江明 張持健 尤慶伸

【摘要】異步電機在輕載時效率明顯下降，鑒于原有效率優(yōu)化方式發(fā)展存在瓶頸，本文分別從神經(jīng)網(wǎng)絡(luò)控制、模糊控制和遺傳算法角度總結(jié)敘述了異步電機效率智能優(yōu)化方式，指出智能控制優(yōu)化方式今后發(fā)展方向。

【關(guān)鍵詞】異步電機;效率優(yōu)化;智能控制

1.引言

正如近些年來研究的那樣，電機效率優(yōu)化問題突出而又實際意義明顯：一方面能有效地減少系統(tǒng)開銷，延長電機乃至機械的工作時間;另一方面，良好地解決電機效率優(yōu)化問題能有效緩解當前由于化石燃料面臨短缺所帶來的能源危機，避免引起更多的環(huán)境問題。

對于異步電機而言，如果其工作在額定工況下（額定轉(zhuǎn)矩和額定轉(zhuǎn)速），其效率值一般比較高。但是在絕大部分情況下，由于實際情況的需要，電機不會一直工作在額定工況下，就會造成電機效率的急劇下降，特別是在輕載情況下，這主要是由于電機以額定磁通運行引起過度的鐵損造成的。對于一個給定的工作情況，可以通過適當調(diào)整定子勵磁電流（轉(zhuǎn)子磁鏈）水平來降低電機損耗[2]。

2.優(yōu)化原理

異步電機輸出效率可表示為：

Pin、Pout分別表示電機輸入功率、輸出功率，Ploss則是電機的損耗功率。對于工作在一定條件下的電機而言，減小電機損耗功率是提高電機機械效率的唯一途徑。研究表明，電機的損耗主要由四部分組成，分別是①機械損耗②雜散損耗③定轉(zhuǎn)子銅損④定轉(zhuǎn)子鐵損，大部分提升電機效率研究都是從減小后兩種損耗入手，尋求保證電機系統(tǒng)可靠運行時的最小電流或最小磁通[1]。

異步電機效率優(yōu)化方式可分為如下三種[2]：

（1）損耗模型控制（Loss Model Controller， LMC）

該方法首先根據(jù)異步電機運行時參數(shù)，建立起電機損耗模型，然后采用數(shù)學方法計算出電機工作時最優(yōu)勵磁電流或者最優(yōu)磁通。該方法控制速度快;但其模型建立精度要求高，對系統(tǒng)參數(shù)變化敏感，計算量大。

（2）搜索控制（Search Controller， SC）

該方法不依賴電機運行參數(shù)，在保證輸出功率不變的前提下，通過搜索方式降低輸入功率，能維持輸出功率為期望值的最小輸入功率控制即為最優(yōu)控制方式。該方法對系統(tǒng)參數(shù)變化不敏感，控制方式泛化性好，但存在收斂過慢，搜索步長難于確定的問題。

（3）混合效率搜索方法。該方法即綜合前兩種優(yōu)化方式。

3.智能效率優(yōu)化方法

智能控制方式主要包括有神經(jīng)網(wǎng)絡(luò)控制、模糊控制、遺傳算法，在近年來已同上述三種電機效率優(yōu)化方法進行了結(jié)合，都取得不錯優(yōu)化效果。

3.1 基于神經(jīng)網(wǎng)絡(luò)控制的效率優(yōu)化方法

神經(jīng)網(wǎng)絡(luò)控制理論最早于1943年提出，從機理上對人腦生理系統(tǒng)進行結(jié)構(gòu)模擬的一種控制方式，具有并行處理、模式識別、聯(lián)想記憶和自學習的特點，能夠逼近任意復雜非線性系統(tǒng)，能夠?qū)W習與適應(yīng)不確定系統(tǒng)的動態(tài)特性，有很強的魯棒性和容錯性。

