找到 1 条结果
通过基于卡尔曼滤波的超局部模型补偿感应电机无模型预测控制中的测量误差
Compensating the Measurement Error in Model-Free Predictive Control of Induction Motor via Kalman Filter-Based Ultra-Local Model
S. Alireza Davari · Shirin Azadi · Freddy Flores-Bahamonde · Fengxinag Wang 等6人 · IEEE Transactions on Power Electronics · 2024年12月
本文针对模型预测控制中预测模型精度与鲁棒性的挑战，提出了一种基于卡尔曼滤波（KF）的超局部模型优化方法。该方法通过卡尔曼滤波作为状态观测器，有效补偿了无模型预测控制（MFPC）中因测量误差导致的精度下降，提升了感应电机控制系统的动态性能与鲁棒性。
解读: 该研究提出的基于卡尔曼滤波的超局部模型预测控制算法，在电机驱动控制领域具有通用性。对于阳光电源而言，该技术可深度优化风电变流器及电动汽车充电桩中的电机控制算法，提升系统在复杂工况下的动态响应速度与抗干扰能力。建议研发团队关注该算法在降低传感器依赖、提升控制精度方面的潜力，并探索其在阳光电源高性能变流...