李家祥 汪鳳翔 柯棟梁 李 政 何 龍
基于粒子群算法的永磁同步電機模型預測控制權重系數(shù)設計
李家祥1,2汪鳳翔1,2柯棟梁2李 政2何 龍2
(1. 福州大學電氣工程與自動化學院 福州 350108 2. 電機驅動與功率電子國家地方聯(lián)合工程研究中心 中國科學院海西研究院泉州裝備制造研究所 泉州 362200)
針對模型預測控制算法(MPC)在處理多目標多約束條件時權重系數(shù)設計問題,該文提出一種基于混沌變異的動態(tài)重組多種群粒子群算法(CDMSPSO)實現(xiàn)權重系數(shù)自整定。通過分析模型預測轉矩控制(MPTC)代價函數(shù),以兩相旋轉坐標系下電流誤差方均根為參考,將降低轉矩脈動和減小電流總諧波畸變(THD)作為主要控制目標,設計粒子群算法中粒子的目標函數(shù)。采用CDMSPSO算法,將整個種群劃分為多個小的子粒子群,并以一定重組周期將粒子進行隨機重組,然后隨機選擇一個子粒子群,以其中任一粒子為基礎迭代生成混沌序列,并將新的混沌序列替代選擇的子粒子群,實現(xiàn)粒子的混沌變異。仿真和實驗結果驗證了該方法能較好地解決權重系數(shù)整定問題,且穩(wěn)態(tài)性能優(yōu)異。
永磁同步電機 模型預測控制 權重系數(shù) 粒子群優(yōu)化 動態(tài)重組 混沌變異
永磁同步電機(Permanent Magnet Synchronous Motor, PMSM)因其結構簡單、高效率、高功率密度和高功率因數(shù)等特點,在工業(yè)伺服等領域被廣泛應用[1-3]。矢量控制算法因其級聯(lián)式內外環(huán)比例積分(Proportional Integrate, PI)控制結構,帶來參數(shù)設計及調制復雜等問題[4]。直接轉矩控制具有結構簡單、動態(tài)響應快等特點,但存在穩(wěn)態(tài)性能差,轉矩紋波大等不利因素[5]。
有限集模型預測控制策略(Finite Control Set Model Predictive Control, FCS-MPC)通過離散系統(tǒng)模型來預測系統(tǒng)的未來行為,設計代價函數(shù)對這些預測進行評估,得到系統(tǒng)的最優(yōu)控制序列[6]。其具有原理簡單、多變量控制和非線性約束易處理等優(yōu)點,受到不少研究者的廣泛關注[7-8]。
MPC中代價函數(shù)可包含多目標多約束條件[9],在交流電機模型預測轉矩控制(Model Predictive Torque Control, MPTC)中,代價函數(shù)通常包括電磁轉矩誤差和定子磁鏈誤差[10],也可包含開關頻率等[11]。但是由于電磁轉矩和定子磁鏈具有不同的量綱,需要設計合理的權重系數(shù)來實現(xiàn)對兩者的同步優(yōu)化控制[12]。文獻[13]以優(yōu)化轉矩控制為主,構造包含權重系數(shù)的轉矩誤差方程,求解方程最小值時對應的權重系數(shù)作為優(yōu)化權重系數(shù),但該方法僅關注轉矩控制效果,并未考慮電流質量。文獻[14]采用轉矩控制和磁鏈控制的級聯(lián)結構,通過依次評估兩個單獨的代價函數(shù)來選擇最佳的電壓矢量,但該方法并未實現(xiàn)轉矩和磁鏈的同步優(yōu)化控制,且未包含電流限幅項。文獻[15]分析了不同的電流誤差權重系數(shù)下系統(tǒng)的性能,然后采用模糊控制算法動態(tài)調整權重系數(shù),從而提高系統(tǒng)電流響應速度,優(yōu)化開關頻率,但是模糊控制推理規(guī)則需要先驗知識來確定,模糊論域則需要通過實驗確定大概范圍。也有學者基于轉矩和磁鏈無差拍的方法,將參考轉矩和參考磁鏈轉換為參考電壓,構建電壓代價函數(shù)取代傳統(tǒng)的轉矩和磁鏈代價函數(shù),選擇與參考電壓誤差最小的矢量作為最優(yōu)電壓矢量,從而消除了權重系數(shù)[10, 16],但是由于在使用數(shù)學模型得到參考電壓的過程中需要忽略模型中的電阻項,因此轉換過程會降低對精度的要求。