改进的矢量控制

改进的矢量控制（精选九篇）

改进的矢量控制 篇1

安装在电机终端的速度传感器增加了系统复杂性和成本,降低了系统可靠性[1]。因此,异步电机无速度传感器控制技术的研究受到了各国学者的普遍关注。目前,比较典型的无速度传感器控制方法有[2,3]:利用电机数学模型直接计算转速、基于PI闭环控制构造转速方法[4,5,6,7]以及利用电机结构特征产生转速信号[8]。使用较为广泛的速度辨识方法是第2种方法中的模型参考自适应方法。

传统的模型参考自适应转速估计方法利用电压、电流磁链模型的输出值误差,通过校正环节构造转速。该方法中的电压模型不是理想的参考模型,低速时电压本身不准确,存在估算转速信号失真问题。另外,部分文献也提出了新的转速估计方法[9,10,11,12,13],它们在一定程度上提高了矢量控制系统的性能和低速稳定性,但是估计参数的精度都受到一定程度的影响。文献[14]提出了一种基于定、转子电阻在线辨识的模型参考自适应转速估计方法,来解决感应电机参数变化导致转速估计不准的问题;文献[15-16]对参考模型中的电压模型进行了改进,避免了易受积分初值和漂移影响的问题;文献[17]在仿真中考虑到了积分误差和定子电阻,提出了带补偿的电压模型磁链及转速估算方法。这些方法从一定程度上减弱了传统模型参考自适应法速度估计精度差、波形失真等问题的影响,但是他们解决的问题比较单一,或者需要定、转子电阻的在线辨识,在应用上均有一定的局限性。

本文以异步电动机矢量控制原理为基础,采用改进的模型参考自适应方法,利用电流模型、改进模型的输出值误差构造转速信号,在全速范围内都能有效跟踪电机转子转速,避免了低速信号失真问题。同时设置滤波校正环节,提高转速估计器的精度,改善了抗扰性能。

2 矢量控制原理

2.1 异步电机的数学模型

两相静止坐标下,异步电机的电压方程为[18]

定、转子磁链方程为

电磁转矩方程为

式中:为定、转子相电压在两相静止坐标系上分量;为定、转子相电流在两相静止坐标系上分量;ωr为转子转速;Rs,Rr为定、转子电阻;Ls,Lr为定、转子等效两相绕组自感;Lm为定、转子同轴等效绕组间互感;pn为电机极对数。

两相旋转坐标下,定子绕组的电压方程为

定、转子磁链方程为

电磁转矩方程为

式中:usd,usq为定子电压的dq轴分量;isd,isq,ird,irq为定、转子电流的dq轴分量;ωs为转差电角速度,即dq坐标系相对于转子的电角速度,ωs= ω1- ωr;Ψsd,Ψsq,Ψrd,Ψrq为定、转子磁链的dq轴分量;Rs,Rr为定、转子绕组电阻。

图1为交流异步电机矢量控制原理框图,电机三相定子电压、三相定子电流经过Clarke变换得到两相静止坐标下的电压和电流isαβ,usαβ,并通过磁链观测器和速度估计器分别计算出电机转速ωR和同步旋转角度θ。经过Park变换得到两相旋转坐标下的定子电流,采用PI闭环控制得到解耦后的定子电压变量,Park反变换后得到两相静止坐标下的电压,最后经SPWM调制后控制逆变器。

2.2 转子磁链电流模型

在两相静止坐标系下,感应电机的转子磁链方程为

两相静止坐标系上的转子电压方程为

整理后可得两相静止坐标系上转子磁链的电流模型:

两相静止坐标系上转子磁链电流模型框图如图2所示。

2.3 转子磁链改进电压模型两相静止坐标系上

整理可得:

进而可得:

上式即为普通电压模型法的转子磁链计算公式,改进电压模型法取消了其中的积分环节,可以消除因为积分初始值和累积误差而带来的计算结果的偏差。消除了直流偏置的影响。

转子反电动势为

转子反电 动势经过 一阶惯性 环节的作 用er·Tc/(1 + Tcp)后,产生的计算幅值减小误差和相位滞后误差由励磁电流计算而来的转子磁链的滤波信号来补偿。

转子磁链状态估计的动态方程如下:

励磁电流补偿的改进电压模型框图如图3所示。

改进电压模型是电流模型与电压模型的组合,兼具两者的优点,在低速时能避免电压模型定子电阻压降的影响,在高速时能避免电流模型电机参数变化的影响。

3 无速度传感器结构设计

改进电压模型不含待辨识转速ωr,作为参考模型,而含有待辨识转速ωr的磁链方程(电流模型)作为可调模型,利用改进电压模型的输出作为转子磁链的期望值,电流模型的输出作为转子磁链的推算值,以转子磁链的期望值和推算值作为比较输出量,采用PI自适应律估计转速,其原理框图如图4所示。

模型中对磁链误差进行滤波处理以减小噪声,由于ε经过一阶低通滤波环节后会产生相位误差,所以需要设计校正频率特性函数予以补偿。

4 仿真结果分析

仿真系统 中的电机 参数 :额定功率PN= 1 120k W,额定电压UN= 6k V,频率f = 50 Hz ,定子电阻Rs= 0.179 7Ω,转子电阻Rr= 0.182 6Ω,定子电感Ls= 0.013 2H ,转子电感Lr= 0.012 8H ,定、转子间互感Lm= 0.444 9H,电机极对数pn= 1,转动惯量J = 15.9 kg·m2。

4.1 速度估计器仿真

仿真系统采用恒定励磁,在0~50 s时间段内转速指令给定为250 rad/s(约0.8标幺值),在50~100 s时间段内为180 rad/s(约0.6标幺值);负载转矩为在0~15 s时间段内为0,在15~100 s时间段内变为0.1标幺值。

图5、图6、分别是电机定子三相电压、定子三相电压放大图,图7、图8分别是电机转速和电机电磁转矩图。从图7中可以看出电机转速的估计值与测量值差异很小,该系统得到的转速与有速度传感器时测量的转速接近,能够获得很好的矢量控制效果。

图9表示电机的转速指令与电机实际转速曲线图,从图9中可以看出,电机的实际转速能够很快跟踪上速度指令,在15 s处收到负载扰动后能快速调节恢复到指令值,无速度传感器矢量控制系统获得了很好的控制效果。

4.2 低速估计效果仿真

采用恒定励磁,在0~100 s时间段内转速指令给定为25 rad/s(约0.08标幺值);负载转矩为在0~50 s时间段内为0,在50~100 s时间段内变为0.1标幺值。

图10、图11为电机定子三相电压及其波形放大图,图12为电机电磁转矩和负载转矩。

图13表示低速时采用改进的模型参考自适应方法得到的电机转子转速与实际转速曲线。图13中,低速(25 rad/s)时估计转速曲线与转速实际曲线重合,说明模型不受低速电压不准的影响,能够有效避免信号失真问题。

5 结论

改进的矢量控制 篇2

摘 要：为改善因电机参数变化和负载波动等因素引起异步电机矢量控制系统性能变差的问题，研究设计了一种模糊自整定PID控制器。模糊控制器的量化因子、比例因子可以根据输入变量的大小调整，从而自动调整模糊控制规则。并在matlab/simulink上建立系统仿真模型进行了仿真试验验证，给出了试验波形及分析结果。仿真结果说明，该异步电机矢量控制系统动态和稳态性能都得到提高，而且具有很好的鲁棒性。

关键词：模糊自适应控制；矢量控制；PID；异步电机；matlab/simulink

0 引言

PID控制在动态控制过程中有过去、现在和将来的信息，可以通过参数设定将其配置做到最优，是交流电机驱动系统中最基本的控制形式，其应用广泛，PID控制在定常线性系统中能得到很好的控制效果，但是其在处理非线性、大滞后等复杂工业对象以及难以建立数学模型或者模型非常粗糙的工业系统时，难以到达预想的效果[1，2]。智能控制理论不依赖于控制对象数学模型的精确建立，可以很好的解决系统鲁棒性问题。但是大多数智能控制方法原理过于复杂或是附加条件过多，这些不利条件严重影响了它们的工程实用化进程。只有尽可能简单的控制方法才是工程应用中实用的控制方法[3]。通过分析，本文在传统PID基础上加入模糊自整定模块，充分利用传统PID控制控制简单有效的特点，还能实现控制过程PID参数模糊自整定，从而实现了最佳的控制效果，提高了系统的鲁棒性及自适应能力。

1 模糊PID控制系统基本原理

模糊PID控制器由一个常规的PID控制器和一个模糊自调整机构组成。其结构框图如图1所示。该系统一改传统PID控制器的固定参数Kp，Ki，Kd的控制策略，基于常规PID控制器，首先对输入量e和ec进行模糊化处理，再根据预设知识库中的控制规则进行模糊推理，最后对输出清晰化处理，实现对PID各参数的动态自整定， 使PID控制器对被控对象的控制效果达到最佳，使系统具有较强的鲁棒性[4]。

图1 模糊自整定PID控制结构框图

2 模糊PID控制器设计

2.1 PID参数模糊自整定的原则。

3 在异步电机矢量控制系统中的应用及Matlab仿真

3.1 仿真模型的建立和算法实现。在Matlab中Simulink 环境下将模糊逻辑工具箱（fuzzy logic tool box） 与Matlab函数相结合对上面提出的PID模糊控制系统进行了仿真研究，推理方法采用工程上常用的Mamdani方法，利用“极大-极小”合成模糊规则，进行模糊运算[8，9]。根据表1，调节规则可以写成49条模糊条件语句。模糊规则编辑窗口如图3.1。

