永磁同步电机状态量预测模型构建方法及状态量预测方法

1.本发明属于永磁同步电机状态监控领域，具体涉及一种永磁同步电机状态量预测模型构建方法及状态量预测方法。


背景技术：

2.永磁同步电机(permanent magnet synchronous motor，pmsm)的物理状态量的监控与预测对于确保电机正常安全工作有着重要价值。目前已经有明确的物理公式描述电机状态参数的变化模式，例如q轴电流、d轴电流、电机转速等，但仍无法准确地估计它们在未来时刻的值，因为电机中的传感器实际记录的信号，例如q、d轴电压等是离散的时间序列，而且电机的定子电阻、永磁体磁链等电机参数不是恒定的，导致直接根据物理公式估计的电机状态量存在时间上的滞后，并且公式参数与实际参数之间也存在一定的偏差，从而影响计算值的准确性，无法对状态参数进行准确预测。


技术实现要素：

3.鉴于现在技术中存在的上述问题，本发明实施例提供了一种永磁同步电机状态量预测模型构建方法及状态量预测方法，基于深度学习神经网络并结合pmsm状态参数物理变化原理，构建状态量预测模型，再通过模型进行状态量预测，提高pmsm状态量预测的实时性和准确性。
4.为了实现上述目的，本发明采用的技术方案如下：
5.第一方面，本发明实施例提供了一种永磁同步电机状态量预测模型构建方法，包括如下步骤：
6.步骤s1，按预定频率采集预定时间段内的永磁同步电机历史数据，每一个数据点包括采样时刻的驱动物理量和对应的状态量；
7.步骤s2，对所采集的历史数据进行预处理；
8.步骤s3，计算每个数据点中的每个驱动物理量与状态量之间的相关性，并将满足第一相关性阈值的驱动物理量进行合并，构建第一驱动物理量集合；计算所述第一驱动物理量集合中所有驱动物理量两两之间的相关性，并对达到第二相关性阈值的驱动物理量进行筛选，筛选时保留相关性最大的驱动物理量，删除其他参与筛选的驱动物理量，得到第二驱动物理量集合；计算所有数据点中属于第二驱动物理量集合中的不同时刻的同一驱动物理量间的相关性，并根据第三相关性阈值确定驱动物理量的时间窗长度；
9.步骤s4，将每个采样时刻的第二驱动物理量集合与对应的状态量合并，构成一个初始样本；根据时间窗长度设置滑动窗口及步长，并根据所设置的滑动窗口及步长对所有初始样本进行滑窗处理，每个滑窗内的样本构成一个初始样本集合；将初始样本集合中的终点时刻对应的所有驱动物理量进行拼接作为同时期信息输入量，将其他时刻对应的所有驱动物理量和状态量进行拼接作为历史期信息输入量，将终点时刻对应的状态量作为输出，构建为一个样本点；再根据预定比例，将所有样本点划分为训练集和验证集；
10.步骤s5，搭建状态量预测模型，所述状态量预测模型包括两个学习模块、一个融合模块，并根据滑动窗口及步长进行参数设置；两个学习模块分别为同时期信息学习模块和历史期信息学习模块；
11.步骤s6，采有训练集对所述状态量预测模型进行训练，并根据在验证集上的预测效果调整网络的超参数以获得最优预测模型。
12.作为本发明的一个优选实施例，步骤s3中，所述计算每个数据点中的每个驱动物理量与状态量之间的相关性或计算第一驱动物理量集合中所有驱动物理量两两之间的相关性时，采用皮尔逊相关系数、互信息等度量方法进行计算；所述计算所有数据点中属于第二驱动物理量集合中的不同时刻的同一驱动物理量间的相关性时，采用自相关函数进行度量。
13.作为本发明的一个优选实施例，步骤s4中所述滑窗处理，假设共有n个采样时刻的初始样本构成时间数据序列x＝{x1，x2，...，xn}，滑动窗口的长度为l，步长为s，则对时间数据序列进行滑窗处理后得到如下形式的((n-l)/s)+1个初始样本集合：
14.{[x1，...，x
l
]，[x
1+s
，...，x
1+s+l
]，[x
1+2s
，...，x
1+2s+l
]，...，[x
(n-l)/s+1
，...，xn]}；
[0015]
在每个初始样本集合中，以终点时刻为t时刻，对应的模型输入变量的数据单独提取出来并拼接在一起[u
q，t
，u
d，t
]，作为网络模型的同时期信息输入量；将t时刻之前的一个滑动窗口长度内的驱动物理量和状态量进行拼接得到历史期信息输入量，如下所示：
[0016]
[speed
t-l
，...，speed
t-1
；torque
t-l
，...，torque
t-1
；i
q，t-l
，...，l
q，t-1
；i
d，t-l
，...，i
d，t-1
]。
[0017]
作为本发明的一个优选实施例，步骤s4中，进行样本点划分时，按时间轴进行划分，前70％的时间序列数据作为训练集，后30％的数据作为验证集，同时训练集的最后一个时刻和验证集的第一个时刻之间保留至少一个时间窗长度的时间距离。