文獻[17]中采用并行的預測轉矩控制結構,將轉矩誤差和磁鏈誤差設計為兩個獨立的代價函數(shù),通過設置誤差界限生成最優(yōu)轉矩控制電壓矢量序列、最優(yōu)磁鏈控制電壓矢量序列和次優(yōu)磁鏈控制電壓矢量序列,以轉矩誤差最小為前提,根據(jù)轉矩控制序列和磁鏈控制序列中的電壓矢量擇優(yōu)選擇輸出電壓矢量,達到消除權重系數(shù)的目的。但是該方法需要對不同情況下的電壓序列進行分類討論,在一定程度上增加了預測轉矩控制算法的復雜性。
權重系數(shù)設計實則為參數(shù)優(yōu)化問題,傳統(tǒng)優(yōu)化算法受限于基于梯度的模型連續(xù)、可導的要求。粒子群算法(Particle Swarm Optimization, PSO)是由Russell Eberhart和James Kennedy提出的一種模仿生物系統(tǒng)行為的群體智能優(yōu)化算法[18],該方法能夠克服伺服系統(tǒng)中模型參數(shù)變化和非線性等不確定因素,在參數(shù)優(yōu)化中得到了廣泛應用[19-21]。
為了進一步優(yōu)化權重系數(shù)的設計,本文提出一種基于粒子群算法的權重系數(shù)自整定策略,通過分析模型預測轉矩控制中權重系數(shù)的設計原則,以兩相旋轉坐標系下電流誤差的方均根作為參考,將降低轉矩脈動和減小電流總諧波畸變率(Total Harmonic Distortion, THD)作為主要控制目標,設計了粒子群算法中粒子的目標函數(shù),然后采用基于混沌變異的動態(tài)重組多種群粒子群算法整定權重系數(shù),以加快算法的收斂速度,提高最優(yōu)權重系數(shù)的搜索精度。仿真和實驗結果表明,本文所提出的方法能夠準確地獲取合適的權重系數(shù),在保證電磁轉矩誤差較小的同時,減小電流的總諧波畸變。
本文以表貼式PMSM為仿真和實驗對象。假設電機的三相繞組對稱且為星形聯(lián)結,轉子每相氣隙磁動勢呈正弦分布,忽略鐵心飽和、渦流和磁滯損耗,則SPMSM在兩相旋轉坐標系下的定子電壓方程為[21]
定子磁鏈方程為
電磁轉矩方程為
將式(2)代入式(1),永磁同步電機電壓方程可表示為
采用一階歐拉公式對式(5)進行離散化可得電流預測模型為
磁鏈預測模型為
轉矩預測模型為
式中,s為采樣周期。
由于一階歐拉前向離散公式精度不高,因此本文采用二階歐拉離散方法,主要包括歐拉前向積分公式和梯形積分公式,其離散表達式為
MPTC主要是以電磁轉矩和磁鏈的跟蹤誤差為控制目標,因此通常將代價函數(shù)設計為
式中,max為最大允許電流。
權重系數(shù)的設計通常采用與主要變量即電流誤差相關的數(shù)據(jù)進行評估,如電流穩(wěn)態(tài)誤差方均根(Root Mean Square, RMS)或電流THD[22]。
MPTC中代價函數(shù)的權重系數(shù)用來調整轉矩誤差和磁鏈誤差的控制比重,實際上也是間接地調整旋轉坐標下電流d、q誤差的控制權重,將式(7)和式(8)代入式(10)中,得
其中
因此可以將電流d、q的穩(wěn)態(tài)誤差方均根作為評價權重系數(shù)設計的依據(jù)。
PSO算法中每個粒子代表一個權重系數(shù),由于用電流d、q穩(wěn)態(tài)誤差的方均根評價權重系數(shù),所以每個粒子的目標函數(shù)值應該由含有電流誤差方均根的目標函數(shù)確定。由式(2)和式(3)可知,對于表貼式永磁同步電機,轉矩主要由電流q決定,而電流d的誤差主要影響磁鏈誤差的大小,因此可將目標函數(shù)設計為
其中
rms(d)rms(q)rms(q)rms(d)
式中,項為電流d、q的誤差控制項,其作用是減小電流THD;為電流q誤差控制權重系數(shù),仿真和實驗表明該系數(shù)應盡量大,直至PSO算法收斂為尋優(yōu)范圍的最小值1;項是保證使電流q誤差不大于電流d誤差,使電流THD較小的同時,轉矩誤差應盡可能小。
