基于有效信息迭代快速粒子群优化算法的永磁同步电机参数在
线辨识
李婕;杨淑英;谢震;张兴
【期刊名称】《电工技术学报》
【年(卷),期】2022(37)18
【摘要】为解决采用粒子群优化算法(PSO)辨识永磁同步电机(PMSM)参数存在的计算量大、运行时间长的问题,提出一种基于有效信息迭代的快速粒子群优化算法(FPSO),该算法在最大转矩电流比(MTPA)控制策略下在线对永磁同步电机参数进行快速辨识。基于动态电压方程构建新的适应度函数,并通过迭代有效电机参数信息和增添新的迭代终止条件改进标准粒子群优化算法(SPSO)的收敛快速性。为了克服电压估算误差对辨识精度的影响,在非线性补偿算法的基础上,讨论一种剔除电流过零一定范围内数据的预处理方案。实验结果表明,在不影响系统正常运行的情况下,实现了对永磁同步电机的交、直轴电感和永磁体磁链的快速辨识,且辨识结果具有较高的精度。
【总页数】10页(P4604-4613)
【作者】李婕;杨淑英;谢震;张兴
【作者单位】合肥工业大学电气与自动化工程学院
【正文语种】中文
【中图分类】TM351
【相关文献】
1.基于自适应粒子群优化算法的永磁同步电机参数辨识
2.基于综合学习策略粒子群r优化算法的永磁同步电机模型辨识
3.基于粒子群优化算法的永磁同步电机参数辨识
4.基于粒子群优化算法优化陷波器参数的永磁同步电机振动抑制技术方法研究
5.基于并行混沌优化算法的永磁同步电机多参数辨识
因版权原因，仅展示原文概要，查看原文内容请购买
永磁同步电机参数在线辨识:模型参考与EKF 的比较 摘要：本文基于模型参考在线辨识的方法，对永磁同步电机进行参数辨识。运用李雅普诺夫第二方法和奇异扰动理论对增广系统的全局稳定性进行了分析。结果表明,该方法应用的解耦控制技术,改善了系统的收敛性和稳定性. 把这种方法与扩展卡尔曼滤波(EKF)的在线识别方法比较，结果表明,尽管基于扩展卡尔曼滤波(EKF)的在线辨识法在实现的复杂性上相对于所提出的方法更简单,但是该方法与所提出的方法相比不能给出更好的结果. 仿真结果以及对隐极式永磁同步电机实验的分析，证实了所提出方法的有效性。 永磁同步机因为他们的高效率和良好的可控性成功的应用于不同的领域。永磁同步机的控制主要是通过高性能的矢量控制实现的。控制变量如(速度,位置,或转矩),主要的困难在于控制转矩,这说明了控制定子电流的必要性。在矢量控制中,如果想实现这一点，定子电流和电压矢量需在d-q 坐标系下进行分析研究。为了控制定子电流,必须先控制其直轴电感(d)和正交电感(q)。永磁同步电机在d-q 坐标下的电气模型是一个两输入-两输出系统，如下: f q d e e ψ==,0 f K =ω Ω是反电动势矢量d-q 分量；q d q d i i v v ,,,是d-q 轴电压和电流，Ω=P ω是转子电角速度，Ω是转子机械角速度，P 是极对数量。系统的输入是q d v v ,，输出是q d i i ,。根据适当的控制律控制这些电流，是定子电压通过电压源逆变器得到应用。逆变器通常根据一个恒定增益v G 来建模。我们可以得到qr v q dr v d v G v v G v ==,，qr dr v v ,是电流调节器的输出。他们用于调节d-q 坐标系的电流。隐极永磁同步电机,d 轴基准电流通常固定为零，电机转矩和转度由q 轴基准电流控制。d q s f L L R ,,,ψ是参考模型的参数。电机时间常数是 s q q s d d R L R L /,/==ττ。 事实上，这些参数是不准确的，他们会慢慢的发生变化。这些变化可能是由于一个故障或一个变化的操作点[2]。他们有时对控制系统是致命的并可能损坏驱动器。在这些情况下,一个在线辨识算法是必要的。该算法对电机参数进行辨识,用于控制算法或检测故障中。
电机性能参数辨识与控制策略优化 电机是工业生产和生活中广泛使用的重要设备之一，其性能参数的辨识和控制 策略的优化对于提高电机的效能和稳定性具有重要意义。本文将从电机性能参数辨识和控制策略优化两个方面展开讨论。 一、电机性能参数辨识 电机性能参数辨识是确定电机各项参数的过程，包括电阻、电感、电动势常数、转动惯量等。辨识电机的性能参数可以精确地描述电机的特性，并为后续的控制策略优化提供基础。 1. 传统方法 传统的电机性能参数辨识方法包括定子电阻测量法、空载试验法、堵转试验法等。这些方法需要在实际工作中对电机进行试验，获取电机在不同工况下的性能数据，并通过数学模型进行参数辨识。这种方法可以较为准确地辨识电机的性能参数，但需要较大的测试工作量和计算量。 2. 基于模型的辨识方法 基于模型的辨识方法通过建立电机的数学模型，利用系统辨识的理论和方法进 行参数辨识。这种方法不需要进行实验，并且可以在较短的时间内得到较为准确的参数估计。常用的方法有经验模态分解法、最小二乘法、粒子群优化等。相比于传统方法，基于模型的辨识方法具有计算速度快、精度高等优点。 3. 基于人工智能的辨识方法 近年来，随着人工智能的发展，基于机器学习和深度学习的电机性能参数辨识 方法逐渐得到应用。通过训练大量的数据和神经网络，可以实现对电机性能参数的准确辨识。这种方法相比于传统方法和基于模型的辨识方法更加自动化和智能化。
