论文部分内容阅读
【摘要】异步电机在轻载时效率明显下降，鉴于原有效率优化方式发展存在瓶颈，本文分别从神经网络控制、模糊控制和遗传算法角度总结叙述了异步电机效率智能优化方式，指出智能控制优化方式今后发展方向。
【关键词】异步电机;效率优化;智能控制
1.引言
正如近些年来研究的那样，电机效率优化问题突出而又实际意义明显：一方面能有效地减少系统开销，延长电机乃至机械的工作时间;另一方面，良好地解决电机效率优化问题能有效缓解当前由于化石燃料面临短缺所带来的能源危机，避免引起更多的环境问题。
对于异步电机而言，如果其工作在额定工况下（额定转矩和额定转速），其效率值一般比较高。但是在绝大部分情况下，由于实际情况的需要，电机不会一直工作在额定工况下，就会造成电机效率的急剧下降，特别是在轻载情况下，这主要是由于电机以额定磁通运行引起过度的铁损造成的。对于一个给定的工作情况，可以通过适当调整定子励磁电流（转子磁链）水平来降低电机损耗[2]。
2.优化原理
异步电机输出效率可表示为：
Pin、Pout分别表示电机输入功率、输出功率，Ploss则是电机的损耗功率。对于工作在一定条件下的电机而言，减小电机损耗功率是提高电机机械效率的唯一途径。研究表明，电机的损耗主要由四部分组成，分别是①机械损耗②杂散损耗③定转子铜损④定转子铁损，大部分提升电机效率研究都是从减小后两种损耗入手，寻求保证电机系统可靠运行时的最小电流或最小磁通[1]。
异步电机效率优化方式可分为如下三种[2]：
（1）损耗模型控制（Loss Model Controller， LMC）
该方法首先根据异步电机运行时参数，建立起电机损耗模型，然后采用数学方法计算出电机工作时最优励磁电流或者最优磁通。该方法控制速度快;但其模型建立精度要求高，对系统参数变化敏感，计算量大。
（2）搜索控制（Search Controller， SC）
该方法不依赖电机运行参数，在保证输出功率不变的前提下，通过搜索方式降低输入功率，能维持输出功率为期望值的最小输入功率控制即为最优控制方式。该方法对系统参数变化不敏感，控制方式泛化性好，但存在收敛过慢，搜索步长难于确定的问题。
（3）混合效率搜索方法。该方法即综合前两种优化方式。
3.智能效率优化方法
智能控制方式主要包括有神经网络控制、模糊控制、遗传算法，在近年来已同上述三种电机效率优化方法进行了结合，都取得不错优化效果。
3.1 基于神经网络控制的效率优化方法
神经网络控制理论最早于1943年提出，从机理上对人脑生理系统进行结构模拟的一种控制方式，具有并行处理、模式识别、联想记忆和自学习的特点，能够逼近任意复杂非线性系统，能够学习与适应不确定系统的动态特性，有很强的鲁棒性和容错性。
基于神经网络控制的效率优化方法最早由Bogdan和Juan提出[3]，于2002年采用一个4层2-5-7-1神经网络来对系统进行控制，输入转子转速和负载转矩，输出最优磁通，系统动态控制效果良好，效率优化效果突出;Abdin和Ghoneem则使用3层BP神经网络;Aguilar和-Eguilaz比较分析提出4-5-1 BP网络和3-5-1BP网络;Zhanyou Wang和胡浩等人分别提出以RBF网络为基础的控制系统。
图1所示为神经网络控制效率优化方法的典型控制框图。神经网络控制系统以异步电机输出转矩、转速、转子电阻等为输入层变量，以最优磁通或最小电流为输出层变量。当系统工作在给定轻载工况下，由LMC分析计算得出网络所需训练样本。在控制中，神经网络利用已经学习的知识对系统实际工作情况进行判断，针对性的输出系统最优磁通或最小电流，使系统能稳定工作在最优状态[4]。
图1 神经网络控制框图
神经网络控制方式其训练样本取依赖于系统参数，但在控制过程中则仅利用自身联想记忆、纠错容错能力进行控制不依赖参数。相比较于传统LMC方式，其在控制中计算量减小，有较强容错能力，对于一定范围内的参数变化不敏感，优化表现有明显提升。
目前，该方法的研究重心倾向于神经网络的选取和优化上，但就具体神经网络的选取准则、输入层和隐层神经元个数、网络层数等问题，业界还未形成统一认识，这将是该类方法今后研究的重点。
3.2 基于模糊控制的效率优化方法
