文章快速检索     高级检索
  山东大学学报(工学版)  2018, Vol. 48 Issue (1): 112-116  DOI: 10.6040/j.issn.1672-3961.0.2015.403
0

引用本文 

宋正强, 杨辉玲, 肖丹. 基于在线粒子群优化方法的IPMSM驱动电流和速度控制器[J]. 山东大学学报(工学版), 2018, 48(1): 112-116. DOI: 10.6040/j.issn.1672-3961.0.2015.403.
SONG Zhengqiang, YANG Huiling, XIAO Dan. Current and speed controllers driven by IPMSM based on online particle swarm optimization method[J]. Journal of Shandong University (Engineering Science), 2018, 48(1): 112-116. DOI: 10.6040/j.issn.1672-3961.0.2015.403.

基金项目

江苏省中青年骨干教师海外留学基金资助项目

作者简介

宋正强(1974—),男,湖北宜城人,副教授,博士,主要研究方向为电气工程与电机控制.E-mail:13270561735@163.com

文章历史

收稿日期:2015-12-04
网络出版时间:2017-06-21 22:41:14
基于在线粒子群优化方法的IPMSM驱动电流和速度控制器
宋正强1, 杨辉玲1, 肖丹2     
1. 扬州市职业大学电气与汽车工程学院, 江苏 扬州 2250092;
2. 新南威尔士大学电子工程系, 悉尼 00098G, 澳大利亚
摘要:利用在线粒子群优化方法(particle swarm optimization, PSO)设计内埋式永磁同步电动机(interior permanent magnet synchronous motor, IPMSM)电流和速度控制器。在该驱动系统中, 空间矢量调制技术产生两电平逆变器开关控制信号。为了更加真实地模拟实际运行环境, 仿真试验中考虑了逆变器的非线性特性, 如死区时间、触发信号门槛值以及开关器件的电压降落。电机驱动系统中的PI控制器参数采用在线PSO算法进行实时调节, 采样周期设为100 μs, 硬件试验平台为DSPACE1104, 且优化的目标函数值可以根据系统的动态和静态运行情况而改变。指令信号采用一阶阶跃信号。将PSO算法与传统的PI控制方法进行仿真和试验比较, 结果表明采用PSO方法具有更好的鲁棒性和动态特性。
关键词永磁同步电机    在线粒子群优化    智能控制    
Current and speed controllers driven by IPMSM based on online particle swarm optimization method
SONG Zhengqiang1, YANG Huiling1, XIAO Dan2     
1. School of Electrical and Automotive Engineering, Yangzhou Polytechnic College, Yangzhou 225009, Jiangsu, China;
2. Department of Electronic Engineering, University of New South Wales, Sydney 00098G, Austrilia
Abstract: A novel online particle swarm optimization method was proposed to design speed and current controller of vector controlled interior permanent magnet synchronous motor. In the proposed drive system, the space vector modulation technique was employed to generate the switching signals for a two-level voltage-source inverter. In order to simulate the system in the practical condition, the non-linearity of the inverter was also taken into account due to the dead-time, threshold and voltage drop of the switching devices. Speed and PI current controller gains were optimized with PSO online, sampling period was 100 μs, hardware test platform was DSPACE1104, and the fitness function was changed according to the system dynamic and steady states. The proposed optimization algorithm was compared with conventional PI control method in the condition of step speed change and stator resistance variation, which showed that the proposed online optimization method had better robustness and dynamic characteristics compared with conventional PI controller design.
Key words: permanent magnet synchronous motor    online PSO    intelligent control    
0 引言

在高性能永磁同步电机的磁场定向控制技术中一直应用比例积分(Proportional-Integral, PI)控制方法。为保证驱动系统的控制性能, 在设计PI参数时往往需要准确的数学模型。在实际的内埋式永磁同步电动机驱动系统中, 电机参数如磁链、定子电阻是变化的, 还存在一些无法建模的动态特性[1-2]。电流控制器参数直接影响系统的动态特性, 为了获得IPMSM驱动系统的高动态特性, 应该同时优化电流控制器和速度控制器的参数。

