4. 预测补偿原理：基于电机模型的电流预测

上一章我们聊了采样同步误差的成因，说白了就是「电流采完了，PWM 才更新」，导致控制器拿到的永远是上一拍的电流。那怎么补？最直接的办法——用模型把当前时刻的电流「算」出来。

我个人习惯把这种方法叫作「模型前馈补偿」。它不依赖额外的硬件，纯靠软件算法，在低成本 MCU 上特别实用。我在一个风机项目里用过这套思路，效果比单纯调 PI 参数好得多。

4.1 核心思想：用过去推现在

想象一下：你开车时看到前车刹车灯亮了，但你踩刹车需要反应时间。如果你能根据前车速度、加速度，提前算出它什么时候会停，那你就能提前踩刹车。电流预测也是这个道理。

我们已知：

上一拍的电流 \( i(k-1) \)
上一拍施加的电压 \( u(k-1) \)
电机的电气参数（电阻 R、电感 L、反电动势系数）

利用电机电压方程，就能推算出当前拍电流 \( i(k) \) 的估计值。这个估计值，就是我们要送给电流环的反馈。

关键点：预测补偿的本质是用模型替代采样延迟。模型越准，补偿效果越好。

4.2 电机模型：从电压方程出发

对于表贴式永磁同步电机（SPMSM），在静止 αβ 坐标系下的电压方程为：

u_α = R·i_α + L·di_α/dt - ω_e·ψ_f·sin(θ_e)
u_β = R·i_β + L·di_β/dt + ω_e·ψ_f·cos(θ_e)

其中：

R：定子电阻
L：定子电感（SPMSM 下 Ld = Lq = L）
ω_e：电角速度
ψ_f：永磁体磁链
θ_e：电角度

把微分项离散化，用一阶前向欧拉法：

di/dt ≈ (i(k) - i(k-1)) / T_s

代入整理，得到电流预测公式：

i_α(k) = (1 - R·T_s/L)·i_α(k-1) + (T_s/L)·[u_α(k-1) + ω_e·ψ_f·sin(θ_e)]
i_β(k) = (1 - R·T_s/L)·i_β(k-1) + (T_s/L)·[u_β(k-1) - ω_e·ψ_f·cos(θ_e)]

嗯，这里要注意：公式里的 u_α(k-1) 是上一拍实际施加的电压，不是指令电压。因为 PWM 死区、管压降等因素，实际电压和指令电压有差异。我建议在代码里做一下电压重构，用占空比和母线电压反算实际电压。

4.3 预测流程：三步走

实际工程中，我一般把预测补偿拆成三个步骤：

采集上一拍数据：读取 ADC 得到的电流 i(k-1)，以及上一拍的电压指令 u(k-1)。
计算预测值：代入公式，算出当前拍电流 i(k) 的估计值。
送入电流环：用预测值 i(k) 代替 ADC 采样值，作为 PI 调节器的反馈。

流程图如下：

4.4 代码实现：C 语言示例

下面是我在一个项目中实际用过的代码片段。注意，这里做了电压重构和反电动势补偿。

typedef struct {
    float R;        // 定子电阻 (Ω)
    float L;        // 定子电感 (H)
    float flux;     // 永磁体磁链 (Wb)
    float Ts;       // 采样周期 (s)
} MotorModel;

float current_predict_alpha(MotorModel *model, float i_alpha_prev, 
                            float u_alpha_prev, float omega_e, float theta_e) {
    float coeff = 1.0f - model->R * model->Ts / model->L;
    float emf = omega_e * model->flux * sinf(theta_e);
    float result = coeff * i_alpha_prev + (model->Ts / model->L) * (u_alpha_prev + emf);
    return result;
}

float current_predict_beta(MotorModel *model, float i_beta_prev,
                           float u_beta_prev, float omega_e, float theta_e) {
    float coeff = 1.0f - model->R * model->Ts / model->L;
    float emf = omega_e * model->flux * cosf(theta_e);
    float result = coeff * i_beta_prev + (model->Ts / model->L) * (u_beta_prev - emf);
    return result;
}

小技巧：如果 MCU 不支持浮点运算，可以把系数放大为 Q15 或 Q31 格式。我曾在 STM32F103 上做过定点化，预测精度损失不到 2%。

4.5 参数敏感性分析

模型参数不准会怎样？我做过一个测试，把电阻 R 偏差 ±20%，看看预测误差的变化：

参数偏差	预测电流误差（稳态）	预测电流误差（动态）	系统稳定性
R 偏差 +20%	≈ 3%	≈ 8%	稳定
R 偏差 -20%	≈ 2%	≈ 6%	稳定
L 偏差 +20%	≈ 5%	≈ 15%	轻微振荡
L 偏差 -20%	≈ 7%	≈ 20%	可能发散

你看，电感 L 的偏差影响更大。为什么？因为电感项出现在动态项 (T_s/L) 中，直接决定了预测的响应速度。我曾经在一个项目中，因为电感参数标定不准，导致高速时电流振荡。后来用最小二乘法做了在线电感辨识，问题才解决。

避坑指南：千万不要直接用电机铭牌上的电感值。铭牌值通常是额定工况下的平均值，而实际电感会随电流和温度变化。我建议在电机静止时用注入法实测电感，或者运行时用递推最小二乘法在线更新。

4.6 预测补偿的局限性

任何方法都有短板，预测补偿也不例外：

模型依赖性强：参数不准，预测就偏。尤其在弱磁区，电感变化大，模型容易失配。
计算量增加：每次 PWM 中断都要做一次预测计算，对低端 MCU 是个负担。我算过，在 40MHz 的 Cortex-M0 上，一次预测大约耗时 3μs。
高频噪声放大：预测公式里有微分项，对采样噪声敏感。建议在预测前对电流做一阶低通滤波。

不过话说回来，对于大多数工业应用，预测补偿已经足够。它不需要额外硬件，代码量也不大，性价比很高。

4.7 小结

这一章我们讲了基于电机模型的电流预测原理。核心就一句话：用上一拍的电流和电压，结合电机方程，算出当前拍的电流。这个方法能有效补偿采样同步误差，让电流环工作在正确的反馈值上。

📚 课程目录

4. 预测补偿原理：基于电机模型的电流预测

4.1 核心思想：用过去推现在

4.2 电机模型：从电压方程出发

4.3 预测流程：三步走

4.4 代码实现：C 语言示例

4.5 参数敏感性分析

4.6 预测补偿的局限性

4.7 小结