当前位置: 首页 > news >正文

PI 控制器与 PR 控制器的等效转换与应用详解

PI 控制器(Proportional-Integral Controller)和 PR 控制器(Proportional-Resonant Controller)在控制系统中常用于不同的参考信号类型:

  • PI 控制器:擅长处理直流(DC)参考信号,频域上在零频点( s = 0 s = 0 s=0)具有无穷增益。
  • PR 控制器:擅长处理正弦(AC)参考信号,频域上在某一指定频率(如工频 ω 0 \omega_0 ω0)点具有无穷增益。

一、PI 控制器的结构(s 域)

G P I ( s ) = K p + K i s G_{PI}(s) = K_p + \frac{K_i}{s} GPI(s)=Kp+sKi

其中 K p K_p Kp 是比例增益, K i K_i Ki 是积分增益。

二、PR 控制器的结构(s 域)

G P R ( s ) = K p + K r s s 2 + ω 0 2 G_{PR}(s) = K_p + \frac{K_r s}{s^2 + \omega_0^2} GPR(s)=Kp+s2+ω02Krs

其中 K p K_p Kp 是比例增益, K r K_r Kr 是共振增益, ω 0 \omega_0 ω0 是目标频率(如 2 π × 50 2\pi \times 50 2π×50 rad/s)。

该结构在频率 ω = ω 0 \omega = \omega_0 ω=ω0 处增益趋于无穷,用于跟踪或抑制交流正弦信号。

三、从 PI 到 PR 的数学映射关系

1. s 域中的结构替换

将 PI 控制器中的积分环节 1 s \frac{1}{s} s1 替换为 PR 控制器中的谐振环节:

1 s → s s 2 + ω 0 2 \frac{1}{s} \rightarrow \frac{s}{s^2 + \omega_0^2} s1s2+ω02s

于是:

G P I ( s ) = K p + K i s ⇒ G P R ( s ) = K p + K i ⋅ s s 2 + ω 0 2 G_{PI}(s) = K_p + \frac{K_i}{s} \Rightarrow G_{PR}(s) = K_p + K_i \cdot \frac{s}{s^2 + \omega_0^2} GPI(s)=Kp+sKiGPR(s)=Kp+Kis2+ω02s

所以,PI 控制器转换为 PR 控制器时的参数对应关系为:

  • K p P R = K p P I K_p^{PR} = K_p^{PI} KpPR=KpPI
  • K r P R = K i P I K_r^{PR} = K_i^{PI} KrPR=KiPI

四、时域实现方式对比(在 α β \alpha\beta αβ 静止坐标系中)

控制器类型增益结构控制目标应用场景
PI 控制器 K p + K i s K_p + \frac{K_i}{s} Kp+sKiDC 跟踪 d q dq dq 坐标系下的电流/电压控制
PR 控制器 K p + K r s s 2 + ω 0 2 K_p + \frac{K_r s}{s^2 + \omega_0^2} Kp+s2+ω02KrsAC 跟踪 α β \alpha\beta αβ 坐标系下的电流/电压控制
  • PI 控制器多用于旋转坐标系( d q dq dq),跟踪直流参考值。
  • PR 控制器适用于静止坐标系( α β \alpha\beta αβ),跟踪正弦交流参考值,无需坐标变换。

五、具体示例

假设已知:

  • K p = 0.5 K_p = 0.5 Kp=0.5
  • K i = 100 K_i = 100 Ki=100
  • 工频 f = 50 f = 50 f=50 Hz

ω 0 = 2 π ⋅ 50 = 314.16 \omega_0 = 2\pi \cdot 50 = 314.16 ω0=2π50=314.16 rad/s,对应的 PR 控制器为:

G P R ( s ) = 0.5 + 100 ⋅ s s 2 + 314.1 6 2 G_{PR}(s) = 0.5 + \frac{100 \cdot s}{s^2 + 314.16^2} GPR(s)=0.5+s2+314.162100s

六、实际实现中的注意事项

  1. 理想 PR 控制器 ω 0 \omega_0 ω0 频点增益趋于无穷,在数字系统中容易放大噪声。故常加入阻尼项 ϵ \epsilon ϵ

    s s 2 + 2 ϵ s + ω 0 2 \frac{s}{s^2 + 2\epsilon s + \omega_0^2} s2+2ϵs+ω02s

    实际应用中可取 ϵ ∈ [ 1 , 10 ] \epsilon \in [1, 10] ϵ[1,10]

  2. 多频控制需求时,可级联多个 PR 控制器,如工频、3次谐波等:

    G P R ( s ) = K p + ∑ n K r , n s s 2 + ω n 2 G_{PR}(s) = K_p + \sum_{n} \frac{K_{r,n} s}{s^2 + \omega_n^2} GPR(s)=Kp+ns2+ωn2Kr,ns

七、总结

PI 控制器与 PR 控制器之间可以通过简单的结构映射实现转换:

  • 1 s \frac{1}{s} s1 替换为 s s 2 + ω 0 2 \frac{s}{s^2 + \omega_0^2} s2+ω02s
  • K i K_i Ki 赋值为 K r K_r Kr K p K_p Kp 保持不变

这使得控制器在不同参考信号下都能实现精准跟踪。PI 控制适合 d q dq dq 坐标系的 DC 控制场景,PR 控制器更适合 α β \alpha\beta αβ 坐标系的 AC 控制场景,如构网型逆变器、并网电流控制等。