目前, 计算机智能技术在PMSM电机参数设计应用中的研究中[3-9], 粒子群优化(particle swarm optimization, PSO)方法作为一种现代遗传算法, 已经广泛应用于大范围优化问题, 例如控制器增益参数的自适应调节和系统参数的确定等。许多学者在实时PSO应用方面开展了大量研究工作, 并取得了一定的研究成果。然而, 该方法在控制器参数优化应用中还存在一些问题和限制。首先, 在PMSM控制器参数设计中, 通常的PSO优化方法主要依赖于固定的PMSM数学模型, 从而产生离线响应完成准确计算。其次, 在线PSO方法通常仅用于速度控制器优化, 而没有考虑电流控制器优化, 因而很难获得PMSM驱动系统的高动态性能和鲁棒性。

本研究建立了新的IPMSM驱动系统的离散仿真模型, 并首次考虑到逆变器的死区时间, 模拟建立实时仿真环境。通过测量速度和电流, 将在线PSO方法用于设计PI控制器电流和速度参数。为了获得好的动态和静态性能, 采用不同的目标函数, 在单位阶跃指令下执行不同的仿真测试, 同时考虑到定子电阻的变化。仿真结果表明, 在线PSO方法不限定具体模型, 具有很好的鲁棒性和快速的优化能力。

1 IPMSM实时仿真模型

IPMSM在转子坐标系下的数学模型为:

$ \left[ {\begin{array}{*{20}{c}} {{u_{d\left( t \right)}}}\\ {{u_{q\left( t \right)}}} \end{array}} \right] = \left[ {\begin{array}{*{20}{c}} {{R_s}}&0\\ 0&{{R_s}} \end{array}} \right]\left[ {\begin{array}{*{20}{c}} {{i_{d\left( t \right)}}}\\ {{i_{q\left( t \right)}}} \end{array}} \right] + \left[ {\begin{array}{*{20}{c}} p&{ - {\omega _{{\rm{re}}\left( t \right)}}}\\ {{\omega _{{\rm{re}}\left( t \right)}}}&p \end{array}} \right]\left[ {\begin{array}{*{20}{c}} {{\phi _{d\left( t \right)}}}\\ {{\phi _{q\left( t \right)}}} \end{array}} \right], $ (1)
$ {\phi _{d\left( t \right)}} = {L_d}{i_{d\left( t \right)}} + {\phi _f}, $ (2)
$ {\phi _{q\left( t \right)}} = {L_q}{i_{q\left( t \right)}}, $ (3)
$ {T_{{\rm{em}}\left( t \right)}} = \frac{3}{2}{P_{\rm{n}}} \cdot \left( {{\phi _{d\left( t \right)}} \cdot {i_{q\left( t \right)}} - {\phi _{q\left( t \right)}} \cdot {i_{d\left( t \right)}}} \right), $ (4)
$ {T_{{\rm{em}}\left( t \right)}} - {T_{L\left( t \right)}} = \frac{J}{{{P_{\rm{n}}}}}\frac{{{\rm{d}}{\omega _{{\rm{re}}\left( t \right)}}}}{{{\rm{d}}t}}。$ (5)

式中:ud(t)uq(t)id(t)iq(t)LdLqϕd(t)ϕq(t)分别为d-q轴坐标系下的定子电压、定子电流、电感和磁链; ϕf为永磁体磁通; $p = \frac{{\rm{d}}}{{{\rm{d}}\mathit{t}}}$为微分因子; Pn为极对数; ωre(t)为转子电角速度; Tem(t)为产生的电气转矩; TL(t)为负载转矩。

IPMSM驱动系统如图 1所示。利用在线实时PSO方法来调整速度和q-d轴电流控制器参数, 从而实现磁场定向控制, 并通过检测电机实际运行时的电流和速度建立多个不同的目标函数值。其中, d轴和q轴电流PI控制器的传递函数分别为kid(1+τids)/skiq(1+τiqs)/s, q轴电流参考指令为iqref, 由速度控制器(ks_p+ks_i·$\frac{1}{s}$)提供。

