置包括处理器和存储器,上述获取单元、第一处理单元、第二处理单元和第三处理单元等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来解决现有方案永磁同步电机模型预测控制中电机模型精确度较低的问题。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机可读存储介质,上述计算机可读存储介质包括存储的程序,其中,在上述程序运行时控制上述计算机可读存储介质所在设备执行上述永磁同步电机的定子的电压矢量的预测方法。
本发明实施例提供了一种处理器,上述处理器用于运行程序,其中,上述程序运行时执行上述永磁同步电机的定子的电压矢量的预测方法。
本发明实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现至少以下步骤:获取第一定子电压、第二定子电压和当前转子角速度,上述第一定子电压为永磁同步电机的定子的d轴在当前时刻的电压,上述第二定子电压为上述永磁同步电机的上述定子的q轴在当前时刻的电压,上述当前转子角速度为上述永磁同步电机的转子在当前时刻的角速度;采用先验估计方法,根据上述第一定子电压、上述第二定子电压和上述当前转子角速度,得到第一预测电流向量,并采用神经网络拓扑模型,对上述第一定子电压、上述第二定子电压和上述当前转子角速度进行处理,得到第二预测电流向量,其中,上述第一预测电流向量是包括第一q轴预测电流和第一d轴预测电流的向量,上述第二预测电流向量是包括第二q轴预测电流和第二d轴预测电流的向量,上述神经网络拓扑模型是使用多组训练数据训练得到的,上述多组训练数据中的每一组训练数据均包括历史时间段内获取的:输入数据以及与上述输入数据对应的输出数据,上述输入数据包括上述定子的d轴的电压、上述定子的q轴的电压和上述转子的角速度,上述输出数据包括上述定子的q轴的预测电流和上述定子的d轴的预测电流;对上述第一预测电流向量和上述第二预测电流向量进行加权处理,得到优化预测电流向量,上述优化预测电流向量是包括优化q轴预测电流和优化d轴预测电流的向量;采用上述优化预测电流向量和定子电压向量构建向量表达式,求取上述向量表达式的最小值,且将上述最小值对应的上述定子的d轴的电压和上述定子的q轴的电压确定为最优预测电压向量,上述定子电压向量是包括上述第一定子电压和上述第二定子电压的向量。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有至少如下方法步骤的程序:获取第一定子电压、第二定子电压和当前转子角速度,上述第一定子电压为永磁同步电机的定子的d轴在当前时刻的电压,上述第二定子电压为上述永磁同步电机的上述定子的q轴在当前时刻的电压,上述当前转子角速度为上述永磁同步电机的转子在当前时刻的角速度;采用先验估计方法,根据上述第一定子电压、上述第二定子电压和上述当前转子角速度,得到第一预测电流向量,并采用神经网络拓扑模型,对上述第一定子电压、上述第二定子电压和上述当前转子角速度进行处理,得到第二预测电流向量,其中,上述第一预测电流向量是包括第一q轴预测电流和第一d轴预测电流的向量,上述第二预测电流向量是包括第二q轴预测电流和第二d轴预测电流的向量,上述神经网络拓扑模型是使用多组训练数据训练得到的,上述多组训练数据中的每一组训练数据均包括历史时间段内获取的:输入数据以及与上述输入数据对应的输出数据,上述输入数据包括上述定子的d轴的电压、上述定子的q轴的电压和上述转子的角速度,上述输出数据包括上述定子的q轴的预测电流和上述定子的d轴的预测电流;对上述第一预测电流向量和上述第二预测电流向量进行加权处理,得到优化预测电流向量,上述优化预测电流向量是包括优化q轴预测电流和优化d轴预测电流的向量;采用上述优化预测电流向量和定子电压向量构建向量表达式,求取上述向量表达式的最小值,且将上述最小值对应的上述定子的d轴的电压和上述定子的q轴的电压确定为最优预测电压向量,上述定子电压向量是包括上述第一定子电压和上述第二定子电压的向量。
本申请还提供了一种永磁同步电机的控制方法,如图6所示,该方法包括:
步骤S601,获取第一定子电压、第二定子电压和当前转子角速度,上述第一定子电压为永磁同步电机的定子的d轴在当前时刻的电压,上述第二定子电压为上述永磁同步电机的上述定子的q轴在当前时刻的电压,上述当前转子角速度为上述永磁同步电机的转子在当前时刻的角速度;
步骤S602,采用先验估计方法,根据上述第一定子电压、上述第二定子电压和上述当前转子角速度,得到第一预测电流向量,并采用神经网络拓扑模型,对上述第一定子电压、上述第二定子电压和上述当前转子角速度进行处理,得到第二预测电流向量,其中,上述第一预测电流向量是包括第一q轴预测电流和第一d轴预测电流的向量,上述第二预测电流向量是包括第二q轴预测电流和第二d轴预测电流的向量,上述神经网络拓扑模型是使用多组训练数据训练得到的,上述多组训练数据中的每一组训练数据均包括历史时间段内获取的:输入数据以及与上述输入数据对应的输出数据,上述输入数据包括上述定子的d轴的电压、上述定子的q轴的电压和上述转子的角速度,上述输出数据包括上述定子的q轴的预测电流和上述定子的d轴的预测电流;
