基于神经网络控制策略的永磁同步电机驱动电动汽车在不同驾驶循环下的设计与评估

《World Electric Vehicle Journal》：Designing and Evaluating a Neural Network-Based Control Strategy for a PMSM-Driven Electric Vehicle Under Various Driving Cycles

　　

鉴于电动汽车市场的快速发展，永磁同步电机（PMSM）因其高效率、卓越的功率密度以及在宽速域内提供高扭矩的能力，正成为推进系统的关键组成部分。然而，由于系统非线性、参数变化和外部干扰，这些电机在动态条件下的优化控制仍然是一个重大挑战。传统的控制策略，如磁场定向控制（FOC）、直接转矩控制（DTC）和模糊逻辑控制（FLC），在电流质量、鲁棒性和能量效率方面的表现参差不齐。为了克服这些限制，本研究提出了一种基于人工神经网络（ANN）的智能控制策略，以确保在各种运行条件下的高效运行和高控制性能。该方法利用深度神经网络的学习能力来提高控制精度、系统稳定性和整体能量性能。所获得的结果显示，与传统方法相比，电流的总谐波失真（THD）显著降低，定子电流质量和电磁扭矩的动态行为得到改善。这一改进降低了电驱动系统的整体损耗，从而有助于提高车辆的能源效率。因此，电动汽车的续航里程得以延长，永磁同步电机的动态性能得到优化。这些结果证实了人工智能技术在为现代电推进应用开发智能、鲁棒和自适应控制系统方面的潜力。

**论文解读：基于神经网络的永磁同步电机驱动电动汽车控制策略研究**

**一、 研究背景与问题**

随着全球范围内燃油车数量的快速增长，环境污染和化石燃料消耗问题日益严峻，促使汽车工业加速向电动汽车（EV）转型。电动汽车在减少温室气体排放、降低燃料成本和空气污染方面扮演着关键角色。为应对这一挑战，电动汽车需要配备能够在所有驾驶速度下提供可靠、高效且稳定性能的电机与传动控制系统。在众多电机技术中，永磁同步电机（PMSM）因其高效率、高功率密度和宽速域高扭矩输出能力而得到广泛应用。然而，在动态运行条件下，特别是在负载、速度、温度等工况变化时，实现永磁同步电机的最优控制仍面临重大难题。

传统控制策略，如磁场定向控制（FOC）、直接转矩控制（DTC）、模糊逻辑控制（FLC）以及模型预测控制（MPC）、滑模控制（SMC）和自适应控制等，在应对系统非线性、参数不确定性及外部扰动方面存在局限性。例如，FOC需要精确的系统参数和复杂的数学变换，对参数变化敏感；DTC可能导致较高的开关能量损耗且实现算法复杂；MPC则计算量大。这些方法通常依赖于对系统参数（如电阻、电感、机械常数）的精确了解，而这些参数会因温度变化、元件老化或工况改变而发生漂移，导致控制性能下降，并常常需要额外的参数辨识机制。

因此，为了克服传统控制策略的不足，集成人工智能，特别是人工神经网络（ANN），成为一种有前景的替代方案。与基于精确系统模型的传统方法不同，人工神经网络直接利用测量的输入输出数据来学习系统的动态行为，能够适应不同的运行条件，而无需精确了解电机内部参数。本研究旨在提出一种基于人工神经网络的永磁同步电机速度控制策略，用于电动汽车应用，评估其在各种速度、负载和驾驶条件下保持满意性能的能力，同时改善定子电流质量并降低总谐波失真（THD）。该研究发表于《World Electric Vehicle Journal》。

**二、 主要技术方法概述**

研究人员为开展研究，采用了几个关键技术方法。首先，建立了包含电动汽车可变工况的机械模型及关联的数学方程，用于确定推进电动汽车所需的功率，该功率需克服空气阻力、滚动阻力、坡度等阻力以及车辆质量与加速度的影响。其次，在转子相关的直交（d-q）坐标系下对永磁同步电机进行了参数化建模，基于电机的电气和机械方程，以简化动态分析。最后，也是本研究的核心，设计并开发了基于人工神经网络（ANN）的控制模型。该模型采用多层感知器（MLP）结构，输入变量包括由电机转速推导出的车辆线速度、基于加速踏板位置的参考速度以及电机产生的电磁扭矩。输出生成Park坐标系下的电压分量v_d和v_q，经逆Park变换和脉宽调制（PWM）后驱动逆变器开关。神经网络包含三个隐藏层（神经元数分别为10、8、2），采用Levenberg-Marquardt反向传播算法进行离线训练，以均方误差（MSE）作为成本函数。整个系统在MATLAB/Simulink 2016环境中进行建模与仿真，并参考了一款实际电动汽车的技术规格。

