最小二乘算法（应用篇）

最小二乘法在电机参数辨识的应用

参考文献：Auto Tuning of Parameters and Magnetization Curve of an Induction Motor at Standstill

生词：

whilst：当什么的时候；
alleviate：减轻，缓和；
converge：汇集；聚集；

应用原理和特点：

最小二乘法的应用可以减小噪声对辨识结果的影响；传统的空载测试和堵转测试往往无法实现。（与负载连接，无法脱离开负载。）辨识过程中需要考虑死区窄脉冲和设备管压降的影响。
转子静止情况下的电机模型：
$$\begin{gathered} \text{静止坐标系下的电机模型推导：}\text{以}\alpha \beta \text{坐标系的电压方程为起点：} \\ \{\begin{array}{l}{\psi }_{s\alpha }=L_s{i}_{s\alpha }+L_m{i}_{r\alpha }\\ {\psi }_{s\beta }=L_s{i}_{s\beta }+L_m{i}_{r\beta }\\ {\psi }_{r\alpha }=L_m{i}_{s\alpha }+L_r{i}_{r\alpha }\\ {\psi }_{s\beta }=L_m{i}_{s\beta }+L_r{i}_{r\beta }\end{array} \\ \text{电压方程：} \\ \{\begin{array}{l}{u}_{s\alpha }=R_s{i}_{s\alpha }+p{\psi }_{s\alpha }\\ u_{s\beta }=R_s{i}_{s\beta }+p{\psi }_{s\beta }\\ u_{r\alpha }=R_r{i}_{r\alpha }+p{\psi }_{r\alpha }+{\omega }_r{\psi }_{r\beta }\\ u_{r\beta }=R_r{i}_{r\beta }+p{\psi }_{r\beta }-{\omega }_r{\psi }_{r\alpha }\end{array} \\ \text{当电机静止时：}{\omega }_r=0 \\ p{\psi }_{r\alpha }=-R_r{i}_{r\alpha } \\ p{\psi }_{r\beta }=-R_r{i}_{r\beta } \\ {\psi }_{s\alpha }=L_s{i}_{s\alpha }+L_m\frac{{\psi }_{r\alpha }-L_m{i}_{s\alpha }}{L_r}=\sigma L_s{i}_{s\alpha }+\frac{L_m}{L_r}{\psi }_{r\alpha } \\ {\psi }_{s\beta }=\sigma L_s{i}_{s\beta }+\frac{L_m}{L_r}{\psi }_{r\beta } \\ \{\begin{array}{l}{u}_{s\alpha }=R_s{i}_{s\alpha }+\sigma L_s\frac{d{i}_{s\alpha }}{dt}+\frac{L_m}{L_r}\frac{d{\psi }_{r\alpha }}{dt}\\ u_{s\beta }=R_s{i}_{s\beta }+\sigma L_s\frac{d{i}_{s\beta }}{dt}+\frac{L_m}{L_r}\frac{d{\psi }_{r\beta }}{dt}\end{array} \\ \text{继续推导，消除磁链微分项：} \\ \{\begin{array}{l}{u}_{s\alpha }=R_s{i}_{s\alpha }+\sigma L_s\frac{d{i}_{s\alpha }}{dt}+\frac{L_m}{L_r}\left(-R_r\frac{{\psi }_{r\alpha }-L_m{i}_{s\alpha }}{L_r}\right)\\ u_{s\beta }=R_s{i}_{s\beta }+\sigma L_s\frac{d{i}_{s\beta }}{dt}+\frac{L_m}{L_r}\left(-R_r\frac{{\psi }_{r\beta }-L_m{i}_{s\beta }}{L_r}\right)\end{array} \\ \text{化简可得：} \\ \{\begin{array}{l}{u}_{s\alpha }=\left(R_s+\frac{L_m^2}{L_r^2}{R}_r\right)i_{s\alpha }+\sigma L_s\frac{d{i}_{s\alpha }}{dt}-\frac{L_m{R}_r}{L_r^2}{\psi }_{r\alpha }\\ u_{s\beta }=\left(R_s+\frac{L_m^2}{L_r^2}{R}_r\right)i_{s\beta }+\sigma L_s\frac{d{i}_{s\beta }}{dt}-\frac{L_m{R}_r}{L_r^2}{\psi }_{r\beta }\end{array} \\ \{\begin{array}{l}p{\psi }_{r\alpha }=-\frac{R_r}{L_r}{\psi }_{r\alpha }+\frac{R_r}{L_r}{L}_m{i}_{s\alpha }\\ p{\psi }_{r\beta }=-\frac{R_r}{L_r}{\psi }_{r\beta }+\frac{R_r}{L_r}{L}_m{i}_{s\beta }\end{array} \\ \text{写为矢量形式：} \\ \{\begin{array}{l}{\vec{u}}_s=\left(R_s+\frac{L_m^2}{L_r^2}{R}_r\right){\vec{i}}_s+\sigma L_s\frac{d{\vec{i}}_s}{dt}-\frac{L_m{R}_r}{L_r^2}{\vec{\psi }}_r\\ \frac{d{\vec{\psi }}_r}{dt}=\frac{R_r}{L_r}{L}_m{\vec{i}}_s-\frac{R_r}{L_r}{\vec{\psi }}_r\end{array} \end{gathered}$$

