一种基于支持向量机用于DTC预测控制的方法与流程

本发明属于电机控制领域，具体涉及一种基于支持向量机用于dtc预测控制的方法。

背景技术：

直接转矩控制(dtc)通过控制定子磁链的幅值和负载角来控制电磁转矩。永磁同步电机直接转矩控制通常使用两个滞环比较器分别控制定子磁链和转矩偏差，由于其避免了在旋转坐标系下的大量计算，其动态性能会有所改善，响应更快。

传统开关表实现的永磁同步电机直接转矩控制系统中，电压矢量在一个采样周期内持续施加，会出现实际转矩增减超出预期要求，从而造成超调脉动。

为了解决此类问题，引入预测控制，引入成本函数，综合考虑转矩误差和定子磁链误差，并加以控制，采用空间矢量调制技术，以减小转矩脉动。但预测控制仍存在一些问题，首先其成本函数的科学性仍待研究，其次为使转矩误差与磁链误差在同一量纲上，通常会引入权重系数，而权重系数的选取大多依靠经验，缺乏有力的理论支撑。同时，采用预测控制式，需要同时计算六个基本电压矢量的成本，其的计算量巨大，这与引入直接转矩控制的初衷相违背。

技术实现要素：

本发明的目的在于克服上述不足，提供一种基于支持向量机用于dtc预测控制的方法，能够减少相关计算量，减小转矩脉动，且开关频率恒定。

为了达到上述目的，本发明包括以下步骤：

包括以下步骤：

步骤一：选取已有的电机运行参数作为输入与输出样本；

步骤二：将选取的输入与输出样本分别进行归一化处理；

步骤三：对归一化处理后的样本进行训练，得到输出电压矢量的基于支持向量机用于dtc的预测模型；

步骤四：对当前电机的运行参数进行归一化处理；

步骤五：将步骤四中的经归一化处理后的运行参数输入到预测模型中，通过预测模型输出施加的基本电压矢量；

步骤六：根据预测模型输出的基本电压矢量，控制逆变器的开关状态，完成基于支持向量机用于dtc预测控制。

进一步地，步骤一中，已有的电机运行参数是采用成本函数进行电压矢量选择的电机运行参数，成本函数如下式(1)所示：

其中为参考幅值，为参考转矩，为实际幅值，te为实际转矩。

进一步地，成本函数的个数与基本电压矢量的个数相等，选取最小的成本函数所对应的基本电压矢量，即为所施加的电压矢量；选取全工况下的定子磁链误差ψr、输出转矩误差tr、负载角δ和转矩角α作为训练预测模型的输入，选取施加的电压矢量作为输出。

进一步地，步骤二中，对输入和输出样本分别进行归一化处理的表达式如下式(2)所示：

其中，xmin为输入样本或者输出样本中最小值，xmax为输入样本或者输出样本中最大值。

进一步地，步骤三中，使用支持向量机进行训练。

进一步地，采用径向基函数作为支持向量机核函数，如式(3)所示：

k(x，xi)＝exp(-γ‖x-xi‖²),γ＞0(3)

其中x为输入，xi为支持向量，γ是核参数。

进一步地，将步骤一中选取的输入和输出样本分为3组，将每个组的子集数据分别做一次验证集，其余的2组子集数据作为训练集，得到3个子模型，每个子模型分别对应着一组惩罚参数c和核函数参数g，用3个子模型中验证集的分类准确率的平均数作为分类器的性能指标。

进一步地，若分类准确率的平均数大于等于90％，则选取分类准确率最高的一组的参数c和g作为预测模型的参数，若分类准确率的平均数小于90％，则重新训练。

进一步地，步骤四中，通过获得k时刻的定子磁链误差ψr，输出转矩误差tr，负载角δ和转矩角α后，进行归一化处理。

进一步地，步骤四中归一化处理方式和步骤二相同。

与现有技术相比，本发明具有以下有益的技术效果：

本发明通过获得采用成本函数的电机的运行数据，使用支持向量机的方法离线训练得到相应的预测模型，再利用训练好的模型根据电机当前的运行参数进行电压矢量的选择，从而实现电机的快速控制。通过以上方法以提高永磁同步电机直接转矩控制系统的性能，减少相关计算量，减小转矩脉动，且开关频率恒定。本发明通过引入离线学习好的预测模型，相比于直接转矩控制减少了转矩的脉动，相比于预测控制，避免了成本函数的引入，从而避免了成本函数的庞大计算量，达到了简化计算量的目的，进而优化电机控制的实时性。

