[发明专利]一种基于NLMS算法的永磁同步电机参数在线辨识方法

权利要求书

1.一种基于NLMS算法的永磁同步电机参数在线辨识方法，其特征在于，包括以下步骤：

1)构建Adaline神经网络辨识系统，采用NLMS算法对Adaline神经网络辨识系统的权值进行更新；

2)考虑逆变器非线性因素，构建永磁同步电机控制系统的离散域数学模型，结合步骤1)中Adaline神经网络辨识系统的辨识原理，简化永磁同步电机控制系统的离散域数学模型，得到分别用于迭代计算电机定子电阻、电感、转子磁链的辨识方程；

3)由步骤2)得到的电机定子电阻、电感、转子磁链的辨识方程计算得到Adaline神经网络辨识系统的各个矢量，构建基于NLMS算法的参数辨识器，用于辨识电机定子电阻、电感、转子磁链的值。

2.根据权利要求1所述的一种基于NLMS算法的永磁同步电机参数在线辨识方法，其特征在于：在步骤1)中，所述Adaline神经网络辨识系统称为自适应性神经网络辨识系统，其输入和输出关系如下式：

y＝WX＝∑W_iX_i (1)

式中：X、y、W分别是自适应线性神经网络辨识系统的输入、输出和权值，W_i、X_i分别是权值和输入的第i个分量；在该自适应线性神经网络辨识系统中，采用NLMS算法进行迭代更新权值，辨识系统方程如下：

式中：X(k)、y(k)、W(k)为第k个采样时刻自适应线性神经网络辨识系统的输入矢量、输出矢量和权值矢量；d(k)是第k次采样的期望输出矢量；ε(k)是自适应线性神经网络辨识系统输出与期望输出的偏差；W(k+1)为第k+1个采样时刻的权值矢量；X^T(k)为输入信号X(k)的转置矩阵；η为权值计算的步长，取值范围是0＜η＜2；δ是为了防止输入矢量X(k)的内积过小导致权值步长变化过大而引入的小整数，取0.0001；通过不停的迭代计算，每次迭代根据目标输出值及Adaline神经网络辨识系统输出的偏差ε(k)，采用NLMS算法更新权值矢量W(k+1)，并且继续进行迭代计算，直到ε(k)小于要求值。

3.根据权利要求1所述的一种基于NLMS算法的永磁同步电机参数在线辨识方法，其特征在于：在步骤2)中，所述考虑逆变器非线性因素是指忽略表贴式永磁同步电机的磁饱和以及铁损耗；所述Adaline神经网络辨识系统的辨识原理是指分别将电机定子电阻、电感、转子磁链作为Adaline神经网络辨识系统的权值矢量进行迭代计算；所述电机定子电阻、电感、转子磁链的辨识方程由以下步骤求得：

2.1)永磁同步电机在d-q同步旋转坐标系下的电压方程为：

式中：u_d、u_q分别是定子电压的d、q轴分量；i_d、i_q分别是定子电流的d、q轴分量；R为定子绕组的电阻；L_s为电机电感；ω为电机的电角速度；Ψ_m为转子磁链幅值；

2.2)在考虑逆变器非线性因素时，式(3)的离散域数学模型为：

其中，

式中：V_dead为考虑逆变器非线性因素的等效补偿电压；k为采样次数；θ为转子位置；i_as、i_bs、i_cs为电机三相电流；D_d(k)函数是均值为0的6次谐波；D_q(k)是含有直流分量的6次谐波，函数sgn(i)的定义为：

电机在起动到转速稳定的短时间阶段，定子电阻不会发生大变化，注入d轴电流可实现电机定子电阻的初步辨识；

2.3)当电机转速为0时，即ω＝0，注入d轴电流，式(4)简化为：

式中：u_d0(k)、u_q0(k)和i_d0(k)、i_q0(k)分别为电机静止状态下第k次采样得到d、q轴电压和电流；对式(7)进行变换，消除误差电压得到：

u_d0(k)D_q0(k)-u_q0(k)D_d(k)＝Ri_d0(k)D_q(k)-Ri_q0(k)D_d(k) (8)

定子电阻通过式(8)进行初步辨识；

2.4)在i_d＝0的控制策略下，式(4)简化为：

对式(9)中的第一个方程进行平均得到：

式中：分别是u_d(k)、ω(k)、i_q(k)经过滤波后的直流分量；D_d(k)是均值为0的6次谐波，V_deadD_d(k)的直流分量为0；式(10)中不含误差电压且其未知参数只有L_s，将式(10)用作迭代计算电感的辨识方程；

2.5)对式(7)中第二个方程进行变换，消除误差电压得到：

u_d(k)D_q(k)-u_q(k)D_d(k)＝-L_sω(k)i_q(k)D_q(k)-Ri_q(k)D_d(k)-ψ_mω(k)D_d(k) (11)

式(11)中的定子电阻已通过电机静止时电流注入的方式计算出来，电感L_s也通过式(10)计算得到，因此，式(11)能够用作迭代计算转子永磁体磁链ψ_m的辨识方程。

4.根据权利要求1所述的一种基于NLMS算法的永磁同步电机参数在线辨识方法，其特征在于：在步骤3)中，所述Adaline神经网络辨识系统的各个矢量分别指的是输入矢量、输出矢量、期望输出矢量和权值矢量；构建基于NLMS算法的参数辨识器，用于辨识电机定子电阻、电感、转子磁链的值，包括以下步骤：

3.1)由式u_d0(k)D_q0(k)-u_q0(k)D_d(k)＝Ri_d0(k)D_q(k)-Ri_q0(k)D_d(k)得，电机定子电阻R的初步辨识器为：

式中：k表示采样次数；u_d0(k)、u_q0(k)和i_d0(k)、i_q0(k)分别为电机静止状态下第k次采样得到d、q轴电压和电流；D_d(k)函数是均值为0的6次谐波；D_q(k)是含有直流分量的6次谐波；

在电机起动后，短时间运行状态下电机的电阻保持不变；在电机运行至稳定转速后，通过辨识得到的电感L_s和转子磁链Ψ_m对电阻值进行更新辨识，基于NLMS算法的电机定子电阻辨识器为：

式中：k表示采样次数；X(k)是在第k时刻的输入矢量；u_d(k)、u_q(k)和i_d(k)、i_q(k)分别为第k次采样得到d、q轴电压和电流；D_d(k)函数是均值为0的6次谐波；D_q(k)是含有直流分量的6次谐波；O(k)是第k个采样时刻的Adaline神经网络辨识系统输出矢量；ε(k)是第k次采样的误差信号；d(k)是第k次采样的期望输出矢量；ω(k)是第k次采样的角速度；Ψ_m是转子磁链；η为权值计算的步长，取值范围是0＜η＜2；δ是为了防止输入矢量X(k)的内积过小导致权值步长变化过大而引入的小整数，取0.0001；R(k)和R(k+1)分别是第k次采样和第k+1个采样的电机定子电阻R的辨识值；

3.2)由式得，基于NLMS算法的电感辨识器为

式中：L_s(k)和L_s(k+1)分别是第k次采样和第k+1次采样的电感辨识值；分别是u_d(k)、ω(k)、i_q(k)经过滤波后的直流分量；

3.3)由式u_d(k)D_q(k)-u_q(k)D_d(k)＝-L_sω(k)i_q(k)D_q(k)-Ri_q(k)D_d(k)-ψ_mω(k)D_d(k)得，基于NLMS算法的转子磁链辨识器为：

式中：ψ_m(k)和ψ_m(k+1)分别是第k个采样时刻和第k+1个采样时刻的转子磁链的辨识值。