论文中的公式：

**有些不太一样？**转子磁链的定义可能不同。
第一步：定子电阻辨识：
采用电压误差和电流误差实现定子电阻辨识的理论依据：
$$\begin{gathered} \text{假设给定输出电压为}{U}_{ref}\text{，实际输出电压为}{U}_{real}\text{，} \\ \text{在定子电阻辨识时，输出电压方程可表示如下：} \\ {U}_{Aref}-\Delta U_{Aerr}=U_{Areal} \\ {U}_{Bref}-\Delta U_{Berr}=U_{Breal} \\ \text{若进行两相发波，第三相关断，可得：} \\ {U}_{Areal}-U_{Breal}=2\ast I_A{R}_s \\ {U}_{Aref}-U_{Bref}-\Delta U_{Aerr}+\Delta U_{Berr}=2\ast I_A{R}_s \\ \text{取另外一组电压电路关系：} \\ {U}_{Aref2}-U_{Bref2}-\Delta U_{Aerr2}+\Delta U_{Berr2}=2\ast I_{A2}{R}_s \\ \text{当}{I}_A\text{和}{I}_{A2}\text{较大时，如取}1/2I_b\text{和}{I}_b \\ \text{此时}\Delta U_{Aerr}\approx \Delta U_{Aerr2}\text{；}\Delta U_{Berr}\approx \Delta U_{Berr2} \\ \text{因此：} \\ {R}_s=\frac{U_{Aref}-U_{Bref}-U_{Aref2}+U_{Bref2}}{2\ast I_{A2}-2\ast I_A} \end{gathered}$$
第二步： 漏感辨识：脉冲法得到物理模型，最小二乘法实现计算。
由于转子时间常数较大，在脉冲施加过程中，由于转子磁链满足如下关系：
$${\vec{\psi }}_r=\frac{L_m{\vec{i}}_s}{{\tau }_{r}s+1}{\vec{i}}_s$$
由于转子时间常数远大于漏感时间常数，因此转子磁链可等效为0。定子电压方程可简化如下：
$${\vec{u}}_s=\left(R_s+\frac{L_m^2}{L_r^2}{R}_r\right){\vec{i}}_s+\sigma L_s\frac{d{\vec{i}}_s}{dt}$$
由上式可知：当施加电压脉冲后，电压与电流满足上述的微分方程。
脉冲法辨识漏感现象的matlab仿真验证：
施加10ms脉冲电压的电流响应如下图所示：

可见输出电流呈指数上升。在实际应用中，采用三相电流发波和两相电流发波都是可以的。
对瞬态电感公式进行离散化：
$$u_s=R_s^{\ast }{i}_s+\sigma {\hat{L}}_s\frac{i_n-i_{n-1}}{T_s}$$
采用RLS算法的应用如下：
$$\begin{gathered} y\left(n\right)=u_s\left(n\right)-R_s^{\ast }{i}_s\left(n\right) \\ c\left(n\right)=i_s\left(n\right)-i_s\left(n-1\right) \\ \tilde{x}\left(n\right)=\frac{\sigma {\hat{L}}_s}{T_s} \end{gathered}$$

应用于扩展

后续计划：通过matlab实践三种最小二乘的实现和验证