一种基于双目标参数辨识与卡尔曼滤波的电机热状态估计方法、系统及相关设备

本发明涉及电机热管理，更具体的说是涉及一种基于双目标参数辨识与卡尔曼滤波的电机热状态估计方法、系统及相关设备。

背景技术：

1、永磁同步电机（permanent magnet synchronous motor，pmsm）因具有高功率密度，高效率及宽调速范围的优点，广泛应用于新能源汽车等高性能场景。在高转速与大负载工况下，损耗持续累积导致电机内部温度快速升高。实现pmsm关键热节点温度的高精度在线估计，对于电机热保护，和安全运行具有重要工程意义。

2、集总参数热网络模型（lumped parameter thermal network，lptn）因兼具较高计算效率与明确物理意义，被广泛用于pmsm温度预测与热状态估计。lptn将电机内部复杂的热传递过程抽象为由热阻和热容构成的等效网络，通过求解热网络方程获得各节点温度。

3、然而，现有基于lptn的热状态估计技术存在以下缺陷：首先，在现有lptn模型参数辨识方法大多采用单目标优化框架下，热阻与热容参数之间存在强耦合，辨识得到的模型往往难以同时获得敏捷的瞬态响应和准确的稳态温度预测，导致在负载剧烈变化及温度大幅波动工况下估计精度显著下降。其次，将热网络参数辨识和卡尔曼滤波（kalman filter，kf）状态估计作为两个独立阶段的分离式策略，估计性能高度依赖于辨识参数的质量，当运行工况变化导致参数漂移时，参数失配将通过kf的预测-校正过程进一步传播和放大，造成温度估计精度劣化。再者，虽然已有部分方法尝试引入多目标优化思想，以构建帕累托前沿来平衡不同性能指标，但在高维、强耦合、非线性的热网络参数辨识问题中，传统粒子群优化（particle swarm optimization，pso）算法容易出现早熟收敛、局部寻优能力不足以及解集分布不均匀等问题。由此获得的帕累托最优解集在收敛性、多样性和局部精度方面仍存在不足，影响后续热网络模型参数选取及在线热状态估计性能。

技术实现思路

1、本发明提出了一种基于双目标参数辨识与卡尔曼滤波的电机热状态估计方法、系统及相关设备，用于电机的温度估算。该方法解耦热网络参数辨识过程中瞬态响应性能与稳态温度精度之间的固有矛盾，将参数辨识与卡尔曼滤波状态估计有机集成，避免参数失配在估计过程中的传播放大，提升多目标优化所得帕累托最优解集的质量，获得兼顾瞬态响应与稳态精度的最优热网络模型。

2、为了实现上述目的，本发明采用如下技术方案：

3、第一方面，本发明实施例提供一种基于双目标参数辨识与卡尔曼滤波的电机热状态估计方法，包括如下步骤：

4、s1、获取电机运行数据，构建五节点低阶热等效网络模型及对应的连续时间状态空间模型，对连续时间状态空间模型离散化得到离散时间状态空间模型；

5、s2、依据预设温度变化率阈值，将电机温升过程划分为瞬态阶段与稳态阶段；基于所述离散时间状态空间模型，以所述瞬态阶段的响应偏差和所述稳态阶段的热平衡偏差作为双目标优化准则，构建双目标帕累托参数辨识模型；

6、s3、采用粒子群-鲸鱼协同优化搜索策略对所述双目标帕累托参数辨识模型进行求解，获得帕累托最优解集，并根据膝点准则从所述帕累托最优解集中确定兼顾瞬态响应性能与稳态平衡性能的最优热网络参数；

7、s4、将所述最优热网络参数代入所述离散时间状态空间模型，并基于卡尔曼滤波算法对当前时刻的状态变量进行预测与校正，以在线递归估计电机关键节点的温度状态。

8、进一步的，所述步骤s1中，构建五节点低阶热等效网络模型及对应的连续时间状态空间模型，具体包括：

9、对于五节点低阶热网络模型基于热网络拓扑关系，建立连续时间状态空间模型：

10、

11、其中，表示各热节点单位时间内的温度变化速度；表示系统状态向量，表示定子齿温度，表示定子绕组温度，为定子轭温度，表示永磁体温度，表示冷却液温度，表示连续时间状态转移矩阵，表示热输入矩阵；表示节点热损耗输入向量。

12、进一步的，所述步骤s2具体包括：

13、基于历史温度数据计算各热节点的温度变化率，并依据预设温度变化率阈值对电机温升过程进行瞬态阶段和稳态阶段划分，当各热节点温度变化率均低于设定阈值时，判定电机热过程进入稳态阶段，否则判定为瞬态阶段；

14、针对瞬态阶段和稳态阶段分别构建温度误差目标函数，以瞬态阶段的动态响应偏差和稳态阶段的热平衡偏差作为双目标优化准则，建立用于热网络参数辨识的双目标帕累托优化模型，其表达式为：

