一种基于改进樽海鞘群算法的永磁同步电机参数辨识方法与流程

本发明涉及永磁同步电机技术领域，特别涉及一种基于改进樽海鞘群算法的永磁同步电机参数辨识方法。

背景技术：

由于永磁同步电机具有功率密度高、动态响应速度快等优点，已被广泛地应用于伺服系统及其他工业领域。高性能的永磁同步电机控制系统的实现依赖于精确的电机参数，但由于定子电阻、电感、永磁体磁链等电机参数易受温度、定子电流、磁饱和等因素影响，导致电机控制性能下降，可靠性和系统动静态性能降低。因此，要获得高性能的永磁同步电机控制系统，就必须对运行过程中电机参数的变化进行准确的辨识，以便控制。常用的辨识方法主要有最小二乘法、扩展卡尔曼滤波和神经网络的方法、模型参考自适应辨识、进化计算等方法。

基于群体的元启发式算法由于概念简单、易于实现且不需要梯度信息，在解决实际工程问题中受到越来越多的关注。近十年来，受到动物群体社会行为启发的各种群体智能算法被提出。mirjalili在2017年提出了樽海鞘群算法，该算法在求解大部分优化问题具有优越性，但是依然存在收敛速度慢和容易陷入局部最优的缺点，特别是在求解复合问题时，因此对于永磁同步电机参数辨识方面还有所欠缺。

技术实现要素：

针对现有技术的不足，本发明提出了一种基于改进樽海鞘群算法的永磁同步电机参数辨识方法。

为了解决上述技术问题，本发明的技术方案为：

一种基于改进樽海鞘群算法的永磁同步电机参数辨识方法，包括以下步骤：

s1：建立永磁同步电机dq轴辨识模型；

s2：根据待辨识永磁同步电机的电机参数建立参数向量；

s3：初始化相关参数，并在参数的辨识范围内随机初始化每组参数向量；

s4：将参数向量代入永磁同步电机dq轴辨识模型得到计算值，利用适应度函数比较计算值与实际值，从而得出每组参数向量的辨识度，将辨识度最高的参数向量定义为最优参数f；

s5：根据最优参数f，更新第一组参数向量，把这组向量定义为首组参数；

s6：引入自适应正态云模型，更新除第一组外的其它参数向量，把这些参数向量定义为跟随参数；

s7：修正超过辨识范围的参数向量；

s8：根据当前的参数向量重新计算其对应的辨识度，更新最优参数f；

s9：判断是否达到最大迭代次数tmax，如果达到了则输出辨识结果，否则返回步骤s5。

优选的，步骤s1包括以下步骤：

s11：忽略永磁同步电机的涡流损耗以及铁损耗时，在dq坐标系下，永磁同步电机的定子电压方程为：

其中，id与ud为d轴电流和电压，iq与uq为q轴电流和电压，ωr是电气角转速；rs、ld、lq与ψf分别为定子电阻，d、q轴电感和永磁体磁链；

s12：在稳态情况下，近似认为则dq坐标系下永磁同步电机的离散电压方程为：

步骤s13：采用id＝0进行矢量控制，对永磁同步电机dq轴电流进行解耦可简化为：

步骤s14：在d轴注入id≠0的负序弱磁电流，得到一种四阶永磁同步电机dq轴辨识模型：

其中，带下标的“0”的变量和参数表示在id＝0控制策略下，下标中无“0”的变量和参数则表示在id≠0的控制策略下；带“^”表示为计算辨识值，没有带“^”表示为实际值。

优选的，在步骤s3中，初始化相关参数，包括参数向量的数量n、参数辨识的上限ubj和下限lbj、待辨识参数的数量d及最大迭代次数tmax；随机初始化产生的每组参数向量的数值，公式如下：

其中，xij为第i组参数向量中的第j个参数，i＝1,...,n；j＝1,...,d。

优选的，在步骤s4中，id、iq、id0、iq0、ωr、ωr0、y＝[ud0,uq0,ud,uq]可通过测量得到，将id、iq、id0、iq0、ωr、ωr0以及参数向量代入公式(4)可求得利用适应度函数比较y和得出每组参数向量的辨识度，将辨识度最高的作为最优参数f,指引改进的樽海鞘群算法对待辨识参数进行调整。

优选的，适应度函数如下：

其中，w1、w2、w3和w4为适应度函数的加权因子，代表适应度函数中4个分量的权重，其初值满足条件：且0＜wi＜1。

优选的，在步骤s5中，首组参数的更新公式为：

其中，和fj分别表示首组参数和最优参数在第j维空间的数值，[ubj，lbj]为第j个参数的辨识范围；c2和c3是[0，1]中的随机数；收敛系数c1

定义如下：

其中，t为当前迭代次数。

优选的，步骤s6包括以下步骤：

s61：生成正态分布随机数eni’，公式如下：

eni’＝normrnd(en,he²)(9)

其中，en和he分别为云模型中国的熵和超熵；

s62：生成正态分布随机数xi，公式如下：

xi＝normrnd(ex，|eni’|)(10)

其中，xi为云滴，ex为期望；

s63：计算云滴xi对应的确定度μ(xi)，隶属度函数如下：

μ(xi)＝exp[-(xi-ex)²/(2(eni’)²)](11)

s64：令(xi,μ(xi))为一个云滴，则步骤s61至步骤s63的过程为产生服从正态分布云滴的步骤，定义为云生成器；云生成器根据设定的数字特征运行一次则产生一个云滴，直到运行生成期望数量的云滴；正态云滴生成过程定义为如下形式：

x[x1,x2,...,xnd]＝gnc(ex,en,he,nd)(12)

