基于神经网络的双PWM异步电机调速系统研究

本文首先给出了异步电机在各个坐标系下的数学模型，研究了异步电机按转子磁链定向的矢量控制系统，基于MATLAB/Simulink平台实现了异步电机按转子磁链定向的矢量控制。

其次，针对异步电机传统速度控制器中计算量、调试量大的问题，设计了一种基于神经网络NARMA-L2模型的反馈线性化速度控制器。通过神经网络NARMA-L2模型辨识电机，基于该模型设计反馈线性化速度控制器。这种控制器无需精确的数学模型，动态响应良好，稳定性强。将该控制器与传统PI控制器相比较，仿真结果验证了其优越性。

再次，针对直流母线电压不稳定以及能量无法双向流动的问题，设计了一种按电压定向的三相可控PWM整流电路。将电机侧的控制电路与电网侧可控整流电路相结合，仿真结果表明，可控整流电路实现了能量的双向的流动、直流母线电压的稳定以及电路维持在单位因数的工作状态，使得异步电机可以四象限运行。

最后搭建以DSP芯片为核心的异步电机矢量控制系统平台，以CCS作为开发软件编写异步电机矢量控制系统程序，实验结果验证了算法的有效性。

关键词：异步电机；矢量控制；神经网络；NARMA-L2；双PWM

IABSTRACTABSTRACTBecauseofitslowprice,simplestructureandconvenientmaintenance,asynchronousmotorplaysanindispensableroleinhumandevelopment.Withthein-depthstudyofhumanbeings,high-performanceasynchronousmotorspeedcontroltechnologyhasbecomeincreasinglymature.However,inHigh-PerformanceACspeedcontrolsystem,duetothelargeamountofcalculation,complexmodel,non-linearcomponentsandotherreasons,peopleneedtocarryoutalargenumberofcalculationsonthesystemInpracticalapplications,asynchronousmotorsoftenneedtooperateinfourquadrants,suchaspositiveandnegativerotation,startingandbraking.ThetraditionalAC-DCuncontrollableDCwillleadtotheproblemofDCbusimbalanceorevenhighvoltageburnout.Inviewoftheaboveproblems,thispaperproposesaNARMA-L2controllerforasynchronousmotorspeedcontrolsystem,anddesignsacontrollablePWMrectifiercircuitfortherectifierside.

Inthispaper,firstly,themodelofasynchronousmotorineverycoordinatesystemisgiven,andthevectorcontrolsystemofasynchronousmotororientedbyrotorfluxisstudied.BasedonMATLAB/Simulinkplatform,thevectorcontrolofinductionmotororientedbyrotorfluxisrealized.

Secondly,afeedbacklinearizationspeedcontrollerbasedonneuralnetworkNARMA-L2modelisdesignedtosolvetheproblemoflargecalculationanddebugginginthetraditionalspeedcontrollerofasynchronousmotor.TheneuralnetworkNARMA-L2modelisusedtoidentifythemotor,andthefeedbacklinearizationspeedcontrollerisdesignedbasedonthemodel.Thiskindofcontrollerdoesnotneedprecisemathematicalmodel.Ithasgooddynamicresponseandstrongstability.ComparedwiththetraditionalPIcontroller,thesimulationresultsshowitssuperiority.

Thirdly,avoltageorientedthree-phasecontrollablePWMrectifierisdesignedtosolvetheproblemofvoltageinstabilityofDCbusandthetwo-wayflowofenergy.Thecontrolcircuitofthemotorsideiscombinedwiththecontrollablerectifiercircuitofthepowergridside.Thesimulationresultsshow

III基于神经网络的双PWM异步电机调速系统研究thatthecontrollablerectifiercircuitrealizesthebidirectionalflowofenergy,thestabilityofDCbusvoltageandtheworkingstateofthecircuitmaintainingattheunitfactor,sothattheasynchronousmotorcanoperateinfourquadrants.Atlast,thevectorcontrolsystemplatformofasynchronousmotorbasedonDSPchipisinstalled,theprogramofvectorcontrolsystemofasynchronousmotoriswrittenwithCCSasthedevelopmentsoftware,andtheexperimentalresultsshowtheavailabilityaboutthealgorithm.

Keywords:Inductionmotor;VectorControl;NuralNetwork;NARMA-L2;

Dual-PWM

IV目录目

目第一章

绪

录

录........................................................................................................................................V

论.........................................................................................................................1

1.1研究背景及意义...........................................................................................................11.2国内外研究现状与发展趋势.......................................................................................2

1.2.1双PWM机侧交流调速系统研究现状与发展趋势.........................................21.2.2双PWM网侧可控整流系统研究现状与发展趋势.........................................31.2.3双PWM变频器协制的研究现状与发展趋势.........................................51.3论文研究内容和结构安排...........................................................................................6

异步电动机按转子磁链定向的矢量控制.................................................................7

第二章

2.1引言...............................................................................................................................72.2异步电动机的三相数学模型.......................................................................................72.3坐标变换与变换后的数学模型...................................................................................9

2.3.13/2变换与3/2变换后的异步电动机数学模型................................................92.3.22r/2s变换与静止两相正交坐标系中的异步电动机数学模型.......................112.3.32s/2r变换与旋转正交坐标系中的异步电动机数学模型...............................112.4异步电动机按转子磁链定向的矢量控制系统.........................................................14

2.4.1按转子磁链定向的同步旋转正交坐标系状态方程.......................................142.4.2按转子磁链定向的矢量控制...........................................................................142.5异步电机按转子磁链定向的矢量控制系统MATLAB仿真..................................162.6本章小结.....................................................................................................................21第三章

基于神经网络NARMA-L2的速度控制器研究....................................................233.1引言.............................................................................................................................233.2神经网络及BP算法..................................................................................................23

3.2.1人工神经元模型...............................................................................................233.2.2神经网络的结构及学习...................................................................................253.2.3BP算法..............................................................................................................273.3神经网络NARMA-L2控制器..................................................................................30

3.3.1神经网络NARMA-L2模型的推演过程及网络结构....................................303.3.2基于神经网络NARMA-L2模型的系统辨识与控制器设计.........................32

V基于神经网络的双PWM异步电机调速系统研究3.4神经网络NARMA-L2速度控制器MATLAB仿真................................................34

3.4.1基于神经网络NARMA-L2模型的电机辨识.................................................343.4.2神经网络NARMA-L2速度控制器.................................................................383.5本章小结.....................................................................................................................39第四章

三相PWM整流器数学模型与按电压定向的矢量控制.......................................414.1引言.............................................................................................................................414.2三相PWM整流器工作原理.....................................................................................414.3三相PWM整流器数学模型.....................................................................................424.4三相PWM整流器控制策略.....................................................................................44

4.4.1按电压定向的矢量控制系统...........................................................................444.4.2电压电流双闭环控制策略...............................................................................454.5三相PWM整流器按电压定向的矢量控制系统MATLAB仿真...........................4.6双PWMNARMA-L2速度调节器矢量控制系统MATLAB仿真.........................514.7本章小节.....................................................................................................................52第五章

异步电机矢量控制系统实验研究...........................................................................535.1引言.............................................................................................................................535.2实验硬件部分介绍.....................................................................................................535.3实验软件设计.............................................................................................................565.4实验结果分析.............................................................................................................585.5本章小节.....................................................................................................................61第六章参致

考

总结与展望...............................................................................................................63文献.......................................................................................................................65

谢.......................................................................................................................................69

攻读学位期间发表的学术论文目录.......................................................................................71

VI第一章绪论第一章

1.1研究背景及意义

绪论

电力（ElectricPower）作为世界上最主要的能源之一，因其生产方式广、便于集中控制、能够高效传输、应用范围大、清洁高效等优点，在人类发展中有着重要地位。电机（ElectricMachine）是实现电能与机械能之间转化的重要设备，电机常被用于发电、车辆、船舶、航空航天、机器人等领域。异步电机（AsynchronousMachine）主要用作电动机，各种型号的异步电机功率从几瓦到上千万瓦，因其结构简单、制作容易、成本价格低廉、检查维修方便、适用于多种负载的特性，是国民经济各行业和人们日常生活中应用最广泛的电动机。异步电机同样可以作为发电机，如果条件满足，异步电机完全可以在四象限中运行。

电机的转速与转矩控制是电机应用领域的核心问题之一，现代运动控制技术的出现解决了异步电机原先无法进行高性能调速的问题。矢量控制（VectorControl,VC）系统或按转子磁链定向控制（FluxOrientationControl,FOC）系统是已经获得成熟应用的一种基于动态数学模型的高性能交流电动机调速系统，其通过坐标变换的数学手段与按转子磁链定向的控制策略，得到等效直流电动机模型，接下来便按照直流电动机进行控制

[1]。基于矢量控制系统的高性能交流调速系统和交流伺服系统可以和直流调速系统相媲

美[2]。PID控制比较适用于可建立精确数学模型的确定性控制系统[3]。但是在异步电机运行过程中，因其非线性、时变不确定等特性，建立精确的数学模型需要大量的计算，而实际效果也往往不理想。在实际调速中，异步电机参数获取复杂、参数不稳定、计算公式繁多且复杂，这往往会对计算造成不便，而通过调试的方法又有许多不确定性，甚至反复调试仍然无法获得满意的效果，对运行工况的适应性很差，特别是要求四象限运行的异步电机来说，频繁的转速与转矩变化造成的不确定性对异步电机调速系统提出了更高的要求。神经网络（NeuralNetworks,NN）是当前主要的智能控制技术之一，它是基于生物的神经元细胞发展起来的人工智能技术，对一个控制系统来，它不需要精确的数学模型，学习与适应能力强，能解决许多非线性、不确定性的问题。

异步电机四象限运行的另一个重要问题是能量的双向流动问题。用于异步电机的传统变频器是不可控整流交-直-交变频器，即采用二极管不可控整流电路或者晶闸管相控整流电路得到直流电压，经过母线电容滤波，再到全控的逆变侧脉宽调制技术（PulseWidthModulation，PWM）输出电压、频率可调的交流电对电机进行调速控制，这种传统的变频器有着能量无法双向流动、网侧不可控从而产生谐波、直流母线电压控制复杂等缺点，对它的使用范围产生了局限[4]。特别是对于要求四象限运行的交流异步电机来

1基于神经网络的双PWM异步电机调速系统研究说，当异步电机工作于发电制动等时刻，直流母线电压会上升，超过常值，这就是泵升电压现象，当泵升电压出现时，整个交流调速系统都可能面临危险。若电动机储存的动能较大、制动时间较短或电动机长时间工作在发电制动状态时，泵升电压很高，严重时将损坏变频器[5]。为了解决上述问题，人们提出将可控型器件用于直流母线的电网侧进行可控整流，这样，除了对三相交流电源进行整流外，当直流母线出现泵升电压问题时，可控整流通过控制手段将处于有源逆变状态，将泵升电压产生的能量逆变回电网，实现了交流电源与直流母线能量的双向传递与流动，此外，通过控制手段还可将三相电源与直流母线进行能量交换时电路处于单位因数工作状态，提高了能量利用率。使用网侧PWM整流代替传统交直交网侧不可控整流的变流器，构成双PWM异步电机交流调速系统为异步电机工作于四象限提供了可能。

综上来看，研究异步电机无需精确数学模型即可进行高性能调速、异步电机四象限运行时如何进行能量双向流动等问题有着重要意义。

1.2国内外研究现状与发展趋势

1.2.1双PWM机侧交流调速系统研究现状与发展趋势

随着电力电子技术、微电子技术、控制理论、计算机技术等学科不断的发展与融合，异步交流电机的调速性能得到了大大的改善。目前高性能交流调速系统的控制策略有变压变频调速、矢量控制调速、直接转矩控制调速等。