[0018]
作为本发明的一个优选实施例，步骤s5中，同时期信息学习模块采用全连接网络fcn/前馈神经网络结构fnn；历史期信息学习模块采用循环神经网络结构rnn；两个学习模块合并后再与融合模块连接。
[0019]
作为本发明的一个优选实施例，所述融合模块采用前馈神经网络或者循环神经网络结构。
[0020]
作为本发明的一个优选实施例，所搭建的状态量预测模型如公式(1)所示：
[0021]
y＝g([f
his
(x2；θ2)+f
ins
(x1；θ1)]；θ3)
ꢀꢀꢀꢀ
(1)
[0022]
式(1)中，y是模型输出，x1是模型同时期信息输入量，x2是模型历史期信息输入量；f
ins
，f
his
，g分别表示同时期信息学习模块函数、历史期信息学习模块函数和融合模块的函数，其中θ1，θ2，θ3分别表示同时期信息学习模块、历史期信息学习模块及融合模块的网络参数。
[0023]
第二方面，本发明实施例还提供了一种永磁同步电机状态量预测方法，所述方法基于上述方法所构建的状态量预测模型实现，除包括上述模型构建的过程，还包括：
[0024]
步骤s7，采集永磁同步电机当前时刻的第二驱动物理量集合中对应的所有驱动物理量，并进行拼接后得到同时期信息输入量；
[0025]
步骤s8，采集当前时刻前一个滑动窗口长度内的每个采样时刻的所有第二驱动物理量及状态量，进行拼接后得到历史期信息输入量；
[0026]
步骤s9，将同时期信息输入量和历史期信息输入量同时输入最优预测模型中，输出预测的状态量。
[0027]
本发明实施例具有如下有益效果：
[0028]
本发明实施例所提供的永磁同步电机状态量预测模型构建方法及状态量预测方法，基于深度学习神经网络并结合pmsm状态参数物理变化原理，构建状态量预测模型，再通过模型进行状态量预测，显著提高了pmsm状态量预测的实时性和准确性；并且，得益于准确实时的状态量预测结果，对预测的状态量进行评估能够及时地发现电机运行过程中可能出现的安全隐患，例如，通过比较状态量的估计值和真实测量值，能够监测电机是否处在正常的工作状况；此外，估计值和真实测量值之间的偏差程度有助于工作人员辨别电机故障的具体情况，例如电机的定子绕组发生短路故障等。
附图说明
[0029]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0030]
图1为本发明实施例所提供的永磁同步电机状态量预测模型构建方法流程图；
[0031]
图2为本发明实施例所提供的永磁同步电机状态量预测模型结构图。
具体实施方式
[0032]
本技术发明人在发现上述问题后，对现有的永磁同步电机状态量的预测方法进行了细致研究。研究发现，目前尚无基于状态量变化的原理进行状态监测的模型或方法。而pmsm电机的运作实际是一个复杂的非线性系统，如果想要预测这个系统的某些物理量在未来某一时刻的状态势必要准确刻画这个系统的演化情况。传统的刻画复杂非线性系统的方式当属将非线性关系做局部线性近似，并简化物理参数。然而在pmsm电机的状态预测领域中，由于不同工况下的状态差异巨大且实际环境的温度、磁场的影响，线性近似的误差及其容易被放大，同时误差累积更导致其不适用于长期的预测。
[0033]
在时间序列分析领域中，深度学习被认为具有强大的时间序列建模能力的方法，尤其当中的循环神经网络(rnn)因为能够有效捕捉时间上的依赖关系而被广泛应用在自然语言处理、基于生理信号的情绪识别等方面。因此，用于时间序列预测任务的深度学习方法不需要显式定义复杂系统的具体形式，仅通过最小化回归误差不断更新网络层神经单元间的连接权重，最终训练完成的神经网络被视为学习到了复杂系统的演化模式。
[0034]
然而注意到虽然理论上网络模型基于训练数据能够学习到真实的物理系统模式，但实际的训练过程却存在巨大的挑战。训练过程本质上是在优化网络的权重参数以获得最小化的经验风险——预测值和真实值的差异，最直接的距离度量方式便是计算均方误差(损失函数)；目前理论上只有“凸优化”问题的局部最小值可以被证明为全局最小值，然而神经网络的学习并不一定属于“凸优化”，这意味着网络可能学习到参数空间中一个局部邻域里的最低点，同时损失函数(预测值和真实值差异)仍然相对较大。因此，如何进行网络结构设计，以保证网络即使学习到一个局部最优却依然拥有理想的损失大小，仍然是个问题。
[0035]
同时，目前还没有针对pmsm电机状态预测任务而专门设计提出的深度神经预测模型结构，而pmsm电机的运作有明确的定性的物理关系，例如q、d轴的电流的一阶导是电机转速speed、电机q、d轴的电压和其它诸如定子电阻rs等电机参数构成的非线性函数。因此，如何结合以上的先验物理知识，构造合适的用于pmsm电机状态预测的网络模型仍然需要进行深入研究。
