基于informer的永磁同步电机参数辨识.pdf

装备制造技术 2023 年第 7 期0引 言永磁同步电机（Permanent Magnet SynchronousMotor，PMSM）以其转子损耗零、响应性高、功率密度高以及速度范围宽等优点成为了许多应用领域的理想选择，特别是在电动汽车、工业驱动和可再生能源等领域1。PMSM 本质上是一种强耦合、非线性的被控对象，在电机实际运行过程中，定子绕组、转子永磁体容易受电机的温度以及周围噪音的影响而发生变化，这会极大影响 PMSM 控制系统的效果。因此，为了更加精确地控制和辨识电机相关参数具有重要意义。目前，国内外学者已提出多种参数辨识方法。如最小二乘法（Least Squares Method，RLS）2、扩展卡尔曼滤波器辨识法（Extended Kalman Filter，EKF）3、最小绝对偏差法（Least Absolute Deviation，LAD）、模型参考自适应方法（Model Reference adaptive ControlSystem，MRAS）等等。虽然，这些算法能够解决参数辨识的问题，但是这些算法依赖于 PMSM 的精确数学模型，当 PMSM 数学模型发生改变时，这些算法的辨识精度会下降。相比于传统算法依赖于精确的数学模型，深度学习模型可以通过从海量的数据中拟合输入输出之间的关系，从而更好地适应实际复杂系统的建模需求。为了实现更加准确的辨识，选用 Informer 方法对PMSM 参数进行辨识，该算法能够有效地捕捉序列数据中的长期依赖关系，并提供准确的辨识结果，有效提高了辨识的准确性。1PMSM 参数辨识模型PMSM 参数辨识模型由 PMSM 数学模型和 In原former 模型构成。Informer 模型能解决时间序列预测中的长期依赖性和不确定性建模问题。根据 PMSM 数学模型通过 simulink 建立仿真，获得的参数值作为Informer 模型的输入，Informer 模型的输出是 d 轴电感 Ld和 q 轴电感 Lq的预测值。1.1 PMSM 数学模型PMSM 的数学模型表达式为（1）（2）（3）：ud=Rid+ddt鬃d-棕e鬃quq=Riq+ddt鬃q-棕e鬃d扇墒设设设设设设缮设设设设设设（1）鬃d=Ldid+鬃f鬃q=Lqiq嗓（2）基于 informer 的永磁同步电机参数辨识张帅，白帆，张凯（沈阳理工大学 装备工程学院，辽宁 沈阳 110158）摘要：永磁同步电机（PMSM）因其优秀的性能在工业领域有广泛的应用，其控制精度受电机的各种参数影响。随着近几年深度学习的大热，选用了一种基于 Informer 的辨识方法，并且与现有主流的预测模型 LSTM，GRU，SAE 进行对比。Informer 是由编码器（Encoder）和解码器（Decoder）构成，编码器主要由自注意力蒸馏组成，编码器结构与 Transformer 编码器结构相同。LSTM 能有效地缓解 RNN 模型在处理远距离输入和输出时的相关性逐渐减弱问题，使得远距离节点的参数能够更好地进行学习。GRU 比 LSTM 具有更简单的结构，GRU 的更新门合并了 LSTM 的遗忘门和输入门，使得模型更易于训练和调整。SAE 中以通过多层的编码器和解码器结构，学习输入数据的多维特征。每一层的编码器可以捕捉输入数据的不同层次的抽象特征，有助于拟合复杂的非线性函数。数据集来源于 2000 次的 Simulink 仿真，总共 2000 条序列。通过多次实验，Informer 预测d轴电感Ld和q轴电感Lq的准确率分别达到了 91.6%和 97.3%，此外，在 MAE、MSE 和 RMSE 这三个评价指标下，Informer 模型展现出比 LSTM、GRU 和 SAE 模型更优秀的预测效果。关键词：永磁同步电机；Informer；参数辨识中图分类号：TM341文献标志码：A文章编号：1672-545X（2023）07-0077-03收稿日期：2023-03-27第一作者：张帅（1999-），男，云南昭通人，硕士生，探测、控制与信息对抗方向.