← 返回
基于边缘计算辅助安全强化学习的永磁同步电机有限集直接转矩控制
Finite-Set Direct Torque Control via Edge-Computing-Assisted Safe Reinforcement Learning for a Permanent-Magnet Synchronous Motor
| 作者 | Maximilian Schenke · Barnabas Haucke-Korber · Oliver Wallscheid |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2023年11月 |
| 技术分类 | 控制与算法 |
| 技术标签 | 强化学习 机器学习 电动汽车驱动 |
| 相关度评分 | ★★★ 3.0 / 5.0 |
| 关键词 | 强化学习 直接转矩控制 永磁同步电机 边缘计算 安全强化学习 驱动控制 数据驱动控制 |
语言:
中文摘要
基于强化学习(RL)的驱动控制技术实现了数据驱动训练阶段的全局优化。然而,由于训练过程中的安全性挑战,其实际应用受限。本文提出了一种边缘计算辅助的安全强化学习方法,用于永磁同步电机的有限集直接转矩控制,在无需先验模型的情况下实现了高效驱动控制,并解决了实时训练中的安全约束问题。
English Abstract
Advances in the field of reinforcement learning (RL)-based drive control allow formulation of holistic optimization goals for the data-driven training phase. The resulting controllers feature efficient drive operation without the necessity of an a priori known plant model but, so far, conduction of the corresponding training phase in real-world drive systems has been applied only sparsely due to s...
S
SunView 深度解读
该技术主要针对电机驱动控制,与阳光电源的电动汽车充电桩及风电变流器业务具有技术关联性。通过边缘计算辅助强化学习,可提升变流器在复杂工况下的动态响应能力和控制精度,减少对精确数学模型的依赖。建议研发团队关注该算法在风电变流器转矩控制及充电桩功率模块动态优化中的应用,以提升系统鲁棒性。虽然目前核心业务侧重于光储逆变,但该算法框架在提升电力电子变换器智能化控制水平方面具有前瞻性参考价值。