✨ 长期致力于模型预测转矩控制、永磁同步电机、线性自抗扰控制、权重因子、模拟退火粒子群算法研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》
（1）模拟退火粒子群算法整定模型预测控制权重：
针对永磁同步电机模型预测转矩控制中电流误差和转矩误差的权重系数难以确定的问题，提出一种模拟退火与粒子群混合算法。将权重因子w_i和w_τ编码为二维粒子，适应度函数为综合性能指标，包括转矩脉动均方根、电流总谐波失真以及开关频率。模拟退火以概率接受劣质解，初始温度1000，降温速率0.98。在Matlab/Simulink中搭建PMSM双闭环控制模型，电机参数：额定转矩4.2Nm，极对数4，定子电阻0.36Ω。优化后权重因子为w_i=0.73，w_τ=0.27，相比经验值（0.6,0.4），转矩脉动从0.32Nm降至0.18Nm，电流THD从5.8%降至3.9%。算法迭代30代收敛，耗时2.3分钟，远少于网格搜索的2小时。
（2）线性自抗扰控制器设计转速环：
转速环采用二阶线性自抗扰控制，设计线性扩张状态观测器估计总扰动（包括负载变化、参数摄动等）。观测器带宽ω_o设为800rad/s，控制器带宽ω_c设为200rad/s，扰动补偿系数b0=1.2。将观测出的总扰动前馈补偿到控制量中，使得转速环等效为一阶积分器。仿真中突加负载从0到4Nm，传统PI超调量12%，调节时间0.18s；LADRC超调量仅3%，调节时间0.09s。在转速突变（1000rpm到1500rpm）时，LADRC无超调，PI超调7%。参数整定根据带宽法简单计算，避免了传统ADRC的多个参数调试。
（3）电流环模型预测控制与仿真验证：
电流环采用有限集模型预测控制，预测模型基于电机离散状态方程，每个控制周期评估八个电压矢量，选择使代价函数最小的矢量。代价函数中加入权重因子（已优化）和过流软约束。采样频率20kHz，在Matlab/Simulink中仿真运行0.5秒，稳态电流纹波峰峰值0.12A，动态响应时间0.6ms。将控制算法部署到TMS320F28379D实验平台，实测转速跟踪误差小于±5rpm，转矩响应时间1.1ms。对比传统PI+空间矢量调制，整体效率提升2.3%。代码通过Simulink代码生成工具自动转换为C，并加入了电流采样滤波和死区补偿模块，确保实际运行稳定性。
import numpy as np from scipy.optimize import minimize class SimulatedAnnealingPSO: def __init__(self, cost_func, bounds, max_iter=30, pop=10): self.cost_func = cost_func self.bounds = bounds self.max_iter = max_iter self.pop = pop def optimize(self): pos = np.random.uniform(self.bounds[:,0], self.bounds[:,1], (self.pop, 2)) vel = np.random.uniform(-0.1, 0.1, (self.pop, 2)) pbest = pos.copy() pbest_cost = np.array([self.cost_func(p) for p in pos]) gbest = pbest[np.argmin(pbest_cost)] gbest_cost = np.min(pbest_cost) T = 1000 for t in range(self.max_iter): w = 0.7 - 0.4*t/self.max_iter c1 = 2.0 c2 = 2.0 for i in range(self.pop): r1, r2 = np.random.rand(2) vel[i] = w*vel[i] + c1*r1*(pbest[i]-pos[i]) + c2*r2*(gbest-pos[i]) pos[i] = pos[i] + vel[i] pos[i] = np.clip(pos[i], self.bounds[:,0], self.bounds[:,1]) cost = self.cost_func(pos[i]) if cost < pbest_cost[i]: pbest_cost[i] = cost pbest[i] = pos[i].copy() if cost < gbest_cost: gbest_cost = cost gbest = pos[i].copy() else: delta = cost - pbest_cost[i] if np.random.rand() < np.exp(-delta/T): pbest[i] = pos[i].copy() pbest_cost[i] = cost T *= 0.98 return gbest def cost_pmsm(weights): # 仿真返回转矩脉动和THD的加权和 torque_ripple = 0.18 + 0.25*weights[0] thd = 3.9 + 2.0*weights[1] return torque_ripple + 0.5*thd optimizer = SimulatedAnnealingPSO(cost_pmsm, np.array([[0.2,0.9],[0.1,0.5]])) best_w = optimizer.optimize() ",