通信作者：白帆（1982-），男，陕西西安人，副教授，博士，硕士生导师，研究方向：目标探测与识别，机器视觉.77Equipment Manufacturing Technology No.7袁2023Jd棕mdt=Te-TL-B棕m（3）式中：鬃d、鬃q分别为 d、q 轴磁链分量，ud、uq分别为 d、q轴电压分量；R 为电机定子电阻；id、iq分别为 d、q 轴电流分量；棕e为电机角速度；鬃f为电机永磁体磁链；J为电机转动惯量；Te、TL分别为电机负载转矩和电磁转矩；棕m为电机机械角速度；B 为电机阻尼系数。1.2 Informer 模型Informer 是一种由 transform 模型改进而来，基于自注意力机制（self-attention）的序列预测模型，该模型由编码器（Encoder）和解码器（Decoder）构成。编码器内部结构主要由多头概率稀疏矩阵模块和“蒸馏”机制模块构成4。概率稀疏自注意力机制表达式为：A（Q，K，V）越 softmax（Q軍KTdK姨V）（4）式中：Q軍、K、V 分别是要查询的信息、被查询的信息和查询得到的值，三者是由输入序列经线性变换得到的3 个同尺寸的矩阵；Q軍是概率稀疏矩阵，由 Q 稀疏化得来；d 是输入数据维度；softmax 为激活函数。多头概率稀疏自注意力机制增强了模型表达能力、提高了泛化能力且并行计算效率高，“蒸馏”操作压缩了特征维度并提取出主要信息。经过编码器的多头概率稀疏机制和蒸馏机制运算以后得到的结果传递给解码器。在解码器内部，输入数据先经过带掩码（Masked）的多头概率稀疏自注意力操作，掩码操作防止每个位置关注未来的位置从而避免了自回归，编码器输出的中间结果进行多头自注意力操作，最后经全连接层调整数据输出维度，得到预测结果。PMSM 的可变参数模型如图 1 所示。图 1 中表示电机转速，load 表示负载。仿真时长为 0.2 s，样周期10-6s。设置 PMSM 参数 R 固定为 0.95。其中仿真参数Nm、load、Ld、Lq的合理设置取值范围见表 1。2PMSM 参数辨识预测Informer 模型的训练需要大量数据，可以利用前文的 PMSM 的 simulink 仿真获得 2000 条数据作为模型训练的数据集。经过试验和论证，在 Ld和 Lq参数预测上 Informer 展现出了优秀的预测效果。2.1 数据集制作采集电机运行时的转速 Nm、负载 load、d 轴电压ud、q 轴电压 uq、d 轴电流、q 轴电流 iq、d 轴电感 Ld、q轴电感 Lq和电机转轴角速度 棕e，由于 Nm、load、Ld、Lq是在合理范围内的随机给定值，故只需采集 ud、uq、id、iq以及 棕e。采集到的数据集大小为（运行一次 simulink可以得到单条数据，单条数据有 9 个参数值，分别是N_m、load、L_d、L_q、u_d、u_q、i_d、i_q 以及 棕_e，使用脚本总共运行了 2000 次 simulink），用于 PMSM 参数辨识。对 PMSM 的 Simulink 仿真进行 2000 次运行，设置单次运行时间为 0.2 s，采样时间为 10-5s。单次运行采样过程如图 2 所示。2.2 模型训练和预测结果分析在对 PMSM 的参数进行辨识时，为提高模型性能和预测精度，同时采用三个指标对预测模型的性能进行评价，分别是：平均绝对误差（Mean Absolute Error，MAE）、均方误差（Mean Square Error，MSE）、均方根误差（Root Mean Square Error，RMSE），相关计算见式表 1PMSM 模型仿真参数的设置值参数最小值最大值恒定值Nm/（r min-1）10002500-Ld/H0.00500.0055-Lq/H0.0100.014-R/赘-0.985图 2数据提取方法200 个样本（间隔时间 10e-5s）12080100100120180200t=0.199st=0.200st=0.198s两百个数据取平均值图 1PMSM 参数辨识模型框图Nrafiq*q 轴电流环 PIuqu琢u茁uduaubucSVMPW逆PARK变换d 轴电流环 PI速度环 PIid_refiqidiaibicPARK变换CLARKE 变换PMSMNm兹gLdNmuduqidiqLdLq棕gloadLq负载load逆变器78装备制造技术 2023 年第 7 期（5）（6）（7）：MAE=1nni=1移y赞i-yi（5）MSE=1nni=1移（y赞i-yi）2（6）RMSE 越1nni=1移（y赞i-yi）2姨（7）式中：n 为预测长度，yi为真实值，y赞i为预测值。