步骤S603,对上述第一预测电流向量和上述第二预测电流向量进行加权处理,得到优化预测电流向量,上述优化预测电流向量是包括优化q轴预测电流和优化d轴预测电流的向量;
步骤S604,采用上述优化预测电流向量和定子电压向量构建向量表达式,求取上述向量表达式的最小值,且将上述最小值对应的上述定子的d轴的电压和上述定子的q轴的电压确定为最优预测电压向量,上述定子电压向量是包括上述第一定子电压和上述第二定子电压的向量;
步骤S605,对最优预测电压向量进行坐标逆变换处理,得到目标三相电压,基于上述目标三相电压对上述永磁同步电机进行控制。
上述方法中,通过将先验估计方法和神经网络拓扑预测方法进行融合,得到优化预测电流向量,再构建向量表达式来得到最优预测电压向量,因结合了先验估计方法和神经网络拓扑预测方法,从而提高了预测的准确度,进而解决了现有方案永磁同步电机模型预测控制中电机模型精确度较低的问题。
本申请还提供了一种电子设备,电子设备包括一个或多个处理器,存储器,以及一个或多个程序,其中,上述一个或多个程序被存储在上述存储器中,并且被配置为由上述一个或多个处理器执行,上述一个或多个程序包括用于执行任意一种上述的永磁同步电机的定子的电压矢量的预测方法。通过将先验估计方法和神经网络拓扑预测方法进行融合,得到优化预测电流向量,再构建向量表达式来得到最优预测电压向量,因结合了先验估计方法和神经网络拓扑预测方法,从而提高了预测的准确度,进而解决了现有方案永磁同步电机模型预测控制中电机模型精确度较低的问题。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体 (transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
从以上的描述中,可以看出,本申请上述的实施例实现了如下技术效果:
1)、本申请的永磁同步电机的定子的电压矢量的预测方法,通过将先验估计方法和神经网络拓扑预测方法进行融合,得到优化预测电流向量,再构建向量表达式来得到最优预测电压向量,因结合了先验估计方法和神经网络拓扑预测方法,从而提高了预测的准确度,进而解决了现有方案永磁同步电机模型预测控制中电机模型精确度较低的问题。
2)、本申请的永磁同步电机的定子的电压矢量的预测装置,通过将先验估计方法和神经网络拓扑预测方法进行融合,得到优化预测电流向量,再构建向量表达式来得到最优预测电压向量,因结合了先验估计方法和神经网络拓扑预测方法,从而提高了预测的准确度,进而解决了现有方案永磁同步电机模型预测控制中电机模型精确度较低的问题。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.一种永磁同步电机的定子的电压矢量的预测方法,其特征在于,包括:
获取第一定子电压、第二定子电压和当前转子角速度,所述第一定子电压为永磁同步电机的定子的d轴在当前时刻的电压,所述第二定子电压为所述永磁同步电机的所述定子的q轴在当前时刻的电压,所述当前转子角速度为所述永磁同步电机的转子在当前时刻的角速度;
采用先验估计方法,根据所述第一定子电压、所述第二定子电压和所述当前转子角速度,得到第一预测电流向量,并采用神经网络拓扑模型,对所述第一定子电压、所述第二定子电压和所述当前转子角速度进行处理,得到第二预测电流向量,其中,所述第一预测电流向量是包括第一q轴预测电流和第一d轴预测电流的向量,所述第二预测电流向量是包括第二q轴预测电流和第二d轴预测电流的向量,所述神经网络拓扑模型是使用多组训练数据训练得到的,所述多组训练数据中的每一组训练数据均包括历史时间段内获取的:输入数据以及与所述输入数据对应的输出数据,所述输入数据包括所述定子的d轴的电压、所述定子的q轴的电压和所述转子的角速度,所述输出数据包括所述定子的q轴的预测电流和所述定子的d轴的预测电流;
对所述第一预测电流向量和所述第二预测电流向量进行加权处理,得到优化预测电流向量,所述优化预测电流向量是包括优化q轴预测电流和优化d轴预测电流的向量;
采用所述优化预测电流向量和定子电压向量构建向量表达式,求取所述向量表达式的最小值,且将所述最小值对应的所述定子的d轴的电压和所述定子的q轴的电压确定为最优预测电压向量,所述定子电压向量是包括所述第一定子电压和所述第二定子电压的向量;
采用所述优化预测电流向量和定子电压向量构建向量表达式,求取所述向量表达式的最小值,且将所述最小值对应的所述定子的d轴的电压和所述定子的q轴的电压确定为最优预测电压向量,包括:
根据,
确定所述最优预测电压向量,其中,为所述最优预测电压向量,/>为预测得到的未来第N步的所述优化预测电流向量,/>为/>的转置矩阵,/>为预测未来第a步的所述优化预测电流向量与对应的电流向量的实际值的差值,/>为/>的转置矩阵,/>为所述定子电压向量,/>为/>的转置矩阵,P、R、Q分别为预设权重矩阵,所述电流向量的实际值为所述永磁同步电机实时反馈的所述定子的d轴的电流和所述定子的q轴的电流。
