基于模糊神經(jīng)網(wǎng)絡的電機電流諧波抑制控制系統(tǒng)及方法
【專利摘要】本發(fā)明涉及一種基于模糊神經(jīng)網(wǎng)絡的電機電流諧波抑制控制系統(tǒng)及方法，系統(tǒng)包括諧波電流提取模塊和諧波電流抑制模塊；諧波電流提取模塊用于對電機三相電流的諧波分量進行提取并計算dq軸諧波電流；諧波電流抑制模塊根據(jù)dq軸諧波電流和電機轉(zhuǎn)速誤差建立基于模糊神經(jīng)網(wǎng)絡的諧波電流抑制模型，輸出當前電機矢量控制系統(tǒng)d軸所需的電壓補償量和q軸所需的電壓補償量，分別加到電流環(huán)控制器輸出的d軸電壓和q軸電壓上，形成諧波電流抑制環(huán)。本發(fā)明采用基于模糊神經(jīng)網(wǎng)絡建立諧波電流抑制模型，計算諧波電流抑制補償量，能夠在高速永磁同步電機矢量控制系統(tǒng)中有效抑制造成電機電流畸變的諧波電流，提高電機電流的正弦性，減小電機轉(zhuǎn)矩脈動，改善電機性能。
【專利說明】
基于模糊神經(jīng)網(wǎng)絡的電機電流諧波抑制控制系統(tǒng)及方法
技術(shù)領域
[0001 ]本發(fā)明屬于機電控制領域，具體涉及基于模糊神經(jīng)網(wǎng)絡的電機電流諧波抑制控制 系統(tǒng)及方法。
【背景技術(shù)】
[0002] 三相輸入電源接入三相整流電路后，只有兩相之間的電壓差大于母線濾波電容C 的電壓時，才會從電網(wǎng)中抽取能量，即產(chǎn)生電流，由于電容和整流二極管的存在，便很難保 證輸入的電流與輸入電壓成線性關系，這種非線性的關系使得電流含有高次諧波分量。另 外，由于電機齒槽效應等本身結(jié)構(gòu)的原因，使得電機的反電動勢等并不是理想的形狀，這會 導致電機的電流含有諧波分量。
[0003] 電流的諧波分量在電機的定子繞組、定轉(zhuǎn)子鐵芯中引起附加損耗，使其發(fā)熱，縮短 使用壽命。同時，諧波電流還會增大電機的噪音并產(chǎn)生脈動轉(zhuǎn)矩，使得電機性能降低。對電 流諧波進行抑制，可以顯著地提高電機的性能。
[0004] 以三相高速永磁同步電機舉例來說，電流包含5次、7次、11次等諧波，當諧波頻率 較低時，電流環(huán)控制器可以較好地抑制諧波電流，但當頻率升高時，由于電流環(huán)控制器寬帶 的限制，對諧波電流抑制的作用降低。因此，對于高速永磁同步電機，對諧波電流的抑制需 要進行單獨控制。
[0005] 現(xiàn)有的對永磁同步電機的諧波電流抑制控制系統(tǒng)中，提出了很多關于抑制永磁同 步電機運行中的相電流諧波的方法。例如，時間補償法和電流復合調(diào)節(jié)器;時間補償法根據(jù) 誤差電壓與電機相電流極性的關系，對逆變器驅(qū)動信號進行補償，抑制死區(qū)效應造成的影 響，但由于零電流箝位現(xiàn)象的影響，電機相電流極性難以準確判斷，容易給出錯誤的補償 量，影響控制效果；電流復合調(diào)節(jié)器采用比例積分的電流反饋環(huán)，在一定程度上抑制了低速 電機的電流諧波，對于高速永磁同步電機，容易造成不同頻率諧波之間的相互干擾，引起較 大的控制誤差，從而影響系統(tǒng)的穩(wěn)定性。
【發(fā)明內(nèi)容】
[0006] 本發(fā)明的目的在于提供一種基于模糊神經(jīng)網(wǎng)絡的電機電流諧波抑制控制系統(tǒng)及 方法。