傳統(tǒng)粒子群算法中每個粒子的初始位置是隨機分布的,在每次迭代中記錄每個粒子的歷史最優(yōu)位置pBest,及整個粒子群的全局最優(yōu)位置gBest,每次迭代完成后,粒子位置和速度根據(jù)式(14)更新。
式中,pv()、px()分別為粒子在第代的速度和位置;為慣性權重系數(shù);1、2分別為局部學習因子和全局學習因子;1、2為[0,1]之間的隨機數(shù)。
將慣性權重系數(shù)設置為從max=0.9到min=0.2線性下降[23],見式(15);1、2采用異步時變的設置方式,見式(16)。這種設置的目的是在優(yōu)化初期加強全局搜索,而在搜索后期促使粒子收斂于全局最優(yōu)解。
式中,為迭代次數(shù);max為最大迭代次數(shù);1max=2max=2.5,1min=2min=0.5。
粒子群算法有較大鄰域時,處理簡單問題效果較好,鄰域較小時,可更好地處理復雜問題[24]。2005年J. J. Liang等設計了采用動態(tài)重組的多種群粒子群算法(Dynamic Multi-swarm Particle Swarm Ptimizer, DMSPSO),使用小的粒子群解決復雜的問題,同時將小粒子群動態(tài)重組,以便粒子能在不同種群中交換信息,提高探索精度[25]。
在DMSPSO中,將整個粒子群分為多個小的子粒子群,每個子粒子群作為一個獨立的種群進行尋優(yōu),然后以一定的重組周期,將整個粒子群再次進行隨機重組。DMSPSO的具體步驟如下:
(1)采用傳統(tǒng)PSO算法初始化粒子群的參數(shù),將粒子群進行隨機重組。
(2)計算粒子的目標函數(shù)值。
(3)當?shù)螖?shù)<0.9max時,采用式(17)更新粒子的速度和位置;否則,采用式(14)進行更新。
式中,sgBest為每個子粒子群的全局最優(yōu)值。
(4)如果滿足mod()=0且<0.9max,則對粒子群進行隨機重組;否則,不執(zhí)行該步驟。
(5)返回到步驟(2)直到達到最大迭代次數(shù)。
混沌是一種在自然界廣泛存在的非線性現(xiàn)象,具有隨機性、遍歷性、初始條件敏感性等特點,其在局部尋優(yōu)中具有較優(yōu)的性能。一個簡單的混沌logistice方程為[26]
式中,為混沌變量。當介于3.56和4之間時,方程迭代的值變化最大,可完全進入混沌狀態(tài)。
基于混沌變異的動態(tài)重組多種群粒子群算法的具體步驟如下:
(1)根據(jù)傳統(tǒng)PSO算法初始化粒子群的參數(shù),將粒子進行隨機重組。
(2)計算每個粒子的目標函數(shù)值。
(3)當?shù)螖?shù)<0.9max時,采用式(17)更新粒子的速度和位置;否則,采用式(14)進行更新。
①將子粒子群中的粒子映射到logistice方程的定義域(0,1)中,即
③將混沌序列映射到原粒子群空間中(式(20)),從而產生一個混沌變異的子粒子群,并用該粒子群替換原粒子群。
式中,=1,2,…,,為該子粒子群中粒子個數(shù)。
否則,不執(zhí)行該步驟。
(5)返回步驟(2),直至達到最大次數(shù)。
為了驗證改進PSO算法的搜索速度和精度,在Matlab/Simulink的仿真環(huán)境中設計粒子群算法整定權重系數(shù)的永磁同步電機模型預測轉矩控制(MPTC)的仿真模型,分別采用傳統(tǒng)粒子群算法(CPSO)、動態(tài)重組的多種群粒子群算法(DMSPSO)、基于混沌變異的動態(tài)重組多種群粒子群算法(CDMSPSO)對MPTC中的權重系數(shù)進行整定,通過對比三種不同的粒子群算法驗證改進算法的優(yōu)越性和可行性。仿真和實驗的電機參數(shù)見表1。
表1 仿真和實驗的電機參數(shù)
Tab.1 Simulation and experimental parameters
