無刷雙饋電機控制算法綜述

羅 山

(攀枝花學院電氣信息工程學院，四川攀枝花617000)

無刷雙饋電機(Brushless Doubly-Fed Machine，BDFM)是一種運行可靠、結構簡單、既可同步運行又可異步運行、在無刷的情況下實現雙饋運行的新型電機。BDFM具有功率因數可調、變頻器容量小、對電網的諧波污染少等優點，因此特別適合于變頻調速系統如風機和泵類的調速，以及變速恒頻發電如風力、水力發電系統。

國內外大量學者對BDFM進行了深入的研究，提出了多種控制算法，如矢量控制［1-4］、直接轉矩控制［5-7］、模糊控制［8-9］、神經網絡控制［10］和模糊神經網絡控制［11］等。本文較全面地介紹并分析了當前國內外BDFM控制算法的發展現狀，給出了優缺點，為BDFM控制的研究提供一定的方向。

1 BDFM控制算法及分析

通過建立BDFM的數學模型，獲得等效電磁轉矩［12］，可以提出多種不同的控制算法。BDFM的控制算法主要有基本控制算法和智能控制算法兩類，下面分別進行論述。

1.1 BDFM基本控制算法

1.1.1矢量控制

它是利用電機的動態數學模型和矢量變換方法，將異步電機模擬成直流電機。它可分為定子磁場定向控制和轉子磁鏈定向控制兩種，其中定子磁場定向控制是將同步旋轉坐標系d軸放置在定子磁場方向上，這樣對定子磁通觀測器的實現有利，從而消弱轉子回路參數對系統性能的影響。

該算法優點:可對磁鏈和轉矩獨立控制，控制性能明顯改善;調速范圍寬，可實現連續控制。

該算法缺點:對電機參數的依賴性強，很難達到理想的控制性能;需假設電機中只有基波正序磁動勢，與實際情況不完全符合;解耦只能在穩態時才能實現，弱磁時仍然存在耦合;若解耦后的控制回路使用PI調節器，參數變化及各種不確定性因素對性能的影響嚴重。

1.1.2直接轉矩控制

它不經過復雜的計算，而是把電機和逆變器看成一個整體，采用空間矢量法，以定子磁場定向方式，利用可控的定子繞組電壓和電流對定子磁鏈和電磁轉矩進行直接控制。

該算法優點:系統結構簡單，靜、動態性能優良;磁場定向利用定子磁鏈進行，系統性能魯棒性強;可應用于弱磁調速。

該算法缺點:低速時死區效應會引起轉矩脈動;提高逆變器開關頻率有較大的限制;低速時定子電阻的變化會引起定子電流和磁鏈的畸變;沒有電流環，需采取措施限流。

1.2 BDFM智能控制算法

1.2.1模糊控制

它是基于模糊推理，不依賴于對象模型而模仿人的思維模式，對難以建立精確數學模型的對象的一種控制，包括模糊化、模糊推理、清晰化三個過程。將模糊控制與直接轉矩控制結合，利用模糊控制器自動合理地選擇電壓矢量，能有效降低轉矩脈動，定子電流和磁鏈波形得到改善［13］。

該算法優點:硬件的實現比較簡單;能夠克服參數變化和非線性等不確定因素的影響，魯棒性強;不依賴于對象模型，不精確信息可得到處理;能模仿人的經驗而對復雜對象進行控制。

該算法缺點:控制精度較低，甚至可能產生振蕩;模糊規則、比例因子、隸屬函數和量化因子很難確定;缺乏模糊規則的設計方法;自適應能力有限。

該算法能有效地克服電機的非線性、強耦合等缺點［8］。它的自適應性和精度較差，因此常與PID、自適應、神經網絡等其他控制結合使用。

1.2.2神經網絡控制

它模擬人的大腦神經生物結構，能逼近任何非線性特性，能夠學習理解與自適應不確定對象的動態特性。具有很強的容錯性和魯棒性以及并行處理的快速性。

該算法優點:具有很強的自學習、自適應和非線性映射能力，容錯性和魯棒性均很強;不需要對象模型和復雜控制結構，可用于復雜的控制對象;通過對一些I/O樣本進行訓練，即可逼近任意對象的動態特性。

該算法缺點:選取網絡結構、隱層數及各層神經元數缺乏理論依據;參數物理意義不明確;穩定性分析較難，收斂性較差，可能陷入局部最優，甚至發散;對訓練集的要求高、訓練時間長;基于經驗風險最小化的優化目標，泛化性能不佳;計算量大且復雜。

此算法準確地擬合BDFM的非線性［10］，常與自適應控制、PID控制、模糊控制等結合使用。

1.2.3模糊神經網絡控制

模糊控制是利用專家的先驗知識進行模糊推理，而神經網絡對于參數的變化具有很強的學習與自適應能力。模糊控制的功能通過神經網絡來實現，從而神經網絡學習速度慢、易陷入局部最優值的問題得到改善，控制系統的實時性增強。

該算法優點:兩者結合突出各自優勢;采用模糊化規則，系統的容錯性增強;采用模糊計算，處理速度加快;信息處理方式增多，信息處理方法更加靈活;確知和非確知信息可同時處理，信息處理能力增強。

該算法缺點:選取模糊規則沒有通用的方法;模型復雜性與泛化能力之間存在矛盾;模糊推理層節點數和模糊化層的選取、模糊合成和推理算法的選取以及清晰化的計算方法等無理論依據。

