基于扩展卡尔曼滤波算法的永磁同步电机 PMSM 无传感器矢量控制 Simulink 仿真模型研究
一、引言
随着现代电力电子技术和控制理论的不断发展，永磁同步电机（PMSM）在无传感器矢量控制领域的研
究日益受到关注。其中，扩展卡尔曼滤波（EKF）算法作为一种有效的状态估计方法，被广泛应用于
PMSM 的无传感器控制中。本文将围绕基于 EKF 算法的 PMSM 无传感器矢量控制的 Simulink 仿真模
型展开研究，探讨其数学模型的搭建、双闭环 dq 解耦控制策略以及 EKF 算法在电机控制中的应用。
二、PMSM 的数学模型搭建
PMSM 的数学模型是 PMSM 无传感器矢量控制的基础。在 Simulink 中，我们需要搭建一个包含电机
本体、逆变器、传感器等模块的模型。电机本体模型主要包括电气方程和机械方程，用于描述电机的
动态行为。电气方程涉及电压、电流、磁链等参数，机械方程则涉及转速、转矩等参数。此外，还需
要搭建一个逆变器模型，用于模拟 PWM 信号的产生和功率转换过程。最后，通过传感器模块获取电机
的运行状态信息，如转子电角度和机械转速等。
三、双闭环 dq 解耦控制策略
在 PMSM 的无传感器矢量控制中，通常采用双闭环 dq 解耦控制策略。该策略包括转速外环和转矩内
环两部分。转速外环负责调节电机的转速，根据转速误差调整转矩指令。转矩内环则负责根据转矩指
令和电流限制条件计算 dq 轴电流指令。为了实现 dq 解耦控制，需要采用坐标变换技术，将定子电流
从静止坐标系变换到旋转坐标系上。这样可以将交流电机的控制问题转化为直流电机的控制问题，简
化控制策略的设计和实现。
四、EKF 算法在电机控制中的应用
在 PMSM 的无传感器矢量控制中，EKF 算法被广泛应用于电机的状态估计。通过 EKF 算法，我们可以
对电机的转子电角度和机械转速进行实时估算。具体而言，我们需要构建一个包含电机动态方程和观
测方程的状态空间模型。然后，利用扩展卡尔曼滤波算法对状态空间模型进行迭代计算，得到电机的
状态估计值。这些估计值可以用于电机的控制策略中，实现无传感器矢量控制。与传统的传感器测量
方法相比，基于 EKF 算法的状态估计方法具有更高的精度和鲁棒性。
五、仿真结果与分析
在 Simulink 中搭建好仿真模型后，我们可以进行仿真实验来验证基于 EKF 算法的 PMSM 无传感器
矢量控制策略的有效性。通过对比仿真结果和实际运行数据，我们可以发现基于 EKF 算法的 PMSM 无
传感器矢量控制策略具有良好的性能表现。在转速和转矩的调节过程中，该策略能够实现快速响应和
