基于状态空间模型的感应电机参数辨识方法和装置制造方法及图纸

本申请适用于感应电机参数辨识技术领域，提供了基于状态空间模型的感应电机参数辨识方法和装置，该方法包括：获取电机系统的数据参数，基于数据参数建立αβ状态空间模型，数据参数包括：电压值、电流值、磁链、定子电阻、转子电阻、定子等效电感、转子等效电感、等效互感、电机旋转的电角速度、转子时间常数和转速中的至少部分参数；对电压值、电流值和转速进行坐标转换得到第一处理信息；基于αβ状态空间模型、第一处理信息和量子粒子群算法，得到电机辨识参数。本申请基于感应电机αβ坐标系下的αβ状态空间模型，相比于稳态模型，提升了模型的精确度，有利于提升参数辨识的精度，也更有利于提高在各种电机复杂工况下的适用性。性。性。

【技术实现步骤摘要】
基于状态空间模型的感应电机参数辨识方法和装置


[0001]本申请属于感应电机参数辨识
，尤其涉及基于状态空间模型的感应电机参数辨识方法和装置。

技术介绍

[0002]感应电机矢量控制策略主要以感应电机数学模型为基础，因此当数学模型中的参数不准确时，就会导致状态观测偏差，并对系统的控制性能产生影响。比如，弱磁运行中励磁电感的变化最大可达13％。又比如，矢量控制中的转子磁链观测方案主要以电压模型和电流模型为主。电压模型适合中高速运行工况，需要电机的定转子电感参数与定子电阻，不需要转速和转子时间常数；电流模型需要较为精确的转子时间常数。而转子侧电流变化、系统温升、磁路饱和等，都会使转子时间常数的值产生不能忽略的变化。该模型在低速工况下性能相对较好，而中高速运行情况下观测的准确性不如电压模型。
[0003]但是上述模型在电机参数辨识的精度上都不是很高，同时在复杂工况的情况下都有一定的局限性。