二、控制策略优化 电机的控制策略是保证其正常运转和提高效能的关键。控制策略的优化可以提 高电机的响应速度、稳定性和能效。 1. PID控制策略优化 PID控制是一种常用的电机控制策略，它通过调节比例、积分和微分三个参数 来实现电机速度的控制。PID控制的优化可以包括参数整定和参数调整两个方面。 参数整定可以根据电机的特性和性能参数辨识结果，采用试错法、整定法等方法确定最优参数。参数调整可以采用自适应控制、优化算法等方法进行动态的参数调整，提高控制系统的鲁棒性和性能。 2. 模型预测控制 模型预测控制（MPC）是一种基于数学模型的高级控制策略，它通过对电机的数学模型进行建模和预测，实现对电机输出的优化控制。MPC可以考虑到电机的 非线性特性和约束条件，并进行长期和短期的预测来优化控制效果。MPC的优化 包括模型建立、预测、优化算法等方面。 3. 基于人工智能的控制策略 随着人工智能的不断发展，基于深度学习和强化学习的电机控制策略逐渐得到 应用。通过训练神经网络和强化学习算法，可以实现对电机的智能控制。这种方法可以适应电机在不同工况下的变化，并实现优化控制。 综上所述，电机性能参数辨识和控制策略优化是提高电机性能的重要手段。通 过准确辨识电机的性能参数并优化控制策略，可以提高电机的效能、稳定性和能效。未来随着科技的进步，基于人工智能的辨识和控制方法将得到更广泛的应用，为电机的性能提升带来更多可能性。
永磁同步电机系统参数辨识与转矩波动抑制永磁同步电机具有功率密度大、运行效率高、动态响应快等诸多优点,被广泛用于航空航天、船舶推进、轨道交通、精密仪器等高端装备制造业。电机系统中的电机模型参数误差以及包括电机转子磁链谐波、齿槽转矩、变流器死区效应和电流采样误差在内的各种周期性扰动会降低系统的动态和稳态性能,限制永磁同步电机在高性能场合的应用。本文旨在提升永磁同步电机的控制性能,针对电机模型参数误差和各种周期性扰动的影响,分别进行了参数辨识和转矩波动抑制的研究。针对逆变器死区效应等非线性特性造成的电机参数在线辨识误差问题,通过建立死区效应引起的逆变器扰动电压数学模型,提出了考虑扰动电压的永磁同步电机参数在线辨识策略。 针对在线辨识过程中因忽略电流谐波而引起扰动电压辨识误差的问题,提出了两种扰动电压在线辨识的改进措施。一种针对引起辨识误差的来源,在电流环采用迭代学习控制器来抑制电流谐波;另一种则利用电压模型的平均值方程来辨识扰动电压,使辨识结果免受电流谐波的影响。在不依赖任何电机或逆变器参数的前提下,提高了扰动电压的辨识精度,并最终提高了电机参数的辨识精度。将在线辨识策略与预测电流控制相结合,利用参数辨识结果调节控制器参数,消除了预测电流控制的稳态误差,改善了系统的稳态性能。 针对逆变器非线性特性造成的电机参数静态辨识误差问题,通过建立电机静止状态下的逆变器扰动电压数学模型,提出了考虑扰动电压的永磁同步电机参数静态辨识策略。通过选择合适的电压激励,在既不需要任何模型参数,也不需要增加堵转装置等设备的前提下,有效排除了扰动电压的影响,提高了参数辨识精度。将静态辨识策略引入传统矢量控制,用于整定控制器参数,有效提升了传统矢量控制的起动性能。针对周期性扰动造成的永磁同步电机转矩波动问题,提出了基于参数自适应迭代学习控制的转矩波动抑制策略。 依据奈奎斯特稳定判据推导出迭代学习控制器参数的可行域,解决系统的稳定性问题;同时构建控制器参数的自适应机制,依据自适应率在可行域内对控制器参数进行在线调节,解决迭代学习控制下系统动态性能下降的问题。研究结果表明,本文提出的参数自适应迭代学习控制策略在电机稳态运行时有效抑制了转矩波动,并且相比于固定参数的迭代学习控制策略,缩短了系统动态响应调节时
基于粒子群优化的工艺参数优化研究 近年来，人们对于工艺参数的优化研究越发重视。随着人工智能技术的发展， 越来越多的算法被引入到工艺参数优化中。其中，粒子群优化算法是一种基于群体智能的优化算法。粒子群优化算法可以模拟粒子在搜索空间中的运动，通过寻找最优的粒子状态来获得最优解。下面将着重从粒子群优化算法的原理和应用两个方面介绍如何基于粒子群优化进行工艺参数的优化。 一、粒子群优化算法的原理 粒子群优化算法是一种基于群体智慧的优化算法。其原理是将每个目标看做是 一个粒子，然后通过不断迭代来寻找某个目标的最优解。在粒子群优化算法中，每个粒子的运动与其他粒子的运动相关联，加入社交因素使得粒子能够在整个搜索空间中快速搜索，找到最优解。 在粒子群优化算法中，每个粒子都有自己的位置和速度，并且每个粒子都可以 感知到周围粒子的位置和速度。每个粒子的位置和速度可以通过以下公式进行更新： $$v_{ij}^{t+1} = wv_{ij}^t+c_1r_1(p_{ij}-x_{ij})+c_2r_2(p_{gj}-x_{ij})$$ $$x_{ij}^{t+1} = x_{ij}^t+v_{ij}^{t+1}$$ 其中，$v_{ij}^{t+1}$表示在$t+1$时刻粒子$i$的第$j$维速度；$w$表示惯性权 重系数；$v_{ij}^t$表示在$t$时刻的第$j$维速度；$c_1$和$c_2$表示学习因子； $r_1$和$r_2$为0~1之间的随机数，用于控制更新速度；$p_{ij}$表示在$t$时刻粒 子$i$的第$j$维最优位置；$x_{ij}$表示在$t$时刻粒子$i$的第$j$维位置； $p_{gj}$表示在$t$时刻全局最优位置。 通过不断的迭代，粒子群优化算法能够找到最优解，从而实现目标函数的最优化。 二、基于粒子群优化的工艺参数优化