图 1 基于PSO方法的PMSM矢量控制结构图 Figure 1 Block diagram of a vector-controlled PMSM drive based on PSO controller

低通滤波器用来检测速度和速率限制, 从而提供速度参考指令信号, 并用来减少超调量和设置与阶跃指令有关的参数, 同时保持干扰限制措施。在线PSO方法通过MATLAB S函数进行仿真, 将S函数输入变量作为参考值和q-d轴电流和转子速度的反馈值。输出变量为q-d轴电流和速度PI控制器的增益。

2 在线PSO控制器参数方法 2.1 PSO基本原则

PSO方法通过不断迭代更新粒子群中每个粒子的信息, 从而搜索到全局最优值。每一个粒子都代表一种解决方法, 且每一个粒子都有各自的位置Xj, g和移动速度vj, g。位置矩阵Xj, g中的每一行代表一个粒子的位置信息, 通过位置信息可以获得每个粒子的评估值。在每一次迭代中, 每一个粒子的存储值都随着粒子的个体最优值Pbestj, g和全局最优值Gbestj, g不断更新而计算粒子群下一步移动速度vj, g。该算法在早期的迭代过程中很容易从局部最优值逃逸出来并且加速后面的迭代过程, 增加了寻找全局最优值的可靠性。

已知粒子群局部最优位置值和全局最优位置值后, 粒子群的速度矩阵和位置矩阵的更新公式为

$ \begin{array}{*{20}{c}} {\mathit{\boldsymbol{v}}_{j,g}^{\left( {t + 1} \right)} = w\mathit{\boldsymbol{v}}_{j,g}^{\left( t \right)} + {c_1} \cdot {r_1}\left( {\mathit{\boldsymbol{P}}_{{\rm{best}}j,g}^{\left( t \right)} - \mathit{\boldsymbol{X}}_{j,g}^{\left( t \right)}} \right) + }\\ {{c_2}{r_2}\left( {\mathit{\boldsymbol{G}}_{{\rm{best}}\;g}^{\left( t \right)} - \mathit{\boldsymbol{X}}_{j,g}^{\left( t \right)}} \right),} \end{array} $ (6)
$ \mathit{\boldsymbol{X}}_{j,g}^{\left( {t + 1} \right)} = \mathit{\boldsymbol{X}}_{j,g}^{\left( t \right)} + \mathit{\boldsymbol{v}}_{j,g}^{\left( t \right)}。$ (7)

式中: j=1, 2, … m; g=1, 2, … n; tt+1为当前迭代次数和下一时刻迭代次数; c1c2为加速度常数, 用来调整粒子沿Pbestgbest飞行方向和位置的最大步长, 通常情况下, c1c2设定为2;r1r2为分布在0~1的随机数; w为权重指数, 并根据式(8)在运行过程中不断从0.9调整到0.4。

$ {w^{\left( t \right)}} = {w_{\max }} - t \cdot \left( {{w_{\max }} - {w_{\min }}} \right)/{\rm{ite}}{{\rm{r}}_{\max }}, $ (8)

式中itermax为迭代次数的最大值。

为了减少粒子们离开搜索空间的可能性, 速度vj, g(t)代表每一维的值, 并在[-vgmax, vgmax]之间摆动。vgmax的计算式为

$ v_g^{\max } = k \cdot x_g^{\max },0.1 \le k \le 0.5, $ (9)

式中xgmax为第g次迭代搜索边界的上限。

2.2 在线PSO方法应用

现有的大多数PSO方法主要是离线调节或确定控制器参数[3]。在优化工程中, 为了评估待求最优解, 比如PI控制器的增益参数在整个系统仿真过程中保持不变, 而同时输出误差如速度误差被不断累积计算用来评价待求最优解。通常, PSO算法需要一系列不断迭代才能求得满意解。每迭代一次, 系统模型被仿真一次。因此, 系统模型需要仿真许多次才能找到最优解。实际上, 不允许IPMSM驱动系统不断被重新启动, 这就意味着不一定在实际系统中能够获得仿真结果。在一个采样周期内完成对每一个粒子代表PI参数的评估是很困难的, 因为通常一个采样周期只有10~100 μs。

