一种开关磁阻轮毂电机预测控制方法与流程

本发明涉及了一种开关磁阻轮毂电机预测控制方法，属于电机控制技术领域。

背景技术：

轮毂电机技术又称车轮内装电机技术，它的最大特点就是将动力、传动和制动装置都整合到轮毂内，因此将电动车辆的机械部分大大简化。它可以省略大量传动部件，让车辆结构更简单，可实现多种复杂的驱动方式，便于采用多种新能源车技术。

由于永磁材料的价格增长，无需永磁材料的电机成为了研究热点。开关磁阻电机(switchedreluctancemotor，srm)具有很多的优点：1、定转子都为凸极结构，绕组只分布在定子上，转子上并没有绕组，也不是永磁体。这种结构使得srm可以很好的适用于诸如高温、强振动的特殊环境中；2、绕组电流的正负极性对电磁转矩正反不会产生影响，使得srm可以使用开关器件与定子绕组相串联的电路形式，来避免同时导通的两个开关器件发生短路现象；3、各相绕组回路之间互不影响，即便某相突然断路也能继续运行。因此具有较强的容错能力，在纯电动汽车得到更广泛的应用；4、启动电流小、启动转矩大、可频繁启停等特点。然而特殊的结构及供电方式使旋转时的srm产生的磁通不断变化，加上磁路的易饱和，导致定子绕组中的电流发生畸变产生不断脉动的电磁转矩。srm这种现象成为限制srm发展和应用的主要瓶颈之一。因此，如何降低的转矩脉动己成为各国学者一个研究热点，具有重大的理论和实际意义。

智能控制策略可以一定程度上减小转矩脉动。对于传统的pid控制，当被控对象处于经常变化的环境中时，需要根据环境的变化来调整pid增益。轮毂电机所处工况变化频繁，经常启动/停车、加速/减速、上坡/下坡等，车轮所需驱动力矩也随之频繁变化，所以快速并准确的跟踪转矩命令是轮毂电机重要控制目标，pid控制的响应速度并不能够满足需求。轮毂电机的工作环境较为恶劣，易对电机运行产生较大的干扰，因此对控制的鲁棒性及稳定性具有较高的要求，传统的pid控制并不能够在干扰下具有稳定精确的控制。

因此，为了更好地提升纯电动汽车用轮毂电机的控制性能，提升整车的经济性和动力性，必须采用新的控制算法。国内抑制转矩脉动控制技术领域相关的公开专利有：名称“一种基于迭代学习的pmsm转速波动抑制方法”，申请号：201711161487.1，该专利研究了迭代学习控制来抑制永磁同步电机的转矩脉动，但针对开关磁阻轮毂电机转矩脉动的迭代学习方法仍较少出现；名称“基于电压矢量的开关磁阻电机直接瞬时转矩控制方法”，申请号：“201610237430.4”，该专利研究了开关磁阻电机的直接瞬时转矩，细化了矢量扇区，能够减小转矩脉动。然而未对电机各相通电区域进行限制，在运行时各相都会产生较大负转矩，导致电机效率降低；名称“基于模型预测控制的永磁同步电机直接转矩控制方法”，申请号：“201811035493.7”，该专利研究了预测控制和直接转矩结合的控制方法，减小传统直接转矩控制的弊端。模型预测控制(modelpredictivecontrol，mpc)可以滚动优化其模型，且其逻辑简单、易处理非线性、多变量系统，在电机控制中逐渐受到关注。但预测控制在开关磁阻轮毂电机领域应用仍较少。

技术实现要素：

本发明的目的构造一种开关磁阻轮毂电机预测控制方法。为了减小开关磁阻电机非线性特性的影响，由迭代学习控制器将转速误差值确定为电流参考值。由模型预测控制器实现精确的电流跟踪控制，提高开关磁阻轮毂电机控制的鲁棒性及稳定性，减小电机运行的转矩脉动。采用电感自适应提高电感参数的鲁棒性。

本发明的技术方案是：

采集复合对象k时刻的电流ik和角度信号θk，由转速计算模块通过角度信号θk计算出k时刻转速ωk，将采集的k时刻的电流ik和角度信号θk输入mpc控制器，mpc控制器将根据给定参考电流值iref，通过成本函数的计算，使得所预测的下一时刻的电流值ik+1精确跟踪参考电流，输出量为占空比uk，用于调节复合对象中功率变化器开关管的导通时间，将采集的速度信号ωk输入迭代学习控制器，并给定参考转速ωref，通过该控制器可以得出mpc控制器模块需要的给定参考电流iref。