基于改进粒子群算法的电磁式振动能量采集器参数辨识 电磁式振动能量采集器是一种利用振动能量转换为电能的装置，具有广泛的应用领域，如自动感应系统、无线传感器网络等。为了实现电磁式振动能量采集器的高效能量转换， 需要对其参数进行准确的辨识。传统的参数辨识方法存在计算量大、收敛速度慢的问题， 为此，本文提出了基于改进粒子群算法的电磁式振动能量采集器参数辨识方法。 介绍电磁式振动能量采集器的数学模型。电磁式振动能量采集器由质量、弹簧和电磁 电机组成，可以表示为如下的二阶微分方程： \[m\cdot\frac{{d^2x(t)}}{{dt^2}} +c\cdot\frac{{dx(t)}}{{dt}}+k\cdot x(t) = f(t)\cdot x(t) ,\] \(m\)为质量，\(c\)为阻尼系数，\(k\)为弹簧刚度，\(x(t)\)为位移，\(f(t)\)为 激励力。 介绍改进粒子群算法的原理。粒子群算法是一种模拟鸟群觅食行为的优化算法，通过 自适应地调整粒子的位置和速度来寻找问题的最优解。传统的粒子群算法存在收敛速度慢、易陷入局部最优等问题。为了提高算法的性能，本文将改进粒子群算法应用到电磁式振动 能量采集器参数辨识中。改进粒子群算法引入了惯性权重、自适应调整参数和随机扰动等 策略，以提高算法的全局搜索能力和收敛速度。 1. 初始化粒子群的位置和速度，以及惯性权重、学习因子和迭代次数等参数。 2. 根据粒子的位置和速度更新粒子的位移和速度。 3. 计算粒子的适应度函数，即目标函数，以评估粒子的优劣。 4. 更新粒子群的全局最优位置和个体最优位置。 5. 根据全局最优位置和个体最优位置更新粒子的位置和速度。 6. 判断是否达到终止条件，如果达到则输出结果，否则返回第2步继续计算。 7. 输出参数辨识结果。 通过实验对比分析，结果表明本文提出的基于改进粒子群算法的电磁式振动能量采集 器参数辨识方法具有较高的收敛速度和较好的辨识精度。该方法能够有效地辨识电磁式振 动能量采集器的参数，为其高效能量转换提供了理论基础和技术支持。 本文提出了一种基于改进粒子群算法的电磁式振动能量采集器参数辨识方法，通过对 其数学模型进行建立并优化求解，在电磁式振动能量采集器的研究与应用中具有重要意 义。
基于粒子群优化算法的电机参数辨识与优化 近年来，电机作为重要的动力装置，在制造业和社会发展中发挥着越来越重要 的作用。电机的性能直接影响装置的效率和质量，因此，确定准确的电机参数并对其进行优化成为电机领域的重要问题之一。随着计算机技术的不断发展，基于粒子群优化算法的电机参数辨识与优化成为了一个新的研究热点。 电机参数辨识是基于试验数据或者仿真模型来确定电机的未知参数。电机参数 辨识所采用的方法通常包括最小二乘法、广义最小二乘法、最大似然估计等。其中，最小二乘法是众多电机参数辨识方法中最为基础的一种方法，其目的是找到一个参数向量，使得这个向量与待辨识参数向量之间的误差平方和达到最小。 而粒子群算法是一种基于群体智能的新型优化算法，通过模拟粒子在搜索空间 中的运动，来找到优化函数的最小值。在电机参数优化问题中，粒子群优化算法可以很好地将电机的性能指标（如效率、扭矩和输出功率等）最大化。 因此，基于粒子群优化算法的电机参数辨识与优化方法是将两个方法结合起来 的一种高效率解决方案。接下来，本文将从实验、仿真以及应用方面来探讨基于粒子群优化算法的电机参数辨识与优化方法的应用。 一、实验中的基于粒子群优化算法的电机参数辨识与优化 在实验中，可以通过测量电机的外部特性来获取电机的性能指标，然后通过基 于粒子群优化算法的电机参数辨识与优化方法来找到电机的未知参数。通常情况下，实验中需要较多的测量数据，以便更好地对电机的参数进行辨识与优化。以下是一个基于粒子群优化算法的实验方案： 1.选择一台具有较高精度的测试设备（例如功率计、转速计等），对电机进行 测试。记录电机的输入电压、输出扭矩、输出功率、转速等参数。
基于粒子群优化算法的机器学习模型优化研 究 1. 前言 近年来，机器学习技术持续被应用于各行各业。机器学习技术 通过从历史数据中提取特征，让机器能够从数据中学习并预测未来。目前，随着数据量的不断增加，机器学习的数据处理和模型 训练变得越来越复杂，需要一种高效的算法来优化机器学习模型。粒子群优化算法作为一种智能化算法，近年来被广泛应用于机器 学习模型的优化中，取得了不错的成果。本文将对基于粒子群优 化算法的机器学习模型优化研究进行详细地介绍。 2. 算法原理 粒子群优化算法是一种优化算法，其原理基于群体智能的思想。该算法通过让每一个粒子记录自己的位置和速度，同时接受其本 身与群体中其他粒子的最优解，从而不断更新自己的状态，逐步 找到全局最优解。具体来说，每个粒子都是一组解决问题的参数，例如，在机器学习中，一个粒子将表示模型中的权重向量。粒子 群算法的过程如下： 1. 首先，初始化每个粒子群的参数、速度、位置。 2. 将每个粒子的解进行评估，计算其适应性得分。
3. 更新每个粒子的速度和位置，通过比较当前解和历史最优解，并不断更新速度和位置，直到所有粒子收敛。 4. 重复2、3步骤，直到达到停止条件为止。 总体来说，粒子群优化算法通过模拟粒子的行为，不断优化当 前的参数，以达到最优解的效果。 3. 粒子群优化算法在机器学习中的应用 机器学习中，模型的参数优化是一个十分复杂的问题，一般需 要通过迭代的方式不断优化参数，直到模型达到最优的性能。粒 子群算法是一种具有全局优化性能的算法，在机器学习中可以通 过对模型的参数进行快速优化。 在机器学习中，我们通常需要根据数据集训练模型。在训练过 程中，通过梯度下降等方法来不断寻找最优的解，然而，这种方 法往往会卡在局部最优解中，而无法找到全局最优解。粒子群优 化算法也能解决这个问题。通过不断调整每个粒子的位置和速度，粒子群算法能够找到模型的全局最优解，从而提高模型的性能。 4. 优化算法实践 在实践中，我们需要针对具体的机器学习问题选择相应的算法 实现，以获得更好的效果。以下是一些具体的粒子群优化算法实践。