為了合理對比三種不同PSO算法的性能, CPSO、DMSPSO、CDMSPSO算法均采用動態(tài)慣性權重系數(shù)和異步更新的學習因子,如式(15)和式(16),總的粒子個數(shù)為15,每個粒子維度為1,尋優(yōu)范圍為[1,30],最大迭代次數(shù)為150次。對于DMSPSO和CDMSPSO,子粒子群個數(shù)為5,粒子重組周期為5,在每次粒子重組后,CDMSPSO進行一次混沌變異。為了分析不同的電流q誤差控制比重對代價函數(shù)中權重系數(shù)的尋優(yōu)結果的影響,仿真中設置了不同的目標函數(shù)權重系數(shù)為1、1.1、1.5和2,使用200個電流誤差采樣點計算RMS,然后計算每個粒子的目標函數(shù)值。權重系數(shù)整定時電機工況為1 000r/min,50%額定負載,仿真結果如圖2所示。表2中列出了對于不同的目標函數(shù)控制權重,三種算法整定出的代價函數(shù)的最優(yōu)權重系數(shù),及其對應的電流THD。=1時電流的THD=11.10%。
圖2 在電機轉速1000r/min,50%額定轉矩下每代的目標函數(shù)值和最優(yōu)權重系數(shù)
表2 權重系數(shù)整定和電流THD的仿真結果
Tab.2 Simulation results of weighting factors setting and current THD
由仿真結果圖2可知,相比于CPSO、DMSPSO,CDMSPSO能在較少的迭代次數(shù)內快速收斂到使目標函數(shù)值較小的參數(shù)范圍內,且最終整定出的參數(shù)使目標函數(shù)值更小,即尋優(yōu)到的參數(shù)更優(yōu),因此CDMSPSO具有較快的收斂速度和探索精度。而表2中仿真結果表明,三種算法均能搜索到較優(yōu)的權重系數(shù),并且對于不同的目標函數(shù)的權重系數(shù),三種算法整定的代價函數(shù)權重系數(shù)使電機的電流THD差小于0.5%。而對于預測轉矩控制,其主要控制目標為轉矩,所以在保證電流THD盡可能小的同時,其代價函數(shù)中轉矩應該占有較大的控制比重,因此目標函數(shù)中應以電流q的誤差控制為主,即的值應該盡可能大。
為了驗證采用PSO算法整定模型預測控制中權重系數(shù)的可行性,本文中結合Matlab和DSP進行實驗平臺驗證。實驗平臺如圖3所示,包括3.8kW驅動電機,3.8kW負載電機,以及由英飛凌 IGBT FF300R12ME4 模塊和德州儀器TMS320F28379 MCU構成的驅動控制器。
考慮到PSO 算法運算量較大的問題,選擇將其在Matlab/GUIDE設計的上位機中實現(xiàn),將采樣數(shù)據(jù)發(fā)送到上位機中,分別由三種PSO算法整定權重系數(shù),而不用額外增加DSP的計算負擔。實驗驗證系統(tǒng)的框圖如圖4所示。
圖3 實驗平臺
圖4 實驗驗證系統(tǒng)框圖
在實驗中選取目標函數(shù)的權重系數(shù)為2,為了減少實驗過程中權重系數(shù)整定的時間,在PSO算法運行中,如果全局最優(yōu)值連續(xù)30代不變,則停止整定,將其作為最優(yōu)權重系數(shù)給定到MPTC程序中,因此整定時間長短存在差異,同時由于受限于串聯(lián)接口傳輸速度,所以整定時間相對較長。
由實驗結果圖5所示可知,三種算法CPSO、DMSPSO、CDMSPSO整定出的權重系數(shù)分別為3.72、3.41、3.27,對應的電流THD為3.23%、3.17%、2.49%,而當權重系數(shù)為1時,電機的電流THD為4.12%,因此將轉矩誤差和磁鏈誤差標幺化后,盡管轉矩誤差較小,但是并不能得到好的電流控制效果,而采用三種PSO算法整定出的權重系數(shù)均能使電機具有較小的電流THD,相比之下,CDMSPSO整定得到的更小,即能使轉矩波動更小,因此CDMSPSO相比CPSO、DMSPSO,在求解由問題定義的目標函數(shù)的最優(yōu)解時,具有更好的尋優(yōu)精度。