建立模糊推理规则后，可以通过操作查看规则图示或三维曲面图形（图3.2、3.3）。

ASR速度调节器的传统PID及自适应模糊PID控制模块如图3.4、图3.5所示。

图3.7为本文搭建的带转矩内环，转速、磁链闭环的矢量控制系统仿真模型[8]，其中，主电路由直流电源DC、逆变器inverter、电动机AC motor和电动机测量模块组成，其中由电流滞环脉冲发生器模块产生逆变器的驱动信号，转子磁链观测器采用了两相旋转坐标系上的磁链模型，系统仿真模型还包括3s/2r及2r/3s转换模块、速度调节器、转矩调节器和磁链调节器。其中转速控制可切换为两种不同控制方式，即传统PID控制和模糊自整定PID控制。矢量控制调速系统仿真模型如图3.6、图3.7所示：

3.2 仿真结果与分析。分别在空载无扰动、空载加扰动、转速改变三种情况分别对系统传统PID和模糊自整定PID控制器进行了仿真实验，得到下列曲线。

空载无扰动的仿真结果如图3.8.1所示，由图中仿真曲线看出模糊自整定PID控制相比传统PID控制响应速度快、响应时间短，系统稳态性要好。

空载加扰动的仿真结果如图3.8.2所示，由图中仿真曲线看出，当系统负载波动时，模糊自整定PID控制相比传统PID控制响应速度快、超调量小、稳态性能更好。

转速改变的仿真结果如图3.8.3所示，由图中仿真曲线看出，当改变系统转速，对系统进行调速操作时，模糊自整定PID控制相比传统PID响应速度快、稳态性能更好。

4 结语

本文建立的模糊自整定PID控制器将模糊自适应控制应用到传统PID控制中。保留了传统PID控制器简单有效的优点，通过模糊自整定模块实时在线调整控制器的比例、积分、微分因子，克服了其在复杂非线性系统中控制性能差的缺点。仿真实验对模型进行了验证，也表明该新型控制器在响应速度、响应时间和稳定性上较传统PID控制有了很大提升，具有很好的实用价值。

参考文献：

[1]Rohrs CE， et.al.Robustness of Adaptive Control Algorithms in the Presence of Unmodelled Dynamics[C].Proc.21st IEEE Conf.Deci Contr.，Orlando， FL，1982.

[2]李永东.交流电机数字控制系统[M]，北京：机械工业出版社，2002：21-35.

[3]杨立永，陈智刚，李正熙，赵仁涛.新型抗饱和PI控制器及其在异步电动机调速系统中的应用[J].电气传动，2009（5）.

[4]韩瑞珍.PID控制器参数模糊自整定研究[D].杭州：浙江工业大学，2001.

[5]薛定宇.控制系统计算机辅助设计——MATLAB语言与应用[M].清华大学出版社，2006（03）：372-383.

[6]刘明兰，孙立红，钟绍华，等.基于自调整因子Fuzzy规则的专家控制器[J].武汉：武汉汽车工业大学学报，1997（4）：76-79.

[7]李大喜，王莉.模糊自適应PID控制在异步电机矢量控制系统中的应用研究[J].大电机技术，2008（6）.

[8]高芳.模糊控制在异步电动机变频调速系统中的应用研究[D].西安科技大学，2012（06）.

改进的矢量控制 篇3

在电网出现故障时,风力发电机组都需要被电网切除,直到电网故障清除后风电机组才能重新并网运行。然而,随着风电机组的容量和风电场的规模越来越大,风力发电的容量在电力系统总装机容量中所占的比例越来越大,如果电网发生故障时大规模的风电机组从电网解列,而不是像常规发电机组一样能继续支撑电网的频率和电压,这可能会导致更为严重的连锁反应,从而对电网的稳定运行带来非常不利的影响。为此目前国外许多电网运营商针对此问题对风力发电系统提出了故障不间断运行的要求,即在电网电压发生跌落时,风电发电机必须与电网保持连接并继续运行,甚至还需要为电网提供一定的无功以帮助系统电压的恢复;而在电网电压恢复后,风力发电机必须尽快恢复正常运行,向电网输出必要的有功功率以保证系统的频率稳定。上述要求即为风力发电系统的低电压穿越(LVRT)要求[1,2]。

因为双馈发电机的定子绕组与电网直接相连,所以电网发生故障时,发电机机端电压会随之迅速跌落,从而引起双馈发电机内部剧烈的电磁过渡过程[3,4]。同时,双馈发电机励磁变流器的容量和发电机额定容量相比只占很小的一部分(30%左右),只能对发电机提供部分控制。因此,当电网发生严重故障时,发电机转子绕组中产生的过电压和过电流可能会超过变流器中电力电子器件的耐压和过流极限,从而损坏变流器,使得电网故障清除后风力发电系统无法恢复正常运行。对于双馈风力发电系统而言,低电压穿越要求是电网对其提出的最大挑战,将直接影响该系统的大规模应用。

本文首先介绍了双馈发电机的模型,然后在此基础上推导了其改进的矢量控制策略,最后通过实验验证了所提出方法的有效性。

2 双馈发电机的模型

本文采用了双馈发电机的5阶模型,其dq旋转坐标系下的数学模型为

$\{\begin{array}{l}v{}_{\text{s}d}=R{}_{\text{s}}i{}_{\text{s}d}+\frac{\text{d}\Psi {}_{\text{s}d}}{\text{d}t}-\omega {}_{\text{s}}\Psi {}_{\text{s}q}\\ v{}_{\text{s}q}=R{}_{\text{s}}i{}_{\text{s}q}+\frac{\text{d}\Psi {}_{\text{s}q}}{\text{d}t}+\omega {}_{\text{s}}\Psi {}_{\text{s}d}\end{array}(1)$

$\{\begin{array}{l}v{}_{\text{r}d}=R{}_{\text{r}}i{}_{\text{r}d}+\frac{\text{d}\Psi {}_{\text{r}d}}{\text{d}t}-\omega {}_{\text{r}}\Psi {}_{\text{r}q}\\ v{}_{\text{r}q}=R{}_{\text{r}}i{}_{\text{r}q}+\frac{\text{d}\Psi {}_{\text{r}q}}{\text{d}t}+\omega {}_{\text{r}}\Psi {}_{\text{r}d}\end{array}(2)$

$\{\begin{array}{l}\Psi {}_{\text{s}d}=L{}_{\text{s}}i{}_{\text{s}d}+{\rm M}i{}_{\text{r}d}\\ \Psi {}_{\text{s}q}=L{}_{\text{s}}i{}_{\text{s}q}+{\rm M}i{}_{\text{r}q}\end{array}(3)$

$\{\begin{array}{l}\Psi {}_{\text{r}d}={\rm M}i{}_{\text{r}d}+L{}_{\text{r}}i{}_{\text{r}d}\\ \Psi {}_{\text{r}q}={\rm M}i{}_{\text{s}q}+L{}_{\text{r}}i{}_{\text{r}q}\end{array}(4)$

Tem=p(Ψsdisq-Ψsqisd) (5)

式中:vsd,vsq,vrd和vrq分别为定转子d,q轴电压;isd,isq,ird,irq分别为定转子d,q轴电流;Rs和Ls分别为定子的电阻和电感;Rr和Lr分别为转子的电阻和电感;M为定转子间的互感,Ψsd,Ψsq,Ψrd,Ψrq分别为定转子d,q轴磁链;ωs为同步旋转速度;ωr为滑差速度;Tem为电磁转矩;p为发电机极对数。

3 改进的矢量控制方法

电网电压跌落的情况下,双馈发电机的电磁过渡过程不仅受自身电磁特性的影响,还和转子侧变流器对其施加的励磁电压相关。传统的双馈发电机矢量控制方法在电网电压稳定时能获得优异的控制性能[5]。但是,由于忽略了定子磁链的暂态过程,在电网出现故障时其控制性能将会恶化。这是因为电网发生故障时,发电机机端电压跌落,使得用于定子磁链观测的积分器出现饱和,这将导致定子磁链定向不准确,从而影响整个控制系统的性能,无法实现对转子电流的准确控制。因此,为了抑制电压跌落下转子绕组中出现的过电流,在设计转子电流调节器的过程中必须考虑定子磁链的动态变化[4]。

在传统的基于定子磁链定向的矢量控制方法中,为了简化转子电流调节器的设计,通常认为定子磁链保持恒定且始终位于同步旋转坐标系的d轴上。然而,当电网电压跌落时,定子磁链将随之衰减,而且由于定子磁链中产生了直流分量,因此无法保证定子磁链矢量准确定向在d轴上,并且定子磁链的微分项也不再等于0。

根据双馈发电机的定子磁链表达式(2),可以得到定子电流的表达式为

$\{\begin{array}{l}i{}_{\text{s}d}=\frac{\Psi {}_{\text{s}d}-{\rm M}i{}_{\text{r}d}}{L{}_{\text{s}}}\\ i{}_{\text{s}q}=\frac{\Psi {}_{\text{s}q}-{\rm M}i{}_{\text{r}q}}{L{}_{\text{s}}}\end{array}(6)$

把式(6)代入定子电压表达式(1)可得:

$\{\begin{array}{l}v{}_{\text{s}d}=\frac{R{}_{\text{s}}}{L{}_{\text{s}}}\Psi {}_{\text{s}d}-\frac{R{}_{\text{s}}}{L{}_{\text{s}}}i{}_{\text{r}d}+\frac{\text{d}\Psi {}_{\text{s}d}}{\text{d}t}\\ v{}_{\text{s}q}=\frac{R{}_{\text{s}}}{L{}_{\text{s}}}\Psi {}_{\text{s}q}-\frac{R{}_{\text{s}}}{L{}_{\text{s}}}i{}_{\text{r}q}+\frac{\text{d}\Psi {}_{\text{s}q}}{\text{d}t}\end{array}(7)$

而把式(6)代入转子磁链表示式(4)可得:

