⚡ electrical engineering

Robust Synchronous Reference Frame Phase-Looked Loop (PLL) with Feed-Forward Frequency Estimation

本文提出了一种增强型鲁棒同步旋转坐标系锁相环（SRF-PLL），该锁相环通过引入无模型前馈频率估计器和归一化方案，旨在改善瞬态响应、频率斜坡跟踪能力以及幅度不敏感性，并已在不同转速和负载下的永磁同步电机（PMSM）驱动系统中进行了实验验证。

原作者： Michael Ruderman, Elia Brescia, Paolo Roberto Massenio, Giuseppe Leonardo Cascella, David Naso

发布于 2026-06-01

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Michael Ruderman, Elia Brescia, Paolo Roberto Massenio, Giuseppe Leonardo Cascella, David Naso

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图在拥挤、嘈杂的舞池中，与一位正在引领你的舞伴完美同步地起舞。你的舞伴（电网或电机）正按照特定的节奏（频率）和方向（相位）移动。你的任务是完全匹配他们的步伐，以免绊倒或失去同步。

这篇论文是关于为那些需要与电力保持同步的机器打造一个更好的“舞伴”。以下是他们利用简单类比对解决方案进行的拆解：

问题所在：“盲人”舞者

大多数机器使用一种叫做锁相环 (Phase-Locked Loop, PLL) 的工具。你可以把它想象成一名试图跟随领舞者的舞者。

旧方式： 标准舞者通过倾听领舞者的音乐，尝试猜测节拍并调整步伐。如果领舞者突然加速、减速，或者音乐因为噪音（比如劣质扬声器）而变得失真，舞者就会感到困惑。他们可能会踉跄、落后，甚至完全失去节奏。
问题在于： 如果领舞者快速改变速度（比如电机加速），标准舞者反应太慢，无法跟上。如果音乐音量发生变化，舞者会对步幅的大小感到困惑。

解决方案：“戴着耳机”的智能舞者

作者提出了一种升级版的舞者，称为 具有前馈频率估计功能的鲁棒 SRF-PLL。他们为这位舞者增加了两个主要的“超能力”：

1. “降噪耳机”（频率估计器）
这位舞者不再仅仅通过听音乐来猜测节拍，而是戴上了一副特殊的耳机，即使音乐充满噪音或领舞者正在快速改变速度，它也能瞬间计算出音乐的精确速度。

工作原理： 它观察原始数据（电流），并利用一种巧妙的数学技巧，在舞者做出反应之前就预测出速度。
益处： 这就像舞者在领舞者实际移动之前，就已经预知到对方要加速了。这使得舞者能够瞬间做出调整，即使在剧烈变化期间也能保持完美的同步。

2. “抗音量”舞鞋（归一化）
在旧系统中，如果音乐变大或变小（电压或电流振幅的变化），舞者会对自己的步幅大小感到困惑。

修复方案： 新舞者穿着特殊的鞋子，可以根据音量自动调节。无论音乐是低语还是轰鸣，舞者的步幅都保持一致且稳定。这使得系统更加稳定且易于调试。

“前馈”的魔力

论文将这种速度预测称为“前馈 (Feed-Forward)”。想象一下开车。

没有前馈： 你看到前方有坡，感觉到车速慢了下来，然后你才踩下油门。你始终是在对已经发生的事情做出反应。
有了前馈： 你看到了前面的坡，在车速甚至还没开始减慢之前，你就按下了油门。你在帮助汽车保持恒定速度，通过预判变化来应对。
在论文中： 新系统基于其预测来“踩油门”（调整频率），因此即使在负载变化或速度攀升时，机器也永远不会失去同步。

实验：舞池测试

研究人员在实验室中使用电动机 (PMSM) 对这个新系统进行了实测。

测试内容： 他们让电机加速和减速，改变了它们提升的重量（转矩），甚至模拟了数据信号短暂消失的情况（就像舞者闭眼跳舞了一瞬间）。
结果： 这个新的“智能舞者”（SRF-PLL-FF）保持了完美的同步。而旧的“盲人舞者”（标准 PLL）则出现了踉跄、滞后以及更多的误差。
证明： 他们测量了“踉跄”（误差）。新系统产生的错误显著减少，尤其是在电机快速加速的过程中。

核心结论

论文声称，通过添加一个智能、抗噪的速度预测器和一个自动调节音量的机制，他们创造了一个具备以下特性的系统：

更快速： 它能瞬间对速度变化做出反应。
更坚固： 它不会被噪音或音量变化所迷惑。
更简单： 它不需要复杂的额外硬件或沉重的计算处理；它只需通过软件升级即可在现有系统上运行。

