在电机控制领域，数据驱动预测控制策略凭借其独特优势占据重要地位。该策略采用数据驱动模型描述被控对象的运行状态，对于物理参数和特性极易受环境因素影响的电机系统，该策略能够有效消除物理模型失配带来的负面影响，显著增强系统的鲁棒性，保障电机系统在复杂环境下稳定、可靠运行。然而，常用的时间序列数据驱动模型存在两个亟待解决的突出问题。其一，在连续控制集条件下，其实现过程极为复杂，系统开发和运行难度较高。其二，固定阶数导致模型适配性不足，难以灵活应对电机系统在不同工况下的动态变化，引发预测精度下降等问题。中国科学院海西研究院泉州装备制造研究中心汪凤翔课题组提出一种基于自适应超局部时间序列的先进无模型预测电流控制方法。该方法在模型阶数调整方面，设计动态最小二乘法逻辑，实时更新模型系数的同时，通过预测误差最小化在线调整模型阶数；在模型重构方面，提出时间序列模型的超局部化重构思想，将复杂的离散传递函数结构凝练为集总误差+输入增益形式，结合智能比例积分微分控制方程，即可快速、准确地获得控制信号。值得注意的是，模型重构后控制策略实现完全数据驱动，无需任何物理参数参与计算和更新过程。此项研究为无模型预测控制的精度提升与工程化应用提供了新的思路。

图1. 不同模型阶数下各运动状态所得预测误差

图2. 模型阶数在线调整逻辑

这项研究首次提出超局部化重构的时间序列模型，成功避免矩阵偏导等复杂运算，通过相对简单的模型重组即可获得控制信号，有效降低系统实现的复杂度。结合模型阶数在线调整逻辑，模型适配性进一步改善，有效防止因忽略高阶运动状态而引发的预测精度下降问题。永磁电机系统的实验结果表明，该方法成功改善系统的预测精度和模型适配性，使电机系统获得良好电流质量和强鲁棒性。

相关研究成果以“Adaptive Ultralocalized Time-Series for Improved Model-Free Predictive Current Control on PMSM Drives”为题发表于IEEE Transaction on Power Electronics期刊上。中国科学院海西研究院泉州装备制造研究中心汪凤翔研究员为本文通讯作者，魏尧助理研究员为本文第一作者，研究工作获得国家自然科学基金、中国博士后科学基金、福建省自然科学基金、泉州市科技计划项目等支持。

论文链接：https://ieeexplore-dev.ieee.org/document/10413591

（汪凤翔课题组供稿）