為驗證所提方法的優(yōu)越性,選取較新的級聯(lián)式PTC[14]與文中所提方法進行對比。對比實驗結果如圖5d、圖6所示,級聯(lián)式PTC的電流THD為4.82%,采用所提方法整定權重系數(shù)后電流THD為2.49%,由此可知,雖然級聯(lián)式PTC無需調整權重系數(shù),但是該方法并不能實現(xiàn)控制目標的同步優(yōu)化,相比級聯(lián)式PTC,采用權重系數(shù)調整控制目標的控制比重,實現(xiàn)同步優(yōu)化的方法具有更小的轉矩脈動和更好的電流質量。
為進一步驗證系統(tǒng)動態(tài)性能,在額定轉速、空載工況下整定的權重系數(shù)=2.13,并進行額定轉速翻轉測試,結果如圖7所示,圖8為轉速450r/min下突加50%負載的實驗波形,圖8a和圖8b分別為測試傳統(tǒng)標幺化方法=1和=2.82時負載變化的處理效果,可知,在相同控制結構的系統(tǒng)中(外環(huán)為PI控制器,內環(huán)為PTC控制器),權重系數(shù)對其動態(tài)性能無較大影響,但是在所提方法整定出的權重系數(shù)下(=2.82),電流THD(4.94%)相比于=1時的電流THD(6.39%)更小。因此,整定出的權重系數(shù)在不影響系統(tǒng)動態(tài)性能的同時,可實現(xiàn)更好的電流控制效果。
圖7 額定轉速下電機翻轉實驗波形
圖9給出了不同工況下,由CDMSPSO算法整定出的,為了減小實驗中擾動帶來的偶然因素影響,在每種工況下,用算法CDMSPSO對其進行5次的系數(shù)整定,然后將最小的三個系數(shù)取平均值作為最優(yōu)權重系數(shù)。
圖9 不同工況下權重系數(shù)
由圖9 可知,如果只考慮系統(tǒng)的穩(wěn)態(tài)性能,對于電機不同的工況,其權重系數(shù)的大小相差不大。但是在相同負載情況下,電機在中、低速時的磁鏈權重系數(shù)要比高速時的磁鏈權重系數(shù)大;而在相同轉速時,重載下的磁鏈權重系數(shù)相對較大。
本文通過分析模型預測轉矩控制中權重系數(shù)設計原則,將電流d、q誤差的方均根作為權重系數(shù)調整的依據(jù),設計了粒子的目標函數(shù),運用混沌變異的動態(tài)重組多種群粒子群算法對權重系數(shù)進行整定。該算法在傳統(tǒng)的粒子群算法的基礎上使用動態(tài)重組的粒子結構,結合混沌變異的更新策略,在全局探索性能、搜索精度、收斂速度上均有較好的效果。仿真及實驗結果證明采用粒子群算法整定權重系數(shù)的可行性,并且得出CDMSPSO算法較CPSO、DMSPSO在權重系數(shù)整定中的優(yōu)越性、可獲得更優(yōu)的電流控制質量結果。本文提出的模型預測控制權重系數(shù)設計方法可擴展應用于多電平多變量等復雜系統(tǒng)。
[1] 陳煒, 曾思坷, 張國政, 等. 永磁同步電機改進型三矢量模型預測轉矩控制[J]. 電工技術學報, 2018, 33(增刊2):420-426. Chen Wei, Zeng Sike, Zhang Guozheng, et al. Improved three-vector model predictive torque control of permanent magnet synchronous motor[J]. Transactions of China Electrotechnical Society, 2018, 33(S2): 420-426.
