神经网络在永磁同步电机变频调速系统中的应用

侯艳雪，黄曼磊，陶丽楠，李洪坤

哈尔滨工程大学自动化学院，黑龙江哈尔滨 150001

神经网络在永磁同步电机变频调速系统中的应用

侯艳雪，黄曼磊，陶丽楠，李洪坤

哈尔滨工程大学自动化学院，黑龙江哈尔滨 150001

永磁同步电机调速系统被广泛应用于工业、农业等各个领域。为了能够减少能源的消耗，节约成本，须在工业设计和控制技术方面实现高效率、高节能的要求。采用基于空间矢量脉宽调制（SVPWM）策略的矢量控制方案能够使系统的调速范围较宽，精度较高，抗扰动能力强，得到较好的控制效果，但其超调量较大，而利用神经网络的精准建模特性可有效解决该问题。采用MATLAB／SIMULINK仿真软件设计了转速、电流双闭环SVPWM型交流变频调速系统，对永磁同步电机运用了id＝0的矢量控制方法。提出在转速控制器的设计中，用单神经元控制器取代传统的PI控制器。通过调节控制器参数并进行仿真，验证了系统模型的合理性，有效地提高了系统的动态性能，改善了系统的稳定性。

单神经元；变频调速系统；矢量控制；神经网络

近年来，交流变频调速系统的发展非常迅速，已成为调速系统主要研究和发展的对象。目前该系统在市场上广泛采用的控制策略为正弦脉宽调制（si-nusoidal pulse width modulation，SPWM），但采用该方法会使系统产生某些高次谐波分量，进而引起电动机发热、转矩脉动甚至系统的振荡。空间矢量脉宽调制（space vector pulse width modulation，SVP-WM）的算法简单且易于实现，在输出电压或电机线圈电流中产生的谐波少，且就SPWM方法来说能够进一步提高对电压源逆变器直流供电电源的利用率［1-2］。故采用基于SVPWM的空间矢量控制策略来控制永磁同步电机能产生更好的控制效果。在闭环控制电机转速方面，传统上采用PI控制器，但由于该系统较为复杂，采用PI规律很难进一步提高控制效果。单神经元自适应PID（single neuron adap-tive PID，SNAPID）控制器不需要对被控对象进行精确的建模与分析，它能通过自身不断的学习迭代过程，了解系统的结构参数与不确定性，生成最佳的控制参数，环境变化适应能力较强，可以得到较好的控制效果［3-4］。

1 单神经元控制算法

单神经元控制器是神经网络中最基本的元件，它计算量小、结构简单、应用方便。由具有自学习和自适应能力的单神经元构成单神经元自适应智能PID控制器，不但结构简单，而且有较强的鲁棒性，能满足实时控制的要求。

1.1 单神经元典型的学习规则

单神经元典型的学习规则有：无监督的Hebb学习规则为Δwij（k）＝ηoj（k）oi（k）；有监督的Delta学习规则为Δwij（k）＝η（dj（k）－oj（k））oi（k）；有监督的Hebb学习规则是将无监督的Hebb学习规则稍作改进，引入有监督的Delta学习规则中定义的神经元激活值，即为Δwij（k）＝η（dj（k）－oj（k））oj（k）oi（k）。其中η为学习速率，oi（k）、oj（k）分别表示神经元i、j的激活值，wij表示神经元i、j的权值。

1.2 SNAPID控制器的学习规则

SNAPID控制器是通过对加权系数的调整来实现自适应、自组织功能，权系数的调整是按有监督的Hebb学习规则实现的。文中SNAPID控制器采用的是改进的有监督的Hebb学习规则，表达式为

式中：Δe（k）＝e（k）－e（k－1），z（k）＝e（k），x1（k）＝e（k）为当前误差，x2（k）＝e（k）－e（k－1）为误差的一阶差分，x3（k）＝e（k）－2e（k－1）＋e（k－2）为误差的二阶差分，K为神经元的比例系数，ηP、ηI、ηD分别为比例、积分、微分的学习速率，wi（k）为xi（k）加权系数，u（k）为控制信号。