本质上，他们为机器戴上了一副“智能眼镜”，让机器无论环境多么混乱，都能清晰地看清节奏。

技术摘要：具有前馈频率估计的鲁棒同步旋转坐标系锁相环

问题陈述
同步旋转坐标系锁相环（SRF-PLL）技术是电力系统和能量转换中实现同步与控制的标准方法。然而，传统的 SRF-PLL 通常依赖于包含两个积分器的比例积分（PI）反馈回路，在动态环境下面临局限性。具体而言，虽然二型（Type-2）PLL 可以消除阶跃频率变化带来的稳态误差，但在跟踪频率斜坡（ramp）时会表现出非零稳态误差——这在电机驱动等伺服系统中是一个常见场景。提高回路增益以补偿这些误差会降低相位裕度并增加噪声敏感性。此外，理论上可以消除斜坡误差的高阶 PLL（例如三型/Type-3）往往会损害系统的鲁棒性和稳定性。此外，传统设计对输入幅值变化和测量噪声较为敏感，通常需要复杂的观测器或额外的滤波回路，而这会引入建模误差或增加调优负担。

方法论
作者提出了一种新型 SRF-PLL 架构（记作 SRF-PLL-FF），通过一种鲁棒、无模型的前馈频率估计器增强了传统结构。该方法由三个主要部分组成：

功率不变归一化：为了使回路增益与输入幅值变化解耦，作者引入了一种基于功率不变特性的归一化方案。该方案并非使用 $Z_d$ 分量（其需要低通滤波且会引入相位滞后），而是利用旋转矢量模值 $N(Z_{\{a,b,c\}}) = \sqrt{Z_a^2 + Z_b^2 + Z_c^2}$ 对输入三相信号进行归一化。这确保了无论输入幅值如何波动，归一化后的信号幅值保持恒定。
对称最优反馈设计：反馈回路的 PI 控制器增益（ $k_p, k_i$ ）采用对称最优法进行调优，以在考虑固有采样延迟的情况下，使交叉频率处的相位裕度最大化。
鲁棒前馈估计器：采用一种无模型的二阶频率估计器（基于文献 [18]）来生成前馈信号。该估计器直接作用于测量的三相信号，无需动态系统模型或额外的观测器。它利用一个带有单一可调增益参数（ $\gamma$ ）的自适应律运行。为了增强对噪声和临时数据丢失的鲁棒性，三个相同的估计器分别针对每相（ $a, b, c$ ）并行运行，并对其输出进行平均处理，以产生最终的前馈频率估计值（ $\tilde{\omega}$ ）。

核心贡献

无模型鲁棒性：所提出的前馈估计器是无模型的，直接作用于测量的谐波信号，使其适用于存在噪声和时变环境的情况，且无需系统辨识。
无需增加阶数即可实现斜坡跟踪：通过将估计的频率注入回路，等效输入从斜坡信号变为阶跃信号。这使得系统能够在不增加回路阶数（保持标准的两个积分器）的情况下，实现对频率斜坡的零稳态误差跟踪，从而保留了传统设计的鲁棒性和相位裕度。
幅值无关性：功率不变归一化方案使 PLL 回路传递特性对输入幅值变化不敏感，简化了调优并提高了稳定性。
实时可执行性：该实现仅需标准的积分器和标量代数表达式，避免了大量的预处理或后处理，使其适用于标准控制平台的实时执行。

实验结果
所提出的 SRF-PLL-FF 在一个采用电压源逆变器（8 kHz 开关频率）和 dSPACE 1006 控制平台的 3 相永磁同步电机（PMSM）驱动系统中进行了实验评估。评估将该方案与标准 SRF-PLL（前馈设为零）在两种条件下进行了对比：

转矩变化运行：在 50 rad/s 和 150 rad/s 下进行带有阶跃负载变化的实验。SRF-PLL-FF 在维持瞬态峰值期间的同步能力以及从临时数据丢失（约 0.05 s）中快速恢复方面表现出优异性能。
频率斜坡运行：典型的电机加速过程中的受控斜坡启动序列。与标准 PLL 相比，SRF-PLL-FF 实现了显著更快的相位锁定速度和更低的同步误差。

定量误差指标（累积绝对误差和绝对平均误差）显示，SRF-PLL-FF 的相位同步误差一致降低。例如，在频率斜坡运行期间，绝对平均误差从 0.9205（标准 PLL）降至 0.1327（SRF-PLL-FF）。同样，波形重建均方根误差（RMSE）在所提方法中也显著降低，特别是在斜坡操作期间（0.0513 对比 0.2909）。

意义与主张
本文声称，所提出的 SRF-PLL-FF 相比于电机驱动和电力电子领域广泛使用的标准 SRF-PLL 技术有显著改进。其意义在于，能够在动态条件（负载瞬变和频率斜坡）以及测量噪声存在的情况下，实现鲁棒的频率和相位锁定，且无需增加回路阶数或硬件成本。作者强调，该方法在克服其主要局限性（即跟踪频率斜坡）的同时，保持了标准二型积分器 PLL 的简洁性和工业可行性。该方法被呈现为一种实用的、可实时执行的解决方案，除了标准的 PI 调优外，仅需增加一个用于估计器的调优参数。