[0036]
应注意的是，以上现有技术中的方案所存在的缺陷，均是发明人在经过实践并仔细研究后得出的结果，因此，上述问题的发现过程以及下文中本发明实施例针对上述问题所提出的解决方案，都应该是发明人在本发明过程中对本发明做出的贡献。
[0037]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征也可以相互组合。
[0038]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。在本发明的描述中，术语“第一”、“第二”、“第三”、“第四”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0039]
经过上述深入分析后，本技术提出了一种永磁同步电机状态量预测模型构建方法及状态量预测方法，基于深度学习的人工智能方法并结合pmsm电机的领域知识，进行预测模型的构建，利用具有明确物理关系的驱动物理量的当前时刻(瞬时)和过去时刻(历史)的信息、响应物理量的过去时刻(历史)的信息，实现对当前时刻(瞬时)的响应物理量的预测，以实现pmsm电机的实时状态量的预测和监控任务，提高状态量预测的实时性和准确性。
[0040]
参见图1，本发明实施例所提供的永磁同步电机状态量预测模型构建方法，包括如下步骤：
[0041]
步骤s1，按预定频率采集预定时间段内的永磁同步电机历史数据，每一个数据点包括采样时刻的驱动物理量和对应的状态量。
[0042]
本步骤中，所述驱动物理量，是与采样时刻的永磁同步电机的状态量相对应的其他参量，包括：电机开关状态、母线电压、d轴电压、q轴电压和/或a、b、c轴三相电流等。每个数据点对应一个采样时刻。
[0043]
步骤s2，对所采集的历史数据进行预处理，包括数据提取、缺失值处理、数据归一化等。
[0044]
本步骤中，所述数据提取是将输入数据的格式调整为统一的格式、调整数据时间戳和去除重复数据；所述缺失值处理是使用线性插值的方式补充缺失的数据点；所述数据归一化是对pmsm电机的时间序列数据进行min-max归一化处理。
[0045]
步骤s3，计算每个数据点中的每个驱动物理量与状态量之间的相关性，并将满足第一相关性阈值的驱动物理量进行合并，构建第一驱动物理量集合；计算所述第一驱动物理量集合中所有驱动物理量两两之间的相关性，并对达到第二相关性阈值的驱动物理量进行筛选，筛选时保留相关性最大的驱动物理量，删除其他参与筛选的驱动物理量，得到第二驱动物理量集合；计算所有数据点中属于第二驱动物理量集合中的不同时刻的同一驱动物理量间的相关性，并根据第三相关性阈值确定驱动物理量的时间窗长度，具体地，选取使得
每个驱动物理量的第三相关性达到阈值的所有窗口长度可取值所构成的集合中的最小值作为时间窗长度，如果这样的集合不存在则降低该阈值直到这样的集合不为空。
[0046]
本步骤中，所述计算每个数据点中的每个驱动物理量与状态量之间的相关性或计算第一驱动物理量集合中所有驱动物理量两两之间的相关性时，采用皮尔逊相关系数、互信息等度量方法进行计算；所述计算所有数据点中属于第二驱动物理量集合中的不同时刻的同一驱动物理量间的相关性时，采用自相关函数进行度量。所计算的相关性，均指数据间的相关性强度。
[0047]
步骤s4，将每个采样时刻的第二驱动物理量集合与对应的状态量合并，构成一个初始样本；根据时间窗长度设置滑动窗口及步长，并根据所设置的滑动窗口及步长对所有初始样本进行滑窗处理，每个滑窗内的样本构成一个初始样本集合；将初始样本集合中的终点时刻对应的所有驱动物理量进行拼接作为同时期信息输入量，将其他时刻对应的所有驱动物理量和状态量进行拼接作为历史期信息输入量，将终点时刻对应的状态量作为输出，构建为一个样本点；再根据预定比例，将所有样本点划分为训练集和验证集。
[0048]
本步骤中，所有初始样本，对应步骤s1中采样频率下的所有采样时刻；每个时间窗口内包含具有预定相关性即相关强度的样本数量，或采样时刻点。
[0049]
本步骤中，所述滑窗处理，假设共有n个采样时刻的初始样本构成时间数据序列x＝{x1，x2，...，xn}，滑动窗口的长度为l，步长为s，则对时间数据序列进行滑窗处理后得到如下形式的((n-l)/s)+1个初始样本集合：
[0050]
{[x1，...，x
l
]，[x
1+s
，...，x
1+s+l
]，[x
1+2s
，...，x
1+2s+l
