为电力驱动系统设计的广义数据驱动无模型预测控制

高端装备制造近年来发展迅猛，交流(AC)电机必不可少。传统的电机驱动系统控制策略不能完全满足控制精度严格、转矩稳定、多目标优化等要求。作为第三代先进控制技术，预测控制以其优异的动态性能和控制精度而备受关注。

由于电机的物理参数呈非线性变化，电机驱动系统在参数不匹配的情况下连续运行。然而，预测控制的鲁棒性较弱，因为其实现的性能严重依赖模型精度，因此限制了其在高端制造领域的应用。无模型预测控制策略采用数据驱动模型，从根本上消除了参数不匹配的影响，增强了鲁棒性。

福建物质结构研究所王凤祥教授课题组在IEEETransactionsonIndustrialElectronics发表的一项研究中，设计了一种基于递归最小二乘的自回归外生输入(ARX)模型(RLS)估计算法来准确地在线拟合电机。

研究人员分析了数据驱动模型的结构。考虑到过去采样周期的运行状态，他们设计了一个ARX数据驱动模型，以满足电机中机械部分的特性。ARX是一个分数表达式，其分母和分子是由一组采样电流的时间序列组成的离散时间传递函数，其中传递函数中的系数是在线选择的，以准确拟合被控对象。

然后，他们基于RLS算法估计了上述系数，其中收集采样数据的回归向量和系数在每个采样周期更新，并通过时移获得预测变量。有趣的是，与系统相比，系数的收敛速度较慢，并且该过程几乎不受干扰的影响。

研究人员发现，传递函数的阶数也是直接决定控制性能的重要值。系统更复杂的运行状态可以通过增加阶数的数据驱动模型来精确拟合。但是，这些值总是受到处理器资源的限制，这个术语成为一种潜在的优化。

研究人员选择了一个永磁同步电机(PMSM)速度控制系统作为示例来证明所提出的控制策略的有效性。根据仿真和实验结果，与相同条件下基于超局部的传统无模型预测控制相比，所提出的控制策略在动力学、电流质量和鲁棒性方面都有所提高。

此外，由于数据驱动模型的通用结构，所提出的方法具有足够的兼容性，可以应用于其他电机驱动系统。

该研究为电机驱动系统的无模型预测控制的未来设计和综合提供了重要的指导。

标签：