**三、 研究结果与发现**

**3.1 多层感知器训练结果分析**
训练过程在3000个周期（epoch）后达到收敛，均方误差（MSE）降至0.14163，均方根误差（RMSE）约为0.4。误差直方图显示预测误差主要集中在零附近（峰值约0.2626）。回归分析表明，训练集、验证集、测试集及整体数据集的相关系数均接近0.99936，证实神经网络能够高精度地学习输入输出间的非线性关系。神经网络成功生成了用于控制逆变器的参考电压V_d和V_q。

**3.2 仿真结果与讨论**
**速度跟踪与误差**：在包含加速、稳态和减速阶段的定制驾驶剖面下，基于ANN的控制器能有效跟踪参考速度。最大速度跟踪误差不超过2.2 km/h。速度超调量被控制在2%以下（观测到的三个主要超调分别为0.55%、1.8%和1.69%），表明系统响应阻尼良好，能快速收敛至设定值。

**扭矩响应**：电磁扭矩能够紧密跟随负载扭矩的变化，在瞬态阶段最大扭矩达到250 Nm，证明了控制器在动态条件下保证精确跟踪的鲁棒性。

**标准化驾驶循环验证**：在UDDS（城市测功机驾驶计划）和Artemis Urban两种标准化驾驶循环下，车辆速度均能紧密跟踪参考速度，控制器在加速和减速阶段均能实现快速稳定的设定点跟踪，且跟踪误差有限。电磁扭矩能有效响应不同运行条件下负载扭矩的变化。

**与传统FOC的对比分析**
**电流消耗**：在动态运行条件下，基于ANN的控制策略所需定子电流低于FOC策略，尤其在0-2秒、4-7秒和10-15秒的时间区间内，这降低了功率需求，有助于减少能量损耗。在稳态下，ANN控制下的电流波形比FOC更规则、纹波更小，表明系统调节更稳定。

**总谐波失真（THD）分析**：谐波分析显示，在稳态下（车速稳定于90 km/h和120 km/h），FOC控制的THD为3.61%，而基于ANN控制的THD分别降至2.94%和2.92%。THD的降低表明电机消耗电流的质量得到改善，谐波含量及相关损耗减少。

**综合性能比较**：与文献中报道的其他控制策略（如DTC、FLC、MFPCC、NLC）相比，基于ANN的方法在THD指标上表现最佳（最低2.92%），同时开关频率较低（5 kHz）。这有助于降低逆变器的导通和开关损耗，从而提高牵引系统的整体能效和电动汽车的续航里程。

**四、 讨论与结论**

**讨论部分总结**：
研究结果表明，所提出的基于人工神经网络的控制器在动态响应、速度跟踪精度、电流质量和谐波抑制方面均优于传统的FOC策略。尽管该方法在训练数据需求和实现复杂性方面存在一定要求，但其在适应车辆参数变化、减少对精确模型依赖方面展现出显著优势。论文也指出了本研究的局限性，即目前仅基于数值仿真，尚未进行实验验证。未来的工作将集中在控制器的实时平台实现、硬件在环测试或实验台架测试，以及在更广泛的驾驶条件和干扰下评估该策略，以进一步巩固人工神经网络在先进电推进应用中的潜力。

**研究结论翻译**：
本研究强调了人工神经网络在配备永磁同步电机的电动汽车速度控制方面的优势。所提出的策略通过确保精确跟踪参考速度，同时保持定子电流的低谐波失真，改善了系统的动态性能。在各种驾驶剖面下获得的结果证实了控制器在运行条件变化下仍能保持良好性能的能力。使用文献中报道的几种控制策略进行的比较分析表明，基于人工神经网络的方法为改善电力质量和电牵引系统的整体性能提供了一种有前景的替代方案。谐波失真的减少有助于限制与谐波分量相关的损耗，从而促进系统更高的能源效率。

然而，本研究完全基于数值模拟。因此，仍需要在真实运行条件下进行实验验证以确认控制器的性能。未来的工作将特别侧重于在实时平台上实现控制器、进行硬件在环测试或实验台架测试，并在更广泛的驾驶条件和干扰下评估所提出的策略。这些努力将进一步巩固人工神经网络在先进电推进应用中的潜力。