变压变频调速有转速开环控制、转速闭环转差频率控制等控制方案。转速开环的变压变频调速是最早出现的交流电机变频控制策略，这种控制策略是以交流电机的额定频率为分界点，额定频率以下时，保持电机的频率与电压为一恒值，所以也称恒压频比控制策略，由于气隙磁通与电机的压频比近似为线性关系，因此在恒压频比下，交流电机的气隙磁通为一恒值，而正比于交流电机气隙磁通的电磁转矩也为一恒值，因此这种控制策略属于恒转矩调速控制策略。恒压频闭控制策略方法简单、便于控制，可以应用在很多场合，但是其高性能调速效果欠佳，而且当电机处于启动状态或低速运转时，压频比与气隙磁通呈现很大的非线性关系，因此在交流电机的恒压频比控制中，需要对电压进行补偿，这无疑增加了控制难度。转差频率控制策略是基于上述恒压频比控制策略发展起来的一种控制策略，由于交流电机的转差频率与转矩近似呈线性关系，因此通过控制转差频率来控制电机的电磁转矩是现实的。转差频率控制实时监测电机转速，可以形成闭环来对交流电机进行控制，转速闭环的出现使得这种控制策略要优于恒压频比控制策略。但是这种控制策略与恒压频比控制策略一样是基于交流电机的等效电路模型，这对于控制系统而言，是一种稳态模型，因此，对于复杂的、频繁变换的工况调速性能欠

2第一章绪论佳。

矢量控制策略是针对上述两种基于交流电机等效电路的稳态模型控制策略所展现的动态调速性能不佳的问题而提出的一种控制策略[6]。德国工程师F.Blaschke等人于上世纪70年代摒弃以交流电机的等效电路稳态模型进行控制策略研究的方向，构建异步电机的动态数学模型，并通过坐标变换将交流电机的动态模型等效为直流电机模型，这种方法大大的提升了交流电机的调速性能，借由这种控制策略，交流电机打破了以往直流电机在高性能调速的绝对控制领域，在新世纪后，交流调速系统已逐步取代直流调速系统。随后鉴此控制策略，日本的男波江章以及其它学者们提出了转差型矢量控制策略及直接转矩控制策略，这些控制策略都是基于交流电机的动态数学模型发展起来的，因此这些控制策略的动态性能要优于以稳态模型为基础的控制策略。这种控制策略的缺点是速度较难监测、计算量大、计算公式复杂、电机参数的非线性与环境的不确定性均会对计算结果产生影响，如何化解这些问题已经成为现阶段交流电机矢量控制系统研究的方向。

直接转矩控制策略是于1985年首次提出的[7]。德国教授迪彭布鲁克首先提出了基于六边形磁链轨迹的直接转矩控制，随后日本的高桥教授提出了基于圆形磁链轨迹的直接转矩控制。直接转矩控制对定子磁通和力矩进行直接控制，系统动态性能好，没有矢量控制的坐标变换，因此控制比较简单[8]。这种控制策略的缺点是在低频或高频时控制效果欠佳，电磁转矩噪声较大。

随着现代控制理论的发展，以及各个学科与控制理论的交叉融合，自适应控制算法

[9]、模糊控制算法[10]、神经网络算法[11]、遗传算法[12]、反步控制算法[13]、非线性控制理

论[14]、滑模控制算法[15]等控制方法逐步应用于交流调速系统领域。上述控制算法有的可以通过自我调节来适应外界工况变化，有的在动态表现中体现了极佳的性能，有的则不需要精确的数学模型，但是这些控制方法不仅对计算芯片提出了更高的要求，也对工程师们提出了更高的要求。因此未来交流调速系统的发展趋势之一是朝着数字化及更高的精度要求方向发展。

1.2.2双PWM网侧可控整流系统研究现状与发展趋势

随着可控型电力电子的发展与现代工业对电力电子电路的要求不断提高，许多控制技术、控制方案与控制算法都被用于PWM可控整流。

（1）PWM整流控制技术

与PWM逆变技术一样，PWM整流控制技术有正弦脉冲宽度调制（SinusoidalPulseWidthModulation，SPWM）、电流跟踪脉冲宽度调制（CFPWM），空间矢量脉冲宽度

3基于神经网络的双PWM异步电机调速系统研究调制（SpaceVectorPulseWidthModulation，SVPWM）[16]。

SPWM技术是最早的PWM技术，这种技术运用冲量等效原理，将正弦信号波加在等宽的载波上，得到的开关信号等效于正弦波。这种技术突破了以往的电力电子器件控制技术，改善了电力电子电路的性能，如何克服死区等因素的影响已经成为这种技术的研究的方向。

CFPWM技术是一种跟踪电流的脉冲宽度调制技术，这种技术需要实时监测实际电流，与给定的电流信号进行比较来给出电力电子器件开关信号，这种控制技术跟踪响应快，提高其性能需要高性能的控制算法支撑。

SVPWM技术是由上世纪80年代由日本学者提出的用于交流电机调速系统的控制技术，不再以控制电机的电压或电流为目标，而是通过调制电压来直接调制电机的圆形磁场。SVPWM的出现使PWM技术不再局限于跟踪正弦信号，而是通过调制电压空间矢量直接调制交流电机的磁场，因此SVPWM技术有效地降低了交流电机的电磁转矩噪声。

（2）PWM整流控制方案

可控整流控制方案基于以上控制技术可以分为间接电流控制方案[17]、直接电流控制方案[18]、直接功率控制方案[19]等。这些控制方案各有优缺。

间接电流控制方案由J.W.Dixon等人于上世纪80年代提出，这种基于正弦载波的PWM控制方案实现了单位功率因数的正弦波电流控制，它不需要实时监测电流变化，而是通过计算来确定，因此对于频繁变换的工况造成的许多非线性、不确定性的适应力差。

直接电流控制方案直接控制交流电流，最早是基于SPWM技术，随着CFPWM技术的出现，CFPWM也被用于直接电流控制的整流与逆变。这种技术的优点是可以直接跟随目标电流，动态响应快，但是开关频率较高，容易对电力电子器件造成损坏。

直接功率控制方案是由TokuoOhnishi和ToshihikoNoguchi等人于上世纪90年代提出，这种控制方案不再以电路的电流或电压为控制目标，而是以能量或功率作为控制目标，通过对有功功率与无功功率的控制来控制电力电子器件。这种控制方案物理意义明确，但相应的会提高复杂度与计算量。

（3）PWM整流控制算法

近年来，除了传统的PID控制算法，越来越多的新型控制算法不断的被应用于可控整流电路。

反馈线性化控制以微分几何为基础，通过非线性状态和反馈变换，将控制系统的输

4第一章绪论入和输出精确线性化，使复杂的非线性系统问题转化为线性系统的问题[20]。这种控制算法适用于电力电子电路这种非线性因素比较多的控制对象，但是存在着矩阵复杂、计算量大等缺点。

自适应控制[21]是一种自调节的控制算法，它可以随着环境的改变来对自身参数结构等进行改变。虽然对环境的适应力强、性能佳，但是控制系统复杂。这种控制算法在对电力电子电路要求高的场合可以应用。

滑模变结构控制由V.I.Utkin等学者们提出，属于不连续性控制范畴，针对随时变化的被控系统的结构，该方法可以依据被调量的偏差和导数，使系统按照既定滑动模态的轨迹运动[22-23]。

反步控制是由Kokotovic等学者在20世纪90年代提出[24]，这种控制算法适用于许多非线性、不确定性的场合，可以适用于频繁变换的电力电子电路。除了上述控制算法外，许多智能、先进控制比如模糊控制算法、神经网络控制算法、分数阶PID控制算法等越来越多的被应用于可控整流电路。

关于应用，可控PWM整流被广泛应用于太阳能发电、柔性直流输电、电机四象限运行、有源滤波器等领域，除此之外，电网不平衡下的PWM可控整流与多个PWM可控整流的协制也是当前重要的研究领域。总之，PWM整流技术在许多领域代替传统的不可控整流技术已经成为未来整流技术的发展趋势。1.2.3双PWM变频器协制的研究现状与发展趋势

双PWM指的是网侧PWM整流和机侧PWM逆变两部分，对于网侧PWM整流，其控制目标是实现能量的双向流动且使母线电压稳定；对于机侧PWM逆变，其控制目标则是高性能交流调速[25-27]。为了综合协制双PWM交流电机调速系统，从控制策略上可分为电流前馈控制策略和主从控制策略。

电流前馈控制策略可以是负载电流直接前馈或直流母线电容电流前馈，这种策略首先对负载电流或电容电流进行测量，将其作为一个前馈量对整流器中电流环进行控制，当机侧或直流侧能量突变时，前馈电流量也随之改变，通过改变电流环的给定来实现能量的快速控制[28]。这种控制策略控制响应快，可以大大减小直流母线电容，是目前使用较为广泛的一种协制策略。

主从控制策略是将PWM整流器视为一体，机侧交流调速系统作为主系统，网侧PWM整流系统作为从系统[29]。将主系统的控制信息（交流电机的电流、电压、频率等输入量）引入到从系统，在从系统中给定一个相应的前馈量，这种控制策略可以使从系统跟随主系统进行能量流动。这种控制策略无需测量电流，动态响应快，可以选择一个

5基于神经网络的双PWM异步电机调速系统研究控制芯片（CentralProcessingUnit,CPU）或两个控制芯片进行控制[30]。如果双PWM交流电机调速系统的网侧三相PWM整流和机侧PWM逆变采用同一个CPU，可以简化控制系统，但控制难度会增大。而如果采用两个CPU分别控制网侧PWM整流与机侧PWM逆变，那么系统将受通信实时性，这是主从模式控制策略的突出问题。

将网侧PWM整流器与机侧PWM逆变器系统、有机的结合在一起，以及将双PWM变频器应用在更多的领域以实现节能、环保等目的是双PWM变频器协制未来的研究趋势。

1.3论文研究内容和结构安排

本文在分析了异步电机矢量控制系统之后，针对其计算量、调试量较大的问题，设计了一种基于神经网络NARMA-L2模型的反馈线性化速度控制器；针对直流母线电压不稳定以及能量无法双向流动的问题，设计了一种按电压定向的三相可控PWM整流电路，仿真结果验证了方法的有效性。

第一章主要研究了异步电机交流调速系统的背景与意义，给出了网侧PWM整流控制、机侧PWM逆变电机控制、双PWM变流协制的研究现状与发展趋势。

第二章给出了异步电机在各坐标系下的数学模型以及矢量控制系统，利用MATLAB/Simulink平台搭建异步电机矢量控制系统，仿真结果验证了矢量控制的高性能调速特性。

第三章介绍了神经网络及BP算法，推演了神经网络NARMA-L2模型。通过神经网络NARMA-L2模型辨识电机，基于该模型设计反馈线性化速度控制器。将该控制器与传统PI控制器相比较，仿真结果表明了其优越性。

第四章给出了三相PWM整流技术的工作原理、数学模型与控制策略，基于MATLAB/Simulink平台搭建了三相PWM整流电路，结果实现了可控整流既可工作于整流状态也可工作于逆变状态、直流母线电压稳定可调、电路单位因数功率运行等特点。搭建双PWM神经网络NARMA-L2速度调节器矢量控制系统，仿真结果初步表明了双PWM变流器可使异步电机在四象限运行。

第五章搭建了以DSP芯片为核心的实验平台，介绍了各硬件模块的作用，设计了软件流程图，实验结果验证了算法的有效性。

第六章总结了本文内容，展望了未来可研究的方向。

6第二章异步电动机按转子磁链定向的矢量控制第二章

2.1引言

异步电动机按转子磁链定向的矢量控制

矢量控制的出现使交流调速系统呈现了可以与直流电机调速系统相媲美的性能，这种基于动态动力学模型的交流调速系统相对于基于稳态等效电路模型的交流调速系统在动态性能上得到了较大的提升。

2.2异步电动机的三相数学模型

异步电机通过对电压、电流、频率等输入量的控制来进行对转速及电磁转矩等输出量的控制，为了获得高性能的异步电机调速系统，需要对异步电机的动态模型进行分析。

在以下理想情况下，研究异步电动机的三相数学模型：

（1）忽略谐波，将三相绕组所产生的磁动势看作沿气隙正弦规律分布的波。（2）忽略磁路饱和，即各个绕组的自感和互感都是常值。（3）忽略铁心损耗。（4）设绕组电阻也是常值。图2.1为三相异步电动机的模型。