]，...，[x
(n-l)/s+1
，...，xn]}；
[0051]
然后，在每个初始样本集合中，以终点时刻为t时刻，对应的模型输入变量(电机q、d轴的电压)的数据单独提取出来并拼接在一起[u
q，t
，u
d，t
]，作为网络模型的同时期信息输入量；将t时刻之前的一个滑动窗口长度内的驱动物理量(电机的开关状态、电机q、d轴的电压)和状态量(电机转速speed、电机电磁转矩torque、电机q、d轴的电流)进行拼接得到历史期信息输入量，如下所示：[speed
t-l
，...，speed
t-1
；torque
t-l
，...，torque
t-1
；i
q，t-l
，...，i
q，t-1
；i
d，t-l
，...，i
d，t-1
]
[0052]
本步骤中，进行样本点划分时，按时间轴进行划分，优选为前70％的时间序列数据作为训练集，后30％的数据作为验证集，同时训练集的最后一个时刻和验证集的第一个时刻之间保留至少一个时间窗长度的时间距离，以避免验证集上的信息泄漏到训练集当中。
[0053]
步骤s5，搭建状态量预测模型，并根据滑动窗口及步长进行参数设置。
[0054]
本步骤中，所述搭建状态量预测模型，包括选取模型零件、创建模型结构、确定模型参数。其中，选取的模型零件包括前馈神经单元、循环神经单元、relu激活函数、和/或批正则化层等，所述创建模型结构包括含有批正则化层的多层前馈神经网络、含有批正则化层的多层循环神经网络结构搭建，所述确定模型参数包括模型接收输入数据的尺寸、模型输出数据的尺寸、模型的各个模块包含的神经网络的层数以及每层神经网络所包含的神经单元个数等。
[0055]
本步骤中，所搭建的状态量预测模型，如图2所示，包括两个学习模块、融合模块，其中，第一学习模块为同时期信息学习模块，采用全连接网络/前馈神经网络结构(full connected network/feedforward neural network，fcn/fnn)；第二学习模块为历史期信息学习模块，采用循环神经网络结构(recurrent neural network，rnn)；所述融合模块采
用全连接网络或者循环神经网络结构。两个学习模块合并后再与融合模块连接，最后输出预测的状态量。
[0056]
具体地，所构建的状态量预测模型如公式(1)所示：
[0057]
y＝g([f
his
(x2；θ2)+f
ins
(x1；θ1)]；θ3)
ꢀꢀꢀꢀ
(1)
[0058]
式(1)中，y是模型输出，x1是模型同时期信息输入量，x2是模型历史期信息输入量；f
ins
，f
his
，g分别表示同时期信息学习模块函数、历史期信息学习模块函数和融合模块函数，其中θ1，θ2，θ3分别表示同时期信息学习模块、历史期信息学习模块及融合模块的网络参数。
[0059]
步骤s6，采有训练集对所述状态量预测模型进行训练，并根据在验证集上的预测效果调整网络的超参数(激活函数种类、隐藏层层数和隐藏层单元数目等)以获得最优预测模型。
[0060]
本步骤中，训练时当训练集上的损失函数值不再显著降低，停止训练。调试时根据训练好的模型在验证集上进行测试并记录预测效果，根据预测效果选择最优预测模型。
[0061]
基于上述永磁同步电机状态量预测模型，本发明实施例还提供了一种永磁同步电机状态量预测方法，所述方法基于上述状态量预测模型实现。具体地，除包括上述模型构建的过程，还包括：
[0062]
步骤s7，采集永磁同步电机当前时刻的第二驱动物理量集合中对应的所有驱动物理量，并进行拼接后得到同时期信息输入量；
[0063]
步骤s8，采集当前时刻前一个滑动窗口长度内的每个采样时刻的所有第二驱动物理量及状态量，进行拼接后得到历史期信息输入量；
[0064]
步骤s9，将同时期信息输入量和历史期信息输入量同时输入最优预测模型中，输出预测的状态量。
[0065]
由以上技术方案可以看出，本发明实施例所提供的永磁同步电机状态量预测模型构建方法及状态量预测方法，基于深度学习神经网络并结合pmsm状态参数物理变化原理，构建状态量预测模型，再通过模型进行状态量预测，提高了pmsm状态量预测的实时性和准确性。
[0066]
以上所述是本发明的优选实施方式，应当指出，本发明并不受限于以上所公开的示范性实施例，说明书的实质仅仅是帮助相关领域技术人员综合理解本发明的具体细节。对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，在本发明揭露的技术范围做出的若干改进和润饰、可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。