[0007] 實現(xiàn)本發(fā)明目的的技術(shù)解決方案:一種基于模糊神經(jīng)網(wǎng)絡的電機電流諧波抑制控 制系統(tǒng)，應用在高速永磁同步電機矢量控制系統(tǒng)中，包括諧波電流提取模塊和諧波電流抑 制豐吳塊；
[0008] 所述諧波電流提取模塊用于對電機三相電流的諧波分量進行提取并計算dq軸諧 波電流；
[0009] 所述諧波電流抑制模塊用于根據(jù)dq軸諧波電流和電機轉(zhuǎn)速誤差建立基于模糊神 經(jīng)網(wǎng)絡的諧波電流抑制模型，輸出當前電機矢量控制系統(tǒng)d軸所需的電壓補償量和q軸所需 的電壓補償量，分別加到電流環(huán)控制器輸出的d軸電壓和q軸電壓上，形成諧波電流抑制環(huán)。
[0010] -種基于模糊神經(jīng)網(wǎng)絡的電機電流諧波抑制方法，包括以下步驟：
[0011] 步驟1、對電機三相電流的諧波分量進行提取并計算dq軸諧波電流；
[0012] 步驟2、根據(jù)dq軸諧波電流和電機轉(zhuǎn)速誤差建立基于模糊神經(jīng)網(wǎng)絡的諧波電流抑 制模型，輸出當前電機矢量控制系統(tǒng)d軸所需的電壓補償量和q軸所需的電壓補償量，分別 加到電流環(huán)控制器輸出的d軸電壓和q軸電壓上，形成諧波電流抑制環(huán)。
[0013] 本發(fā)明與現(xiàn)有技術(shù)相比，其顯著優(yōu)點為：（1)本發(fā)明利用多同步旋轉(zhuǎn)坐標系的特點 計算出三相電流的諧波分量在dq軸上的直流量；（2)本發(fā)明采用基于模糊神經(jīng)網(wǎng)絡的方法 建立諧波電流抑制模型，定量揭示抑制諧波電流補償量與電機轉(zhuǎn)速誤差、諧波電流之間的 內(nèi)在聯(lián)系，通過在線調(diào)試大量數(shù)據(jù)多次訓練得到，可直接移植到高速永磁同步電機矢量控 制系統(tǒng)中實現(xiàn)對電機諧波電流的抑制；（3)本發(fā)明在電機的矢量控制系統(tǒng)中引入諧波電流 抑制控制，可以很好地抑制dq軸電流的波動，從而削弱電機的轉(zhuǎn)矩脈動，提高電機運行的平 穩(wěn)性。
【附圖說明】
[0014] 圖1是現(xiàn)有高速永磁同步電機矢量控制系統(tǒng)結(jié)構(gòu)圖。
[0015] 圖2是增加了本發(fā)明電流諧波抑制控制系統(tǒng)的高速永磁同步電機矢量控制系統(tǒng)結(jié) 構(gòu)圖。
[0016] 圖3是本發(fā)明的諧波電流提取模塊原理圖。
[0017] 圖4是本發(fā)明的基于模糊神經(jīng)網(wǎng)絡建立的諧波電流抑制模型示意圖。
[0018] 圖5是本發(fā)明的BP算法原理圖。
【具體實施方式】
[0019] 本發(fā)明的電機電流諧波抑制控制系統(tǒng)及方法是在現(xiàn)有高速永磁同步電機矢量控 制的基礎上進行了電機電流諧波抑制的設計，對諧波電流進行提取并采用模糊神經(jīng)網(wǎng)絡建 立電流抑制模型，對高速永磁同步電機矢量控制系統(tǒng)中的電流環(huán)進行補償，形成諧波電流 抑制環(huán)。
[0020] 下面結(jié)合附圖及具體實施例對本發(fā)明作進一步詳細說明。
[0021] 高速永磁同步電機矢量控制結(jié)構(gòu)框圖如圖1所示，包括PI調(diào)節(jié)器模塊、坐標系變換 模塊、SVPWM控制模塊、逆變器模塊、高速永磁同步電機模塊、測量單元模塊;具體的實現(xiàn)過 程如下：