粒子群优化算法在电力系统中的应用 摘要：粒子群算法是一种新的智能优化算法，它是对生物群体协同优化能力的 研究，是一种针对每个粒子追求自身最优粒子和全局最优位置的一种启发式随机 优化算法。在随机搜索的过程中，此算法收敛于最优粒子群优化算法。详细介绍 了基本粒子群优化算法和改进的粒子群优化算法，并进行仿真研究，简要阐述了 该算法在电力系统中优化应用情况，以期为日后的相关工作提供参考。 关键词：粒子群算法；智能优化算法；人工生命；计算技术 引言 双眼皮人工生命用来研究人工系统的基本特征，它主要包括利用计算技术研 究生物现象，利用生物技术研究和计算问题。另外，生物系统是社会系统的一部分，对其研究主要利用的是局部信息，而仿真系统中则很可能发生不可预知的群 体行为。在计算智能领域中，主要有粒子群优化算法（PSO）和蚁群算法（ACO） 2种基于群体智能的算法。粒子群优化算法是基于模拟鸟群觅食的过程而创立的，它具有参数调整简单、容易实现等优点，且优化效果良好。目前，这种算法已被 广泛应用于智能控制、模糊控制和专家控制方面。蚁群算法主要是模拟蚁群采集 食物的过程而创立的，它适用于解决离散优化问题。 一、粒子群优化算法工作原理 粒子群优化 PSO（Particle Swarm Optimization）算法是一种基于集群智能的随 机优化算法，最早由Kennedy 和 Eberhart 于 20 世纪 90 年代提出。粒子群算法的 基本思想是[4]：优化问题的每一个解称为一个粒子。定义一个符合度函数来衡量 每个粒子解的优越程度。每个粒子根据自己和其它粒子的“飞行经验”群游，从而 达到从全空间搜索最优解的目的。具体搜索过程如下：每个粒子在解空间中同时 向两个点接近，第一个点是整个粒子群中所有粒子在历代搜索过程中所达到的最 优解，被称为全局最优解 gbest；另一个点则是每个粒子在历代搜索过程中自身 所达到的最优解，这个解被称为个体最优解 pbest。每个粒子表示在 n 维空间中 的一个点，用 xi = [ xi1，xi2，⋯，xin ]表示第 i 个粒子，第 i 个粒子的个体最优解（第 i个粒子最小适应值所对应的解）表示为 pbesti = [pi1，pi2，⋯，pin ]；全局 最优解（整个粒子群在历代搜索过程中最小适应值所对应的解）表示为 gbesti = [pbest1，pbest2，⋯，pbestn]；而 xi的第 k 次迭代的修正量（粒子移动的速度） 表示为： 其中 m 为粒子群中粒子的个数；n 是解向量的维数。c1和 c2 为大于 0 的学习因子，分别表示两个优化解的权重；rand1 和 rand2是两个独立的、介于[0 ，1 ] 之间的随机数；ω 是惯性权重系数，调整其大小可以改变搜索能力的强弱。试验 表明权值ω 将影响PSO 的全局和局部搜优能力[5]。ω 值较大，全局搜优能力强，局部搜优能力弱，反之，则局部搜优能力强，而全局搜优能力减弱。粒子群优化 算法步骤如下[6]。数值取代前一轮的优化解，用新的粒子取代前一轮粒子，即pbesti = pi，xbesti = xi；④将每个粒子的最好适应值 pbesti 与所有粒子最好适应 值 gbesti 进行比较，如果 pbesti < gbesti ，则用每个粒子的最好适应值取代原所有 粒子的适应值，同时保存粒子的当前状态，即 gbesti = pbesti ，xbest = xbesti；⑤ 完成以上的计算后，再进行新一轮的计算，按式（3）将粒子进行移动，从而产 生新的粒子（即新解），返回步骤②。直至完成设定的迭代次数或满足事先给定
永磁同步电机参数辨识研究 永磁同步电机是一种具有高效率、高功率密度和快速响应等优点的电机，广泛 应用于各种工业和民用领域。为了实现永磁同步电机的精确控制和监测，需要对其参数进行准确的辨识。下面介绍永磁同步电机参数辨识的研究内容和方法。 参数辨识的研究内容 永磁同步电机的参数包括定子电阻、转子电阻、漏感电抗、定子电感、转子电感、永磁体磁化强度等。这些参数的准确性对电机的控制性能和效率具有重要影响。因此，永磁同步电机参数辨识的研究内容主要包括以下几个方面： （1）电机模型建立 电机模型是进行参数辨识的基础，需要建立准确、简洁、适用的电机模型。常 用的永磁同步电机模型包括dq轴等效电路模型、电感电阻模型和磁路模型等。 （2）数据采集和处理 对于参数辨识，需要采集电机运行时的电流、电压和转速等数据，并进行预处理，包括滤波、降噪、积分等操作，以提高数据质量和准确性。 （3）参数估计方法 参数估计方法是指利用采集的数据，通过数学模型和算法进行参数估计和辨识。常用的方法包括最小二乘法、最大似然法、粒子群优化法、神经网络方法等。
参数辨识的方法 （1）基于模型的方法 基于模型的方法是指根据电机的数学模型，通过采集的电机数据进行参数辨识。常用的方法包括最小二乘法、极大似然法、扩展卡尔曼滤波法等。这些方法需要先建立电机的数学模型，然后根据采集的数据对模型中的参数进行估计和辨识。 （2）基于信号处理的方法 基于信号处理的方法是指通过对电机运行数据进行频谱分析、小波分析等信号 处理方法，提取出电机运行时的特征参数，如电流的基波频率、谐波频率等。然后根据这些特征参数进行电机参数的辨识。 （3）基于神经网络的方法 永磁同步电机参数辨识是指通过对永磁同步电机的电、磁等参数进行辨识，从 而实现对电机性能的优化控制。常见的永磁同步电机参数包括：定子电阻、定子漏感、转子漏感、永磁体磁通和磁极数等。 永磁同步电机的参数辨识方法主要有两类：基于模型的方法和基于神经网络的 方法。 基于模型的方法通常采用最小二乘法（LS）或极大似然估计法（MLE）对电机 的参数进行辨识。这种方法需要建立永磁同步电机的数学模型，并通过实验数据对模型参数进行拟合，从而得到电机的参数值。由于这种方法需要较为精确的电机模型和准确的实验数据，因此在实际应用中需要进行一定的改进和优化。
