基于智能控制的異步電機效率優化方法綜述

江明 張持健 尤慶伸

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

【關鍵詞】異步電機;效率優化;智能控制

1.引言

正如近些年來研究的那樣，電機效率優化問題突出而又實際意義明顯：一方面能有效地減少系統開銷，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（額定轉矩和額定轉速），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，可以通過適當調整定子勵磁電流（轉子磁鏈）水平來降低電機損耗[2]。

2.優化原理

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定轉子銅損④定轉子鐵損，大部分提升電機效率研究都是從減小后兩種損耗入手，尋求保證電機系統可靠運行時的最小電流或最小磁通[1]。

異步電機效率優化方式可分為如下三種[2]：

（1）損耗模型控制（Loss Model Controller， LMC）

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

（2）搜索控制（Search Controller， SC）

該方法不依賴電機運行參數，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控制方式。該方法對系統參數變化不敏感，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化方式。

3.智能效率優化方法

智能控制方式主要包括有神經網絡控制、模糊控制、遺傳算法，在近年來已同上述三種電機效率優化方法進行了結合，都取得不錯優化效果。

3.1 基于神經網絡控制的效率優化方法

神經網絡控制理論最早于1943年提出，從機理上對人腦生理系統進行結構模擬的一種控制方式，具有并行處理、模式識別、聯想記憶和自學習的特點，能夠逼近任意復雜非線性系統，能夠學習與適應不確定系統的動態特性，有很強的魯棒性和容錯性。

基于神經網絡控制的效率優化方法最早由Bogdan和Juan提出[3]，于2002年采用一個4層2-5-7-1神經網絡來對系統進行控制，輸入轉子轉速和負載轉矩，輸出最優磁通，系統動態控制效果良好，效率優化效果突出;Abdin和Ghoneem則使用3層BP神經網絡;Aguilar和-Eguilaz比較分析提出4-5-1 BP網絡和3-5-1BP網絡;Zhanyou Wang和胡浩等人分別提出以RBF網絡為基礎的控制系統。

圖1所示為神經網絡控制效率優化方法的典型控制框圖。神經網絡控制系統以異步電機輸出轉矩、轉速、轉子電阻等為輸入層變量，以最優磁通或最小電流為輸出層變量。當系統工作在給定輕載工況下，由LMC分析計算得出網絡所需訓練樣本。在控制中，神經網絡利用已經學習的知識對系統實際工作情況進行判斷，針對性的輸出系統最優磁通或最小電流，使系統能穩定工作在最優狀態[4]。

圖1 神經網絡控制框圖

神經網絡控制方式其訓練樣本取依賴于系統參數，但在控制過程中則僅利用自身聯想記憶、糾錯容錯能力進行控制不依賴參數。相比較于傳統LMC方式，其在控制中計算量減小，有較強容錯能力，對于一定范圍內的參數變化不敏感，優化表現有明顯提升。

目前，該方法的研究重心傾向于神經網絡的選取和優化上，但就具體神經網絡的選取準則、輸入層和隱層神經元個數、網絡層數等問題，業界還未形成統一認識，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化搜索控制方法。圖2所示為模糊搜索方式框圖，在輕載穩態條件下，檢測變頻器的輸入功率，模糊控制器自適應地調節電流的勵磁分量，得到控制所需最優勵磁電流[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，根據工況確定最優磁鏈初值，再通過模糊控制器在搜索初值的一定范圍內搜索確定最終準確的最優磁鏈;謝冬梅提出神經網絡-模糊控制綜合運用的效率優化，并用神經網絡代替模糊控制器，該方法在保留模糊控制優點的同時還提高運算速度。

模糊控制的優勢在于其對復雜系統的簡單化處理，對電機參數要求不高，對于工作在復雜環境下、參數變化明顯的異步電機效率優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化方法

遺傳算法是在計算機上模擬生命進化論機制發展起來的學科，基本思想就是將待求解問題轉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化;Waheeda，楊斌、李首光等人提出基于遺傳算法的控制策略，以轉差率為控制對象，通過不斷的交叉、變異使轉差率下降到期望值，達到效率優化的目的。

圖3 遺傳算法控制流程圖

遺傳算法基本優化過程如圖3，對負載轉矩、轉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模式，最優工作點尋找精確，優化效果突出，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.結語

本文介紹了基于智能控制方法的異步電機效率優化方式，包括神經網絡控制、模糊控制和遺傳算法，智能控制方式能很好彌補傳統優化方式的不足，是對傳統方式的進一步優化。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用于實踐將是關鍵;研究采用新型神經網絡模型，如構造型FP神經網絡[7]，將會增加本課題解決途徑，同時能利用新型網絡特點，減小計算量和控制速度;在多種智能控制方式各具優點的情況下，將多種控制方式進行組合、借鑒，如遺傳算法與神經網絡結合，利用神經網絡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化研究變得更為簡單，能充分體現智能控制的優越性。

參考文獻

[1]張立偉.電動汽車用異步電機系統效率優化控制研究[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損耗模型磁通智能優化方法及其應用[J].電機與控制應用，2009，36（9）：22-25.

[5]高梅梅.異步電機適量控制變頻調速系統效率優化控制研究[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電機效率優化控制研究[J].微電機，2013，46（10）：36-40.

[7]王倫文，張鈴.構造型神經網絡綜述[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，現就讀于安徽師范大學。