图2.1三相异步电动机的模型Fig.2.1Modelofthreephaseasynchronousmotor在图2.1中，定子（Stator）三相绕组轴线A、B、C是固定的，转子(Rotor)绕组轴线a、b、c以角速度同转子旋转。图2.1中设A轴为参考坐标轴，转子a轴和定子A

7基于神经网络的双PWM异步电机调速系统研究轴间的电角度为空间角位移变量。规定各绕组电压、电流、磁链的正方向符合电动机惯例和右手螺旋定则。

异步电动机三相动态模型的数学表达式由运动方程、磁链方程、电压方程、转矩方程给出：（1）运动方程

ddt

对于，有：

（2-1）

JdTeTLnpdt

（2-2）

其中：

——转子角速度；J——机组的转动惯量；TL——负载转矩；

np——极对数。

（2）磁链方程

异步电动机每个绕组的磁链是它本身的自感磁链和其他绕组对他的互感磁链之和。磁链矩阵为：

ALAABLBACLCAaLaALbAbcLcA

LABLBBLCBLaBLbBLcBLACLBCLCCLaCLbCLcCLAaLBaLCaLaaLbaLcaLAbLBbLCbLabLbbLcbLAciA

iLBcBLCciCLaciaLbcibLccic

（2-3）

其中：

iA,iB,iC,ia,ib,ic——定子和转子相电流的瞬时值；

A,B,C,a,b,c——各相绕组的全磁链；

LAA,LBB,LCC,Laa,Lbb,Lcc——各绕组的自感，其余各项为则是相应绕组间的互感。

（3）电压方程

8第二章异步电动机按转子磁链定向的矢量控制uARsuB0uC0ua0u0b

0uc00000iAA

iRs0000BB

0Rs000iCdC



00Rr00iadta

000Rr0ic

b

0000RriAc

（2-4）

其中：

uA,uB,uC,ua,ub,uc——定子和转子相电压的瞬时值；Rs,Rr——定子和转子绕组电阻。

（4）转矩方程

2

TenpLms[(iAiaiBibiCic)sin(iAibiBiciCia)sin()

32

(iAiciBiaiCib)sin()]

3（2-5）

其中：

Lms——定子互感。

2.3坐标变换与变换后的数学模型

2.3.13/2变换与3/2变换后的异步电动机数学模型

在异步电动机三相动态数学模型下，还有以下约束条件：

ABC0

iAiBiC0uuu0

BCAabc0

iaibic0uuu0

bca（2-6）

（2-7）

上述动态模型中矩阵并非线性，因此有必要进行线性变换。

借用等效的思想，当三相绕组A、B、C与两相绕组、产生的两个旋转磁动势大小和转速都相等时，这时完全可以用两相绕组、来代替三相绕组A、B、C，这就是3/2变换。

令坐标系中的轴与ABC坐标系下的A轴重合，轴逆时针转过90°为轴方向，进行等量坐标变换，有变换矩阵：

9基于神经网络的双PWM异步电机调速系统研究C3/2

1122

33021

232

（2-8）

将上式进行逆变换，即得两相正交坐标系、变换到三相坐标系A、B、C（简称2/3变换）的变换矩阵：



121-321-20323-2

C2/3

（2-9）

同时对定子绕组和转子绕组进行3/2变换，经坐标变换后，定子两相正交坐标系相对静止，转子两相正交坐标系则以的角速度下个对于静止的定子坐标系逆时针旋转，相应的数学模型如下：（1）电压方程：

usRsus0ur0ur0

0Rs00

00Rr0

0iss

i0dss0irdtr



iRrrrLmcosLmsinLr0

Lmsinis

i

Lmcoss

ir0

Lrir

（2-10）

（2）磁链方程：

Lss



0s

rLmcosrLmsin0LsLmsinLmcos（2-11）

转矩方程：

TenpLm[(isirisir)sin(isirisir)cos]

（2-12）

其中：

Lm——定子与转子同轴等效绕组间的互感；Ls——定子等效两相绕组的自感；Lr——转子等效两相绕组的自感。

3/2变换运用等效的思想将三相绕组等效为互相垂直的两相绕组，降低了状态变量的维数，且简化了定子与转子的自感矩阵。

10第二章异步电动机按转子磁链定向的矢量控制2.3.22r/2s变换与静止两相正交坐标系中的异步电动机数学模型

异步电动机数学模型复杂的原因在于电感矩阵和转矩方程。为了抹除定、转子夹角在互感阵的出现，使复杂的电感矩阵成为线性矩阵，可以使轴与轴重合，并使

静止。有旋转变换阵（park变换）：

cosC2r/2s()

sinsincos

（2-13）

对转子坐标系做旋转变换，变换后的数学模型如下：（1）电压方程

usRsus0ur0ur0

0Rs00

00Rr0

0iss0

i00dss

0irdtrr



i-Rrrrr0Ls0LmLm0Lr0

0is

iLms0irLrir

（2-14）

（2）磁链方程：

sLss0rLmr0

（2-15）

（3）转矩方程：

TenpLm(isir-isir)

（2-16）

旋转变换改变了定子、转子绕组间的耦合关系，将相对运动的定子、转子绕组用相对静止的等效绕组来代替，这样便消除了定子、转子绕组间夹角对磁链和转矩的影响，了电感矩阵与转矩方程再次得到简化。

2.3.32s/2r变换与旋转正交坐标系中的异步电动机数学模型

与交流电机不同，直流电机的气隙磁通由励磁绕组产生，励磁绕组与电枢绕组产生的磁场不存在着像交流电机那样的耦合情形，因此，对于调速系统而言，控制直流电机相比控制交流电机要简便、高效，坐标变换及矢量控制的出现使交流电机在数学模型上等效为直流电机，这大大提高了交流调速系统的性能。事实上，如果将直流电机正交的励磁绕组和电枢绕组以同步速度旋转，那么二者产生的磁动势也随之旋转。继续借用等效的思想，使旋转磁动势与2.2.2中固定的交流绕组产生的磁动势相等，那么完全可以运用旋转磁动势来代替固定的交流绕组产生的磁动势。

把静止两相正交坐标系中的异步电动机数学模型变换到同一个旋转正交坐标系

11基于神经网络的双PWM异步电机调速系统研究dq上，dq相对的旋转角速度为1，且有

d1。dt图2.2为2s/2r变换坐标图。

图2.22s/2r变换Fig.2.22s/2rtransform对式（2-13）求逆，可得静止两相正交坐标系到旋转正交坐标系的变换阵：

cosC2s/2r()

sinsincos

（2-17）

旋转正交坐标系中的异步电动机数学模型为：（1）电压方程

usdRsusq0urd0urq0

0Rs00

00Rr0

0isdsd-1sq

i0dsqsq1sd

0irddtrd(1)rq



i()Rrrqrqrd10Ls0LmLm0Lr0

0isd

iLmsq0irdLrirq

（2-18）

（2）磁链方程：

sdLssq0rdLmrq0

（2-19）

（3）转矩方程：

TenpLm(isqird-isdirq)

（2-20）

旋转正交坐标系（dq坐标系）的优点在于引入了一个量1，通过控制这个量可以控制磁链的方向。在异步电机交流调速系统中，通过坐标变换，最终将三相坐标系下的

12第二章异步电动机按转子磁链定向的矢量控制异步电机模型变为同步旋转正交坐标系下的模型，最终的模型可看作直流电机，这样，运用于直流电机的控制方法可用于交流电机的控制。综合式（2-18）、（2-19）、（2-20），选取5个状态变量

X[rdrqisdisq]T输入变量

Uusdusq1TlT输出变量

YrT可将旋转正交坐标系中的异步电动机数学模型变为状态方程

dn2pLm(isqrdisdrq)n

p

dtJLTLrJdrd1Lrd(1)

dtTrqmisdrTr

drq1dtTrq(1)rdisqrdisdLmLRL2R2rLmusddtLrdmsLrTrLrqsrLisd1isqsLrsL2rLsdisqL22LmmRsLrRrLmiiusq

dtLrdsLrTrqrLsLrL2sq1sdsLrLs其中：

——电动机漏磁系数，1-L2mL;

sLrTr——转子电磁时间常数，Tr

LrR。r输出方程：

Yrd2rq2T13（2-21）

（2-22）

（2-22）

（2-23）

（2-24）

基于神经网络的双PWM异步电机调速系统研究2.4异步电动机按转子磁链定向的矢量控制系统

2.4.1按转子磁链定向的同步旋转正交坐标系状态方程

旋转正交dq坐标系的一个特列是与转子磁链旋转矢量ψr同步旋转的坐标系，即令

d轴与转子磁链矢量重合，有以下关系

rdr

rq0

（2-25）

为了保证d轴与转子磁链矢量始终重合，还必须使

drqdt0

（2-26）

将式（2-25）、（2-26）代入式（2-23），可得按转子磁链定向的同步旋转正交坐标系状态方程

dnp2LmnpiTLsqrJLrJdtdL1

rrmisdTrTrdt22disdLmRsLrRrLmiiusdsd1sqdtLsLrTrrLsLsLr222usqdisqLmRsLrRrLmiirsq1sd2dtLLLsLLsrsr

（2-24）

此外，还可得到dq坐标系的旋转角速度

1

电磁转矩表达式

Te

LmisqTrr（2-25）

npLmLrisqr（2-26）

由式（2-24）第二行与式（2-26）可看出，通过按转子磁链定向，将定子电流分解为励磁分量isd与转矩分量isq，转子磁链r仅由定子电流励磁分量isd产生（2-24），而电磁转矩Te正比于定子电流转矩分量与转子磁链的乘积isqr（2-26），实现了定子电流两个分量的解耦，而且还降低了微分方程组的阶次。2.4.2按转子磁链定向的矢量控制

异步电动机矢量控制变换及等效直流电动机模型如图2.3所示。

14第二章异步电动机按转子磁链定向的矢量控制图2.3异步电动机矢量变换及等效直流电动机模型Fig.2.3VectortransformationofasynchronousmotorandequivalentDCmotormodel以输入输出端口看图2.3，输入为A、B、C三相正弦交流电流，输出为角速度，是一台异步交流电动机。从内部看，经过3/2变换和旋转变换2s/2r，变成一台以dq轴直流电流为输入、角速度为输出的直流电机系统。对应关系如下：d轴绕组绕组——直流电机的励磁绕组，isd——励磁电流，q轴绕组——直流电机的电枢绕组，isq——电枢电流（与转矩呈线性关系），——转子磁链与静止坐标系的变换角度。经过这种变换与对应关系，异步交流电机的数学模型转化为直流电机，仿照直流电动机的控制方法控制电磁转矩与磁链，然后将转子磁链定向坐标系中的控制量反变换得到三相坐标的对应量，以实时控制[2]。这便是矢量控制（VectorControl，VC）系统，亦称为按转子磁链定向控制（FluxOrientationControl，FOC）系统。

采用转速、电流双闭环控制的矢量控制系统结构图如图2.4所示。

图2.4转速、电流双闭环控制的矢量控制系统结构图Fig.2.4Structureofvectorcontrolsystemwithdoubleclosed-loopcontrolofspeedandcurrent15基于神经网络的双PWM异步电机调速系统研究如图2.4所示，ASR（AutomaticSpeedRegulator）为转速调节器，AFR（AutomaticFluxLinkageRegulator）为转子磁链调节器，ACDR(AutomaticCurrent/DRegulator)为定子电流励磁分量调节器，ACQR(AutomaticCurrent/QRegulator)为定子电流转矩分量调节器，FBS为转速传感器，在图2.4中，借用了直流电机的转速、电流双闭环控制策略，这是为了让转速与电流同时具有控制作用的调速系统，转速作为电机输出，是为外环，转速调节器的输出是转矩电流的给定，电流调节器的输出可用作电力电子器件的控制信号（在矢量控制系统，还需增加一步坐标反变换），磁链调节器与励磁电流调节器同理。对磁链和转速来说，均表现为双闭环控制的系统结构，内环为电流环，外环为转子磁链或转速环。若采用转子磁链开环控制，可以去掉AFR，构成三调节器FOC系统。

