[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

说明书

本发明公开了基于BP神经网络的表面式永磁同步电机模型预测控制方法，本发明采用BP神经网络替代表面式永磁同步电机模型预测算法，BP神经网络具有强大的非线性拟合和模式识别分类的能力，其分布式并行运算的特点可以大大减少算法的运算时间和运算负担，提高系统的及时性，并且BP神经网络替代模型预测算法的准确率和效果均令人满意，其选择最优电压矢量的准确率可以达到88.34％，由于神经网络没有反馈和纠正能力，通过设置一个开关量和阈值切换神经网络工作模式和MPC工作模式可以有效解决BP神经网络动态阶跃下的失控问题。

技术领域

本发明属于永磁同步电机直接转矩控制领域，具体涉及基于BP神经网络的表面式永磁同 步电机模型预测控制方法。

背景技术

直接转矩控制技术基于定子磁链坐标系并直接将转矩作为控制对象，避免了旋转坐标变换 时的大量计算以及对电机参数的依赖性，其动态性能好，转矩响应时间短。但是传统DTC是 一种离线式控制方法，将控制算法以及预先编制好的电压矢量LUT植入微处理器中，在每一 控制周期循环执行。DTC根据电机控制系统当前的转矩误差和定子磁链误差从电压矢量LUT 中选取最优电压矢量来消除转矩误差和定子磁链误差。但是传统DTC只能根据每一控制周期 初始时刻的电机变量误差选取最优电压矢量，并不能预知在此电压矢量作用下电机变量的变化 趋势，无法保证整个控制周期内转矩和定子磁链始终保持在一定的范围内，导致较大的转矩脉 动和定子磁链脉动。同时，传统电压矢量LUT设计简单，控制精度较低，电机在特定运行状 态下可有多个不同电压矢量供选择输出，根据查表法得到的电压矢量可能并不是最优的电压矢 量。因此，可以研究电机的在线式控制方法，实时预测施加不同电压矢量时电机变量的变化， 提前预知在某一电压矢量作用下电机转矩误差和定子磁链误差在整个控制周期内的变化，确保 所施加电压矢量的有效性和准确性。

模型预测控制(Model predictive control,MPC)作为一种有效的在线式控制方法被广泛的应 用于各种工业控制场合。有相关文献提出将MPC与DTC相结合，提出一种模型预测直接转 矩控制，该方法对连续的非线性电机方程进行离散化得到电机预测模型，预测不同电压矢量作 用下未来多个控制周期内电机转矩和定子磁链的变化，并根据目标函数对每一电压矢量的各步 预测结果进行综合评估，最终确定一个最优电压矢量序列并只输出序列的首项。该方法的首要 目标是降低逆变器开关频率，同时将电机转矩、定子磁链和逆变器中性点电压限制在一定范围 内，以保证电机稳定运行。但是文献中提出的预测算法运算量较大，难以在实际应用中实施。

发明内容

本发明的目的在于克服上述不足，提供一种基于BP神经网络的表面式永磁同步电机模型 预测控制方法，通过将离线训练好的BP神经网络嵌入到表面式永磁同步电机直接转矩控制系 统中与模型预测算法串行设计，替代模型预测算法完成未来控制周期内最优电压矢量的选择工 作。

为了达到上述目的，本发明包括以下步骤：

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以及神经网络的 输入量与输出量，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；