论文:Sensorless Control Method for PMSM Based on Frequency-Adaptive Disturbance Observer
主要观点
- 采用定子电压和定子电流根据电压模型以积分方式获取定子磁链时,由于误差扰动电压,易导致电压积分误差,从而引起磁链角度估计偏差。采用频率自适应的扰动观测器可以移除扰动电压对转子磁链角度估计的影响。
- 高频注入的主要缺点:音频噪声;额外损耗;对电机凸极性有要求;
- 反电势法在极低频下由于反电势很小,受干扰影响严重;
- 永磁同步电机磁链观测的电压模型和电流模型如下:
- 采用了虚拟磁链的思想,建立定子磁链和虚拟磁链的关系。从而可以通过定子电压方程实现虚拟磁链的定向,实现转子位置的观测。
- 对扰动模型的理解:
d d t [ ψ α 1 ψ β 1 D α D β ] = [ 0 − ω f 0 ω f ω f 0 − ω f 0 0 0 0 0 0 0 0 0 ] [ ψ α 1 ψ β 1 D α D β ] [ ψ α 1 ψ β 1 ] = [ 1 0 0 0 0 1 0 0 ] [ ψ α 1 ψ β 1 D α D β ] \frac{d}{dt}\left[ \begin{array}{c} \psi _{\alpha 1}\\ \psi _{\beta 1}\\ D_{\alpha}\\ D_{\beta}\\ \end{array} \right] =\left[ \begin{matrix} 0& -\omega _f& 0& \omega _f\\ \omega _f& 0& -\omega _f& 0\\ 0& 0& 0& 0\\ 0& 0& 0& 0\\ \end{matrix} \right] \left[ \begin{array}{c} \psi _{\alpha 1}\\ \psi _{\beta 1}\\ D_{\alpha}\\ D_{\beta}\\ \end{array} \right] \\ \left[ \begin{array}{c} \psi _{\alpha 1}\\ \psi _{\beta 1}\\ \end{array} \right] =\left[ \begin{matrix} 1& 0& 0& 0\\ 0& 1& 0& 0\\ \end{matrix} \right] \left[ \begin{array}{c} \psi _{\alpha 1}\\ \psi _{\beta 1}\\ D_{\alpha}\\ D_{\beta}\\ \end{array} \right] dtd⎣⎢⎢⎡ψα1ψβ1DαDβ⎦⎥⎥⎤=⎣⎢⎢⎡0ωf00−ωf0000−ωf00ωf000⎦⎥⎥⎤⎣⎢⎢⎡ψα1ψβ1DαDβ⎦⎥⎥⎤[ψα1ψβ1]=[10010000]⎣⎢⎢⎡ψα1ψβ1DαDβ⎦⎥⎥⎤
ψ α 1 \psi _{\alpha 1} ψα1的变化率与两个状态有关,分别是 ψ β 1 \psi _{\beta 1} ψβ1和 D β D_{\beta} Dβ。
计算特征值和特征向量: ∣ λ ω f 0 − ω f − ω f λ ω f 0 0 0 λ 0 0 0 0 λ ∣ = 0 对上述行列式化简为行阶梯型: ∣ λ ω f 0 − ω f − ω f λ ω f 0 0 0 λ 0 0 0 0 λ ∣ → r 2 + ω f λ r 1 ∣ λ ω f 0 − ω f 0 λ + ω f 2 λ ω f − ω f 2 λ 0 0 λ 0 0 0 0 λ ∣ λ 3 ( λ + ω f 2 λ ) = 0 ( 上三角方阵的行列式是对角线元素的乘积 ) λ 1 = 0 ; λ + ω f 2 λ = 0 ⇒ λ 2 = j ω f ; λ 3 = − j ω f 计算特征向量: 根据: [ 0 − ω f 0 ω f ω f 0 − ω f 0 0 0 0 0 0 0 0 0 ] [ x 1 x 2 x 3 x 4 ] = j ω f [ x 1 x 2 x 3 x 4 ] 计算得到特征向量为: { − ω f x 2 + ω f x 4 = j ω f x 1 ω f x 1 − ω f x 3 = j ω f x 2 0 = j ω f x 3 0 = j ω f x 4 ⇒ { − x 2 = j x 1 x 1 = j x 2 0 = x 3 0 = x 4 ⇒ [ x 1 x 2 x 3 x 4 ] = [ 1 − j 0 0 ] 根据 [ 0 − ω f 0 ω f ω f 0 − ω f 0 0 0 0 0 0 0 0 0 ] [ x 1 x 2 x 3 x 4 ] = − j