本技术属于电动机控制技术领域,特别涉及一种同步电机的矢量控制方法,通过获得矢量控制中间过程的虚拟电流偏差和虚拟电压偏差的关系;从当前周期相对于上一周期电压矢量偏差的所有可能中找到最接近虚拟电压偏差的电压矢量偏差,与上一周期电压矢量的参考值做和运算,得到当前周期电压矢量的参考值,将该参考值作用于电机逆变器的桥臂,改变逆变器的开关状态,实现对电机的矢量控制,通过循环使用前一周期的电流,减少了算法对电机参数的依赖性。该方法能大幅削减需计算的数据量,提升控制的效率和精度,适用于同步电机调速。本发明还提供一种存储有该方法程序的非暂态可读记录媒体及包含该媒体的系统,通过处理电路可以调用程序,执行上述方法。
背景技术
永磁直线同步电机(Permanent magnet linear synchronous motor,PMLSM)由于其高速、高动态、高精度的突出优点,已广泛应用于各种运动控制应用,如计算机数控机床、电动汽车等工业机器中。
近年来,由于良好的动态响应和灵活的多变量控制,模型预测控制被认为是一种很有前景的电力电子变流器控制策略,包括有限控制集和连续控制集。有限控制集模型预测控制产生连续的控制信号,通过最小化代价函数得到最优向量。与有限控制集模型预测相比,离散控制集模型预测采用不固定开关频率,不需要调制器,引起了研究者的广泛关注。离散控制集模型预测又可分为模型预测电流控制、模型预测转矩控制和模型预测速度控制等。与其他方法相比,模型预测电流控制(Model Predictive Current Control,MPCC)使用电流作为控制变量,一方面电流易于测量,另一方面可以省略权重因子的调整。然而,将模型预测电流控制应用于电机控制系统的关键问题是计算量大和对电机参数的高度依赖,且对电机参数的高度依赖从另一个角度增加了计算量,这导致控制的效率和精度都比较低。
1992年南佛罗里达大学坎德尔提出将循环神经网络(Recurrent neuralnetwork,RNN)与机器人控制相结合。自适应方法通过补偿神经元特征的微小变化来提供一定程度的鲁棒性。2023年挪威科技大学的P.R.Bana采用人工神经网络作为内电流控制器,采用PI和MPC方案作为电压源变换器的监控控制器。上述研究采用人工神经网络作为观测器来实现参数辨识和解决控制系统问题。然而,模型预测电流控制算法与循环神经网络算法在本质上并没有紧密的结合。怎样将人工神经网络算法原理中的自适应方法移植到预测电流控制模型中,从而解决对电机参数的高度依赖的问题并减少计算量是本领域技术人员正在考虑的问题。
实现思路