基于EMD－EKF的異步電機效率優(yōu)化控制研究

，，

（天津理工大學(xué) 自動化學(xué)院，天津 300384）

1 引言

電能是主要的二次能源，工業(yè)和農(nóng)業(yè)生產(chǎn)中大部分的負荷為異步電動機。在工業(yè)部門中，超過70%的能量由異步電動機轉(zhuǎn)化為機械能。所以，如果使異步電動機在運行時的效率比現(xiàn)在增加1%，其節(jié)能和環(huán)境效益也非?？捎^。異步電動機變頻器控制的效率優(yōu)化可分為建立在損耗模型基礎(chǔ)上的損耗控制，最小輸入功率控制和簡單狀態(tài)變量的類型［1－5］，對一般動態(tài)性能要求不高的恒定頻率比例控制設(shè)備，如泵，壓縮機等采用恒功率因數(shù)控制或盡量減少定子電流控制的簡單狀態(tài)變量控制就可以獲得良好的節(jié)能效果；最小輸入功率控制對檢測精度要求高算法的收斂時間較長，在優(yōu)化過程中存在轉(zhuǎn)矩脈動；如果既對驅(qū)動系統(tǒng)要求較高效率同時又要求響應(yīng)速度快（如電動汽車系統(tǒng)），往往采用損耗模型控制策略，在損耗變頻驅(qū)動系統(tǒng)模型的基礎(chǔ)上，以在線優(yōu)化效率的方法，計算出最佳的磁通為基礎(chǔ)的控制策略，這種方法響應(yīng)速度快，其效率是全局最優(yōu)解［5］，對于這種方法可靠和準確的獲得電機損耗模型和參數(shù)信息是獲得滿意控制性能的重要基礎(chǔ)，然而，由于溫度和電機鐵芯飽和，電機參數(shù)在不同運行條件下變化劇烈；此外，由于現(xiàn)代變頻調(diào)速系統(tǒng)的非正弦電壓產(chǎn)生的諧波勵磁電流及諧波氣隙磁場使轉(zhuǎn)子鐵損增加，也會使參數(shù)發(fā)生變化，影響了效率優(yōu)化的效果，最優(yōu)的磁通是幾個變量的非線性函數(shù)，參數(shù)的變化會使其產(chǎn)生很大的變化。在電機參數(shù)的估計中，擴展卡爾曼濾波（EKF）是一種常用的方法，該方法使用Taylor級數(shù)展開，將非線性濾波問題變?yōu)榫€性濾波問題，但EKF在濾波過程中的假設(shè)噪聲統(tǒng)計特性是已知的，不確定的噪聲統(tǒng)計特性會導(dǎo)致EKF方法得出的均方誤差與真實情況有較大的偏差，有時不能準確地反映狀態(tài)估計的精度。因此，在噪聲信息不明的情況下，采用與真實的噪聲標準差有較大差異的觀測標準差，得出濾波的結(jié)果狀態(tài)并不總是可靠［6］。EMD方法（經(jīng)驗?zāi)Ｊ椒纸夥ǎ┓蛛x信號和噪聲，可以用來估計噪聲信號中的噪聲標準偏差，在觀測噪聲統(tǒng)計特性不明的情況下［7］，可以先選擇觀察間隔，在此區(qū)間中進行經(jīng)驗?zāi)Ｊ椒纸?，分離出高頻率的噪音進而估計觀測噪聲的標準偏差，將此標準偏差作為擴展卡爾曼濾波迭代的觀測標準差，進行在線參數(shù)辨識。基于此種思路，本文將卡爾曼濾波和經(jīng)驗?zāi)Ｊ椒纸饨Y(jié)合可以有效地提高影響損耗模型參數(shù)辨識的精度。

2 效率優(yōu)化模型

異步電機的電磁時間常數(shù)往往遠小于其機械時間常數(shù)［8］，因此，系統(tǒng)的最小損耗可以在穩(wěn)態(tài)條件下分析，考慮電動機銅損和鐵損的總損失模型為［9］