基于神經(jīng)網(wǎng)絡(luò)控制的效率優(yōu)化方法最早由Bogdan和Juan提出[3]，于2002年采用一個4層2-5-7-1神經(jīng)網(wǎng)絡(luò)來對系統(tǒng)進行控制，輸入轉(zhuǎn)子轉(zhuǎn)速和負載轉(zhuǎn)矩，輸出最優(yōu)磁通，系統(tǒng)動態(tài)控制效果良好，效率優(yōu)化效果突出;Abdin和Ghoneem則使用3層BP神經(jīng)網(wǎng)絡(luò);Aguilar和-Eguilaz比較分析提出4-5-1 BP網(wǎng)絡(luò)和3-5-1BP網(wǎng)絡(luò);Zhanyou Wang和胡浩等人分別提出以RBF網(wǎng)絡(luò)為基礎(chǔ)的控制系統(tǒng)。

圖1所示為神經(jīng)網(wǎng)絡(luò)控制效率優(yōu)化方法的典型控制框圖。神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)以異步電機輸出轉(zhuǎn)矩、轉(zhuǎn)速、轉(zhuǎn)子電阻等為輸入層變量，以最優(yōu)磁通或最小電流為輸出層變量。當系統(tǒng)工作在給定輕載工況下，由LMC分析計算得出網(wǎng)絡(luò)所需訓練樣本。在控制中，神經(jīng)網(wǎng)絡(luò)利用已經(jīng)學習的知識對系統(tǒng)實際工作情況進行判斷，針對性的輸出系統(tǒng)最優(yōu)磁通或最小電流，使系統(tǒng)能穩(wěn)定工作在最優(yōu)狀態(tài)[4]。

圖1 神經(jīng)網(wǎng)絡(luò)控制框圖

神經(jīng)網(wǎng)絡(luò)控制方式其訓練樣本取依賴于系統(tǒng)參數(shù)，但在控制過程中則僅利用自身聯(lián)想記憶、糾錯容錯能力進行控制不依賴參數(shù)。相比較于傳統(tǒng)LMC方式，其在控制中計算量減小，有較強容錯能力，對于一定范圍內(nèi)的參數(shù)變化不敏感，優(yōu)化表現(xiàn)有明顯提升。

目前，該方法的研究重心傾向于神經(jīng)網(wǎng)絡(luò)的選取和優(yōu)化上，但就具體神經(jīng)網(wǎng)絡(luò)的選取準則、輸入層和隱層神經(jīng)元個數(shù)、網(wǎng)絡(luò)層數(shù)等問題，業(yè)界還未形成統(tǒng)一認識，這將是該類方法今后研究的重點。

3.2 基于模糊控制的效率優(yōu)化方法

模糊控制最早由Zedeh教授提出，通過模擬人腦的思維方法，對難以建立數(shù)學模型的對象實施的一種控制方式。Sousa 與Bose 等于1995年提出采用模糊控制的電機效率優(yōu)化搜索控制方法。圖2所示為模糊搜索方式框圖，在輕載穩(wěn)態(tài)條件下，檢測變頻器的輸入功率，模糊控制器自適應(yīng)地調(diào)節(jié)電流的勵磁分量，得到控制所需最優(yōu)勵磁電流[5]。

模糊控制效率搜索方式存在搜索時間長、在最小功率點附近振蕩等問題。為解決這些問題，Tony C.Huang等提出多層模糊控制，通過調(diào)整收斂步長的方式加快收斂速度;虞正民，樊立萍等人提出基于混合控制的模糊搜索方法：首先建立電機的損耗模型，根據(jù)工況確定最優(yōu)磁鏈初值，再通過模糊控制器在搜索初值的一定范圍內(nèi)搜索確定最終準確的最優(yōu)磁鏈;謝冬梅提出神經(jīng)網(wǎng)絡(luò)-模糊控制綜合運用的效率優(yōu)化，并用神經(jīng)網(wǎng)絡(luò)代替模糊控制器，該方法在保留模糊控制優(yōu)點的同時還提高運算速度。

模糊控制的優(yōu)勢在于其對復雜系統(tǒng)的簡單化處理，對電機參數(shù)要求不高，對于工作在復雜環(huán)境下、參數(shù)變化明顯的異步電機效率優(yōu)化問題的處理能充分顯示其理論的合理性和泛化性;如何提升控制精度將是模糊控制今后研究在本課題中研究方向。