[0022] 首先，將給定轉(zhuǎn)速ω /與實際轉(zhuǎn)速ω r相比較，通過速度PI控制器得到給定的iq%其 次，給定值i/ = 0和給定的分別與實際電流分量id和iq構(gòu)成電流閉環(huán)，通過電流PI控制器 輸出電壓u/和uq%然后采用SVPffM控制技術(shù)產(chǎn)生PffM信號實現(xiàn)高速永磁同步電機的控制。圖 1中，ijPib分別為電機A相和B相的相電流，ia和ie為靜止兩相坐標系下的電流分量，11，和11/ 為靜止兩相坐標系下的電壓分量，0 r為電機同步角速度，速度環(huán)控制器和電流環(huán)控制器均 為PI調(diào)節(jié)器。
[0023] 如圖2所示，本發(fā)明的一種基于模糊神經(jīng)網(wǎng)絡的電機電流諧波抑制控制系統(tǒng)，應用 在高速永磁同步電機矢量控制系統(tǒng)中，包括諧波電流提取模塊和諧波電流抑制模塊；
[0024] 所述諧波電流提取模塊用于對電機三相電流的諧波分量進行提取并計算dq軸諧 波電流；
[0025] 所述諧波電流抑制模塊用于根據(jù)dq軸諧波電流和電機轉(zhuǎn)速誤差建立基于模糊神 經(jīng)網(wǎng)絡的諧波電流抑制模型，輸出當前電機矢量控制系統(tǒng)d軸所需的電壓補償量和q軸所需 的電壓補償量，分別加到電流環(huán)控制器輸出的d軸電壓Ud和q軸電壓u q上，形成諧波電流抑制 環(huán)。
[0026] 進一步的，所述的諧波電流提取模塊中dq軸諧波電流idn和iqn的計算過程為：
[0027]高速永磁同步電機屬于對稱的三相三線系統(tǒng)，在定子繞組的電流中不存在偶數(shù)次 諧波。因此，定子繞組中主要含有5次、7次和11次等高次諧波;其中5次諧波和11次諧波為負 序諧波電流，7次諧波為正序諧波電流;根據(jù)高速永磁同步電機的電流中存在的諧波次數(shù)， 電機的電流傅里葉級數(shù)展開表達式如下：
[0028]
[0029] 其中，Iml為基波電流幅值，Im5、Im7、Imii分別為5次、7次和11次諧波電流幅值，約為 基波電流的初始相位角，％分別為5次、7次和11次諧波電流的初始相位角；
[0030] 如圖3所示，采用同步旋轉(zhuǎn)dq坐標變換檢測法，將5次、7次和11次諧波分量轉(zhuǎn)變?yōu)?直流量，并將直流量經(jīng)過低通濾波器，得到dq軸諧波電流i d5、iq5、id7、iq7、idn和iqll。
[0031] 進一步的，如圖4所示，所述諧波電流抑制模型包括輸入層、模糊化層、清晰化層、 隱層以及輸出層，模型結(jié)構(gòu)建立的步驟為：
[0032]第一步，對輸入層參數(shù)進行模糊化處理
[0033]輸入層參數(shù)XztXhX%. . .，X?]T，表示諧波電流提取模塊提取的直流量id5、iq5、 id7、iq7、idn、iqll和電機的轉(zhuǎn)速誤差Λ ω，Xi表示第i個參數(shù)，i = 1，2，. . .，7，根據(jù)初始隸屬度 函數(shù)確定模糊層變量：
[0034]
[0035] 其中，j = l，2, . . .，li，li為輸入層第i個參數(shù)的語言變量的模糊分割數(shù)，為模糊 量化因子，λ為隸屬度中心，σ為隸屬度寬度，由樣本確定：
[0036]
[0037] 其中，N為樣本大小，Xh為樣本值，模糊層參數(shù)個數(shù)p = 71i;
[0038] 第二步，對模糊化參數(shù)進行清晰化處理
[0039] 模糊化層與清晰化層之間的連接關系aq由連接函數(shù)f、第三層權(quán)值WiV和第三層 閾值9>決定，其關系為：
[0040]
[0041]
[0042] 第三步，確定隱層層數(shù)和節(jié)點數(shù)
