永磁同步電機(permanent magnet synchronous motor, PMSM)以其結構簡單、功率密度高、控制性能好等優點得到廣泛應用。電機的高性能運行需要獲取精確的定子電阻Rs、dq軸電感Ld、Lq以及轉子磁鏈值,但這些電磁參數會隨電機負載以及溫度改變而發生變化,嚴重時會導致電機系統故障。
例如在電機實際運行過程中,電機散熱或其他損耗因素導致電機運行溫度升高,從而導致定子電阻阻值增加、磁鏈值減少,降低電機的控制效果甚至造成電機的永久損壞。獲取準確的電機參數可以改善電機的控制性能,提高電機的運行效率。
準確獲取定子電阻值與電感值可以實現比例積分控制器(proportional-integral controller, PI)參數的整定計算,電機電感與磁鏈值的精確獲取有利于提高電機解耦控制的解耦效果。因此,實現電機參數實時精確獲取對PMSM控制系統安全可靠運行起著至關重要的作用。
電機控制系統高性能運行需要獲取精確的參數,電機參數會因其運行溫度而改變,其中定子電阻、鐵磁材料的磁導率與溫度有非線性關系,在對功率密度要求較高的領域,電機溫度的變化會導致電樞電阻出現20%~40%的變化以及永磁體磁鏈出現20%的變化,溫度變化范圍較大時,甚至導致永磁體失磁。
另外電機合成磁場諧波產生的渦流也會引起永磁體永久失磁。除了溫度的影響外,磁路飽和程度對電機參數的影響也逐漸得到關注,磁路飽和會對Ld、Lq產生影響。
綜上所述,由于溫度以及磁路飽和造成電機參數改變導致PMSM控制性能下降,因此電機參數精確辨識并通過控制器自適應更新可以實現電機高性能運行。PMSM參數辨識方法主要分為離線辨識與在線辨識。
離線辨識需要電機保持靜止狀態時對電機參數進行辨識,但在實際的應用過程中,電機的溫度隨負載的變化而改變,因此離線辨識對電機穩定運行時參數辨識意義不大。
永磁電機在線辨識的幾類方法中,最小二乘法辨識過程簡單且計算量適中,但在參數辨識時存在目標函數對電機參數求導的過程,噪聲或者電機轉速波動都會對求導過程造成影響。模型參數自適應法具有算法簡單和易于實現的優點,但可調的自適應模型復雜不易建立。
擴展卡爾曼濾波雖然克服了卡爾曼濾波僅適用于線性系統以及噪聲敏感的問題,但由于其每一步都要進行矩陣和矢量運算,導致辨識過程中計算量巨大且當辨識參數較多時計算非常復雜。智能算法在參數辨識中有良好的辨識結果,但智能算法存在前期需要數據量大、計算復雜度很大和對硬件的要求很高等問題,普通的控制器達不到理想效果。綜上所述,現有的永磁電機參數辨識算法均存在優勢與不足,適用于不同的電機運行領域。
PMSM參數辨識還存在一些問題:①PMSM辨識方程欠秩導致參數結果不惟一,而且在辨識過程中易陷入局部最優;②人工智能算法存在需要數據量大和辨識過程計算量大的問題;③參數辨識精度和魯棒性問題。
1)構建全秩PMSM辨識方程
PMSM辨識方程欠秩是造成參數辨識過程不惟一的主要原因。目前多數學者通過注入特定的激勵電流來構建全秩辨識方程,但注入的小擾動電流會影響辨識精度。雖然有學者[26]提出采用兩組交軸電壓、電流以及電角速度代入離散化電壓方程構建全秩辨識方程,但該方法其他參數對辨識估算值產生影響。因此構建全秩PMSM辨識方程仍然是需要關注并深入研究的方面。
2)降低人工智能算法計算量
智能算法因較強的非線性尋優能力得到廣泛的關注,但該類算法存在計算量巨大和數據處理負擔過重的問題。Bharadwai[27]首先利用輸入和輸出變量參數對神經網絡進行離線訓練,然后再將神經網絡用于電機參數實時辨識,此方法雖然降低了神經網絡的計算量,但沒有考慮自身的穩定性,不能保證辨識結果的收斂性,因此降低人工智能算法的計算量仍然需要進一步的研究。
3)提高參數辨識精度
電機的實際運行過程中,存在開關延時、死區時間和開關管壓降等非線性問題,使得參數的辨識精度不高。大多數學者通過死區補償來消除這些因素的影響,目前死區補償方法有基于硬件的補償算法和基于軟件的補償算法。
基于硬件的補償算法,有學者采用簡單實用的諧波電流監測來對系統的非線性因素進行補償?;谲浖难a償算法不增加系統成本,不改變系統現有的結構,但是在大部分的軟件補償算法中,由于實際系統會有采樣干擾以及零電流鉗位情況,這給電流方向的確定帶來了很大的困難,因此如何利用補償算法提高參數辨識精度仍然需要研究。
4)提高電機參數的魯棒性
基于永磁同步電機有限集模型預測已經取得了一些研究成果,其中,在保證系統穩定前提下,提高預測電流控制對電機參數的魯棒性是目前研究的熱點。預測電流控制是一種依賴模型準確度的控制策略,參數失配時系統控制性能變差,傳統的延時補償環節補償結果不準確,可以將在線參數辨識和前饋控制器相結合,加強補償的準確性,提高系統魯棒性。
本文編自2020年第8期《電氣技術》,標題為“永磁同步電機參數辨識研究綜述”,作者為劉偉、王俊。