一、原理介紹
之前已經介紹了遞推最小二乘法進行電氣參數辨識，在實時參數辨識中，協方差矩陣P和增益矩陣K是用于更新參數估計的重要工具，而系統參數變化時，P、K矩陣會逐漸減小，導致數據飽和。數據飽和與參數遲滯是實時參數辨識中常見的問題，可能導致估計的不準確，為了解決這些問題，現代RLS算法引入了遺忘因子λ的概念。通過在每次迭代中對歷史數據進行“遺忘”，即降低其權重，使算法能夠適應數據變化，減少過往數據對當前估計的影響，從而提高實時性和靈活性。這種改進能夠有效減小協方差矩陣的飽和度，從而增強新數據在參數估計中的作用。這一機制使得RLS在處理參數變化緩慢的情況下，仍能夠保持較高的實時更新性能和收斂速度，而無需對噪聲序列的概率特性有預先了解。
二、仿真模型
在MATLAB/simulink里面驗證所提算法，搭建FFRLS辨識SPMSM電阻、電感和轉子磁鏈仿真。采用和實驗中一致的控制周期1e-4，電機部分計算周期為1e-6。仿真模型如下所示：
仿真工況：初始轉速給定信號為1200rpm，2s增加負載轉矩，4s給定轉速階躍到1400rpm
將傳統RLS與FFRLS進行比較
2.1 電阻辨識
2.2 電感辨識
2.3 轉子磁鏈辨識
算法控制步長為1e-4，可以看出相比于傳統RLS，FFRLS收斂速度明顯加快，并且可以維持穩態誤差與RLS相等。
計算最差穩態工況辨識效果，電阻辨識精度97.3%，電感辨識精度99%，轉子磁鏈辨識精度99.9%。
接下來，在MATLAB/simulink里面驗證所提算法，搭建FFRLS辨識IPMSM電阻、dq軸電感和轉子磁鏈仿真。采用和實驗中一致的控制周期1e-4，電機部分計算周期為1e-6。仿真模型如下所示：
2.4 電阻辨識
2.5 電感辨識
d軸電感
q軸電感
2.6 轉子磁鏈辨識
效果與SPMSM基本一致，算法控制步長為1e-4，計算最差穩態工況辨識效果，電阻辨識精度97.4%，d軸電感辨識精度97.4%，q軸電感辨識精度99.9%，轉子磁鏈辨識精度99.9%
總體來說，遺忘因子的調整并不困難，但需要至于遺忘因子的取值，需要權衡動態性能和波動，我覺得加入之后效果還是要比傳統RLS要好的。
)
