控制与应用技术 ξ EM CA 2009, 36 (9 )
异步电机矢量控制系统损耗模型磁通
智能优化方法及其应用 3
张 维 1 , 2 , 马立新 2 , 姚 鹏 1 , 张智华 1
(1. 上海电器科学研究所 (集团 )有限公司 ,上海 200063; 2. 上海理工大学 ,上海 200093 )
摘 要 : 在异步电机的矢量控制损耗模型的效率优化中 ,最优磁通的求解是关键环节 ,针对传统理论上
解析式算法的不足 ,提出一种智能优化方法 ———基于神经网络的预测最优磁通的算法。仿真试验表明该方法
建模便捷、运算快 ,得到了较好的优化磁通结果 ,是提高矢量控制系统效率的一种新方法。
关键词 : 异步电机矢量控制 ; 损耗模型控制器 ; 磁通优化
中图分类号 : TM301. 2∶TM343 文献标识码 : A 文章编号 : 167326540 (2009) 0920022204
M ethods and Applica tion of Flux In telligen t O ptim iza tion in
L ossM odel of A synchronousM otor w ith Vector Con trol
ZHAN G W ei1, 2 , MA L i2x in2 , YAO Peng1 , ZHAN G Zhi2hua1
(1. Shanghai Electrical Apparatus Research Institute ( Group) Co. , L td. , Shanghai 200063, China;
2. Shanghai University for Science and Technology, Shanghai 200093, China)
Abstract: In the loss model efficiency op tim ization of asynchronous motor drive with vector control, the estima2
tion of op timum flux is a crucial part. A intelligent op tim ization method is p resented, artificial neutral network method
estimates the op timum flux because traditional analytic exp ression method theoretically has deficiency. Sim lation re2
sults of the p roposed app roach show a good op tim ization and a new a method of imp roving the efficiency of vector con2
trol conveniently and quickly.
Key words: a synchronous m otor vector con trol; loss m odel con troller; flux optim iza tion3 上海市经委上海市引进技术的吸收与创新高效节能电机及智能电机节能系统的研究 (07X I2034)0 引 言电动机广泛应用于工业、农业、国防等领域 ,其总用电量占全国工业用电量的 60%以上。在额定负载附近运行时 ,异步电动机的效率较高 ,如对于额定功率为 1~75 kW 的电机 ,额定工作点的效率在 76% ~93. 6%之间。但其轻载时仍运行在额定磁通 ,由于铁损和由励磁电流产生的定子铜损不变 ,电机的运行效率和功率因数会明显下降。因此 ,对于长期轻载运行或负载变化范围较宽的异步电动机 ,存在很大的节能空间 [ 3 ]。异步电机的损耗一般分为 : ( 1 ) 定、转子铜损 ; (2) 定、转子铁损 ; (3)杂散损耗 ; (4) 机械损耗。其中 ,杂散损耗和机械损耗一般约占总损耗 的 20% ,且建模非常困难 ;铜损和铁损则与磁场及负载大小有关 ,是可控的 ,约占总损耗的 80% ,对变频调速系统效率优化的研究通常以这部分可控损耗为主要研究对象。至今为止 ,国内外学者提出了多种优化控制策略 ,但还没有哪一种被公认为有权威性。控制策略归纳起来大致可以分为三种类型 :基于模型的最优励磁控制 ,最小输入功率控制和最小定子电流控制。基于损耗模型的效率优化策略也称损耗模型控制器 (LossModel Controller, LMC) [ 4 ] ,就是建立异步电机的损耗模型 ,即建立电机总损耗和电机主要参数磁通、转矩和转速的函数关系 ,然后总损耗对磁通求导数并令其为零 ,当转矩和转速一定时 ,求解出损耗最小时的磁通 ,即最优磁通 ,此方
