感應(yīng)電機狀態(tài)估計和參數(shù)辨識若干新方法研究.pdf

1、交流電機以其經(jīng)濟和技術(shù)優(yōu)勢占據(jù)了電力傳動領(lǐng)域的主導地位，各種高性能的交流調(diào)速技術(shù)也得到了廣泛的研究和應(yīng)用。轉(zhuǎn)子磁場定向控制使交流調(diào)速系統(tǒng)的性能產(chǎn)生了質(zhì)的飛躍，感應(yīng)電機無速度傳感器控制更是增加了系統(tǒng)的簡易性和魯棒性。感應(yīng)電機無速度傳感器控制系統(tǒng)需要解決的關(guān)鍵問題是電機轉(zhuǎn)速估計和轉(zhuǎn)子磁鏈觀測。 擴展Kalman濾波(EKF)是一種有效的感應(yīng)電機狀態(tài)估計算法，但其存在兩大缺陷：(1)對電機參數(shù)變化的魯棒性欠佳；(2)對突變狀態(tài)的跟蹤能

2、力較弱。本文利用強跟蹤濾波(STF)，提出了基于STF的感應(yīng)電機狀態(tài)估計算法，有效提高了對于突變狀態(tài)的估計性能和參數(shù)變化的魯棒性。此外，傳統(tǒng)基于EKF的感應(yīng)電機狀態(tài)估計算法將電機轉(zhuǎn)速作為常量處理，導致算法在極低速和零速時的估計精度不佳。本文引入電機的機械和轉(zhuǎn)矩方程，將轉(zhuǎn)速作為變量處理，并增加對負載轉(zhuǎn)矩的估計，從而避免零速附近激勵信號不足和摩擦阻力影響，提高狀態(tài)估計精度。 上述建立在感應(yīng)電機全階模型基礎(chǔ)上的狀態(tài)估計方法存在高階矩陣

3、運算，計算量偏大。為此，導出感應(yīng)電機的降階模型，此模型的觀測量為狀態(tài)的一階延遲，無法直接利用EKF進行狀態(tài)估計，引入延遲擴展Kalman濾波算法(SEKF)實現(xiàn)電機的狀態(tài)估計。由于SEKF是在EKF的基礎(chǔ)上得到的，因此存在與EKF同樣的缺陷，利用STF的思想對其進行改進，提出了強跟蹤延遲濾波(STSF)算法，并將其應(yīng)用于轉(zhuǎn)速估計和磁鏈觀測。仿真和實驗研究表明，基于STSF的感應(yīng)電機狀態(tài)估計算法具有滿意的動、靜態(tài)估計性能，同時計算量也有顯

4、著降低。 前面提出的狀態(tài)估計方法均假設(shè)電機參數(shù)保持不變，然而感應(yīng)電機在運行過程中，參數(shù)隨著工況和環(huán)境的變化表現(xiàn)出時變性。仿真研究表明，電機參數(shù)變化對EKF和STF的估計精度均會產(chǎn)生不良影響。為了在實踐中獲得高性能的狀態(tài)估計，必須對電機參數(shù)進行在線辨識。對于定、轉(zhuǎn)子電阻，提出了基于STF的辨識方法，得到了滿意的估計精度；對于勵磁電感，由于非線性程度較高，直接利用STF估計會增加算法的復雜度，因此提出了基于無軌跡Kalman濾波(I

5、JKF)和基于雙重EKF(Dual EKF)估計的辨識方法。仿真和實驗研究表明，上述方法均能實現(xiàn)對電機參數(shù)的準確辨識，從而避免狀態(tài)估計受電機參數(shù)變化的影響。 前面通過在線辨識解決了狀態(tài)估計方法中的參數(shù)自適應(yīng)問題，然而辨識本身需要一個過程，即當前周期得到的參數(shù)辨識結(jié)果到下一周期才被更新，因此本質(zhì)上算法對系統(tǒng)模型的跟蹤存在滯后，從而影響算法的動態(tài)性能。為此，提出利用多模型(MM)算法對電機狀態(tài)和參數(shù)進行估計。為了降低傳統(tǒng)MM算法的計

6、算量，提高估計精度，提出了單濾波器多模型(SFMM)算法，并引入變結(jié)構(gòu)思想，提出了單濾波器變結(jié)構(gòu)多模型(SFVSMM)算法，將其應(yīng)用于感應(yīng)電機的狀態(tài)估計和參數(shù)辨識中。仿真和實驗研究表明，SFVSMM算法具有滿意的狀態(tài)和參數(shù)估計性能，并且計算量適中，為感應(yīng)電機的無速度傳感器控制提供了一種新的解決方案。 最后，利用交流傳動互饋實驗臺對本文提出的感應(yīng)電機狀態(tài)估計和參數(shù)辨識方法進行了實驗研究。利用聯(lián)合矢量控制對互饋雙電機的同軸轉(zhuǎn)速和轉(zhuǎn)矩