一种自适应扩展卡尔曼滤波的永磁同步电机无位置传感器矢量控制

在粗差干扰或噪声统计偏差情况下,扩展卡尔曼滤波(EKF)对永磁同步电机(PMSM)的速度和转子位置估计存在精度下降问题,为此提出一种基于新息序列的自适应扩展卡尔曼滤波算法(AEKF)。首先,将粗差干扰加入系统观测方程中,分析粗差干扰对系统观测精度的影响。其次,为增强算法的抗扰性能,在新息协方差计算中设置加权系数,通过调整临近时刻的新息协方差阵权重,计算出新息协方差值,并更新到卡尔曼增益的计算。最后,建立AEKF数学模型,并对比粗差干扰与噪声统计出现偏差情况下,AEKF与EKF两种策略的观测性能。仿真和实验结果表明,在粗差干扰或噪声统计信息出现偏差情况下,AEKF算法对永磁同步电机转速的观测具备更强的鲁棒性及更高的预测精度。     

基于EKF的车用永磁同步电机无电流传感器鲁棒控制

介绍了一种面向永磁同步电机(PMSM)的无传感器控制方法.基于矢量控制,建立了永磁同步电机控制模型,引入基于扩展卡尔曼滤波(EKF)原理的算法设计,应用于永磁同步电机无电流传感器控制.该算法不仅考虑了常规隐极式PMSM,也考虑凸极式PMSM.相对于常规的基于EKF算法的无电流传感器控制策略,引入额外的观测变量进行优化....     

基于扩展卡尔曼滤波的PMSM无位置传感器控制

在永磁同步电机无位置传感器控制系统中,设计了一种基于扩展卡尔曼滤波(EKF)算法的永磁同步电机(PMSM)转子位置估算算法,代替机械式的位置传感器对电机转子位置及转速进行实时检测,实现无位置传感器控制,给出了算法的递推过程和永磁同步电机模型,并对该算法进行了简化分析。经仿真与实验表明基于扩展卡尔曼滤波的PMSM无位置传感器控制算法具有良好的动静态性能、转速辨识能力,且具有良好的鲁棒性,能够在各种运行情况下正确估算转子位置以及电机转速,控制性能优越。     

基于新息理论的EKF感应电机转速估计方法

提出了一种基于新息理论的自适应扩展卡尔曼滤波(IT-AEKF)感应电机转速估计方法,实现了优化的感应电机无速度传感器矢量控制。该转速估计方法使用新息序列对系统噪声协方差矩阵进行在线估计和自适应调节,实时地跟踪系统模型的变化,使系统模型与实际模型更加匹配。所提出的方法提高了系统模型对于实际系统以及外部环境变化的适应性,也满足对于低速的估计要求,进而提高系统的稳态精度和抗粗差性能,使系统遇到干扰时更快收敛。实验结果验证了算法的正确性和有效性。     

基于扩展卡尔曼滤波的永磁同步电机无电流传感器预测控制

针对永磁同步电机(PMSM)因过电压、过电流及误操作等容易造成电流传感器故障,影响PMSM的控制精度的问题,提出一种基于扩展卡尔曼滤波的PMSM无电流传感器预测控制算法。对于PMSM,通常需要两个电流传感器来采集定子电流信息,所提方法通过扩展卡尔曼滤波估计定子电流代替电流传感器。通过基于扩展卡尔曼滤波的PMSM无电流传感器预测控制算法与常规有电流传感器在线变速和变载仿真对比得到,所提方法具有和有电流传感器相同的控制性能。参数鲁棒性仿真表明,所提方法具有较强的参数鲁棒性,能够满足实际控制需要。     

基于扩展卡尔曼滤波的永磁同步电机无传感器矢量控制

为实现永磁同步电机(PMSM)的无传感器控利,引入扩展卡尔曼滤波对转子位置和转速进行估计,该算法通过测量电机端电压和定子电流在线估计转子位置和速度.为提高PMSM转速估计精度,以两相静止坐标系下考虑转动惯量的PMSM实际模型为递推估计对象,搭建转速、电流双闭环的无传感器矢量控制系统.仿真结果表明,系统状态估计精度较高、运行稳定、超调小、动静态性能良好.     

基于分数阶模型的锂离子电池SOC与SOH协同估计

锂离子电池荷电状态(SOC)和健康状态(SOH)的精确估计对电动汽车稳定运行十分重要.以精确估计电池SOC和SOH为目标,提出了一种基于分数阶模型的协同估计算法.建立基于二阶RC电路模型的分数阶电池模型,采用自适应遗传算法(AGA)辨识模型参数,利用分数阶扩展卡尔曼滤波(FOEKF)算法估计SOC,并结合自适应无迹卡尔曼滤波(AUKF)算法估计SOH,迭代更新内阻与SOC进而实现SOC与SOH精确的协同估计.在城市道路循环工况(UDDS)下使用Matlab工具验证和对比了算法精度,平均误差均控制在2％以内.结果表明,该协同估计算法能够精确估计电池SOC和SOH,为电池状态估计提供了一种方法.     