—22—
2009, 36 (9 ) 控制与应用技术 ξ EM CA
程是全局最优的。但其存在以下问题 : (1) 需要
知道电机的参数信息 ,对一些参数不全的电机需
要辨识其参数 ; (2) 最优磁通解析式是一种非线
性的复杂关系 ,因为电机损耗和电磁转矩、转子转
速存在非线性关系 ; (3) 当电机运行时 ,电机参数
信息会发生变化 ,这种情况下求解的最优磁通不
精确 ,不能反映运行动态变化过程。分析这些问
题的特征 ,选择智能优化方法之一的 BP神经网
络来解决这一问题。神经网络具有良好的学习、
归纳、并行计算、自适应及自组织能力 ,可以逼近
任意非线性系统 ,鲁棒性强 ,善于处理非线性复杂
系统。因此 ,神经网络适合于非线性、变参数异步
电机矢量控制系统损耗模型最优磁通的优化。
1 基于损耗模型的最优磁通建立
对于笼型电机 ,转子短路则 : ud r = uqr = 0,在
考虑铁损的电机模型 [ 2 ]中 ,将电机在任意二相同
步旋转坐标下的数学模型的磁通代入电压方程 ,
并消去铁损等效电阻 ,以及 idfe和 iqfe ,可得 d2q轴
定转子电压方程及转子磁通方程 :
ud s = (R s + RFe + L s p ) id s + (
RFe
ω1
p - ω1 L s ) iqs +
(RFe + Lm p ) id r + (
RFe
ω1
p - ω1 Lm ) iqr
uqs = (ω1 L s -
RFe
ω1
p ) id s + (R s + RFe + L s p ) iqs +
(ω1 Lm -
RFe
ω1
) iqs + (RFe + Lm p ) iqr (1)
0 = (ωs
RFe
ω1
+ Lm p ) id s + (
RFe
ω1
p - ωsLm ) iqs +
(R r +ωs
RFe
ω1
+ L r p ) id r + (
RFe
ω1
-
ωsL r ) iqr
0 = (ωsLm -
RFe
ω1
p ) id s + (ωs
RFe
ω1
+ Lm p ) iqs +
(ωsL r -
RFe
ω1
p ) id r + (R r +ωs
RFe
ω1
+ L r p ) iqr
ψd r = Lm id s +
RFe
ω1
iqs + L r iqs +
RFe
ω1
iqr
ψqr = -
RFe
ω1
id s + Lm iqs -
RFe
ω1
id r + L r iqr
(2)
在转子磁场定向中 ,将 d轴定义为转子总磁
通方向 ,则Ψd r =Ψr ,Ψqr = 0。式 ( 1 )消去定子电
流 ,代入磁通方程得 :
pΨr = - R r id r (3)
ωs = - R r
iqr
Ψr
(4)
将式 (3)代入式 (2) ,则定子电流方程为 :
id s =A [ (Lm +
ω21 L
2
m
L r + Lm R
2
Fe R
2
r
)
R rω
2
1
) pΨr +
RFeLσr
ω1
iqr ] (5)
iqr =A [
RFe
ω1
(1 + Lσr
R r
p )Ψr - (Lm L r +
R
2
Fe
ω21
) iqr ]
其中 : A =
ω1
ω21 L
2
m
+ R
2
Fe
稳态时 ,由式 (2)得 , id r = 0,则由式 (1)和式 ( 4)得
稳态时定子电压、电流方程 :
ud s = (R s + RFe ) id s - ω1 L s iqs - ω1 Lm iqr
uqs =ω1 L s id s + (R s + RFe ) iqs + RFe iqr
(6)
id s = A (LmΨr +
RFeLσr
ω1
iqr )
iqr = A [
RFe
ω1
Ψr - (Lm L r +
R
2
Fe
ω1
) iqr ]
(7)
因为电机的总损耗等于输入功率与输出功率
的差值 ,即
Ploss = Pin - Pout
其中 : Pin = ud s id s - uqs iqs , Pout =ωr Tr。
将式 (4) ~ (6)代入式 (7)得电机损耗模型函
数 :
Ploss = BΨ
2
r
+ CTe + D TeΨ
- 2
r
其中 :
