[发明专利]一种数据驱动的异步电机动力学模型建模方法

说明书

本发明涉及一种数据驱动的异步电机动力学模型建模方法，使用异步电机的实际运行数据来建立异步电机的动力学模型，并且使用数据驱动型非线性动力学稀疏表征方法来辨识动力学模型中的系数；与传统基于等效电路的异步电机动力学建模方法相比，本发明所建立的异步电机动力学模型不会受到模型误差的影响，且对噪声的鲁棒性更高；另一方面，相较于其他的数据驱动型动力学建模方法，例如神经网络、支持向量机等，本发明所建立的异步电机动力学模型结构更为简洁，且更具有可解释性。

技术领域

本发明涉及电机控制技术领域，特别涉及一种数据驱动的异步电机动力学模型建模方法。

背景技术

电机控制的首要问题就是电机的建模问题，电机的数学模型是电机控制理论研究和电机控制系统产品研发中最为重要的工具。在电机控制领域中，学者和工程师往往会根据应用场景的不同建立两种电机数学模型：一种为稳态模型，或者称之为静态模型；另一种为动力学模型，或者称之为动态模型。稳态模型只考虑电机的稳态过程而不考虑电机的动态过程，这种模型一般为y＝f(u)的形式，其中y为输出变量，u为输入变量。稳态模型的建模方法往往较为简单，既可以使用基于机理的电机稳态模型建模方法(例如等效电路方法)，也可以使用基于数据的电机稳态模型建模方法(例如神经网络、支持向量机、随机森林等方法)，在此不再赘述。相较于稳态模型，电机动力学模型的建立过程往往更加复杂，其原因在于动力学模型不仅要包含电机稳定运行时的稳态信息，同时也要包含电机状态发生变化时的动态信息。在学术界和工业界一般采用基于机理的状态方程形式来描述电机的动力学模型，即dx/dt＝Ax+Bu的形式，其中x为电机的状态变量，u为电机的输入变量，A和B分别是x和u的系数矩阵。迄今为止，学者们研究的电机动力学模型的建模方法往往都是基于机理的，称之为模型驱动方法，具体来说，就是在等效电路模型的基础上，使用小信号分析法进行电机动力学模型的建立。而对于数据驱动型的电机动力学模型建模方法的研究，至今仍处于空白状态。究其原因，是因为现阶段对数据驱动型的系统的动力学模型建模方法研究仍不够深入，特别是还不能建立起一种结构简洁，具有可解释性的数据驱动型动力学模型的建模方法。例如，微分神经网络是近两年提出的数据驱动动力学模型建模方法，这种方法可以建立系统的神经网络型动力学模型，然而这种模型结构往往过于复杂，也缺乏可解释性，无法满足电机领域内高实时性、高可靠性和高鲁棒性的要求。

发明内容

本发明技术解决问题：克服现有技术的不足，提供一种数据驱动的异步电机动力学模型建模方法，具有结构简单、易于解释、不受模型误差影响、以及对噪声鲁棒性高等优势。

本发明方法的思路为：本发明一种数据驱动的异步电机动力学模型建模方法为：①在异步电机实际运行过程中，采集电机各个时刻的运行数据，包括：电机的d-q轴电压数据v_sd、v_sq；电机的d-q轴电流数据i_sd、i_sq，电机的转子位置数据θ以及电机的转速数据ω_r；②建立的电机动力学模型为dx/dt＝ΞΘ(x,u)的形式,其中x为动力学模型的状态向量，u为动力学模型中的输入向量，Θ(x,u)为状态x和输入u组成的字典库，Ξ为系数矩阵，同时，将v_sd、v_sq以及ω_r作为动力学模型的输入向量u，记为u＝[v_sd,v_sq,ω_r]，将i_sd、i_sq以及θ作为动力学模型的状态x，记为x＝[i_sd,i_sq,θ]；③使用①中采集的数据，利用数据驱动型非线性动力学稀疏表征方法进行②中动力学模型的系数矩阵Ξ的辨识，从而建立最终的数据驱动异步电机动力学模型，该模型可以作为传统电机模型的替代模型或改进模型，从而指导研究人员进行新的电机控制技术的研究开发。

具体方法分为三个阶段：