无刷双馈电机控制算法综述

罗 山

(攀枝花学院电气信息工程学院，四川攀枝花617000)

无刷双馈电机(Brushless Doubly-Fed Machine，BDFM)是一种运行可靠、结构简单、既可同步运行又可异步运行、在无刷的情况下实现双馈运行的新型电机。BDFM具有功率因数可调、变频器容量小、对电网的谐波污染少等优点，因此特别适合于变频调速系统如风机和泵类的调速，以及变速恒频发电如风力、水力发电系统。

国内外大量学者对BDFM进行了深入的研究，提出了多种控制算法，如矢量控制［1-4］、直接转矩控制［5-7］、模糊控制［8-9］、神经网络控制［10］和模糊神经网络控制［11］等。本文较全面地介绍并分析了当前国内外BDFM控制算法的发展现状，给出了优缺点，为BDFM控制的研究提供一定的方向。

1 BDFM控制算法及分析

通过建立BDFM的数学模型，获得等效电磁转矩［12］，可以提出多种不同的控制算法。BDFM的控制算法主要有基本控制算法和智能控制算法两类，下面分别进行论述。

1.1 BDFM基本控制算法

1.1.1矢量控制

它是利用电机的动态数学模型和矢量变换方法，将异步电机模拟成直流电机。它可分为定子磁场定向控制和转子磁链定向控制两种，其中定子磁场定向控制是将同步旋转坐标系d轴放置在定子磁场方向上，这样对定子磁通观测器的实现有利，从而消弱转子回路参数对系统性能的影响。

该算法优点:可对磁链和转矩独立控制，控制性能明显改善;调速范围宽，可实现连续控制。

该算法缺点:对电机参数的依赖性强，很难达到理想的控制性能;需假设电机中只有基波正序磁动势，与实际情况不完全符合;解耦只能在稳态时才能实现，弱磁时仍然存在耦合;若解耦后的控制回路使用PI调节器，参数变化及各种不确定性因素对性能的影响严重。

1.1.2直接转矩控制

它不经过复杂的计算，而是把电机和逆变器看成一个整体，采用空间矢量法，以定子磁场定向方式，利用可控的定子绕组电压和电流对定子磁链和电磁转矩进行直接控制。

该算法优点:系统结构简单，静、动态性能优良;磁场定向利用定子磁链进行，系统性能鲁棒性强;可应用于弱磁调速。

该算法缺点:低速时死区效应会引起转矩脉动;提高逆变器开关频率有较大的限制;低速时定子电阻的变化会引起定子电流和磁链的畸变;没有电流环，需采取措施限流。

1.2 BDFM智能控制算法

1.2.1模糊控制

它是基于模糊推理，不依赖于对象模型而模仿人的思维模式，对难以建立精确数学模型的对象的一种控制，包括模糊化、模糊推理、清晰化三个过程。将模糊控制与直接转矩控制结合，利用模糊控制器自动合理地选择电压矢量，能有效降低转矩脉动，定子电流和磁链波形得到改善［13］。

该算法优点:硬件的实现比较简单;能够克服参数变化和非线性等不确定因素的影响，鲁棒性强;不依赖于对象模型，不精确信息可得到处理;能模仿人的经验而对复杂对象进行控制。

该算法缺点:控制精度较低，甚至可能产生振荡;模糊规则、比例因子、隶属函数和量化因子很难确定;缺乏模糊规则的设计方法;自适应能力有限。

该算法能有效地克服电机的非线性、强耦合等缺点［8］。它的自适应性和精度较差，因此常与PID、自适应、神经网络等其他控制结合使用。

1.2.2神经网络控制

它模拟人的大脑神经生物结构，能逼近任何非线性特性，能够学习理解与自适应不确定对象的动态特性。具有很强的容错性和鲁棒性以及并行处理的快速性。

该算法优点:具有很强的自学习、自适应和非线性映射能力，容错性和鲁棒性均很强;不需要对象模型和复杂控制结构，可用于复杂的控制对象;通过对一些I/O样本进行训练，即可逼近任意对象的动态特性。

该算法缺点:选取网络结构、隐层数及各层神经元数缺乏理论依据;参数物理意义不明确;稳定性分析较难，收敛性较差，可能陷入局部最优，甚至发散;对训练集的要求高、训练时间长;基于经验风险最小化的优化目标，泛化性能不佳;计算量大且复杂。

此算法准确地拟合BDFM的非线性［10］，常与自适应控制、PID控制、模糊控制等结合使用。

1.2.3模糊神经网络控制

模糊控制是利用专家的先验知识进行模糊推理，而神经网络对于参数的变化具有很强的学习与自适应能力。模糊控制的功能通过神经网络来实现，从而神经网络学习速度慢、易陷入局部最优值的问题得到改善，控制系统的实时性增强。

该算法优点:两者结合突出各自优势;采用模糊化规则，系统的容错性增强;采用模糊计算，处理速度加快;信息处理方式增多，信息处理方法更加灵活;确知和非确知信息可同时处理，信息处理能力增强。

该算法缺点:选取模糊规则没有通用的方法;模型复杂性与泛化能力之间存在矛盾;模糊推理层节点数和模糊化层的选取、模糊合成和推理算法的选取以及清晰化的计算方法等无理论依据。