本文采用新的在线PSO方法来不断更新粒子群的位置矩阵Xj, g和速度矩阵vj, g, 粒子群的局部最优值Pbest和全局最优值Gbest将在30*10内更新完成。通过在一个采样周期内检测速度和电流作为采样值, 然后更新当前粒子的速度和位置信息, 而不是粒子群整体。

(1) 评价函数的定义

为了优化整个电机驱动的响应曲线, 通过检测电机输出电流和速度, 定义评价函数是由多个性能指标并具有不同权重相加而获得的。具体公式优胜劣汰为:

$ F\left( {{k_{p1}},{k_{p2}},{k_{i1}},{k_{i2}}} \right) = \sum\limits_{i = 1}^3 {\left( {{a_i} \cdot {f_i}} \right)} , $ (10)
$ {f_1} = {\left( {{\omega _{{\rm{re}}}}\left( k \right) - {\omega _{{\rm{re}}}}\left( {k - 1} \right)} \right)^2}, $ (11)
$ {f_2} = {\left( {{\omega _{{\rm{re}}}}\left( k \right) - \omega _{{\rm{re}}}^{{\rm{ref}}}} \right)^2}, $ (12)
$ \begin{array}{*{20}{c}} {{f_3} = \left( {{{\left( {{i_a}\left( k \right) - i_a^{{\rm{ref}}}\left( k \right)} \right)}^2}} \right. + {{\left( {{i_b}\left( k \right) - i_b^{{\rm{ref}}}\left( k \right)} \right)}^2} + }\\ {\left( {{{\left( {{i_c}\left( k \right) - {{\hat i}_c}\left( k \right)} \right)}^2}} \right]。} \end{array} $ (13)

式中:ai为权重, 在0~1之间取值; fi为3个性能指标函数, 其中, f1为速度暂态响应指标函数, f2为速度稳态响应指标函数, f3为恒转速情况下电流震荡参考指标函数; ωreiaibic分别是速度和相电流检测值; ωrerefiarefibreficref分别是速度和相电流参考值, 且当IPMSM处于暂态运行时, ai=[0.6, 0.1, 0.3], 当IPMSM接近稳态运行时, ai=[0.1, 0.6, 0.3]。

3 仿真分析

图 2为在线PSO方法的流程图。仿真模型包括编码器、传感器和非线性控制输入。控制器采用离散采样时间欧拉计算方法, 为了使仿真模型能够尽可能接近实际试验测试条件, 控制器的采样时间选择为100 μs, 这一点和实际系统的采样时间一致。

图 2 单采样周期内在线PSO流程图 Figure 2 Online PSO flow frame within one sampling time

IPMSM电机参数由表 1提供, 且电机定子电阻为5.8~7.8Ω变化, 用来检测所提方法的鲁棒性。粒子群的粒子数初始值为30, 且每一个粒子拥有4个变量(kp_iq, ki_iq, kp_s, ki_s), 分别代表搜索空间中位置矢量。经过30次迭代后, 将会得到全局最优值矩阵Gbestj, g

表 1 IPMSM电机参数 Table 1 IPMSM motor parameters

图 3显示了采用PSO方法后IPMSM驱动系统目标函数值的变化情况, 可以看出目标函数值下降变化率非常快。本研究为了测试所提的方法, 分别将PSO和PI两种不同的控制器运用到IPMSM驱动系统中, 比较结果分别如图 45所示。其中图 4采用传统的PI控制器方法, 保持PI参数在系统运行过程中保持不变; 图 5采用在线PSO方法不断优化调整比例积分PI参数。试验结果包括电流id动态响应曲线、iq轴电流动态响应曲线、速度动态响应曲线、转矩响应曲线和三相电流曲线。通过图 4图 5结果对比, 可以清楚地看到采用PSO方法要明显优于传统PI控制。