$\{\begin{array}{l}\Psi {}_{\text{r}d}=\sigma L{}_{\text{r}}i{}_{\text{r}d}+\frac{{\rm M}}{L{}_{\text{s}}}\Psi {}_{\text{s}d}\\ \Psi {}_{\text{r}q}=\sigma L{}_{\text{r}}i{}_{\text{r}q}+\frac{{\rm M}}{L{}_{\text{s}}}\Psi {}_{\text{s}q}\end{array}(8)$

这样根据式(2)和式(8)可以得到转子电压表达式为

$\{\begin{array}{l}v{}_{\text{r}d}=R{}_{\text{r}}i{}_{\text{r}d}+\sigma L{}_{\text{r}}\frac{\text{d}i{}_{\text{r}d}}{\text{d}t}+v{}_{\text{r}dc}\\ v{}_{\text{r}q}=R{}_{\text{r}}i{}_{\text{r}q}+\sigma L{}_{\text{r}}\frac{\text{d}i{}_{\text{r}q}}{\text{d}t}+v{}_{\text{r}qc}\end{array}(9)$

根据式(9)可以设计出改进的矢量控制器,其中vrdc和vrqc为交叉耦合项,可以表示为

$\{\begin{array}{l}v{}_{\text{r}dc}=-\omega {}_{\text{r}}\sigma L{}_{\text{r}}i{}_{\text{r}q}-\frac{{\rm M}}{L{}_{\text{s}}}(\omega {}_{\text{r}}\Psi {}_{\text{s}q}-\frac{\text{d}\Psi {}_{\text{s}d}}{\text{d}t})\\ v{}_{\text{r}dc}=\omega {}_{\text{r}}\sigma L{}_{\text{r}}i{}_{\text{r}d}+\frac{{\rm M}}{L{}_{\text{s}}}(\omega {}_{\text{r}}\Psi {}_{\text{s}d}+\frac{\text{d}\Psi {}_{\text{s}q}}{\text{d}t})\end{array}(10)$

由此可以得到改进的双馈发电机矢量控制框图,如图1所示。

图1中转子电流的d轴分量和q轴分量分别用来控制发电机输出的无功功率和电磁转矩,可以得到其参考值分别为

$\{\begin{array}{l}i{}_{\text{r}d\_\text{r}\text{e}\text{f}}=\frac{\Psi {}_{\text{s}\_\text{r}\text{e}\text{f}}}{{\rm M}}-\frac{L{}_{\text{s}}}{v{}_{\text{s}\_\text{r}\text{e}\text{f}}{\rm M}}Q{}_{\text{s}\_\text{r}\text{e}\text{f}}\\ i{}_{\text{r}q\_\text{r}\text{e}\text{f}}=-\frac{1}{p\Psi {}_{\text{s}\_\text{r}\text{e}\text{f}}}\frac{L{}_{\text{s}}}{{\rm M}}{\rm T}{}_{\text{e}\text{m}\_\text{r}\text{e}\text{f}}\end{array}(11)$

4 实验结果

为了验证所提出的电压跌落下双馈发电机改进矢量控制策略的有效性,本文在1台4.5kW的双馈发电机实验平台上对该控制策略进行了实验验证,发电机参数为:定子电阻0.4Ω,转子电阻0.8Ω,定子电感0.082H,转子电感0.082H,互感0.08H,额定电压380V,额定电流11A,极对数3,定转子匝数比2.97。实验中双馈发电机的转速被控制为1200r/min。

该实验平台采用永磁同步电动机及其驱动变频器组成了风力机模拟系统,用来拖动双馈发电机旋转;双馈发电机由1台电压型交-直-交双PWM变流器控制,其定子通过并网接触器连到电网。控制器采用德国dSPACE公司生产的DS 1103,它包括处理器和I/O接口,具有高速计算能力。

为了完成低电压穿越的实验验证,本文采用2台调压器组成了如图2所示的电压跌落发生装置。其中TY1为降压调压器,而TY2为升压调压器,而且TY1和TY2的变比正好相反;K1为常闭开关,K2为常开开关。正常工作时,K1闭合,而K2打开,这样电网电压经过两级调压后还原到初始值,发电机机端电压和电网电压相等。为了产生电压跌落,断开K1,同时闭合K2,这样发电机机端电压将下降到TY1的副边电压。通过改变调压器的变比,可以方便地调节电压跌落的深度。需要注意的是K2闭合之前必须保证K1断开,否则会在TY2中产生环流。而当断开K2,

同时闭合K1后,发电机机端电压将重新恢复到原来的值。

图3是电压跌落下定子磁链的实验波形。从图3中可以看出,当电网电压跌落到67%时,在定子磁链的d轴和q轴分量中产生了频率接近于电网频率的交流分量,这代表定子磁链中含有直流分量。该直流分量是造成电压跌落下双馈发电机出现转子过电流的主要原因。因此,为了抑制电压跌落造成的发电机电磁暂态过程,必须在设计控制器时考虑定子磁链的动态变化量。

图4是电压跌落到67%时转子d,q轴电流的实验波形。从图4中可以看出,在电压跌落时改进的矢量控制方法仍然能够很好地控制转子电流,这是因为在转子电流控制器中加上了由电压跌落引起的定子磁链动态变化量。实验结果表明该方法可以有效抑制电压跌落造成的转子过电流。

图5是电压跌落到67%时转子电流和定子电流的实验波形。从图5中可以看出,尽管电压跌落使定子电流含有直流分量,但采用改进的矢量控制策略后,转子电流仍然能得到有效的控制,其正弦度较好,谐波含量少。这说明改进控制算法后,双馈发电机可以实现低电压穿越。

图6是电压跌落到67%时发电机输出功率的实验波形。

从图6中可以看出,由于定子电压跌落,发电机输出的有功功率也随之下降。而由于定子磁链在电压跌落后降低,尽管无功功率参考值为0,但由式(11)可知,此时发电机实际输出的无功功率将大于0,这和图6中的实验结果是一致的。这说明电网电压跌落时双馈发电机能向电网输出一定的无功功率,这将起到支持电网的作用。并且在电网电压恢复后,发电机能够迅速恢复功率输出。值得注意的是,这种方法的控制效果取决于对定子磁链动态变化的准确补偿,因此对电机参数的准确性要求较高。另外,由于受变流器输出电压能力的限制,该方法只适用于电压跌落不严重的情况。当电压深度跌落时,为了实现低电压穿越,必须增加额外的硬件电路保护风力发电系统。

5 结论

本文提出了一种改进的双馈发电机矢量控制策略,在设计转子电流控制器时加入了表示定子磁链动态变化的前馈补偿项,以补偿电网电压跌落引起的定子磁链变化,从而能在电压跌落不严重的情况下抑制转子中产生的过电流,实现双馈风力发电机的低电压穿越。该方法只是在传统矢量控制策略的基础上增加了由电压跌落引起的定子磁链变化项,实现起来非常方便,而且在电网电压正常时能达到与传统方法同样的控制效果。实验结果验证了该方法的有效性。

摘要：为了减小双馈风力发电系统受电网电压跌落的影响,提出了一种改进的双馈发电机矢量控制方法。该方法在设计转子电流控制器时考虑了定子磁链的动态变化过程,加入了相应的前馈补偿项。实验结果证明,该方法能有效抑制电压跌落下发电机转子的过电流,并且能控制发电机向电网输出一定的无功,从而使双馈风力发电机实现了低电压穿越。

关键词：风力发电,双馈发电机,改进的矢量控制,低电压穿越

参考文献

[1]Morren J,Haan S.Ridethrough of Wind Turbines withDoubly-fed Induction Generator During a Voltage Dip[J].IEEE Trans.Energy Conv.,2005,20(2):435-441.

[2]张兴,张龙云,杨淑英,等.风力发电低电压穿越技术综述[J].电力系统及其自动化学报,2008,20(2):1-8.

[3]Lopez J,Sanchis P,Roboam X,et al.Dynamic Behavior ofthe Doubly Fed Induction Generator During Three-phaseVoltage Dips[J].IEEE Trans.Energy Conv.,2007,22(3):709-717.

[4]He Y,Hu J,Zhao R.Modeling and Control of Wind-tur-bine Used DFIG under Network Fault Conditions[C]∥inConf.Rec.Elec.Mach.Syst.,2005,2:986-991.

改进的矢量控制 篇4

Geoway矢量化的误差分析与质量控制

地图矢量化作为GIS数据输入的主要手段,处于GIS应用流程的`最前端,其矢量化采集精度对整个GIS的数据质量起关键性作用.本文基于大型Geoway矢量化图形生产软件,针对该软件矢量化数据采集过程中的误差来源进行了较为详细的分析,通过重复实验探讨并给出了相应的质量控制方法.