在图2.4中，ASR、AFR、ACDR、ACQR等控制器采用PI控制器，PI控制器的优点在于结构简单、便于整定，缺点在于对复杂工况的适应性差。

在图2.4中，根据式（2-24）、（2-25）给出转子磁链计算公式

Lm

r1Tsisdr

Lm

isq1Trr11

s

（2-27）

2.5异步电机按转子磁链定向的矢量控制系统MATLAB仿真

异步电机按转子磁链定向的矢量控制MATLAB/Simulink仿真图如图2.5所示。

图2.5异步电机按转子磁链定向的矢量控制仿真图Fig.2.5SimulationdiagramofFOC在图2.5中，首先测得定子三相电流iA、iB、iC,经坐标变换3s/2r模块得到两相旋转

16第二章异步电动机按转子磁链定向的矢量控制正交坐标系下的dq轴电流id、iq，根据式（2-27）与测量模块测得的转速n（或角速度）一同经由磁链计算模块计算得到角与转子磁链，这样，等效后相当于对直流电机分别进行转速控制与励磁控制，得到的电压信号ud、uq再经由坐标变换dq/模块与SVPWM信号波发生模块得到逆变器的开关信号，来对交流异步电机进行控制。图2.5中的直流母线电压为380V，异步电机参数如表2.1所示。

表2.1仿真中异步电动机的参数Tab.2.1IM’sPerformance特性额定功率额定电压额定频率转动惯量转子磁链极对数参数1100W220V50Hz0.143kgm0.800Wb22

特性定子电阻定子电感转子电阻转子电感互感参数5.320Ω0.387H5.490Ω0.387H0.361H在图2.5中，ASR、AFR、ACQR、ACDR均为PI控制器，对各控制器的调节以先调内环再调外环的原则调节如下。（为了更好的说明矢量控制系统的性能，初始给定速度为600r/min，在t=1s时，突变为800r/min；在t=0.5s时突加10N·m负载，并于t=1s时撤除，在t=1.5s时继续突加10N·m负载。）

图2.6转矩电流响应曲线Fig.2.6Torquecurrentresponsecurve17基于神经网络的双PWM异步电机调速系统研究图2.7励磁电流响应曲线Fig.2.7Excitationcurrentresponsecurve图2.8转速响应曲线Fig.2.8Speedresponsecurve图2.9励磁响应曲线Fig.2.9Excitationresponsecurve18第二章异步电动机按转子磁链定向的矢量控制ACQR参数kp=16000,kI=60;图2.7为励磁电流响图2.6为转矩电流分量响应曲线，

应曲线，ACDR参数kp=16000,kI=800;图2.8为转速响应曲线，ASR参数kp=150,kI=3,并将控制器输出即给定转矩电流限幅在10A；图2.9为励磁响应曲线，AFR参数

kp=1000,kI=0,并将给定励磁电流限幅在10A。

由以上各图看出，异步电机按转子磁链定向的矢量控制动态性能良好，以转速响应曲线为例，在启动阶段转速给定为600r/min时，上升时间约为0.07s，超调量小于2%，转速达到给定值后迅速进入稳态，0.5s时刻突加10N·m负载后，转速呈现了较小的波动，并迅速回升至给定转速；在1s时刻给定转速由600r/min变为800r/min后，实际转速在0.03s内迅速跟随给定转速，在1.5s时刻突加10N·m负载后，转速亦未呈现过量的波动，以上结果体现了异步电机按转子磁链定向的矢量控制的高性能调速。

负载响应曲线、定子电流曲线、转子磁链轨迹、定子磁链轨迹分别如图2.10、2.11、2.12、2.13所示。

图2.10转矩响应曲线Fig.2.10Torqueresponsecurve19基于神经网络的双PWM异步电机调速系统研究图2.11定子A相电流Fig.2.11StatorCurrentofAPhase图2.12转子磁链轨迹Fig.2.12Rotorfluxtrack图2.13定子磁链轨迹Fig.2.13Statorfluxtrack20第二章异步电动机按转子磁链定向的矢量控制由图2.10与图2.11看出，系统转矩相应良好，A相定子电流呈正弦规律变化，由图2.12与图2.13看出，定子与转子磁链轨迹都近似为圆形。

2.6本章小结

本章阐述了异步电机在各个坐标系下的数学模型，介绍了异步电机按转子磁链定向的矢量控制系统的基本思想、状态方程以及控制框图，并用MATLAB/Simulink平台搭建了FOC系统的模型，结果显示了系统良好的动态性能。依据本章的内容，可以进一步研究异步电机矢量控制的高性能速度控制器或进行实验。本章是作为异步电机四象限运行的机侧构架给出的。

21基于神经网络的双PWM异步电机调速系统研究22第三章基于神经网络NARMA-L2的速度控制器研究第三章

3.1引言

基于神经网络NARMA-L2的速度控制器研究

矢量控制策略可以使异步电机实现高性能调速。但是在实际调速中，异步电机参数获取困难、计算公式繁多，这往往会对建立精确的数学模型造成不便。而且在异步电机运行过程中，因其非线性、时变不确定性等特性，依赖参数建立的控制器实际效果也往往不理想，对运行工况的适应性较差。

无需参数或精确数学模型的电机控制目前已经成为电机控制领域研究热点，这种控制对工况的适应性较强。神经网络作为一种智能算法，可以有效地实现上述目标，与神经网络相结合的控制方法已经展示了其在电机控制领域的优越性。本章提出了一种神经网络NARMA-L2模型来辨识异步电机，并依据此模型设计反馈线性化（NARMA-L2）速度控制器，使得在无需调试或计算的情形下即可获得异步电机高性能调速系统。

3.2神经网络及BP算法

人工神经网络（artificialneuralnetworks,ANN）简称为神经网络（NN），是一种模仿生物（人与动物）神经网络行为特征进行分布式并行信息处理的人工智能算法数学模型[31]。人工神经网络算法依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的[32]。

神经网络的应用有：模式识别与图像处理、预测与管理、控制与优化、通信等方面

[33]。

3.2.1人工神经元模型

人工神经元模型如图3.1所示。

图3.1人工神经元模型Fig.3.1Artificialneuronmodel鉴于生物学思想，它有三个基本要素：

（1）对应生物神经元突触的一组连接权，连接强度可由各连接上的权值表示，其

23基于神经网络的双PWM异步电机调速系统研究中权值为正表示两个连接点之间为激励状态，权值为负表示两个连接点之间为抑制状态。

（2）一个求和单元，它的功能是求取所有神经元输入与其上连接权值的乘积之和。（3）位于求和单元之后的激活函数，激活函数为非线性函数，可起到非线性映射的作用，通常激活函数被在（0,1）或（-1,1）之间，用来神经元输出。

此外还有一个阈值（或偏置b），如果需要，该阈值可划为输入。第k个神经元可用下面的数学语言描述：

ukwikxii1m（3-1）

yk(ukk)

其中：xi为输入信号（i=1，2，...m，m为输入个数）;wik为连接权值；uk为线性组合结果；k为阈值；()为激活函数；yk为神经元k的输出。

上述激活函数()有如下几种形式：（1）阈值函数

1v0(v)

0v0

（3-2）

（2）分段线性函数

1v11

(v)(1v)1＞v＞-1

20v1

（3-3）

此函数类似于一个带被在（0,1）间的线性放大器，当工作于放大区域时，该函数的放大倍数为1/2。

（3）sigmoid函数，也称logistic函数，这是一类S型函数，在生物学中比较常见，神经网络将其引入作为激活函数，常用的sigmoid函数有

(v)

1

1exp(v)（3-4）

v1exp(v)

(v)tanh()

21exp(v)（3-5）

等，它们具有平滑和渐进性，易于求导且单调，在式（3-4）中参数可调。

对于式（3-1)，可以把输入的维数增加一维，从而把阈值k看作输入，如

24第三章基于神经网络NARMA-L2的速度控制器研究vkwikxii0m（3-6）

yk(vk)

此处x01或1，权值w0kk或bk。3.2.2神经网络的结构及学习

上述人工神经元模型的特征、网络连接的拓朴结构、学习方式与学习算法等决定了人工神经网络模型的种类。

根据神经网络模型有无反馈可将神经网络分为前向网络与反馈网络，这种分类与神经网络的层数及各层内含神经元的个数一起决定网络连接的拓朴结构。如图3.2所示，以两层隐含层每层内含m个神经元的网络为例，说明神经网络连接的拓扑结构。

图3.2神经网络的拓扑结构Fig.3.2Topologicalstructureofneuralnetwork图3.2（a）表示前向网络，各输入输入至某个神经元，并经激活函数输入下一级，网络内无反馈。图3.2（b）表示为反馈网络，输出信号反馈到输入节点形成闭环回路。在上图所示的神经网络拓扑中，每一个神经元的激活函数都可以选取不同形式。

神经网络的逼近性与适应性是通过学习实现的。学习在神经网络中指的是根据环境的变化，按某种预先设定的度量，通过调整神经网络内部参数（如权值等）逐步达到所需的性能。不同的学习环境有不同的学习方式，而规定预设度量的规则称为学习规则（或学习算法）。

常用的学习方式有监督学习（有教师学习）、非监督学习（无教师学习）等[34]。（1）监督学习。如果已经获得足够的样本，那么可以通过监督学习来训练神经网络。首先将训练样本的输入数据xk加到网络输入端，同时将相应的样本输出dk和网络输出相比较，得到误差ek后，根据ek以及学习算法不断修正网络内部参数，使得期望输出与网络输出的误差限定在一定范围之内，如图3.3（a）所示。

25基于神经网络的双PWM异步电机调速系统研究图3.3神经网络的学习方式Fig.3.3Learningmethodofneuralnetwork（2）非监督学习。直接将输入信号输入神经网络，网络会根据学习算法来修正网络内部参数。

（3）除监督学习和非监督学习，还有再励学习方式。在再励学习中，环境将会给网络输出奖或惩的信息，而非确切的样本输出，网络通过这些奖惩信息及学习算法来改善内部性能。

在学习方式确定后，编程有效的学习算法，使得神经网络通过对连接权值的调整来构筑客观世界的内在表示，这样，信息的存储和处理体现在网络之中。常用的学习算法有：

（1）误差纠正学习（delta学习规则）。

这种学习算法基于监督学习方式。由图3.3（a），误差纠正学习的最终目标是使某个基于误差的函数达到规定的精度。以该精度为指标，判断是否达到了网络输出在统计意义上逼近实际输出的目标。delta学习规则常用的误差函数及权值修正的度量为

12ek(t)2kΔwijjviE

（3-7）

式中t为时刻；wij为神经元i到j的连接权值；为学习速率；j为误差函数E对神经元j输入的偏导数；vi为第i个神经元的输出。本文采用此学习规则。

（2）Hebb学习

Hebb学习基于非监督学习方式。这种学习规则认为学习发生在神经元之间的突触（连接）部位。当某一突触（连接）两端的神经元同时激活时，则它们的连接增强，否则减弱[35-37]。Hebb学习规则经常用的权值修正度量为

26第三章基于神经网络NARMA-L2的速度控制器研究Δwijsisj（3-8）

式中，si、sj分别为权值wij两端神经元的激活状态。

（3）竞争（competitive）学习

在竞争学习中，网络的输出单元互相竞争，最后只有最强者存活，其余单元则被抑制[35]。常用的竞争学习规则的权值修正度量为

(xjwij)若神经元i竞争获胜

Δwij

若神经元i竞争失败0

（3-9）

3.2.3BP算法

作为神经网络算法的一种，反向传播（backpropagation，BP）算法以反馈网络为网络结构、以监督学习为学习方式、δ学习规则为学习算法，推动了多层网络的发展，在神经网络及结合其它学科的领域有重要应用。