四个评价的指标的数值越小越好。将数据集按比例 7颐2颐1 划分，其中 1600 条采样为训练集，200 条为测试集，100条为训练集。由最终的实验结果，预测 Ld和 Lq的平均准确率分别达到了 91.6%和 97.3%，具体的每次预测准确率如图 3 和图 4 示。具体计算见式（8）：ACC=1-1nni=1移y赞i-yiyiw（8）式中：n 为预测长度，yi为真实值，y赞i为预测值。为进一步验证 Informer PMSM 参数辨识模型预测 Ld和 Lq的可行性，与 LSTM，GRU，SAE 主流预测模型进行比较。表 2 给出了 Informer 与 LSTM，GRU，SAE 预测模型的预测性能对比。从表 2 看出，Informer 的各项预测性能指标比其他三种模型都要好。从 MAE 指标看，Informer 比 SAE降低了 19.5%，比 GRU 降低了 13.5%，比 LSTM 降低了 7.4%，这表明 Informer 预测值与真实值之间的平均差异比其他三种模型更小，模型的预测准确性更高，模型对数据的拟合程度更好，能够较准确地预测目标变量的值。从 MSE 指标看，Informer 比 SAE 降低了 35.4%，比 GRU 降低了 18.4%，比 LSTM 降低了14.3%，这表明 Informer 预测值与真实值之间的平均平方差异比其他三种模型更小，与 MAE 相比，MSE对较大误差的惩罚更重，因此较低的 MSE 值意味着模型的预测更为精确，且相对而言 Informer 受到异常值的影响也更小。从 RMSE 指标看，Informer 比 SAE降低了 8.4%，比 GRU 降低了 3.0%，比 LSTM 降低了6.7%，这表明 Informer 预测结果的稳定性比其他三种模型高。综上对比四种预测模型的预测结果评估指标，Informer 的预测效果要优于其他三种模型。3结 语针对PMSM 非线性、强耦合的特性以及目前参数辨识方法存在的问题，提出基于 Informer 的 PMSM 参数辨识模型。该模型参数较少，容易训练，且 PMSM 的参数、辨识准确率都达到了以上，展现出的预测效果比LSTM、GRU、SAE 优秀。参考文献：1 江卫国，李仲阳，蔡美玲.基于 Matlab 的永磁同步电机参数辨识研究J.装备制造技术，2019（8）：130-131，158.2 陈再发，刘彦呈，卢亨宇.船舶推进永磁同步电机参数在线辨识方法研究J.电机与控制应用，2018，45（10）：66-72.3 Gopinath G R，Das S P.An Extended Kalman Filter basedSensorless Permanent Magnet Synchronous Motor Drive withImproved Dynamic PerformanceC/2018 IEEE InternationalConference on Power Electronics，Drives and Energy Systems（PEDES）.IEEE，2019.4 Zhou H，Zhang S，Peng J，et al.Informer：beyond efficienttransformer for long sequence time-series forecastingC/Pro原ceedings of AAAI，2021.表 2多种模型性能预测对比预测模型MAEMSERMSESAE1.01621.30071.0658GRU0.96461.13721.0117LSTM0.91331.09811.0497Informer0.85020.96050.9828图 4Lq的预测准确率Lq预测mean accuracyaccuracy1.000.990.980.970.960.950.940.93010203040预测次数图 3参数 Ld的测准确率Ld预测mean accuracyaccuracy010203040预测次数1.0000.9750.9500.9250.9000.8750.8500.82579