作 者：张小荣  作者单位：中船勘察设计研究院,上海市普陀区,200333 刊 名：江西测绘 英文刊名：JIANGXI CEHUI 年，卷(期)：2009 “”(1) 分类号：P2 关键词：GEOWAY   矢量化   误差分析   质量控制  

改进的矢量控制 篇5

永磁同步电动机功率密度高, 调速范围宽, 响应速度快, 在数控机床、电动汽车、工业机器人等领域得到了广泛应用, 研究高效且可靠的永磁同步电动机调速方案具有重要意义。无速度传感器矢量控制技术成本低、可靠性高, 是永磁同步电动机控制领域的研究热点。

早在1989年, MIT的L.A.Jones就对永磁同步电动机的无传感器控制进行了研究[1]。经过二十多年的发展, 国内外学者现已提出多大十余种有效的无传感器技术。

根据无传感器方法所适用的速度区段, 可大致分为两类:中、高速适用方法与低速 (零速) 适用方法。

中、高速适用方法是由电机的反电动势来获取转子位置信息。主要有以下方法: (1) 开环算法[2]; (2) 状态观测器法[3]; (3) 模型参考自适应法[4]; (4) 虚拟坐标系法[5]; (5) 扩展卡尔曼滤波器法[6]。由于永磁同步电动机在低速运行或静止时, 反电势值很小甚至为零, 无法根据反电势有效地计算出转子位置和转速。

低速适用方法基于电机的凸极效应与定子铁芯的非线性饱和特性。主要有以下方法: (1) 预定位法[7]; (2) 测试矢量励磁法[8]; (3) 测试脉冲励磁查表法[9]; (4) 脉振高频电压 (电流) 矢量注入法[10,11,12]。但在高速区段特别是弱磁调速时, 此类方法限于电压将无法稳定工作。

鉴于上述方法所适用调速范围的限制, 一些学者把高低速方法结合起来并实现两者平滑切换, 从而使无传感器方法能在全速范围内对转子转角和转速实现准确估计。

本文以内嵌式永磁同步电动机为研究对象, 基于MATLAB/Simulink软件平台对基于滑模观测器的无传感器技术做了较深入分析和研究, 并利用实验室硬件平台对基于滑模观测器的永磁同步电动机矢量控制系统进行了实现。本文结论对永磁同步电动机无传感器矢量控制系统的设计与应用具有一定的参考意义。

2 永磁同步电动机的矢量控制

为实现永磁同步电动机矢量控制系统, 常采用速度和电流双闭环的PI控制方案。首先测出电机转子位置和转速, 将实际转速与给定速度作比较, 得到速度误差并经速度PI控制器 (ASR) 得到电流给定值;然后根据电流控制策略, 得到直轴和交轴 (d、q轴) 电流分量给定值;采样得到各相电流值, 依次经Clarke和Park变换得到电流实测值的d、q轴分量, 其中Park变换需要用到测得的转子位置信息, 将电流实测值的d、q轴分量分别与对应给定值作比较, 得到电流误差并经电流PI控制器 (ACR) 得到d、q轴电压给定;d、q轴电压给定经反Park变换得到静止坐标系下的α、β轴分量;然后经SVPWM调制得到各逆变器开关控制信号, 从而实现对永磁同步电动机的控制。本文采用id=0的电流控制策略。永磁同步电动机矢量控制系统框图如图1所示。

2 基于PMSM扩展反电势模型的传统滑模观测器

2.1 IPMSM的扩展反电势模型

由IPMSM的数学模型可以得到

定义λ为扩展反电势 (EEMF) , 并令

则若能实时地对EEMF进行准确估算, 就可以对转子位置实现实时观测。

2.2 基于EEMF模型的传统滑模观测器

由于式 (1) 中含有电流的微分, 为便于应用EEMF模型设计滑模观测器, 将其改写为电流的状态方程形式

由式 (3) 可构造滑模观测器

h为滑模增益。但由于该控制律为开关控制, 使K中含有部分高频分量, 将其经低通滤波 (LPF) 可得到等价控制量

这样, 就得到了基于EEMF的传统滑模观测器, 如图3所示。

3 滑模观测器的改进与无传感器PMSM的启动

3.1 滑模观测器抖振的改进

3.1.1 滑模观测器去抖振方法概述

分析传统滑模观测器的变结构控制原理, 可以发现传统滑模观测器的变结构只是在两种控制结构间来回切换, 这种切换特性导致了滑模观测器抖振的出现。在实际工程应用中, 抖振可能会诱发系统的高频未建模动力学特性, 导致系统器件的损坏。为减弱甚至消除抖振, 国内外学者提出了多种方法, 主要有: (1) 边界层法; (2) 光滑函数法; (3) 趋近律改进法; (4) 高阶滑模控制法; (5) 基于现代控制理论的混合控制法[13,14]。

3.1.1 饱和改进型滑模观测器

饱和改进型滑模观测器属于边界层法, 原理框图如图4所示。搭建基于饱和改进型滑模观测器的永磁同步电动机矢量控制系统模型, 其转速、转角观测结果如图5所示

3.1.2 非奇异终端滑模观测器

非奇异终端滑模观测器 (NTSMO) 基于高阶滑模控制来削弱抖振, 其原理框图如图6所示。

NTSM滑模面S取为

搭建基于非奇异终端滑模观测器的永磁同步电动机矢量控制系统模型, 其转速、转角观测结果如图7所示。由图7可以看出, 与饱和改进型SMO相比, NTSMO消抖效果更好, 但启动时的转速跟踪响应及转角跟踪误差略大.

3.2 无传感器PMSM的自启动

PMSM平稳的自启动是其正常工作的必要保证。无传感器PMSM的自启动一般采用两种方法:一是转子初始位置定位方法, 一是开环启动方法。这里给出一种基于预定位的开环启动方案并进行仿真验证。

开环启动可分为含预定位的速度开环运行和切换至由观测器估算的速度闭环运行两个阶段。其原理框图如图8所示, 启动过程中两阶段的切换也就是图中开关由1端向2端切换的过程。

开环运行状态下的转角给定可由转速给定积分得到, 即

为保证启动不失步, 该转角给定的初始值需满足一定条件, 即转角给定初始位置要落后转子实际位置且在90°电角度内。

当转速达到一定值 (如) 后便可进入第二阶段, 即切换至由观测器估算的速度闭环运行状态。为了使切换平滑, 需采取两项措施:

(1) 为了使转角切换平滑, 须保证切换前后转角尽量相等, 即要求切换时刻转角估算值与开环给定值足够接近。因此可设置切换条件为

δ>0, 为切换临界角, 一般可设为5°。

(2) 在切换发生时, 电流给定并不为零, 但切换至转速闭环后, 转速PI控制器输出值却为零, 为了使电流给定切换平滑, 需要根据切换时的电流给定值设置适当的PI控制器积分初值。

按图8搭建仿真模型, 切换临界角δ=0.1rad。转速及转角仿真波形如图9所示。开闭环切换发生0.226s处, 由图9中的局部放大图可以看出, 转速和转角均无明显切换痕迹, 启动效果良好。从而验证了所给出的开环启动策略的有效性。

4 实验与结果分析

PMSM矢量控制系统的硬件部分主要包括主电路、控制电路、采样电路、驱动和保护电路。实验采用DSP (TMS320F28335) 作为控制核心, 以三相交流电为系统供电, 经不控整流得到直流电源, 以无源的直流电动机作为负载且直流动电机的输出侧接功率电阻, 系统装有增量式光电编码器, 以测得PMSM实际转角和转速来验证观测器的准确性。实验平台硬件主体电路如图10所示。

搭建实验平台, 采用先开环后闭环的多级调试方案, 对基于滑模观测器的PMSM无传感器矢量控制系统进行实验验证。结果如下:

当给定转速为400r/min时, 实测转角与估算转角如图11所示。可以看出, 估算转角对实际转角的跟踪精度较高, 滞后很小, 抖振也较小。

转速由200r/min斜坡升至400r/min的转速波形如图12所示。可以看到转速斜坡给定下, 估算转速能实时跟踪实际转速, 抖振较仿真结果小了很多, 这与实验带负载使电机转动惯量加大及电机本身的滤波特性有关。

5 结论

改进的矢量控制 篇6

关键词：肤色模型,实时手部轮廓跟踪,kalman滤波

0引言

手部姿势是人们日常交际中最常用和最自然的交流工具。在视频帧序列中的手部运动跟踪(包括手部姿势变化)已经成为视频分析应用、计算机视觉、人机互动对话以及远程会议、互动游戏等领域内的首要研究任务。众所周知,手部的动作姿势千变万化,若仅仅局限于手部的区域跟踪,则会丢失所有动作语义信息,而对手部姿势的准确轮廓进行跟踪既不会丢失所要传达的信息,又为下一步的机器识别打下了良好的基础。这就使手部跟踪成为一个研究热点和难点,原因在于手是非刚体,所以在跟踪过程中不能只考虑到其平移,旋转和尺度变化,还要考虑其无规则的形变。这给跟踪和轮廓确定过程带来了很大的困难。

本文提出了一种有效的解决方案:首先,本文以射线矢量法为基础,去除了旋转因子和尺度变化因子的计算,大大减少计算量,达到了实时跟踪的效果,同时又增加了肤色特征信息,保证了该方法的可靠性,并初步得到手的‘中间轮廓’。为了克服射线矢量法的缺陷——射线矢量法无法表示从参考点发出一射线与物体边界的交点大于1的特殊形状(诸如手等形状),本文运用拆分技术与聚合技术的结合对‘中间轮廓’进行再分割,直至达到单帧内的手部轮廓精确分割。最后在相邻帧之间,运用了kalman滤波器对帧间物体的位置进行预测与校正,如此循环直至视频帧结束。

1射线矢量法表示物体轮廓

1.1传统射线矢量法表示物体轮廓[1]

通常,在连续的情况下,以射线矢量函数来描述一个物体的轮廓。射线矢量函数是通过以下几个步骤来描述物体轮廓的:首先选择物体X内部的一个参考点O,通常选择重心或者最小内接圆的圆心,然后选择一条通过参考点的直线L(一般平行于x轴或者y轴),射线矢量函数rx(φ)的函数值为从参考点出发,沿着φ方向的射线与物体轮廓的交点之间的距离,其中0≤φ≤2π,如图1所示。

物体X的射线矢量函数rx(φ)对于平移,尺度变化,旋转等几何变换的性质如下[1]:

1) 具有平移不变性 rx+v(φ)=rx(φ),其中X+v是X平移了v矢量;

2) 依赖于尺度变化 rλx(φ)=λrx(φ),其中λ是缩放因子;

3) 依赖于物体X的方向 rx(φ)=ry(φ-α),其中Y是X旋转α角度后得到的;

