Электрические машины потребляют почти половину всей электроэнергии, вырабатываемой в мире, что делает их одним из основных источников выбросов углекислого газа. Поэтому, если мы хотим развивать устойчивые общества, мы должны убедиться, что электродвигатели, на которые мы полагаемся, очень эффективны и надежны.
Однако мир электродвигателей огромен и разнообразен. Синхронные двигатели с постоянными магнитами (PMSM) предлагают некоторые ключевые преимущества по сравнению с конкурирующими технологиями благодаря их небольшому размеру, эффективности и высокому коэффициенту мощности. Эти качества позволили PMSM найти место в системах привода электромобилей, высокоскоростных поездах, силовых установках электрических кораблей и высокопроизводительных системах обработки с числовым программным управлением, а также в других приложениях.
Для правильной работы СДПМ применение соответствующей стратегии управления так же важно, как и сами детали двигателя. В этом отношении наиболее привлекательной стратегией на сегодняшний день является модельно-прогностическое управление (MPC). Проще говоря, MPC включает в себя наличие математической модели динамического процесса, которым предполагается управлять, и использование прогнозов этой модели для настройки управляющих сигналов. Подход MPC позволяет поддерживать работу PMSM в рамках желаемого набора ограничений, используя при этом хорошо зарекомендовавшие себя модели преобразователей энергии и систем передачи.
В частности, стратегия MPC с конечным набором управления (FCS-MPC) является одним из наиболее интуитивно понятных и простых способов реализации MPC в PMSM и стала горячей точкой в исследованиях MPC. Однако в FCS-MPC все еще остается много проблем, которые необходимо решить, прежде чем эта схема управления сможет раскрыть весь потенциал PMSM.
С этой целью группа исследователей во главе с профессором Сяодун Суном из Университета Цзянсу, Китай, недавно опубликовала обзорную статью в IEEE/CAA Journal of Automatica Sinica в сентябре 2022 года. В ней они объясняют основные принципы FCS-MPC, его недостатки, а также современные методы, разработанные для их устранения, и направления будущих исследований.
Некоторыми из наиболее важных проблем в FCS-MPC, применяемых к PMSM, являются вычислительная сложность и задержка, связанные с прогнозами базовой модели и алгоритма оптимизации, который определяет подходящее значение для управляющих сигналов. Более того, расчеты FCS-MPC основаны на нескольких параметрах модели, которые должны быть точно установлены, чтобы прогнозы были значимыми.
Статья начинается с рассмотрения проблем и потенциальных решений, направленных на повышение устойчивости работы FCS-MPC к неопределенностям и колебаниям параметров, а также к внешним возмущениям. Некоторые исследования были сосредоточены на оценке возможных возмущений и их компенсации, в то время как другие пытались устранить влияние колебаний параметров за счет новых поворотов моделей прогнозирования, таких как модель прогнозирования без параметров или подход к идентификации параметров в режиме онлайн.
В статье также рассказывается о последних достижениях в снижении вычислительной нагрузки FCS-MPC. Авторы описывают другие привлекательные схемы для повышения производительности, такие как многовекторная стратегия FCS-MPC, компенсирующая задержку, вносимую расчетами MPC, и корректировка весового коэффициента, применяемого к переменным, которыми система должна управлять, что реализует идею приоритета.
Наконец, в статье изложены несколько важных направлений исследований, позволяющих применять FCS-MPC в PMSM. Одной из них является многоступенчатая стратегия управления, которая может значительно снизить потери при переключении и сделать систему в целом более эффективной. Другой включает продвижение важных частей теории FCS-MPC, таких как анализ стабильности, а также изучение новых способов объединения различных схем управления вместе для повышения производительности.
В связи с этим профессор Сунь говорит: «Недавнее активное развитие новых методов позволяет системам привода PMSM сочетать решения, такие как отказоустойчивое управление и управление без датчика, в практических приложениях. Потребуются дальнейшие исследования для изучения сочетание этих методов для достижения лучших результатов».
Таким образом, улучшение методов MPC может помочь нам более эффективно использовать PMSM в любом контексте, независимо от того, насколько сложны условия эксплуатации. В свою очередь, это вылилось бы в социальные выгоды по разным направлениям, как объясняет профессор Сан: «Модельное предиктивное управление направлено на решение задач управления с требованиями оптимизации. Поэтому с углублением исследований ПДК жизнь людей станет более экономичной, безопасной, и экологически чистый».
