永磁同步电机高性能控制算法(13)后续篇—— 基于高阶扩张状态观测器(ESO)的无模型预测控制(MFPC)

本文主要是介绍永磁同步电机高性能控制算法(13)后续篇—— 基于高阶扩张状态观测器(ESO)的无模型预测控制(MFPC),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

1.前言

前文已经介绍过了高阶ESO相对于传统ESO的优势。

https://zhuanlan.zhihu.com/p/703039702icon-default.png?t=N7T8https://zhuanlan.zhihu.com/p/703039702

但是当时搭的ESO有点问题。把公式修正之后,发现前文用的改进四阶ESO无法使用。

今天来解释一下为什么改进4阶ESO无法使用。

2.为什么改进4阶ESO用不了?

%扩展观测器带宽配置

fc = 250;%带宽,单位Hz

wc = fc*2*pi;

三相电流、转矩、转速波形

从上面波形可以看到,改进4阶ESO在2000RPM是无法运行的,而且是逐渐发散、振荡。但是发现改进4阶ESO在1000RPM是可以运行的。

解释:

改进4阶ESO在中频段的闭环增益不为0,这说明如果ESO的输入端刚好输入了一个频率在中频段附近的交流量,那么经过ESO之后,这个交流量将会被放大。

之所以2000RPM振荡而1000RPM不震荡,是因为2000RPM时电机运行的频率更高(更接近于当前配置ESO的中频段了),即使电流环存在非常小的交流,经过ESO之后会将这些微小的交流不断放大,使得系统振荡。

这时候即使加入切换模块也没用(设定进入稳态后从传统四阶切换至改进四阶):

PS:切换模块的设计参考上篇知乎里提到的参考文献里的切换模块设计。即动态采用传统高阶ESO提高控制的动态性能,稳态情况下切换到改进四阶ESO提高系统的稳态抗噪性能。

三相电流、转矩、转速波形

因此,必须要改变改进四阶ESO的增益才可以。

3.中频段闭环增益更小的改进4阶ESO

 

 从这个图中可以看到,如果sigema(我仿真中为g)越小,高频段的增益越小(即系统抗噪声能力越强),中频段的闭环增益越大(即系统抗扰动能力越弱,越容易振荡)。论文中选用的sigema为0.25

那我希望中频段的闭环增益更小一点,我应该选择的sigema>0.25。

根据论文中的公式(25),我选用sigema=0.5时的改进ESO。

 从下图可以看到,把sigema增加至0.5后,系统不再振荡了。

三相电流、转矩、转速波形

4.电感失配2倍下切换模块的使用

电感参数失配会给系统带来很多的高频噪声,那么我们来看看不同参数的改进4阶ESO的抗噪性能如何。

%扩展观测器带宽配置

fc = 300;%带宽,单位Hz

wc = fc*2*pi;

加入切换模块前(全程使用传统高阶ESO)
加入切换模块后(稳态从传统高阶ESO切换到改进高阶ESO,sigema=0.5)

可以看到,加入切换模块,系统进入稳态后会自动切换到改进高阶ESO,进而实现更好的抗噪声性能,最终使得dq电流的脉动大幅减小。

前文说到,sigema越小,系统抗噪声能力越好,那我把sigema从0.5减小到0.2这样,看看系统抗噪声能力对比情况。

加入切换模块后(稳态从传统高阶ESO切换到改进高阶ESO,sigema=0.5)
加入切换模块后(稳态从传统高阶ESO切换到改进高阶ESO,sigema=0.4)
加入切换模块后(稳态从传统高阶ESO切换到改进高阶ESO,sigema=0.3)
加入切换模块后(稳态从传统高阶ESO切换到改进高阶ESO,sigema=0.2)

可以看到,随着sigema的减小,系统的抗噪声性能越来越好,稳态的dq电流脉动越来越小。 

这篇关于永磁同步电机高性能控制算法(13)后续篇—— 基于高阶扩张状态观测器(ESO)的无模型预测控制(MFPC)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1110880

相关文章

Spring Security 基于表达式的权限控制

前言 spring security 3.0已经可以使用spring el表达式来控制授权,允许在表达式中使用复杂的布尔逻辑来控制访问的权限。 常见的表达式 Spring Security可用表达式对象的基类是SecurityExpressionRoot。 表达式描述hasRole([role])用户拥有制定的角色时返回true (Spring security默认会带有ROLE_前缀),去

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

Java进阶13讲__第12讲_1/2

多线程、线程池 1.  线程概念 1.1  什么是线程 1.2  线程的好处 2.   创建线程的三种方式 注意事项 2.1  继承Thread类 2.1.1 认识  2.1.2  编码实现  package cn.hdc.oop10.Thread;import org.slf4j.Logger;import org.slf4j.LoggerFactory

hdu1043(八数码问题,广搜 + hash(实现状态压缩) )

利用康拓展开将一个排列映射成一个自然数,然后就变成了普通的广搜题。 #include<iostream>#include<algorithm>#include<string>#include<stack>#include<queue>#include<map>#include<stdio.h>#include<stdlib.h>#include<ctype.h>#inclu

hdu1565(状态压缩)

本人第一道ac的状态压缩dp,这题的数据非常水,很容易过 题意:在n*n的矩阵中选数字使得不存在任意两个数字相邻,求最大值 解题思路: 一、因为在1<<20中有很多状态是无效的,所以第一步是选择有效状态,存到cnt[]数组中 二、dp[i][j]表示到第i行的状态cnt[j]所能得到的最大值,状态转移方程dp[i][j] = max(dp[i][j],dp[i-1][k]) ,其中k满足c

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

MySQL高性能优化规范

前言:      笔者最近上班途中突然想丰富下自己的数据库优化技能。于是在查阅了多篇文章后,总结出了这篇! 数据库命令规范 所有数据库对象名称必须使用小写字母并用下划线分割 所有数据库对象名称禁止使用mysql保留关键字(如果表名中包含关键字查询时,需要将其用单引号括起来) 数据库对象的命名要能做到见名识意,并且最后不要超过32个字符 临时库表必须以tmp_为前缀并以日期为后缀,备份

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}