[发明专利]基于NNs-MRAS无速度传感器双馈电机LQR控制方法

说明书

技术领域

本发明涉及一种双馈电机LQR控制方法，尤其涉及一种基于NNs-MRAS无速度传感器双馈电机LQR控制方法。

背景技术

高动、稳态性能的双馈电机调速控制系统需要安装速度传感器来获得准确的电机转速进行闭环控制。但是，高精度速度传感器价格昂贵，安装维护困难，与此同时，速度信号经信号线传输途中极易串入干扰噪声，降低了速度观测的准确性。倘若观测的速度信息丢失，将直接导致双馈电机磁链与转矩的解耦不彻底，影响控制系统性能，甚至会导致电机的启动电流冲击过大，这将直接损坏变频器及电机。

近年来双馈电机的无速度传感器控制逐渐引起学者们的广泛关注。早期的直接开环计算法，虽然直观性较强，但无任何误差校正环节,电机参数波动对观测的准确性影响突出。针对开环观测方法的不足，分别提出了不同的闭环观测方法，典型的有基于转矩角、功率角、励磁电流、定子电压、模型参考自适应(MRAS)以及非线性策略的闭环速度观测法。对现有文献进行分析，基于转矩角的闭环观测方法需要对转子电压作积分运算，引入了积分漂移；基于功率角的速度观测方法避免了转子电压的积分运算，但其速度观测受电流内环控制精度的影响；基于励磁电流和定子电压的观测方法，原理简单且控制明了，但其速度观测回路与双馈电机控制回路之间相互耦合，系统设计较为复杂，难以保证其高效性；提出了将扩展卡尔曼滤波法应用于双馈电机转速观测，计算量太大，转速估算精度同样受电机参数变化的影响。分析可得，目前具有良好应用前景的双馈电机速度观测方法多基于MRAS，但MRAS在动态情况下转速辨识的精度会下降。为了弥补MRAS的不足，本文采用基于定子磁链的神经网络-模型参考自适应(Neuralnetworks-MRAS，简记为NNs-MRAS)速度观测方法，通过偏差反传算法对人工神经网络进行训练，使其具有良好的参数辨识能力，能够有效实现双馈电机转速的观测。

与此同时，在双馈电机控制系统中，多采用基于矢量控制的双闭环结构，决定系统控制效果的内环控制器多为传统的PI控制器，而PI控制器仅考虑了系统在某一运行状态附近的稳态模型，忽略了其瞬态特性，其动态响应较慢。鉴于该系统具有变量多、耦合性强的特点，同时速度观测模型是一个动态变化的子系统，此时，PI参数难于整定，因此如何实现控制器参数的优化设计成为了学者研究的热点之一。基于线性二次型最优控制算法(LQR)的控制器具备控制目标明确、实现简单、动态性能好等优点，广泛应用于有源电力滤波器控制、风力发电桨距控制、鼠笼电机调速控制等领域，本发明以双馈电机为控制对象，设计了LQR控制器，实现了内环控制器的最优设计，改善了系统的动、静态性能。

发明内容

本发明正是针对现有技术中存在的技术问题，提供了一种基于NNs-MRAS无速度传感器双馈电机LQR控制方法，该方法实现了电流闭环参数的最优控制，改善了系统的动、静态性能。

为了实现上述目的，本发明的技术方案如下，

基于NNs-MRAS无速度传感器双馈电机LQR控制方法，包括以下几个步骤：

1)采用差分算法建立NNs-MRAS速度观测模型，NNs-MRAS模型输出为当前采样时刻的定子磁链估测值；

2)通过偏差反传算法对神经网络模型进行训练，使其具有良好的转速观测能力；3)得出基于两相同步旋转坐标系下转子电流的线性二次型最优控制算法的控制器(LQR)；

4)通过状态反馈控制增益，实现电流闭环参数的最优控制。

优选的，所述步骤1)中NNs-MRAS速度观测模型可由双馈电机在两相静止坐标系下的数学模型得到，其公式为：

式中：x_i(i＝1,2,3,4,5)为NNs模型的状态变量；w_i(i＝1,2,3,4,5)为状态变量对应的权系数；w₁＝1；w₂＝ω_rT_s；

x₃＝[-i_rα(k-1) -i_rβ(k-1)]^T；w₄＝ω_rT_sb；

x₄＝[-i_rβ(k-1) i_rα(k-1)]^T；w₅＝L_sT_s；