B =
ω2
r
(R r + RFe )
ω21 L
2
m
+ R
2
Fe
, C =
2ωr RFe R s
ω21 L
2
m
+ R
2
Fe
,
D =
ω2
r
RFe R s + R
2
Fe R s + L
2
σrω
2
r
R
2
Fe
ω21 L
2
m
+ R
2
Fe
+ R r
由式 (8)可知 ,假定电机的参数不变 ,在一定
的工况下 ,即给定的转速和电磁转矩下 ,异步电机
—32—
控制与应用技术 ξ EM CA 2009, 36 (9 )
的总损耗与磁通大小有关 , Ploss随着磁通单调下
降而上升 ,有最低点。也就是说调节磁通可以实
现节能。将总损耗对磁通求导可以得出损耗最小
时的磁通 :
dPloss
dΨr
= BΨ4
r
- D T
2
e
令式 ( 9 ) 等于零 , 则可得最优磁通 Φ =
4
B T
2
e
/D,由此可见最优磁通的解析式是非线性
的 ,且电机运行时的参数是变化的 ,神经网络能很
好地解决这类非线性、动态变参数问题。
2 基于 BP神经网络的磁通优化
BP神经网络是一种应用广泛的人工神经网
络 ,是模仿大脑神经网络结构和功能而建立的一
种智能系统 ,是一种多层前馈神经网络 ,是调整权
值的训练算法 ,是反向误差传播的学习算法。BP
神经网络具有三层或三层以上的神经元网络 ,包
括输入层、隐层 (中间层 )和输出层 ,其中隐层可
以是一层也可以是多层。一般而言 ,三层 BP神
经网络就可以解决大部分非线性问题 , BP网络前
后层之间实现全连接 , 每层神经元之间无连
接 [ 1 ]。
本文要分析的问题是 :在给定转速和转矩的
条件下 ,利用神经网络逼近最优磁通 ,从而达到智
能优化磁通。根据 Kosmagoro定理 [ 5 ] ,在合适的
结构和恰当的权值条件下 ,三层 BP网络可以逼
近任意的连续函数 ,从简捷实用的角度考虑 ,一般
只选择一个隐含层。
本文选取的电机参数为 ; 定子电阻 R s =
0. 477Ω ,转子电阻 R r = 0. 893Ω ,漏感 Los =Lor =
9 mH,互感 Lm = 0. 95 mH,极对数 P = 2,额定功率
PN = 2. 2 kW ,额定频率 f = 50 Hz,额定电压 UN =
220 V,等效铁损电阻为 Rfe = 82. 5Ω。
2. 1 优化模型的建立
为特定用途选择最佳的网络结构目前还没有
成熟的理论依据 ,可以尝试各种不同结构的网络。
目前好的网络的评价
标准
excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载
是 :较短的训练时间、小
的误差、少的隐层数等。
本文
设计
领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计
的神经网络如图 1所示 ,一个输入
层 ,一个隐层 ,一个输出层。其中输入层有两个神
经元 ,一个是转速ωr ,另一个是电磁转矩 Te ;输出
层仅有一个神经元最优磁通Φ。
为了训练网络 ,必须采集足够的网络输入输
出样本 ,输入样本为 P = [ Te , ωr ],选择 100个样
本。电磁转矩 Te 范围从 0到额定值 TeN ,转速ωr
的范围从 0到额定值ωrN。本文选择转速和转矩
额定值的 10% , 20% , 30% , 40% ⋯⋯100% ,当转
图 1 神经网络图
矩 Te 是 10个、为固定的百分之几十额定值时 ,对
应的转速 ωr 为从 10% , 10% , 20% , 30% , 40%
⋯⋯100%的额定值。
为了目标输出样本 ,利用 MATLAB强大的计
算功能 ,并利用前面求解的最优磁通解析式 ,根据
转矩 Te 和ωr 输入样本 ,计算出 100个目标输出
样本。
2. 2 网络结构选择与训练
MATLAB神经网络工具箱提供了初始化权
值、学习和训练等函数 ,可以构建出任意输入和输
出神经元的 BP神经网络。
选择合适隐层的神经元个数对网络性能有较
大影响。中间隐层神经元个数的确定需要对网络
反复测试才能选择合适的 ,如表 1所示。
表 1 选择不同的隐层对网络的误差影响
中间隐层数 3 4 5 6 7 8
误差 0. 029 2 0. 012 4 0. 010 0 0. 013 8 0. 016 4 0. 028 6
训练次数 不收敛 140 70 60 53 23
表 1是对未经过训练的网络选择不同的中间
隐层网络误差 ,从表 1可看出 :选择随着隐层数的