4) 具有周期性,且周期是2π 如果X是Y的子集,则:

rx(φ)≤ry(φ)

一般而言,用这种方法表示的物体的形状相对于参考点来说是呈星形发散开的,就是说对于任何一个轮廓点p,从参考点到p的整条线段都要位于物体内部。在这种情况下,射线矢量函数可以完整地表示出物体的轮廓,如图2(a)所示。在给定函数rx(φ)时,可以完整地重建出物体的轮廓。然而,射线矢量函数是无法表示非星形发散形状的物体的,如图2(b)所示。而自然界很多物体的外型都不是呈星形发散的,例如本文所要跟踪的手。为了克服射线法在表示物体轮廓上的这种局限性,本文在此基础上做了改进。

(a)星形发散物体以及射线矢量函数 (b)射线矢量函数法无法表示的形状

1.2改进的射线矢量法

为了保证手部轮廓准确跟踪并且实时跟踪的目的,本文对射线法作了两次改进。首先运用拆分技术和聚合技术对用射线矢量函数表示的‘中间轮廓’进行修正,以保证手部轮廓的正确表示。然后,针对射线矢量函数依赖于尺度和旋转因子的缺陷,我们舍弃了这两个因子的计算,补充了肤色信息,从而大大减少了计算量,达到实时跟踪的目的。

1.2.1 利用拆分技术和聚合技术实现‘中间轮廓’的修正

边界拆分和聚合是多边形近似方法中的有效方法。边界线拆分的一种方法就是将一线段不断地分割为两部分,当满足某一设定的标准,则结束拆分。例如,设L为连接待拆分边界线C两端的一条线段,设定的标准为从边界线到L的最大垂直距离不得超过门限,当不满足这个标准时,则距离此直线的最远点成为一个顶点,这样,将初始的线段再细分为两条子线段L1,L2,然后反复这个过程,直至所有的子线段全部满足设定标准;如果满足设定的标准,则拆分过程就结束。否则,以此方法拆分下去[2]。这种方法在寻找突出的拐点时具有优势。

基于平均误差或其它准则的边界聚合中的一种方法是沿着边界寻找聚合点,直到适合聚合点的最小平方误差线超过一个预先设置的门限,这时就将该点聚合。当这种情况出现时,直线的参量就被存储下来,误差设为0,并且将这一过程重复下去,继续沿着边界线寻找,直到误差再一次超过门限值再聚合新的点。这一过程的最终,相邻线段的交点构成多边形的顶点[2]。该方法的主要困难在于,得到的近似图形的顶点并不总是与原来边界的拐点相一致,因为,新的线段只有超过误差门限的时候才开始画,然而在聚合的同时进行拆分可以缓解这个难点。

本文利用上述两种方法,对射线法所得的错误边界进行纠正,从而,克服了射线法的局限性。用拆分和聚合技术对传统射线法所得的‘中间轮廓’进行修正的具体算法如下:

Step1 按照逆时针方向连接射线法得到的轮廓点(x${}_j^{i+1}$,y${}_j^{i+1}$),用相邻两条线段的斜率差来判断此轮廓点是否为凸点,如果是,则step2;如果不是,则step3。

Step2 按逆时针方向分别处理与其相连的两条线段,沿线段的垂线方向并向凸点的曲率变小的方向搜索轮廓点,若步长λ≤λ0,(λ0为设置的阈值),转到step3;若步长λ>λ0,记下搜索到的新的轮廓点,插入到原轮廓点中间,得到新的轮廓点(x${}_k^{i+1}$,y${}_k^{i+1}$),k=1,2,…,此时,被处理线段被拆分为两条线段。重复step1。

Step3j加1,如果j<n,转为下一个轮廓点,重复Step1;如果不是,则终止,所得到的新的轮廓为(x${}_k^{i+1}$,y${}_k^{i+1}$),k=1,2,…,m,m≥n。

1.2.2 改进的射线矢量法表示物体轮廓

将射线矢量函数离散化来表示物体形状,即从物体内部一参考点出发,等角度地向各个方向发出射线,直至达到物体轮廓为止,得到式(1)所示的形状模型,其中Mi表示i时刻的形状模型,sm${}_j^i$表示i时刻第j个离散射线矢量,j=1,2,…,n,该矢量是从物体重心(x${}_c^i$,y${}_c^i$)指向物体轮廓点(x${}_j^i$,y${}_j^i$)的。设物体有n个离散射线矢量。

Mi=(sm${}_1^i$,sm${}_2^i$,…,sm${}_n^i$) (1)

i时刻物体的重心位置如下:

$x{}_c^i=\frac{1}{n}{\displaystyle \sum _{j=1}^{n}x}{}_j^{i}y{}_c^i=\frac{1}{n}{\displaystyle \sum _{j=1}^{n}y}{}_j^i$ (2)

其中(x${}_j^i$,y${}_j^i$)为i时刻第j个物体轮廓点的坐标位置。

由射线矢量函数的性质可知,射线矢量函数依赖于尺度和物体方向变化,设θi为i时刻物体的方向,fi为i时刻物体的尺度因子,则i时刻物体的方向和尺度因子可如公式(3)、(4)表示。

θi≈κθ κ=1,2,…,n-1 (3)

θ为初始等分的角度。

$f{}_i=\frac{{\displaystyle {\sum }_{j=1}^{n}s}m{}_j^i}{{\displaystyle {\sum }_{j=1}^{n}s}m{}_j^0}$ (4)

可见对于两者的计算量相当大,因此本文对此进行了改进,去除了θi和fi的计算,充分利用手部的肤色信息来避免繁重的计算,实验结果表明,这种方法能达到很好的实时跟踪的效果。

本文采用HSV颜色空间抽取皮肤颜色区域 ,HSV是一种复合主观色彩的颜色模型,更加接近人对颜色的感知。在提取人肤色色彩特性时,主要利用其在某一色彩空间的聚类特性,而聚类特性往往体现在色彩的本质特性上。由于亮度分量只影响物体颜色的明暗程度,色彩特性主要由S(饱和度)和H(色度)分量决定。实践证明,若能将亮度分量从色彩中提取出去,只用反映色彩本质特性的色度、饱和度来进行聚类分析,会获得较好的效果[3]。本文去除OpenCV代码中的亮度分量(V),保留色度和饱和度颜色信息。

以当前帧手部重心作为参考点,以等角度θ0向外发出射线,直到判断像素点不属于肤色信息为止,得到形状模型Mi。这样形状模型就不会依赖于手的旋转和尺度的变化,大大减少了计算量,达到了实时跟踪的效果。

2跟踪算法

为了对视频序列中各种手势的准确跟踪,在相邻帧之间,我们采用了Kalman滤波器对运动物体的位置进行预测和修正。

2.1Kalman滤波器

Kalman滤波器是通过应用一个反馈控制的形式来预测一个过程的:滤波器先估计过程状态然后以含噪测量值的形式进行反馈。因此,kalman滤波器的方程可以分为两个过程:预测过程和修正过程[4] 。预测过程应包括状态预测和误差协方差预测;修正过程包括kalman增益计算以及后面的状态和误差协方差修改。具体方程如下[5]。

状态预测方程

$\widehat{X}{}_{{\rm K}}=\Phi (k,k-1)X{}_{{\rm K}-1}$ (5)

状态修改方程

$X{}_{{\rm K}}=\widehat{X}{}_{{\rm K}}+{\rm K}(k)[y(k)-{\rm H}(k)\widehat{X}{}_{{\rm K}}]$ (6)

协方差预测方程

Pa(k)=Φ(k,k-1)Pa(k-1)Φ(k,k-1)T+Q(k) (7)

Kalman增益

K(k)=Pb(k)HT(k)(H(k)Pb(k)HT(k)+R(k))-1 (8)

协方差修改方程:

Pa(k)=Pb(k)-K(k)H(k)Pb(k) (9)

其中$\widehat{X}{}_{{\rm K}}$为修改前k时刻的状态,XK为修改后k时刻的状态,Φ(k,k-1)为k-1时刻到k时刻的状态转化矩阵,Pa(k-1)为修改以前k-1时刻的误差协方差矩阵,Pb(k)为修改以后k时刻的误差协方差矩阵,Q(k)是过程噪声的协方差矩阵, K(k)为卡尔曼增益,H(k)为观察矩阵,R(k)为测量过程噪声的协方差矩阵,y(k)为k时刻的测量值。

2.2基于Kalman滤波器的运动估计

令k时刻的运动模型Xk为:

XK=(x${}_c^k$,y${}_c^k$,x${}_c^k$-x${}_c^{k-1}$,y${}_c^k$-y${}_c^{k-1}$)T (10)

由于本文实验所采用的视频帧率都为25帧/秒以上,相邻两帧时间间隔较短,目标运动状态变化很小,因此可以看成是匀速运动,系统的状态转换矩阵Φ(k,k-1)可设定为:

$\Phi (k,k-1)=\left[\begin{array}{cccc}1& 0& 1& 0\\ 0& 1& 0& 1\\ 0& 0& 1& 0\\ 0& 0& 0& 1\end{array}\right]$

同时,观察矩阵仅涉及物体的位置,因此设定为:

${\rm H}(k)=\left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 1& 0& 0\end{array}\right]$

相应的初始协方差为:

${\rm P}{}_0=\left[\begin{array}{cccc}100& 0& 0& 0\\ 0& 100& 0& 0\\ 0& 0& 25& 0\\ 0& 0& 0& 0\end{array}\right]$

根据运动模型以及视频帧率的大小,我们可以推得物体偏离当前帧预测的位置误差在x和y方向上均为4个像素,同时速度误差为2个像素每帧。因此状态矢量系统误差协方差矩阵为:

