[发明专利]内嵌式永磁同步电机智能MPC控制方法及装置

权利要求书

1.一种内嵌式永磁同步电机智能MPC控制方法，其特征在于，包括：

获取内嵌式永磁同步电机的状态参数和时变参数，所述状态参数包括所述内嵌式永磁同步电机的当前状态和当前状态的参考值，所述时变参数包括所述内嵌式永磁同步电机的逆变器输出的最大定子电压和所述内嵌式永磁同步电机的转速；所述当前状态包括当前直轴电流和当前交轴电流，所述当前状态的参考值包括当前直轴电流的参考值和当前交轴电流的参考值；

根据预设的深度神经网络，获取所述状态参数和时变参数对应的所述内嵌式永磁同步电机的当前最优控制量，所述控制量包括直轴电压和交轴电压。

2.根据权利要求1所述的控制方法，其特征在于，在所述获取内嵌式永磁同步电机的状态参数和时变参数之后，还包括：对所述当前状态的参考值采用积分器，以消除状态的静态误差；所述积分器为两个，分别用于消除直轴电流的静态误差和交轴电流的静态误差。

3.根据权利要求1或2所述的控制方法，其特征在于，在所述根据预设的深度神经网络，获取所述状态参数和时变参数对应的所述内嵌式永磁同步电机的当前最优控制量之前，还包括：

训练所述深度神经网络；

其中，所述训练所述深度神经网络包括：

建立决策变量为所述控制量的二次约束二次规划问题；

设定所述内嵌式永磁同步电机的状态参数和时变参数的变化范围，从所述变化范围中获取多组所述状态参数和时变参数；

求解每组所述状态参数和时变参数下的所述二次约束二次规划问题，得到所述每组所述状态参数和时变参数对应的最优控制量；

将所述每组所述状态参数和时变参数和所述对应的最优控制量组成一个训练样本，将所有所述训练样本组成训练数据集；

构建一个深度神经网络，利用所述训练数据集训练所述深度神经网络，得到训练完毕的所述深度神经网络。

4.根据权利要求3所述的控制方法，其特征在于，所述二次约束二次规划问题的表达式如下：

min L

s.t.||u_t||≤u_max，t＝0，…，N-1

其中，u_max为所述内嵌式永磁同步电机的逆变器输出的最大定子电压；t代表采样周期数；u_t表示t个采样周期后的控制量；N为预测时域长度；

L为损失函数：

其中，x_t表示t个采样周期后的状态，x_r为状态的参考值，Q为二阶方阵。

5.根据权利要求4所述的控制方法，其特征在于，所述u_t为离散化后的控制量，所述x_t为离散化后的状态，所述离散化的具体方法如下：

建立所述内嵌式永磁同步电机在d-q旋转坐标系下的微分方程模型：

其中，R_s为定子电阻，L_d为定子直轴电感，L_q为定子交轴电感，为转子磁链，n_p为极对数，J为转动惯量，T_e为输出转矩，T_L为负载转矩，i_d和i_q分别为直轴电流、交轴电流，u_d和u_q分别为直轴电压、交轴电压，ω_e为转速；

根据所述微分方程模型，建立所述内嵌式永磁同步电机的电流环的系统状态方程：

设定采样周期T_s，将所述系统状态方程离散化，得到：

x_t+1＝Ax_t+Bu_t+G

其中，x代表状态，u表示控制量；

6.根据权利要求4所述的控制方法，其特征在于，在所述求解每组所述状态参数和时变参数下的所述二次约束二次规划问题之前，还包括：

对所述二次约束二次规划问题的约束||u_t||≤u_max进行线性化，表达式如下：