技术实现思路

[0004]本申请实施例提供了基于状态空间模型的感应电机参数辨识方法和装置，以提升电机参数辨识的精度和在各种电机复杂工况下的适用性。
[0005]本申请是通过如下技术方案实现的：
[0006]第一方面，本申请实施例提供了一种基于状态空间模型的感应电机参数辨识方法，包括：
[0007]获取电机系统的数据参数，基于数据参数建立αβ状态空间模型，数据参数包括：电压值、电流值、磁链、定子电阻、转子电阻、定子等效电感、转子等效电感、等效互感、电机旋转的电角速度、转子时间常数和转速中的至少部分参数。
[0008]对电压值、电流值和转速进行坐标转换得到第一处理信息。
[0009]基于αβ状态空间模型、第一处理信息和量子粒子群算法，得到电机辨识参数。
[0010]结合第一方面，在一些可能的实现方式中，αβ状态空间模型为：
[0011][0012]其中，i
sα
为定子α轴电流，i
sβ
为定子β轴电流，ψ
rα
为转子α轴磁链，ψ
rβ
为转子β轴磁链，u
sα
为定子α轴电压，u
sβ
为定子β轴电压，R
s
为定子电阻，R
r
为转子电阻，l
s
为定子等效电感，l
r
转子等效电感，l
m
为等效互感，ω
r
为电机旋转的电角速度，T
r
为转子时间常数。
[0013]结合第一方面，在一些可能的实现方式中，基于αβ状态空间模型、第一处理信息和量子粒子群算法，得到电机辨识参数，具体包括：基于αβ状态空间模型和第一处理信息，建立适应度评价函数。随机生成一个粒子群，基于适应度评价函数对粒子群进行初始化、迭代计算和寻优操作，得到电机辨识参数。
[0014]结合第一方面，在一些可能的实现方式中，适应度评价函数为：
[0015][0016]其中，
[0017][0018][0019][0020][0021][0022][0023][0024][0025]R
s
为定子电阻，l
s
为定子等效电感，l
r
转子等效电感，l
m
为等效互感，T
r
为转子时间常数，i
sα
为定子α轴电流，i
sβ
为定子β轴电流，u
sα
为定子α轴电压，u
sβ
为定子β轴电压，ω
r
为电机旋转的电角速度，T为采样周期。
[0026]结合第一方面，在一些可能的实现方式中，基于适应度评价函数对粒子群进行初
始化，包括：将粒子群中的所有粒子位置的范围映射到初始值空间内。基于预设的粒子初始个体极值pbest，计算粒子群的全局极值gbest。基于预设的粒子初始个体极值pbest和粒子群的全局极值gbest，计算得到吸引子P、平均最好位置mbest和中间变量k。将吸引子P、平均最好位置mbest和中间变量k转化为零矩阵。
[0027]结合第一方面，在一些可能的实现方式中，基于适应度评价函数对粒子群进行迭代计算和寻优操作，得到电机辨识参数，具体包括：对平均最好位置和吸引子进行更新，得到更新后的平均最好位置和更新后的平均最好位置。基于更新后的平均最好位置和更新后的平均最好位置，计算得到更新后的粒子位置。如果未达到指定迭代次数，更新初始个体极值、全局极值、吸引子、平均最好位置和各粒子位置信息，重新进行上述步骤。如果达到指定迭代次数，则基于更新后的粒子的位置和适应度评价函数，计算得到最优粒子位置，基于最优粒子位置，计算得到电机辨识参数。
[0028]结合第一方面，在一些可能的实现方式中，更新后的平均最好位置的公式为：L为该粒子群的粒子个数。
[0029]更新后的吸引子的公式为：P＝r
·
pbest+(1
‑
r)gbest，r∈[0，1]。
[0030]更新后的粒子位置为：
[0031][0032]其中，r∈[0，1]，t为迭代次数，x(t+1)即为更新后的种群粒子位置，x(t)和mbest(t)分别为上次迭代计算得到的粒子位置和平均最优位置，Fitness(x
i
‑1)为上一代粒子群全局最优位置的适应度值，Fitness(x
i
)为当代第i个粒子的适应度值。
[0033]第二方面，本申请实施例提供了一种基于状态空间模型的感应电机参数辨识装置，包括：
[0034]获取模块，用于获取电机系统的数据参数，基于数据参数建立αβ状态空间模型，数据参数包括：电压值、电流值、磁链、定子电阻、转子电阻、定子等效电感、转子等效电感、等效互感、电机旋转的电角速度、转子时间常数和转速中的至少部分参数。
[0035]处理模块，用于对电压值、电流值和转速进行坐标转换得到第一处理信息。
[0036]辨识模块，用于基于αβ状态空间模型、第一处理信息和量子粒子群算法，得到电机辨识参数。
[0037]第三方面，本申请实施例提供了一种终端设备，包括：处理器和存储器，该存储器用于存储计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的基于状态空间模型的感应电机参数辨识方法。
[0038]第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述的基于状态空间模型的感应电机参数辨识方法。
[0039]第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的基于状态空间模型的感应
电机参数辨识方法。
[0040]可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于状态空间模型的感应电机参数辨识方法，其特征在于，包括：获取电机系统的数据参数，基于所述数据参数建立αβ状态空间模型，所述数据参数包括：电压值、电流值、磁链、定子电阻、转子电阻、定子等效电感、转子等效电感、等效互感、电机旋转的电角速度、转子时间常数和转速中的至少部分参数；对所述电压值、电流值和转速进行坐标转换得到第一处理信息；基于所述αβ状态空间模型、所述第一处理信息和量子粒子群算法，得到电机辨识参数。2.如权利要求1所述的基于状态空间模型的感应电机参数辨识方法，其特征在于，所述αβ状态空间模型为：其中，i
sα
为定子α轴电流，i
sβ
为定子β轴电流，ψ
rα
为转子α轴磁链，ψ
rβ
为转子β轴磁链，u
sα
为定子α轴电压，u
sβ
为定子β轴电压，R
s
为定子电阻，R
r
为转子电阻，l
s
为定子等效电感，l
r
转子等效电感，l
m
为等效互感，ω
r
为电机旋转的电角速度，T
r
为转子时间常数。3.如权利要求1所述的基于状态空间模型的感应电机参数辨识方法，其特征在于，所述基于所述αβ状态空间模型、所述第一处理信息和量子粒子群算法，得到电机辨识参数，具体包括：基于所述αβ状态空间模型和所述第一处理信息，建立适应度评价函数；随机生成一个粒子群，基于所述适应度评价函数对粒子群进行初始化、迭代计算和寻优操作，得到电机辨识参数。4.如权利要求3所述的基于状态空间模型的感应电机参数辨识方法，其特征在于，所述适应度评价函数为：其中，其中，
s
s
为定子电阻，l
s
为定子等效电感，l
r
转子等效电感，l
m
为等效互感，T
r
为转子时间常数，i
sα
为定子α轴电流，i
sβ
为定子β轴电流，u
sα
为定子α轴电压，u
sβ
为定子β轴电压，ω
r
为电机旋转的电角速度，T为采样周期。5.如权利要求4所述的基于状态空间模型的感应电机参数辨识方法，其特征在于，所述基于所述适应度评价函数对粒子群进行初始化，包括：将粒子群中的所有粒子位置的范围映射到初始值空间内；基于预设的粒子初始个体极值...

【专利技术属性】
技术研发人员：程壹涛，刘成群，吴海，赵英伟，任泽生，王露寒，王峻澎，张文朋，张辉，韩建，吴爱华，
申请(专利权)人：中国电子科技集团公司第十三研究所，
类型：发明
国别省市：