1、将功率变换器、开关磁阻电机(srm)、电流传感器和位置传感器组成复合控制对象，便于控制器的搭建。

2、构建mpc控制器，实现精准的电流的跟踪控制，减小电流脉动，进而减小转矩脉动。

1)建立开关磁阻电压平衡方程，为电流预测模型的建立奠定基础。

为减小电流模型预测控制器的计算负担，忽略涡流、相邻相之间的互感，可以得到开关磁阻电机电压动态平衡方程：

v＝r·i+dψ/dt

(1)

其中i和v为相电流和相电压，随时间变化。r为相电阻，可以视为定常数。由于开关磁阻电机固有的非线性特性，相电感上与转子位置θ和相电流i有关。ψ为连续时间下的磁链值，与电感和电流有关。磁链与位置信号、电流信号的关系可以通过有限元仿真软件如ansof得出，因此得到电流及转子位置即可查出对应的磁链值。

2)建立预测模型，采集k时刻位置和电流值，即可预测k+1时刻的电流值。

由于硬件系统中的数字器件工作在离散时间状态下，因此需要将开关磁阻电机电压动态方程进行离散化。假设相电感在一个采样周期内保持不变，采用欧拉离散公式可以得到电压方程的离散公式

ts为采样周期，lk为k时刻的电感，vdc为外接电源电压，uk为pwm波占空比，用于控制功率变换器中的开关器件。可以由k时刻的磁链ψk预测k+1时刻磁链为k+1时刻的预测电流。

模型预测控制是采用最优的控制量来实现控制目标，采用线性二次型成本函数来寻找最优控制量

其中q和r分别为误差权重矩阵和控制权重矩阵，可视工况选择。为k时刻所预测的电流矩阵，iref为给定的电流的参考值，设定目标值可以减小电流脉动。通过该成本函数可以计算出k时刻的最优控制量矩阵uk，并选择矩阵首元素uk输入给功率变换器控制开关管的导通时间。

3)建立rls电感自适应模型，实现电感参数自适应调整，增加系统鲁棒性。电感参数是电机模型中较为重要的参数之一，而且影响因素较多，如环境、电流、位置信号等。因此，需要自适应模型以提高电感参数的鲁棒性。

电感、电流和位置信号的关系可以用简化傅里叶展开式来表示

其中nr是转子极数，lmax和lmin分别为定转子在ik电流下对其位置和不对齐位置的电感值(可以通过ansoft仿真得到)。设置调节参数αk来自适应调节电感值

其中为调节后电感值，αk为调节参数。迭代方程可以表示为

其中，λ是遗忘因子，用于调节鲁棒性和收敛速度(选取范围[0，1])，可以由实际工况选取。gk是增益矩阵和pk是收敛矩阵。εk是预测误差(ik是采集电流，是预测电流)，xk为回归矢量，可以表示为

通过预测误差值来不断调整调节参数，进行电感值的自适应，使预测值接近实际观测值。

3、构建迭代学习控制器，建立参考转速误差ek与参考转矩iref之间的关系，提高系统鲁棒性。

1)构建pi学习律，建立参考转速误差ek与参考转矩iref之间的关系，写为z域形式为

其中，iref，k+1为k+1时刻的电流参考信号，iref，k为k时刻电流参考信号，ek为k时刻参考转速与实际转速误差。γ为遗忘因子，影响收敛速度和鲁棒性。ki和kp为学习增益。

2)将pi性迭代学习控制过程等效为延迟环节

iref，k+1＝zⁿiref，k(9)

其中n为系统采样频率和信号频率的比值，一般取1。通过可以得到k+1时刻的电流参考值iref，k+1与k时刻转速误差ek的关系。k+1时刻的电流参考值会刷新原来储存在存储单元中的k时刻电流参考值，并用于下一次控制。