采用抗差扩展卡尔曼滤波器的感应电机转速估计方法

扩展卡尔曼滤波器(extended Kalman fileter,EKF)已广泛应用于无速度传感器矢量控制转速估计。尽管扩展卡尔曼滤波器具有较强的抗干扰能力,但是面对粗差时仍然会出现较大的抖动,影响系统的控制性能。提出了一种基于抗差扩展卡尔曼滤波器的转速估计方法,分析了粗差对扩展卡尔曼滤波器估算精度的影响,探讨了在应用于感应电机转速估计时抗差EKF能否同样取得良好的估计精度,以及优于EKF的抗粗差性能。通过仿真与实验,对比了遇到较大外部干扰和估算误差干扰时抗差EKF与EKF的转速误差和磁链变化。仿真与实验结果表明,抗差EKF较EKF而言具有更好的抗粗差性能,可以使系统遇到干扰时更快收敛。     

基于改进PSO与广义五阶CKF算法的PMSM无传感器控制

为提高永磁同步电机无传感器控制效果,针对电机转速估计精度及PI参数优化的问题,提出一种基于改进粒子群优化(PSO)的PI参数与广义五阶容积卡尔曼滤波(CKF)算法的PMSM无传感器控制方法.首先,建立了PMSM的离散数学模型,推导了其转速环传递函数,并以此为适应度函数利用基于柯西变异的改进PSO算法来对转速环PI参数进...     

基于降阶扩展卡尔曼滤波的永磁同步电动机无传感器控制

针对永磁同步电动机扩展卡尔曼滤波(EKF)算法复杂、不利于实时性等问题,提出了一种基于降阶扩展卡尔曼滤波器(REKF)来预估转子位置和速度的新算法,通过对状态变量的适当选取,简化了滤波器结构。仿真结果表明:估算的转子位置和速度均能较好地跟踪实际值,继承了传统扩展卡尔曼滤波的优点。同时,算法阶数的降低显著减少了运算量,实时性得到增强,更易于数字化实现。     

用于电力系统动态状态估计的改进鲁棒无迹卡尔曼滤波算法

针对动态状态估计中传统无迹卡尔曼滤波(UKF)采样方法的不足,对UKF算法进行改进,每次估计实时调节比例修正因子,提高滤波性能。动态状态估计结果精度受量测粗差影响较大,为此提出一种鲁棒无迹卡尔曼滤波(RUKF)算法,引入粗差判据检测粗差,通过增强因子来降低粗差对系统状态估计结果的影响。将RUKF算法运用于电力系统动态状态估计,仿真结果表明,该算法具有良好的估计性能及较强的鲁棒性。     

基于ESP模型的锂电池参数辨识和SOC估计

精准的电池模型是电动汽车电池管理系统的关键,它为准确估计电池荷电状态(SOC)提供保证。基于电化学反应机理,建立扩展单粒子(ESP)模型。基于ESP模型参数较多的特点,利用改进遗传算法分不同SOC阶段进行多组参数辨识,通过充放电实验验证模型的准确性。基于ESP模型和卡尔曼滤波算法,引入强跟踪滤波器和自适应滤波方法,且对模型状态方程进行修正,建立自适应强跟踪Sigma点卡尔曼滤波算法来进行SOC估计。结果表明,ESP模型有较高的精度,且基于此模型和所建立的算法可以实现对SOC的精确估计,其最大误差在2.3%以内。     

永磁同步电机全速度段无位置传感器控制策略研究

针对基于标准扩展卡尔曼滤波器(EKF)的永磁同步电机(PMSM)无位置传感器矢量控制技术只适用于中高速阶段而在低速阶段转子位置和转速估计困难,以及标准EKF算法在较强非线性系统中估计精度较低的缺陷,提出了一种复合式的PMSM无位置控制系统。低速段采用流频比(I/f)起动的方法,该方法不需要转子初始位置估计和电机参数估计,起动电流可控,适用于PMSM无位置传感器控制的起动。对电机中高速状态采用结合多新息法改进的EKF无位置估测控制,扩展利用之前两个时刻新息,增强非线性系统中的估计精度。最后通过仿真对该控制方案进行验证,验证结果证明了该方案使得系统抗干扰性更强,控制精度更高,更适用于PMSM全速范围控制的应用。     

基于AEKF的永磁同步电机容错控制研究

永磁同步电机(PMSM)驱动系统需要具备故障容错运行的能力,因此提出一种基于自适应扩展卡尔曼滤波(AEKF)的电动汽车(EV)用PMSM驱动系统故障容错控制策略。由于AEKF能连续估计系统状态并获取系统统计特性,故新控制方案基于AEKF设计了观测器。控制器检测到传感器故障发生后,立即进行重构以保证系统连续运行。不同于传统的扩展卡尔曼滤波(EKF)方案,后者使用了固定的协方差矩阵,新的AEKF方案能自适应地调整协方差矩阵,大大提高了控制器精度和鲁棒性。最后,基于PMSM驱动试验平台,进行了新方案和传统EKF方案的对比试验,试验结果验证了新方法的转速估计更精确,鲁棒性更好。     

