Highly Adaptable Data-Physics-Driven Predictive Control Using Likelihood Weights on PMSM Drives

doi:10.1109/jestpe.2026.3734433

Highly Adaptable Data-Physics-Driven Predictive Control Using Likelihood Weights on PMSM Drives

2026-09-17

0

PRE

AI

DOI：10.1109/jestpe.2026.3734433

原文链接

原文求助

摘要

En 中文

无模型预测控制（MFPC）用数据驱动模型替代物理模型以实现固有鲁棒性。然而，尤其是在参数匹配情况下，数据驱动模型通常缺乏高适应性，这与基于装置运行机理构建的物理模型不同。为提高适应性，本文提出一种基于似然权重和模型静默机制的数据-物理驱动预测控制（DPDPC），并将其作为永磁同步电机（PMSM）驱动的当前控制器。装置模型将物理模型与多个数据驱动模型结合，通过一组自适应权重生成灵活的控制信号。基于采样数据的概率分布，设计似然函数动态选择权重，确保最适应的模型主导运行，权重持续减小的模型将静默以释放额外资源并防止溢出错误。理论分析证实系统在不同权重下的稳定性。实验结果验证了所提方法的有效性，表明与采用外生输入自回归超局部化模型（ARX）的MFPC相比，所提方法提升了电流质量和模型适应性。此外，该方法表现出增强的鲁棒性，尽管它并非完全无模型。

Keyword:

Data-physics-driven predictive control (DPDPC)

likelihood weights

high adaptability

permanent magnet synchronous motor (PMSM) drives

Highly Adaptable Data-Physics-Driven Predictive Control Using Likelihood Weights on PMSM Drives

摘要

期刊

机构

引用论文