基于BP神经网络的表面式永磁同步电机模型预测控制方法与流程

本发明属于永磁同步电机直接转矩控制领域，具体涉及基于BP神经网络的表面式永磁同步电机模型预测控制方法。

背景技术：

直接转矩控制技术基于定子磁链坐标系并直接将转矩作为控制对象，避免了旋转坐标变换时的大量计算以及对电机参数的依赖性，其动态性能好，转矩响应时间短。但是传统DTC是一种离线式控制方法，将控制算法以及预先编制好的电压矢量LUT植入微处理器中，在每一控制周期循环执行。DTC根据电机控制系统当前的转矩误差和定子磁链误差从电压矢量LUT中选取最优电压矢量来消除转矩误差和定子磁链误差。但是传统DTC只能根据每一控制周期初始时刻的电机变量误差选取最优电压矢量，并不能预知在此电压矢量作用下电机变量的变化趋势，无法保证整个控制周期内转矩和定子磁链始终保持在一定的范围内，导致较大的转矩脉动和定子磁链脉动。同时，传统电压矢量LUT设计简单，控制精度较低，电机在特定运行状态下可有多个不同电压矢量供选择输出，根据查表法得到的电压矢量可能并不是最优的电压矢量。因此，可以研究电机的在线式控制方法，实时预测施加不同电压矢量时电机变量的变化，提前预知在某一电压矢量作用下电机转矩误差和定子磁链误差在整个控制周期内的变化，确保所施加电压矢量的有效性和准确性。

模型预测控制(Model predictive control,MPC)作为一种有效的在线式控制方法被广泛的应用于各种工业控制场合。有相关文献提出将MPC与DTC相结合，提出一种模型预测直接转矩控制，该方法对连续的非线性电机方程进行离散化得到电机预测模型，预测不同电压矢量作用下未来多个控制周期内电机转矩和定子磁链的变化，并根据目标函数对每一电压矢量的各步预测结果进行综合评估，最终确定一个最优电压矢量序列并只输出序列的首项。该方法的首要目标是降低逆变器开关频率，同时将电机转矩、定子磁链和逆变器中性点电压限制在一定范围内，以保证电机稳定运行。但是文献中提出的预测算法运算量较大，难以在实际应用中实施。

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BP神经网络的表面式永磁同步电机模型预测控制方法，通过将离线训练好的BP神经网络编译成在线BP神经网络放入模型预测直接转矩控制系统中，替代模型预测算法完成未来控制周期内最优电压矢量的选择工作。

为了达到上述目的，本发明包括以下步骤：

步骤一，确定表面式永磁同步电机模型预测控制算法中的输入量和输出量，并确定其中变化量的取值范围和适当的变化步长；

步骤二，按照各个输入量的变化步长将各参数的取值范围遍历取遍，并送入表面式永磁同步电机模型预测控制算法中，生成未来控制周期内模型预测控制算法选择的最优电压矢量序列，并且将各个输入量的取值与对应选择出来的最优电压矢量对应组合成BP神经网络的训练样本；

步骤三，构建BP神经网络拓扑模型；

步骤四，将步骤二中的训练样本数据进行归一化处理，将归一化处理后的训练样本输入已构建BP神经网络拓扑模型中进行离线训练学习，得到符合要求的权值阈值；

步骤五，将离线训练好的BP神经网络模型编译成在线学习的BP神经网络，并将离线训练好的权值阈值作为在线学习BP神经网络的初始权值阈值，将在线学习的BP神经网络嵌入到表面式永磁同步电机模型预测直接转矩控制系统中与模型预测算法并联，用于替代模型预测控制算法进行未来控制周期内电机最优电压矢量选择的工作和功能；

步骤六，在模型预测算法模块和在线BP神经网络的并联之间设置一个开关量，当转矩脉动较大时即当转矩脉动大于阈值时，开关量将工作模式切换为模型预测算法进行最优电压矢量的选择工作，同时，新的样本数据送入在线学习的BP神经网络进行新的训练和再学习；当转矩脉动值小于阈值时，均使用神经网络进行电压矢量的选择工作。