图3.4是一个典型的BP网络，其内含一个输入层，一个隐含层，一个输出层。

图3.4BP神经网络Fig.3.4BPneuralnetworkxj——输入层第j个节点的输入，j=1，…，m；

wij——隐含层第i个节点到输入层第j个节点之间的权值i=1，…，q；

——隐含层的激活函数，共q个；

wki——输出层第k个节点到隐含层第i个节点之间的权值；

27基于神经网络的双PWM异步电机调速系统研究i——隐含层第i个节点的阈值；——输出层的激活函数，共l个；

ak——输出层第k个节点的阈值，k=1，…，l；yi——隐含层第i个节点的输出；ok——输出层第k个节点的输出；Tk——期望输出。

BP算法可分为三个步骤，下面由图3.4给出具体公式。（1）由输出层开始计算每层神经元的输出及输出误差：隐含层的第i个节点的输入netinetiwijxjij1m（3-10）

隐含层的第i个节点的输出yiyi(neti)(wijxji)

j1m（3-11）

输出层的第k个节点的输入netknetkwkiyiakwki(wijxji)aki1i1j1qqm（3-12）

输出层的第k个节点的输出okmq

ok(netk)wki(wijxji)ak

j1i1

（3-13）

（2）求取调节各层权值和阈值的量。在BP网络中，激活函数通常选取可导的sigmoid函数，据式（3-1）可用梯度下降法来进行求解：

对于每一个样本p的二次型误差准则函数Ep1lEp(Tkok)

2k1282（3-14）

第三章基于神经网络NARMA-L2的速度控制器研究系统对P个训练样本的的总误差准则函数EP1PlEP(Tkok)22p1k1（3-15）

输出层权值的修正量ΔwkiΔwkiEEnetkwkinetkwkiPlEoknetk(Tkok)'(netk)yioknetkwkip1k1（3-16）

输出层阈值的修正量ΔakPlEEoknetkΔak(Tkok)'(netk)

akoknetkakp1k1（3-17）

隐含层权值的修正量ΔwijΔwijEEnetiwijnetiwijEyinetiEokyineti

yinetiwijokyinetiwijlP（3-18）

(Tkok)'(netk)wki'(neti)1k1隐含层阈值的修正量ΔiΔiEEokyinetiiokyinetiiPl''p1k1（3-19）

(Tkok)(netk)wki(neti)

（3）调节各层的权值和阈值

wki(t1)wki(t)Δwkia(t1)a(t)Δakkk

wij(t1)wij(t)Δwij(t1)(t)Δiii（3-20）

式中t为某一时刻。

随着神经网络与各个学科的融合，BP网络作为应用广泛的神经网络技术，在很多领域都有新的应用。

29基于神经网络的双PWM异步电机调速系统研究3.3神经网络NARMA-L2控制器

以神经网络NARMA-L2模型设计的控制器既体现了神经网络逼近任意非线性函数及预测的能力，又体现了现代控制理论与统计学在搭建网络拓扑上的指导意义[38-40]。神经网络NARMA-L2控制也是反馈线性化的一种，与其它反馈线性化相比，神经网络NARMA-L2控制计算量要小得多[41-43]。

3.3.1神经网络NARMA-L2模型的推演过程及网络结构

（1）自回归模型

自回归模型（Autoregressivemodel，ARmodel）是用同一变数y的前p个时间段的值来预测本时间段的值。它是由线性回归发展而来的统计学方法，只是不由x来预测y，而是由y来预测y，因此称为自回归。即设y各个时间段的值呈线性关系，有：

y(k)c1y(k1)2y(k2)py(kp)ukciy(ki)uki1p（3-21）

式中，k为采样时刻；c为常数项；1、2、p为自回归模型的参数；uk为白噪声，称上述方程为p阶自回归模型，记为AR（p）。

（2）滑动平均模型

滑动平均模型（MovingAveragemodel,MAmodel）是参量谱分析模型的一种，线性MA模型的一般形式如下：

y(k)au(k)1u(k1)qu(kq)

au(k)iu(ki)

i1q（3-22）

式中，a为常数项；1、2、q为滑动平均模型的参数；uk为输入序列，上述模型称为q阶滑动平均模型，记为MA(q)。按式（3.22）的物理意义为现在的输出是一个常数加上现在的输入及过去的q个输入的加权和。

（3）自回归滑动平均模型

自回归滑动平均模型（AutoregressiveMovingAveragemodel，ARMAmodel)是由（1）（2）两种模型结合而成的，由式（3-21）与式（3-22）有：

y(k)cu(k)iy(ki)ju(kj)

i1j1pq（3-23）

由AR(p)模型与MA(P)模型结合而成的模型记作ARMA(p，q)模型。

30第三章基于神经网络NARMA-L2的速度控制器研究（4）非线性自回归移动平均值模型

神经网络的出现使统计学ARMA模型不被于线性关系，即有非线性自回归移动平均值模型（NonlinearAutoregressiveMovingAveragemodel，NARMAmodel）,使得一般离散非线性系统可表示为：

y(kd)N[y(k),y(k1),,y(kn1),

u(k),u(k1),u(km1)]

（3-24）

式中，y(k)是系统输出；d是系统延迟；N是可以通过神经网络来训练逼近的非线性函数；u(k)是系统输入；m和n分别是输入和输出的测量阶数。

如果以式（3-24）来训练神经网络，并基于此来设计控制器，那么求解控制律是困难且缓慢的。

（5）NARMA-L2模型

由Narendra与Mukhopadhyay提出的NARMA-L2模型解决了（4）中的问题。NARMA-L2具有映射能力强、输出调节快、精度高等优点。事实上，借用泰勒公式的思想，式（3-24）可近似为[44-45]：

ˆ(kd)f[y(k),y(k1),,y(kn1),u(k1),u(km1)]y

g[y(k),y(k1),,y(kn1),u(k1),u(km1)]u(k)

（3-25）

式（3-25）就是NARMA-L2模型，这是一种伴随形式的模型，此式中下个控制器输入u(k)并未包含在非线性中，因此实现了反馈线性化。直接使用此式可能会导致实现问题，因为必须同时基于某时刻的输入u(k)与输出y(k)。因此，使用下式代替（为了方便，令m=n）：

y(kd)f[y(k),y(k1),,y(kn1),u(k),u(kn1)]

g[y(k),y(k1),,y(kn1),u(k),u(kn1)]u(k1)

（4-26）

式中d2。基于NARMA-L2的神经网络拓扑结构如图3.5所示。

31基于神经网络的双PWM异步电机调速系统研究图3.5基于NARMA-L2的神经网络拓扑结构Fig.3.5NeuralnetworktopologybasedonNARMA-L2在图3.5中，TDL为延时模块；两个虚线框内的函数g与函数f均以内含一层隐含层的BP神经网络逼近，IW1,1、IW1,2、IW2,1、IW3,1、LW3,2、LW4,1依次分别是网络g的隐含层到u的权值矩阵、网络g的隐含层到y的权值矩阵、网络g的输出层到隐含层的权值矩阵、网络f的隐含层到u的权值矩阵、网络f的隐含层到y的权值矩阵、网络f的输出层到隐含层的权值矩阵；Σ为求和模块；与分别是隐含层与输出层的激活函数，可用sigmoid函数；与a分别是隐含层与输出层的阈值。3.3.2基于神经网络NARMA-L2模型的系统辨识与控制器设计

想要基于神经网络NARMA-L2辨识的系统模型进行控制器设置，首先需要通过采样对系统进行辨识。

（1）系统辨识

NARMA-L2神经网络是以监督学习为学习方式、BP算法为学习算法的模型，系统的辨识原理如图3.6所示[46]。

32第三章基于神经网络NARMA-L2的速度控制器研究图3.6NARMA-L2系统辨识Fig.3.6NARMA-L2systemidentification图中，u为输入；yp为系统输出；yn为系统输出；e为误差。（2）控制器设计

如果需要让识别好的NARMA-L2网络跟随某一参考信号y(kd)yr(kd)，即让其产生控制信号，根据式（3-26）有控制律

u(k1)

yr(kd)f[y(k),,y(kn1),u(k)u(kn1)]

g[y(k),,y(kn1),u(k),u(kn1)]（3-27）

式中d2。得到神经网络NARMA-L2控制器的搭建模块[47]如图3.7所示。

图3.7NARMA-L2控制器模块Fig.3.7NARMA-L2controller33基于神经网络的双PWM异步电机调速系统研究NARMA-L2控制图如图3.8所示。

图3.8NARMA-L2控制Fig.3.8NARMA-L2control3.4神经网络NARMA-L2速度控制器MATLAB仿真

NARMA-L2控制器位于SimulinkLibraryBrowser下NeuralNetworkToolbox的ControlSystems子目录中。

3.4.1基于神经网络NARMA-L2模型的电机辨识

交流电机是一个典型的非线性系统，在本文中，预设计交流电机矢量控制系统下的NARMA-L2速度调节器，首先需要完成对电机的采样。根据图2.4的结构可知，在这里，系统输入为电流，系统输出为角速度。如图3.9为电机采样的MATLAB/Simulink仿真图。

图3.9电机采样Fig.3.9Motorsampling对输入模块给定随机电流信号（在±10A以内），采集转速响应。采集时设置的参数如表3.1所示。

34第三章基于神经网络NARMA-L2的速度控制器研究表3.1采样参数Tab.3.1Samplingparameters采样设置采样间隔（SamplingInterval）（Sec）训练样本（TrainingSamples）系统最大输入（MaximumPlantInput）（A）系统最小输入（MinimumPlantInput）（A）输入最大间隔（MaximumIntervalValue）（Sec）输入最小间隔（MinimumIntervalValue）（Sec）参数0.00016500010-100.080.01在表3.1中采样间隔越小则随后训练的网络精度越大，但采集相同的训练样本数量所需时间就越长；给定电流被在±10A；经实验后发现，输入间隔不宜超过转速进入稳态的时间，本文设置为0.01s至0.08s之间。采样后的图像如图3.10、3.11所示。

图3.10系统随机输入Fig.3.10Systemrandominput图3.11系统输出Fig.3.11Systemoutput35基于神经网络的双PWM异步电机调速系统研究对系统采样完后，需要对网络进行训练，训练网络的参数如表3.2所示。

表3.2训练网络的参数Tab.3.2Parametersoftrainingnetwork训练网络设置隐含层神经元个数（SizeofHiddenLayer）输入延迟（No.DelayedPlantInputs）输出延迟（No.DelayedPlantOutputs）迭代次数（TrainingEpochs）学习算法（TrainingFunction）参数1011100trainlm训练结果如图3.12所示。

图3.12NARMA-L2训练结果Fig.3.12NARMA-L2Trainingresults训练误差如图3.13所示

图3.13NARMA-L2训练误差Fig.3.13NARMA-L2Trainingresults36第三章基于神经网络NARMA-L2的速度控制器研究训练结果显示，NARMA-L2拟合度较高，其误差控制在±0.02rad/s。训练完成后，为了进一步验证网络的有效性，将训练完成后的网络进行测试，将电机与网络给于同一系列随机输入，如图3.14，得到电机的角速度响应以及网络响应如图3.15所示。

图3.14测试输入Fig.3.14Testinput图3.15输出响应Fig.3.15OutputResponse图3.16测试误差Fig.3.16Testerror37基于神经网络的双PWM异步电机调速系统研究图3.16为测试误差，综合以上各幅图可得NARMA-L2适用效果较好，测试误差也控制在±0.2rad/s以内。

3.4.2神经网络NARMA-L2速度控制器

内载NARMA-L2速度控制器的FOC系统MATLAB/Simulink仿真图如图3.17所示。（用于控制器时，控制器的SamplingInterval应设置为与仿真间隔一直，这里为1e-5）