附图说明

图1是基于本发明模型训练图；

图2是本发明的原理框图；

具体实施方式

下面结合附图对本发明做进一步说明。

参见图1和图2，本发明基于支持向量机用于dtc预测控制方法，具体步骤如下：

步骤一：基于已有采用成本函数进行电压矢量选择的电机运行的参数，确定合适的采样频率，从中选择用于基于支持向量机用于dtc预测控制的合适的输入与输出样本。

其中，采用成本函数进行电压矢量选择的电机，其成本函数的表达式如(1)所示。

其中为参考幅值，为参考转矩，为实际幅值，te为实际转矩。

当备选的基本电压矢量个数为6时，就会得到6个成本函数，从中选择最小的成本函数所对应的基本电压矢量，即为所施加的电压矢量。将上述电机运行过程中全部参数记录下后，采样周期为电机采样周期的十倍，选取全工况下的定子磁链误差ψr、输出转矩误差tr、负载角δ和转矩角α作为训练预测模型的输入，选取施加的电压矢量作为输出。

步骤二：将步骤一中确定的输入与输出样本进行归一化处理。

为使输入和输出分别在同一量级上，需要对输入和输出样本分别进行归一化处理，即将归一化之前的x按照下式归一成y值，其表达式如式(2)所示。

其中，xmin为样本中最小值，xmax为样本中最大值；即在对输入样本进行归一化处理时，xmin为输入样本中最小值，xmax为输入样本中最大值；对输出样本进行归一化处理时，xmin为输出样本中最小值，xmax为输出样本中最大值。

步骤三：使用支持向量机对归一化之后的样本进行训练，得到输出电压矢量的基于支持向量机用于dtc的预测模型。

使用支持向量机对归一化之后的样本进行训练。根据支持向量机的方法思想，选取径向基函数如式(3)所示，作为支持向量机核函数。

k(x,xi)＝exp(-γ‖x-xi‖²),γ>0(3)

其中x为输入，xi为支持向量，γ是核参数。

将步骤一中选取的输入和输出样本随机打乱重新组成新的序列，为确保离线训练的基于支持向量机用于dtc预测模型的准确性，采样交叉验证的方法，将步骤一中选取的样本分为3组，将每个组分别做一次验证集，其余的2组子集数据作为训练集，这样就会得到3个子模型，每个子模型分别对应着一组惩罚参数c和核函数参数g，用3个子模型中验证集的分类准确率的平均数作为分类器的性能指标。若分类准确率的平均数大于等于90％，则选取3个子模型分类准确率最高的一组的参数c、g作为预测模型的参数，若分类准确率的平均数小于90％，则重新训练。其子模型的分类准确率与分类准确率的平均数计算如式(4)所示。

其中ηi为第i个子模型的分类准确率，ni1为第i个子模型中选择正确的电压矢量的个数，ni2为第i个子模型中选择电压矢量的总个数，ηave为分类准确率的平均数。

步骤四：对当前电机的运行参数进行归一化处理。

通过获得k时刻的定子磁链误差ψr，输出转矩误差tr，负载角δ和转矩角α后，进行归一化处理，同式(2)。

步骤五：将步骤四中的经归一化处理后的参数输入到基于支持向量机用于dtc的预测模型中。使用训练好的基于支持向量机用于dtc的预测模型对电机所施加的基本电压矢量进行预测。

将处理后的数据输入到已训练好的支持向量机模型中，通过基于支持向量机用于dtc的预测模型输出施加的基本电压矢量。此过程代替了使用成本函数选择基本电压矢量。

步骤六：根据基于支持向量机用于dtc的预测模型输出的基本电压矢量，控制逆变器的开关状态，从而实现电机的运行。

根据直接转矩控制原理，基于支持向量机用于dtc的预测模型输出的基本电压矢量决定了逆变器的开关状态，从而控制电机的运转。

实施例1

首先采集采用成本函数进行电压矢量选择的电机运行的参数，包括定子磁链误差ψr，输出转矩误差tr，负载角δ、转矩角α和选择的电压矢量，采样频率为电机采用频率的十倍，对采样后的数据进行归一化处理，如式(2)所示。使用式(3)作为核函数的支持向量机进行离线训练，采用交叉验证的方法得到精确度最高的模型，精确度的计算方法如式(4)所示，并将精确度最高的模型作为基于支持向量机用于dtc的预测模型。

其次将电机运行时，某一时刻的定子磁链误差ψr，输出转矩误差tr，负载角δ、转矩角α作为输入，通过归一化处理，输入到预测模型中，得到这一时刻电机所选择的基本电压矢量。根据基本电压矢量确定逆变器开关状态，从而控制电机。其中选择的基本电压矢量与逆变器开关的状态关系如表一所示。例如，当基于支持向量机用于dtc的预测模型选择电压矢量为0电压矢量(即u1)时，其逆变器状态为sa＝1，sb＝0，sc＝0。

表一基本电压矢量与逆变器开关的状态关系表