其中

對式（1）求導(dǎo)令其為0就可求得最小損耗對應(yīng)的磁鏈，

將上述磁鏈帶入式（1），可得到電機最優(yōu)效率表達式，

電機效率的最優(yōu)控制取決于電機的參數(shù)，其中電機參數(shù)變化最大的就是轉(zhuǎn)子電阻Rr，此參數(shù)隨時間變化緩慢，受電機運行時的溫度和速度的影響較大，而且很難準確地用數(shù)學(xué)表達式來描述。因此，最好的辦法是在對Rr進行在線估計，考慮到電機的噪聲統(tǒng)計規(guī)律的不確定性，使用EMDEKF的方法對非線性變化的參數(shù)Rr進行在線估計。

3 EMD方法及其分析

EMD是一個信號分解方法由Huang提出的［10］，將信號在不同尺度的趨勢或波動逐級分解，得到具有不同尺度特征數(shù)據(jù)序列，每個序列被稱為本征模態(tài)函數(shù)（IMF），這種分解可以獲得IMF所有的窄帶信號，EMD方法是提取數(shù)據(jù)序列趨勢或平均值的最佳途徑［11］，EMD方法對每個IMF進行Hilbert變換以獲得信號的瞬時頻率，IMF的特點是［7］：零點的數(shù)量和最大值及最小值的數(shù)目相等或最多相差1；最大值及最小值點形成的包絡(luò)線相對時間軸對稱。根據(jù)IMF的特點，信號表達式可以寫為

式中：cj（t）為相應(yīng)的IMF分量；sL（t）為s的殘值信號。

EMD的具體方法是：找到所有與原始數(shù)據(jù)的最大值點和最小值點用插值的辦法得到上下包絡(luò)線，然后，將上下包絡(luò)線取平均值，得到平均包絡(luò)線，減去平均包絡(luò)線后的原始數(shù)據(jù)序列即為去掉高頻信號數(shù)據(jù)序列，可以分離出沒有高頻的新數(shù)據(jù)系列。這樣實際是對IMF信號進行低通濾波，得到的低頻IMF序列即為低頻信號。

4 EMD－EKF方法

EKF實質(zhì)上是一種隨機觀察器，它通過非線性動態(tài)系統(tǒng)的實時遞推來實現(xiàn)最優(yōu)估計。但EKF最大的不足是要求噪聲信號為不相關(guān)的白噪聲，這一點在實際系統(tǒng)中常常不能滿足。

EKF算法過程如下。

設(shè)離散系統(tǒng)的m維系統(tǒng)方程和n維測量方程分別為

離散卡爾曼濾波器的遞推公式如下［12］：

預(yù)測估計方程為

一步預(yù)測估計誤差為

濾波估計方程為

濾波估計誤差方差陣為

濾波增益為

根據(jù)IMF的特點，采用對信號s（t）的經(jīng)驗?zāi)Ｊ椒纸?，具體步驟如下［13］：

1）找到s（t）的所有局部極值點；

2）對極大值點和極小值點，分別建立信號的極大值包絡(luò)線和極小值包絡(luò)線，計為emax（t）和emin（t）；

3）在每個時間tk上，計算上包絡(luò)線和下包絡(luò)線的均值

4）從輸入信號s（tk）中減去均值，得到

檢驗h（tk）是否滿足IMF的2個特點，若滿足則h（tk）應(yīng)為IMF，如不滿足，則用h（tk）代替s（tk），重復(fù)步驟1）～4）直到新得到的均值函數(shù)em（tk）滿足條件：

上述條件滿足時，IMF就是由步驟4）得到的最后一個輸出函數(shù)，計為

找到c1（t）后，定義s1（t）＝s（t）－c1（t）作為新的輸入信號。重復(fù)以上步驟得到相應(yīng)的IMF為c2（t），c3（t），…，cL（t），直到滿足停止條件，分解結(jié)束，得到最后的殘值信號sL（t）。

本文主要是采用EMD方法對未知統(tǒng)計特性的噪聲協(xié)方差進行估計，而不像傳統(tǒng)EKF根據(jù)經(jīng)驗人為確定，這樣大大提高了估計的準確性，從而使控制系統(tǒng)控制精度得到保證。