图3.17NARMA-L2NeuralASRFOC系统Fig.3.17NARMA-L2NeuralASRFOCSystemNARMA-L2速度控制器仿真结果及其与PI速度控制器的比较如图3.18所示。可见，无论是内载NARMA-L2ASR的FOC系统还是内载PIASR的FOC系统，都具有对异步电机进行高性能调速的特性。更进一步，将图3.18在启动阶段、转速变化阶段、突加负载阶段放大后，对NARMA-L2ASR与PIASR相比较，各个阶段所得控制系统的性能指标如表3.3与表3.4所示。

图3.18NARMA-L2ASR及PIASRFOC转速响应曲线Fig.3.18NARMA-L2ASR&PIASRFOCSpeedresponse38第三章基于神经网络NARMA-L2的速度控制器研究表3.3第一阶段NARMA-L2ASR与PIASR性能比较Tab.3.3PerformancecomparisonbetweenNARMA-L2ASRandPIASRinthefirststage第一阶段（转速n=600r/min）速度调节器上升时间NARMA-L2PI0.0694s0.0695s启动阶段超调量0.78%0.94%稳定时间0.0787s0.0831s下降时间0.5031s0.5031s带载阶段回落量590.27r/min590.59r/min稳定时间0.5092s0.5114s表3.4第二阶段NARMA-L2ASR与PIASR性能比较Tab.3.4PerformancecomparisonbetweenNARMA-L2ASRandPIASRinthesecondstage第二阶段（转速n=800r/min）速度调节器上升时间NARMA-L2PI1.0206s1.0206s启动阶段超调量0.59%0.59%稳定时间1.0312s1.0345s下降时间1.5041s1.5043s带载阶段回落量786.67r/min796.54r/min稳定时间1.514s1.517s综合图3.13、表3.3与表3.4来看，以NARMA-L2作为速度控制器的矢量控制系统大部分性能要优于以PI作为速度控制器的矢量控制系统。最重要的是NARMA-L2不像PI，无需通过计算或反复调试，只需要设定好采样参数与神经网络参数，通过一定时间的采样与训练，就可以得到异步电机的高性能调速系统。传统单调的工作得到一定的，提高了生产力，这正是智能控制技术的积极意义之一。

3.5本章小结

本章给出了神经网络与BP算法，推演了NARMA-L2模型，在NARMA-L2模型基础上，构建一种新型的神经网络拓扑，并设计基于此模型的控制器。设计以神经网络NARMA-L2作为速度控制器的异步电机矢量控制系统仿真模型，结果表明，在无需大量计算和调试的情形下，矢量控制通过智能控制技术也可以实现高性能调速。

39基于神经网络的双PWM异步电机调速系统研究40第四章三相PWM整流器数学模型与按电压定向的矢量控制第四章

4.1引言

三相PWM整流器数学模型与按电压定向的矢量控制

在传统的交流调速系统中，网侧常常采用不可控整流技术，对于复杂的工况，将会造成直流母线泵升电压、能量难以以单位因数功率流通等问题，本文将传统的网侧不可控整流器件置换成可控型器件，研究网侧整流器的控制方法与控制策略，实现控制目标。

4.2三相PWM整流器工作原理

图4.1三相PWM整流器主电路拓扑Fig.4.1ThreephasePWMrectifiermaincircuittopology图4.1中，ea,eb,ec为网侧三相电压，ia,ib,ic为交流测三相电流，L为交流测电感，R为交流测等效电阻，ua,ub,uc为交流测输入端与O点电压，Idc为直流侧电流，C为直流侧电压，Udc为直流母线电压，IL为负载电流，RL为负载电阻。

在以下理想化条件下，对三相PWM整流器进行分析：

（1）三相网侧交流电压对称，并忽略电网谐波、频率波动的影响。（2）忽略三相交流线路电阻、电感的不对成及饱和。（3）不考虑死区、线路分布参数的影响。仅对三相中A相进行分析，B相、C相同理。对于A相回路，根据基尔霍夫定律的相量形式，有

41基于神经网络的双PWM异步电机调速系统研究UUU0EaLRa（4-1）

一定的情况下，I的幅值和相位仅由U中基波分量的幅值那么在交流电源电压Eaaa的相位差决定。对全控型器件进行PWM控制，就可以得到所期望的U，改及其与Eaa的幅值和相位，就可以使I和E的相位差为所期望的角度。其中，当I和E同变Uaaaaa和E反相位时，相位时，电路工作在整流状态，且功率因数为1，如图4.2（a）；当Iaa电路工作在逆变状态，功率因数为-1，如图4.2（b）。

图4.2PWM整流电路运行方式相量图Fig.4.2PhasordiagramofPWMrectifieroperationmode4.3三相PWM整流器数学模型

据图4.1及拓扑结构可得PWM整流器在三相静止坐标系下的数学模型为：

diaLdteaRiaua

LdibeRiu

bbbdt

LdiceRiu

cccdtdU

dcCIdcILdt

（4-2）

定义开关函数：

1上桥臂导通，下桥臂关断

sk（ka,b,c）

0下桥臂导通，上桥臂关断

（4-3）

由定义可得ukukouknunoUdcskuno，其中ka,b,c。代入式（4-3），得：

42第四章三相PWM整流器数学模型与按电压定向的矢量控制diaLdteaRia(Udcsauno)

LdibeRi(Usu)

bbdcbnodt

LdiceRi(Usu)

ccdccnodtdU

dcCIdcILdt

（4-4）

将式（4-4）前三个等式相加，得：

L

d(iaibic)

(eaebec)R(iaibic)

dt[Udc(sasbsc)3uno]

eaebec0

iaibic0

（4-5）

对于对称的三相电压及电流，有：

（4-6）

于是（4-5）可化简为：

1

unoUdc(sasbsc)

3（4-7）

由基尔霍夫电流定律可得：

Idciasaibsbicsc（4-8）

将式（4-7）、（4-8）代入式（4-4），得到PWM整流器在三相静止坐标系下的数学模型：

1diaLeRiU[s(sasbsc)]aadcadt3

LdibeRiU[s1(sss)]

bbdcbabcdt3

LdiceRiU[s1(sss)]

ccdccabcdt3dU

dcCiasaibsbicscILdt

（4-9）

由式（4-6）可知，式（4-9）并非线性，对式（4-9）进行3/2变换，可得两相静止正交坐标系下三相PWM整流器数学模型：

diLdteRiudieRiuLdtdUdc3

Cdt2(isis)IL

43（4-10）

基于神经网络的双PWM异步电机调速系统研究其中，uUdcs,uUdcs，e、e、u、u、i、i、s、s分别为电源电压、输入端电压、网侧电流和开关函数在两相静止正交坐标系下的值。

同理可将式（4-10）通过2s/2r变换得到两相旋转正交坐标系中的三相PWM整流器数学模型：

didLdtedRidudLiqdiqeqRiquqLidLdt

dUdc3

Cdt2(idsdiqsq)IL

（4-11）

其中，udUdcsd,uqUdcsq，ed、eq、ud、uq、id、iq、sd、sq分别为电源电压、输入端电压、网侧电流和开关函数在两相旋转正交坐标系dq下的值，为旋转角速度。

4.4三相PWM整流器控制策略

4.4.1按电压定向的矢量控制系统

按三相电源电压定向矢量控制的基本思想是通过坐标变换，在按三相电源电压矢量定向同步旋转正交坐标系中，得到等效的直流电源模型，通过给定id、iq的值，控制电压矢量与电流矢量的夹角，通过电压空间矢量PWM（SpaceVectorPWM,SVPWM）控制技术，得到功率因数为1的整流效果（电压与电流同相，0，cos1）以及功率因数为-1的的逆变效果（电压与电流反相，，cos-1）。这样的控制系统称为按电压定向的矢量控制系统（VoltageOrientationControl,VOC）。

电压矢量与电流矢量及其在各坐标系下的关系如图4.3所示：

图4.3坐标系关系、电压电流矢量关系图Fig.4.3Coordinatesystemrelation,voltageandcurrentvectorrelationdiagram44第四章三相PWM整流器数学模型与按电压定向的矢量控制在图4.3中，ABC坐标系为三相静止坐标系，坐标系为两相静止正交坐标系，

dq坐标系以为旋转速度的两相旋转正交坐标系，且d轴与电压方向重合。I为电流

矢量，E为电压矢量，为电压与电流的夹角，为电压与A轴的夹角，如图4.3所示，图中画出了I在dq坐标系下的的d轴分量id与q轴分量iq，由于id与E方向相同，故称

id为有功电流分量，相应地把iq称为无功电流分量。

4.4.2电压电流双闭环控制策略

三相PWM整流器控制目标为：

（1）当异步电机处于电动机状态时，交流侧电源与电流同频同相位（单位因数整流工作状态），这时，能量从电网向电机输送能量；

（2）当异步电机处于发电机状态时，交流侧电源与电流同频反相位（单位因数逆变工作状态），这时，能量从电机向电网输送能量；

（3）使直流母线电压稳定并可调。

为实现上述控制目标，采用电压电流双闭环的控制策略，其中内环为电流环，通过设定无功电流分量为0实现单位因数为1的整流或逆变状态，完成电流控制目标；外环为母线电压环，实现直流电压的稳定。

由式（4-11）可知，id、iq之间仍然存在耦合，为解除两者的耦合，可采用前馈解耦策略，实现id、iq的控制。将式（4-11）前两行解耦，有：

ueuLi

ddqduqeqRiqLid（4-12）

其中：

diduLRidddt

uLdiqRiqqdt

（4-13）

解耦后，可对电流环设计PI控制器，电流环控制规律为：

kiI*u（k）(idid)iPds

kiI*u（k）(iqiq)qiPs

（4-14）

其中kiP、kiI分别为电流环的比例增益系数与积分增益系数。

电压环的PI控制器输出为id电流环控制器的输入，其控制规律为：

45基于神经网络的双PWM异步电机调速系统研究*id（kuP

kuI*）(UdcUdc)s（4-15）

其中kuP、kuI分别为电压环的比例增益系数与积分增益系数。

综合电压电流双闭环解耦控制策略以及SVPWM技术，得到PWM整流器整体系统控制结构图如图4.4所示。

图4.4SVPWM电流电压双闭环控制结构图Fig.4.4SVPWMCurrentandvoltagedoubleclosedloopcontrolstructurediagram在图4.4中，首先对网侧各相电压电流以及直流母线电压进行测量，将测得的三相电流采样信号进行坐标变换，得到以为旋转速度的两相旋转正交坐标系下的等效电流

*分量id和iq。直流电压环的输出作为有功电流分量的给定量id，无功电流分量的给定量*iq0，电流给定信号与反馈的电流信号作比较，电流误差信号经过PI控制器调节，使

输出电流跟踪给定量。为了实现解耦控制，需将测得的三相电压信号进行坐标变换，得到得到以为旋转速度的两相旋转正交坐标系下的等效压分量ed和eq，并通过式（4-12）得到电压信号vd、vq，将vd、vq进行2r/2s变换可得v、v，输入到SVPWM模块即可得到所需控制目标。

4.5三相PWM整流器按电压定向的矢量控制系统MATLAB仿真

三相PWM整流器按电压定向的矢量控制MATLAB/Simulink仿真图如图4.5所示。

46第四章三相PWM整流器数学模型与按电压定向的矢量控制图4.5三相PWM整流器按电压定向的矢量控制仿真图Fig.4.5Simulationdiagramofvoltageorientedvectorcontrolforthree-phasePWMrectifier在图4.5中，经由测量模块测量三相电源电压的电压与电流，分别进行abc/dq坐标变换，并由锁相环测得电压矢量的空间位置角度，三相电流坐标变换后，由控制律式（4-14）以及坐标变换后的三相电源电压与式（4-12）给出电压调制信号，经由SVPWM向可控整流器产生开关信号。在电流环中iq的给定量为0，id的给定量来自电压环。三相电源电压幅值设定为220V，频率为50HZ；各相电路阻值为0.2，电感为0.005H。