2.根据权利要求1所述的方法,其特征在于,根据所述第一定子电压、所述第二定子电压和所述当前转子角速度,得到第一预测电流向量,包括:
采用所述第一定子电压、所述第二定子电压和所述当前转子角速度,构建第一预测电流向量表达式,所述第一预测电流向量表达式包括所述定子的q轴的电感值和所述定子的d轴的电感值的比例关系、所述定子的电阻值和所述定子的q轴的电感值的比例关系、所述定子的电阻值和所述定子的d轴的电感值的比例关系、采样周期和所述定子的q轴的电感值的比例关系、所述采样周期和所述定子的d轴的电感值的比例关系;
根据所述第一预测电流向量表达式,确定所述第一预测电流向量。
3.根据权利要求1所述的方法,其特征在于,所述神经网络拓扑模型中的神经网络包括多个输入层、多个隐藏层和多个输出层,各所述输入层、各所述隐藏层和各所述输出层之间以全连接的方式连接。
4.根据权利要求3所述的方法,其特征在于,在采用神经网络拓扑模型,对所述第一定子电压、所述第二定子电压和所述当前转子角速度进行处理,得到第二预测电流向量的过程中,所述方法还包括:
构建d轴预测性能表达式和q轴预测性能表达式,所述d轴预测性能表达式包括采用所述神经网络拓扑模型得到的第t次预测的d轴的电流与采用所述神经网络拓扑模型得到的第t+1次预测的d轴的电流的差值,所述q轴预测性能表达式包括采用所述神经网络拓扑模型得到的第t次预测的q轴的电流与采用所述神经网络拓扑模型得到的第t+1次预测的q轴的电流的差值;
确定预测性能向量,所述预测性能向量是包括d轴预测性能和q轴预测性能的向量。
5.根据权利要求4所述的方法,其特征在于,在确定预测性能向量之后,所述方法还包括:
根据,
确定采用所述神经网络拓扑模型进行第t+1次预测时的所述输入层和所述隐藏层的神经元之间的连接权值以及所述隐藏层和所述输出层的神经元之间的连接权值;
其中,为采用所述神经网络拓扑模型进行第t+1次预测时的所述输入层和所述隐藏层的神经元之间的连接权值,/>为采用所述神经网络拓扑模型进行第t+1次预测时的所述隐藏层和所述输出层的神经元之间的连接权值,/>为采用所述神经网络拓扑模型进行第t次预测时的所述输入层和所述隐藏层的神经元之间的连接权值,/>为采用所述神经网络拓扑模型进行第t次预测时的所述隐藏层和所述输出层的神经元之间的连接权值,/>为预设系数,loss为所述预测性能向量,i用于表征所述输入层的第i个神经元,j用于表征所述隐藏层的第j个神经元,k用于表征所述输出层的第k个神经元。
6.一种永磁同步电机的定子的电压矢量的预测装置,其特征在于,包括:
获取单元,用于获取第一定子电压、第二定子电压和当前转子角速度,所述第一定子电压为永磁同步电机的定子的d轴在当前时刻的电压,所述第二定子电压为所述永磁同步电机的所述定子的q轴在当前时刻的电压,所述当前转子角速度为所述永磁同步电机的转子在当前时刻的角速度;
第一处理单元,用于采用先验估计方法,根据所述第一定子电压、所述第二定子电压和所述当前转子角速度,得到第一预测电流向量,并采用神经网络拓扑模型,对所述第一定子电压、所述第二定子电压和所述当前转子角速度进行处理,得到第二预测电流向量,其中,所述第一预测电流向量是包括第一q轴预测电流和第一d轴预测电流的向量,所述第二预测电流向量是包括第二q轴预测电流和第二d轴预测电流的向量,所述神经网络拓扑模型是使用多组训练数据训练得到的,所述多组训练数据中的每一组训练数据均包括历史时间段内获取的:输入数据以及与所述输入数据对应的输出数据,所述输入数据包括所述定子的d轴的电压、所述定子的q轴的电压和所述转子的角速度,所述输出数据包括所述定子的q轴的预测电流和所述定子的d轴的预测电流;
第二处理单元,用于对所述第一预测电流向量和所述第二预测电流向量进行加权处理,得到优化预测电流向量,所述优化预测电流向量是包括优化q轴预测电流和优化d轴预测电流的向量;
第三处理单元,用于采用所述优化预测电流向量和定子电压向量构建向量表达式,求取所述向量表达式的最小值,且将所述最小值对应的所述定子的d轴的电压和所述定子的q轴的电压确定为最优预测电压向量,所述定子电压向量是包括所述第一定子电压和所述第二定子电压的向量;
第三处理模块包括第二确定模块;
第二确定模块用于根据,
确定最优预测电压向量,其中,为最优预测电压向量,/>为预测得到的未来第N步的优化预测电流向量,/>为/>的转置矩阵,/>为预测未来第a步的优化预测电流向量与对应的电流向量的实际值的差值,/>为/>的转置矩阵,/>为定子电压向量,/>为/>的转置矩阵,P、R、Q分别为预设权重矩阵,电流向量的实际值为永磁同步电机实时反馈的定子的d轴的电流和定子的q轴的电流。
7.一种永磁同步电机的控制方法,其特征在于,包括:
获取第一定子电压、第二定子电压和当前转子角速度,所述第一定子电压为永磁同步电机的定子的d轴在当前时刻的电压,所述第二定子电压为所述永磁同步电机的所述定子的q轴在当前时刻的电压,所述当前转子角速度为所述永磁同步电机的转子在当前时刻的角速度;