[0043] 確定隱層數(shù)為s ;隱層節(jié)點數(shù)k由經(jīng)驗公式確定：
[0044] /( = -Jjm+ 2 +t
[0045] 其中，m為隱層輸入?yún)?shù)個數(shù)，輸出參數(shù)個數(shù)為2，t為1-10之間的任意常數(shù)；
[0046] 第四步，確定隱層參數(shù)
[0047] 隱層與清晰層連接關系be由連接函數(shù)f、第四層權(quán)值STbab和第四層閾值Θ、決定，其 關系為：
[0048]
[0049] 其中，a = l，2, · · ·，m，b = l，2, · · ·，k，e = l，2, · · ·，k;
[0050] 第五步，確定輸出值
[0051] 輸出層與隱層連接關系由第一連接函數(shù)、第二連接函數(shù)f2、第五層權(quán)值極\y和第 五層閾值Θ%決定，其關系為：
[0052]
[0053] 其中，u_d和u_q分別為當前電機矢量控制系統(tǒng)d軸所需的電壓補償量和q軸所需 的電壓補償量，b = l，2, ...，k，y = l，2。
[0054] 如圖5所示，所述諧波電流抑制模型結(jié)構(gòu)確定后使用BP算法進行訓練，得到最優(yōu)模 糊量化因子^和各層之間的連接權(quán)值，BP算法的訓練步驟為：
[0055] 步驟1、初始化模型模糊量化因子和各層之間的連接權(quán)值，初始值由MATLAB隨機 生成；
[0056] 步驟2、對電機三相電流用傅里葉級數(shù)描述，得到基波電流幅值ImdP諧波電流幅值 Im5、Im7、Imll，確定目標誤差
計算當前誤差E的值；
[0057]步驟3、判斷E<0.01是否滿足，若滿足，訓練結(jié)束，否則執(zhí)行步驟4;
[0058] 步驟4、分別計算模糊量化因子< 和各層之間的連接權(quán)值沿誤差負梯度方向的偏 導i
[0059] 步驟5、計算得到新的模糊量化因子和連接權(quán)值:
[0060] 其中，?丨為下一時刻的模糊量化因子和連接權(quán)值，為當前時刻的模糊量化因 子和連接權(quán)值，Δ?τ為當前計算的模糊量化因子和連接權(quán)值沿誤差負梯度方向的偏導數(shù)；
[0061] 步驟6、判斷訓練次數(shù)是否達到5000,若循環(huán)次數(shù)達到5000同樣結(jié)束訓練，否則返 回步驟2繼續(xù)訓練；
[0062]步驟7、完成訓練，得到最終諧波電流抑制模型。
[0063 ]本發(fā)明還提供一種基于模糊神經(jīng)網(wǎng)絡的電機電流諧波抑制方法，包括以下步驟：
[0064] 步驟1、對電機三相電流的諧波分量進行提取并計算dq軸諧波電流；
[0065] 步驟2、根據(jù)dq軸諧波電流和電機轉(zhuǎn)速誤差建立基于模糊神經(jīng)網(wǎng)絡的諧波電流抑 制模型，輸出當前電機矢量控制系統(tǒng)d軸所需的電壓補償量和q軸所需的電壓補償量，分別 加到電流環(huán)控制器輸出的d軸電壓和q軸電壓上，形成諧波電流抑制環(huán)。
[0066] dq軸諧波電流idn和i qn的計算包括以下步驟：
[0067] 根據(jù)高速永磁同步電機的電流中存在的諧波次數(shù)，電機的電流傅里葉級數(shù)展開表 達式如下，
[0068]
[0069] 其中，Iml為基波電流幅值，Im5、Im7、Imii分別為5次、7次和11次諧波電流幅值肩為 基波電流的初始相位角，％、釣、斜i分別為5次、7次和11次諧波電流的初始相位角；