5 基于EMD－EKF的效率優(yōu)化

轉(zhuǎn)子的最佳磁通是一個與工作參數(shù)相關(guān)的非線性函數(shù)，電機參數(shù)變化，最佳磁通也會發(fā)生變化，其實際控制效果在實踐中難以得到保證，特別是轉(zhuǎn)子電阻，在某些情況下，轉(zhuǎn)子電阻會比標稱值大1倍以上，參數(shù)改變將使運行時轉(zhuǎn)子磁通偏離最優(yōu)值，導(dǎo)致系統(tǒng)運行不是處在效率最優(yōu)狀態(tài)下，甚至可能會增加系統(tǒng)的損耗。為此只能采用參數(shù)在線辨識的根本途徑來解決這個問題，本文采用EMD方法來估算噪聲結(jié)合卡爾曼濾波對時變參數(shù)估計。考慮到在線實時識別的要求，只對緩慢變化的確定磁鏈角所必需的轉(zhuǎn)子電阻進行在線估計，以及其他諸如定子電阻，電感和其他參數(shù)的變化作為噪聲處理，這樣不僅能滿足實時性要求，同時也提高系統(tǒng)的魯棒性。圖1給出了基于EMDEKF的控制系統(tǒng)框圖。

圖1 基于EMD－EKF的效率優(yōu)化框圖Fig.1 Efficiency optimization of the control system based on EMD－EKF block diagram

電機在αβ坐標系下的狀態(tài)方程為［14］

其中

式中：x為狀態(tài)矢量；u為輸入矢量；y為輸出矢量。對方程離散化則可得到轉(zhuǎn)子電阻辨識遞推算法如下：

1）采用EMD方法估計狀態(tài)過程噪聲協(xié)方差陣Qv和狀態(tài)測量噪聲協(xié)方差陣Qn，參數(shù)過程噪聲協(xié)方差陣Qw和參數(shù)測量噪聲協(xié)方差陣Qr；

2）初始化狀態(tài)（0）和狀態(tài)協(xié)方差陣Px（0）和參數(shù)（0）和參數(shù)協(xié)方差陣PRr（0）

3）在每個采樣周期內(nèi)更新參數(shù)濾波方程：

更新狀態(tài)濾波方程：

更新測量狀態(tài)方程：

更新測量參數(shù)濾波方程：

將辨識出的轉(zhuǎn)子電阻Rr帶入到最優(yōu)磁鏈表達式（2）就可以得到最優(yōu)磁鏈進而控制逆變器輸出。

6 仿真和試驗研究

為了驗證本文提出的控制方案正確性與可行性，本文進行了仿真和試驗研究。主要參數(shù)如下：額定功率PN＝5.5kW，定子電阻Rs＝2Ω，定子電感Ls＝0.082H，極對數(shù)np＝2，轉(zhuǎn)動慣量J＝0.05kg·m2，額定轉(zhuǎn)速nN＝1 500r／min。設(shè)dω／dt＝0，因為這些變量相對于電磁參數(shù)變化來說是比較慢的。采樣周期0.2ms。開始時TL＝10N·m，n＝300r／min，在t＝2.5s時階躍到TL＝20N·m，n＝400r／min。電磁轉(zhuǎn)矩定子電流，轉(zhuǎn)子電流和轉(zhuǎn)子電阻辨識如圖2～圖5所示。

從圖2～圖5可以看出，系統(tǒng)能夠很好地跟蹤負載的變化，調(diào)節(jié)時間很短就能夠達到穩(wěn)態(tài)。

圖2 電磁轉(zhuǎn)矩Fig.2 Electromagnetic torque wave

圖3 定子電流Fig.3 Stator current wave

圖4 轉(zhuǎn)子電流Fig.4 Rotor current wave

圖5 轉(zhuǎn)子電阻辨識曲線Fig.5 Rotor resistance identification

本文還進行了效率對比試驗，采用由西門子大功率IGBT SKM400GB176D構(gòu)成的逆變主電路。采用TI數(shù)字信號處理器TMS320F2812及Altera CPLD EPM7128AET100為核心構(gòu)成控制電路，實現(xiàn)EMD－EKF算法。采用光電碼盤來完成速度檢測，電流傳感器CHB－100S，電壓傳感器采用CHV－50P。分別采用EKF和EMD－EKF算法對不同負載轉(zhuǎn)矩進行了效率優(yōu)化對比試驗，試驗結(jié)果對比如圖6所示。

