[发明专利]一种高动态低计算量的PMSM控制方法

说明书

本发明公开了一种高动态低计算量的PMSM控制方法，首先建立PMSM离散数学模型，然后进行时间最优动态轨迹规划，接下来分别在电压限幅条件下和电流限幅条件下对时间最优轨迹求解，得到最终的PMSM控制方法。本发明采用单步模型预测电流控制，在考虑电压和电流限幅的情况下，获得最快速的瞬时电流和转矩的跟随，实现动态全局时间最优轨迹的迭代计算，提高动态性，相比PI调节器，具有更优秀的动态性能。

技术领域

本发明属于电机控制技术领域，具体涉及一种PMSM控制方法。

背景技术

永磁同步电动机(PMSM)具有效率高、可靠性好、功率因数大、功率密度大等优点，在工业上得到了广泛的应用。PMSM数学模型具有非线性、强耦合的特点，使得其控制复杂。在PMSM驱动控制领域，为了获得更好的控制性能，许多线性/非线性控制方法被用于PMSM的驱动，如矢量控制、直接转矩控制、模型预测控制、神经网络控制等。

在强耦合的被控对象中，动态响应过程中的快速性与超调两个指标是矛盾的，无法兼顾。采用比例积分(PI)控制的矢量控制方法是电驱动系统应用最为广泛的控制方法，设计简单可靠性强。但由于数字离散积分器存在固有的饱和相应，制约了系统的响应速度。直接转矩控制采用转矩和磁链的滞环比较控制，控制方法简单，但是实际控制过程中，电机转矩脉动非常大。鲁棒自适应控制适用于解决系统模型中不确定性问题，可以实现对PMSM转子位置及速度的有效跟踪，既能够保证不确定系统的稳定性而且能够根据实际系统的需求修正控制规律及参数。但此方法强调系统的稳定性，对系统动态性能没有过多的提升。模型预测控制策略作为继矢量控制和直接转矩控制之后最优的控制策略，其可实现多目标的非线性控制，控制方法灵活，动态响应能力更好。

已有的中国专利CN110535396A提出“基于BP神经网络的表面式永磁同步电机模型预测控制方法”与本文相近。该发明采用BP神经网络与模型预测控制相结合设计了PMSM驱动方法，可提升准确性，但是神经网络算法的引入，增加了控制方法的复杂度，增加了计算量，且神经网络训练过程耗费大量时间。因此，该发明专利的实用性低，不易普遍使用。

发明内容

为了克服现有技术的不足，本发明提供了一种高动态低计算量的PMSM控制方法，首先建立PMSM离散数学模型，然后进行时间最优动态轨迹规划，接下来分别在电压限幅条件下和电流限幅条件下对时间最优轨迹求解，得到最终的PMSM控制方法。本发明采用单步模型预测电流控制，在考虑电压和电流限幅的情况下，获得最快速的瞬时电流和转矩的跟随，实现动态全局时间最优轨迹的迭代计算，提高动态性，相比PI调节器，具有更优秀的动态性能。

本发明解决其技术问题所采用的技术方案包括如下步骤：

步骤1：建立PMSM离散数学模型；

对PMSM的连续域数学模型，应用前向欧拉公式进行离散化得到离散数学模型：

i_s(k+1)＝A_ei_s(k)+B_eu_s(k)+C_e (1)

式中：

C_e＝[0 -ψ_fT_sω_e(k)/L_q]^T

i_s(k)＝[i_d i_q]

u_s(k)＝[u_d u_q]^T