[0070] 采用同步旋轉(zhuǎn)dq坐標變換檢測法，將5次、7次和11次諧波分量轉(zhuǎn)變?yōu)橹绷髁?，并?直流量經(jīng)過低通濾波器，得到dq軸諧波電流id5、i q5、id7、iq7、ididPiqii。
[0071] 所述諧波電流抑制模型包括輸入層、模糊化層、清晰化層、隱層以及輸出層;模型 結(jié)構(gòu)建立的步驟為：
[0072] 第一步，對輸入層參數(shù)進行模糊化處理
[0073] 輸入層參數(shù)XztXiX%. . .，X7]T，表示諧波電流提取模塊提取的直流量id5、iq5、 id7、iq7、idn、iqll和電機的轉(zhuǎn)速誤差δ ω，Xi表示第i個參數(shù)，i = 1，2，. . .，7，根據(jù)初始隸屬度 函數(shù)確定模糊層變量：
[0074]
[0075] 其中，j = l，2, . . .，li，li為輸入層第i個參數(shù)的語言變量的模糊分割數(shù)，為模糊 量化因子，λ為隸屬度中心，σ為隸屬度寬度，由樣本確定：
[0076]
[0077] N為樣本大小，^為樣本值，模糊層參數(shù)個數(shù)P = 7h;
[0078] 第二步，對模糊化參數(shù)進行清晰化處理
[0079] 模糊化層與清晰化層之間的連接關系aq由連接函數(shù)f、第三層權(quán)值Wa雄和第三層 閾值9>決定，其關系為：
[0080]
[0081 ]其中，α = l，2，···，p，β=l，2，···，m，q = l，2，··
[0082] 第三步，確定隱層層數(shù)和節(jié)點數(shù)
[0083] 確定隱層數(shù)為s;隱層節(jié)點數(shù)k由經(jīng)驗公式確定：
[0084]
[0085] 其中，m為隱層輸入?yún)?shù)個數(shù)，輸出參數(shù)個數(shù)為2，t為1-10之間的任意常數(shù)；
[0086]第四步，確定隱層參數(shù)
[0087] 隱層與清晰層連接關系be由連接函數(shù)f、第四層權(quán)值以ab和第四層閾值0bab決定，其 關系為-
[0088]
[0089] 其中，a = l，2, · · ·，m，b = l，2, · · ·，k，e = l，2, · · ·，k;
[0090] 第五步，確定輸出值
[0091] 輸出層與隱層連接關系由連接函數(shù)fdPf2、第五層權(quán)值和第五層閾值Mby決 定，其關系為：
[0092]
[0093] 其中，b = l，2, · · ·，k，y = l，2。
[0094] 所述諧波電流抑制模型結(jié)構(gòu)確定后使用BP算法進行訓練，得到最優(yōu)模糊量化因子 <和各層之間的連接權(quán)值，BP算法的訓練步驟為：
[0095] 步驟1、初始化模型模糊量化因子d和各層之間的連接權(quán)值，初始值由MATLAB隨機 生成；
[0096] 步驟2、對電機三相電流用傅里葉級數(shù)描述，得到基波電流幅值1^和諧波電流幅值 Im5、Im7、Imll，確定目標誤差
汁算當前誤差E的值；
[0097]步驟3、判斷E<0.01是否滿足，若滿足，訓練結(jié)束，否則執(zhí)行步驟4;
[0098]步驟4、分別計算模糊量化因子 < 和各層之間的連接權(quán)值沿誤差負梯度方向的偏 導數(shù)
[0099] 步驟5、計算得到新的模糊量化因子和連接權(quán)值:c%+1 =_SV+Aar_
[0100] 其中，?m為下一時刻的模糊量化因子和連接權(quán)值，為當前時刻的模糊量化因 子和連接權(quán)值，Asr為當前計算的模糊量化因子和連接權(quán)值沿誤差負梯度方向的偏導數(shù)；