$Q=\left[\begin{array}{cccc}16& 0& 0& 0\\ 0& 16& 0& 0\\ 0& 0& 4& 0\\ 0& 0& 0& 4\end{array}\right]$

测量误差大小假设为x和y方向均为2个像素,因此测量误差协方差矩阵设为:

$R=\left[\begin{array}{cc}4& 0\\ 0& 4\end{array}\right]$

Kalman运动估计步骤:

初始化滤波器 初始位置由第一帧用改进射线法分割得到的重心位置决定。初始速度为0。

状态预测 根据式(5)可得到k时刻修正前的状态矢量$\widehat{X}{}_{{\rm K}}$。式(7)得到k时刻的预测协方差矩阵。

状态修正 以$\widehat{X}{}_{{\rm K}}$的前两个分量为k时刻的手部的重心位置(x${}_c^{k^{\prime }}$,y${}_c^{k^{\prime }}$),重新运用改进射线法得到k 时刻的形状模型,通过式(2)得到当前时刻的重心位置作为测量值用以修正预测值$\widehat{X}{}_{{\rm K}}$,代入式(6)得到XK,即得到k时刻校正后的重心位置 (x${}_c^k$,y${}_c^k$)。重复运用射线矢量法向外搜索得到k时刻的手部轮廓点(x${}_j^k$,y${}_j^k$),j=1,2,…,n。

运用Kalman滤波器对手部总体运动进行跟踪,结合改进射线法对单帧内手进行分割得到手部的精确轮廓,完成了手部轮廓以及手势的实时跟踪。

3实验结果

在pentium III,866MHz,256MB内存,在Windows 2000平台上,用OpenCV作为开发工具,使用未压缩的视频作为测试对象进行实验,帧率为25帧/秒。

如图3所示为本文提出的算法和传统射线矢量法跟踪的效果对比。可以看到,该算法对手势的变换以及手的旋转都能很好地跟踪其轮廓。无论是跟踪的准确性还是轮廓的精准性都要远远优于未作改进前的效果。

a)改进前轮廓跟踪效果(b)本文算法的跟踪效果

如图4所示为复杂背景下手部总体运动的一组序列的跟踪结果,包括手的旋转、平移、缩放以及手形的变化,序列全长441帧。其效果是令人满意的。

4结语

本文改进的射线法能准确地跟踪手的运动和手形的变化,具有很好的鲁棒性和实时性。但该方法对于背景颜色与肤色相近的视频运动目标的分割尚需进一步研究和改进。

参考文献

[1]Volodymyr Kindratenko.Development and application of image analysistechniques for identification and classification of microscopic Particles[EB/OL].http://www.ncsa.uiuc.edu/~kind r/phd/index.pdf.2001-11-6/2006-2-20.

[2]RAFAELC GONZALEZ,RICHARD E WOODS.Digital image process-ing second edition[M].Beijing:Pubishing House of Electronics In-dustry,2002:647-648.

[3]徐艳敏,张星明,刘晓红,苏曙.基于色彩聚类的肤色分割方法研究[J].广州航海高等专科学校学报,2004,12(1):24-25.

[4]GREG WELCH,GARY BISHOP.An introduction to kalman filter[EB/OL].http://www.cs.unc.edu/Welch/media/pdf/kalman_intro.pdf.2001/2006-2-20.

改进的矢量控制 篇7

关键词：建筑物提取,LIDAR数据,GVF模型,融合

一、引言

建筑物是城市区域中最多、最重要的实体, 也是进行城市建设规划、能源需求评估、城市人口统计的重要依据。随着机载激光雷达 (LIDAR) 技术的不断发展和广泛应用, 基于LIDAR数据的建筑物模型重建技术变得越来越有研究价值。LIDAR数据与影像数据有很好的互补性。因此, 利用LIDAR技术获取精确的点云数据与影像数据提供的丰富纹理信息相结合, 对LIDAR数据进行分类、提取, 建立三维城市模型具有重要的现实意义。

近年来, 国内外对LIDAR数据提取建筑物的方法, 主要有以下三大类: (1) 单独利用LIDAR数据提取建筑物; (2) 结合LIDAR数据和多光谱影像提取建筑物; (3) 结合LIDAR数据和其他数据提取建筑物。

G.Priestnal首先利用最近邻域法生成DSM, 然后借助数学形态学原理对DSM进行滤波处理, 剔除掉地物信息, 保留地面信息。但该方法只限于地形比较平坦的平原地区, 在其他地形区域很难得到满意的效果;美国学者Atharthy[2]根据回波原理, 利用L1DAR数据两次反射距离的差异提取建筑物。单独利用LIDAR数据很难精确提取建筑物轮廓。

于是有学者结合LIDAR数据和多光谱影像提取建筑物, 该类方法仅对特定的数据和某些特定的地区适用, 具有一定的局限性。

此外, 有很多学者尝试结合LIDAR数据和其他数据提取建筑物, 该类方法的问题是:目标轮廓的提取效果与所提供的数据质量和精度密切相关;文献中提出一种基于主动轮廓模型 (Snake) 的变分方法, 通过极小化内外部能量函数, 使初始的建筑物轮廓线迭代地收敛到图像梯度最大处。该方法对建筑物形状没有假设, 可以提取比较复杂的形状。但其内部能量函数只描述一般性的图像灰度的连续性和平滑性, 没有专门应对复杂形状建筑物的结构特征, 而且轮廓线在迭代时对图像的局部边缘和噪声都比较敏感, 因而提取的轮廓不够准确。

针对文献模型提取建筑物中存在的问题:对噪声敏感、边缘误检测, 本文提出了一种改进的GVF模型方法。该模型对GVF模型两个方面进行调整:起始种子点的选择和外部能量函数, 在动态轮廓模型中引入高度能量因子和区域的能量因子。通过减小最小化多边形灰度方差和高度方差的方法, 来解决对噪声敏感和边缘不理想问题。具体流程如图1所示。

1. 传统GVF模型

在GVF模型中, 图像能量定义如下:

其中, f (x, y) =-Eext (x, y) ;μ是平衡前后两项反应的系数;ux, uv, vx, , vv分别是u, v对x, y的偏导数;Δ2是Laplacian算子。

在提取建筑物轮廓时, GVF模型主要存在以下问题:

(1) GVF模型对噪声很敏感, 图像中的噪声或辐射变化产生的灰度变化越大, 对轮廓能量函数影响就越大, 在高分辨率图像中问题更明显。

(2) 由于轮廓点临近复杂结构的建筑物, 这样容易造成误检。

二、改进的GVF模型

为了解决上述问题, 本文对GVF模型两个方面进行了调整:起始种子点选择和外部能量函数。

1. 起始种子点选择

如图2所示, 首先, 我们根据不规则三角网 (TIN) 滤波原理把LIDAR数据进行滤波处理, 这样就可获取数字高程模型 (DEM) , 其中中不包含非地面物体。由于树木和建筑物都高于地面, 我们可以通过使用植被指数 (green-red) / (green+red) 把建筑物从树木中分离出来, 这样就可以把树木从DEM中去除;同时, 利用插值的方法产生规则格网数字表面模型 (DSM) , 其中包含了地面物体;其次, 用原始的数字表面模型 (DSM) 减去数字高程模型 (DEM) , 这样就可以得到归一化的数字表面模型 (NDSM) , 此时DSM数据已去除了树木;最后, 通过Canny边缘检测算子来检测DSM中的边缘。在这里我们把距离小于两个像素的边缘连接起来, 通过连接提取线段产生群, 并把它们作为起始种子。

2. 外部能量函数调整

对于噪声敏感的问题, 我们可以引入两个新能量来解决;对于边缘误检测的问题, 我们可以设置边缘长度阈值, 把小于边缘阈值的边缘去除。这样新模型的起始轮廓就不包括来自其它物体或噪声的短边缘, 更加接近真实物体的轮廓了。

我们通过减小最小化多边形灰度方差和高度方差的方法, 来解决对噪声敏感和边缘不理想问题。多边形与物体的密度方差数值越小, 动态轮廓就越接近真实物体的轮廓。因此, 我们在密度方差和高度方差的技术上, 引入两个新能量:区域方差能量 (RVE) 、高度方差能量 (AVE) , 用它来计算灰度的方差, 并把它加入整个能量中。

例如当前迭代的初始轮廓中有一个点i, 下一步迭代过程时就搜索i的临近区域, 与其它邻近区域相比, 如果产生的区域最小, 那么就把它作为新的点i´, 这样的轮廓可看作基础区域。封闭区域的密度方差作为RVE。在LIDAR数据中, 这些方法也适用。把高度方差作为AVE。RVE和AVE的计算如下:

其中, mi是轮廓密度均值;mh是轮廓高度均值;相应的xi是第i点的密度均值;hi是第i点的高度均值;n是轮廓像素点的像素个数。

综上, 新的能量函数如下:

Esnake=α×Ecort+β×Ecurve+γ×EGVF+μ×ERVE+ε×EAVE

其中, α、β、γ、μ和ε是权重系数, 用户可以根据自己的需求来调整。经过大量权重系数实验, 我们设定α=β=γ=2, μ=ε=1。一系列的动态轮廓点经过初始化, 就形成了第一个圈。在每一个圈, 每个动态轮廓点逐步向临近的区域移动, 并且计算能量, 把能量最小点选作新的位置。遍历动态轮廓点, 当动态轮廓点固定或经过一定次数选代时停止。

三、实验结果与实验分析

为了验证本文方法对高分辨率遥感图像中建筑物目标提取的有效性, 本文采用两幅典型的图像进行了实验, 其中第一幅图场景较简单, 第二幅图场景较复杂, 实验数据分别是IKONOS、Quick Bird卫星所拍摄的高分辨率城区图像, 其中第一副图 (分辨率0.45m) 如图2 (a) 所示, 第二副图 (分辨率0.62m) 如图3 (a) 所示, 算法用MATLAB编程实现。