4、构建人工蜂群算法优化控制器，使得迭代学习控制参数的确定更为快捷准确。

本发明的有益效果是：

1、本发明采用了模型预测控制，可以实现模型的滚动优化与校正，提高模型的准确性和增加控制的稳定性，进而减小转矩脉动。

2、本发明采用了最小二乘法实现电感参数的自适应，提高系统在不同环境下的鲁棒性。

3、本发明采用了基于品质的迭代学习控制器以实现高精度跟踪控制，减小开关磁阻电机非线性特性的影响，提高系统的准确性。

2、本发明采用了人工蜂群算法，在选取不同工况下的待选参数过程中，采用该算法可以实现高效率和高准确性的选取，避免了人为经验的误差及高工作量。

附图说明

图1是系统控制框图；

图2是复合对象；

图3是模型预测控制器框图；

图4是迭代学习控制器框图；

具体实施方式

下面结合附图对本发明作进一步详细说明。

本发明具体实施分以下五步，

步骤一、建立开关磁阻轮毂电机控制系统，如图1所示。该系统由迭代学习控制器、mpc控制器(预测控制器)、复合对象和转速计算模块组成。采集复合对象k时刻的电流ik和角度信号θk，由转速计算模块通过角度信号θk计算出k时刻转速ωk。将采集的k时刻的电流ik和角度信号θk输入mpc控制器。mpc控制器将根据给定参考电流值iref，通过成本函数的计算，使得所预测的下一时刻的电流值ik+1精确跟踪参考电流，输出量为占空比uk，用于调节复合对象中功率变化器开关管的导通时间。为了减小开关磁阻电机非线性特性的影响，采用了无需辨识系统参数的迭代学习控制器。基于品质的迭代学习控制器能够实现高精度跟踪控制，将采集的速度信号ωk输入迭代学习控制器，并给定参考转速ωref，通过该控制器可以得出mpc模块需要的给定参考电流iref。

步骤二、建立步骤一中的复合对象，如图2所示。该复合对象由功率变换器、开关磁阻电机(srm)、电流传感器和位置传感器组成。复合对象模块的输入为mpc控制器输出的占空比信号uk，通过占空比信号控制复合对象中功率变化器开关管的导通时间。复合对象模块的输出为k时刻的电流ik和角度信号θk，由电流传感器和位置传感器采集。

步骤三、建立步骤一中的mpc控制器，如图3所示。通过输入复合对象的k时刻的电流ik和角度信号θk，计算k时刻的磁链值ψk，通过离散预测模型预测k+1时刻的磁链值ψk+1，进而计算出k+1时刻的电流值ik+1，通过成本函数计算最优占空比，实现精准的电流的跟踪控制，减小电流脉动，进而减小转矩脉动。考虑到电感模型在实际运行过程可能发生变化，因此为提高系统的稳定性，增加了递归最小二乘自适应滤波器(rls)以实现电感自适应。

1)建立开关磁阻电压平衡方程，为电流预测模型的建立奠定基础。

为减小电流模型预测控制器的计算负担，忽略涡流、相邻相之间的互感，可以得到开关磁阻电机电压动态平衡方程：

v＝r·i+dψ/dt

(1)

其中i和v为相电流和相电压，随时间变化。r为相电阻，可以视为定常数。由于开关磁阻电机固有的非线性特性，相电感l与转子位置θ和相电流i有关。ψ为连续时间下的磁链值，与电感和电流有关。磁链与位置信号、电流信号的关系可以通过有限元仿真软件如ansof得出，因此得到电流及转子位置即可查出对应的磁链值。

2)建立预测模型，采集k时刻位置和电流值，即可预测k+1时刻的电流值。

由于硬件系统中的数字器件工作在离散时间状态下，因此需要将开关磁阻电机电压动态方程进行离散化。假设相电感在一个采样周期内保持不变，采用欧拉离散公式可以得到电压方程的离散公式

ts为采样周期，lk为k时刻的电感，vdc为外接电源电压，uk为pwm波占空比，用于控制功率变换器中的开关器件。可以由k时刻的磁链ψk预测k+1时刻磁链为k+1时刻的预测电流。

模型预测控制是采用最优的控制量来实现控制目标，采用线性二次型成本函数来寻找最优控制量

其中q和r分别为误差权重矩阵和控制权重矩阵，可视工况选择。为k时刻所预测的电流矩阵，iref为给定的电流的参考值，设定目标值可以减小电流脉动。通过该成本函数可以计算出k时刻的最优控制量矩阵uk，并选择矩阵首元素uk输入给功率变换器控制开关管的导通时间。

3)建立rls电感自适应模型，实现电感参数自适应调整，增加系统鲁棒性。电感参数是电机模型中较为重要的参数之一，而且影响因素较多，如环境、电流、位置信号等。因此，需要自适应模型以提高电感参数的鲁棒性。

电感、电流和位置信号的关系可以用简化傅里叶展开式来表示

其中nr是转子极数，lmax和lmin分别为定转子在ik电流下对其位置和不对齐位置的电感值(可以通过ansoft仿真得到)。l0为lmax和lmin的和；l1为lmax和lmin的差；设置调节参数αk来自适应调节电感值

