论文部分内容阅读
异步电机的矢量控制因其稳定可靠,响应速度快等优点,在工业场合中大量应用。特别在近年来,异步电机的间接矢量控制(IFOC)在电动汽车领域的使用上越来越广泛。由于IFOC是采用基于转差角频率的转矩控制,本质上为一种前馈控制方法,电机的参数会导致异步电机转子磁链定向不准,从而严重的影响电机的输出转矩和输出效率。因此,有必要对电机参数进行辨识。现有的异步电机参数辨识方法多为基于模型的辨识方法。其主要特征为先建立电机的系统模型,在对系统模型使用现代控制方法进行系统参数的辨识,称为基于模型的电动汽车异步电机参数辨识方法,如空载-堵转法、模型参考自适应法、扩展卡尔曼滤波器法、滑模变观测器法等。基于模型的参数辨识方法运算量小,易于工程实现,因此适合于对实时性要求较高的电机控制领域。然而,基于模型的参数辨识方法也存在着一些问题,例如这类方法只能辨识系统模型的参数、在模型不精确时辨识精度较差、在某些极端场合下抗扰性较低等问题。这些问题导致基于模型的参数辨识方法在某些场合下不能很好的辨识出正确的参数值。基于上述问题,本文构建了一种新思路,即在不建立系统模型的前提下,完全依赖于实际数据对电动汽车异步电机的参数进行辨识,称为数据驱动的电动汽车异步电机参数辨识方法。由于数据驱动的参数辨识方法不依赖于系统模型,因此可以克服基于模型的参数辨识方法所具有的缺陷。同时,数据驱动的参数辨识方法是以“奖励”为导向的方法,因此辨识出的参数并非电机系统模型的参数,而是能使电机在任意给定工况下都能运行于最优状态的参数,这是数据驱动方法区别于基于模型方法的明显特征,也是数据驱动的方法可以适用于电动汽车电机控制的重要原因。基于上述思路,本文研究的内容如下:1.以模型参考自适应方法为代表,分析了基于模型的参数辨识方法的优缺点。2.研究了一种基于深度Q学习的数据驱动电动汽车异步电机的离线参数辨识方法,这种方法的优势在于辨识出的参数能使电机在任意状态下均能输出最优转矩和最高效率,同时该方法具有较高的抗扰性。3.研究了一种基于深度确信策略梯度的电动汽车异步电机离线参数辨识方法,这种方法辨识出的参数同样具有能使电机在任意状态下均能输出最优转矩和最高效率的特性,同时,相对于深度Q学习方法,参数的辨识精度更高。4.针对深度Q学习方法和深度确信策略梯度方法方法只能运用于离线参数辨识的缺陷,研究了一种基于深度Q学习和随机森林结合的数据驱动电动汽车异步电机在线参数辨识方法,这种方法的优势在于在算法分为离线和在线阶段,而在线阶段的运算量非常小,适合于电机的实时在线运行,同时,这种方法辨识出的参数可以使电机在线运行的任意状态均能输出最优转矩和最优效率。5.数据驱动的电动汽车异步电机参数辨识方法中,采集到的数据的质量好坏直接影响着辨识结果的精确性和算法的收敛速度。由于电动汽车电机运行工况复杂,实际运行中往往会产生各种异常数据。因此,对数据的清洗,特别是对异常数据的检测和剔除工作尤为重要。本文最后研究了一种虚拟结点孤立森林异常点检测方法,可以有效的对电机运行中的异常数据进行检测和剔除,从而保证了数据源头的纯净性。