圖6 效率優(yōu)化方案對比圖Fig.6 Efficiency optimation scheme comparison

從試驗結(jié)果可以看出，在負載變化情況下，采用本文提出的優(yōu)化方法總體上看可以顯著地提高系統(tǒng)效率，尤其當負載較輕時效果更為明顯。

7 結(jié)論

本文針對傳統(tǒng)的效率優(yōu)化方法存在的問題，采用EMD方法結(jié)合卡爾曼濾波，有效地利用它們各自的優(yōu)勢，提高估計的精度。然后結(jié)合損耗最小化的效率優(yōu)化方法提出了基于EMD－EKF的異步電機效率優(yōu)化控制方案。在運行中對變化較大參數(shù)進行在線辨識，對控制系統(tǒng)進行優(yōu)化，最后通過仿真試驗驗證了方案的可行性和優(yōu)化算法的有效性。

［1］Ta Cao－Minh，Yoichi Hori.Convergence Improvement of Efficiency－optimization Control of Induction Motor Drives［J］.IEEE Trans.on Industry Applications，2001，37（6）：1746－1753.

［2］Ta Cao－Minh，Chandan Chakraborty，Yoichi Hori.Efficiency Maximization of Induction Motor Drives for Electric Vehicles Based on Actual Measurement of Input Power［C］∥In：The 27th Annual Conference of the IEEE Industrial Electronics Society，2001：1692－1697.

［3］Slobodan N Vukosavic，Levi E.Robust DSP－based Efficiency Optimization of a Variable Speed Induction Motor Drive［J］.IEEE Transactions on Industrial Electronics，2003，50（3）：560－570.

［4］Famouri P，Cathey J J.Loss Minimization Control of an Induction Motor Drive［J］.IEEE Transactions on Industry Applications，1991，27（1）：32－37.

［5］崔納新，張承慧，孫豐濤.矢量控制異步電動機的效率優(yōu)化快速響應(yīng)控制研究［J］.中國電機工程學(xué)報，2005，25（11）：118－123.

［6］SHIML，CRATE.Speed Estimation of an Inducton Motor Drive Using an Optimized Extended Kalman Filter［J］.IEEE Trans.on Industry Electronics，2002，49（1）：124－133.

［7］張坤，芮國勝，張洋.EMD－EKF方法研究［J］.海軍航空工程學(xué)院學(xué)報，2010，25（4）：365－368.

［8］Lorenz R D，Yang S M .Efficiency－optimized Flux Trajectories for Closed－cycle Operation of Field－orientation Induction Machine Drives［J］.IEEE Trans.Ind.Applicat.，1992，28（3）：574－580.

［9］劉陵順，劉衛(wèi)華，田錦昌.考慮鐵損時異步電動機的最佳效率控制［J］.微電機，2001，34（4）：50－53.

［10］Huang N E，Zheng S，Steven R，etal.The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Non－stationary Time Series Analysis［J］.Proc.R.Soc.Lond.A，1998，454（4）：903－995.

［11］鄧擁軍，王偉，錢成春，等.EMD方法及 Hilbert變換中邊界問題的處理［J］.科學(xué)通報，2001，46（3）：257－263.

［12］Joseph J，Lavilola J R.A Comparison of Unscented and Extended Kalman Filtering for Estimating Quaternion Motion［C］∥ The Proceeding of the 2003American Control Conference，2003：2435－2440.

［13］楊世錫，胡勁松，吳昭同，等.旋轉(zhuǎn)機械振動信號基于EMD的希爾伯特變換和小波變換時頻分析比較［J］.中國電機工程學(xué)報，2003，23（6）：119－121.

［14］陳伯時，陳敏遜.交流調(diào)速系統(tǒng)［M］.第2版.北京：機械工業(yè)出版社，2005.

［15］楊耕，陳伯時.交流感應(yīng)電動機無速度傳感器的高動態(tài)性能控制方法綜述［J］.電氣傳動，2001，31（3）：3－8.