模糊控制最早由Zedeh教授提出，通过模拟人脑的思维方法，对难以建立数学模型的对象实施的一种控制方式。Sousa 与Bose 等于1995年提出采用模糊控制的电机效率优化搜索控制方法。图2所示为模糊搜索方式框图，在轻载稳态条件下，检测变频器的输入功率，模糊控制器自适应地调节电流的励磁分量，得到控制所需最优励磁电流[5]。
模糊控制效率搜索方式存在搜索时间长、在最小功率点附近振荡等问题。为解决这些问题，Tony C.Huang等提出多层模糊控制，通过调整收敛步长的方式加快收敛速度;虞正民，樊立萍等人提出基于混合控制的模糊搜索方法：首先建立电机的损耗模型，根据工况确定最优磁链初值，再通过模糊控制器在搜索初值的一定范围内搜索确定最终准确的最优磁链;谢冬梅提出神经网络-模糊控制综合运用的效率优化，并用神经网络代替模糊控制器，该方法在保留模糊控制优点的同时还提高运算速度。
模糊控制的优势在于其对复杂系统的简单化处理，对电机参数要求不高，对于工作在复杂环境下、参数变化明显的异步电机效率优化问题的处理能充分显示其理论的合理性和泛化性;如何提升控制精度将是模糊控制今后研究在本课题中研究方向。
3.3 基于遗传算法控制的效率优化方法
遗传算法是在计算机上模拟生命进化论机制发展起来的学科，基本思想就是将待求解问题转化为由个体组成的演化群体，并借助自然遗传学的遗传算子对该群体进行选择、交叉、变异等操作，产生出代表新的阶级的种群。Rouabah和Zidani最早提出使用遗传算法进行异步电机效率搜索方式优化;Waheeda，杨斌、李首光等人提出基于遗传算法的控制策略，以转差率为控制对象，通过不断的交叉、变异使转差率下降到期望值，达到效率优化的目的。 图3 遗传算法控制流程图
遗传算法基本优化过程如图3，对负载转矩、转子电流进行编码作为输入对象初始群体，在群体中以一定概率随机选择个体并对其进行交叉、变异，变异后个体进行考核，如果符合电机损耗变小这一标准则进行效率优化，反之则返回进行重新选择、交叉、变异，最终目标是为了让电机损耗达到最小[6]。
遗传算法采用的是全局寻优模式，最优工作点寻找精确，优化效果突出，但其采用编码方式进行计算，存在计算量大的问题，解决计算问题将是遗传算法今后研究的重点。
4.结语
本文介绍了基于智能控制方法的异步电机效率优化方式，包括神经网络控制、模糊控制和遗传算法，智能控制方式能很好弥补传统优化方式的不足，是对传统方式的进一步优化。本文中所叙述方法绝大部分都处于仿真实验阶段，在今后的研究中，如何利用理论成果应用于实践将是关键;研究采用新型神经网络模型，如构造型FP神经网络[7]，将会增加本课题解决途径，同时能利用新型网络特点，减小计算量和控制速度;在多种智能控制方式各具优点的情况下，将多种控制方式进行组合、借鉴，如遗传算法与神经网络结合，利用神经网络的计算能力解决遗传算法计算量大的问题，将会使异步电机效率优化研究变得更为简单，能充分体现智能控制的优越性。
参考文献
[1]张立伟.电动汽车用异步电机系统效率优化控制研究[D].北京：中国科学院研究生院，2006.
[2]林显军.异步电动机效率优化控制策略综述[J].微电机，2011，44（7）：81-83.
[3]Bogdan Pryymak，Juan M.Moreno-Eguilaz，Juan Peracaula.Neural network based efficiency optimization of an induction motor drive with vector control[A].IECON 02 Industrial Electronics Society， IEEE 2002 28th Annual Conference[C].IEEE，2002：146-151.
[4]张维，马立新，姚鹏，张智华.异步电机矢量控制系统损耗模型磁通智能优化方法及其应用[J].电机与控制应用，2009，36（9）：22-25.
[5]高梅梅.异步电机适量控制变频调速系统效率优化控制研究[D].长沙：中南大学，2012.
[6]马秀娟，刘金凤，李宏宇，张华强.基于遗传算法的感应电机效率优化控制研究[J].微电机，2013，46（10）：36-40.