采用该算法的BDFM系统具有响应速度快，跟踪性能好，稳态误差很小，性能优良的特点［11］。

1.2.4专家控制

它是将专家系统与控制理论相结合，能自适应地解释参数当前状况，预测系统未来行为，寻找出现问题的原因，制订校正方法，并监控计划的执行，以实现对较为复杂对象的控制。

该算法优点:决策能力强，运行可靠，能够处理不确定性、不完全性和不精确性等问题;通用性好，拟人能力强，控制与处理灵活;对象数学模型的缺陷通过专家的知识和经验得到弥补。

该算法缺点:设计解释机构、建立用户接口等方面存在问题;对专家的经验过度依赖，且获得专家经验知识较困难;需要建立实时操作知识库;存在稳态误差;知识库的更新与规则的生成困难;难以分析系统的稳定性。

1.2.5模糊自适应PID控制

通过设计模糊自适应PID控制器来实现模糊自适应PID控制［13］。模糊自适应PID控制器，既有模糊控制器动态响应快、超调量小、上升时间小、鲁棒性强的特点，又有PID控制器的动态跟踪性能和控制精度。模糊自适应PID控制的主要任务是找出PID的两个参数与误差e和误差变化率ec之间的模糊关系，在运行中不断检测e和ec，根据确定的模糊控制规则来对两个参数进行实时整定，以满足对两个参数的不同要求［14］。

1.2.6专家自适应PID控制

它是以被控对象和控制规律的各种知识为基础，通过专家系统以智能的方式应用这些知识，使控制系统性能尽可能地优化和实用化。专家系统由专家知识库、数据库和逻辑推理机三部分模块组成。一般的专家自适应PID控制器必须加以改进后才能用于BDFM调速系统。专家知识库模块中储存了PID参数选择手册，它记载了各种工况下的无刷双馈电机特性所对应的P、I、D参数。当BDFM调速系统工作状态改变时，控制系统调用专家系统模块，对PID参数进行自适应整定。

专家自适应PID控制能使电机在转速或负载变化时超调减小，并使转速很快重新趋于稳定，动态性能优良。它可以实现实时控制，硬件的实现简单，对象的模型要求也不高，可在不同原因引起的扰动下正常工作，是一种很好的闭环控制算法［15］。

2 BDFM控制算法的发展趋势

要进一步提高BDFM的运行性能，需要对现有的数学模型和控制算法等做进一步的研究。

首先，需要进行进一步改进BDFM的数学模型，逐步建立考虑磁路的饱和与非线性问题、定子两套绕组之间存在耦合的问题、高次谐波对定子两套不同极对数的影响的数学模型。建立更精确的数学模型，从而提高BDFM的控制精度和响应速度。

其次，以现有控制算法为基础，将多种控制算法的优点相结合形成混合控制算法，或研究新型的控制算法以提高系统控制精度和响应速度。同时应对BDFM控制算法的参数优化进行研究，通过选取最合适的参数减少调试时间，提高控制系统的性能。

［1］Zhou D，Spee R，Alexander GC.Experimental Evaluation of a Rotor Flux Oriented Control Algorithm for Brushless Doubly-fed Machines［C］.IEEE Transaction on Power E-lectronics Specialists Conference，1996:913 －919.

［2］黄守道，王耀南.无刷双馈电机转子磁场定向控制策略的研究［J］.电工技术学报，2002，17(2):34 －39.

［3］Poza J，Oyarbide E，Roye D.New Vector Control Algorithm for Brushless Doubly-fed Machines［C］.2002 IEEE 28th Annual Conference on Industrial Electronics Society，2002:1138 －1143.

［4］Shao S，Abdi E.McMahon R.Vector control of the Brushless Doubly-Fed Machine for Wind Power Generation［C］.IEEE International Conference On Sustainable Energy Technologies，2008:322 －327.

［5］邓先明.BDFM的电磁分析与设计应用［M］.北京:机械工业出版社，2009.

［6］Brassfield W R，Spee R，Habetler T G.Direct Torque Control for Brushless Doubly-fed Machines［C］.IEEEIAS Annual Meeting，Corvallis，USA，1992，1:615-622.

［7］刘晓鹏，张爱玲，樊双英.无刷双馈电机直接转矩控制策略的研究［J］.微特电机，2006(3):25－31.

［8］甘良志，伍斌，姜来东.采用模糊控制器的直接转矩控制系统仿真［J］.继电器，2001，29(11):41－43.

［9］周欣欣，张爱玲.无刷双馈电机直接转矩控制转矩脉动最小化［J］.电机与控制学报，2006，10(6):571－575.

［10］王群京，陈权，姜卫东，等.异步电动机神经网络直接转矩控制建模与仿真［J］.电工技术学报，2007，22(3):32－40.

［11］刘燕飞，王倩.基于模糊神经网络的感应电机直接转矩控制［J］.电力系统及其自动化学报，2008，20(3):86－89.

［12］刘航航，韩力.无刷双馈电机控制策略发展综述［J］.微特电机，2010，(6):74 －78.

［13］赵辉，彭涛，岳有军，等.模糊自适应PID控制在无刷双馈电机矢量控制中的应用［J］.天津理工大学学报，2008，24(3):36 －39.

［14］蔡晓铭，杨向宇.基于模糊PID的无刷双馈电机矢量控制［J］.微特电机，2005，11(2):30 －32，45.

［15］丛爽，郑毅松.几种局部连接神经网络结构及性能的分析与比较［J］.计算机工程，2003，29(22):11 －13.