一种改进的永磁同步电动机参数在线辨识方法随着电动汽车的普及，永磁同步电动机在车辆动力系统中的重要性日 益凸显。为了提高永磁同步电动机的性能和效率，对其参数进行在线辨识 至关重要。传统的永磁同步电动机参数辨识方法通常需要停机进行实验测试，耗时耗力，不适用于在线监测和调整。因此，本文提出一种改进的永 磁同步电动机参数在线辨识方法，可以在电机运行过程中实时监测和调整 参数，提高电机的性能和效率。 首先，我们将永磁同步电动机的参数分为固有参数和变化参数两类。 固有参数包括定子电阻、定子电感、转子电感、永磁体磁导率等，这些参 数通常随着电机的设计和生产过程确定，变化缓慢。变化参数则包括定子 电流、转子位置、磁链等，这些参数在电机运行过程中会不断变化。针对 这两类参数，我们提出不同的在线辨识方法。 对于固有参数，我们可以通过数学模型和电机反馈数据相结合的方式 进行在线辨识。首先，建立永磁同步电动机的数学模型，考虑到固有参数 的不确定性，在模型中引入参数扰动项。然后，利用电机的反馈数据、控 制指令和传感器信号，通过最小二乘法等优化方法对参数进行辨识。同时，结合卡尔曼滤波等方法，对随机扰动进行滤波和估计，提高参数辨识的准 确性和稳定性。 对于变化参数，我们可以利用电机的运行状态和性能指标进行在线辨识。通过监测电机的电流、转速、转矩等参数，利用模糊逻辑、遗传算法 等方法对参数进行实时估计和调整。同时，利用模型预测的方法，结合电 机的动态响应特性，对参数进行实时跟踪和校正，提高电机的动态性能和 效率。
综合以上两种参数在线辨识方法，我们可以实现对永磁同步电动机固有参数和变化参数的实时监测和调整。通过不断优化参数，提高电机的性能和效率，延长电机的使用寿命。同时，我们可以应用这种方法在电动汽车、工业生产等领域，提高系统的稳定性和可靠性，推动永磁同步电动机的发展。 总之，本文提出的改进的永磁同步电动机参数在线辨识方法具有实时性、准确性和稳定性等优点，可以提高电机的性能和效率，推动电动汽车和工业生产的发展。未来，我们将继续深入研究和应用这种方法，探索更多的领域和应用场景，为电动汽车和可再生能源领域的发展做出贡献。
第六章粒子群优化算法习题与答案 1.填空题 （1）粒子群算法的缩写是，它模拟了自然界中过程而提 出。在粒子群算法中，最关键的两个变量分别是和。 （2）粒子群算法的每一次迭代之后，都会得到一个局部最优 解和局部最优解。 解释： 本题考查粒子群算法的基础知识。 具体内容请参考课堂视频“第6章粒子群优化算法”及其课件。 答案： （1）PSO,鸟群觅食，位置，速度 （2）个体的，群体的 2.下列关于粒子群优化算法PSO说法错误的是（）。 A）PSO是把优化问题的一个解抽象成一个粒子。 B）PSO通过粒子位置和速度更新来产生新解，没有交叉和变异操作。 C）PSO速度更新中的“社会”部分代表向自身学习。 D）学习因子q和q对算法性能的影响很大。 解释： 本题考查粒子群算法的特点。 具体内容请参考课堂视频“第6章粒子群优化算法”及其课件。 答案：C
（1）PSO把优化问题的一个解抽象成一个粒子。A选项正确。 （2）PSO没有交叉和变异操作，只是通过粒子位置和速度更新来产生新的粒子，B选项正确。 （3）PS0的“认知”部分代表向自身学习，“社会”部分代表向群体学习，C选项错误。 （4）学习因子q和q是两个关键参数，对算法性能的影响很大，D选项正确。 3.下列关于粒子群优化算法参数说法错误的是（）。 A）学习因子和J分别代表向自身学习和向群体学习的权重。 B）惯性权重w设计原则应该随着进化迭代次数逐渐变小。 C）学习因子C1 =0，q>0，算法多样性不足易陷入局部最优。 D）学习因子C1 >0，q=0，算法收敛速度变慢。 E）Vmax越大，算法的探索能力越弱，开发能力越强。 解释： 本题考查PSO参数的作用。 具体内容请参考课堂视频“第6章粒子群优化算法”及其课件。 答案：E （1）C1和C2分别为“认知”部分代表向自身学习，以及“社会”部分代表向群体学习。A选项正确。 （2）惯性权重在进化前期应该更大，从而加强算法的探索能力，维护多样性；在进化后期应该更小，从而加强算法的开发能力，加快收敛。B选项正确。 （3）学习因子C1 =0，q>0，只有“社会”部分，收敛加快，易陷入局部最优，C选项正确。 （4）学习因子C1 >0，c2=0，只有“认知”部分，算法收敛速度变慢，D选项
同步电动机参数辨识方法〔待续〕同步电机辨识的参数主要有两类：1、等效电路参数〔电阻、电感等〕2、时间常数与电抗〔包括瞬变超瞬变参数〕考虑问题：1、怎样选取适当的辨识信号和设计有效的辨识实验 2、怎样选取辨识模型〔使用较多的是两回路的转子模型〕 3、怎样证明辨识所得参数的有效性经典辨识：通过作阶跃响应、频率响应、脉冲响应等试验，测得对象以时间或频率为变量的实验曲线。 最小二乘法：目前使用比拟广泛。基于进化的策略法，如神经网络、遗传算法、粒子群游优化算法等等。 一般采用方法：突然短路、甩负荷、直流衰减法、静止频率响应法等等。