学术简报｜完全采用实际数据进行电机参数辨识的新思路
安徽大学电气工程学院的研究人员漆星、张倩，在2019年第9期《电工技术学报》上撰文指出（论文标题为“Actor-Critic框架下的数据驱动异步电机离线参数辨识方法”），电动汽车用电机的参数辨识可以使电机在任意转速下尽可能输出更高的转矩及效率，是优化电机输出性能的重要手段。传统的基于模型驱动的参数辨识方法的缺点为易受模型误差的影响、抗干扰能力差以及无法实现全转速范围内的转矩最优。
鉴于上述缺点，该文研究了一种完全基于实际数据的电动汽车用异步电机离线参数辨识方法，对电机的转子电阻和励磁电感在任意转速下进行了优化，从而使电机能够在特定转速和特定电流下输出最优转矩。
为达到电机在特定转速和电流下输出转矩最优的目的，研究了一种基于Actor-Critic框架的电动汽车用异步电机离线参数辨识方法，确定了框架中的观测、奖励和动作的设计。实验证明相对于传统参数辨识方法，该文方法具有更高的精确性和鲁棒性，同时确保了电动汽车用异步电机在任意转速下的输出转矩最优。
异步电机的矢量控制因其稳定可靠、响应速度快等优点，在工业场合中得到了大量应用。近年来，异步电机的间接矢量控制（Indirect Field Orient Control, IFOC）在电动汽车领域的使用越来越广泛。由于IFOC是采用基于转差角频率的转矩控制，本质上是一种前馈控制方法。电机的参数，特别是转子时间常数的变化，会导致异步电机转子磁链定向不准，从而严重影响电机的输出转矩和输出效率。因此，有必要对电机参数，特别是转子时间常数进行辨识。
与传统工业应用不同，在电动汽车用电机控制中，希望电机在任意转速下尽可能输出最高的转矩。为达到这一目的，有必要对任意转速下的电机进行基于转矩最优的参数辨识，称之为电机参数标定。国内外文献采取了一些控制方法对电机参数进行辨识，例如模型参考自适应方法、扩展卡尔曼滤波器方法、滑模观测法、最小二乘法等。
上述方法的共同点是算法极大地依赖于电机的数学模型，被称为模型驱动法。模型驱动法主要存在以下四种缺陷：
①模型驱动法的辨识精度受模型误差影响大。例如，文献[5]提出了一种基于扩展卡尔曼滤波器的电机参数辨识方法，但该方法在高噪声的状态下无法适用，因为噪声会叠加至系统模型成为模型误差，从而降低了算法的精确性。
②模型驱动法存在稳定性问题，在某些状态下导致系统发散。例如，文献[6]提出了一种基于模型参考自适应的参数辨识方法，但在低频状态下，定子电阻的扰动会造成系统的不稳定。
③模型驱动法只能在某些特定的状态适用，无法扩展到全状态场合。例如，文献[7]采用最小二乘法进行参数辨识，但只能适用于恒转矩状态，无法扩展到弱磁状态，因此无法适用于电动汽车用电机的参数辨识。
④模型驱动法的目标是跟踪正确的物理参数，而电动汽车用电机参数辨识的目标是搜索到在任意给定转速和给定电流的条件下能使转矩输出最大化的参数值，两者的辨识目标仍存在着差异性。
近年来人工智能理论的发展使得基于数据驱动的电机参数辨识方法成为可能。数据驱动的电机参数辨识方法的主要特征为：基于大量的实验数据，采用人工智能的方法对电机的参数模型进行训练。较为成功的方法包括基于人工神经网络的参数辨识方法、基于支持向量机的参数辨识方法、基于遗传算法的参数辨识方法以及基于粒子群算法的参数辨识方法等。
相比于模型驱动方法，数据驱动方法具有更高的辨识精度和算法鲁棒性，同时，可以在给定转速及电流下给出基于转矩最优的参数解，从而适用于电动汽车用电机参数辨识的要求。然而，数据驱动方法最大的缺陷在于：成功的数据驱动方法往往需要大量的带有标签的训练数据，但在实际的工业应用中，这种数据往往难以获取。
文献[12]采用神经网络对异步电机转子时间常数进行辨识，但使用电压模型作为标签训练神经网络，本质上仍属于模型驱动方法。文献[13]使用支持向量机进行电机参数的训练，但没有阐述训练数据的获取方法。文献[14]采用多目标粒子群算法对电机参数进行辨识，但使用的是电机铭牌数据作为标签数据，其可靠性有待商榷。
鉴于上述问题，本文研究了一种Actor-Critic框架下的数据驱动电动汽车用异步电机离线参数辨识方法，其特点为：①训练数据可以自动生成，无需从外界获取；②数据的获取和训练同时进行，从而缩短了训练时间；③辨识结果为概率解而非确定解，从而提高了算法的抗干扰性；④可以实现任意给定转速及给定电流下基于转矩最优的无偏估计，从而适用于电动汽车用异步电机的参数辨识要求。
图5 基于Actor-Critic框架的电机参数辨识的数据流图
图6 实验平台示意图
传统的基于模型驱动的电机参数辨识方法的缺点为易受模型误差的影响、抗干扰能力差、无法实现全转速范围转矩最优等。基于上述缺点，本文研究了一种数据驱动的新思路，即完全采用实际数据进行电机参数辨识的方法。
针对传统数据驱动方法中需要大量标签数据的问题，研究了一种基于Actor-Critic框架的电动汽车用异步电机参数辨识方法，使得电机可以在数据训练的同时，自动产生训练数据的标签值，从而解决了数据驱动电机参数辨识方法中标签数据难以获取的问题。实验结果表明了与传统的模型驱动法相比，本文方法的优势为：
1）基于模型驱动的电机参数辨识方法受到模型误差和模型稳定性的影响，在某些工况下辨识精度较低；而本文方法完全基于实际数据，辨识的参数不会受到模型误差和稳定性的影响，同时，使用概率解而非精确解保证了该方法具有很强的抗噪声性。
2）基于模型驱动的电机参数辨识方法只能辨识出电机实际参数，不能保证全转速范围的转矩和效率最优；本文方法辨识的是使电机输出转矩最优的参数，而并非实际物理参数，可以使电机的转矩和效率更高。
必须注意的是，本文提出的方法仍然受到某些方面的限制，后续的研究工作有：
1）由于本文采用转矩作为奖励值，因此，需要在带有转矩仪的对拖台架上才能实现，限制了本文方法的应用场合。因此，如何改进奖励值是今后需要研究的内容。
2）基于Actor-Critic框架的参数辨识方法本质是“试错”方法，具有一定“破坏”性，因此无法适用于电机参数的在线辨识，只能适用于电机参数的离线辨识。事实上，可以将基于Actor-Critic框架的参数辨识方法作为电机的“数据产生器”，同时使用另一种数据建模方法对其数据进行训练，再将最终数据模型送入电机控制器，从而实现电机参数的在线辨识。具体内容会在后续的工作详细阐述。