专利名称：一种基于Elman神经网络的感应电机转子电阻参数辨识方法
—种基于Elman神经网络的感应电机转子电阻参数辨识方技术领域
本发明属于属于异步电机领域，涉及一种高性能的变频调速系统参数辨识方法。
技术背景
当电动机运行时，由于内外条件的影响，其本身的参数会发生变化。电机温升和频率的变化都会影响到转子电阻，其随电动机温度变化最高约有50%，而转子电流频率较高时，集肤效应引起的转子电阻变化可达数倍。其变化会引起电机转子时间常数等的改变，导致基于固定参数设定而计算出来的各种电机反馈信号失真。基于这样的反馈，电机磁场定向坐标往往会偏离实际，造成较大的转速、转矩偏离或脉动，控制系统性能会大打折扣。因此，在变频调速系统运行当中，需要不断地调整各计算模型中的电机参数，以使其跟随真实电机参数值而变化，从而确保正确的闭环反馈，保证控制系统的性能。发明内容
本发明为解决上述技术问题,基于磁链模型的MRAS方案,提出了一种基于Elman 神经网络的感应电机转子电阻参数辨识方法，以解决当速度调节信号的不同时，参考模型的获取问题，以及对异步电机转子电阻参数辨识时对转速传感器的要求。
本发明为解决上述技术问题的不足而采用的技术方案是一种基于Elman神经网络的感应电机转子电阻参数辨识方法，包括以下几个步骤步骤一、确定Elman神经网络=Elman神经网络非线性状态空间的表达式为7=界2 Σ (响+唤);4 =顶1 Σ滩+4+剛);福―^『式中:J-LUlJ-I1J-I— aJ Kn iJk,、m、η分别代表输入层、隐层、输出层神经兀的个数，P、T代表输入和输出向量，/,上代表第k个输入到第m个隐层神经元之间的权值，LW^代表第m个隐层神经元到第η输出层神经元之间的权值，L琢L代表第m个承接层到第m个隐层神经元之间的权值，TF1、 TF2分别代表隐层和输出层的传递函数，分别代表各层神经元之间的输入偏置， 分别代表隐层输出向量和其承接层的反馈状态向量，采用这样一种优化的算法=-r} — + c^W{x-l)，对Elman神经网络进行优化，式中，s 为第η次迭代时的权AW值修正值，^为加速因子为动量因子；步骤二、确定网络结构首先，明确Elman神经网络的输入输出参数，对转子电阻产生影响的主要因素是转子电流、频率及环境温度，以选择电机绕组端部温度作一个综合的输入变量；以转子电阻冬作为输出变量；步骤三、训练样本的获取以步骤二中的输入信号作为主控条件，与其它输入变量互相组合，采用BP离线算法进行训练获得一批训练样本，以这些训练样本数据作为参考建立转子电阻模型，用此模型的输出作为网络的目标向值，来进行误差反传和权值修正；步骤四、训练样本的处理对步骤三所得到的训练样本进行处理，输入不同性质的数据时，对输入数据进行归一化处理，使之全落在±1范围内，以方便网络的训练和仿真；步骤五、转子电阻辨识采用由简单到复杂的方法，先以具有较明确关系的输入变量辨识单个参数，在其辨识效果得到比较和验证后，再逐渐加入其它潜在影响因素，再进行比较、分析，以步骤四中处理好的训练样本为条件，对转子电阻进行辨识，先以对其影响最显著的温度和转差频率作为输入，用网络检测其效果，再加入电流作为输入，检验网络的辨识效果有没有提高，最终确定网络的输入参数个数以及隐层神经元个数。
本发明所述的训练样本获取方法为，步骤一、以步骤三中的输入参数和输出参数建立BP网络输入向量为f，输出层输出向量
权利要求