[2] Aoyama M, Deng J. Visualization and quantitative evaluation of eddy current loss in bar-wound type permanent magnet synchronous motor for mild-hybrid vehicles[J]. CES Transactions on Electrical Machines and Systems, 2019, 3(3): 269-278.
[3] 班斐, 連廣坤, 陳彪, 等. 針對永磁同步電機的解耦預測轉矩控制策略研究及其無位置傳感器對比分析[J]. 電工技術學報, 2018, 33(增刊2): 401-410. Ban Fei, Lian Guangkun, Chen Biao, et al. Comparative analysis of sensorless control methods based on the decoupling predictive torque control strategy for permanent magnet synchronous motor[J]. Transactions of China Electrotechnical Society, 2018, 33(S2): 401-410.
[4] 魏堯, 魏艷君, 馬云飛, 等. 永磁同步電機轉子位置的級聯(lián)預測控制[J]. 電工技術學報, 2019, 34(1): 41-48. Wei Yao, Wei Yanjun, Ma Yunfei, et al. Cascade predictive control for rotor position of permanent magnet synchronous machines[J]. Transactions of China Electrotechnical Society, 2019, 34(1): 41-48.
[5] 劉珅, 高琳. 永磁同步電機的改進模型預測直接轉矩控制[J]. 電機與控制學報, 2020, 24(1): 10-17. Liu Shen, Gao Lin. Improved model of predictive direct torque control for permanent magnet synchronous motor[J]. Electric Machines and Control, 2020, 24(1): 10-17.
[6] Cortes P, Rodriguez J, Vargas R, et al. Cost function-based predictive control for power converters[C]// IECON 2006-32nd Annual Conference on IEEE Industrial Electronics, Paris, France, 2006: 2268-2273.
[7] 張永昌, 楊海濤. 感應電機模型預測磁鏈控制[J]. 中國電機工程學報, 2015, 35(3): 719-726. Zhang Yongchang, Yang Haitao. Model predictive flux control for induction motor drives[J]. Proceedings of the CSEE, 2015, 35(3): 719-726.
[8] 康勁松, 李旭東, 王碩. 計及參數(shù)誤差的永磁同步電機最優(yōu)虛擬矢量預測電流控制[J]. 電工技術學報, 2018, 33(24): 5731-5740. Kang Jinsong, Li Xudong, Wang Shuo. Optimal virtual vector predictive current control for permanent magnet synchronous motor considering parameter errors[J]. Transactions of China Electrotechnical Society, 2018, 33(24): 5731-5740.
