[发明专利]一种基于新息自适应扩展卡尔曼的PMSM无位置传感器控制方法

说明书

本发明提供了一种基于新息自适应扩展卡尔曼的PMSM无位置传感器控制方法，首先利用静止坐标系下的电流、电压信号，作为扩展卡尔曼(EKF)的输入，再通过迭代计算获取电机的转子位置与转速。为了提高EKF的抗扰性能，在EKF的新息序列计算上设置加权系数，并将加权得到的新息值导入到卡尔曼增益的计算。本发明在输入参数与噪声统计出现偏差情况，降低了误差信号对整个系统的影响，保证了扰动下观测器的鲁棒性，提高了电机转速与转子位置的预测精度，在永磁同步电机的无位置传感器中具有广泛的应用价值。

技术领域

本发明属于永磁同步电机控制领域，涉及一种基于新息自适应扩展卡尔曼的PMSM无位置传感器控制方法，具体涉及一种在永磁同步电机全转速范围内实现无传感器控制的系统模型。

背景技术

与直流电机相比，永磁同步电机(PMSM)具备高可靠性、低成本、易维护等优点，被广泛应用在高性能调速系统中，如电动汽车主驱电机、无人机、机器人、起重机等。在电机控制算法上，传统电机控制系统通常采用光电编码器或霍尔传感器来获取电机的转子位置和转速，使用传感器在增加成本的同时，还带来低可靠性、维护复杂等问题。因此，无传感器控制方式成为电机控制系统的重要研究方向。

要实现永磁同步电机的无位置传感器控制，常有滑模观测器和扩展卡尔曼滤波两种方法。滑模观测器主要观测动态模型中的反电动势信息来提取转子位置信息，在电机运行在中高速时，反电动势才较为明显，利于观测和提取，因此在低速下，常采用基于高频信号注入的方法。扩展卡尔曼滤波(EKF)是一种基于最小方差的迭代算法，近年来，高速浮点型处理器的发展解决了EKF计算量大的问题，并广泛应用在无传感器矢量控制系统中。作为一种迭代形式的离散计算方法，EKF结合系统的状态先验估计与测量反馈，再调整卡尔曼增益矩阵，得到该时刻下无限逼近系统状态真值的后验估计值。相比其他观测算法，EKF具备适用转速范围宽，抗扰性强等优点，因而成为电机状态估计研究的热点。

发明内容

本发明为解决扩展卡尔曼滤波在输入信号受到干扰或噪声统计偏差情况下，滤波器观测性能下降引起转子位置与转速估计误差大的问题。本发明提供了一种基于新息序列的自适应扩展卡尔曼滤波算法，通过对新息序列设置计算规则，调整新息协方差的计算方法，最终影响卡尔曼增益矩阵的计算，提高扩展卡尔曼滤波算法对转子位置与转速估计的估计性能。本发明具有鲁棒性强、精度更高、稳定性更好的优点。

为实现上述目的，本发明提供了一种基于新息自适应扩展卡尔曼滤波的无位置传感器控制方法，其特征在于，包括如下步骤：

(1)建立扩展卡尔曼滤波算法，输入为静止坐标系的电压与电流信号，输出为电机转速与转子位置，此部分包括：

(A)在静止坐标系下，建立永磁同步电机模型，可表示为如下：

其中R_s为定子电阻，L_s为定子电感，i_α、i_β、u_α、u_β分别为估计静止坐标系下的电流与电压分量，ω_e与θ分别为电机转速与转子位置。

(B)扩展卡尔曼滤波是卡尔曼滤波在非线性系统上的应用，为了更好的控制永磁同步电机，先对电机模型进行线性化与离散化处理，并建立扩展卡尔曼滤波的状态方程，状态方程表示如下：

其中x为状态变量，y为输出量，B为系统输入矩阵，H为输出矩阵，v为高斯白噪声，T_s为采样周期，上标“^”代表估计值，k|k-1表示从k-1时刻到k时刻的状态迁移。

(C)建立扩展卡尔曼算法的实现模型，主要包括：状态预测估计、协方差估计、卡尔曼增益计算、状态估计值校正、误差协方差阵更新，主要包含如下：