[0101] 步驟6、判斷訓練次數(shù)是否達到5000,若循環(huán)次數(shù)達到5000同樣結(jié)束訓練，否則返 回步驟2繼續(xù)訓練；
[0102] 步驟7、完成訓練，得到最終諧波電流抑制模型。
[0103] 本發(fā)明采用基于模糊神經(jīng)網(wǎng)絡建立諧波電流抑制模型，計算諧波電流抑制補償 量，能夠在高速永磁同步電機的矢量控制系統(tǒng)中有效地抑制造成電機電流畸變的諧波電 流，提高電機電流的正弦性，減小電機轉(zhuǎn)矩脈動、降低電機損耗并改善電機性能。
【主權(quán)項】
1. 一種基于模糊神經(jīng)網(wǎng)絡的電機電流諧波抑制控制系統(tǒng)，應用在高速永磁同步電機矢 量控制系統(tǒng)中，其特征在于，包括諧波電流提取模塊和諧波電流抑制模塊； 所述諧波電流提取模塊用于對電機S相電流的諧波分量進行提取并計算dq軸諧波電 流； 所述諧波電流抑制模塊用于根據(jù)dq軸諧波電流和電機轉(zhuǎn)速誤差建立基于模糊神經(jīng)網(wǎng) 絡的諧波電流抑制模型，輸出當前電機矢量控制系統(tǒng)d軸所需的電壓補償量和q軸所需的電 壓補償量，分別加到電流環(huán)控制器輸出的d軸電壓和q軸電壓上，形成諧波電流抑制環(huán)。2. 根據(jù)權(quán)利要求1所述的基于模糊神經(jīng)網(wǎng)絡的電機電流諧波抑制控制系統(tǒng)，其特征在 于，所述的諧波電流提取模塊中dq軸諧波電流的計算過程為： 根據(jù)高速永磁同步電機的電流中存在的諧波次數(shù)，電機的電流傅里葉級數(shù)展開表達式 如下：其中，Iml為基波電流幅值，ImS、Im7、Iml汾別為5次、7次和11次諧波電流幅值，0為基波電 流的初始相位角，巧、口7、約1分別為5次、7次和11次諧波電流的初始相位角； 采用同步旋轉(zhuǎn)dq坐標變換檢測法，將5次、7次和11次諧波分量轉(zhuǎn)變?yōu)橹绷髁?，并將直?量經(jīng)過低通濾波器，得到dq軸諧波電流id日、iq日、id7、iq7、idll和iqll。3. 根據(jù)權(quán)利要求2所述的基于模糊神經(jīng)網(wǎng)絡的電機電流諧波抑制控制系統(tǒng)，其特征在 于，所述諧波電流抑制模型包括輸入層、模糊化層、清晰化層、隱層W及輸出層，模型結(jié)構(gòu)建 立的步驟為： 第一步，對輸入層參數(shù)進行模糊化處理 輸入層參數(shù)X=[Xl，拉，...，X7]T，表示諧波電流提取模塊提取的直流量id5、iq5、id7、iq7、 和電機的轉(zhuǎn)速誤差A ?，X康示第i個參數(shù)，i = l，2, . . .，7,根據(jù)初始隸屬度函數(shù)確 定模糊層變量：其中，j = 1，2，...，Ii，Ii為輸入層第i個參數(shù)的語言變量的模糊分割數(shù)，為模糊量化 因子，^為隸屬度中屯、，O為隸屬度寬度，由樣本確定：其中，N為樣本大小，Xh為樣本值，模糊層參數(shù)個數(shù)P = 711; 第二步，對模糊化參數(shù)進行清晰化處理 模糊化層與清晰化層之間的連接關系aq由連接函數(shù)f、第=層權(quán)值自和第=層闊值 03(16決定，其關系為；其中，日= l,2,...,p，0=l,2,...,m，q=l,2,...,ii第=步，確定隱層層數(shù)和節(jié)點數(shù) 