ω f [ x 1 x 2 x 3 x 4 ] 计算得到特征向量: { − ω f x 2 + ω f x 4 = − j ω f x 1 ω f x 1 − ω f x 3 = − j ω f x 2 0 = − j ω f x 3 0 = − j ω f x 4 ⇒ { x 2 = j x 1 x 1 = − j x 2 0 = x 3 0 = x 4 ⇒ [ x 1 x 2 x 3 x 4 ] = [ 1 j 0 0 ] 根据 [ 0 − ω f 0 ω f ω f 0 − ω f 0 0 0 0 0 0 0 0 0 ] [ x 1 x 2 x 3 x 4 ] = 0 [ x 1 x 2 x 3 x 4 ] 计算得到特征向量: { − ω f x 2 + ω f x 4 = 0 ω f x 1 − ω f x 3 = 0 0 = 0 0 = 0 ⇒ { x 2 = x 4 x 1 = x 3 0 = x 3 0 = x 4 ⇒ [ x 1 x 2 x 3 x 4 ] = [ 1 0 1 0 ] , [ x 1 x 2 x 3 x 4 ] = [ 0 1 0 1 ] 因此特征向量构成的矩阵: T = [ 1 1 1 0 − j j 0 1 0 0 1 0 0 0 0 1 ] 计算该矩阵的逆矩阵: T − 1 = [ 0.5 0.5 i − 0.5 − 0.5 i 0.5 − 0.5 i − 0.5 0.5 i 0 0 1 0 0 0 0 1 ] 因此可将原始矩阵化简为对角型矩阵: T − 1 [ 0 − ω f 0 ω f ω f 0 − ω f 0 0 0 0 0 0 0 0 0 ] T = [ ω f 0 0 0 0 − ω f 0 0 0 0 0 0 0 0 0 0 ] 设存在可逆矩阵 T , 可将原始的状态变量转化为 x ′ :即 x ′ = T − 1 x , x = T x ′ T x ′ = A T x ′ ⇒ x ′ = T − 1 A T x ′ T − 1 A T = [ ω f 0 0 0 0 − ω f 0 0 0 0 0 0 0 0 0 0 ] 因此 x ˙ 1 ′ = ω f x 1 ′ , x ˙ 2 ′ = − ω f x 2 ′ 原始的状态变量:根据 x = T x ′ 计算可得: x = [ 1 1 1 0 − j j 0 1 0 0 1 0 0 0 0 1 ] [ x 1 ′ x 2 ′ x 3 ′ x 4 ′ ] = [ x 1 ′ + x 2 ′ + x 3 ′ − j x 1 ′ + j x 2 ′ + x 4 ′ x 3 ′ x 4 ′ ] \text{计算特征值和特征向量:} \\ \left| \begin{matrix} \lambda& \omega _f& 0& -\omega _f\\ -\omega _f& \lambda& \omega _f& 0\\ 0& 0& \lambda& 0\\ 0& 0& 0& \lambda\\ \end{matrix} \right|=0 \\ \text{对上述行列式化简为行阶梯型:} \\ \left| \begin{matrix} \lambda& \omega _f& 0& -\omega _f\\ -\omega _f& \lambda& \omega _f& 0\\ 0& 0& \lambda& 0\\ 0& 0& 0& \lambda\\ \end{matrix} \right|\xrightarrow{r_2+\frac{\omega _f}{\lambda}r_1}\left| \begin{matrix} \lambda& \omega _f& 0& -\omega _f\\ 0& \lambda +\frac{\omega _{f}^{2}}{\lambda}& \omega _f& -\frac{\omega _{f}^{2}}{\lambda}\\ 0& 0& \lambda& 0\\ 0& 0& 0& \lambda\\ \end{matrix} \right| \\ \lambda ^3\left( \lambda +\frac{\omega _{f}^{2}}{\lambda} \right) =0\left( \text{上三角方阵的行列式是对角线元素的乘积} \right) \\ \lambda _1=0\text{;} \\ \lambda +\frac{\omega _{f}^{2}}{\lambda}=0\Rightarrow \lambda _2=j\omega _f;\lambda _3=-j\omega _f \\ \text{计算特征向量:} \\ \text{根据:}\left[ \begin{matrix} 0& -\omega _f& 0& \omega _f\\ \omega _f& 0& -\omega _f& 0\\ 0& 0& 0& 0\\ 0& 0& 0& 0\\ \end{matrix} \right] \left[ \begin{array}{c} x1\\ x2\\ x3\\ x4\\ \end{array} \right] =j\omega _f\left[ \begin{array}{c} x1\\ x2\\ x3\\ x4\\ \end{array} \right] \\ \text{计算得到特征向量为:} \\ \begin{cases} -\omega _fx_2+\omega _fx_4=j\omega _fx_1\\ \omega _fx_1-\omega _fx_3=j\omega _fx_2\\ 0=j\omega _fx_3\\ 0=j\omega _fx_4\\ \end{cases}\Rightarrow \begin{cases} -x_2=jx_1\\ x_1=jx_2\\ 0=x_3\\ 0=x_4\\ \end{cases}\Rightarrow \left[ \begin{array}{c} x1\\ x2\\ x3\\ x4\\ \end{array} \right] =\left[ \begin{array}{c} 1\\ -j\\ 0\\ 0\\ \end{array} \right] \\ \text{根据}\left[ \begin{matrix} 0& -\omega _f& 0& \omega _f\\ \omega _f& 0& -\omega _f& 0\\ 0& 0& 0& 0\\ 0& 0& 0& 0\\ \end{matrix} \right] \left[ \begin{array}{c} x1\\ x2\\ x3\\ x4\\ \end{array} \right] =-j\omega _f\left[ \begin{array}{c} x1\\ x2\\ x3\\ x4\\ \end{array} \right] \\ \text{计算得到特征向量:} \\ \begin{cases} -\omega _fx_2+\omega _fx_4=-j\omega _fx_1\\ \omega _fx_1-\omega _fx_3=-j\omega _fx_2\\ 0=-j\omega _fx_3\\ 0=-j\omega _fx_4\\ \end{cases}\Rightarrow \begin{cases} x_2=jx_1\\ x_1=-jx_2\\ 0=x_3\\ 0=x_4\\ \end{cases}\Rightarrow \left[ \begin{array}{c} x1\\ x2\\ x3\\ x4\\ \end{array} \right] =\left[ \begin{array}{c} 1\\ j\\ 0\\ 0\\ \end{array} \right] \\ \text{根据}\left[ \begin{matrix} 0& -\omega _f& 0& \omega _f\\ \omega _f& 0& -\omega _f& 0\\ 0& 0& 0& 0\\ 0& 0& 0& 0\\ \end{matrix} \right] \left[ \begin{array}{c} x1\\ x2\\ x3\\ x4\\ \end{array} \right] =0\left[ \begin{array}{c} x1\\ x2\\ x3\\ x4\\ \end{array} \right] \\ \text{计算得到特征向量:} \\ \begin{cases} -\omega _fx_2+\omega _fx_4=0\\ \omega _fx_1-\omega _fx_3=0\\ 0=0\\ 0=0\\ \end{cases}\Rightarrow \begin{cases} x_2=x_4\\ x_1=x_3\\ 0=x_3\\ 0=x_4\\ \end{cases}\Rightarrow \left[ \begin{array}{c} x1\\ x2\\ x3\\ x4\\ \end{array} \right] =\left[ \begin{array}{c} 1\\ 0\\ 1\\ 0\\ \end{array} \right] \text{,}\left[ \begin{array}{c} x1\\ x2\\ x3\\ x4\\ \end{array} \right] =\left[ \begin{array}{c} 