一种提高电动汽车用永磁同步电机效率的方法
阅读说明：本技术 一种提高电动汽车用永磁同步电机效率的方法 (Method for improving efficiency of permanent magnet synchronous motor for electric automobile ) 是由 谢芳 安超晨 于飞 于 2021-09-03 设计创作，主要内容包括：本发明公开一种提高电动汽车用永磁同步电机效率的方法,通过对电流的协调控制,提高电动汽车用内置式永磁同步电机的运行效率,首先,建立电机效率的数学模型,定性分析电机在不同运行区域下效率最优时的直轴电流和交轴电流分配规律,设计了基于电流分配模型的矢量控制系统；其次,搭建AVL测功机台架系统实验平台,通过实测数据建立样本空间；其次,引入深度置信网络的电流回归模型,采用“预训练—微调参数”的两阶段学习训练网络参数；最后,将此回归模型嵌入到控制系统中,实现电流的协调控制。该方法配比电流精确,可以提高永磁同步电机在整个调速范围的运行效率。(The invention discloses a method for improving the efficiency of a permanent magnet synchronous motor for an electric vehicle, which improves the operating efficiency of a built-in permanent magnet synchronous motor for the electric vehicle by coordinating and controlling current, firstly, a mathematical model of the motor efficiency is established, the distribution rule of direct axis current and quadrature axis current when the efficiency of the motor is optimal in different operating areas is qualitatively analyzed, and a vector control system based on a current distribution model is designed; secondly, an AVL dynamometer rack system experiment platform is set up, and a sample space is established through actually measured data; secondly, introducing a current regression model of a deep confidence network, and learning and training network parameters by adopting two stages of pre-training-fine tuning parameters; and finally, embedding the regression model into a control system to realize the coordination control of the current. The method has accurate proportioning current and can improve the operation efficiency of the permanent magnet synchronous motor in the whole speed regulation range.)
技术领域
本发明涉及永磁同步电机的技术领域，具体涉及一种提高电动汽车用永磁同步电机效率方法。
背景技术
由于电动汽车行驶条件比较复杂，经常启动、停车和加减速，并且要兼顾司机驾驶和乘客乘坐的舒适性，对电动汽车的驱动系统有很高的要求。内嵌式永磁同步电机以其高效率、高功率密度等优点在电动汽车领域得到了广泛的应用。然而，电动汽车复杂的运行条件会大大降低电机效率。因此，研究电动汽车驱动电机的效率优化对于节约能源和减少环境污染具有重要意义。现有的提高效率的方法主要是电机本体设计和控制策略。电机本体的设计是利用新材料和改进技术来实现节能。然而，当确定电机本体时，控制策略的优化是一种经济有效的方法。
