一种基于改进粒子群算法的异步电机参数辨识方法技术

本发明专利技术提供了一种基于改进粒子群算法的异步电机参数辨识方法，包括以下步骤：1，获取异步电机的转速、转子磁链以及定子电流；2，通过改进的粒子群算法，实时获取电机转子时间常数和励磁电感；其中，改进的粒子群算法具体为：在给定的范围内随机生成个维度为的初始种群；通过追踪粒子个体的个体极值和粒子群体的群体极值更新粒子的位置信息；重新计算每一个粒子的适应度值，然后重新对粒子的个体极值和粒子群体的群体极值进行更新赋值；断迭代次数是否达到设置的最大迭代次数，如果达到最大迭代次数则终止运行,实现异步电机参数的辨识及追踪。本发明专利技术利用改进的简化粒子群算法，可以对异步电机参数进行稳定、快速而又精确的辨识追踪。

A parameter identification method of induction motor based on Improved Particle Swarm Optimization

【技术实现步骤摘要】
一种基于改进粒子群算法的异步电机参数辨识方法
本专利技术涉及电机参数辨识
，具体而言，涉及一种基于改进粒子群算法的异步电机参数辨识方法。
技术介绍
由于异步电动机的工作特性关于转差的函数都是很复杂的有理函数，目前用于异步电动机参数的辨识的方法主要有以下几种：广义Kalman滤波、最小二乘法、遗传算法(GA)等等。经过大量检索发现一些典型的现有技术，如申请号为201710163793.2的专利公开了一种基于改进的粒子群优化算法的异步电机参数辨识方法，该专利通过测量获得异步电机各工作特性的测量值，应用改进的粒子群优化算法实现异步电机静态参数辨识，在有噪声的情况下，仍能具有较高的识别准确率。又如申请号为201410539036.7的专利公开了一种基于改进粒子群算法的异步电机参数跟踪方法，该专利技术所述粒子群算法具有检测目标函数变化并实时跟踪参数变化的能力，可以辨识出两个异步电机关键状态信息。又如申请号为20131048889.8专利公开了一种发电机调速系统参数辨识方法，该专利技术将待辨识调速系统参数映射为粒子群算法的"粒子"，从而在参数准确性上提升仿真计算结果，使之能够正确反映电网特性。可见，利用粒子群对异步电机参数进行辨识，其实际应用中的亟待处理的实际问题(如提高电机参数辨识精度等)还有很多未提出具体的解决方案。
技术实现思路
为了克服现有技术的不足提供了一种基于改进粒子群算法的异步电机参数辨识方法，本专利技术的具体技术方案如下：一种基于改进粒子群算法的异步电机参数辨识方法，包括以下步骤：步骤1，获取异步电机的转速、转子磁链以及定子电流；步骤2，通过改进的粒子群算法，实时获取电机转子时间常数和励磁电感；其中，在步骤2中，通过改进的粒子群算法，实时获取电机转子时间常数和励磁电感的具体方法为：2a，在给定的[xmax,xmin]范围内随机生成NP个维度为D的初始种群x；2b,通过追踪粒子个体的个体极值pij和粒子群体的群体极值pgj更新粒子的位置信息；2c，重新计算每一个粒子的适应度值，根据计算结果，重新对粒子的个体极值和粒子群体的群体极值进行更新赋值；2d,断迭代次数是否达到设置的最大迭代次数，如果达到最大迭代次数则终止运行,实现异步电机参数的辨识及追踪，否则，重复步骤2b至2d。可选的，在步骤2a中，初始种群x的生成方程为：x＝rand(NP,D)*(xmax-xmin)+xmin。可选的，在步骤2b中，粒子的位置信息更新方程为：xij(t+1)＝w*xij(t)+c1r1[pij(t)-xij(t)]+c2r2[pgj(t)-xij(t)]以及其中，c1s和c2s分别为学习因子c1和c2的初始设置值，c1f和c2f分别为学习因子c1和c2的终止设置值，iter表示当前的迭代次数，Itermax表示算法的最大迭代次数。本专利技术所取得的有益效果包括：1、通过在简化粒子群算法的基础上引入异步学习因子，利用学习因子的异步变化策略动态的改变学习因子的取值，有效提升了粒子的学习能力；2、利用改进的简化粒子群算法优化异步电机参数，实现参数的智能寻优，最终辨识出异步电机的电气参数。3、改进的简化粒子群算法能够有效地提升算法的收敛速度和寻优精度，将其应用在异步电机参数辨识领域，可以对异步电机参数进行稳定、快速而又精确的辨识追踪。附图说明从以下结合附图的描述可以进一步理解本专利技术，将重点放在示出实施例的原理上。图1是本专利技术实施例之一中一种基于改进粒子群算法的异步电机参数辨识方法的流程示意图；图2是本专利技术实施例之一中三种不同粒子群算法在Tablet测试函数下的收敛过程曲线图；图3是本专利技术实施例之一中三种不同粒子群算法在Schaffer测试函数下的收敛过程曲线图。具体实施方式为了使得本专利技术的目的、技术方案及优点更加清楚明白，以下结合其实施例，对本专利技术进行进一步详细说明；应当理解，此处所描述的具体实施例仅用于解释本专利技术，并不用于限定本专利技术。对于本领域技术人员而言，在查阅以下详细描述之后，本实施例的其它系统、方法和/或特征将变得显而易见。旨在所有此类附加的系统、方法、特征和优点都包括在本说明书内、包括在本专利技术的范围内，并且受所附权利要求书的保护。在以下详细描述描述了所公开的实施例的另外的特征，并且这些特征根据以下将详细描述将是显而易见的。本专利技术实施例的附图中相同或相似的标号对应相同或相似的部件；在本专利技术的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或组件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。本专利技术为一种基于改进粒子群算法的异步电机参数辨识方法，根据图1-2所示讲述以下实施例：实施例一：粒子群优化算法(PSO)是由科学家Kennedy和Eberhart提出的一种模拟鸟群觅食行为的群智能优化算法。PSO算法将鸟群看作是一个粒子群体，其中的每一个粒子个体都有着自己的速度和位置信息。PSO算法首先将粒子群体随机初始化，然后在每一次的迭代过程中，粒子通过不断地追踪个体极值和群体极值来更新自己的速度和位置信息，直至找到自己的最优解。PSO算法结构相对简单，参数少，搜索能力相对较强，已经被广泛应用于数值计算，机器学习，模式识别等领域。虽然PSO算法的搜索能力较强，但是还是存在一点的缺陷。在PSO算法的迭代后期，算法收敛速度容易变慢而且容易陷入局部最优解，从而影响整个算法的搜索精度。针对这种情况，有学者通过分析PSO算法的结构,提出了一种不含速度项的简化粒子群算法(SPSO)。该算法通过严谨的数学公式推导，从理论上证明了粒子速度项在算法后期容易造成粒子发散问题，通过简化粒子的速度项，提升了算法的收敛速度，而且在一定程度上避免了算法后期因粒子发散造成的陷入局部最优解的情况。简化PSO算法虽然通过简化PSO算法的速度项，在一定程度上避免算法后期因粒子发散带来的一些问题。但是在整个算法的迭代过程中，粒子的位置更新公式还是没有发生变化，粒子的学习因子仍然为一固定值，在整个算法的迭代过程中，粒子的学习能力不会发生变化，在算法的迭代过程中，仍然存在易陷入局部最优解的情况。由于异步电动机的工作特性关于转差的函数都是很复杂的有理函数，目前用于异步电动机参数的辨识的方法主要有以下几种：广义Kalman滤波、最小二乘法、遗传算法(GA)等等。在这些方法中，最小二乘法、遗传算法等测量结果稳定性不好，实际异步电动机参数辨识效果较差，进而使以此参数为基础构建的异步电动机控制系统达不到良好的控制效果，无法获得良好的异步电动机稳态、动态特性。本专利技术以异步电机为对象，在对经典粒子本文档来自技高网...