15、

16、其中，表示待辨识的热网络参数向量，包括热阻参数和热容参数；表示瞬态阶段模型输出温度与实测温度的误差平方和，为第一优化目标；表示稳态阶段模型输出温度与实测温度的误差平方和，为第二优化目标。

17、进一步的，所述瞬态阶段模型输出温度、实测温度的误差平方和与稳态阶段模型输出温度、实测温度的误差平方和具体定义为：

18、

19、

20、其中，表示瞬态阶段总采样点数，表示在给定热网络参数的情况下，lptn模型计算得到的第个热节点在第个时刻的预测温度；表示第个节点在第个时刻由传感器实际采集得到的温度；表示稳态阶段总采样点数；表示全部数据长度。

21、进一步的，所述步骤s3中，采用粒子群-鲸鱼协同优化搜索策略对所述双目标帕累托参数辨识模型进行求解，获得帕累托最优解集，具体包括：

22、采用粒子群优化算法对热网络参数空间进行全局探索，构建帕累托前沿骨架，并利用外部存档保存迭代过程中产生的所有非支配解；

23、以所述外部存档中的非支配解为基础，采用鲸鱼优化算法对非支配解邻域进行局部精细搜索，更新候选参数位置，并根据非支配关系对外部存档进行更新。

24、进一步的，所述步骤s3中，根据膝点准则从所述帕累托最优解集中确定兼顾瞬态响应性能与稳态平衡性能的最优热网络参数，具体包括：

25、以瞬态误差和稳态误差均为零的点作为理想解；

26、计算帕累托最优解集中各解到所述理想解的欧氏距离；

27、计算各帕累托最优解与定义的理想点之间的欧氏距离，将欧氏距离最小的帕累托最优解作为所述最优热网络参数，表示为：

28、

29、其中，表示最优热网络参数，表示帕累托解到理想点的欧氏距离。

30、进一步的，所述步骤s4具体包括：

31、将所述最优热网络参数代入离散状态空间模型，建立离散系统状态方程和观测方程；

32、执行先验状态预测和先验误差协方差预测；

33、计算卡尔曼增益，并利用温度测量值对先验状态预测值进行后验修正；

34、从更新后的状态向量中提取定子绕组温度作为关键热力学节点的温度估计值。

35、进一步的，所述离散系统状态方程和观测方程具体表示为：

36、

37、

38、其中，表示下一个时刻电机各关键部件温度的状态向量，表示当前时刻电机各关键部件温度的状态向量，电机各关键部件包括：定子齿、定子绕组、定子轭、永磁体、冷却液；表示离散状态转移矩阵，，表示单位矩阵，表示热损耗输入向量，表示过程噪声，表示测量噪声，表示温度测量输出向量，表示观测矩阵。

39、第二方面，本发明实施例提供一种基于双目标参数辨识与卡尔曼滤波的电机热状态估计系统，应用如第一方面所述的方法，该系统包括：

40、模型构建模块，用于获取电机运行数据，构建五节点低阶热等效网络模型及对应的连续时间状态空间模型，并对模型离散化，得到离散时间状态空间模型；

41、阶段划分与优化建模模块，用于依据预设温度变化率阈值，将电机温升过程划分为瞬态阶段与稳态阶段；基于所述离散时间状态空间模型，以所述瞬态阶段的响应偏差和所述稳态阶段的热平衡偏差作为双目标优化准则，构建双目标帕累托参数辨识模型；

42、协同优化求解模块，用于采用粒子群-鲸鱼协同优化搜索策略对所述双目标帕累托参数辨识模型进行求解，获得帕累托最优解集，并根据膝点准则从所述帕累托最优解集中确定兼顾瞬态响应性能与稳态平衡性能的最优热网络参数；

43、状态估计模块，用于将所述最优热网络参数代入所述离散时间状态空间模型，并基于卡尔曼滤波算法对当前时刻的状态变量进行预测与校正，以在线递归估计电机关键节点的温度状态。

44、第三方面，本发明实施例提供一种计算机设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述的基于双目标参数辨识与卡尔曼滤波的电机热状态估计方法。

45、本发明实施例提供的上述技术方案的有益效果至少包括：

46、本发明通过构建以瞬态误差与稳态误差为目标的双目标帕累托优化模型，采用粒子群-鲸鱼联合寻优对帕累托前沿全局骨架搜索和局部精细抛光。最后采用膝点准则从帕累托非支配解集中选取最优热网络参数代入卡尔曼滤波状态空间模型，实现电机关键部件温度的在线高精度估计。

47、本发明通过将温升过程中热容参数主导的瞬态响应性能与热阻参数主导的稳态温度精度解耦优化，有效克服了单目标辨识方法中瞬态与稳态相互牵制的固有矛盾，同时有效克服了传统粒子群算法在高维非线性参数辨识问题中易早熟收敛的缺陷。将基于膝点准则优化得到的最优热网络参数嵌入卡尔曼状态空间模型，使参数辨识与热状态估计在同一框架内协同工作，避免了传统分离式策略中参数失配通过卡尔曼预测-校正过程传播放大的问题。