0\\ 1\\ 0\\ 1\\ \end{array} \right] \\ \text{因此特征向量构成的矩阵:} \\ T=\left[ \begin{matrix} 1& 1& 1& 0\\ -j& j& 0& 1\\ 0& 0& 1& 0\\ 0& 0& 0& 1\\ \end{matrix} \right] \text{计算该矩阵的逆矩阵:} \\ T^{-1}=\left[ \begin{matrix} 0.5& 0.5i& -0.5& -0.5i\\ 0.5& -0.5i& -0.5& 0.5i\\ 0& 0& 1& 0\\ 0& 0& 0& 1\\ \end{matrix} \right] \\ \text{因此可将原始矩阵化简为对角型矩阵:} \\ T^{-1}\left[ \begin{matrix} 0& -\omega _f& 0& \omega _f\\ \omega _f& 0& -\omega _f& 0\\ 0& 0& 0& 0\\ 0& 0& 0& 0\\ \end{matrix} \right] T=\left[ \begin{matrix} \omega _f& 0& 0& 0\\ 0& -\omega _f& 0& 0\\ 0& 0& 0& 0\\ 0& 0& 0& 0\\ \end{matrix} \right] \\ \text{设存在可逆矩阵}T,\text{可将原始的状态变量转化为}x^{'}\text{:即}x^{'}=T^{-1}x\text{,}x=Tx^{'} \\ Tx^{'}=ATx^{'}\Rightarrow x^{'}=T^{-1}ATx^{'} \\ T^{-1}AT=\left[ \begin{matrix} \omega _f& 0& 0& 0\\ 0& -\omega _f& 0& 0\\ 0& 0& 0& 0\\ 0& 0& 0& 0\\ \end{matrix} \right] \\ \text{因此}{\dot{x}_1}^{'}=\omega _f{x_1}^{'}\text{,}{\dot{x}_2}^{'}=-\omega _f{x_2}^{'} \\ \text{原始的状态变量:根据}x=Tx^{'}\text{计算可得:} \\ x=\left[ \begin{matrix} 1& 1& 1& 0\\ -j& j& 0& 1\\ 0& 0& 1& 0\\ 0& 0& 0& 1\\ \end{matrix} \right] \left[ \begin{array}{c} x_{1}^{'}\\ x_{2}^{'}\\ x_{3}^{'}\\ x_{4}^{'}\\ \end{array} \right] =\left[ \begin{array}{c} x_{1}^{'}+x_{2}^{'}+x_{3}^{'}\\ -jx_{1}^{'}+jx_{2}^{'}+x_{4}^{'}\\ x_{3}^{'}\\ x_{4}^{'}\\ \end{array} \right] 计算特征值和特征向量:∣∣∣∣∣∣∣∣λ−ωf00ωfλ000ωfλ0−ωf00λ∣∣∣∣∣∣∣∣=0对上述行列式化简为行阶梯型:∣∣∣∣∣∣∣∣λ−ωf00ωfλ000ωfλ0−ωf00λ∣∣∣∣∣∣∣∣r2+λωfr1∣∣∣∣∣∣∣∣λ000ωfλ+λωf2000ωfλ0−ωf−λωf20λ∣∣∣∣∣∣∣∣λ3(λ+λωf2)=0(上三角方阵的行列式是对角线元素的乘积)λ1=0;λ+λωf2=0⇒λ2=jωf;λ3=−jωf计算特征向量:根据:⎣⎢⎢⎡0ωf00−ωf0000−ωf00ωf000⎦⎥⎥⎤⎣⎢⎢⎡x1x2x3x4⎦⎥⎥⎤=jωf⎣⎢⎢⎡x1x2x3x4⎦⎥⎥⎤计算得到特征向量为:⎩⎪⎪⎪⎨⎪⎪⎪⎧−ωfx2+ωfx4=jωfx1ωfx1−ωfx3=jωfx20=jωfx30=jωfx4⇒⎩⎪⎪⎪⎨⎪⎪⎪⎧−x2=jx1x1=jx20=x30=x4⇒⎣⎢⎢⎡x1x2x3x4⎦⎥⎥⎤=⎣⎢⎢⎡1−j00⎦⎥⎥⎤根据⎣⎢⎢⎡0ωf00−ωf0000−ωf00ωf000⎦⎥⎥⎤⎣⎢⎢⎡x1x2x3x4⎦⎥⎥⎤=−jωf⎣⎢⎢⎡x1x2x3x4⎦⎥⎥⎤计算得到特征向量:⎩⎪⎪⎪⎨⎪⎪⎪⎧−ωfx2+ωfx4=−jωfx1ωfx1−ωfx3=−jωfx20=−jωfx30=−jωfx4⇒⎩⎪⎪⎪⎨⎪⎪⎪⎧x2=jx1x1=−jx20=x30=x4⇒⎣⎢⎢⎡x1x2x3x4⎦⎥⎥⎤=⎣⎢⎢⎡1j00⎦⎥⎥⎤根据⎣⎢⎢⎡0ωf00−ωf0000−ωf00ωf000⎦⎥⎥⎤⎣⎢⎢⎡x1x2x3x4⎦⎥⎥⎤=0⎣⎢⎢⎡x1x2x3x4⎦⎥⎥⎤计算得到特征向量:⎩⎪⎪⎪⎨⎪⎪⎪⎧−ωfx2+ωfx4=0ωfx1−ωfx3=00=00=0⇒⎩⎪⎪⎪⎨⎪⎪⎪⎧x2=x4x1=x30=x30=x4⇒⎣⎢⎢⎡x1x2x3x4⎦⎥⎥⎤=⎣⎢⎢⎡1010⎦⎥⎥⎤,⎣⎢⎢⎡x1x2x3x4⎦⎥⎥⎤=⎣⎢⎢⎡0101⎦⎥⎥⎤因此特征向量构成的矩阵:T=⎣⎢⎢⎡1−j001j0010100101⎦⎥⎥⎤计算该矩阵的逆矩阵:T−1=⎣⎢⎢⎡0.50.5000.5i−0.5i00−0.5−0.510−0.5i0.5i01⎦⎥⎥⎤因此可将原始矩阵化简为对角型矩阵:T−1⎣⎢⎢⎡0ωf00−ωf0000−ωf00ωf000⎦⎥⎥⎤T=⎣⎢⎢⎡ωf0000−ωf0000000000⎦⎥⎥⎤设存在可逆矩阵T,可将原始的状态变量转化为x′:即x′=T−1x,x=Tx′Tx′=ATx′⇒x′=T−1ATx′T−1AT=⎣⎢⎢⎡ωf0000−ωf0000000000⎦⎥⎥⎤因此x˙1′=ωfx1′,x˙2′=−ωfx2′原始的状态变量:根据x=Tx′计算可得:x=⎣⎢⎢⎡1−j001j0010100101⎦⎥⎥⎤⎣⎢⎢⎡x1′x2′x3′x4′⎦⎥⎥⎤=⎣⎢⎢⎡x1′+x2′+x3′−jx1′+jx2′+x4′x3′x4′⎦⎥⎥⎤
理论推导
如何推导
α
β
\alpha\beta
αβ坐标系下的电压电流模型?
u
⃗
s
=
R
s
i
⃗
s
+
d
d
t
ψ
⃗
s
ψ
⃗
s
=
[
L
1
+
L
2
cos
2
θ
r
L
2
sin
2
θ
r
L
2
sin
2
θ
r
L
1
−
L
2
cos
2
θ
r
]
[
i
α
i
β
]
+
[
cos
θ
r
sin
θ
r
]
ψ
f
i
⃗
α
β
=
i
⃗
d
q
e
j
θ
r
=
(
cos
θ
r
+
j
sin
θ
r
)
(
i
d
+
j
i
q
)
因此:
{
i
α
=
cos
θ
r
i
d
−
sin
θ
r
i
q
i
β
=
sin
θ
r
i
d
+
cos
θ
r
i
q
[
i
α
i
β
]
=
[
cos
θ
r
−
sin
θ
r
sin
θ
r
cos
θ
r
]
[
i
d
i
q
]
ψ
⃗
s
=
[
L
1
+
L
2
cos
2
θ
r
L
2
sin
2
θ
r
L
2
sin
2
θ
r
L
1
−
L
2
cos
2
θ
r
]
[
cos
θ
r
−
sin
θ
r
sin
θ
r
cos
θ
r
]
[
i
d
i
q
]
+
[
cos
θ
r
sin
θ
r
]
ψ
f
ψ
⃗
s
=
[
(
L
1
+
L
2
cos
2
θ
r
)
cos
θ
r
+
L
2
sin
2
θ
r
sin
θ
r
−
(
L
1
+
L
2
cos
2
θ
r
)
sin
θ
r
+
L
2
sin
2
θ
r
cos
θ
r
L
2
sin
2
θ
r
cos
θ
r
+
(
L
1
−
L
2
cos
2
θ
r
)
sin
θ
r
−
L
2
sin
2
θ
r
sin
θ
r
+
(
L
1
−
L
2
cos
2
θ
r
)
cos
θ
r
]
[
i
d
i
q
]
+
[
cos
θ
r
sin
θ
r
]
ψ
f
L
11
=
L
1
cos
θ
r
+
L
2
cos
2
θ
r
cos
θ
r
+
L
2
sin
2
θ
r
sin
θ
r
=
(
L
1
+
L
2
)
cos
θ
r
L
12
=
−
L
1
sin
θ
r
−
L
2
cos
2
θ
r
sin
θ
r
+
L
2
sin
2
θ
r
cos
θ
r
=
(
L
2
−
L
1
)
sin
θ
r
L
21
=
L
2
sin
2
θ
r
cos
θ
r
+
L
1
sin
θ
r
−
L
2
cos
2
θ
r
sin
θ
r
=
(
L
1
+
L
2
)
sin
θ
r
L
22
=
−
L
2
sin
2
θ
r
sin
θ
r
+
L
1
cos
θ
r
−
L
2
cos
2
θ
r
cos
θ
r
=
(
L
1
−
L
2
)
cos
θ
r
因为:
L
1
+
L
2
=
L
d
;
L
1
−
L
2
=
L
q
;
因此:
ψ
⃗
s
=
[
L
d
cos
θ
r
−
L
q
sin
θ
r
L
d
sin
θ
r
L
q
cos
θ
r
]
[
i
d
i
q
]
+
[
cos
θ
r
sin
θ
r
]
ψ
f
继续化简:
ψ
⃗
s
=
[
cos
θ
r
−
sin
θ
r
sin
θ
r
cos
θ
r
]
[
L
d
i
d
+
ψ
f
L
q
i
q
]