〔理想情况下辨识，以及考虑饱和、磁滞、集肤效应等非线性因素〕国内： 传统方法：•对突然短路电流曲线的包络线加减来得到短路电流的中期分量和非周分量——改良：基于小波变换的短路数据处理方法〔缺点是：需要选取小波基〕•基于扩展Prony 算法的超瞬态参数计算方法〔缺点是在实际应用中存在阶数确定的难题〕 〔1〕基于HHT 的同步电机参数辨识〔中国电机工程学报2006〕 基于Hilbert变换和非线性变量优化〔NLO〕的基波分量辨识算法，实现了同步电机瞬态和超瞬态参数的精确辨识。 〔2〕基于小波变换和神经网络的同步电机参数辨识新方法〔中国电机工程学报2007〕 先利用小波变换对短路电流信号进行预处理，再通过改良的人工神经元模型对短路电流进行较为精确的信号别离，得到短路电流中的直流分量、基波分量和二次谐波分量，并且辨识出了电机参数值以及精度较高的时间参数。〔小波变换对短路电流进行预处理，并辨识得到各个时间参数，用来设定神经元激发函数中时间常数的迭代值〕 〔3〕一种新颖的电机磁链辨识算法〔中国电机工程学报2007〕是基于对电机磁链的估计，方法是针对电压模型中的积分环节进行改造：利用一 个高通滤波器和 1 个坐标变换环节构成 〔4〕感应电机参数的离线辨识方法直流实验辨识定子电阻，堵转实验辨识定、转子漏感、转子电阻，空载试验采用 V/f 控制方式，辨识定转子间的互感 〔5〕直流衰减静测法局部辨识同步电机参数研究 定子a相绕组轴线与转子d轴重合，a相绕组开路，励磁绕组短路。b、c相绕组通过电阻串接到直流电源上。试验时，使bc绕组突然对线短路，采集定子bc的相电流和励磁绕组电流 〔6〕还有一些比方最小二乘法、卡尔曼滤波辨识、扩展粒子群优化算法等等 〔7〕基于人工神经网络的同步电机在线参数辨识能反映电机实际运行过程中受到的饱和、电机老化、电磁力等因素的影响。目前国内的研究还比拟少。缺点是：必须有足够多的、足够精确的导师样本。 改善1：用不同的励磁电压和功率下进行屡次仿真的结果作为导师样本来训练神经网络。 改善2：采用在线参数辨识的混合算法：先利用遗传算法在大范围内进行参数寻优，然后以此值作为OEM (输出误差法)的初值进行迭代；用OEM求得的结果训练人工神经网络；通过成功训练的神经网络在线辨识改革中运行状态下的电机参数。 改善3：电机在各种典型运行模式下的检测数据经卡尔曼滤波、状态空间有限元等基于模型的辨识算法离线计算得到。
基于转速扰动的表贴式永磁同步电机参数辨识 邓鹏 【摘要】为解决表贴式永磁同步电机参数在线辨识时参数辨识耦合造成的辨识误差,从电机数学模型角度分析了参数辨识时的耦合关系,并通过仿真验证了表贴式永磁同步电机参数辨识时的定子电阻和转子磁链的耦合关系,同时提出了一种基于转速扰动的递推最小二乘法永磁同步电机在线解耦参数辨识方法.该方法通过加入转速扰动结合递推最小二乘辨识方法实现了交直轴电感、定子电阻、转子磁链的在线解耦辨识.实验和仿真验证了转速扰动的注入可以有效实现解耦辨识.%In order to solve the identification error caused by parameter identification coupling in the on-line identification of surface-mount permanent magnet synchronous motor,the coupling relation of parameter identification from the view of motor mathematical model was analyzed.The coupling relation between the stator resistance and the rotor flux linkage of the surface-mount permanent magnet synchronous motor was verified by simulation.A method of on-line decoupling parameter identification based on recursive least square method for speed-perturbation was also proposed. In this method,on-line decoupling identification of q-axis and d-axis inductance,stator resistance and rotor flux linkage were realized by adding rotational speed perturbation method and recursive least square identification method. Experiments and simulations show that the injection of rotational perturbation can effectively realize decoupling identification.【期刊名称】《电气传动》
表贴式永磁同步电机准稳态多参数在线辨识 刘金海;陈为 【摘要】针对永磁同步电机参数传统稳态辨识与动态辨识的不足,提出了准稳态辨识模型以及关于表贴式永磁同步电机的准稳态多参数在线辨识方法.该方法以遗忘因子递推最小二乘算法为基础,以误差分析为优化指导,辨识精度较高.该方法可同时辨识表贴式永磁同步电机3个电气参数,辨识速度快,计算量适中,适合工程应用.以DSP和智能功率模块为实验平台基础的实验研究验证了所提出方法的可行性与有效性. 【期刊名称】《电工技术学报》 【年(卷),期】2016(031)017 【总页数】7页(P154-160) 【关键词】永磁同步电机;多参数;准稳态;在线辨识 【作者】刘金海;陈为 【作者单位】福州大学电气工程与自动化学院福州 350116;福州大学电气工程与自动化学院福州 350116 【正文语种】中文 【中图分类】TM351 永磁同步电机(Permanent Magnet Synchronous Motor，PMSM)具有高功率密度、高转矩电流比、高功率因数等特点，广泛应用于工业生产及人类日常生活中[1-4]。近些年来，新型电力电子功率器件、新型DSP器件、矢量控制及高频磁等