步骤一，确定表面式永磁同步电机模型预测控制算法中的输入量和输出量的具体方法如下：

忽略转子旋转运动和定子电阻压降，施加非零电压矢量后，下一时刻定子磁链幅值和转矩如公式1.1所示：

是当前K时刻定子磁链的幅值，是k+1时刻的定子磁链幅值,是当前要施加的电压矢量幅值，固定幅值，即将电压矢量设置为定幅值，其幅值恒等于其中Udc是直流母线电压；Δt是该电压矢量施加的作用时间，α是电压矢量与定子磁链矢量之间的夹角；

下一时刻定子磁链转矩如公式1.2所示：

Te(k+1)是k+1时刻的电机转矩，p是电机的极对数，ψf是永磁体磁链，是当前K时刻定子磁链的幅值，Ld为d轴定子电感，α是电压矢量与定子磁链矢量之间的夹角，δ(k)是当前K时刻的转矩角；

所用成本函数如公式1.3所示：

将公式1.1和公式1.2计算的结果送入成本函数，整个算法过程中，如果有n个备选电压矢量，则会得到n个成本函数数值，选择成本函数最小的数值所对应的电压矢量作为该计算控制周期内要施加给电机的最优电压矢量；

模型预测控制算法的输入量分别有转矩角、当前定子磁链幅值、当前定子磁链角位置、参考磁链、参考转矩、备选电压矢量角度，并根据在电机实际的运行过程确定各变化量的取值范围，并确定恰当的变化步长。

步骤二中，通过编程或者仿真实现按照各参数的变化步长遍历取遍各参数的取值范围内的数值。

步骤三中，BP神经网络模型为三层的前馈神经网络，根据隐含层节点经验公式其中a为0～10之间的常数，确定隐含层节点数，输入层节点数为6，对应步骤一中确定出来的模型预测控制算法的输入量，输出层节点等于备选电压矢量的个数，BP神经网络的隐含层和输出层中的神经元的激活函数均采用sigmoid型变换函数，sigmoid函数的表达式为

步骤四中，归一化处理采用最大最小法，其函数形式如下所示：

式中，xmin为数据系列中的最小数，xmax为序列中的最大数。

步骤四中，BP神经网络拓扑模型进行训练学习的具体方法如下：

第一步，归一化处理后的训练样本每一维分别对应表面式永磁同步电机模型预测算法中的因变量即输入量，将输入与输出组合成训练样本序列(X,Y)，X是输入数据，Y是对应的输出数据；

第二步，根据系统输入输出组合成的训练样本序列(X,Y)确定网络输入层节点数n，隐含层节点数l，输出层节点数m，初始化输入层、隐含层和输出层神经元之间的连接权值ωij，ωjk，初始化隐含层阈值a，输出层阈值b，给定学习速率和神经元激励函数；