[9] 郭磊磊, 金楠, 李琰琰, 等. 電壓源逆變器虛擬矢量模型預測共模電壓抑制方法[J]. 電工技術學報, 2020, 35(4): 839-849. Gou Lielie, Jin Nan, Li Yanyan, et al. Virtual vector based model predictive common-mode voltage reduction method for voltage source inverters[J]. Transactions of China Electrotechnical Society, 2020, 35(4): 839-849.
[10] Zhang Xiaoguang, Hou Benshuai. Double vectors model predictive torque control without weighting factor based on voltage tracking error[J]. IEEE Transactions on Power Electronics, 2018, 33(3): 2368-2380.
[11] 李耀華, 秦輝, 蘇錦仕, 等. 永磁同步電機模糊自適應變開關次數(shù)權重系數(shù)模型預測轉矩控制[J]. 電機與控制學報, 2020, http://kns.cnki.net/kcms/ detail/23.1408.TM.20200117.1645.031.html. Li Yaohua, Qin Hui, Su Jinshi, et al. Model predictive torque control of permanent magnet synchronous motor based on adaptive dynamic weight coefficient using fuzzy control[J]. Electric Machines and Control,2020, http://kns.cnki.net/kcms/detail/23.1408.TM. 20200117. 1645.031.html
[12] Hadla H, Cruz S. Predictive stator flux and load angle control of synchronous reluctance motor drives operating in a wide speed range[J]. IEEE Transactions on Industrial Electronics, 2017, 64(9): 6950-6959.
[13] Davari S A, Khaburi D A, Kennel R. An improved FCS-MPC algorithm for an induction motor with an imposed optimized weighting factor[J]. IEEE Transactions on Power Electronics, 2012, 27(3): 1540-1551.
[14] Norambuena M, Rodriguez J, Zhang Z, et al. A very simple strategy for high-quality performance of AC machines using model predictive control[J]. IEEE Transactions on Power Electronics, 2019, 34(1): 794-800.
[15] 涂文聰, 駱光照, 劉衛(wèi)國. 基于模糊動態(tài)代價函數(shù)的永磁同步電機有限控制集模型預測電流控制[J]. 電工技術學報, 2017, 32(16): 89-97. Tu Wencong, Luo Guangzhao, Liu Weiguo. Finite-control-set model predictive current control for permanent magnet synchronous motor based on dynamic cost function using fuzzy method[J]. Transactions of China Electrotechnical Society, 2017, 32(16): 89-97.
[16] 張曉光, 張亮, 侯本帥. 永磁同步電機優(yōu)化模型預測轉矩控制[J]. 中國電機工程學報, 2017, 37(16): 4800-4809. Zhang Xiaoguang, Zhang Liang, Hou Benshuai. Improved model predictive torque control of permanent magnet synchronous motor[J]. Proceedings of the CSEE, 2017, 37(16): 4800-4809.
[17] Wang Fengxiang, Xie Haotian, Chen Qing, et al. Parallel predictive torque control for induction machines without weighting factors[J]. IEEE Transactions on Power Electronics, 2020, 35(2): 1779-1788.
[18] Sandre-Hernandez O, Morales-Caporal R, Rangel-Magdaleno J, et al. Parameter identification of PMSMs using experimental measurements and a PSO algorithm[J]. IEEE Transactions on Instrumentation and Measurement, 2015, 64(8): 2146-2154.
[19] Liu Zhaohua, Wei Hualiang, Li Xiaohua, et al. Global identification of electrical and mechanical parameters in PMSM drive based on dynamic self-learning PSO[J]. IEEE Transactions on Power Electronics, 2018,33(12): 10858-10871.
[20] Xu W, Ismail M M, Liu Yi, et al. Parameter optimization of adaptive flux-weakening strategy for permanent-magnet synchronous motor drives based on particle swarm algorithm[J]. IEEE Transactions on Power Electronics, 2019, 34(12): 12128-12140.
[21] 劉細平, 胡衛(wèi)平, 丁衛(wèi)中, 等. 永磁同步電機多參數(shù)辨識方法研究[J]. 電工技術學報, 2020, 36(6): 1198-1207. Liu Xiping, Hu Weiping, Ding Weizhong, et al. Research on multi-parameter identification method of permanent magnet synchronous motor[J]. Transactions of China Electrotechnical Society, 2020, 36(6): 1198-1207.