技术的发展进一步强化了PMSM相关控制系统的应用广度与深度[5，6]。为保障PMSM较高的动静态性能，对其电流矢量合理控制很有必要，而这通常需要电机 参数的支持。文献[7]将得到的电机参数用于控制器的PI值优化设计。文献[8，9] 需要电机的定子电枢电阻及电感等参数支持PMSM无速度传感控制。不仅如此，考虑到系统安全问题，某些情况下需要通过监测电机参数以便间接获取电机温度信息或进行故障诊断。文献[10]提出了一种通过观测转子磁链间接观测转子温度的方法。文献[11]试图通过模型参考自适应法(Model Reference Adaptive System，MRAS)辨识定子电枢电阻间接获取定子温度信息。文献[12]通过扩展卡尔曼滤波 法(Extended Kalman Filter，EKF)辨识定子电枢电阻，从而对电机进行开路故障 诊断。运用现有一些方法可离线获取PMSM参数[13-15]，然而电机在线运行时，其参数一般随不同状态而变化。综上所述，对PMSM进行多参数在线辨识非常有必要。 依据电机工作的状态，PMSM参数辨识一般可分为动态辨识和稳态辨识两大类别。动态辨识一般基于PMSM动态电压方程，并借助相应辨识算法及“足够多有效数据”，从而辨识出相应的电机参数。数据“足够多”是指足够多有差异性的辨识数据，以便达成辨识数据集的满秩性，从而有利于辨识结果正确收敛。数据“有效”指：①干扰噪声足够小或无干扰噪声；②相位偏移足够小或无相位偏移。仿真很容易做到此处的数据“有效”，然而实际系统却很困难，原因是实际系统通常需要对传感器数据进行滤波处理，加之系统其他环节的传输延时，导致同拍辨识数据存在相位偏移，影响辨识结果。文献[16]研究了基于MRAS辨识法在线同时辨识PMSM三个参数，仿真结果显示参数辨识值具有较好的动态跟踪参数实际值的能力，但实际实验结果却显示定子电阻辨识值和永磁磁链辨识值无法正确收敛。有别于动态辨识，稳态辨识没有相位偏移的问题。原因是稳态辨识一般基于PMSM的稳态电压方程，方程不含微分项，方程中各状态量可视为直流量，则无所谓相位偏
基于稳态欠秩方程的永磁同步电机多参数并行辨识 储建华;于霜;魏海峰 【摘要】针对永磁同步电机(PMSM)运行过程中电机参数受运行工况影响实时摄动的问题,提出一种基于稳态欠秩方程的电机多参数并行在线辨识算法.对PMSM 稳定状态方程组的系数矩阵进行分析,指出PMSM稳定状态方程组为秩数为2的包含3个未知参数的欠秩方程.基于Lyapunov稳定性理论及Popov超稳定性理论分别设计了PMSM模型参考自适应多参数并行辨识器,通过设计合理的自适应律使得参考自适应系统渐进稳定,对电机定子电阻、电感及转子磁链进行相应辨识.试验辨识结果验证了所提辨识算法的有效性和实用性.%Aiming at the problem of real-time perturbation of the motor parameters affected by the operating conditions during the operation of the permanent magnet synchronous motor (PMSM),a multi-parameter parallel online identification algorithm for PMSM based on rank deficient steady equation was proposed.The coefficient matrix of the,steady state equation of PMSM was analyzed,and the steady state equation of PMSM was the rank deficient equation with the rank number of two and three unknown parameters was pointed out.Based on the theory of Lyapunov stability and Popov super stability theory,the PMSM model reference adaptive multi-parameter parallel identifiers were designed.By designing reasonable adaptive law,the reference adaptive system is gradually stabilized,and the motor stator resistance,inductance and rotor flux were identified correspondly.The experimental results verified the validity and practicability of the proposed algorithm.