確定隱層數(shù)為S;隱層節(jié)點數(shù)k由經(jīng)驗公式確定：其中，m為隱層輸入?yún)?shù)個數(shù)，輸出參數(shù)個數(shù)為2，t為1-10之間的任意常數(shù)； 第四步，確定隱層參數(shù) 隱層與清晰層連接關系be由連接函數(shù)f、第四層權(quán)值巧\b和第四層闊值0bab決定，其關系 為：其中，a=l,2,. . . ,m，b=l,2,. . . ,k，e = l,2,. . . ,k; 第五步，確定輸出值 輸出層與隱層連接關系由第一連接函數(shù)fi、第二連接函數(shù)f2、第五層權(quán)值和第五層 闊值e V決定，其關系為：其中，Uwmd和Uwmq分別為當前電機矢量控制系統(tǒng)d軸所需的電壓補償量和q軸所需的電 壓補償量，y = l，2。4.根據(jù)權(quán)利要求3所述的基于模糊神經(jīng)網(wǎng)絡的電機電流諧波抑制控制系統(tǒng)，其特征在 于:所述諧波電流抑制模型結(jié)構(gòu)確定后使用BP算法進行訓練，得到最優(yōu)模糊量化因子 <和 各層之間的連接權(quán)值，BP算法的訓練步驟為： 步驟1、初始化模型模糊量化因子和各層之間的連接權(quán)值，初始值由MA化AB隨機生 成； 步驟2、對電機=相電流用傅里葉級數(shù)描述，得到基波電流幅值Iml和諧波電流幅值ImS、 Im7、Imll，確定目標誤1計算當前誤差E的值； 步驟3、判斷E《0.Ol是否滿足，若滿足，訓練結(jié)束，否則執(zhí)行步驟4; 步驟4、分別計算模糊量化因子和各層之間的連接權(quán)值沿誤差負梯度方向的偏導數(shù)：步驟5、計算得到新的模糊量化因子和連接權(quán)值其中，聽+1為下一時刻的模糊量化因子和連接權(quán)值，Wr為當前時刻的模糊量化因子和 連接權(quán)值，Aw為當前計算的模糊量化因子和連接權(quán)值沿誤差負梯度方向的偏導數(shù)； 步驟6、判斷訓練次數(shù)是否達到5000,若循環(huán)次數(shù)達到5000同樣結(jié)束訓練，否則返回步 驟2繼續(xù)訓練； 步驟7、完成訓練，得到諧波電流抑制模型。5. -種基于模糊神經(jīng)網(wǎng)絡的電機電流諧波抑制方法，其特征在于，包括W下步驟： 步驟1、對電機=相電流的諧波分量進行提取并計算dq軸諧波電流； 步驟2、根據(jù)dq軸諧波電流和電機轉(zhuǎn)速誤差建立基于模糊神經(jīng)網(wǎng)絡的諧波電流抑制模 型，輸出當前電機矢量控制系統(tǒng)d軸所需的電壓補償量和q軸所需的電壓補償量，分別加到 電流環(huán)控制器輸出的d軸電壓和q軸電壓上，形成諧波電流抑制環(huán)。6. 根據(jù)權(quán)利要求5所述的基于模糊神經(jīng)網(wǎng)絡的電機電流諧波抑制方法，其特征在于，dq 軸諧波電流i dn和i qn的計算包括W下步驟： 根據(jù)高速永磁同步電機的電流中存在的諧波次數(shù)，電機的電流傅里葉級數(shù)展開表達式 如下：其中，Im功基波電流幅值，Im5、Im7、Iml汾別為5次、7次和11次諧波電流幅值，0為基波電 流的初始相位角，巧、巧、巧1分別為5次、7次和11次諧波電流的初始相位角； 采用同步旋轉(zhuǎn)dq坐標變換檢測法，將5次、7次和11次諧波分量轉(zhuǎn)變?yōu)橹绷髁浚⒅绷?量經(jīng)過低通濾波器，得到dq軸諧波電流id日、iq日、id7、iq7、idll和iqll。7. 