【顶刊】基于ESO+MFPCC+ADRC，二阶三阶ESO扩展状态观测器的PMSM驱动器无模型预测电流电机控制算法
✅作者简介：热爱科研的Matlab仿真开发者，擅长毕业设计辅导、数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：做科研，博学之、审问之、慎思之、明辨之、笃行之，是为：博学慎思，明辨笃行。
🔥 内容介绍
一、引言
永磁同步电机（PMSM）因其高效、高功率密度等优点，在工业领域得到广泛应用。精确的电机控制算法对于提升 PMSM 的性能至关重要。传统的控制方法在面对复杂工况和电机参数变化时，控制性能可能受到影响。本文提出基于扩展状态观测器（ESO）、无模型预测电流控制（MFPCC）和自抗扰控制（ADRC）的控制策略，旨在提高 PMSM 驱动器的控制精度和鲁棒性。
二、相关理论基础
- 扩展状态观测器（ESO）
：ESO 能够实时估计系统的状态变量以及系统总扰动。对于 PMSM 系统，通过对电机的电流、转速等信号进行观测，ESO 可以将系统中的未知扰动（如电机参数变化、负载扰动等）估计出来，为后续的控制策略提供补偿信息。二阶 ESO 适用于估计一阶系统的状态和扰动，三阶 ESO 则可用于更复杂的二阶系统状态及扰动估计。
- 无模型预测电流控制（MFPCC）
：该方法无需精确的电机数学模型，通过对电流的预测和优化来实现对 PMSM 的控制。它利用历史电流数据和系统的动态特性，预测未来时刻的电流值，并根据控制目标（如电流跟踪误差最小化）计算出最优的电压指令，从而实现对电机电流的精确控制。
- 自抗扰控制（ADRC）
：ADRC 通过将系统中的未知扰动进行估计并补偿，使系统能够在不确定因素下保持良好的控制性能。在 PMSM 的转速控制中，ADRC 利用 ESO 估计的转速扰动信息，实时调整控制量，以克服负载变化等扰动对转速的影响，提高转速控制的精度和鲁棒性。
三、控制策略设计
- 电流环（ESO + MFPCC） + 转速环（PI 控制）
- 电流环
：首先，利用 ESO 实时观测电机电流的状态以及系统中的扰动。将观测到的电流状态信息输入到 MFPCC 模块，MFPCC 根据预测电流与实际电流的误差，通过优化算法计算出合适的电压指令，以实现对电流的精确跟踪控制。
- 转速环
：采用传统的 PI 控制器。PI 控制器根据给定转速与实际转速的偏差，输出电流给定值给电流环。PI 控制器参数通过经验或相关整定方法进行设置，以满足系统的动态和稳态性能要求。
- 电流环
- 电流环（ESO + MFPCC） + 转速环（ADRC 控制，二阶 ESO）
- 电流环
：与第一种方案相同，通过 ESO 估计电流状态和扰动，为 MFPCC 提供准确信息，MFPCC 计算电压指令实现电流精确控制。
- 转速环
：在此方案中，转速环采用 ADRC 控制，并使用二阶 ESO。二阶 ESO 对转速及其扰动进行实时估计，ADRC 根据 ESO 估计的扰动信息对转速偏差进行补偿控制。与传统 PI 控制相比，这种方法能够更有效地应对负载变化等扰动，提高转速控制的鲁棒性。
- 电流环
- 电流环（ESO + MFPCC） + 转速环（ADRC 控制，三阶 ESO）
- 电流环
：依然基于 ESO 和 MFPCC 实现电流的精确控制。
- 转速环
：采用 ADRC 控制并结合三阶 ESO。三阶 ESO 能够更全面地估计系统状态和扰动，相比二阶 ESO，在处理更复杂的转速扰动情况时具有优势。ADRC 利用三阶 ESO 估计的信息，对转速进行更精确的控制，进一步提升系统在复杂工况下的性能。
- 电流环
四、离散化模型与实现
- 离散化模型
：对 PMSM 系统进行离散化处理，以便在数字控制系统中实现。转速通过对电机角度进行微分得到离散化的转速值。离散化后的模型能够更好地与数字控制器的采样频率相匹配，提高控制的实时性和准确性。
- 模块实现
：ESO 和电压指令等大多数模块使用 Matlab Function 函数实现。这种方式便于编写复杂的算法逻辑，并且能够与 Matlab/Simulink 平台紧密结合，方便进行系统建模和仿真分析。
- 参数整定
：对于自抗扰控制部分，采用自抗扰控制参数整定方法。该方法通过对系统动态性能的分析，结合经验公式或优化算法，确定 ADRC 中的关键参数，如带宽参数等，以保证系统在不同工况下都能达到较好的控制效果。
⛳️ 运行结果
🔗 参考文献
[1]滕青芳.基于扩张状态观测器的无速度传感器容错逆变器驱动永磁同步电机系统自抗扰模型预测转矩控制[J].控制理论与应用, 2016, 33(5):9.DOI:10.7641/CTA.2016.50808.
🍅更多创新智能优化算法模型和应用场景可扫描关注
🌟机器学习/深度学习类：BP、SVM、RVM、DBN、LSSVM、ELM、KELM、HKELM、DELM、RELM、DHKELM、RF、SAE、LSTM、BiLSTM、GRU、BiGRU、PNN、CNN、XGBoost、LightGBM、TCN、BiTCN、ESN、Transformer、模糊小波神经网络、宽度学习等等均可~
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌟组合预测类：CNN/TCN/BiTCN/DBN/Transformer/Adaboost结合SVM、RVM、ELM、LSTM、BiLSTM、GRU、BiGRU、Attention机制类等均可（可任意搭配非常新颖）~
🌟分解类：EMD、EEMD、VMD、REMD、FEEMD、TVFEMD、CEEMDAN、ICEEMDAN、SVMD、FMD、JMD等分解模型均可~
🌟路径规划类：旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻、公交车时间调度、水库调度优化、多式联运优化等等~
🌟小众优化类：生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位、冷链、时间窗、多车场等、选址优化、港口岸桥调度优化、交通阻抗、重分配、停机位分配、机场航班调度、通信上传下载分配优化、微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化\智能电网分布式能源经济优化调度，虚拟电厂，能源消纳，风光出力，控制策略，多目标优化，博弈能源调度，鲁棒优化等等均可~
🌟 无人机应用方面：无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌟通信方面：传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌟信号处理方面：信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌟电力系统方面： 微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化\智能电网分布式能源经济优化调度，虚拟电厂，能源消纳，风光出力，控制策略，多目标优化，博弈能源调度，鲁棒优化
🌟原创改进优化算法（适合需要创新的同学）：原创改进2025年的波动光学优化算法WOO以及三国优化算法TKOA、白鲸优化算法BWO等任意优化算法均可，保证测试函数效果，一般可直接核