第三步，根据输入变量X，输入层和隐含层间连接权值ωij以及隐含层阈值a，计算隐含层输出H；

式中，l为隐含层节点数，f为隐含层激励函数，所选函数为：

第四步，根据隐含层输出H，连接权值ωjk和阈值b，计算BP神经网络预测输出O；

第五步，根据网络预测输出O和期望输出Y，计算网络预测误差e；

ek＝Yk-Ok k＝1,2,…,m 1.8

第六步，根据网络预测误差e更新网络连接权值ωij和ωjk；

ωjk＝ωjk+ηHjek j＝1,2,…,l；k＝1,2,…,m 1.10

式中，η为学习速率，Hj(1-Hj)是sigmoid函数求导之后将隐含层输出带入之后的形式；

第七步，根据网络预测误差e更新网络节点阈值a,b；

bk＝bk+ek k＝1,2,…,m 1.12

第八步，判断算法迭代是否结束，若迭代结束要满足以下条件之一，则迭代结束：

条件1，达到迭代次数2000；

条件2，预测的误差降到目标误差值0.05以内；

条件3，连续6次验证集误差不降低或者反而增加；

若迭代没有结束，则返回第三步。

与现有技术相比，本发明采用BP神经网络替代表面式永磁同步电机模型预测算法，BP神经网络具有强大的非线性拟合和自适应自学习的能力，可以大大减少算法的运算时间和运算负担，提高系统的及时性，将离线训练好的BP神经网络模型编译成在线学习的BP神经网络，并将离线训练好的权值阈值作为在线学习BP神经网络的初始权值阈值，能够优化在线BP神经网络的初始权值阈值，加速网络的训练，并且BP神经网络替代的准确率和效果均令人满意，由于神经网络没有反馈和纠正能力，通过设置一个开关量和阈值切换神经网络工作模式和模型预测算法工作模式可以有效解决此问题，且在线学习的BP神经网络方式让神经网络有了再学习的能力，本发明相对于传统的模型预测算法具有一定的创新优势，验证了智能算法在电机控制中的应用前景。

附图说明

图1是本发明的模型流程图；

图2是本发明的BP神经网络的原理示意图；

图3为定子磁链运动变化图。

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，本发明包括以下步骤：

步骤一，确定表面式永磁同步电机模型预测控制算法中的输入量和输出量，并确定其中变化量的取值范围和适当的变化步长；

步骤二，按照各个输入量的变化步长将各参数的取值范围遍历取遍，并送入表面式永磁同步电机模型预测控制算法中，生成未来控制周期内模型预测控制算法选择的最优电压矢量序列，并且将各个输入量的取值与对应选择出来的最优电压矢量对应组合成BP神经网络的训练样本；

步骤三，构建BP神经网络拓扑模型；

步骤四，将步骤二中收集到的训练样本数据进行数据归一化处理，将归一化处理后的训练样本数据输入到已构建BP神经网络拓扑模型中进行离线训练学习，得到符合要求的权值阈值；

步骤五，将离线训练好的BP神经网络模型编译成在线学习的BP神经网络，并将离线训练好的权值阈值作为在线学习BP神经网络的初始权值阈值，将在线BP神经网络嵌入到表面式永磁同步电机模型预测直接转矩控制系统中与模型预测算法并联，替代模型预测控制算法进行未来控制周期内电机最优电压矢量选择的工作和功能；

步骤六，将离线训练好的BP神经网络模型编译成在线学习的BP神经网络，并将离线训练好的权值阈值作为在线学习BP神经网络的初始权值阈值。将在线BP神经网络嵌入到表面式永磁同步电机模型预测直接转矩控制系统中与模型预测算法并联，替代模型预测控制算法进行未来控制周期内电机最优电压矢量选择的工作和功能。

神经网络没有反馈和纠正能力，通过设置一个开关量和阈值切换神经网络工作模式和模型预测算法工作模式可以有效解决此问题，且在线学习的BP神经网络方式让神经网络有了再学习的能力。

步骤一中，忽略转子旋转运动和定子电阻压降，施加非零电压矢量后，定子磁链运动变化如图3所示。

施加电压矢量后，下一时刻定子磁链幅值和转矩如公式1.13和公式1.14所示。

其中，是当前K时刻定子磁链的幅值，是k+1时刻的定子磁链幅值,是当前要施加的电压矢量幅值，固定幅值，即将电压矢量设置为定幅值，其幅值恒等于其中Udc是直流母线电压；Δt是该电压矢量施加的作用时间，α是电压矢量与定子磁链矢量之间的夹角。

Te(k+1)是k+1时刻的电机转矩，p是电机的极对数，ψf是永磁体磁链，是当前K时刻定子磁链的幅值，Ld为d轴定子电感，α是电压矢量与定子磁链矢量之间的夹角，δ(k)是当前K时刻的转矩角。

所用成本函数如公式1.15所示：

将公式1.13和公式1.14计算的结果送入成本函数，整个算法过程中，如果有n个备选电压矢量，则会得到n个成本函数数值，选择成本函数最小的数值所对应的电压矢量作为该计算控制周期内要施加给电机的最优电压矢量。