现有的电机效率优化控制策略方法很多，主要分为电机损耗模型的效率优化方法和输入功率最小策略两大类。损耗模型控制方法的控制效率是全局最优的，且控制速度较快，但该方法过于依赖精确的电机数学模型，无法适应多变的电动汽车运行工况。输入功率最小策略是通过调节dq轴电流，在相同的工况下使电源输入功率最小，该算法计算量较大，且优化速度较慢，可能出现振荡等现象。
与本发明相关的现有技术有：基于电机损耗模型的效率优化算法；基于混合式模糊搜索效率优化方法；基于铁耗在线计算的最小损耗预测电流控制策略；基于在线搜索法效率优化控制。现有技术的缺点在于：过于依赖精确的电机参数，影响因素多，无法满足电动汽车复杂运行工况的要求；算法计算量较大，优化速度较慢，控制系统复杂，参数整定困难，易产生转矩抖动。
发明内容
本发明所要解决的技术问题为：克服现有技术的不足，提供一种基于深度置信网络回归算法的电动汽车用永磁同步电机效率方法，通过对电流的协调控制以实现在不同工况下对电动汽车用永磁同步电机的效率优化，可以利用不连续的离散实测数据，在任意工况点下，实现多输入多输出的连续的精准预测，简化了系统的结构，降低了运算量，为PI调解器提供了精确的电流输入量，该方法配比电流精确，可以提高永磁同步电机在整个调速范围的运行效率。
本发明采用的技术方案为：基于深度置信网络回归算法的电动汽车用永磁同步电机效率方法，采集实测数据作为样本库，构建深度置信网络回归模型，并嵌入矢量控制系统中，通过电流的协调控制实现电机在不同工况下效率优化，具体包括以下步骤：
步骤一：根据永磁同步电机稳态运行情况下的定子电压方程、电磁转矩方程、电机输入功率、铜耗功率、铁耗功率和电机输出功率，建立电机效率与直轴电流isd和交轴电流isq的数学关系；
步骤二：利用步骤一建立的所述数学关系，根据永磁同步电机实际运行情况求解出永磁同步电机恒转矩和恒功率运行区域下的效率最优时的直轴电流isd和交轴电流isq，根据求解不同运行工况下直轴电流isd、交轴电流isq推导建立的解析模型的电流示意图；
步骤三：根据步骤二所述的最优电流建立矢量控制系统，矢量控制系统中包括电流分配模块、PI调节模块、坐标变换模块和SVPWM模块，将永磁同步电机给定的转速和转矩作为输入值，电流分配模型根据所述输入值进行电流分配，得到参考直轴电流交轴电流输出的参考电流直轴电流交轴电流经过PI调节和坐标变换再作为SVPWM生成的模块输入来产生逆变器控制信号，达到相应的控制效果；
步骤四：选取电流分配解析模型作为控制isd和isq配比的控制模型，在AVL实验平台测取永磁同步电机全工况运行时的电流离散数据和影响电流分配的各种系统参量，将其用作搭建深度置信网络电流回归模型的样本库；
步骤五：对恒转矩区和恒功率区运行工况下永磁同步电机实测数据进行预处理，预处理结果作为深度置信网络回归算法分配电流的样本库中的特征集；输入所述特征集，利用受限玻尔兹曼机RBM寻找输入特征x与输出特征y之间的映射关系，采用预训练和微调参数两阶段，学习训练深度置信网络回归模型中的网络参数，得到训练好的深度置信网络电流回归模型，最终得到输出的结果即直轴电流和交轴电流
步骤六：将上述训练好的深度置信网络电流回归模型替换步骤三所述的矢量控制系统中的电流分配模型，最终确定所述提高永磁同步电机效率的控制模型，并通过AVL实验平台进行验证该模型的有效性。
所述步骤一中：根据永磁同步电机稳态运行情况下的定子电压方程、电磁转矩方程、电机输入功率、铜耗功率、铁耗功率和电机输出功率，建立电机效率与转矩电流和励磁电流的数学关系如下：
所述步骤三中：电流分配矢量控制系统根据电机不同运行工况进行公式计算得到不同工况下的参考电流输出的参考电流经过PI调节模块、坐标变换模块再作为SVPWM生成的模块输入来产生逆变器控制信号。
所述步骤五具体的实现过程如下：
(1)采用z-score规范化方法对对恒转矩区和恒功率区运行工况下永磁同步电机实测数据进行归一化预处理；
其中，σx为实测数据中某一特征x的均值和标准差；x'为进行归一化处理的值；
根据步骤二所求永磁同步电机恒转矩和恒功率运行区域下的效率最优时的isd和isq的表达式选取恒转矩区中的电磁转矩Te、转速n、永磁体磁链ψf、d轴电感Ld、q轴电感Lq、定子相电流Is和恒功率区中的电磁转矩Te、转速n、永磁体磁链ψf、d轴电感Ld、q轴电感Lq、铜耗功率Pcu、铁耗功率Pfe、输入功率Pin、输出功率Pout、最大定子电压Umax、最大定子电流Imax、d轴电压usd、q轴电压usq作为输入特征集；
(2)预训练：将所述特征集作为输入，自下向上每次训练一个受限玻尔兹曼机RBM，在每一层，参数wij根据上一层计算得到的数据构建，单元的状态按照式(1)和(2)进行计算，权值采用单步对比分歧算法进行更新；