采用先验估计方法,根据所述第一定子电压、所述第二定子电压和所述当前转子角速度,得到第一预测电流向量,并采用神经网络拓扑模型,对所述第一定子电压、所述第二定子电压和所述当前转子角速度进行处理,得到第二预测电流向量,其中,所述第一预测电流向量是包括第一q轴预测电流和第一d轴预测电流的向量,所述第二预测电流向量是包括第二q轴预测电流和第二d轴预测电流的向量,所述神经网络拓扑模型是使用多组训练数据训练得到的,所述多组训练数据中的每一组训练数据均包括历史时间段内获取的:输入数据以及与所述输入数据对应的输出数据,所述输入数据包括所述定子的d轴的电压、所述定子的q轴的电压和所述转子的角速度,所述输出数据包括所述定子的q轴的预测电流和所述定子的d轴的预测电流;
对所述第一预测电流向量和所述第二预测电流向量进行加权处理,得到优化预测电流向量,所述优化预测电流向量是包括优化q轴预测电流和优化d轴预测电流的向量;
采用所述优化预测电流向量和定子电压向量构建向量表达式,求取所述向量表达式的最小值,且将所述最小值对应的所述定子的d轴的电压和所述定子的q轴的电压确定为最优预测电压向量,所述定子电压向量是包括所述第一定子电压和所述第二定子电压的向量;
对最优预测电压向量进行坐标逆变换处理,得到目标三相电压,基于所述目标三相电压对所述永磁同步电机进行控制;
采用所述优化预测电流向量和定子电压向量构建向量表达式,求取所述向量表达式的最小值,且将所述最小值对应的所述定子的d轴的电压和所述定子的q轴的电压确定为最优预测电压向量,包括:
根据,
确定所述最优预测电压向量,其中,为所述最优预测电压向量,/>为预测得到的未来第N步的所述优化预测电流向量,/>为/>的转置矩阵,/>为预测未来第a步的所述优化预测电流向量与对应的电流向量的实际值的差值,/>为/>的转置矩阵,/>为所述定子电压向量,/>为/>的转置矩阵,P、R、Q分别为预设权重矩阵,所述电流向量的实际值为所述永磁同步电机实时反馈的所述定子的d轴的电流和所述定子的q轴的电流。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至5中任意一项所述的永磁同步电机的定子的电压矢量的预测方法。
9.一种电子设备,其特征在于,包括:一个或多个处理器,存储器,以及一个或多个程序,其中,所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行权利要求1至5中任意一项所述的永磁同步电机的定子的电压矢量的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311570761.6A CN117277888B (zh) | 2023-11-23 | 2023-11-23 | 永磁同步电机的定子的电压矢量的预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311570761.6A CN117277888B (zh) | 2023-11-23 | 2023-11-23 | 永磁同步电机的定子的电压矢量的预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117277888A CN117277888A (zh) | 2023-12-22 |
CN117277888B true CN117277888B (zh) | 2024-03-19 |
Family
ID=89203129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311570761.6A Active CN117277888B (zh) | 2023-11-23 | 2023-11-23 | 永磁同步电机的定子的电压矢量的预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117277888B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010166714A (ja) * | 2009-01-16 | 2010-07-29 | Denso Corp | 回転機の制御装置及び制御システム |
JP2013038946A (ja) * | 2011-08-09 | 2013-02-21 | Denso Corp | 回転機の制御装置 |
CN108880394A (zh) * | 2018-06-04 | 2018-11-23 | 江苏大学 | 一种小波神经网络开关磁阻电机无位置传感器预测控制方法 |
CN110535396A (zh) * | 2019-08-30 | 2019-12-03 | 长安大学 | 基于bp神经网络的表面式永磁同步电机模型预测控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9754204B2 (en) * | 2013-08-05 | 2017-09-05 | Board Of Trustees Of The University Of Alabama | Systems, methods and devices for vector control of permanent magnet synchronous machines using artificial neural networks |