为了更好地说明4.3.2节中的三个控制目标，分别在直流母线的右侧（即机侧）加84的负载（对应电机处于电动机状态）、550V的直流电源与21的内阻（对应电机处于发电机状态），初始给定电压设定450V，在0.1s后给定电压突变为500V。

（1）整流状态

图4.6A相电源电压电流Fig.4.6VoltageandcurrentofphaseApower47基于神经网络的双PWM异步电机调速系统研究图4.7母线电压响应曲线Fig.4.7Busvoltageresponse图4.8d轴电流Fig.4.8Daxiseresponse图4.9q轴电流Fig.4.9Qaxiscurrent48第四章三相PWM整流器数学模型与按电压定向的矢量控制在图4.6中，A相电源电压与电流同相位，变流器工作在整流状态，在初始给定直流母线电压为450V时，经过短暂的震荡（约为0.01s）后，系统进入稳态，A相电流幅值约为7A，当在0.1s时刻直流母线电压突变为500V时，经过0.01s，系统再次进入稳态，此时A相电流幅值约为11A；在图4.7中，实际直流母线电压值跟随给定电压，电压环控制有效；在图4.8中，给定电流被在±20A，初始给定状态d轴稳态电流为6.5A左右，0.1s后，d轴稳态电流为10.5A左右；在图4.9中，q轴的给定电流设定为0A，实际电流在0.01s后除0.1s附近有小范围的突变，一直维持在0A左右。

（2）逆变状态

图4.10A相电源电压电流Fig.4.10VoltageandcurrentofphaseApower图4.11母线电压响应曲线Fig.4.11VoltageandcurrentofphaseApower49基于神经网络的双PWM异步电机调速系统研究图4.12d轴电流Fig.4.12Daxiseresponse图4.13q轴电流Fig.4.13Qaxiseresponse在图4.10中，A相电源电压与电流反相位，变流器工作在逆变状态，在初始给定直流母线电压为450V时，经过短暂的震荡（约为0.01s）后，系统进入稳态，A相电流幅值约为11.5A，当在0.1s时刻直流母线电压突变为500V时，经过0.01s，系统再次进入稳态，此时A相电流幅值约为6A；在图4.11中，实际直流母线电压值在误差不超过2%的情况下跟随给定电压，电压环控制有效；在图4.12中，给定电流被在±20A，初始给定状态d轴稳态电流为-11A左右，0.1s后，d轴稳态电流为-5.8A左右；在图4.13中，q轴的给定电流设定为0A，实际电流在0.01s后除0.1s附近有小范围的突变，一直维持在0A左右。

50第四章三相PWM整流器数学模型与按电压定向的矢量控制4.6双PWMNARMA-L2速度调节器矢量控制系统MATLAB仿真

将网侧PWM变流器与机侧PWM变流器通过直流母线连接后，得到双PWM矢量控制MATLAB/Simulink仿真系统如图4.12所示。

图4.14双PWM矢量控制系统仿真图Fig.4.14SimulationdiagramofDualPWMvectorcontrolsystem为了更好地说明双PWMFOC系统的特性，让异步电机能够工作在四象限状态，在1）0.6s时刻给予异步电机10N·m、（0，时间段，给定转速为800r/min，并分别于0.4s、-10N·m的负载，分别代表异步电机位于第一、四象限；在（1，2）时间段，给定转速-800r/min，并分别于1.4s、1.6s时刻给予异步电机10N·m、-10N·m的负载，分别代表异步电机位于第二、三象限。直流母线的电压、异步电机的转速相应，以及转矩响应如图4.13、图4.14、图4.15所示。

图4.15直流母线电压Fig.4.15DCBusVoltage51基于神经网络的双PWM异步电机调速系统研究图4.16转速响应曲线Fig.4.16Speedresponse图4.17转矩响应曲线Fig.4.17Torqueresponse图4.15、图4.16、图4.17表明双PWM矢量控制系统有效。在异步电机四象限运行工作状态频繁变换的仿真时间内，母线直流电压除调节阶段，基本稳定在给定380V±10V范围内变化，仿真结果表明，双PWM矢量控制系统没有产生不可控整流电路中直流母线电压过高从而产生安全隐患的问题，到达控制目标。

4.7本章小节

本章阐述了三相PWM整流器的工作原理与数学模型，仿照异步电机按转子磁链定向的矢量控制系统，设计了基于电压定向的矢量控制系统。用MATLAB/Simulink平台搭建了三相PWM整流系统的模型，结果显示可控整流既可以工作在整流状态，也可以工作在逆变状态，同时维持直流母线电压稳定。最后搭建双PWMNARMA-L2ASR矢量控制系统仿真模块，结果表明可以利用双PWM可控整流初步实现异步电机的四象限运转，并且没有泵升电压过高的问题。

52第五章异步电机矢量控制系统实验研究第五章

5.1引言

异步电机矢量控制系统实验研究

DSP是数字信号处理器的简称，因其运算速度快、可编程、便于嵌入等优点常常用于运动控制系统，本章以DSP芯片为核心，编程矢量控制系统各个功能模块的算法，搭建矢量控制系统的硬件平台，验证算法的有效性。

5.2实验硬件部分介绍

图5.1EL-DSPMCKV异步电动机控制系统实验平台Fig.5.1EL-DSPMCKVasynchronousmotorcontrolsystemexperimentalplatform图5.1为本文采用的EL-DSPMCKV异步电机实验平台，该实验平台主要由DSP组合板卡、驱动器、异步电机组等部件组成。

仿真器将电机控制程序由电脑写入DSP，DSP完成算法与控制并将控制信号输入驱动器，驱动器对异步电机进行控制，实验平台的控制结构框图如图5.2所示。下面分别对各部件进行介绍。

Fig.5.2图5.2实验平台硬件框图Hardwarediagramofexperimentalplatform53基于神经网络的双PWM异步电机调速系统研究（1）DSP组合板卡

本文选取TMS320F28335CPU作为异步电机控制系统的核心芯片。如图5.2所示，JTAG为DSP仿真器的接口，将用户在电脑编程好的电机控制程序经由DSP仿真器下载到DSP组合版内部；SCI、BUS、SPI、CAN为DSP板卡内部总线，进行数据传输；RAM为存储器；QEP模块对电机转速进行测量；A/D为模数转换模块，将检测的模拟电流信号转化为数字信号；PWM为逆变器的驱动信号，传入驱动器对电机进行控制。TMS320F28335CPU板卡的实物如图5.3所示。

图5.3TMS32028335CPU板卡Fig.5.3TMS32028335CPU（2）驱动器

光电隔离模块用作主电路与控制电路之间的隔离;IPM为功率模块，采用三菱公司的PM15RSH120，容量为15A*1200V；主电源为+300V整流电源，即直流母线；光电隔离检测模块检测A、B两相电流，并将检测到的信号转换成适用于DSP的信号；MCU、键盘、LCD以及负载控制器构成键盘控制及显示模块，用于驱动器与其它部件的数据交流等功能；接口匹配将驱动器与DSP组合板卡、异步电机组等进行连接。驱动器内部如图5.4所示。

54第五章异步电机矢量控制系统实验研究图5.4驱动器内部结构Fig.5.4Driveinternalstructure（3）异步电机组

异步电机组由异步电机、光电编码器以及磁粉制动器等组成，本文实验器件参数如下各表所示。

表5.1异步电动机参数Tab.5.1Parametersofasynchronousmotor特性额定功率额定电压额定电流额定频率额定转速额定转矩参数1100W220V5.2A50Hz1400r/min7.5Nm

特性定子电阻定子电感转子电阻转子电感互感极对数参数5.32Ω0.387H5.49Ω0.387H0.361H2表5.2磁粉制动器参数Tab.5.2Parametersofmagneticpowderbrake特性型号允许滑差功率参数CZ-22000W特性额定电流额定转矩参数600mA20Nm

55基于神经网络的双PWM异步电机调速系统研究表5.3光电编码器参数Tab.5.4Parametersofphotoelectricencoder特性型号输出方式参数E6B2-CWZ6C集电极开路特性工作电压线数参数5V1000线图5.5异步电动机机组结构Fig.5.5Structureofasynchronousmotorunit5.3实验软件设计

本文的软件编程是基于CCS软件进行的。首先完成对主程序的设计，主程序首先要求完成对DSP系统的初始化、各个模块的初始化任务，然后对定时器进行初始化，随后中断定时器，接着进入中断等待，执行中断子程序。主程序流程图如图5.6所示。

图5.6主程序流程图Fig.5.6Mainprogram56第五章异步电机矢量控制系统实验研究随后设计中断子程序，由FOC原理可知，首先要对定子电流进行检测，随后进行A/D转换；转换后的电流信号进行坐标变换计算得到磁链、角度等信息；接着判断转速控制周期，如果达到要求，则执行NARMA-L2ASR算法或PIASR算法，如果未达到要求，则跳过速度控制环，执行电流环控制算法；得到的电压控制信号经反坐标变换产生SVPWM开断信号，最后执行QEP速度计算并回复现场、中断返回，控制系统的子程序如图5.7所示。

速度控制器采用PIASR或NARMA-L2ASR，PIASR首先对误差进行比例积分，随后输出转矩电流分量的给定值，该值需要进行限幅，流程图如图5.8所示；NARMA-L2首先对网络进行训练，随后根据式（3-27）得出控制量，对此量同样进行限幅后便得到转矩电流信号的给定值，NARMA-L2ASR的流程图如图5.9所示。

图5.7中断子程序流程图Fig.5.7Interruptsubprogram57基于神经网络的双PWM异步电机调速系统研究图5.8PIASR程序流程图Fig.5.8PIASRprogram图5.9NARMA-L2ASR程序流程图Fig.5.9NARMA-L2ASRprogram5.4实验结果分析

在EL-DSPMCKV异步电机实验平台条件下，通过编程CCS软件得到实验结果。其中，实验工况依据额定工况进行，给定转速为800r/min。首先测得的SVPWM开关信号如图5.10、5.11所示。

58第五章异步电机矢量控制系统实验研究t/s图5.10PWM驱动信号TaFig.5.10PWMDrivesignalTat/s图5.11PWM驱动信号Tb与TcFig.5.11PWMDrivesignalTb&Tc图5.10与图5.11为SVPWM的开关驱动信号。由图5.10可得驱动信号Ta第一次到达波形顶点为5.00ms，第二次到达波形顶点为42.00ms，因此一个开关周期为（42.00-5.00）ms=37ms；由图5.11可得Tb与Tc第一次到达波形顶点的时间分别为17.30ms与30.00ms，当给定转速为800r/min时，因此Ta超前Tb（17.30-5.00）/37*360≈120°，Tb超前Tc（30.00-17.30）/37*360≈120°。

直流母线传输的电流经SVPWM调制后，测得加在异步电机定子侧的电流如图5.12所示。

59基于神经网络的双PWM异步电机调速系统研究t/s图5.12A相定子电流与B相定子电流Fig.5.12StatorA-phasecurrentandstatorB-phasecurrent图5.12为交流异步电机的A相定子电流与B相定子电流，由图可得，定子电流近似为正弦规律；A相电流初相为0，B相电流在12.30ms处值为0，因此A相相差B相（12.30-0.00）/37*360≈120°。

测得定子电流后，将其进行坐标变换，可得异步电机等效直流电机后的励磁电流分量与转矩电流分量，如图5.13所示。

t/s图5.13励磁电流分量（id）和转矩电流分量（iq）Fig.5.13Excitationcurrentcomponent(id)andtorquecurrentcomponent(iq)图5.13为励磁电流分量与转矩电流分量，其中，励磁电流近似为直线，转矩分量决定异步电机的电磁转矩（或转速），由图可知，实验结果表明FOC算法实现了二者的解耦。

60第五章异步电机矢量控制系统实验研究t/s图5.14转速响应曲线Fig5.14Speedresponse图5.14为转速响应曲线，由图可知，上升时间约为0.2s，超调量约为5%，稳定时间约为0.6s，进入稳态后，异步电机可较好地跟随给定。