【技术保护点】
1.一种基于改进粒子群算法的异步电机参数辨识方法，包括以下步骤：/n步骤1，获取异步电机的转速、转子磁链以及定子电流；/n步骤2，通过改进的粒子群算法，实时获取电机转子时间常数和励磁电感；/n其中，在步骤2中，通过改进的粒子群算法，实时获取电机转子时间常数和励磁电感的具体方法为：/n2a，在给定的[xmax,xmin]范围内随机生成NP个维度为D的初始种群x；/n2b,通过追踪粒子个体的个体极值和粒子群体的群体极值更新粒子的位置信息；/n2c，重新计算每一个粒子的适应度值，根据计算结果，重新对粒子的个体极值和粒子群体的群体极值进行更新赋值；/n2d,断迭代次数是否达到设置的最大迭代次数，如果达到最大迭代次数则终止运行,实现异步电机参数的辨识及追踪，否则，重复步骤2b至2d。/n

【技术特征摘要】
1.一种基于改进粒子群算法的异步电机参数辨识方法，包括以下步骤：
步骤1，获取异步电机的转速、转子磁链以及定子电流；
步骤2，通过改进的粒子群算法，实时获取电机转子时间常数和励磁电感；
其中，在步骤2中，通过改进的粒子群算法，实时获取电机转子时间常数和励磁电感的具体方法为：
2a，在给定的[xmax,xmin]范围内随机生成NP个维度为D的初始种群x；
2b,通过追踪粒子个体的个体极值和粒子群体的群体极值更新粒子的位置信息；
2c，重新计算每一个粒子的适应度值，根据计算结果，重新对粒子的个体极值和粒子群体的群体极值进行更新赋值；
2d,断迭代次数是否达到设置的最大迭代次数，如果达到最大迭代次数则终止运行,实现异步...

【专利技术属性】
技术研发人员：林梅金，汪震宇，王飞，
申请(专利权)人：佛山科学技术学院，
类型：发明
国别省市：广东;44