阅读说明：本技术 一种基于改进粒子群算法的异步电机参数辨识方法 (Asynchronous motor parameter identification method based on improved particle swarm optimization ) 是由 林梅金 汪震宇 王飞 于 2019-10-17 设计创作，主要内容包括：本发明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。(The invention provides an asynchronous motor parameter identification method based on an improved particle swarm algorithm, which comprises the following steps: 1, acquiring the rotating speed, the rotor flux linkage and the stator current of an asynchronous motor; 2, acquiring a time constant and an excitation inductance of a motor rotor in real time through an improved particle swarm algorithm; the improved particle swarm algorithm specifically comprises the following steps: randomly generating an initial population with dimensions of a given range; updating the position information of the particles by tracking individual extrema of the individual particles and group extrema of the particle group; recalculating the fitness value of each particle, and then carrying out update assignment on the individual extreme value of the particle and the group extreme value of the particle group; and judging whether the iteration interruption times reach the set maximum iteration times or not, and stopping running if the iteration interruption times reach the set maximum iteration times, so as to realize the identification and tracking of the parameters of the asynchronous motor. The invention can stably, quickly and accurately identify and track the parameters of the asynchronous motor by utilizing the improved simplified particle swarm algorithm.)

一种基于改进粒子群算法的异步电机参数辨识方法

技术领域

本发明涉及电机参数辨识技术领域，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。

背景技术

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，该发明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，该发明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。

发明内容

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，本发明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p_ij和粒子群体的群体极值p_gj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)*(x_max-x_min)+x_min。

可选的，在步骤2b中，粒子的位置信息更新方程为：x_ij(t+1)＝w*x_ij(t)+c₁r₁[p_ij(t)-x_ij(t)]+c₂r₂[p_gj(t)-x_ij(t)]以及

其中，c_1s和c_2s分别为学习因子c₁和c₂的初始设置值，c_1f和c_2f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，Iter_max表示算法的最大迭代次数。

本发明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发明，将重点放在示出实施例的原理上。

图1是本发明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是本发明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是本发明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

为了使得本发明的目的、技术方案及优点更加清楚明白，以下结合其实施例，对本发明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发明，并不用于限定本发明。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、包括在本发明的范围内，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。

本发明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；在本发明的描述中，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发明和简化描述，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。

本发明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。

本发明以异步电机为对象，在对经典粒子群算法进行改进简化的基础上，对电机转子时间常数和励磁电感进行辨识追踪，以实现异步电机参数的辨识。

针对异步电机参数，本发明提供一种基于改进粒子群算法的异步电机参数辨识方法，其包括以下步骤：

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p_ij和粒子群体的群体极值p_gj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。

实施例二：

一种基于改进粒子群算法的异步电机参数辨识方法，其包括以下步骤：

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p_ij和粒子群体的群体极值p_gj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。

在步骤2b中，粒子的位置信息更新方程为：x_ij(t+1)＝w*x_ij(t)+c₁r₁[p_ij(t)-x_ij(t)]+c₂r₂[p_gj(t)-x_ij(t)]以及其中，c_1s和c_2s分别为学习因子c₁和c₂的初始设置值，c_1f和c_2f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，Iter_max表示算法的最大迭代次数。

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。

下表是不同算法的Benchmark测试函数结果对比图，结合图2以及图3可以知道，本实施例步骤2所述的改进的粒子群算法与传统的PSO算法和简化的PSO算法相比较，能够有效地提升算法的收敛速度和寻优精度。

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。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。

实施例三：

一种基于改进粒子群算法的异步电机参数辨识方法，其包括以下步骤：

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p_ij和粒子群体的群体极值p_gj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。

在步骤2b中，粒子的位置信息更新方程为：x_ij(t+1)＝w*x_ij(t)+c₁r₁[p_ij(t)-x_ij(t)]+c₂r₂[p_gj(t)-x_ij(t)]以及

其中，c_1s和c_2s分别为学习因子c₁和c₂的初始设置值，c_1f和c_2f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，Iter_max表示算法的最大迭代次数。

在步骤2a中，初始种群x的生成方程为：x＝rand(NP,D)*(x_max-x_min)+x_min。

上述实施例所述的改进粒子群算法不仅可以用来对异步电机参数进行辨识，还可以用来解决道路网络路径寻优、工业控制领域PID参数调整、网络信息跟踪的问题。

综上所述，本发明公开的一种基于改进粒子群算法的异步电机参数辨识方法，所产生的有益技术效果包括：

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。

虽然上面已经参考各种实施例描述了本发明，但是应当理解，在不脱离本发明的范围的情况下，可以进行许多改变和修改。也就是说上面讨论的方法、系统和设备是示例，各种配置可以适当地省略、替换或添加各种过程或组件。例如，在替代配置中，可以以与所描述的顺序不同的顺序执行方法和/或可以添加、省略和/或组合各种部件。而且，关于某些配置描述的特征可以以各种其他配置组合，如可以以类似的方式组合配置的不同方面和元素。此外，随着技术发展其中的元素可以更新，即许多元素是示例，并不限制本发明公开或权利要求的范围。

在说明书中给出了具体细节以提供对包括实现的示例性配置的透彻理解。然而，可以在没有这些具体细节的情况下实践配置,例如已经示出了众所周知的电路、过程、算法、结构和技术而没有不必要的细节，以避免模糊配置。该描述仅提供示例配置，并且不限制权利要求的范围，适用性或配置。相反，前面对配置的描述将为本领域技术人员提供用于实现所描述的技术的使能描述。在不脱离本发明公开的精神或范围的情况下，可以对元件的功能和布置进行各种改变。

综上，其旨在上述详细描述被认为是例示性的而非限制性的，并且应当理解，以下权利要求(包括所有等同物)旨在限定本发明的精神和范围。以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。