5.5本章小节

本章搭载了以TMS320F28335CPU为核心的EL-DSPMCKV异步电机实验平台，运用CCS开发软件进行编程，设计了异步电机矢量控制系统实验，实验结果初步表明了算法的有效性。

61基于神经网络的双PWM异步电机调速系统研究62第六章总结与展望第六章

解决方案。具体如下。

总结与展望

本文针对异步电机在四象限运行时可能出现的问题进行研究与探讨，设计了相应的

首先分析异步电机的高性能调速系统——矢量控制调速系统，从异步电机的动态模型结合坐标变换推导出用于控制系统的状态方程，运用直流电机的控制思想控制异步交流电机，MATLAB/Simulink仿真平台验证了控制系统的有效性。在此基础上，主要解决异步电机调速系统的两个问题。

一是针对异步电机运行在四象限这种频繁变换工况下可能因本身元器件与外界环境造成的非线性导致数学模型不准确问题，提出了一种基于神经网络NARMA-L2模型的智能控制器，这种控制器在无需精确的数学模型、反复人为调试的情况下，通过对异步电机进行采样、神经网络学习，得到对给定目标的控制律，从而对异步电机进行控制。通过MATLAB/Simulink仿真平台验证算法有效性。

二是当异步电机处于四象限运行时，其除了工作于电动机状态，亦可工作于电动机状态，这时如果采取传统不可控整流的交直交变流电路，则可造成直流母线电压不稳定、能量无法灵活的双向流动等问题。针对该问题，将不可控整流电路设计为可控整流电路，运用MATLAB/Simulink平台验证电路有效性，并将网侧与机侧连接在一起，初步验证异步电机四象限运行的有效性。

最后搭建以TMS320F28335CPU为核心的EL-DSPMCKV异步电机实验平台，实验结果验证了算法的有效性。

本文对电机的智能化、节能化进行了研究，在这过程中，仍有一些问题与待改进方案：

一是对于神经网络控制用于异步电机，采样是一个较为麻烦的过程，如何获得合适的样本以获得最优的网络模拟情况、获得多少样本就足够对网络进行训练，这些问题值得深入探讨。

二是本文的神经网络控制仅用于速度控制器，实现了异步电机的半智能化，事实上可将智能控制技术用于电流控制器、磁链控制器、速度观测器等电机控制器实现完全智能化电机控制。

三是本文是基于控制目标来研究整流电路，可以从能量角度来对网侧与机侧的双向能量流动进行分析与实验验证，揭示电网、电路、电机之间的物理规律。

63基于神经网络的双PWM异步电机调速系统研究参考文献参考文献

[1]王小明,卢志强.起重机变频调速控制技术[J]机械工程与自动化,2009,5：186-188.[2]肖雄.双PWM变频调速系统综合控制策略研究[D].北京科技大学,2017.

[3]郭文博.基于DSP的感应电动机四象限运行系统的研究[D].哈尔滨工业大学,2008.[4]杨明涛.变频调速技术在起重机中的应用分析[J].设备管理与维修,2018,8（下）:45-46.[5]顾学俊.起重机节能控制系统的设计[J].煤矿机械,2015,36（07）：203-205.

[6]Karoui,F.,etal.,Diagnosisandprognosisofcomplexenergystoragesystems:toolsdevelopmentandfeedbackonfourinstalledsystems[J].EnergyProcedia,2018.15.5:61-76.

[7]Haiwei,L.,M.WeijianandT.Chong,Aproposalresearchonenergy-savingofgantrycrane[J].BioTechnology:AnIndianJournal,2014.10(8):2546-2553.

[8]Liu,Q.Theapplicationofenergyfeedbackdeviceinportcranecontrolsystem[C].2012.Hefei,China:SpringerVerlag.

[9]陈伟昌.基于双PWM变换器的异步电机四象限控制系统研究[D].华南理工大

学,2015.

[10]Nashed,M.N.F.,Four-quadrantcontrolofC-dumpconverter-fedPMBDCmotordrive

system[J].IFACProceedingsVolumes,2013.46(13):545-550.

[11]Gopinath,M.,T.YuvarajaandJ.S,ImplementationofFourQuadrantOperationof

BLDCMotorUsingModelPredictiveController[D].2016.

[12]Meradi,S.,etal.,Slidingmodeandfaulttolerantcontrolformulticellconverterfour

quadrants[J].ElectricPowerSystemsResearch,2013.95:128-139.

[13]Haddad,W.M.,T.RajpurohitandX.Jin,Energy-basedfeedbackcontrolforstochastic

port-controlledHamiltoniansystems[J].Automatica,2018.97:134-142.[14]祝宁.四象限交流传动系统的能量成形与非线性控制[D].青岛大学,2014.

[15]佘阳阳.基于能量/功率控制的电机驱动四象限变流器的研究[D].合肥工业大

学,2015.

[16]樊家明,郭育华.基于双PWM变换器的变频调速系统研究[J].电力电子技术,

2018(03):26-28.

[17]王恩德.四象限变频器在电机控制中的应用研究[D].华中科技大学,2013.

[18]张岩.永磁同步电机双PWM调速系统无传感器控制研究[D].哈尔滨工业大学,2018.

65基于神经网络的双PWM异步电机调速系统研究[19]杨迪瑞,杨文焕,李荣高.双PWM交流调速系统耦合调制建模及其注入电网间谐波电

流特性分析[J].中国电机工程学报,2017(03):869-880.

[20]LUISE.B.SILVA,V.F.S.A.,SimulationofaRegenerativeControlledFourQuadrant

DCDrive[J].IFACControlEducationandTechnology,1995:153-158.

[21]杨文焕,杨迪瑞,李荣高.港区桥吊双PWM交流调速系统间谐波数学模型及仿真分析

[J].系统仿真学报,2017(07):1596-1604.

[22]李凯.滑模控制在异步电动机调速系统中的应用[D].太原科技大学,2019.[23]梁京,宋晓燕.双馈调速系统四象限运行的仿真分析[J].煤矿机械,2016(03):73-75.[24]潘军,张宇光.一种四象限变频器的加载试验台[J].煤矿机电,2017(02):33-35.[25]曹玲芝,王红卫,李春文,陈华英,苗维普.起重机变频调速控制技术的研究现状及趋势

[J].微电机,2008,41（3）：62-.

[26]Yifei,T.,etal.,Researchonenergy-savingdesignofoverheadtravellingcranecamber

basedonprobabilityloaddistribution[J].MathematicalProblemsinEngineering,2014.5(3):20-26.

[27]张智华,李胜永,朱永祥,徐勇.港口桥式起重机起升电机拖动系统节能控制研究[J].电

机与控制应用,2018,45（4）：56-60.

[28]陈明.起重机节能控制的研究[J].有色矿冶,2016,32(4):48-50.

[29]Vaughan,J.Aninitialcomparisonofenergyusebetweencranecontrolmethods[C].2014.

SanAntonio,TX,Unitedstates:AmericanSocietyofMechanicalEngineers.

[30]Haiwei,L.,M.WeijianandT.Chong,Aproposalresearchonenergy-savingofgantry

crane[J].BioTechnology:AnIndianJournal,2014.10(8):2546-2553.

[31]Sun,N.,etal.,Anenergyexchanginganddropping-basedmodel-freeoutputfeedback

cranecontrolmethod[J].Mechatronics,2013.23(6):549-558.

[32]Chang,C.,etal.Researchofsupercapacitorvoltageequalizationstrategyon

Rubber-TyredGantryCraneenergysavingsystem[C].2009.Wuhan,China:IEEEComputerSociety.

[33]Hedlund,M.,J.G.OliveiraandH.Bernhoff,Slidingmode4-quadrantDCDCconverter

foraflywheelapplication[J].ControlEngineeringPractice,2013.21(4):473-482.[34]Li,Z.,etal.Researchofthecranesystembasedontechnologyofstoring-energywith

super-capacitor[C].2010:IEEEComputerSociety.

[35]Alasali,F.,S.HabenandW.Holderbaum.Energymanagementsystemsforanetworkof

66参考文献electrifiedcraneswithenergystorage[J].InternationalJournalofElectricalPower&EnergySystems,2019.106:210-222.

[36]Sun,N.,etal.,Anenergyexchanginganddropping-basedmodel-freeoutputfeedback

cranecontrolmethod[J].Mechatronics,2013.23(6):549-558.

[37]候湘庆.基于神经网络的异步电机直接转矩控制方法的研究[D].湘潭大学,2013.[38]吴振奎,项梅.双馈异步电机用双PWM变换器的研究与仿真分析[J].微电机,

2017(08):62-66.

[39]杨艺,虎恩典.基于S函数的BP神经网络PID控制器及Simulink仿真[J].电子设

计工程,2014,22(4):29-35.

[40]林瑞全,邱公伟.基于S函数的神经元PID控制器Simulink仿真模型[J].中国仪器

仪表,2001,6:4-5.

[41]戎袁杰,汤洪海,郑雪生,王荣蓉,李春文.单相并联有源滤波器的神经网络控制策略

研究[C].2007.湖南,中国:中国控制会议2007:171-174.

[42]KemalUçak,GülayÖkeGünel.AnoveladaptiveN-ARMA-L2controllerbasedon

online

support

vector

regression

for

nonlinear

systems[J].Neural

Processing

Letters,2016,44(3):857-886

[43]Wahyudi,SitiSalasiahMokri,AmirA.Shafie.R-ealtimeimplementationofNARMA

L2feedback

linearizationandsmoothedNARMAL2controls

13-15,2008

K-uala

ofasinglelink

of

the

manipulator[C].May

Lumpur,Malaysia:Proceedings

InternationalConferenceonComputerandCommunicationEngineering,2008:691-697.[44]AdelAkbarimajd,SolamzKia.NARMA-L2Controllerfor2-DoFUnderactuatedPlanar

Manipulator[C].201011thInt.Conf.Control,Automation,RoboticsandVisionSingapore,7-10thDecember2010:195-200.

[45]薛蕊,曾实现,冯飞.基于NARMA⁃L2控制器的电力系统稳定性分析[J].现代电子技

术,2017,40(17):141-143.

[46]刘仕兵,武磊,朱雪龙.基于NARMA-L2模型的弓网系统振动主动控制[J].计算机测

量与控制,2015,23(3):818-241.

[47]RajarshiPaul,ShreeshaChokkadi.ImplementationofNARMA-L2controllerforshell

andtubeheatexchangertemperatureprocess[J].Industrial&EngineeringChemistryResearch,2016,55(19):54-5653.

67基于神经网络的双PWM异步电机调速系统研究68致谢致

要毕业，太原科大承载了我太多的回忆。

谢

转眼间在太原科技大学已经待了八个年头，从2012年大一入学起到2020年研三快

在这里首先要感谢我的母校，从刚踏入大学那个迷茫无措的少年，到现在怀揣着热忱迫切的想投入社会的年轻人，太原科大在背后默默地提供着一切。

其次要感谢我的学院——电子信息工程学院与研究生院，在这里我学到了受益终生的知识，认识了许许多多志同道合的良师益友。感谢我的导师——邵雪卷老师为我指引方向，感谢赵志诚院长、王贞艳老师、陈志梅老师、张井岗老师、文新宇老师、梁雅琪老师等等所有在学习、生活上指导过我的老师；感谢实验室的王伟、吕恩智、傅荣、刘猛、李敏、吴晓丽、杨楠、高宁宇、王心媛、郭政堃等同学，感谢他们在学业上对我的帮助，感谢我的宿舍舍友——王子豪、蹇强、徐新星等同学，感谢他们在生活上对我的帮助。

然后要感谢我坚强的后盾——我的父母，正是因为他们的支持，才能让我没有后顾之忧，去做自己想要做的事。

最后，祝我的母校越来越好，祝我的家人、老师、同学们身体健康、万事如意。

69基于神经网络的双PWM异步电机调速系统研究70攻读学位期间发表的学术论文目录攻读学位期间发表的学术论文目录

71