SNAPID控制器控制结构如图1所示，其输入端为误差e（k），输出端为控制信号u（k）。神经元比例系数K为唯一的参数，通过选取合适的K值，控制器的权系数在P、I、D这3个路径不断迭代，快速实现控制作用。在程序的起始位置分别对学习速率ηI、ηP、ηD与加权系数w1（k）、w2（k）、w3（k）赋值，学习规则中误差e（k）与控制信号u（k）初值均为零，wi（k）与xi（k）按照学习规则不断迭代并作数量积运算，得到作用于控制对象的控制信号u（k），之后加权系数继续不断迭代循环往复进行［5］。因为神经元具有学习能力，通过适当调节比例项P和积分项I的学习效率，在起动阶段可达到无超调的理想状态，且微分项D通常被忽略。这样提高了系统的实时性［6］。

图1 Hebb学习规则的控制结构

2 SVPWM交流变频调速系统

SVPWM算法是在三相正弦波对称电压的作用下，通过选择合适的空间电压矢量，并调控其的作用顺序和作用时间，使定子磁链空间矢量旋转轨迹接近圆形［7］。运用MATLAB／SIMULINK建立基于SVPWM的双闭环交流变频调速系统［8］，验证SNAPID控制器的有效性。

2.1 SNAPID控制器的交流变频调速系统

传统的转速控制器是以永磁同步电机的转速为被控对象，采用传统的PI控制与给定转速构成的闭环反馈控制系统。采用MATLAB／SIMULINK设计SNAPID控制器的方法为：编写关于改进的有监督的Hebb学习规则的仿真M程序，利用SIMULINK中的MATLAB-Function模块进行调用［9］，取代传统的PI控制环节。在本设计的控制器设置初始值时，神经元控制器学习速率ηI为0.6，ηP为0.4，ηD为0，权系数w1（k）初值为0.25，w2（k）初值为4，w3（k）初值为0。得到基于SNAPID控制器的交流变频调速系统如图2所示。

2.2 仿真试验与结果分析

为了验证本文所设计的变频调速系统的模型的正确性及其静、动态性能，对其转速一定时，负载转矩发生变化的情况进行仿真试验。按照图2所示，设置永磁电机的参数如下：电机额定功率PN＝1.68 kW，额定转矩TN＝8 N·m，额定转速nN＝2 000 r／min，极对数p＝4，定子电阻Rs＝0.958 5Ω，电机在d、q轴下的电感Ld＝Lq＝0.005 25 H，转动惯量J＝0.000 632 9 kg·m2，转子磁场磁通ψf＝0.182 7Wb，粘滞摩擦系数B＝0.000 303 5 N·m·s。且设置逆变器直流侧电压为Udc＝300 V，设定电机的给定转速为n＝2 000 r／min。

具体仿真步骤实施如下：将仿真时间设为0.3 s，让电动机以负载转矩为TL＝1 N·m直接启动，运行达到稳定后，第0.15 s时，突加电动机负载转矩至TL＝3 N·m。得到分别采用传统PI控制器和SNAPID控制器时，电动机在启动及突加负载转矩的过程中转速的变化曲线如图3所示，电磁转矩的变化曲线如图4所示，以及电动机d、q轴的电流曲线如图5所示。

图2 基于SNAPID控制器的交流变频调速系统

图3 电动机转速变化曲线

图4 电动机电磁转矩变化曲线

图5 电动机d轴电流

图6 q轴电流的变化曲线

如图3、4所示，电动机在帯载启动时，电磁转矩较大，这是为了完成电机的加速过程，使其转速可以在极短时间内达到电机的给定值2 000 r／min；到0.15 s时，负载转矩突加为3 N·m，转速和电磁转矩均产生了波动，随后电磁转矩迅速稳定在3 N·m上，转速也快速稳定在2 000 r／min上。

如图5、6所示，由于电动机采用了id＝0的矢量控制方法，故d轴电流始终在设定值0附近波动，而q轴电流与电机的电磁转矩之间成正比［10］。系统的电流曲线不论在启动过程中还是突加负载转矩时，都能够快速地恢复稳定状态，达到稳定值。