由上述表面式永磁同步电机模型预测控制的公式中可以得知模型预测控制算法的输入量分别有转矩角(变化步长取1°时)、当前定子磁链幅值(0.01时)、当前定子磁链角位置(变化步长取1°时)、参考磁链、参考转矩、备选电压矢量角度分别是0°、60°、120°、180°、240°、300°等等，括号内是通过客观实际情况确定的各个参数的变化步长。

步骤二中，通过步骤一中对表面式永磁同步电机模型预测算法的公式中确定了输入量及其适当的变化步长，通过编程或者仿真实现按照各参数的变化步长遍历取遍各参数的取值范围内的所有数值，并送入表面式永磁同步电机模型预测系统或者模块中，生成未来控制周期内模型预测控制算法选择的最优电压矢量序列，并且将其与对应的各个输入量的取值对应组合成BP神经网络的训练样本矩阵。

步骤三中，BP神经网络模型为3层的前馈神经网络，根据隐含层节点经验公式其中a为0～10之间的常数，确定隐含层节点数，输入层节点数为6，对应步骤一中确定出来的模型预测控制算法的输入量，输出层节点等于备选电压矢量的个数，BP神经网络的隐含层和输出层中的神经元的激活函数均采用sigmoid型变换函数，sigmoid函数的表达式为

步骤四中，为了取消各维数据间数量级差别，避免因为输入输出数据数量级差别较大而造成网络预测误差较大，需要对数据进行归一化处理，本方法中所述神经网络中采用的归一化方法为最大最小法，其函数形式如下：

式中，xmin为数据系列中的最小数，xmax为序列中的最大数。

步骤五中，BP神经网络拓扑模型进行训练学习的过程如下：

(5.1)输入数据：

对步骤二中收集到的训练数据进行数据预处理即数据归一化处理之后，形成一个6维矩阵，每一维分别对应表面式永磁同步电机模型预测算法中的因变量即输入量，将输入与输出组合成训练样本序列(X,Y)，X是输入数据，Y是对应的输出数据。

(5.2)网络初始化:

根据系统输入输出序列(X,Y)确定网络输入层节点数n，隐含层节点数l，输出层节点数m，初始化输入层、隐含层和输出层神经元之间的连接权值ωij，ωjk，初始化隐含层阈值a，输出层阈值b，给定学习速率和神经元激励函数。

(5.3)隐含层输出计算:

根据输入变量X，输入层和隐含层间连接权值ωij以及隐含层阈值a，计算隐含层输出H。

式中，l为隐含层节点数，f为隐含层激励函数，该函数有多种选择，本发明所选函数为

(5.4)输出层输出计算:

根据隐含层输出H，连接权值ωjk和阈值b，计算BP神经网络预测输出O。

(5.5)误差计算:

根据网络预测输出O和期望输出Y，计算网络预测误差e。

ek＝Yk-Ok k＝1,2,…,m

(5.6)权值更新:

根据网络预测误差e更新网络连接权值ωij和ωjk。

ωjk＝ωjk+ηHjek j＝1,2,…,l；k＝1,2,…,m 2

式中，η为学习速率，Hj(1-Hj)是sigmoid函数求导之后将隐含层输出带入之后的形式。

(5.7)阈值更新:

根据网络预测误差e更新网络节点阈值a,b。

bk＝bk+ek k＝1,2,…,m

(5.8)判断算法迭代是否结束，迭代结束要满足以下条件之一：

(1)达到迭代次数2000；

(2)预测的误差降到目标误差值0.05以内；

(3)连续6次验证集误差不降低或者反而增加。若迭代没有结束，返回步骤(5.3)。

目前暂时没有发现使用神经网络替代模型预测算法去选择电压矢量这样的做法，所以本发明具有开创性，且神经网络具有强大的非线性拟合能力，利用神经网络去替代计算量较大实时性不好的模型预测控制具有重要的探索意义和实际应用价值。