[7]王伦文，张铃.构造型神经网络综述[J].模式识别与人工智能，2008，21（1）：49-55.
作者简介：江明（1990—），男，硕士研究生，现就读于安徽师范大学。
【关键词】异步电机;效率优化;智能控制
1.引言
正如近些年来研究的那样，电机效率优化问题突出而又实际意义明显：一方面能有效地减少系统开销，延长电机乃至机械的工作时间;另一方面，良好地解决电机效率优化问题能有效缓解当前由于化石燃料面临短缺所带来的能源危机，避免引起更多的环境问题。
对于异步电机而言，如果其工作在额定工况下（额定转矩和额定转速），其效率值一般比较高。但是在绝大部分情况下，由于实际情况的需要，电机不会一直工作在额定工况下，就会造成电机效率的急剧下降，特别是在轻载情况下，这主要是由于电机以额定磁通运行引起过度的铁损造成的。对于一个给定的工作情况，可以通过适当调整定子励磁电流（转子磁链）水平来降低电机损耗[2]。
2.优化原理
异步电机输出效率可表示为：
Pin、Pout分别表示电机输入功率、输出功率，Ploss则是电机的损耗功率。对于工作在一定条件下的电机而言，减小电机损耗功率是提高电机机械效率的唯一途径。研究表明，电机的损耗主要由四部分组成，分别是①机械损耗②杂散损耗③定转子铜损④定转子铁损，大部分提升电机效率研究都是从减小后两种损耗入手，寻求保证电机系统可靠运行时的最小电流或最小磁通[1]。
异步电机效率优化方式可分为如下三种[2]：
（1）损耗模型控制（Loss Model Controller， LMC）
该方法首先根据异步电机运行时参数，建立起电机损耗模型，然后采用数学方法计算出电机工作时最优励磁电流或者最优磁通。该方法控制速度快;但其模型建立精度要求高，对系统参数变化敏感，计算量大。
（2）搜索控制（Search Controller， SC）
该方法不依赖电机运行参数，在保证输出功率不变的前提下，通过搜索方式降低输入功率，能维持输出功率为期望值的最小输入功率控制即为最优控制方式。该方法对系统参数变化不敏感，控制方式泛化性好，但存在收敛过慢，搜索步长难于确定的问题。
（3）混合效率搜索方法。该方法即综合前两种优化方式。
3.智能效率优化方法
智能控制方式主要包括有神经网络控制、模糊控制、遗传算法，在近年来已同上述三种电机效率优化方法进行了结合，都取得不错优化效果。
3.1 基于神经网络控制的效率优化方法
神经网络控制理论最早于1943年提出，从机理上对人脑生理系统进行结构模拟的一种控制方式，具有并行处理、模式识别、联想记忆和自学习的特点，能够逼近任意复杂非线性系统，能够学习与适应不确定系统的动态特性，有很强的鲁棒性和容错性。
基于神经网络控制的效率优化方法最早由Bogdan和Juan提出[3]，于2002年采用一个4层2-5-7-1神经网络来对系统进行控制，输入转子转速和负载转矩，输出最优磁通，系统动态控制效果良好，效率优化效果突出;Abdin和Ghoneem则使用3层BP神经网络;Aguilar和-Eguilaz比较分析提出4-5-1 BP网络和3-5-1BP网络;Zhanyou Wang和胡浩等人分别提出以RBF网络为基础的控制系统。
图1所示为神经网络控制效率优化方法的典型控制框图。神经网络控制系统以异步电机输出转矩、转速、转子电阻等为输入层变量，以最优磁通或最小电流为输出层变量。当系统工作在给定轻载工况下，由LMC分析计算得出网络所需训练样本。在控制中，神经网络利用已经学习的知识对系统实际工作情况进行判断，针对性的输出系统最优磁通或最小电流，使系统能稳定工作在最优状态[4]。
图1 神经网络控制框图
神经网络控制方式其训练样本取依赖于系统参数，但在控制过程中则仅利用自身联想记忆、纠错容错能力进行控制不依赖参数。相比较于传统LMC方式，其在控制中计算量减小，有较强容错能力，对于一定范围内的参数变化不敏感，优化表现有明显提升。
目前，该方法的研究重心倾向于神经网络的选取和优化上，但就具体神经网络的选取准则、输入层和隐层神经元个数、网络层数等问题，业界还未形成统一认识，这将是该类方法今后研究的重点。
3.2 基于模糊控制的效率优化方法