[22] Jose Rodriguez, Patricio Cortes. 功率變換器和電氣傳動的預測控制[M]. 陳一民, 周京華, 衛(wèi)三民等譯. 北京: 機械工業(yè)出版社, 2015.
[23] 黃凱, 郭永芳, 李志剛. 基于信息反饋粒子群的高精度鋰離子電池模型參數(shù)辨識[J]. 電工技術學報, 2019, 34(增刊1): 378-387.Huang Kai, Guo Yongfang, Li Zhigang. High precision parameter identification of lithium-ion battery model based on feedback particle swarm optimization algorithm[J]. Transactions of China Electrotechnical Society, 2019, 34(S1): 378-387.
[24] Kennedy J. Small worlds and mega-minds: effects of neighborhood topology on particle swarm performance[C]// Proceedings of the 1999 Congress on Evolutionary Computation-CEC99(99TH8406), Washington DC, USA, 1999: 1931-1938.
[25] Liang J J, Suganthan P N. Dynamic multi-swarm particle swarm optimizer[C]// IEEE Swarm Intelligence Symposium, Pasadena, CA, USA, 2005: 124-129.
[26] 賈東立, 張家樹, 張超. 基于混沌遺傳算法的基元提取[J]. 西南交通大學學報, 2005, 40(4): 496-500. Jia Dongli, Zhang Jiashu, Zhang Chao. Geometric primetive extraction using chaos genetic algorithm[J]. Journal of Southwest Jiaotong University, 2005, 40(4): 496-500.
Weighting Factors Design of Model Predictive Control for Permanent Magnet Synchronous Machine Using Particle Swarm Optimization
Li Jiaxiang1,2Wang Fengxiang1,2Ke Dongliang2Li Zheng2He Long2
(1. College of Electrical Engineering and Automation Fuzhou University Fuzhou 350108 China 2. National and local joint Engineering Research Center for Electrical Drives and Power Electronics Quanzhou Institute of Equipment Manufacturing Haixi Institute Chinese Academy of Sciences Quanzhou 362200 China)
In this paper, a dynamic recombined multi-population particle swarm optimization algorithm based on chaotic-mutation (CDMSPSO) is proposed to realize self-tuning of the weighting factors when model predictive control algorithm (MPC) is dealing with multi-objective and multi-constraint conditions. By analyzing the design principle of cost function in the model predictive torque control (MPTC), taking the root mean square of the current error in the two-phase rotating coordinate system as a reference, the objective function of particles in particle swarm optimization is designed with reducing the torque ripple and reducing the current total harmonic distortion (THD) as the main control objectives. The whole population was divided into several small sub-particle swarms by using CDMSPSO, and the particles were randomly recombined with a certain recombination period, then a random sub-particle swarm is selected and chaotic sequence is generated iteratively on the basis of any particle, and the selected sub-particle swarm is replaced by the new chaotic sequence to realize chaotic mutation of particles. Simulation and experimental results show that this method can solve the problem of weighting factors setting well and achieve excellent steady-state performance.
Permanent magnet synchronous motor, model predictive control, weighting factors, particle swarm optimization, dynamic recombination, chaotic mutation
TM341
10.19595/j.cnki.1000-6753.tces.200752
國家自然科學基金項目(51877207)和中國科學院海西研究院“前瞻跨越”計劃重大項目(CXZX-2018-Q01)資助。
2020-06-30
2020-07-25
李家祥 男,1996年生,碩士研究生,研究方向為電機控制和智能優(yōu)化算法。E-mail:jiaxiang_li163@163.com
汪鳳翔 男,1982年生,研究員,博士生導師,研究方向為電機驅動與電力電子。E-mail:fengxiang.wang@fjirsm.ac.cn(通信作者)
(編輯 郭麗軍)