[发明专利]基于神经网络的模型预测控制方法

说明书

本发明公开了一种基于神经网络的模型预测控制方法，属于模型预测技术领域，包括以下步骤：S1、建立永磁同步电机状态方程；S2、将状态方程离散化，得到预测方程；S3、计算电磁转矩Tsubgt;e/subgt;、d轴定子电流有效分量isubgt;wd/subgt;、总可控损耗Psubgt;Loss/subgt;的预测值，而后计算下一时刻的预测方程，重复迭代计算，得到各变量在下一时刻的预测值；S4、使用神经网络设计权重系数。本发明采用上述基于神经网络的模型预测控制方法，在控制目标、权重系数、工况、性能指标四者之间建立了明确的联系，能自动化设置权重系数，并在不同工况下保证权重系数的最优性。

技术领域

本发明涉及一种模型预测技术，尤其涉及基于神经网络的模型预测控制方法。

背景技术

模型预测控制是一类控制技术，广泛应用于电力系统和电力电子领域中的各种控制对象，例如风电场控制、微电网控制、变流器控制、电机控制等。其中模型预测控制是电机驱动领域的新一代控制技术，动态性能好、易于处理各种约束条件，方便在非线性模型的控制对象中实施，未来具有较大发展潜力。

传统模型预测控制方法具有以下缺点：

1、没有在控制目标、权重系数、工况、性能指标四者之间建立明确的联系。权重系数需要大量进行仿真或实验，并依据经验手动完成设置，不能自动化设置。当控制对象改变时，例如控制对象从永磁同步电机换为并网变流器，此时控制目标、权重系数的个数、性能指标往往也会改变，传统模型预测控制方法需要重新经历一遍手动设置权重系数的过程。

2、大多不考虑电机损耗，没有将系统效率纳入性能指标，故在某些需要节能提效的场合，传统模型预测控制方法普适性不足。虽然有少量方法考虑了电机损耗，提升了系统效率，但是没有考虑系统效率与暂态时间等其它性能指标的权衡（在现有方法中，系统效率的提升会带来暂态时间等其它性能指标的恶化，如何根据用户对于性能指标的不同要求设计权重系数，这也是现有方法存在的问题）。

3、现有基于神经网络的模型预测控制方法，可以找到某个特定工况下的最优权重系数。但是当工况变化时，又要重新训练一个新的神经网络。在工况经常变化的场合，现有方法权重系数设置过程耗时较长，较为繁琐。

发明内容

为解决上述问题，本发明提供了基于神经网络的模型预测控制方法，在控制目标、权重系数、工况、性能指标四者之间建立了明确的联系，能自动化设置权重系数，并在不同工况下保证权重系数的最优性。

为实现上述目的，本发明提供了基于神经网络的模型预测控制方法，包括以下步骤：

S1、建立永磁同步电机状态方程；

S2、将状态方程离散化，得到预测方程；

S3、计算电磁转矩T_e、d轴定子电流有效分量i_wd、总可控损耗P_Loss的预测值，而后计算下一时刻的预测方程，重复迭代计算，得到各变量在下一时刻的预测值；

S4、使用神经网络设计权重系数。

优选的，步骤S1中的状态方程表达式如下：（1）

式中，i_wd、i_wq分别为d轴、q轴坐标系下定子电流有效分量；L为表贴式永磁同步电机的电感；R_s为定子电阻，对应电机铜耗；R_c为铁耗电阻，对应电机铁耗；ω_e为电角速度，其等于电机转动的速度ω乘极对数N_p；u_d、u_q分别为d轴、q轴坐标系下的定子电压；ψ_pm为永磁体磁通大小；