一种基于改进鲸鱼算法和BP-PID的永磁同步电机控制方法技术

本公开是关于一种基于改进鲸鱼算法和BP

【技术实现步骤摘要】
一种基于改进鲸鱼算法和BP
‑
PID的永磁同步电机控制方法


[0001]本公开涉及新能源汽车直流电机
，尤其涉及一种基于改进鲸鱼算法和BP
‑
PID的永磁同步电机控制方法。

技术介绍

[0002]随着世界人口的不断增加，以及日渐供不应求的化石能源消耗，对于汽车行业，由于环境问题导致的行业转型是必须要做的。同时，由于智能控制技术的不断发展和新能源观念的普及，新能源汽车会在未来日渐成为主流商品。和传统的使用化石能源的汽车相比，新能源汽车的能源获取方式无污染，而且控制方式更加智能，具体表现在可以利用集成电路和特殊算法实现动力控制，一个正确的算法可以有效避免故障，提高行车的安全性。但是即使在控制方式更为先进的新能源动力领域，依然存在一些问题，最有代表性的就是速度调控方式，这将直接影响到发动机的具体性能。而速度调控基于以算法为基础的控制模式，改善此类问题，在本质上就是优化算法。
[0003]当前在新能源汽车永磁同步电机(Permanent
‑
magnet Synchronous Motor，PMSM)电机控制领域，由于PMSM电机是一种非线性、强耦合的复杂模型，在实际控制时会出现转速调节精度不高、响应速度慢、抗干扰能力差等问题，无法满足实际控制要求。目前主流的控制方法是比例、积分、微分(proportion integration differentiation，PID)控制，但是基于PID的控制器是一个非线性模型，对于参数以及后续建模来说，无形当中增加了计算成本，因此该领域需要一个可以调控PID参数并且可以高效遍历的算。
[0004]因此，有必要提供一种新的技术方案改善上述方案中存在的一个或者多个问题。
[0005]需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0006]本公开的目的在于提供一种基于改进鲸鱼算法和BP
‑
PID的永磁同步电机控制方法，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
[0007]根据本公开实施例提供的一种基于改进鲸鱼算法和BP
‑
PID的永磁同步电机控制方法，该方法包括：
[0008]建立电动汽车的永磁同步电机控制模型，并在所述永磁同步电机控制模型的基础上建立PID控制器；
[0009]建立BP神经网络模型与PID控制器的整定模型，其中，所述整定模型包括PID控制参数K
P
、K
I
和K
D
；
[0010]利用改进的鲸鱼算法优化所述BP神经网络模型，得到优化后的所述BP神经网络模型；
[0011]利用优化后的所述BP神经网络模型对所述整定模型进行优化，得到最佳PID控制参数K
P*
、K
I*
和K
D*
；
[0012]通过所述最佳PID控制参数控制所述永磁同步电机控制模型。
[0013]本公开的实施例中，所述建立BP神经网络模型与PID控制器的整定模型的步骤中包括：
[0014]建立所述BP神经网络模型；其中，所述BP神经网络模型由一层输入层、两层隐含层和一个输出层组成；
[0015]设置所述BP神经网络模型的输入层节点数等于3，其中第一个输入节点的输入数据为随机初始化的控制参数K
P
，第二个输入节点的输入数据为随机初始化的控制参数K
I
，第三个输入节点的输入数据为随机初始化的控制参数K
D
；
[0016]设置所述BP神经网络模型的输出层节点数等于1，输出数据为所述永磁同步电机控制模型的误差；
[0017]输入数据从输入层传播到输出层，完成正向传播并计算出误差，误差信号从输出层沿着原连接传播返回输出层，完成反向传播，更新输入层所述输入数据；
[0018]重复上一步骤，直到满足所述BP神经网络模型的最大迭代次数，完成对所述BP神经网络模型的训练，输出训练后的所述BP神经网络模型对应的PID控制参数K
P