基于协同粒子群算法的PMSM在线参数辨识 程善美;张益 【摘要】In the parameter identification of permanent magnetic synchoronous motor(PMSM) , two problems never get solved thoroughly, which are the excessive complexity of identification algorithoms and the in-tercoupling of parameters to be identified . An online parameter identification method was proposed, which use collaborative particle swarm optimization (CPSO) approach to identify five parameters of PMSM, including electric parameters R,,L,Wt and mechanical parameters /,TL. The simulation results indicate that the algo-rithom can identify five parameters of PMSM correctly,and solve the problem of inaccuracy caused by the in-tercoupling of the five identified parameters. The effectiveness of the algorithom is verified through the results.%在永磁同步电动机的参数辨识中,辨识算法过于复杂和待辨识参数相互耦合的问题始终未得到彻底的解决.在保持粒子群算法简单易实现优点的基础上,提出了一种基于协同粒子群算法在线辨识永磁同步电动机的电气参数Rs,L,ψf和机械参数J,TL.仿真结果表明该算法能准确地在线辨识待辨识的5个电机参数,解决了5个参数相互耦合而造成的辨识不准问题,验证了算法的有效性. 【期刊名称】《电气传动》 【年(卷),期】2012(042)011 【总页数】4页(P3-6)
摘要 永磁同步电机(PMSM)结构简单、运行可靠、损耗小，具有较高的效率和功率因数，正得到越来越广泛的应用。永磁同步电机控制系统的性能受电机参数精度的影响较大，较高性能的永磁同步电机矢量控制系统需要实时更新电机参数，为提高系统性能，本文研究了永磁同步电机的参数辨识问题,文章中采用一种在线辨识永磁同步电机参数的方法,这种基于最小二乘法参数辨识方法是在转子同步旋转坐标系下进行的，通过MATLAB/SIMULINK对基于最小二乘法的永磁同步电机参数辨识进行了仿真，仿真结果表明这种电机参数辨识方法能够实时、准确地更新电机控制参数。 关键词：永磁同步电机;参数辨识;递推最小二乘法
Abstract This paper presents a method to determine the parameters of PMSM on line which are necessary to impleme nt the vector control strategy. The presented identification technique, based least-squares, reveals itself suitable to be applied to PMSM. The estimation is based on a standard model of PMSM, expressed in rotor coordinates. The method is suitable for online operation to continuously update the parameter values. The developed algorithm is si mulated in MATLAB/SIMULINK. Simulation results are presented, and accurate parameters for PMSM is provid ed. KEY WORDS：PMSM; Parameter Identification; RLS
基于粒子群优化法的负荷模型参数辨识 概述 作为近年来广受关注的粒子群优化法(Particle Swarm Optimization,PSO)，它的诞生源于Eberhart博士与Kennedy博士对于鸟类捕食行为的模拟而发明的一种新的全局优化算法。粒子群优化法(PSO算法)具有全局性能好、搜索效率高等优点，故在电气领域越来越多的应用开始出现，本次的课题即是关于粒子群优化算法在负荷模型中的应用。 目前，电力负荷建模主要形成了三类方法，即总体测辨法、统计综合法和故障仿真法。对于此三类方法，我们在优劣上进行了详细的对比：总体测辨法的整体性避免了大量的统计工作，从而有利于微观定量分析，但是其难点在于，难以在系统中全部的变电站中都安装有关装置从而进行测辨；统计综合法所得的模型在概念上是较为清晰的，易于理解与应用，可是其建模的过程较为困难，所需要的资料与信息量肯能过于庞大；而对于故障仿真法，其优点在于某些特定故障情况下可以重现，同时也正因为如此说明其为一种试凑的方法。 综上，对于上述三种方法的阐述表明，我们有必要尝试引入一种新的方法---粒子群优化法来进行新的负荷模型参数辨识，以扩展更多的应用空间。本文即从此入手，以达到将粒子群优化法施用的可能。 目录 1 绪论 (1) 1.1电力系统负荷简介 (1) 1.1.1电力系统负荷特性的定 义 (1) 1.1.2电力系统负荷特性的分 类 (1) 1.2电力系统负荷建模的意义 (1) 1.3负荷建模的发展与现状 (2) 1.4综合负荷建模 (3) 1.5本文所做的工作 (4) 2负荷建模的相关理论基础 (4) 2.1电力系统负荷建模的基本理论 (4) 2.1.1电力系统负荷模型的产生 (5)