首页|期刊导航|电机与控制应用|基于深度强化学习的无刷双馈电机空间矢量调制直接转矩控制

基于深度强化学习的无刷双馈电机空间矢量调制直接转矩控制OA

中文摘要

【目的】在无刷双馈电机(BDFM)的空间矢量调制直接转矩控制(SVM-DTC)系统中,内环通常采用转矩与磁链比例积分(PI)控制器。然而固定的PI参数难以适应系统非线性特性以及频繁变化的运行工况,难以在全工作点维持最优控制性能。为此,本文提出一种基于深度强化学习(DRL)的SVM-DTC策略,摆脱对人工参数整定的依赖,提升系统动态性能与鲁棒性。【方法】采用双延迟深度确定性策略梯度(TD3)算法,构建并训练Actor-Critic神经网络代替内环转矩和磁链PI调节器。状态空间由转矩、磁链、转矩偏差、磁链偏差、转矩偏差积分、磁链偏差积分、转速参考值以及转速反馈值构成;动作空间为控制绕组参考电压矢量的d、q轴分量。设计一种综合转矩脉动抑制和磁链偏差惩罚的奖励函数,引导TD3智能体在连续动作空间中学习最优电压决策。【结果】在转速阶跃、负载突变等典型运行工况下开展仿真,对本文所提基于DRL的SVM-DTC策略与传统SVM-DTC策略进行性能分析。仿真结果表明,所提策略与传统SVM-DTC策略的转速控制效果基本一致。【结论】经充分训练的Actor网络能够依据系统实时状态直接生成控制绕组参考电压,省去内环转矩与磁链PI调节器的参数整定环节。基于TD3的SVM-DTC策略能够实现对BDFM转矩与磁链的高品质控制,具有优异的动态响应能力与鲁棒性。

施隆;鉴航;彭云建;仲兆峰;郭伟文

华南理工大学自动化科学与工程学院,广东广州511442 日立楼宇技术(广州)有限公司,广东广州510660华南理工大学自动化科学与工程学院,广东广州511442华南理工大学自动化科学与工程学院,广东广州511442日立楼宇技术(广州)有限公司,广东广州510660日立楼宇技术(广州)有限公司,广东广州510660

信息技术与安全科学

无刷双馈电机空间矢量调制直接转矩控制深度强化学习双延迟深度确定性策略梯度

《电机与控制应用》 2026 (9)

P.883-894,12

国家自然科学基金项目(62173151)。

10.12177/emca.2026.215

评论