无速度传感器的电动汽车电机控制技术研究(4)
在传统的异步电机变频控制系统中，需要实行速度闭环控制来保证系统的运行性能，这就需要相应的速度传感器来进行转速检测[6]。速度传感器的加入使得系统结构变得复杂，其安装成本与文护难度都相对较高[8]，同时也降低了系统的运行可靠性。无速度传感器矢量控制技术的出现为这些问题带来了解决方案。空间矢量脉宽调制技术（SVPWM）的出现和发展，又使得系统控制更加方便。各种技术的发展与成熟使得无速度传感器矢量控制技术的研究越来越深入，这一技术也得到了越来越广泛的应用。
无速度传感器矢量控制技术由一般的矢量控制技术发展而来[9]，经过不断的更新与完善，已成为当今异步电机的主流控制方法。
当前进行转速估计的无速度传感器矢量控制方法主要有这几种：直接计算法、模型参考自适应法、神经网络法、扩展卡尔曼滤波器法等。下面对这几种方法作简单介绍。
直接计算法：直接计算法顾名思义其算法直接明了，整个过程直观简单，计算量也很小。这种算法根据电机的数学模型和其电磁方程之间的关系，得到电机的转差信号，再与已知量进行直接计算就能的难道电机转速。直接算法采用开环控制，因此转速估计的精度并不高，且容易受电机参数影变化响，当电机转速较低时，系统性能就会变的很差。
模型参考自适应法：这种方法利用两个不同的模型来进行转速估计，将含有转速信息的模型作为可调模型，不含转速信息的模型作为参考模型，利用两个模型具有相同的输出求出其输出误差，再根据合理的自适应律对可调模型进行反馈调节。该系统为转速的闭环控制系统，因此转速估计的精度较高，系统性能优良。该方法的缺点就是可调模型中含有纯积分环节，因此会产生积分漂移，当电机转速较低时系统受影响尤其明显。
神经网络法：神经网络法即模仿人类神经元有机相连的模型，对模型进行编程，使其能模拟人类的思文方式，并完成转速估计、磁链计算等任务。神经网络法的智能化程度很高，但整个过程太复杂，而且让程序学习人类的思文方式显然是一个漫长的过程。这种方法是未来电机系统控制的一大研究方向，智能化的研究是科学发展的趋势，但这种技术目前并不是主流的应用算法。
扩展卡尔曼滤波器法：这种方法由早期的卡尔曼滤波器法过渡而来，利用电机在两相静止坐标系下的五阶非线性方程，将电机转速作为一个变量，直接估算出转速的动态变化值。异步电机的高阶次、强耦合、多变量的特性决定了这种方法是非常复杂的，虽然能得到转速的动态变化值说明转速估计的精确性很高，但也因此要进行大量的数据计算才能得到结果。
直接计算法虽然计算过程直观方便，但是由于是开环控制，因此其系统精度不高，受外界干扰严重；神经网络法技术虽然是未来研究的一大主流，但其技术现在仍然不够成熟，且系统程序的模拟适应期太长；扩展卡尔曼滤波器法的速度估算精度很高，能跟随转速的动态变化，但计算过程太过复杂。本文主要进行的是基于模型参考自适应法的转速估计分析。
2 异步电机矢量控制技术
直流电机系统作为一个单变量系统[2]，其动态数学模型的输入变量只有一个,即电枢电压，输出变量也只有一个，即转子转速，可将其看作是一个单输入单输出模型[3]，因此可以用传统的线性理论对系统进行分析与设计。但这些理论在对异步电机进行分析与设计时并不适用，因为异步电机与直流电机在数学模型上有着本质区别[5]。异步电机系统进行变压变频调速时不能像直流电机那样简单控制，两个独立的输入变量电压和频率以及两个输出变量转速和磁通，决定了它是一个多变量系统；而各输入输出量之间又有着相互制约影响的关系，因此它又是一个强耦合系统。在异步电机系统中，电流与磁通共同作用生成转矩，转速与磁通共同作用产生感应电动势[7]，即便在不考虑磁路饱和的情况下，其数学模型也是一个非线性系统[8]。异步电机的定子绕组间存在电磁惯性，而各参数间又存在高阶的积分或微分关系。综合上述，异步电机的数学模型是一个高阶次、强耦合、非线性的多变量系统[10]。为解决异步电机控制困难的问题，常采用矢量控制技术来实现系统的简单控制。