基于超局部范式与庞加莱映射因果关系的无模型预测控制技术在永磁同步电机驱动中的应用

《IEEE Transactions on Industrial Electronics》：Model-Free Predictive Control for PMSM Drives Using Ultra-Local With Poincaré Mapping Causality

模型-free预测控制在永磁同步电机驱动系统中应用，提出结合Poincaré映射和耦合电流分量的ULM-PM方法，通过快速-慢速递归最小二乘算法实现在线模型估计，理论分析表明其系统稳定性和线性成分优于传统方法，实验验证了更好的性能指标和自适应能力。

　　

摘要：

无模型预测控制（MFPC）通过用数据驱动的模型替代物理模型，成为解决基于模型的预测控制（MBPC）的鲁棒性限制的一种流行方法。然而，为了准确描述植物的运动特性和运行状态，数据驱动的模型需要考虑更多的灵活性，并实现更好的适应性。本文提出了一种使用具有庞加莱映射（ULM-PM）因果关系的超局部模型（ULM-PM）的MFPC，并将其应用于永磁同步电机（PMSM）驱动系统中。基于扩展的庞加莱映射和PMSM的物理模型，ULM-PM在其因果关系中加入了耦合电流分量和电角速度的额外因素，这使得它能够有效处理多输入信号。此外，还设计了一种快速-慢速递归最小二乘算法来在线估计和更新模型，该算法不需要过多的处理器资源。理论分析表明，ULM-PM及其MFPC具有系统稳定性，并且比使用传统ULM的MFPC能够反映更多的线性成分。实验验证表明，与传统策略相比，所提出的方法在目标质量和模型适应性方面也具有优势，并且鲁棒性得到了提高。

引言

永磁同步电机（PMSM）因其紧凑的尺寸、轻量化和高功率因数而在工业应用中得到了广泛采用。随着对更复杂运行状态的需求不断增长，对于能够有效满足这些严格要求的先进控制策略的需求也在增加[1]。模型预测控制（MPC）在电机驱动中成为一个有吸引力的解决方案，因为它具有易于理解、滚动优化和多目标实现等优点[2]。根据系统的主要目标，MPC主要分为预测电流控制（PCC）、预测扭矩控制（PTC）和预测速度控制（PSC）[2]。然而，无论使用哪种类型的MPC，预测过程都需要植物模型来获取未来的状态变量。这种预测控制被称为基于模型的预测控制（MBPC）。如果物理参数值存在不匹配，将会产生额外的预测误差，特别是当电机的某些物理参数表现出非线性时变特性时，这些误差更难以检测[3]，[4]。