图 3 IPMSM驱动系统PSO目标函数值 Figure 3 Fitness value of PSO for IPMSM drives
图 4 传统PI控制器方法IPMSM驱动系统响应曲线 Figure 4 Results of IPMSM drive with conventional PI controllers
图 5 在线PSO方法IPMSM驱动系统响应曲线 Figure 5 Results of IPMSM drive with online PSO-PI controllers
4 试验验证

本文提出的无传感器控制方案通过DS1104建立试验平台, 利用PWM同步中断服务程序完成空间矢量调制策略和无传感器控制。另外, 三相PWM信号可以通过DS1104预先设定死区时间来产生, 三相电压源逆变器通过定时器I/O口和DAC通道检测三相PWM信号以及DC直流母线电压来产生。永磁同步直流电机单独由直流电源控制并提供测试系统需要的负载, 并且负载可变化。试验中用到嵌入式永磁同步电机参数和仿真模型中参数一致。验证结果如图 6所示。

图 6 阶跃指令下PMSM分别在有无PSO优化情况下各变量响应曲线 Figure 6 The response curves of PMSM under the presence of PSO optimization with step instructions
4 结论

本研究提出了一种有效的在线PSO方法, 并用于设计速度和电流PI参数控制器, 以改善凸极式永磁同步电动机驱动系统性能, 同时考虑了电机定子电阻变化的情况。整个优化过程对IPMSM驱动系统的模型参数依赖小, 当定子电阻在15%以内变化时, IPMSM系统依然具有良好的动态特性和鲁棒性。该方法同时优化驱动系统中电流和速度控制器参数, 且粒子群的位置和速度更新在一个采样周期内完成, 驱动系统的动态和稳态性能都得到了优化和提升。

参考文献
[1] 祁春清, 宋正强. 基于粒子群优化模糊控制器永磁同步电机控制[J]. 中国电机工程学报, 2006, 26(17): 158-162
QI Chunqing, SONG Zhengqiang. Controlling of permanent-magnet synchronous machine based on particle swarm optimization fuzzy logical controller[J]. Proceedings of the Chinese Society for Electrical Engineering, 2006, 26(17): 158-162 DOI:10.3321/j.issn:0258-8013.2006.17.029
[2] RAHAM M F, HAQUE M E, TANG L, et al. Problems associated with the direct torque control of an interior permanent-magnet synchronous motor drive and their remedies[J]. IEEE Transactions on Industrial Electronics, 2004, 51(4): 799-809 DOI:10.1109/TIE.2004.831728
[3] LIU Wenxin, LIU Li, CHUNG Il-Yop, et al. Real-time particle swarm optimization based parameter identification applied to permanent magnet synchronous machine[J]. Applied Soft Computing, 2011, 11(2): 2556-2564 DOI:10.1016/j.asoc.2010.08.022
[4] KENNEDY J, EBERHART E. Particle swarm optimization[J]. IEEE International Conference on Neural Networks, 1995, 4(8): 1942-1948
[5] YAN Shuai, XU Dianguo, GUI Xianguo, et al. Online particle swarm optimization design of speed controller considering anti-windup for pmsm drive system[C]//IEEE Annual Power Electronics Specialists Conference. New York, USA: IEEE, 2007: 2273-2277.
[6] LIN F J, LIN C H. On-line gain-tuning IP controller using RFNN[J]. IEEE Transactions on Aerospace & Electronic System, 2001, 37(2): 655-670
[7] MOHAMED ARI. Adaptive self-tuning speed control for permanent-magnet synchronous motor drive with dead time[J]. IEEE Transactions on Energy Conversion, 2007, 21(4): 855-862
[8] LIDOZZI A SOLERO L CRESCIMBINI F, et al. Direct tuning strategy for speed controlled PMSM drives[C]//IEEE International Symposium on Industrial Electronics. New York, USA: IEEE, 2010: 1265-1270.
[9] LEE S B. Closed-loop estimation of permanent magnet synchronous motor parameters by PI controller gain tuning[J]. IEEE Transactions on Energy Conversion, 2007, 21(4): 863-870