从电动车痛点出发：双三相永磁电机如何靠‘弱磁’跑得更远更快？（深入对比凸极与隐极设计）

双三相永磁电机弱磁控制技术：破解电动车高速性能瓶颈的工程实践

电动车的高速巡航与急加速能力一直是用户关注的焦点，而永磁同步电机（PMSM）的弱磁控制技术正是解锁这一性能的关键。不同于传统三相电机，双三相永磁同步电机通过独特的六相绕组设计，在电压利用率、容错性能和弱磁范围上展现出显著优势。本文将深入剖析这一技术的工程实现路径。

1. 电动车工况对弱磁性能的核心诉求

城市道路上的急加速超车场景要求电机在3-5秒内提供峰值扭矩，而高速公路巡航时则需要维持高转速下的持续功率输出。这两种典型工况对弱磁控制提出了截然不同的需求：

• 急加速工况：需要瞬时提供150-200%额定电流，此时电机参数需满足：

  T_{peak} = \frac{3}{2}p[\psi_f i_q + (L_d - L_q)i_d i_q]

  其中ψf为永磁体磁链，Ld/Lq为直轴/交轴电感

• 高速巡航工况：要求电机在基速以上保持恒功率输出，其扩速能力取决于：

  \omega_{max} = \frac{V_{dc}}{\sqrt{(L_d i_d + \psi_f)^2 + (L_q i_q)^2}}

特征电流（ψf/Ld）成为衡量弱磁潜力的关键指标。某款商用电动车电机的实测数据显示：当特征电流从50A降低到30A时，弱磁扩速范围可提升40%。

2. 凸极与隐极电机的弱磁性能本质差异

2.1 电磁结构对比

2.2 弱磁机理分析

凸极电机利用磁阻转矩效应，在相同电流下可产生更大转矩。其弱磁控制时的工作点轨迹遵循：

i_d = -\frac{\psi_f}{L_d} + \sqrt{\left(\frac{V_{max}}{\omega L_d}\right)^2 - \left(\frac{L_q}{L_d}i_q\right)^2}

而隐极电机由于Ld=Lq，其弱磁方程简化为：

i_d = -\frac{\psi_f}{L_d} + \sqrt{\left(\frac{V_{max}}{\omega L_d}\right)^2 - i_q^2}

某款800V平台电驱系统的实测数据表明：采用凸极设计可使高速区（>5000rpm）的转矩输出提升25%。

3. 双三相架构的弱磁优势实现路径

3.1 电压矢量空间解耦

双三相电机通过矢量空间解耦变换，将六维系统分解为：

• α-β子平面：产生有效转矩
• z1-z2子平面：谐波分量（通常抑制）
• o1-o2子平面：零序分量（恒为零）

其电压利用率提升的关键在于对z1-z2平面的开环控制：

# 双三相SVPWM实现示例 def svpwm_dual_three_phase(V_alpha, V_beta, V_z1=0, V_z2=0): # α-β平面调制 T1 = (np.sqrt(3)*T_s/V_dc)*(V_alpha - V_beta/np.sqrt(3)) T2 = (2*T_s/V_dc)*(V_beta/np.sqrt(3)) # z1-z2平面强制置零 T_z = 0 return [T1, T2, T_z]

3.2 容错运行增强

当一相绕组故障时，双三相系统可通过重构算法维持运行：

1. 隔离故障相绕组
2. 重新计算健康相的电流分配：

   \begin{bmatrix}i_{a1}\\i_{b1}\\i_{c1}\\i_{a2}\\i_{b2}\\i_{c2}\end{bmatrix} = \begin{bmatrix} 1 & 0 & 0 & 0\\ -0.5 & \sqrt{3}/2 & 0 & 0\\ -0.5 & -\sqrt{3}/2 & 0 & 0\\ 0 & 0 & 1 & 0\\ 0 & 0 & -0.5 & \sqrt{3}/2\\ 0 & 0 & -0.5 & -\sqrt{3}/2 \end{bmatrix} \begin{bmatrix}i_\alpha\\i_\beta\\i_{z1}\\i_{z2}\end{bmatrix}

3. 调整弱磁电流限值，确保不退磁

4. 全速域MTPA弱磁控制算法工程实现

4.1 三阶段控制策略

1. 恒转矩区（ω < ωrt1）：

   • 采用id=0控制
   • 转矩方程简化为：

     T_e = \frac{3}{2}p\psi_f i_q

2. 混合弱磁区（ωrt1 < ω < ωrt2）：

   • 动态切换id=0与MTPA模式
   • 电流分配遵循：

     i_d = -\frac{\psi_f}{2L_d} + \sqrt{\left(\frac{\psi_f}{2L_d}\right)^2 + i_q^2}

3. 深度弱磁区（ω > ωrt2）：

   • 强制沿电压极限椭圆运行
   • 采用梯度下降法在线优化：

     def gradient_descent(i_d, i_q, V_max, ω): err = np.sqrt((L_d*i_d + ψf)**2 + (L_q*i_q)**2) - V_max/ω if err > 0: delta_id = -Kp*err*(L_d*(L_d*i_d + ψf)) deltaiq = -Kp*err*(L_q**2*i_q) return [i_d + deltaid, i_q + deltaiq] return [i_d, i_q]

4.2 动态参数补偿

实际运行中需实时修正以下参数：

• 永磁体磁链ψf的温度补偿：

  \psi_f(T) = \psi_{f25℃}[1 + \alpha(T - 25)]

  其中α≈-0.0012/℃（钕铁硼材料）
• 电感饱和特性补偿：

  L_d(i_d) = L_{d0}(1 - k_{sat}i_d^2)

某量产车型的测试数据显示：加入动态补偿后，高速区（>8000rpm）的转矩波动降低42%。