[发明专利]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

权利要求书

1.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，其特征在于，包括以下步骤：

步骤一，确定表面式永磁同步电机模型预测控制算法中的输入量和输出量，并确定电机参考转速和负载转矩的变化范围；

步骤二，按照恒定参考转速下负载转矩阶跃和恒定负载转矩下参考转速阶跃两种方式将不同参考转速下负载转矩变化的情况和不同负载转矩下参考转速变化的情况按照一定的步长和间隔遍历取到，并将相应产生的上述输入量的数据送入表面式永磁同步电机模型预测控制算法中，生成未来控制周期内模型预测控制算法选择的最优电压矢量序列，并且将各个输入量的取值与对应选择出来的最优电压矢量对应组合成BP神经网络的训练样本；

步骤三，构建BP神经网络拓扑模型；

步骤四，将步骤二中的训练样本数据进行归一化处理，将归一化处理后的训练样本输入已构建BP神经网络拓扑模型中进行离线训练学习，得到符合要求的权值阈值；

步骤五，将离线训练好的BP神经网络嵌入到表面式永磁同步电机模型预测直接转矩控制系统中与模型预测算法并联设计，用于替代模型预测控制算法进行未来控制周期内电机最优电压矢量选择的工作和功能；

步骤六，在模型预测算法模块和BP神经网络的并联设计之间设置一个开关量，当转矩误差大于一定阈值时，开关量将工作模式切换为模型预测算法进行最优电压矢量的选择工作；当转矩误差值小于该阈值时，均使用神经网络进行电压矢量的选择工作。

2.根据权利要求1所述的基于BP神经网络的表面式永磁同步电机模型预测控制方法，其特征在于，步骤一，确定表面式永磁同步电机模型预测控制算法中的输入量和输出量的具体方法如下：

忽略转子旋转运动和定子电阻压降，施加非零电压矢量后，下一时刻定子磁链幅值如公式1.1所示：

是当前k时刻定子磁链的幅值，是k+1时刻的定子磁链幅值,是当前要施加的电压矢量幅值，固定幅值，即将电压矢量设置为定幅值，其幅值恒等于其中U_dc是直流母线电压；Δt是该电压矢量施加的作用时间，α是电压矢量与定子磁链矢量之间的夹角；

下一时刻转矩如公式1.2所示：

T_e(k+1)是k+1时刻的电机转矩，p是电机的极对数，ψ_f是永磁体磁链，是当前k时刻定子磁链的幅值，L_d为d轴定子电感，α是电压矢量与定子磁链矢量之间的夹角，δ(k)是当前k时刻的转矩角；

所用成本函数如公式1.3所示：

T_e^*和分别表示参考转矩和参考磁链；

将公式1.1和公式1.2计算的结果送入成本函数，整个算法过程中，如果有n个备选电压矢量，则会得到n个成本函数数值，选择成本函数最小的数值所对应的电压矢量作为该计算控制周期内要施加给电机的最优电压矢量；

模型预测控制算法的输入量分别有转矩角、当前定子磁链幅值、当前定子磁链角位置、参考磁链、参考转矩、备选电压矢量角度，输出量是选择的电压矢量；

从输入量中去掉恒值，对特征维度进行精简，作为神经网络的输入量，选择的电压矢量作为神经网络的输出量，恒值包括参考磁链和备选电压矢量角度。

3.根据权利要求1所述的基于BP神经网络的表面式永磁同步电机模型预测控制方法，其特征在于，步骤二中，通过编程或者仿真实现按照一定的步长和间隔将相应取值范围内的两种变化情况遍历取到。

4.根据权利要求1所述的基于BP神经网络的表面式永磁同步电机模型预测控制方法，其特征在于，步骤三中，BP神经网络拓扑模型为三层的前馈神经网络，根据隐含层节点经验公式以及调试经验确定隐含层节点数，其中a为0～10之间的常数，输入层节点对应输入量，输出层节点等于备选电压矢量的个数，BP神经网络拓扑模型的隐含层和输出层中的神经元的激活函数均采用tansig型的双曲正切传递函数，tansig函数的表达式为f(x)＝2/(1+exp(-2*x))-1，m为输出层节点数，n为输入层节点数，l为隐含层节点数。