图2 (a) 、图3 (a) 为测试图像的原始图, 图2 (b) 、图3 (b) 为LIDAR图像。在我们的研究中, 从LIDAR中提取点产生DSM。DSM提供了高于地面的物体, 例如:建筑物和树木等。紧接着, 采用图像先前得到的NDVI, 用它来区分建筑物与树木, 并把植被区域去除。我们假定建筑物的高度大于3m, 因此在NDSM中把3m作为阈值, 从地域表面分离出高于地面的物体。图2 (c) 、图3 (c) 为去除树木和矮小建筑物的图像。如图2 (d) 、图3 (d) 所示, 提取了建筑物破碎边缘, 其中大部分建筑物边缘都被正确提取。

图2 (a) 原始图; (b) LIDAR图像; (c) 去除树木矮小建筑物后的图像; (d) 提取的感兴趣区域边缘。

图3 (a) 原始图; (b) LIDAR图像; (c) 去除树木矮小建筑物后的图像; (d) 提取的感兴趣区域边缘。

如图4所示, 这里通过两组图, 展现了GVF模型和提出模型提取建筑物的效果。通过比较我们可以发现:第一组图中, GVF模型提取效果受噪声干扰影响较大, 容易出现边缘检误测 (如图4 (a) 中黑色圆圈所示) ;第二组图中, GVF模型提取效果较差, 存在建筑物相互粘连的现象 (如图4 (c) 中黑色圆圈所示) , 而本文提出的模型可以有效的克服噪声干扰, 而且在细节上更接近真实轮廓。

实验结果表明, 在提取建筑物轮廓的细节上, 提取的建筑物轮廓点与真实结构非常接近。大部分由噪声产生的尖角和边缘被排除, 保留了建筑物的主要结构和特征。初始种子点的选择方法表现出良好的效果, 而且完全自动化。当起始轮廓与真实建筑物边缘并不靠近时, 这个算法仍然表现不错。我们可以看到更多的细节, 而且可以减少照射造成的干扰。

实验中有的建筑物漏提取 (如图4 (d) 中黑色圆圈所示) 或错误提取 (如图4 (b) 中黑色圆圈所示) , 这是因为: (1) 在稠密的城市高分辨率航拍图像中, 有的建筑物太小, 很难从大量的细碎信息中提取出来。 (2) 由于复杂结构的建筑物和阴影相互重叠的干扰, 很大程度上影响了图像密度的连续性和地物的光谱, 这是以后需要改进的地方。

四、精度评价

从定量的角度, 利用传统的基于光谱特征的评价标准, 分别对GVF模型和提出模型的提取结果进行形状精度评价。

其中, A是地面建筑物真实值;B是提取建筑物真实值。

这里没有考虑错误提取和遗漏提取, GVF模型和提出模型提取建筑物的形状精度评价如表1-1所示。

实验结果表明, 本文提取方法平均检测率可以达到89%, 超过了由Mc Keown提出的50%。

五、结论

本文在GVF模型的基础上改进了建筑物轮廓提取的方法, 新的模型在GVF模型中引入了两个新的能量, 它可用于高分辨率的影像中。本文的方法不需要大量的人工辅助, 完全自动化, 对于噪声图像很有效, 可稳定的逼近真实建筑物轮廓。实验结果表明, 新的模型能够运用于复杂建筑物结构的城市场景中。对于有的建筑物漏提取, 建筑物边缘和背景边缘相互重叠的干扰的问题, 这将是我们下一步需要研究的工作。

参考文献

[1]Priestnal G, Jaafar J.Extraction urban features from LIDAR digital surface models.[J].Computers, Environment and Urban Systems, 2000

[2]Abdullatif Atharthy, James Bethel.Heuristic Filtering and 3D Feature Extraction from LIDAR Data[A].In:ISPRS, 2002

[3]Khoshelham, K.Building extraction from multiple data sources:a data fusion framework for reconstruction of generic models[J].IAPRS, 2004

[4]Rottensteiner F.and C.Briese.A new method for building extraction in urban areas from high resolution LIDAR data[J].IAPRS, 2002

[5]Martin Huber, Wolfgang Schickler, Stefan Hinz, Al-bert Baumgartner.Fusion of LIDAR data and aerial imagery for automatic reconstruction of building surfaces[A].In:May 2003 2nd Joint Workshop on Remote Sensing and Data Fusion over Urban Areas[C], Berlin, Germany.

[6]Sohn G, Extraction of buildings from high-resolution satellite data and LIDAR[J].IAPRS, 2004

[7]尤红建、苏林、李树楷.利用机载三维成像仪的DSM数据自动提取建筑物[J].武汉大学学报, 信息科学版, 2002

[8]张小红.机载激光扫描测高数据滤波及地物提取[D].武汉:武汉大学, 2002

[9]GuoTao.City Modeling Using High-resolution Satellite Image and Airborne Laser Scanning[D].东京大学, 2003

[10]Vosselman G and Sander Dijkman.3D building model reconstruction from point cloud and ground plan[J].International archives of photogrammetry and remote sensing, 2001

改进的矢量控制 篇8

异步电机运行时极易受温度、磁饱和以及运行的频率的影响,定、转子电阻受温度变化而变化使得磁链计算与实际存在偏差。同时,导致了转矩和磁链的稳态误差和瞬态振荡[2]。由于滑模控制器设计时与参数及扰动无关,这就使得滑模控制具有快速响应、对参数变化及扰动不灵敏[3]。因此,提出一种基于转子磁链滑模控制器的异步电机矢量控制方案,通过这个摆脱磁链调节对电机参数的依赖,提高异步电机的转矩和转速动静态性能。

1 异步电机数学模型

异步电机在系统中实现MT同步坐标,转子磁场定向是将M轴与转子磁场方向重合[4,5],在转子磁场定向矢量控制下,,可得按转子磁场定向的电压基本方程式为:

M-T同步坐标系的磁链方程为:

利用上式对定子电压解耦得

可知通过usT、us M分别控制is T、is M,必须加上电压补偿量us Tc、us Mc。

上述公式字母含义:p积分因子,Ls定子电感,Lm互感,Lr转子电感,Rs定子电阻,Rr转子电阻,ωs定子角速度,ωr转子角速度,ωsl转差角速度,Tr= LrRr转子时间常数,Ts= LsRs定子时间常数,漏感系数。

2 滑模控制器的设计

2.1 滑模控制原理

滑模控制(Sliding Mode Control,SMC)是一种变结构的控制策略。这种控制策略与常规控制的根本区别在于控制的不连续,即一种使系统“结构”随时间变化的开关特性。该控制特性可以迫使系统在一定特性下沿规定的状态轨迹做小幅度、高频率的上下运动,即所谓的滑动模态或“滑模”运动。这种滑动模态是可以设计,且与系统的参数及扰动无关。这样,处于滑模运动的系统就具有很好的鲁棒性[6]。

2.2 滑模控制器的设计

由式(3)可知磁通调节器传递函数为

ψr M用è代替可简化为

设计滑模函数为

c满足Hurwitzt条件,及c >0 。跟踪误差:

è*为指定磁链信号, è 为转子磁链信号。

定理1.在磁通调节器(7)下,系统(8)稳定。

证明:构造如下lyapunov函数:

为了使该系统具有很好的鲁棒性采用指数趋近律设计,则有

根据lyapunov稳定性理论知, 为了保证,设计滑模控制率为

3 控制系统及仿真结果

图1 所示为异步电机矢量控制系统框图,控制系统主要包括:转矩调节器、转速调节器、磁链调节器、矢量逆变器、电压补偿和磁链、转矩和空间角度计算模块。

为了验证滑模控制器对异步电机性能的改善,建立了MATLAB/Simulink仿真模型,仿真参数见表1。

通过突变负载模拟外界干扰分别对SMC控制系统与PI控制系统性能的影响:给定转速是90rad/s,初始转矩是0 N.m,在0.4s时突加300N.m, 在0.65s减为负100N.m,在0.8s时增加150N.m,仿真结果见图3。由图3 可知,转矩在0.02就趋近稳定,矢量控制具有较好动、静态性能。在0.8s时,PI控制系统的转矩有明显的波动;而SMC控制系统转矩几乎保持恒定,说明具有良好的鲁棒性。故仿真结果验证SMC控制系统对外部干扰表现出较好的鲁棒性和抗干扰能力,能提高异步电机的转矩动静态性能。

通过改变电机参数值模拟内部参数变化分别对SMC控制系统与PI控制系统性能的影响:增加转动惯性和定子电阻到原值200%,转子电阻到原值120%,他条件不变,仿真结果如图4 和图5。由图4 知,SMC控制系统角速度波形更接近给定角速度、超调量小。由图5 可知:PI控制系统明显发生震荡,而SMC比较稳定。故仿真结果验证SMC控制系统对电机内部参数变化表现出较好的鲁棒性和抗干扰能力,能提高异步电机的转矩和转速动静态性能。

4 结论

基于空间矢量调制的直接转矩控制 篇9

直接转矩控制(Direct Torque Control, DTC)因其系统结构简单、转矩响应速度快得到了较大的发展[1,2] 。DTC采用磁链和转矩的双滞环控制,有效电压矢量在每个采样周期中仅作用一个,既要满足转矩调节,又要兼顾磁链,从而导致不能达到最佳调制效果。参考文献[1]指出滞环控制下电压矢量的选取无法满足转矩和磁链的双重要求,从而导致系统出现较大的磁链、转矩脉动。为了解决该问题,出现了多种改进技术,其中一种有效的方法是采用空间矢量调制(Space Vector Modulation, SVM)技术[3,4] 。基于空间矢量脉宽调制的(Space Vector Pluse Width Modulation, SVPWM)合成电压矢量就是在一个采样周期内,相邻有效电压矢量和零矢量可以合成得到任意大小和方向的电压矢量,该矢量能有效地补偿当前磁链和转矩的误差,因而在一定程度上可以有效减小转矩脉动。本文在分析SVM-DTC原理、SVPWM合成方法基础上,建立了SVM-DTC仿真模型,并与传统DTC系统仿真进行比较验证,结果表明,SVM可提高DTC系统动态性能,有效减小转矩和磁链脉动。