其中为调节后电感值，αk为调节参数。迭代方程可以表示为

其中，λ是遗忘因子，用于调节鲁棒性和收敛速度(选取范围[0，1])，可以由实际工况选取。gk是增益矩阵和pk是收敛矩阵。εk是预测误差(ik是采集电流，是预测电流)，xk为回归矢量，可以表示为

通过预测误差值来不断调整调节参数，进行电感值的自适应，使预测值接近实际观测值。

步骤四，构建迭代学习控制器，建立参考转速误差ek与参考转矩iref之间的关系，基于品质的迭代学习控制器能够实现高精度跟踪控制，提高系统鲁棒性。该控制器主要由pi学习律和存储单元构成。

1)构建pi学习律，建立参考转速误差ek与参考转矩iref之间的关系，写为z域形式为

其中，iref，k+1为k+1时刻的电流参考信号，iref，k为k时刻电流参考信号，ek为k时刻参考转速与实际转速误差。γ为遗忘因子，影响收敛速度和鲁棒性。ki和kp为学习增益。

2)将pi性迭代学习控制过程等效为延迟环节

iref，k+1＝zⁿiref，k(9)

其中n为系统采样频率和信号频率的比值，一般取1。通过可以得到k+1时刻的电流参考值iref，k+1与k时刻转速误差ek的关系。k+1时刻的电流参考值会刷新原来储存在存储单元中的k时刻电流参考值，并用于下一次控制。

步骤五、构建人工蜂群算法优化控制器，使得迭代学习控制参数的确定更为快捷准确。通过人群搜索算法优化控制器简单快捷的选取待选参数γ，ki和kp。

人工蜂群算法的流程具体包括：

1)参数编码初始化。将待优化参数γ，ki和kp的某一组值视为一组蜜源，将三个参数的取值范围视作搜索空间，记其空间维度为d(本文中d＝3)。蜜蜂种群代数为n(即为迭代次数)，蜜蜂总数为na，其中引领蜂为ng，跟随蜂为nf，在搜索开始阶段，随机生成na个蜜源，可以得到初始化参数解：

{xi(n)|xi(n)＝(xi1，xi2，…，xid)}(10)

xij＝lbj+rand(0，1)·(ubj-lbj)

其中，i＝1，2，3，...，na；n为迭代次数。每一组解向量xi(n)中包含j个分量，j＝1，2，...，d。ub和lb表示搜索空间的上下限(即表示γ，ki和kp的取值范围)

2)求解各个解的适应度。将排名前ng的解当作初代引领峰种群x(0)，对于第n代的引领峰xi(n)(i＝1，...，ng)，在蜜源位置i进行邻域搜索，有搜索蜜源vil：

其中，1为[1，d]中的随机整数，表示引领蜂随机搜索某一维参数。k＝1，2，...，ng，为随机生成的，且k≠1。为[-1，1]之间的随机数。

采用贪婪法则在搜索蜜源vil和初始xij中选取较优适应度的蜜源保留至下一种群，当所有引领蜂完成搜索后，将蜜源信息共享，跟随蜂按照引领蜂种群适应度值去选择一个引领蜂，并同样进行邻域搜索，选择概率为

选择概率值大的进行跟随。其中，f(xi)为第i个蜜源的适应度值，f(xt)为各引领峰的适应度，设计适应度函数为

其中，t为时间，e(t)为转速误差(即图4中ek)；蜜源质量越高，对应的适应度越大，从而引导蜜蜂种群搜索最优参数组合。

3)更新蜜源。若某只引领蜂在周围搜索次数tim达到阈值lim仍未有最优解，则放弃蜜源，同时引领蜂转变为侦察蜂，同时重新初始化该引领蜂对应的蜜源，

算法流程具体包括：

1)参数初始化。确定控制器参数γ，ki和kp的取值范围，蜜蜂总数na，引领蜂为ng，跟随蜂nf，最大搜索次数lim，最大迭代次数n。

2)初始化蜜源xi，将蜜源xi对应的参数输入控制器，由式(13)计算适应度，划分引领蜂与跟随蜂。

3)每只引领蜂在原蜜源附近采蜜，寻找新蜜源，并按照贪婪法则进行更新蜜源。由式(12)计算引领蜂搜索到的蜜源被跟随的概率。

4)跟随蜂按照引领蜂的相同方式搜索，并按贪婪法则保留更优质蜜源。

5)若某只引领蜂搜索次数达到最大搜索次数仍未找到更高适应度蜜源，则放弃该蜜源，且引领蜂转变为侦察蜂，并随机产生一个新蜜源。

6)记录最优解和其适应度值。

7)重复运行。直至最大迭代次数，输出最优控制参数。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。