根據(jù)權(quán)利要求5所述的基于模糊神經(jīng)網(wǎng)絡的電機電流諧波抑制方法，其特征在于，所 述諧波電流抑制模型包括輸入層、模糊化層、清晰化層、隱層W及輸出層;模型結(jié)構(gòu)建立的 步驟為： 第一步，對輸入層參數(shù)進行模糊化處理 輸入層參數(shù)X=[Xl，拉，...，X7]T，表示諧波電流提取模塊提取的直流量id5、iq5、id7、iq7、 和電機的轉(zhuǎn)速誤差A O，X康示第i個參數(shù)，i = l，2, . . .，7,根據(jù)初始隸屬度函數(shù)確 定模糊層變量： 其中，j = l，2, . . .天 9模糊分割數(shù)，^^^為模糊量化因子，人為隸屬度中屯、，O為隸屬 N為樣本大小，Xh為樣本值，模糊層參數(shù)個數(shù)P = 711; 第二步，對模糊化參數(shù)進行清晰化處理 模糊化層與清晰化層之間的連接關系aq由連接函數(shù)f、第=層權(quán)值和第=層闊值 03(16決定，其關系為；其中7 第=步，確定隱層層數(shù)和節(jié)點數(shù) 確定隱層數(shù)為S ;隱層節(jié)點數(shù)k由經(jīng)驗公式確定：其中，m為隱層輸入?yún)?shù)個數(shù)，輸出參數(shù)個數(shù)為2，t為1-10之間的任意常數(shù)； 第四步，確定隱層參數(shù) 隱層與清晰層連接關系be由連接函數(shù)f、第四層權(quán)值妨和第四層闊值0bab決定，其關系 為：其中，a=l,2, . . . ,m，b=l,；^, . . . ,k，e = l,；^, . . . ,k; 第五步，確定輸出值 輸出層與隱層連接關系由連接函數(shù)fl和f2、第五層權(quán)值^^^\y和第五層闊值0yby決定，其 關系為：其中，Ucomd和Ucomq分別為當麗電機天重巧制糸統(tǒng)巧郵幾靑的電壓補償量和q軸所需的電 壓補償量，y = l，2。8.根據(jù)權(quán)利要求5所述的基于模糊神經(jīng)網(wǎng)絡的電機電流諧波抑制方法，其特征在于，所 述諧波電流抑制模型結(jié)構(gòu)確定后使用8?算法進行訓練，得到最優(yōu)模糊量化因子^^',和各層之 間的連接權(quán)值，BP算法的訓練步驟為： 步驟1、初始化模型模糊量化因子和各層之間的連接權(quán)值，初始值由MATLAB隨機生 成； 步驟2、對電機=相由流用傅單葉級數(shù)描述，得到基波電流幅值Iml和諧波電流幅值ImS、 Im7、Imll，確定目標誤差^算當前誤差E的值； 步驟3、判斷E《0.Ol是否滿足，若滿足，訓練結(jié)束，否則執(zhí)行步驟4; 步驟4、分別計算模糊量化因子曰^ I'nAAA*:接權(quán)值沿誤差負梯度方向的偏導數(shù)：步驟5、計算得到新的模糊量化因子和連接權(quán)值其中，Wr+i為下一時刻的模糊量化因子和連接權(quán)值/Wr為當前時刻的模糊量化因子和 連接權(quán)值，A W為當前計算的模糊量化因子和連接權(quán)值沿誤差負梯度方向的偏導數(shù)； 步驟6、判斷訓練次數(shù)是否達到5000,若循環(huán)次數(shù)達到5000同樣結(jié)束訓練，否則返回步 驟2繼續(xù)訓練； 步驟7、完成訓練，得到最終諧波電流抑制模型。
【文檔編號】H02P21/00GK105915136SQ201610367028
【公開日】2016年8月31日
【申請日】2016年5月29日
【發(fā)明人】吳益飛, 陳永亮, 仲露, 郭健, 陳慶偉, 李勝, 王翔, 蔡俊杰, 徐航宇, 王保防
【申請人】南京理工大學