1 SVM-DTC控制策略

传统DTC中有6种工作电压矢量,在一个采样周期内,只作用一个工作电压矢量,其不能完全补偿转矩和磁链误差。

1.1 SVM原理

SVM技术就是用这6个基本工作电压矢量和2个零电压矢量分别作用相应的时间,来合成目标电压矢量,目标电压矢量是根据磁链和转矩误差计算得到的。设Uout为合成的目标电压矢量,在某一时刻,其旋转到某一扇区中,组成该扇区的2个工作电压矢量分别为Ux、Ux+60,由Ux、Ux+60和零矢量分别作用T1、T2和T0时间合成得到任意大小和方向的电压矢量Uout,完全准确地补偿当前磁链误差和转矩误差,空间电压矢量调制原理如图1所示。按平行四边形法则,Uout可表示为

${\rm T}\mathit{U}{}_{\text{o}\text{u}\text{t}}={\rm T}{}_2\mathit{U}{}_{x+60}+{\rm T}{}_1\mathit{U}{}_x$

假定合成电压矢量落在第一扇区,如图2所示。

Uout位于基本空间矢量U0、U60所包围的扇区中,Uout的α,β轴分量用Uα和Uβ表示,则有如下等式:

$\begin{array}{l}\{\begin{array}{l}{\rm T}={\rm T}{}_0+{\rm T}{}_1+{\rm T}{}_2\\ \mathit{U}{}_{\text{o}\text{u}\text{t}}=\frac{{\rm T}{}_2}{{\rm T}}\mathit{U}{}_{60}+\frac{{\rm T}{}_1}{{\rm T}}\mathit{U}{}_0\end{array}(1)\\ \{\begin{array}{l}\mathit{U}{}_{\beta }=\frac{{\rm T}{}_1}{{\rm T}}|\mathit{U}{}_{60}|\sin (\text{π}/3)\\ \mathit{U}{}_{\alpha }=\frac{{\rm T}{}_1}{{\rm T}}|\mathit{U}{}_0|+\frac{\mathit{U}{}_{\beta }}{\tan (\text{π}/3)}\end{array}(2)\end{array}$

由于$|\mathit{U}{}_0|=|\mathit{U}{}_{60}|=\frac{2}{3}|\mathit{U}{}_{\text{d}\text{c}}|$,可得合成Uout的2个电压矢量Ux、Ux+60持续的时间为

$\{\begin{array}{l}{\rm T}{}_1=\frac{3{\rm T}}{2U{}_{\text{d}\text{c}}}\mathit{U}{}_{\alpha }-\frac{\sqrt{3}{\rm T}}{2U{}_{\text{d}\text{c}}}\mathit{U}{}_{\beta }\\ {\rm T}{}_2=\frac{\sqrt{3}{\rm T}}{\mathit{U}{}_{\text{d}\text{c}}}\mathit{U}{}_{\beta }\\ {\rm T}{}_0={\rm T}-{\rm T}{}_1-{\rm T}{}_2\end{array}(3)$

同理,可得Uout在每一个扇区时,Ux,Ux+60开通持续作用时间。

将T1,T2采用对称规则采样技术进行矢量的细分,对称规则采样技术如图3[12]所示,将Ux平分于Ux+60两旁,并插入零矢量,以使切换次数最少,得到对称的波形,如图4所示,一个开关周期内,电压矢量作用的次序和时间为U0→Ux→Ux+60→U7→Ux+60→Ux→U0;$\frac{1}{4}{\rm T}{}_0\to \frac{1}{2}{\rm T}{}_1\to \frac{1}{2}{\rm T}{}_2\to \frac{1}{2}{\rm T}{}_0\to \frac{1}{2}{\rm T}{}_2\to \frac{1}{2}{\rm T}{}_1\to \frac{1}{4}{\rm T}{}_0$。

由此可知,在一个调制周期内,每个开关均需要开通和关断一次,以实现逆变器的开关频率恒定。在不同扇区的SVM波形如图5所示。

1.2 转矩、磁链PI控制器

在SVPWM中,参考电压矢量的求取是SVM的关键。为了消除传统DTC系统的脉动,利用PI实现系统的空间矢量补偿,取代滞环环节,消除滞环特性,并有效地减小脉动。根据检测到的定子电流、电压信号,经观测器计算可得到磁链位置角θ、定子磁链Ψs和电磁转矩Te。Ψs,Te与给定值Ψ*s,T*e之差经磁链PI调节器、转矩PI调节器输出参考电压矢量在旋转坐标系的投影Ud,Uq;而后由Park变换,将其变换到静止坐标系下,得到电压矢量Uref。以Uref作为输入,经SVM得到开关控制PWM信号。SVM-DTC控制系统原理如图6所示,该方法称为基于SVPWM的直接转矩控制SVM-DTC。在图6中,SVM单元和参考电压矢量Uref估计器替代了传统DTC中的开关表和滞环比较器。

1.3 电压矢量的确定

定子磁链幅值误差、转矩误差分别经PI控制器,得到了参考电压向量在旋转坐标系下的2个分量Ud,Uq:

$\{\begin{array}{l}U{}_d=\left({\rm K}{}_{\text{Ρ}\Psi }+\frac{{\rm K}{}_{\text{Ι}\Psi }}{s}\right)(\Psi {}_{\text{s}}-\Psi {}_{\text{s}})\\ U{}_q=\left({\rm K}{}_{\text{Ρ}\text{m}}+\frac{{\rm K}{}_{\text{Ι}\text{m}}}{s}\right)({\rm T}{}_{\text{e}}^{*}-{\rm T}{}_{\text{e}}^{*})\end{array}(4)$

Ud,Uq可以独立地控制定子磁链和转矩,其经Park变换,即可得到调制所需的电压向量Uα,Uβ。

$\left[\begin{array}{c}\mathit{U}{}_{\alpha }\\ \mathit{U}{}_{\beta }\end{array}\right]=\left[\begin{array}{cc}\cos \theta & -\sin \theta \\ \sin \theta & \cos \theta \end{array}\right]\left[\begin{array}{c}U{}_d\\ U{}_q\end{array}\right](5)$

而后计算得到参考电压矢量幅值$U{}_{\text{r}\text{e}\text{f}}‚U{}_{\text{r}\text{e}\text{f}}=\sqrt{(\mathit{U}{}_{\alpha }){}^2+(\mathit{U}{}_{\beta }){}^2}$。

2 SVM-DTC仿真模型的构建

根据上述原理,在Matlab/Simulink下,根据图6搭建基于SVM-DTC的异步电动机直接转矩控制方案相应的控制系统并进行了仿真实验。控制部分共分为6个模块:磁链转矩估算模块、PI速度控制器、磁链PI控制器、转矩PI控制器、参考电压矢量和SVM。

将测量所得的三相abc坐标系下的定子线电流变换到两相静止dq坐标系下:

$\{\begin{array}{l}i{}_{\text{s}d}=i{}_{\text{s}a}\\ i{}_{\text{s}q}=\frac{1}{\sqrt{3}}(i{}_{\text{s}a}+2i{}_{\text{s}b})\end{array}(6)$

定子电压由直流母线电压Udc和输出的3个PWM电压开关状态(Sa,Sb,Sc)得到:

$\{\begin{array}{l}U{}_{\text{s}d}=\frac{1}{3}U{}_{\text{d}\text{c}}(2S{}_a-S{}_b-S{}_c)\\ U{}_{\text{s}q}=\frac{1}{\sqrt{3}}U{}_{\text{d}\text{c}}(S{}_b-S{}_c)\end{array}(7)$

3 仿真结果分析

电动机模型主要参数[13,14,15]:功率P=149 kW,电压U=460 V,频率f=50 Hz,极对数p=2,定子电阻Rs=0.014 85 Ω,转子电阻Rr=0.009 295 Ω,定子电感Ls=0.320 7 mH,转子电感Ls=0.320 7 mH,定、转子互感Lm=10.46 mH,转动惯量J=3.1 kg·m2。

转速PI调节器参数:KP=30,KI=200;磁链PI调节器参数:KPΨ=250,KIΨ=4 000;转矩PI调节器参数:KPT=1.5,KIT=100。电动机给定转速n*=500 rad/s,空载启动,转速达到稳定稳定值后,在t=0.5 s时输入负载750 N·m,得到在传统DTC仿真和SVM-DTC仿真下的定子磁链轨迹、电流、转速、转矩变化波形,如图7、图8所示。

由图7和图8仿真结果对比可得,系统在0.5 s达到给定转速。在启动或突加负载时,SVM-DTC系统相对于传统DTC系统,磁链轨迹更接近于圆形;转矩脉动更小,稳态时,转矩脉动范围小于±10 N·m;互差120°相位角的三相定子电流为正弦波形,在启动过程中电流波动很大,但快速达到稳定;转矩、磁链和电流的脉动较传统系统大大减小。

4 结语

在传统的直接转矩DTC控制的基础上,基于SVM-DTC控制策略,采用磁链、转矩PI控制器、SVPWM分别代替滞环比较器、电压矢量开关表以补偿磁链误差和转矩误差,达到了消除滞环脉动的效果。仿真结果表明,SVM系统相对于传统DTC系统,磁链轨迹更接近圆形,转矩、磁链和电流响应脉动更小,系统性能得到改善。