在这里插入图片描述

clc; clear; close all;% 控制器参数
Kp = 0.5;       % 比例增益
Ki = 100;       % 积分增益
Kr = Ki;        % 共振增益(与 Ki 等价)
f0 = 50;        % 共振频率 (Hz)
w0 = 2*pi*f0;   % 共振频率 (rad/s)
epsilon = 5;    % 阻尼项,可设为 1~10 之间的值% Laplace 变量
s = tf('s');% 构建控制器
G_PI = Kp + Ki/s;
G_PR = Kp + Kr * s / (s^2 + w0^2);
G_PR_damped = Kp + Kr * s / (s^2 + 2*epsilon*s + w0^2); % 加阻尼版本% 绘制 Bode 图
figure;
bode(G_PI, 'b', G_PR, 'r--', G_PR_damped, 'g-.', {1e-5, 1e4}); grid on;
legend('PI 控制器', 'PR 控制器(理想)', 'PR 控制器(带阻尼)', 'Location', 'SouthWest');
title('PI 与 PR 控制器的频率响应比较');

✅ Bode 图中两者差异及等价点解释

1. PI 控制器的频率响应特点

  • 幅频响应中,在低频段(特别是靠近 s = 0增益极高
  • 高频部分趋于 K_p,因为 K_i / s 会趋近于零;
  • 相位从 (高频)过渡到 -90°(低频)。

2. PR 控制器的频率响应特点

  • ω = ω₀ 处(比如 314.16 rad/s,即 50 Hz)出现“共振尖峰”,增益趋近于无穷(理想情况下);
  • 类似于积分器对 DC 提供无穷增益,这个结构对 正弦信号提供“无稳态误差”;
  • 相位在共振点附近剧烈变化。

✅ 图中如何判断“等价”

运行 Bode 图代码后,会看到三条曲线:

控制器类型特征
蓝色 - PI低频段(接近 0Hz) 增益很高
红色 - PR 理想目标频率(50Hz 附近) 出现一个尖峰共振
绿色 - PR 阻尼同上,但共振不再趋于无穷,而是一个高而有限的峰值

那么如何从图中看到“等价”?

  • 虽然 PI 和 PR 在频域上的形状不同,但它们都在各自目标频率点提供高增益
  • 对于 PI,是对 0Hz 的“无限增益”,确保能消除 DC 跟踪误差
  • 对于 PR,是对 ω₀ 的“无限增益”,确保能消除交流信号(比如 50Hz)跟踪误差
  • 因此,可以认为 PR 是“频率偏移”后的 PI —— 把“无限增益”从 0Hz 移动到了某个交流频率;
  • 它们控制目标不同,但结构功能是等价的

✅ 等价核心理解

项目PI 控制器PR 控制器
提供无稳态误差频率DC(0 Hz)AC(例如 50 Hz)
积分作用Ki / s(K_r s) / (s² + ω₀²)
数学映射K_r = K_i (等效功能)K_r = K_i
控制目标恒值参考跟踪(如直流电流)正弦参考跟踪(如并网电流)

✅ 图像举例说明

例如你运行 Bode 图后看到:

  • 蓝线(PI)在低频处高耸,说明它“专注于”直流控制;
  • 红线或绿线(PR)在 314 rad/s 处高耸,说明它“专注于”交流控制(50Hz);
  • 它们都能使系统在各自目标频率处获得高增益,实现稳态误差为零的控制目标,这就是它们的“等价性”。
http://www.dtcms.com/a/267250.html

相关文章:

  • 【深度学习】神经网络剪枝方法的分类
  • 【openp2p】 学习2:源码阅读P2PNetwork和P2PTunnel
  • 深入解读 Java CompletableFuture:设计原理与源码分析
  • [Cyclone] docs | 主程序逻辑 | 地址解码器 | P2PKH地址
  • Python 机器学习核心入门与实战进阶 Day 3 - 决策树 随机森林模型实战
  • TailWind CSS Intellisense 插件在VSCode 上不生效
  • 蓝桥杯51单片机设计
  • 在VMware虚拟机中安装Windows 98时,Explorer提示“该程序执行了非法操作,即将关闭”的解决办法
  • PADS交互式布局
  • SwiftUI 7(iOS 26)中玻璃化工具栏的艺术
  • Qt开发:QListWidget的介绍和使用
  • Java面试宝典:BIO、NIO、AIO原理演进与实际应用深度实践
  • Ubuntu 安装 etcd 与 etcd-cpp-apiv3
  • 开发三维CAD:实现框选和反选功能
  • 翻译《The Old New Thing》- Windows 媒体目录中 onestop.mid 文件的故事
  • mybatis-plus-01-环境初始化及简单应用
  • 基于uni-app的书法学习管理小程序的设计与实现
  • Java IO相关技术小结
  • SpringCloud系列(51)--SpringCloud Stream之使用分组解决消息重复消费问题
  • 你的Prompt还有很大提升
  • PyTorch中 item()、tolist()使用详解和实战示例
  • 企业微信iPad协议端强制拉群漏洞深度分析
  • Scrapy进阶封装(第四阶段:中间件设置,动态UA,ip代理池)
  • 【STM32实践篇】:GPIO 详解
  • 【深度学习新浪潮】基于扩散模型的图像编辑加速方法
  • 传输层 udptcp
  • 【性能优化与架构调优(二)】高性能数据库设计与优化
  • 【科普】Keil5软件使用教程、小技巧学习笔记:11个知识点。DIY机器人工房
  • 【数据结构】排序算法:归并与堆
  • Python入门Day4