1.一种基于Elman神经网络的感应电机转子电阻参数辨识方法，其特征在于步骤一、确定Elman神经网络=Elman神经网络非线性状态空间的表达式为T = TF1 2. A2 = TF1 2 (!喷+岵 +, s 2 ’、，式中·j￡Li{ J J S } ’ 3 ibi V S 』J} ’ D)(n) = x^(n-l) ’ A T .k,、m、n分别代表输入层、隐层、输出层神经兀的个数，P、T代表输入和输出向量，册代表第k个输入到第m个隐层神经元之间的权值，LWl代表第m个隐层神经元到第η输出层神经元之间的权值，LW^代表第m个承接层到第m个隐层神经元之间的权值，TFi、TF2分别代表隐层和输出层的传递函数，K分别代表各层神经元之间的输入偏置，过、4分别代表隐层输出向量和其承接层的反馈状态向量，采用这样一种优化的算法 SbΔ+ MFm，对Elman神经网络进行优化，式中，t ττΛ,为第η次迭代时的权 Sm；AWw值修正值，^为加速因子，α为动量因子；步骤二、确定网络结构首先，明确Elman神经网络的输入输出参数，对转子电阻产生影响的主要因素是转子电流、频率及环境温度，以选择电机绕组端部温度作一个综合的输入变量；以转子电阻矣作为输出变量；步骤三、训练样本的获取以步骤二中的输入信号作为主控条件，与其它输入变量互相组合，采用BP离线算法进行训练获得一批训练样本，以这些训练样本数据作为参考建立转子电阻模型，用此模型的输出作为网络的目标向值，来进行误差反传和权值修正；步骤四、训练样本的处理对步骤三所得到的训练样本进行处理，输入不同性质的数据时，对输入数据进行归一化处理，使之全落在±1范围内，以方便网络的训练和仿真；步骤五、转子电阻辨识采用由简单到复杂的方法，先以具有较明确关系的输入变量辨识单个参数，在其辨识效果得到比较和验证后，再逐渐加入其它潜在影响因素，再进行比较、分析，以步骤四中处理好的训练样本为条件，对转子电阻进行辨识，先以对其影响最显著的温度和转差频率作为输入，用网络检测其效果，再加入电流作为输入，检验网络的辨识效果有没有提高，最终确定网络的输入参数个数以及隐层神经元个数。
2.如权利要求I所述的一种基于Elman神经网络的感应电机转子电阻参数辨识方法， 其特征在于所述的训练样本获取方法为，步骤一、以步骤三中的输入参数和输出参数建立BP网络输入向量为I = ^x1,X2,".,Xi,".XfJr ,隐层输出向量Γ=，输出层输出向量O= (ο1,ο2,.^,οΛ,,..,ο )Γ，期望输出向量Cil)"，输入层到隐层之间的权值矩阵用V表不，F =Vi,.,,,Vffl,],其中列向量Vy为隐层第j个神经兀对应的权向量，隐层到输出层之间的权值矩阵用W表示，W=IWpW2,...焉,…馮f ,其中列向量％为输出层第k个神经元对应的权向量；
3.如权利要求I所述的一种基于Elman神经网络的感应电机转子电阻参数辨识方法， 其特征在于所述的训练样本的处理方法为，在各个参数归一化时，涉及到最大值的选择问题，这与AD采样时的量化相同；将所有输入同时除以这个量化值，把所有的输入限定在±1 范围之内，关于温度输入的量化，可依据电机的绝缘等级来确定；关于电流最大值的选取， 采用三相异步电机的最大电流，出现在起动时，最大起动电流约为其额定值的4-7倍；转差频率的最大值是出现在电机起动时，取电机在运行过程中的最大转差频率。
全文摘要
一种基于Elman神经网络的感应电机转子电阻参数辨识方法，通过确定Elman神经网络及网络结构，训练样本和处理进行参数辨识，以解决当速度调节信号的不同时，参考模型的获取问题，以及对异步电机转子电阻参数辨识时对转速传感器的要求。
文档编号G06N3/08GK102937670SQ20121046339
公开日2013年2月20日 申请日期2012年11月17日 优先权日2012年11月17日
发明者范波, 李兴, 谢冬冬, 史光辉 申请人:河南科技大学