[发明专利]一种包含参数跟踪的感应电机状态强跟踪滤波估计方法

说明书

本发明涉及一种包含参数跟踪的感应电机状态强跟踪滤波估计方法，其技术特点是：采用PSO迭代学习动态优化算法对感应电机参数的在线跟踪；采用STF算法对感应电机转速与转子磁链的联合估计。本发明采用包含参数跟踪的强跟踪滤波估计算法对感应电机的转速与转子磁链进行联合估计，能够有效实现对感应电机转速与转子磁链的高性能估计，与EKF相比，包含参数跟踪的STF算法在估计精度、跟踪速度和稳定性方面更优越，并且能够快速跟踪突变状态，尤其在低速段仍能保持较好的估计性能，有效提高了状态估计精度和算法鲁棒性，为实现感应电机无速度传感器高性能矢量控制奠定了基础。

技术领域

本发明属于电机控制与状态估计技术领域，尤其是一种包含参数跟踪的感应电机状态强跟踪滤波估计方法。

背景技术

在感应电机高性能矢量控制系统中，转子磁场定向矢量控制可以实现转矩与磁链的解耦控制功能，其具有优越的动态性能，是目前应用最为广泛的控制方法。转速与磁链的闭环控制是实现磁场准确定向和高性能速度控制的关键，尤其在无速度传感器控制中，不仅要求其具有较高的转速控制精度、快速的动态响应能力，而且还需要具有较强的模型鲁棒性。随着高性能矢量控制的要求不断提高和无速度传感器容错控制技术的发展，如何快速准确地获取感应电机的转速和磁链信息，提高转速估计精度和磁链观测性能，以实现高性能状态反馈控制显得极为重要。

目前对感应电机参数辨识和状态估计的研究主要方法集中在改进电压-电流模型、模型参考自适应、自适应状态观测器、扩展卡尔曼滤波器(Extended Kalman Filter，EKF)以及人工智能方法。改进的电压-电流模型方法在一定程度上克服了电压模型法和电流模型法的缺点，但对电机参数的鲁棒性差，属于开环系统，并且两种模型在切换过程中存在抖动。模型参考自适应方法过度依赖参考模型的准确性，电机参数的变化影响状态估计精度和控制效果，而对电机参数进行在线辨识将大大增加控制器负荷和自适应律设计难度。自适应状态观测器方法受电机参数变化和噪声干扰的影响较小，但磁链观测的不确定性会导致转速自适应律在全速范围内不能满足正实性，并且受电机状态方程固有极点的限制和反馈增益矩阵设计的影响，低速发电状态的转速估计性能不如高速场合，可能会出现观测器不稳定的现象。扩展卡尔曼滤波算法可以解决非线性系统的状态估计问题，并且能够削弱测量噪声及随机干扰的影响，但是但EKF算法对电机模型不确定性和参数变化的鲁棒性较差，尤其对突变状态的跟踪可能引起不稳定。

发明内容

本发明的目的在于克服现有技术的不足，提出一种包含参数跟踪的感应电机状态强跟踪滤波估计方法，解决感应电机参数变化及模型不确定性引起的转速与磁链估计性能差，尤其是对突变状态不能快速准确跟踪和低速运行时的估计精度低的问题，提高状态估计精度和算法鲁棒性。

本发明解决其技术问题是采取以下技术方案实现的：

一种包含参数跟踪的感应电机状态强跟踪滤波估计方法，包括以下步骤：

步骤1、选择感应电机的定子电流i_s、转子磁链ψ_r及电机转速ω_r作为状态变量，建立电机两相静止αβ坐标系下离散化的状态空间方程；

步骤2、初始化状态变量值状态误差协方差矩阵P(0|0)以及噪声协方差阵Q(k)和R(k)；

步骤3、构建与感应电机模型结构相同的辨识模型，并设置粒子群优化算法的参数：种群规模为N，最大迭代次数为iter_max，惯性权重系数为w_max及w_min，加速因子为c₁＝c₂，限制因子为χ，罚因子为γ；

步骤4、采用粒子群迭代学习优化算法进行动态优化辨识，计算辨识模型与参考系统的输出的残差e，通过适应度函数进行评价，辨识定子电阻R_s、定子电感L_s及转动惯量J；

步骤5、将第k步的辨识参数传到状态空间方程中，修正强跟踪滤波器的系数矩阵；