[发明专利]一种基于数据生成模型的异步电机参数在线辨识方法

说明书

本发明公开了一种基于数据生成模型的异步电机参数在线辨识方法。该方法融合了基于模型的辨识方法和基于数据的辨识方法的优点，整体思路为：①，首先通过离线数据建立输出转矩与状态间的概率模型，②，在线辨识过程中，将基于模型的辨识方法作为“数据产生器”，再采用基于数据的方法，结合①中的转矩概率模型，进行电机参数的在线辨识，最终得到电机参数辨识值的概率模型。本发明提出的方法的优点在于：辨识过程中，训练数据集很容易获得；辨识的参数不受模型误差的影响；辨识的参数使电机在运行中保持最优转矩电流比；辨识的参数考虑了电机运行过程中的不确定性，具有很高的鲁棒性。

技术领域

本发明涉及电机控制技术领域，特别涉及一种基于数据生成模型的异步电机参数在线辨识方法。

背景技术

异步电机在运行过程中，输出特性会随着内部参数的变化而改变。因此，有必要在电机运行的过程中，在线的对其参数进行辨识。传统的异步电机参数方法大多是基于电机的电压-电流动力学模型或等效电路模型，称为基于模型的方法，如模型参考自适应法(MRAS)、滑模观测器法(SMO)以及线性最小二乘法(LSM)等等。然而，基于模型的方法具有如下缺点：

1)参数的辨识精度和辨识收敛性极大的依赖于电机的等效模型，容易受到噪声和模型稳定性的影响。因此，在某些极端工况下(例如极低速、高速弱磁等)，存在着辨识精度低，鲁棒性差等缺点。

2)只能辨识出参数的物理值，然而，在一些情况下，这些参数的物理值并不能使电机运行在最优状态。例如，在使用间接矢量控制方法对电机进行控制时，为了保证转矩电流比最优，有时会人为的过估计或欠估计电机的转子时间常数，而并非使用转子时间常数的物理值。

3)电机在运行的过程中，参数的变化会经常受到各种不确定因素的影响，例如温度，湿度，振动，老化等等。然而，基于模型的辨识方法大多使用简化的等效模型，并没有考虑上述不确定性因素，因此，随着电机运行过程中不确定性因素的增多，辨识值与实际值之间的偏差会越来越大。

针对基于模型方法的上述缺点，学者和工程人员提出了一系列基于实测数据的电机参数辨识方法。如基于支持向量机的辨识方法(SVM)、基于粒子群优化的辨识方法(PSO)以及基于深度Q学习的辨识方法(DQL)等。此类方法不使用电机的等效模型，而是完全依赖于实测数据，因此不会受到模型误差的制约，具有更高的精确性和鲁棒性。然而，这类方法同样也存在一些缺陷：

1)基于数据的方法需要大量的带有标签的数据进行训练，此类数据的获取较为困难。

2)训练的过程为离线运行，和基于模型的方法一样，无法消除在线运行时各种不确定性因素的影响。因此，仅仅适用于电机参数的离线辨识。

发明内容

针对上述两类方法的缺陷，本发明提出了一种基于数据生成模型的异步电机参数在线辨识方法，该方法的思路为：在电机的运行过程中使用基于模型的方法实时产生训练数据，再使用该训练数据实时地生成一个概率模型。最后，通过生成的概率模型进行电机参数的辨识。

本发明采用的技术方案为：一种基于数据生成模型的异步电机参数在线辨识方法，本发明所述的方法分为两个阶段：