比较2种控制器下转速、电磁转矩的变化曲线，从控制系统的过渡过程特性来看，启动时，采用普通PI控制器得到的转速和电磁转矩曲线均有较大的超调量，其中转速超调量约为20%，过渡过程历时约为0.05 s；采用SNAPID控制器得到的转速和电磁转矩曲线相对来说超调量减小，转速超调量为12.5%，过渡过程历时为0.035 s。运行至0.15 s时突加负载转矩，采用普通PI控制器，电动机转速受到扰动有较大的变化，转速动态变化率为9.38%，且恢复时间为0.02 s；采用SNAPID控制器动态变化率为3.05%，且恢复时间为0.018 s。总体来说，SNAPID控制器的控制性能要优于普通PI控制器，具有很好的自适应性和鲁棒性，对系统的动态过程和稳定性进行了改善。

3 结束语

仿真分析和实验结果表明，单神经元PID控制器是一种具有自学习能力和自适应能力的良好控制器，将其应用在交流变频调速系统中，能有效地减小超调，缩短调节时间，对其动态过程和稳定性起到了极大的改善。

［1］范心明.基于SIMULINK的SVPWM仿真［J］.电气传动自动化，2009（3）：19-21.

［2］程启明，王映斐，胡晓青，等.基于SVPWM的永磁同步电机矢量控制系统的建模与仿真［J］.上海电力学院学报，2012，28（4）：329-335.

［3］吴凌云，陈春霞.基于单神经元PID控制器的PLC直流电机控制系统［J］.制造业自动化，2010，32（9）：101-139.

［4］李俊丽，何勇，王生泽.单神经元PID在多电机同步控制中的应用［J］.机电工程，2010，27（8）：14-18.

［5］刘金琨.先进PID控制及其MATLAB仿真［M］.北京：电子工业出版社，2003：87-92.

［6］万健如，张海波，曹才开.单神经元PID控制器永磁同步电机调速系统［J］.电力电子技术，2005，39（1）：75-78.

［7］杨玉杰，汪仁先.基于MATLAB的SVPWM变频调速系统的仿真［J］.鞍山钢铁学院学报，2002，25（4）：244-247.

［8］王晶，翁国庆，张有兵.电力系统的MATLAB／SIMULINK仿真与应用［M］.西安：西安电子科技大学出版社，2008：97-105.

［9］隋峻，王晶，樊键，等.SVPWM在永磁同步电机系统中的应用与仿真［J］.兵工自动化，2011，30（3）：55-58.

［10］任俊杰.船用永磁同步电动机推进系统建模与仿真研究［D］.大连：大连海事大学，2010：19-28.

Application of artificial neural network（ANN）in variable frequency speed control system of PMSM

HOU Yanxue，HUANGManlei，TAO Linan，LIHongkun
College of Automation，Harbin Engineering University，Harbin 150001，China

The speed control system of the permanentmagnet synchronousmotor（PMSM）has been widely used in industry，agriculture and many other fields.In order to reduce energy consumption and save cost effectively，it is necessary to accomplish the requirements of high efficiency and high energy saving on the aspects of industrial de-sign and control technology.The vector controlmethod based on the space vector pulse width modulation（SVP-WM）strategy provideswide speed range，high precision and good ability to resist disturbance for the system.The control effect is excellent，but its overshoot is large.The precisemodeling property of the neural network is used to effectively solve this problem.This paper designed a kind of variable frequency speed control system based on SVP-WM that contains double closed-loop of speed and current by MATLAB／SIMULINK，and the vector controlmethod of id＝0was used to control the PMSM.In this study，we adopt single neuron controller to replace the traditional PI controller in the process of designing a speed controller.Moreover，the rationality of the system modelwas verified by adjusting the parameters of the controller，and the dynamic performance and stability of the system are improved.

single neuron；variable frequency speed control system；vector control；artificial neural network（ANN）

TM341；TP273.2

A

1009-671X（2015）02-001-04

10.3969／j.issn.1009-671X.201405020

2014-05-28.

日期：2015-03-25.

侯艳雪（1988-），女，硕士研究生；

黄曼磊（1969-），男，教授，博士生导师.

黄曼磊，E-mail：mlhuang51＠163.com.

http：／／www.cnki.net／kcms／detail／23.1191.u.20150325.1254.006.html