[发明专利]一种用于控制的电机转子温度预测方法及系统

说明书

本发明涉及一种用于控制的电机转子温度预测方法及系统，方法包括：在不同工况下对电机进行转子温度测量试验；在电机试验过程中，同步采集被试电机的电气、机械、温度时间序列数据，建立样本数据集；根据样本数据集，对预先建立的深度学习模型进行训练，得到训练好的电机转子温度预测模型；实时采集电机参数，然后载入电机转子温度预测模型中，获取电子转子温度预测结果，根据该电子转子温度预测结果进行电机控制。与现有技术相比，本发明以实际电机运行数据为样本数据集，利用深度学习方法挖掘数据特征与规律，实现电机多个参数与转子温度之间复杂耦合关系的准确建模，提高了电机转子温度预测的精度，提高了电机控制的性能。

技术领域

本发明涉及电机控制技术领域，尤其是涉及一种用于控制的电机转子温度预测方法及系统。

背景技术

电机作为机电能量转换的重要装置，具有结构简单、功率密度高，转矩密度高等优点，在电动汽车、电动船舶、风力发电等领域得到了广泛应用。然而在电机工作工作过程中损耗不可避免，损耗在电机内部转化成热，累积的热量使得电机各部位温度升高。过高的温升会对电机造成损害，主要体现在以下两个方面：

(1)高温造成定子绕组绝缘老化加快、脱落，严重时烧坏定子绕组。

(2)高温使得转子永磁体发生不可逆退磁或转子绕组故障，降低电机转矩输出能力，严重时电机丧失工作能力而报废。

对电机定子绕组而言，作为非旋转部件，其温度监测较为容易，一般在定子绕组中嵌入一定数量的温度传感器用以实时测量绕组温度。然而，作为高速旋转部件，实现对转子温度的直接测量具有很高的技术难度。一般都需要根据电机结构定制相应的测量方案，包括特定的热电偶、带孔的转子轴、高速滑环或无线信号传输设备等。这些都使得电机制造成本大大增加，且在实际应用中受到空间限制，上述针对转子温度进行直接测量的方法仅限于实验室或特殊应用场合。因此，有必要进行电机转子温度间接测量方法的研究。

目前，针对电机转子温度预测方法的研究主要有：磁链观测器、信号注入法、集中参数热网络模型。

(1)磁链观测器是利用已知的永磁电机永磁磁链与转子温度的关系，通过设计磁链观测器估算出永磁体磁链，进而反推出转子永磁体温度。但是该方法对测量误差十分敏感，且不适用于电机静止和低速的工况。

(2)信号注入法是在电机中注入直流或高频电压信号，根据系统对注入信号的响应确定转子温度。然而，在电机中注入相应信号会干扰电机的运行，同时带来额外的损耗。

(3)集中参数热网络模型类比电路模型，将电机中温度相近的点等效为一个节点，节点之间通过热阻连接，代表电机内部不同的热传输路径，不同部位材料对热量的存储效应用热容代替，最后得到描述各节点温度分布的热网络模型。该方法需要电机专业的背景知识，了解电机内部的几何结构与参数，同时需要一个准确的电机损耗模型，这些都限制了该方法的应用。

发明内容

本发明的目的就是为了克服上述现有技术存在需要电机专业的背景知识、准确的电机损耗模型，这些都限制了现有技术方法的应用的缺陷而提供一种用于控制的电机转子温度预测方法及系统。

本发明的目的可以通过以下技术方案来实现：

一种用于控制的电机转子温度预测方法，包括以下步骤：

电机试验步骤：在不同工况下对电机进行转子温度测量试验，所述不同工况包括电机工作在不同的状态、不同的转速与输出扭矩、不同的直流母线电压、不同冷却液体流量、不同的冷却液体温度和不同的环境温度；

数据获取步骤：在所述电机试验步骤的过程中，同步采集被试电机的电气、机械、温度时间序列数据，建立样本数据集；

数据建模步骤：根据所述样本数据集，对预先建立的深度学习模型进行训练，得到训练好的电机转子温度预测模型；