← 返回
基于深度学习的长时域模型预测控制：永磁同步电机驱动的高鲁棒性、高性能与计算高效控制
Deep Learning-Based Long-Horizon MPC: Robust, High Performing, and Computationally Efficient Control for PMSM Drives
| 作者 | Mohammad Abu-Ali · Felix Berkel · Maximilian Manderla · Sven Reimann · Ralph Kennel · Mohamed Abdelrahem |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2022年10月 |
| 技术分类 | 控制与算法 |
| 技术标签 | 模型预测控制MPC 深度学习 机器学习 |
| 相关度评分 | ★★★★ 4.0 / 5.0 |
| 关键词 | 模型预测控制 (MPC) 永磁同步电机 (PMSM) 深度学习 转矩跟踪 计算效率 鲁棒控制 连续控制集模型预测控制 (CCS-MPC) |
语言:
中文摘要
本文提出了一种用于永磁同步电机（PMSM）的高效长时域模型预测控制（MPC）方法。文章探讨了电流跟踪增量MPC和转矩跟踪经济MPC两种连续控制集MPC方案，旨在解决模型不确定性下的无静差转矩跟踪问题，并显著降低计算复杂度。
English Abstract
This article presents a computationally efficient and high performing approximate long-horizon model predictive control (MPC) for permanent magnet synchronous motors (PMSMs). Two continuous control set MPC (CCS-MPC) formulations are considered: the classical current tracking delta MPC (Del-MPC) and the torque tracking economic MPC (EMPC). To achieve offset-free torque tracking under model uncertai...
S
SunView 深度解读
该技术对阳光电源的电机驱动类产品（如风电变流器、储能系统中的辅助电机控制及未来可能的工业驱动应用）具有重要参考价值。长时域MPC能显著提升电机动态响应性能，而深度学习的引入有效解决了传统MPC计算量大的痛点，使其更易于在嵌入式DSP/FPGA平台上落地。建议研发团队关注该算法在风电变流器转矩脉动抑制及储能系统高频响应控制中的应用，以提升系统整体的控制精度与运行效率。