、K
I
和K
D
。
[0019]本公开的实施例中，所述利用改进的鲸鱼算法优化所述BP神经网络模型，得到优化后的所述BP神经网络模型的步骤中包括：
[0020]确定适应度函数，所述鲸鱼算法的所述适应度函数为所述永磁同步电机控制模型的稳态误差；其中，所述适应度函数的公式为：
[0021][0022]式中，e
ss
为所述永磁同步电机控制模型的稳态误差，r(t)为所述永磁同步电机控制模型的给定输入信号，c(t)为所述永磁同步电机控制模型的输出信号；
[0023]初始化改进的鲸鱼算法参数：设置种群规模N，最大迭代次数M、对数螺旋形状常系数b，种群个体编码长度L，当前迭代次数t；
[0024]种群初始化：在搜索空间随机初始化N个编码长度为4的个体p＝[x1，x2，x3，x4]，其中x1∈[1，20]代表所述BP神经网络模型的隐含层节点数，x2∈[0.01，0.2]代表所述BP神经网络模型的学习率，x3∈[0.01，0.1]代表所述BP神经网络模型的训练目标最小误差，x4∈[0.05，0.09]代表所述BP神经网络模型的初始权值变化量。
[0025]本公开的实施例中，所述种群初始化之后的步骤之后还包括：
[0026]利用公式(1)计算每个个体X(t)的适应度值，将所述适应度值最小的所述个体作为该代最佳个体X
*
(t)，保存X
*
(t)；令G
best
＝X
*
(t)；
[0027]如果t≤M，计算a，A，C，计算公式如下：
[0028][0029]A＝2a
·
r1‑
a
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)；
[0030]C＝2r2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)；
[0031]式中：a为在迭代过程中由2逐渐线性减少到0的收敛因子；A和C为系数；r1和r2为[0，1]间的随机数。
[0032]本公开的实施例中，所述如果t≤M，计算a，A，C的步骤之后包括：
[0033]计算l和p，l为[
‑
1，1]间的随机数和p为[0，1]间的随机数；
[0034]计算基于正余弦变化的自适应惯性权重ω，公式如下：
[0035][0036]式中：k为常系数；
[0037]采用如下公式分别对每个所述个体X(t)的空间位置进行更新：
[0038][0039]式中：X
*
(t)代表第t代的最优个体；X
rand
(t)代表第t代除最优个体之外的其它本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进鲸鱼算法和BP
‑
PID的永磁同步电机控制方法，其特征在于，该方法包括：建立电动汽车的永磁同步电机控制模型，并在所述永磁同步电机控制模型的基础上建立PID控制器；建立BP神经网络模型与PID控制器的整定模型，其中，所述整定模型包括PID控制参数K
P
、K
I
和K
D
；利用改进的鲸鱼算法优化所述BP神经网络模型，得到优化后的所述BP神经网络模型；利用优化后的所述BP神经网络模型对所述整定模型进行优化，得到最佳PID控制参数K
P*
、K
I*
和K
D*
；通过所述最佳PID控制参数控制所述永磁同步电机控制模型。2.根据权利要求1所述基于改进鲸鱼算法和BP
‑
PID的永磁同步电机控制方法，其特征在于，所述建立BP神经网络模型与PID控制器的整定模型的步骤中包括：建立所述BP神经网络模型；其中，所述BP神经网络模型由一层输入层、两层隐含层和一个输出层组成；设置所述BP神经网络模型的输入层节点数等于3，其中第一个输入节点的输入数据为随机初始化的控制参数K
P
，第二个输入节点的输入数据为随机初始化的控制参数K
I
，第三个输入节点的输入数据为随机初始化的控制参数K
D