其中，wij是神经元i、j之间的连接权重；ai、xi分别为可见层中第i个神经元的偏置和状态；bj、xj分别为隐藏层中第j个神经元的偏置和状态；σ(x)为神经网络中的sigmiod激活函数；
(3)微调参数：上述训练结束后使用wake-sleep算法自上向下微调整个网络的权值直至达到设定训练次数或误差满足要求，最终得到输出的结果即直轴电流和交轴电流
本发明与现有技术相比的优点在于：
(1)本发明从深度学习的角度出发，对基于深度学习置信网络回归算法的电流预测模型的矢量控制系统进行建模，从而对永磁同步电机的励磁电流和转矩电流进行回归预测，通过对电流的协调控制，提高永磁同步电机整个调速范围的运行效率。
(2)本发明利用不连续的离散实测数据建模，在任意工况点下，实现多输入多输出的连续的精准预测，简化了系统的结构，降低了运算量，为PI调解器提供了精确的电流输入量，该方法配比电流精确，有效降低了电机实际运行中参数变化的影响。
附图说明
图1为按公式推导建立的解析模型的电流示意图；
图2为基于电流分配模型的矢量控制系统图；
图3为深度置信网络电流回归算法结构图；
图4为恒转矩区电流实测曲线与经深度置信网络回归模型的电流回归曲线对比图；
图5为恒功率区电流实测曲线与经深度置信网络回归模型的电流回归曲线对比图；
图6为恒转矩区传统矢量控制与嵌入深度置信网络电流回归模型的矢量控制系统的电机效率对比图；
图7为恒功率区传统矢量控制与嵌入深度置信网络电流回归模型的矢量控制系统的电机效率对比图；
图8为嵌入深度置信网络电流回归模型的矢量控制系统在电机整个调速范围内的效率map图；
图9为本发明方法的实现流程图。
具体实施方式
下结合附图以及具体实施方式进一步说明本发明。
如图9所示，本发明具体实施步骤如下：
步骤一：永磁同步电机在转子磁场定向矢量控制中，稳态运行时电机的定子电压方程(1)和电磁转矩方程(2)。电机损耗主要包括机械损耗和电气损耗两部分，机械损耗通常不可控；电气损耗则包括定子铜损(3)和铁心损耗(4)。电机的效率可由电机的输出功率(5)和电机输入功率之比来表示，即式(6)；从上式可看出，对于一定工况条件(给定转矩Te和转速ωr)，可通过协调控制转矩电流和励磁电流来实现电机效率的优化控制。
Te＝1.5npiq[id(Ld-Lq)+ψf] (2)
Pfe＝Cfeωr[(Ldisd+ψf)2+(Lqisd)2] (4)
Pout＝ωrTe (5)
式中：usd、usq分别为定子电压的dq轴分量；isd、isq分别为定子电流的dq轴分量；R为定子的电阻；ψd、ψq为定子磁链的dq轴分量；ωe为电角速度；Ld、Lq分别为dq轴电感分量；ψf为永磁体磁链；Te为电磁转矩，np为极对数；Cfe为铁损耗系数。
步骤二：建立电机在不同运行区域内的电流分配模型。(恒转矩区)当转速低于基转速时，选择最大电流比的原理控制定子电流，确定定子电流矢量(7)，使电机的铜消耗最小化，从而提高电机的运行效率。根据拉格朗日乘数法，式(2)为约束条件，求解恒转矩运行区的最优电流分配，计算结果如式(10)；电机在实际运行中考虑磁饱和等因素，往往以额定直轴电流isdrated作为(恒功率区)电机在恒功率区会受到电流和电压的限制，在电压限制和电流限制条件下对电机输入效率P(isd,isq)求得最小值；定义拉格朗日算子为式(12)，将式(12)分别对isd和isq求偏导并令其为零，将偏导方程代入式(2)，求解的近似结果如式(14)。
由上式解得不同工况下isd、isq的分配曲线，如图1所示，当ωr<ωrbase,把isdrated带入到式(7)，可以得到点坐标，根据式(8)得到的效率最优时电流矢量曲线为o-p1。当ωr≥ωrbase，A-B和A′-B′为转矩不同时的两种情况，曲线上部为约束范围内的可以选取得电流方案。如果式(12)的极小值点在约束范围内，即A′-B′和o-p1的交点满足电压和电流约束，则该极值点为最优解；如果极小值点超出约束范围，电压环上的B点横坐标距离极小值点最近，即B点为最优解。
式中：Is为定子电流；Imax为最大定子电流；Umax为最大定子电压；usd、usq分别为定子电压的dq轴分量；isd、isq分别为定子电流的dq轴分量；R为定子的电阻；ψd、ψq为定子磁链的dq轴分量；ωr为机械角速度；Ld、Lq分别为dq轴电感分量；ψf为永磁体磁链；Te为电磁转矩，np为极对数。
其中，
步骤三：根据不同运行工况分析影响电流分配一般性规律，搭建如图2所示的电流分配矢量控制系统，该控制系统的控制效果主要取决于控制器中的电流分配模块，根据电机需求给定转速、转矩等输入值，电流分配模型则根据输入值进行电流分配，得到参考指令电流输出的参考电流指令需经过PI调节和坐标变换再作为SVPWM生成的模块输入来产生逆变器控制信号，达到相应的控制效果，实现高性能电机控制。