模糊控制最早由Zedeh教授提出，通过模拟人脑的思维方法，对难以建立数学模型的对象实施的一种控制方式。Sousa 与Bose 等于1995年提出采用模糊控制的电机效率优化搜索控制方法。图2所示为模糊搜索方式框图，在轻载稳态条件下，检测变频器的输入功率，模糊控制器自适应地调节电流的励磁分量，得到控制所需最优励磁电流[5]。
模糊控制效率搜索方式存在搜索时间长、在最小功率点附近振荡等问题。为解决这些问题，Tony C.Huang等提出多层模糊控制，通过调整收敛步长的方式加快收敛速度;虞正民，樊立萍等人提出基于混合控制的模糊搜索方法：首先建立电机的损耗模型，根据工况确定最优磁链初值，再通过模糊控制器在搜索初值的一定范围内搜索确定最终准确的最优磁链;谢冬梅提出神经网络-模糊控制综合运用的效率优化，并用神经网络代替模糊控制器，该方法在保留模糊控制优点的同时还提高运算速度。
模糊控制的优势在于其对复杂系统的简单化处理，对电机参数要求不高，对于工作在复杂环境下、参数变化明显的异步电机效率优化问题的处理能充分显示其理论的合理性和泛化性;如何提升控制精度将是模糊控制今后研究在本课题中研究方向。
3.3 基于遗传算法控制的效率优化方法
遗传算法是在计算机上模拟生命进化论机制发展起来的学科，基本思想就是将待求解问题转化为由个体组成的演化群体，并借助自然遗传学的遗传算子对该群体进行选择、交叉、变异等操作，产生出代表新的阶级的种群。Rouabah和Zidani最早提出使用遗传算法进行异步电机效率搜索方式优化;Waheeda，杨斌、李首光等人提出基于遗传算法的控制策略，以转差率为控制对象，通过不断的交叉、变异使转差率下降到期望值，达到效率优化的目的。 图3 遗传算法控制流程图
遗传算法基本优化过程如图3，对负载转矩、转子电流进行编码作为输入对象初始群体，在群体中以一定概率随机选择个体并对其进行交叉、变异，变异后个体进行考核，如果符合电机损耗变小这一标准则进行效率优化，反之则返回进行重新选择、交叉、变异，最终目标是为了让电机损耗达到最小[6]。
遗传算法采用的是全局寻优模式，最优工作点寻找精确，优化效果突出，但其采用编码方式进行计算，存在计算量大的问题，解决计算问题将是遗传算法今后研究的重点。
4.结语
本文介绍了基于智能控制方法的异步电机效率优化方式，包括神经网络控制、模糊控制和遗传算法，智能控制方式能很好弥补传统优化方式的不足，是对传统方式的进一步优化。本文中所叙述方法绝大部分都处于仿真实验阶段，在今后的研究中，如何利用理论成果应用于实践将是关键;研究采用新型神经网络模型，如构造型FP神经网络[7]，将会增加本课题解决途径，同时能利用新型网络特点，减小计算量和控制速度;在多种智能控制方式各具优点的情况下，将多种控制方式进行组合、借鉴，如遗传算法与神经网络结合，利用神经网络的计算能力解决遗传算法计算量大的问题，将会使异步电机效率优化研究变得更为简单，能充分体现智能控制的优越性。
参考文献
[1]张立伟.电动汽车用异步电机系统效率优化控制研究[D].北京：中国科学院研究生院，2006.
[2]林显军.异步电动机效率优化控制策略综述[J].微电机，2011，44（7）：81-83.
[3]Bogdan Pryymak，Juan M.Moreno-Eguilaz，Juan Peracaula.Neural network based efficiency optimization of an induction motor drive with vector control[A].IECON 02 Industrial Electronics Society， IEEE 2002 28th Annual Conference[C].IEEE，2002：146-151.
[4]张维，马立新，姚鹏，张智华.异步电机矢量控制系统损耗模型磁通智能优化方法及其应用[J].电机与控制应用，2009，36（9）：22-25.
[5]高梅梅.异步电机适量控制变频调速系统效率优化控制研究[D].长沙：中南大学，2012.
[6]马秀娟，刘金凤，李宏宇，张华强.基于遗传算法的感应电机效率优化控制研究[J].微电机，2013，46（10）：36-40.
[7]王伦文，张铃.构造型神经网络综述[J].模式识别与人工智能，2008，21（1）：49-55.
作者简介：江明（1990—），男，硕士研究生，现就读于安徽师范大学。