；设置所述BP神经网络模型的输出层节点数等于1，输出数据为所述永磁同步电机控制模型的误差；输入数据从输入层传播到输出层，完成正向传播并计算出误差，误差信号从输出层沿着原连接传播返回输出层，完成反向传播，更新输入层所述输入数据；重复上一步骤，直到满足所述BP神经网络模型的最大迭代次数，完成对所述BP神经网络模型的训练，输出训练后的所述BP神经网络模型对应的PID控制参数K
P
、K
I
和K
D
。3.根据权利要求2所述基于改进鲸鱼算法和BP
‑
PID的永磁同步电机控制方法，其特征在于，所述利用改进的鲸鱼算法优化所述BP神经网络模型，得到优化后的所述BP神经网络模型的步骤中包括：确定适应度函数，所述鲸鱼算法的所述适应度函数为所述永磁同步电机控制模型的稳态误差；其中，所述适应度函数的公式为：式中，e
ss
为所述永磁同步电机控制模型的稳态误差，r(t)为所述永磁同步电机控制模型的给定输入信号，c(t)为所述永磁同步电机控制模型的输出信号；初始化改进的鲸鱼算法参数：设置种群规模N，最大迭代次数M、对数螺旋形状常系数b，种群个体编码长度L，当前迭代次数，；种群初始化：在搜索空间随机初始化N个编码长度为4的个体，＝[x1，x2，x3，x4]，其中x1∈[1，20]代表所述BP神经网络模型的隐含层节点数，x2∈[0.01，0.2]代表所述BP神经网络模型的学习率，x3∈[0.01，0.1]代表所述BP神经网络模型的训练目标最小误差，x4∈[0.05，0.09]代表所述BP神经网络模型的初始权值变化量。4.根据权利要求3所述基于改进鲸鱼算法和BP
‑
PID的永磁同步电机控制方法，其特征
在于，所述种群初始化之后的步骤之后还包括：利用公式(1)计算每个个体X(t)的适应度值，将所述适应度值最小的所述个体作为该代最佳个体X
*
(t)，保存X
*
(r)；令G
best
＝X
*
(t)；如果t≤M，计算a，A，C，计算公式如下：A＝2a
·
r1‑
a
ꢀꢀꢀꢀꢀ
(3)；C＝2r2ꢀꢀꢀꢀꢀꢀꢀꢀ
(4)；式中：a为在迭代过程中由2逐渐线性减少到0的收敛因子；A和C为系数；r1和r2为[0，1]间的随机数。5.根据权利要求4所述基于改进鲸鱼算法和BP
‑
PID的永磁同步电机控制方法，其特征在于，所述如果t≤M，计算a，A，C的步骤之后包括：计算l和p，l为[
‑
1，1]间的随机数和p为[0，1]间的随机数；计算基于正余弦变化的自适应惯性权重ω，公式如下：式中：k为常系数；采用如下公式分别对每个所述个体X(t)的空间位置进行更新：式中：X
*
(t)代表第t代的最优个体；X
and
(t)代表第t代除最优个体之外的其它个体；X(t+1)代表空间位置更新后的个体；D和D
′
的计算公式如下所示：D＝|C
·
Xr
a
n
d
(t)
‑
X(t)|
ꢀꢀꢀꢀ
(7)；D
′
＝|X
*
(t)
‑
X(t)|
ꢀꢀꢀꢀ
(8)；式中，D表示第t代的搜索方向，D
′
表示第t代的最佳搜索方向；判断X(t+1)的每一维基因是否超出该基因对应的取值范围，如果超出，则在该基因对应的取值范围内随机生成一个随机数替换该维基因；利用公式(1)计算每个个体X(t+1)的所述适应度值，将所述适应度值最小的所述个体作为该代最佳所述个体X
*
(t+1)，保存X
*
(t+1)；如果X
*
(t+1)比G
best
＝X
*
(t)小，则G
best
＝X
*
(t+1)；如果t＜M，t＝t+1，则继续执行：如果t≤M，计算a，A，C的步骤及其后续步骤；如果t≥M，输出G
best
；G
best
即为最佳BP神经网络参数。6.根据权利要求5所述基于改进鲸鱼算法和BP
‑
PID的永磁同步电机控制方法，其特征在于，所述利用优化后的BP神经网络模型对所述整定模型进行优化，得到最佳PID控制参数K
P*
、K
I*
和K
D*
的步骤中包括：设置优化后的所述BP神经网络模型的输出层节点数，输出数据为所述永磁同步电机控
制模型的误差；输入数据从输入层...

【专利技术属性】
技术研发人员：邱博之，李莹，唐嘉禄，张佰顺，华伟，
申请(专利权)人：西安黄河机电有限公司，
类型：发明
国别省市：