永磁直线同步电机全速无位置传感器控制

针对永磁直线同步电机无位置传感器控制时,单一的位置估计算法难以在宽范围内精确估计动子速度和位置信号的问题,为了进一步适应直线电机往复运动、速度变化范围大的特点,提出了高频信号注入法和增广扩展卡尔曼滤波算法复合的估计算法。在起动和低速时采用高频信号注入法,在中高速时采用增广扩展卡尔曼滤波法,在过渡区域采用高频信号注入法和增广扩展卡尔曼滤波算法融合的方法,实现从零速到高速全速范围内高精确度无位置传感器控制。仿真和实验结果表明,基于该复合算法的无位置传感器控制系统在全速范围内都具有良好的动态响应特性。     

基于ICDKF的锂电池SOC在线估计

动态的实时估计锂离子电池荷电状态(state of charge,SOC)是锂离子电池管理系统研究的关键技术。针对扩展卡尔曼滤波(EKF)估计SOC误差大的不足,基于二阶RC等效电路模型,提出了一种基于迭代中心差分卡尔曼滤波(ICDKF)算法的磷酸铁锂电池SOC估计方法。利用Matlab进行了仿真,并与扩展卡尔曼滤波和中心差分卡尔曼滤波(CDKF)算法进行了效果对比,从仿真结果可以看出,该SOC算法有效地降低了估计误差,与EKF相比,具有更好的滤波估计精度。     

基于离散反电动势估计的永磁同步电机无速度传感器控制

针对高速永磁同步电机(PMSM)的无速度传感器控制问题,提出了一种基于离散反电动势估计的PMSM无速度传感器控制策略。实施离散反电动势估计的设计有三点:首先,设计了离散dq电流观测器以消除反电动势估计中的电感交叉耦合效应;然后,设计了延迟补偿模型以补偿数模转换引起的电压误差,同时设计了较为精确的离散模型,以克服由数字实现导致的估计反电动势和实际反电动势之间的偏差;最后,开展了高速PMSM驱动试验,试验结果验证了所提出的高速PMSM无速度传感器控制方案的性能。     

基于强跟踪DEKF算法的动力电池SOC估计模型

应用扩展卡尔曼滤波(EKF)算法估计动力电池荷电状态(SOC)时,会出现由于电池模型参数不准确而造成估计误差增大的问题。这里提出一种基于强跟踪原理的双卡尔曼滤波(ST-DEKF)算法解决该问题。以电池复合等效模型为研究基础,利用双卡尔曼滤波(DEKF)算法并行实时联合估计电池SOC和电池模型中的欧姆内阻参数,相互反馈,以提高电池模型的准确性,能够有效改善电池SOC估计精度。但在电池SOC初值设定存在偏差情况下,观测噪声方差不易确定,估计过程收敛速度慢,甚至会引起发散,因此,在算法初始阶段又引入了基于强跟踪原理的次优渐消因子对目标进行快速跟踪,弥补DEKF算法的不足。实验结果表明,基于ST-DEKF算法建立的电池SOC估计模型,具有很好的鲁棒性、跟踪速度和精度。     

SMPMSM 系统的无模型反步控制

电动汽车永磁同步电机(PMSM)驱动系统的参数不确定性以及逆变器非线性,将引起电机转速鲁棒性降低,导致电动 汽车速度剧烈波动。 为了提升电动汽车永磁同步电机驱动系统的快速响应性能和鲁棒性,提出了基于无模型的自适应反步控 制(MF-ABC)。 根据无模型控制的代数估计方法,建立超局部模型干扰估计器,再基于自适应反步控制框架,组建适合 PMSM 驱动系统高可靠性运行的 MF-ABC 控制。 研究结果表明,所提出的控制器能够观测、估计和消除各种不确定性,包括系统未建 模动态和外部干扰。 MF-ABC 估计出的干扰值可以用来描述干扰和分析误差。 所提出的方案实时的提升算法计算效益,实现 矢量控制的 PMSM 驱动系统 MTPA 模式高性能稳健运行的研究目标。 通过 dSPACE 台架测试,证实提出的 MF-ABC 和传统反 步控制相比实现了 PMSM 抗转矩干扰能力提升 22%,阶跃响应的快速性提升 0. 02 s。 实验结果证明,MF-ABC 具有强抗干扰性 和响应快速性。     

计及模型不确定性的发电机动态状态估计方法

模型不确定性会影响状态估计的精度,甚至造成严重的后果。针对该问题,提出一种计及模型不确定性的发电机动态状态估计新方法。首先,基于发电机的动态方程建立发电机动态状态估计模型,进而提出基于自适应H_∞扩展卡尔曼滤波(AHEKF)的动态状态估计方法,该方法依据H_∞滤波理论建立模型不确定性约束准则,采用自适应技术对预测误差协方差矩阵和系统噪声协方差矩阵进行动态在线调整,从而使其具有较高的估计精度和鲁棒性。最后,通过WSCC 3机9节点系统和某实际大区域电网系统的算例测试,将所提方法与H_∞扩展卡尔曼滤波(HEKF)算法及扩展卡尔曼滤波(EKF)算法性能进行对比。算例结果表明,AHEKF算法在估计精度及鲁棒性方面均优于HEKF和EKF算法。