-
2023
- 2023-11-23 CN CN202311570761.6A patent/CN117277888B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010166714A (ja) * | 2009-01-16 | 2010-07-29 | Denso Corp | 回転機の制御装置及び制御システム |
JP2013038946A (ja) * | 2011-08-09 | 2013-02-21 | Denso Corp | 回転機の制御装置 |
CN108880394A (zh) * | 2018-06-04 | 2018-11-23 | 江苏大学 | 一种小波神经网络开关磁阻电机无位置传感器预测控制方法 |
CN110535396A (zh) * | 2019-08-30 | 2019-12-03 | 长安大学 | 基于bp神经网络的表面式永磁同步电机模型预测控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117277888A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102170105B1 (ko) | 신경 네트워크 구조의 생성 방법 및 장치, 전자 기기, 저장 매체 | |
CN111638958B (zh) | 云主机负载处理方法、装置、控制设备及存储介质 | |
JP2016158485A (ja) | 列車を所定の位置範囲に停止させるためのシステムおよび方法 | |
CN110471276B (zh) | 用于为物理***创建模型函数的装置 | |
CN109405843B (zh) | 一种路径规划方法及装置和移动设备 | |
CN109284956B (zh) | 一种任务时长确定方法及装置和电子设备 | |
CN112230146B (zh) | 电池充电剩余时间的预测方法、***及设备 | |
CN109829613A (zh) | 一种配电网双时间尺度状态估计方法及*** | |
CN114358274A (zh) | 训练用于图像识别的神经网络的方法和设备 | |
CN117074951A (zh) | 锂电池荷电状态的估计方法、装置、设备及可读存储介质 | |
CN117277888B (zh) | 永磁同步电机的定子的电压矢量的预测方法和装置 | |
Yin et al. | A variable‐structure gradient RBF network with its application to predictive ship motion control | |
KR20230064389A (ko) | 예측구간에 기반한 제조공정 파라미터의 구간 최적화 방법 및 시스템 | |
CN109976153A (zh) | 控制无人驾驶设备及模型训练的方法、装置及电子设备 | |
CN112564557A (zh) | 一种永磁同步电机的控制方法、装置、设备及存储介质 | |
CN112308337A (zh) | 电力***概率性短期负荷的预测方法、预测装置与处理器 | |
CN116418260A (zh) | 永磁同步电机的转矩估测方法、装置、设备及存储介质 | |
EP4124887A1 (en) | Methods and systems for predicting trajectory data of an object and methods and systems for training a machine learning method for predicting trajectory data of an object | |
CN112884160B (zh) | 一种元学习方法及相关装置 | |
CN111738407B (zh) | 一种基于深度学习的钟差预测方法、装置、介质及终端 | |
CN113158134A (zh) | 非侵入式负荷辨识模型的构建方法、装置和存储介质 | |
US20190303763A1 (en) | Trinary neural network and back-propagation methodology | |
CN113657844B (zh) | 任务处理流程的确定方法及装置 | |
Šubrt et al. | Reinforcement Learning in the Load Balancing Problem for the iFDAQ of the COMPASS Experiment at CERN | |
CN112861951B (zh) | 一种图像神经网络参数的确定方法及电子设备 |
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 |