\vec{u}_s=R_s\vec{i}_s+\frac{d}{dt}\vec{\psi}_s \\ \vec{\psi}_s=\left[ \begin{matrix} L_1+L_2\cos 2\theta _r& L_2\sin 2\theta _r\\ L_2\sin 2\theta _r& L_1-L_2\cos 2\theta _r\\ \end{matrix} \right] \left[ \begin{array}{c} i_{\alpha}\\ i_{\beta}\\ \end{array} \right] +\left[ \begin{array}{c} \cos \theta _r\\ \sin \theta _r\\ \end{array} \right] \psi _f \\ \vec{i}_{\alpha \beta}=\vec{i}_{dq}e^{j\theta _r}=\left( \cos \theta _r+j\sin \theta _r \right) \left( i_d+ji_q \right) \\ \text{因此:}\begin{cases} i_{\alpha}=\cos \theta _ri_d-\sin \theta _ri_q\\ i_{\beta}=\sin \theta _ri_d+\cos \theta _ri_q\\ \end{cases} \\ \left[ \begin{array}{c} i_{\alpha}\\ i_{\beta}\\ \end{array} \right] =\left[ \begin{matrix} \cos \theta _r& -\sin \theta _r\\ \sin \theta _r& \cos \theta _r\\ \end{matrix} \right] \left[ \begin{array}{c} i_d\\ i_q\\ \end{array} \right] \\ \vec{\psi}_s=\left[ \begin{matrix} L_1+L_2\cos 2\theta _r& L_2\sin 2\theta _r\\ L_2\sin 2\theta _r& L_1-L_2\cos 2\theta _r\\ \end{matrix} \right] \left[ \begin{matrix} \cos \theta _r& -\sin \theta _r\\ \sin \theta _r& \cos \theta _r\\ \end{matrix} \right] \left[ \begin{array}{c} i_d\\ i_q\\ \end{array} \right] +\left[ \begin{array}{c} \cos \theta _r\\ \sin \theta _r\\ \end{array} \right] \psi _f \\ \vec{\psi}_s=\left[ \begin{matrix} \left( L_1+L_2\cos 2\theta _r \right) \cos \theta _r+L_2\sin 2\theta _r\sin \theta _r& -\left( L_1+L_2\cos 2\theta _r \right) \sin \theta _r+L_2\sin 2\theta _r\cos \theta _r\\ L_2\sin 2\theta _r\cos \theta _r+\left( L_1-L_2\cos 2\theta _r \right) \sin \theta _r& -L_2\sin 2\theta _r\sin \theta _r+\left( L_1-L_2\cos 2\theta _r \right) \cos \theta _r\\ \end{matrix} \right] \left[ \begin{array}{c} i_d\\ i_q\\ \end{array} \right] \\ +\left[ \begin{array}{c} \cos \theta _r\\ \sin \theta _r\\ \end{array} \right] \psi _f \\ L_{11}=L_1\cos \theta _r+L_2\cos 2\theta _r\cos \theta _r+L_2\sin 2\theta _r\sin \theta _r=\left( L_1+L_2 \right) \cos \theta _r \\ L_{12}=-L_1\sin \theta _r-L_2\cos 2\theta _r\sin \theta _r+L_2\sin 2\theta _r\cos \theta _r=\left( L_2-L_1 \right) \sin \theta _r \\ L_{21}=L_2\sin 2\theta _r\cos \theta _r+L_1\sin \theta _r-L_2\cos 2\theta _r\sin \theta _r=\left( L_1+L_2 \right) \sin \theta _r \\ L_{22}=-L_2\sin 2\theta _r\sin \theta _r+L_1\cos \theta _r-L_2\cos 2\theta _r\cos \theta _r=\left( L_1-L_2 \right) \cos \theta _r \\ \text{因为:}L_1+L_2=L_d\text{;}L_1-L_2=L_q; \\ \text{因此:}\vec{\psi}_s=\left[ \begin{matrix} L_d\cos \theta _r& -L_q\sin \theta _r\\ L_d\sin \theta _r& L_q\cos \theta _r\\ \end{matrix} \right] \left[ \begin{array}{c} i_d\\ i_q\\ \end{array} \right] +\left[ \begin{array}{c} \cos \theta _r\\ \sin \theta _r\\ \end{array} \right] \psi _f \\ \text{继续化简:}\vec{\psi}_s=\left[ \begin{matrix} \cos \theta _r& -\sin \theta _r\\ \sin \theta _r& \cos \theta _r\\ \end{matrix} \right] \left[ \begin{array}{c} L_di_d+\psi _f\\ L_qi_q\\ \end{array} \right]
us=Rsis+dtdψsψs=[L1+L2cos2θrL2sin2θrL2sin2θrL1−L2cos2θr][iαiβ]+[cosθrsinθr]ψfiαβ=idqejθr=(cosθr+jsinθr)(id+jiq)因此:{iα=cosθrid−sinθriqiβ=sinθrid+cosθriq[iαiβ]=[cosθrsinθr−sinθrcosθr][idiq]ψs=[L1+L2cos2θrL2sin2θrL2sin2θrL1−L2cos2θr][cosθrsinθr−sinθrcosθr][idiq]+[cosθrsinθr]ψfψs=[(L1+L2cos2θr)cosθr+L2sin2θrsinθrL2sin2θrcosθr+(L1−L2cos2θr)sinθr−(L1+L2cos2θr)sinθr+L2sin2θrcosθr−L2sin2θrsinθr+(L1−L2cos2θr)cosθr][idiq]+[cosθrsinθr]ψfL11=L1cosθr+L2cos2θrcosθr+L2sin2θrsinθr=(L1+L2)cosθrL12=−L1sinθr−L2cos2θrsinθr+L2sin2θrcosθr=(L2−L1)sinθrL21=L2sin2θrcosθr+L1sinθr−L2cos2θrsinθr=(L1+L2)sinθrL22=−L2sin2θrsinθr+L1cosθr−L2cos2θrcosθr=(L1−L2)cosθr因为:L1+L2=Ld;L1−L2=Lq;因此:ψs=[LdcosθrLdsinθr−LqsinθrLqcosθr][idiq]+[cosθrsinθr]ψf继续化简:ψs=[cosθrsinθr−sinθrcosθr][Ldid+ψfLqiq]
扰动观测器的设计思路:
查漏补缺
仿真及理解
学习效率
生词
单词 | 含义 | 单词 | 含义 |
---|---|---|---|
originate : | 起源;源于 | demerit | 缺点; |
audible | 音频的 | infinitesimal | 无穷小的 |
vulnerable | 易受影响的 | newly | 最新的 |
spatial | 空间的 | circuital | 电路的 |
trivial | 微小的;琐碎的 | refer to | 指的是 |
supplement | 补充;增补 | diverge | 分叉;偏离 |
extensive | 广泛的 | pertain | 与什么有关的 |
crucial | 至关重要的 | incorporate | 组合 |
internal | 内在的;本质的 | neutralize | 使失效 |
attenuation | 衰减 | asterisk | 星号 |