3.3 基于遺傳算法控制的效率優(yōu)化方法

遺傳算法是在計算機上模擬生命進化論機制發(fā)展起來的學科，基本思想就是將待求解問題轉(zhuǎn)化為由個體組成的演化群體，并借助自然遺傳學的遺傳算子對該群體進行選擇、交叉、變異等操作，產(chǎn)生出代表新的階級的種群。Rouabah和Zidani最早提出使用遺傳算法進行異步電機效率搜索方式優(yōu)化;Waheeda，楊斌、李首光等人提出基于遺傳算法的控制策略，以轉(zhuǎn)差率為控制對象，通過不斷的交叉、變異使轉(zhuǎn)差率下降到期望值，達到效率優(yōu)化的目的。

圖3 遺傳算法控制流程圖

遺傳算法基本優(yōu)化過程如圖3，對負載轉(zhuǎn)矩、轉(zhuǎn)子電流進行編碼作為輸入對象初始群體，在群體中以一定概率隨機選擇個體并對其進行交叉、變異，變異后個體進行考核，如果符合電機損耗變小這一標準則進行效率優(yōu)化，反之則返回進行重新選擇、交叉、變異，最終目標是為了讓電機損耗達到最小[6]。

遺傳算法采用的是全局尋優(yōu)模式，最優(yōu)工作點尋找精確，優(yōu)化效果突出，但其采用編碼方式進行計算，存在計算量大的問題，解決計算問題將是遺傳算法今后研究的重點。

4.結(jié)語

本文介紹了基于智能控制方法的異步電機效率優(yōu)化方式，包括神經(jīng)網(wǎng)絡(luò)控制、模糊控制和遺傳算法，智能控制方式能很好彌補傳統(tǒng)優(yōu)化方式的不足，是對傳統(tǒng)方式的進一步優(yōu)化。本文中所敘述方法絕大部分都處于仿真實驗階段，在今后的研究中，如何利用理論成果應(yīng)用于實踐將是關(guān)鍵;研究采用新型神經(jīng)網(wǎng)絡(luò)模型，如構(gòu)造型FP神經(jīng)網(wǎng)絡(luò)[7]，將會增加本課題解決途徑，同時能利用新型網(wǎng)絡(luò)特點，減小計算量和控制速度;在多種智能控制方式各具優(yōu)點的情況下，將多種控制方式進行組合、借鑒，如遺傳算法與神經(jīng)網(wǎng)絡(luò)結(jié)合，利用神經(jīng)網(wǎng)絡(luò)的計算能力解決遺傳算法計算量大的問題，將會使異步電機效率優(yōu)化研究變得更為簡單，能充分體現(xiàn)智能控制的優(yōu)越性。

參考文獻

[1]張立偉.電動汽車用異步電機系統(tǒng)效率優(yōu)化控制研究[D].北京：中國科學院研究生院，2006.

[2]林顯軍.異步電動機效率優(yōu)化控制策略綜述[J].微電機，2011，44（7）：81-83.

[3]Bogdan Pryymak，Juan M.Moreno-Eguilaz，Juan Peracaula.Neural network based efficiency optimization of an induction motor drive with vector control[A].IECON 02 Industrial Electronics Society， IEEE 2002 28th Annual Conference[C].IEEE，2002：146-151.

[4]張維，馬立新，姚鵬，張智華.異步電機矢量控制系統(tǒng)損耗模型磁通智能優(yōu)化方法及其應(yīng)用[J].電機與控制應(yīng)用，2009，36（9）：22-25.

[5]高梅梅.異步電機適量控制變頻調(diào)速系統(tǒng)效率優(yōu)化控制研究[D].長沙：中南大學，2012.

[6]馬秀娟，劉金鳳，李宏宇，張華強.基于遺傳算法的感應(yīng)電機效率優(yōu)化控制研究[J].微電機，2013，46（10）：36-40.

[7]王倫文，張鈴.構(gòu)造型神經(jīng)網(wǎng)絡(luò)綜述[J].模式識別與人工智能，2008，21（1）：49-55.

作者簡介：江明（1990—），男，碩士研究生，現(xiàn)就讀于安徽師范大學。