[发明专利]一种使用萤火虫群优化的永磁同步电动机模型预测速度控制方法及其控制器

说明书

本发明公开了一种使用萤火虫群优化的永磁同步电动机模型预测速度控制方法，包括对荧光素进行更新、在决策半径内找到更好的位置、计算出每个位置被选中的概率，计算移动步并更新萤火虫位置和设置最大迭代次数并更新决策域范围四个步骤，本发明还公开了一种使用萤火虫群优化的永磁同步电动机模型预测速度控制器，包括参考轨迹模块、滚动优化模块、反馈校正模块和预测模型模块。本发明可以在不同的工况下获得最合适的权重系数，从而获得高性能的速度控制。仿真和实验表明，本发明解决了控制器权重系数难以调整的问题以及固定参数导致的控制器性能不佳的问题，权重系数的实时变化使控制器具有良好的动态响应能力和鲁棒性。

技术领域

本发明涉及模型预测速度控制器领域，特别是涉及一种使用萤火虫群优化的永磁同步电动机模型预测速度控制方法及其控制器。

背景技术

随着永磁制造技术的发展，永磁同步电动机(PMSM)越来越受到关注。表贴式永磁同步电动机(SPMSM)广泛用于新能源汽车，机器人，数控机床等领域，其特点是速度响应快，功率密度高、效率高。对于SPMSM，目前使用的主要控制策略是磁场定向控制(FOC)和直接转矩控制(DTC)。这些控制方法不可避免地使用到比例积分(PI)控制器。PI控制器的主要问题是没有良好的参数整定方法，动态响应缓慢，鲁棒性差。

在微控制器性能得到提升后，非线性控制方法得到更多关注，特别是模型预测控制(MPC)，已被学界认为是代替PI控制的理想方法。MPC有两个主要控制策略：有限控制集模型预测控制(FCS-MPC)和连续控制集模型预测控制(CCS-MPC)。MPC的不同策略的基本操作是相似的。通过逆变器固有的离散切换开关性质，罗列可能的电压矢量，预测模型预测了每个可能的电压矢量对系统输出的影响并且通过最小化成本函数来选择最佳电压矢量。学者使用了各种策略来优化MPC控制方法。例如，一些学者通过两级鲁棒比较控制器间接确定参考电压矢量，以抑制电流谐波和扭矩纹波。一些学者使用电流测量误差观测器和干扰观测器来观测和补偿模型参数失配和电流测量误差引起的预测电流误差，从而提高了控制的鲁棒性。有些学者在一个周期内输出三个参考电压以获得最优的合成电压矢量从而减小转矩纹波，提高控制性能。一些学者提出了一种基于FCS-MPC的恒定开关频率控制方案，可以抑制电流谐波。然而，上述MPC控制策略仍然使用速度转矩控制方案或速度控制方案，这导致速度环中依然存在PI控制器，PI参数的设置对控制性能产生了很大的影响。不正确的PI参数会导致动态性能低，速度超调和转矩纹波。少数学者提出了一种新颖的模型预测直接速度控制方法。该方法介绍了可以同时控制机械和电气变量的控制律来克服PI控制器的缺点。实验结果表明，该方法具有比PI控制器更好的动态性能。但是，由于机械变量和电气变量的单位不同，必须设置权重系数。这个系数用于平衡速度和电流之间的控制性能，但是该方法没有成熟的手段来确定权重系数，其权重系数设置往往依靠经验和试错。设计单独的模型预测速度控制器似乎是解决PI控制器问题的好方法。然而权重系数的设置将不可避免的出现在预测模型或成本函数中。为了解决这个问题，有必要寻求新的优化方法。

许多优化技术都是受到自然的启发。群体智能算法是一种解决优化问题的技术。它可以利用群体优势和分布式搜索获得最优解，而无需集中控制和全局模型。这给了一些学者优化电机控制的启示。有学者提出了使用粒子群优化算法(PSO)来在线估计感应电机的定子和转子电阻，并通过实验验证了算法的可靠性、快速性和准确性。一些学者还使用粒子群算法跟踪时变定子电阻和负载转矩等参数，这种方法可用于抵消控制系统中的参数不确定性。一些学者使用粒子群算法通过评估任意工作点的最佳磁通量来获得最大效率，并将优化方法应用于速度控制器。一些学者提出了一种利用粒子群算法在线自适应调整DC电机控制系统参数的方案。仿真验证了该方法的有效性，然而，这钟算法需要很长时间才能收敛，需要将采样时间调整到5毫秒以上。

萤火虫群优化(GSO)算法是Krishnanand开发的一种新的群智能算法，它是从蚁群算法发展而来的。该算法一经提出，就引起了广泛的关注。与其他群体智能算法相比，GSO快速、高效、鲁棒性强，但存在陷入局部最优的问题。一种更简单有效的解决方法是使用自适应步长来提高算法的后期收敛速度，避免陷入局部最优。经过优化后的该算法具有应用于电机速度控制的潜力。