增加 ,网络训练达到训练目标的次数减少 ,但隐层
数不同 ,网络测试误差不同 ,选择为 5时误差最
小 ,因此本文选取 22521的网络结构。
对构筑的网络 ,必须经过训练并且达到
要求
对教师党员的评价套管和固井爆破片与爆破装置仓库管理基本要求三甲医院都需要复审吗
—42—
2009, 36 (9 ) 控制与应用技术 ξ EM CA
后 ,才可以作为最优磁通求解使用 ,本例中选择网
络的训练目标误差为 0. 000 1,网络误差达到设定
的最小值 ,其训练过程如图 2所示。
2. 3 仿真结果分析
网络测试的目的是为了确定网络是否满足实
际应用的要求 ,选择一组未训练过的数据。测试
样本随机选择电磁转矩和转速额定值以下的任意
值 ,对测试样本进行仿真验证 ,ΦNN = sim ( net, p)。
图 2 神经网络训练结果图
为了检验训练的 BP网络性能 ,以绝对误差
和 相 对 误 差 的 绝 对 值 来 评 估 , △Φ =
|ΦNN -Φ real | , µ Φ = △Φ /Φ real ,其中 △Φ为网络
的绝对误差 ,Φ real为根据最优磁通的真值结果 ,
ΦNN为训练好的网络测试输出结果 , µ Φ为相对
误差 ,表 2是网络测试样本及输出结果和误差。
表 2 测试样本及输出结果
样本
序号
Te /
(N·m)
ωr /
( rad / s)
ΦNN /
W b
Φ real /
W b
△Φ /
W b
µ Φ /
W b
1 10. 5 140 1. 226 0 1. 229 2 0. 003 2 0. 002 6
2 9. 5 132 1. 176 2 1. 178 9 0. 001 7 0. 001 4
3 8. 5 126 1. 129 9 1. 123 4 0. 006 5 0. 005 7
4 6. 5 156 0. 958 2 0. 953 9 0. 004 7 0. 004 9
即电磁转矩为 10. 5 N·m时 ,对应的转速为
140 rad / s;电磁转矩为 9. 5 N ·m,对应转速为
132. 2 rad / s;电磁转矩为 8. 5 N·m时 ,对应转速
为 126 rad / s;电磁转矩为 6. 5 N·m时 ,对应转速
为 156 rad / s等 4个样本。从以上结果可以看出 :
检验结果的绝对误差和相对误差分别不超过 6. 5
×10 - 3和 5. 7 ×10 - 3 ,其精度完全可以满足计算
要求 ,替代原方法。
3 结 语
本文在分析矢量控制系统效率优化中 ,基于
损耗模型最优磁通求解 ,针对解析式算法的不足 ,
提出一种 BP神经网络求解最优磁通算法。从最
优磁通解析式可以得出磁通、转矩和转速存在一
种非线性关系 ,而且实际电机运行时 ,电机参数是
变化的 ,因而解析式得出最优磁通不够精确 ,而
BP神经网络有逼近任意函数的功能 ,其非线性和
自学习能力 ,很适合解决参数变化的复杂非线性
问题。仿真试验结果表明该方法建模便捷、运算
快 ,取得了较好的优化磁通 ,是提高矢量控制系统
效率的一种新方法。
【参 考 文 献 】
[ 1 ] 葛哲学 ,孙志坚. 神经网络理论与 MATLAB 2007实
现 [M ]. 北京 :电子工业出版社 , 2007.
[ 2 ] 黎英 ,时维国. 变频调速电机的运行效率及节能控
制研究 [ J ]. 电气传动自动化 , 1999, 21 (1) : 21225.
[ 3 ] 崔纳新 ,张承慧 ,杜春水. 变频调速异步电动机效率
优化控制的研究进展 [ J ]. 电工技术学报 , 2004, 19
(5) : 36242.
[ 4 ] Yang S M , L in F C. Loss2m inim ization control of vec2
tor2controlled induction motor drive [ C ]∥Proceedings
of the 4 th International Conference on Power Electron2
ics and D rive System s, 2001 (1) : 1822187.
[ 5 ] 高霁 ,曹国强.机械优化设计中 BP神经网络的应用
研究 [ J ]. 机械设计与制造 , 2004 (5) : 53255.
收稿日期 : 2009206211
欢迎投稿 欢迎订阅 欢迎刊登广告
网上投稿 : motor - abc. chinaelc. cn
—52—