步骤四：搭建基于AVL测功机台架系统的实验平台，对不同工况下的效率点进行测试。图2所示的系统作为实验平台永磁同步电机的控制系统，获取实测数据。实验中，调速范围为200r/min到3000r/min，通过控制台将转速设为固定值，在上位机上调节转矩，通过AVL得到实测电机效率，当功率达到上限则停止调节。测得同一转速不同转矩对应电机效率、电压、交轴电流、直轴电流等几组参量。改变转速设定值，直到覆盖调速全范围，最终测得的数据作为构建基于深度学习置信网络回归算法电流分配模型的实测数据样本。
步骤五：深度学习置信网络电流回归模型简图如图3所示，输出层输出回归预测结果，各受限玻尔兹曼机(RBM)层完成特征提取，说明本发明可实现多输入多输出的运行方式。其中，隐藏层的最佳层数、每层神经元的最佳个数、各RBM层的初始学习速率需要根据训练经验不断调试得出。本发明采用“预训练—微调参数”的两阶段学习训练网络参数，第一阶段利用贪心无监督学习算法逐层对整个模型参数进行初始化；第二阶段利用wake-sleep算法有监督地对网络空间的相关参数自顶向下进行微调。
输入特征集的选取是影响深度置信网络预测结果优劣的重要因素之一。为保证isd、isq的预测的准确性，应分别考虑电机在恒转矩区和恒功率区不同的电流解析关系选取特征值。在恒转矩区根据式(7)(8)(10)选取了(Te、n、ψf、Ld、Lq、Is)5维特征值；经多次尝试后，将DBN模型设置为5层，每层神经元个数设置为108、80、30、30、201，各RBM层对应学习率分别为0.02、0.1、0.02、0.01、0.01。在恒功率区根据式(11)(13)(14)在选取了(Te、n、ψf、Ld、Lq、Pcu、Pfe、Pin、Pout、Umax、Umax、usd、usq)12维特征值；多次调整后，将DBN模型设置成7层，每层神经元个数设置为202、100、100、40、40、40、201，各RBM层对应学习率分别为0.03、0.1、0.02、0.02、0.1、0.03、0.01。分别在恒转矩区和恒功率区利用实测的电流分配离散数据对深度置信网络回归建模电流预测的准确度进行验证。本发明采用以下两种评判标准，分别为式(15)所示的平均绝对值误差和式(16)所示的均方根误差，两种评判标准的数值越小表示预测值更加准确。
式中：yp为预测结果，yt为实测结果，N为预测样本的个数。
步骤六：将构建好的深度置信网络电流回归模型嵌入矢量控制系统中，运行结果对比如图4，图5，图6，图7。图4为恒转矩区域d-q轴电流预测值与实测值的对比结果；图4中的(a)和图4中的(b)是给定转速为600rpm时不同转矩下的电流回归曲线；图4中的(c)和图4中的(d)是给定转矩为500Nm时不同转速下的电流预测曲线，说明了本发明电流预测精度高。根据式(15)分析可知，实测值与预测值的整体平均误差低于2％，误差在实际工程要求范围之内。图5为d-q轴电流在恒功率区的电流预测值与实测电流值的对比结果。图5(a)和图5(b)是给定转速为1400rpm时不同转矩下的电流回归曲线；图5中的(c)和图5中的(d)是给定转矩为300Nm时不同转速下的电流预测曲线。根据式(15)分析可知，实测值与预测值的整体平均误差低于1.5％，符合实际工程误差要求。综上所述，具有深度学习能力的DBN预测的电流曲线与实测电流曲线的拟合度较好。不同工况下的电流分配的预测值和实测值的误差均小于2％，满足实际工程误差的要求。
为了验证本发明所提电流控制策略的有效性，并在AVL测功机对电机进行实验验证。图6和图7分别为在恒转矩和恒功率情况下转矩一定时，选取200r/min到3000r/min机械转速范围，在电机运行达到稳态时，DBN电流预测方法与传统矢量控制方法的效率对比图，说明本发明的深度置信网络电流回归模型通过对不同运行工况下实测数据处理分析，有效的降低了电机实际运行中参数变化的影响。由图6可知，在电机运行速度较低时，效率提升效果更好，在转速为400r/min时，效率提升了约5％，由图7可以看出，在恒功率区，传统的VC控制的电机运行效率随着转速增大而下降，采用DBN电流预测方法的电机运行相率相对来说下降较为缓慢。在转速为2700r/min时，效率提升了大约3％。图8为采用DBN电流预测控制方法的电机在全工况下的效率map图，说明本发明采用离散实测数据建模，因此深度学习置信网路回归模型解决了离散实测数据不连续的问题，实现在任意工况点下的电流最优配比，可以提高永磁同步电机在整个调速范围的运行效率，由图8可知，中间这一块代表高效区，电动汽车在运行时多运行于这一区域，高效区的面积大于80％满足实际工程的需求。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种高压电机的控制方法和装置