基于神经网络的模型预测控制方法技术

本发明专利技术公开了一种基于神经网络的模型预测控制方法，属于模型预测技术领域，包括以下步骤：S1、建立永磁同步电机状态方程；S2、将状态方程离散化，得到预测方程；S3、计算电磁转矩T

【技术实现步骤摘要】
基于神经网络的模型预测控制方法


[0001]本专利技术涉及一种模型预测技术，尤其涉及基于神经网络的模型预测控制方法。

技术介绍

[0002]模型预测控制是一类控制技术，广泛应用于电力系统和电力电子领域中的各种控制对象，例如风电场控制、微电网控制、变流器控制、电机控制等。其中模型预测控制是电机驱动领域的新一代控制技术，动态性能好、易于处理各种约束条件，方便在非线性模型的控制对象中实施，未来具有较大发展潜力。
[0003]传统的传统模型预测控制方法具有以下缺点：1、没有在控制目标、权重系数、工况、性能指标四者之间建立明确的联系。权重系数需要大量进行仿真或实验，并依据经验手动完成设置，不能自动化设置。当控制对象改变时，例如控制对象从永磁同步电机换为并网变流器，此时控制目标、权重系数的个数、性能指标往往也会改变，传统模型预测控制方法需要重新经历一遍手动设置权重系数的过程。
[0004]2、大多不考虑电机损耗，没有将系统效率纳入性能指标，故在某些需要节能提效的场合，传统模型预测控制方法普适性不足。虽然有少量方法考虑了电机损耗，提升了系统效本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的模型预测控制方法，其特征在于：包括以下步骤：S1、建立永磁同步电机状态方程；S2、将状态方程离散化，得到预测方程；S3、计算电磁转矩T
e
、d轴定子电流有效分量i
wd
、总可控损耗P
Loss
的预测值，而后计算下一时刻的预测方程，重复迭代计算，得到各变量在下一时刻的预测值；S4、使用神经网络设计权重系数。2.根据权利要求1所述的基于神经网络的模型预测控制方法，其特征在于：步骤S1中的状态方程表达式如下：状态方程表达式如下：（1）式中，i
wd
、i
wq
分别为d轴、q轴坐标系下定子电流有效分量；L为表贴式永磁同步电机的电感；R
s
为定子电阻，对应电机铜耗；R
c
为铁耗电阻，对应电机铁耗；ω
e
为电角速度，其等于电机转动的速度ω乘极对数N
p
；u
d
、u
q
分别为d轴、q轴坐标系下的定子电压；ψ
pm
为永磁体磁通大小；永磁同步电机状态方程中的i
d
、i
q
各由两部分组成，即产生电磁转矩的有效分量i
wd
、i
wq
与铁耗分量i
cd
、i
cq
（2）式中，i
cd
、i
cq
分别为d轴、q轴坐标系下定子电流铁耗分量；建立永磁同步电机的电磁转矩方程：（3）式中，T
e
为电磁转矩的实际值；建立磁链方程：（4）式中，ψ
d
、ψ
q
分别为d轴、q轴坐标系下的磁链，即d轴磁链、q轴磁链。3.根据权利要求2所述的基于神经网络的模型预测控制方法，其特征在于：步骤S2具体包括以下步骤；建立d轴、q轴坐标系下定子电流有效分量预测方程：q轴坐标系下定子电流有效分量预测方程：（5）式中，k为当前控制周期的周期数；i
wd
（k+1）、i
wq
（k+1）分别为i
wd
、i
wq
在第k+1个控制周期
的预测值；i
wd
（k）、i
wq
（k）分别为i
wd
、i
wq
在第k个控制周期的预测值；T
s
为采样时间；其中i
cd
、i
cq
、i
wd
、i
wq
通过下式计算：（6）（7）；联立（6）式和（7）式得到i
d
、i
q
的预测方程：（8）式中，i
d
（k+1）、i
q
（k+1）分别为i
d
、i
q
在第k+1个控制周期的预测值；u
d
（k+1）、u
q
（k+1）分别为在第k+1个控制周期的d轴、q轴坐标系下的定子电压。4.根据权利要求3所述的基于神经网络的模型预测控制方法，其特征在于：在步骤S3中，由如下铜损耗预测值表达式：（9）；铁损耗预测值表达式：（10）；得到总可控损耗预测值表达式：（11）；在步骤S2获得k+1时刻预测...

【专利技术属性】
技术研发人员：张祯滨，王天一，李真，何汉，
申请(专利权)人：山东大学，
类型：发明
国别省市：