采用該算法的BDFM系統具有響應速度快，跟蹤性能好，穩態誤差很小，性能優良的特點［11］。

1.2.4專家控制

它是將專家系統與控制理論相結合，能自適應地解釋參數當前狀況，預測系統未來行為，尋找出現問題的原因，制訂校正方法，并監控計劃的執行，以實現對較為復雜對象的控制。

該算法優點:決策能力強，運行可靠，能夠處理不確定性、不完全性和不精確性等問題;通用性好，擬人能力強，控制與處理靈活;對象數學模型的缺陷通過專家的知識和經驗得到彌補。

該算法缺點:設計解釋機構、建立用戶接口等方面存在問題;對專家的經驗過度依賴，且獲得專家經驗知識較困難;需要建立實時操作知識庫;存在穩態誤差;知識庫的更新與規則的生成困難;難以分析系統的穩定性。

1.2.5模糊自適應PID控制

通過設計模糊自適應PID控制器來實現模糊自適應PID控制［13］。模糊自適應PID控制器，既有模糊控制器動態響應快、超調量小、上升時間小、魯棒性強的特點，又有PID控制器的動態跟蹤性能和控制精度。模糊自適應PID控制的主要任務是找出PID的兩個參數與誤差e和誤差變化率ec之間的模糊關系，在運行中不斷檢測e和ec，根據確定的模糊控制規則來對兩個參數進行實時整定，以滿足對兩個參數的不同要求［14］。

1.2.6專家自適應PID控制

它是以被控對象和控制規律的各種知識為基礎，通過專家系統以智能的方式應用這些知識，使控制系統性能盡可能地優化和實用化。專家系統由專家知識庫、數據庫和邏輯推理機三部分模塊組成。一般的專家自適應PID控制器必須加以改進后才能用于BDFM調速系統。專家知識庫模塊中儲存了PID參數選擇手冊，它記載了各種工況下的無刷雙饋電機特性所對應的P、I、D參數。當BDFM調速系統工作狀態改變時，控制系統調用專家系統模塊，對PID參數進行自適應整定。

專家自適應PID控制能使電機在轉速或負載變化時超調減小，并使轉速很快重新趨于穩定，動態性能優良。它可以實現實時控制，硬件的實現簡單，對象的模型要求也不高，可在不同原因引起的擾動下正常工作，是一種很好的閉環控制算法［15］。

2 BDFM控制算法的發展趨勢

要進一步提高BDFM的運行性能，需要對現有的數學模型和控制算法等做進一步的研究。

首先，需要進行進一步改進BDFM的數學模型，逐步建立考慮磁路的飽和與非線性問題、定子兩套繞組之間存在耦合的問題、高次諧波對定子兩套不同極對數的影響的數學模型。建立更精確的數學模型，從而提高BDFM的控制精度和響應速度。

其次，以現有控制算法為基礎，將多種控制算法的優點相結合形成混合控制算法，或研究新型的控制算法以提高系統控制精度和響應速度。同時應對BDFM控制算法的參數優化進行研究，通過選取最合適的參數減少調試時間，提高控制系統的性能。

［1］Zhou D，Spee R，Alexander GC.Experimental Evaluation of a Rotor Flux Oriented Control Algorithm for Brushless Doubly-fed Machines［C］.IEEE Transaction on Power E-lectronics Specialists Conference，1996:913 －919.

［2］黃守道，王耀南.無刷雙饋電機轉子磁場定向控制策略的研究［J］.電工技術學報，2002，17(2):34 －39.

［3］Poza J，Oyarbide E，Roye D.New Vector Control Algorithm for Brushless Doubly-fed Machines［C］.2002 IEEE 28th Annual Conference on Industrial Electronics Society，2002:1138 －1143.

［4］Shao S，Abdi E.McMahon R.Vector control of the Brushless Doubly-Fed Machine for Wind Power Generation［C］.IEEE International Conference On Sustainable Energy Technologies，2008:322 －327.

［5］鄧先明.BDFM的電磁分析與設計應用［M］.北京:機械工業出版社，2009.

［6］Brassfield W R，Spee R，Habetler T G.Direct Torque Control for Brushless Doubly-fed Machines［C］.IEEEIAS Annual Meeting，Corvallis，USA，1992，1:615-622.

［7］劉曉鵬，張愛玲，樊雙英.無刷雙饋電機直接轉矩控制策略的研究［J］.微特電機，2006(3):25－31.

［8］甘良志，伍斌，姜來東.采用模糊控制器的直接轉矩控制系統仿真［J］.繼電器，2001，29(11):41－43.

［9］周欣欣，張愛玲.無刷雙饋電機直接轉矩控制轉矩脈動最小化［J］.電機與控制學報，2006，10(6):571－575.

［10］王群京，陳權，姜衛東，等.異步電動機神經網絡直接轉矩控制建模與仿真［J］.電工技術學報，2007，22(3):32－40.

［11］劉燕飛，王倩.基于模糊神經網絡的感應電機直接轉矩控制［J］.電力系統及其自動化學報，2008，20(3):86－89.

［12］劉航航，韓力.無刷雙饋電機控制策略發展綜述［J］.微特電機，2010，(6):74 －78.

［13］趙輝，彭濤，岳有軍，等.模糊自適應PID控制在無刷雙饋電機矢量控制中的應用［J］.天津理工大學學報，2008，24(3):36 －39.

［14］蔡曉銘，楊向宇.基于模糊PID的無刷雙饋電機矢量控制［J］.微特電機，2005，11(2):30 －32，45.

［15］叢爽，鄭毅松.幾種局部連接神經網絡結構及性能的分析與比較［J］.計算機工程，2003，29(22):11 －13.