其中，nd为期望云生成器生成的云滴数；

s65：跟随参数的更新机制由正常云生成器进行，，公式如下：

其中，leader_salppositionj和follower_salppositionj分别表示在j维度中首组参数和跟随参数的值；en和he的取值由如下公式自适应调整：

he＝en×10^-ζ(15)

其中，ω∈(0,1)，τ、ζ为正整数，t为当前迭代次数，tmax为最大迭代次数。

与现有技术相比，本发明的有益效果是：

(1)本发明结合永磁同步电机相关参数，通过在樽海鞘群算法的基础上引入正态云模型，使算法前期具有较好随机性和模糊性，提高全局开发能力，避免陷入局部最优；随着迭代次数增加，通过自适应调整正态云模型熵值，使后期随机性和模糊性随之减小，改善局部开发能力，提高收敛精度；

(2)本发明改进的樽海鞘算法能够有效地提升算法的收敛速度和寻优精度，将其应用在永磁同步电机参数辨识领域，可以对永磁同步电机参数进行稳定、快速而又精确的辨识。

附图说明

图1为本发明一实施例的永磁同步电机参数辨识模型；

图2为本发明一实施例的永磁同步电机参数辨识原理图；

图3为本发明一实施例的永磁同步电机参数辨识流程图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。

图1为采用改进樽海鞘群算法的永磁同步电机参数辨识模型，左半部分采集所需的数据，右半部分为辨识模块。

图2为采用改进樽海鞘群算法的永磁同步电机参数辨识原理图。将由改进的樽海鞘群优化算法得到的电机辨识参数带入辨识模型中得到计算值，在与实际测量值通过适应度函数进行对比得到辨识度，然后将其输入优化算法，通过搜索寻优，最终获得永磁同步电机的参数。

其具体步骤如下：

s1：建立永磁同步电机dq轴辨识模型；

s11：忽略永磁同步电机的涡流损耗以及铁损耗时，在同步旋转坐标系(dq坐标系)下，永磁同步电机的定子电压方程为：

其中，id与ud为d轴电流和电压，iq与uq为q轴电流和电压，ωr是电气角转速；rs、ld、lq与ψf分别为定子电阻，d、q轴电感和永磁体磁链；

s12：在稳态情况下，近似认为则dq坐标系下永磁同步电机的离散电压方程为：

步骤s13：采用id＝0进行矢量控制，对永磁同步电机dq轴电流进行解耦可简化为：

步骤s14：由于需要同时辨识的参数有rs、ld、lq与ψf，而公式(3)的阶数是2，相对于需要辨识的参数的个数来说，方程的阶数不够。为了解决方程阶数与辨识参数之间的欠秩问题，采用了在d轴注入id≠0的负序弱磁电流策略，得到一种四阶永磁同步电机dq轴辨识模型：

其中，带下标的“0”的变量和参数表示在id＝0控制策略下，下标中无“0”的变量和参数则表示在id≠0的控制策略下；带“^”表示为计算辨识值，没有带“^”表示为实际值。

s2：根据待辨识永磁同步电机的电机参数建立参数向量；

由永磁同步电机模型可知，参数向量为θ＝[rs,ld,lq,ψf]，则搜索空间的维度是4维空间。

s3：初始化相关参数，并在范围内随机初始化樽海鞘的种群位置，即在参数的辨识范围内随机初始化每组参数向量；

初始化相关参数，包括种群个数n(参数向量的数量)、搜索空间的上限ubj和下限lbj(参数辨识的范围)、搜索空间的维度d(待辨识参数的数量)及最大迭代次数tmax；随机初始化产生的种群位置(每组参数向量的数值)，公式如下：

其中，xij为第i组参数向量中的第j个参数，i＝1,...,n；j＝1,...,d。

s4：将参数向量代入永磁同步电机dq轴辨识模型得到计算值，利用适应度函数比较计算值与实际值，从而得出每组参数向量的适应度，即每组参数向量的辨识度，适应度越小，辨识度越高，将辨识度最高的参数向量定义为最优参数f；

其中id、iq、id0、iq0、ωr、ωr0、y＝[ud0,uq0,ud,uq]可通过测量得到，将id、iq、id0、iq0、ωr、ωr0以及参数向量代入公式(4)可求得利用适应度函数比较y和得出每组参数向量的辨识度，将辨识度最高的作为最优参数f，指引改进的樽海鞘群算法对待辨识参数进行调整。

适应度函数如下：

其中，w1、w2、w3和w4为适应度函数的加权因子，代表适应度函数中4个分量的权重，其初值满足条件：且0＜wi＜1。

本文中适应度函数的4个分量同等重要，因此，其取值皆为0.25。

s5：根据最优参数f，更新樽海鞘领导者的位置，即更新第一组参数向量，把这组向量定义为首组参数；

首组参数的更新公式为：

其中，和fj分别表示首组参数和最优参数在第j维空间的数值，[ubj，lbj]为第j个参数的辨识范围；c2和c3是[0，1]中的随机数；收敛系数c1是算法中的一个重要参数，定义如下：

其中，t为当前迭代次数。

s6：引入自适应正态云模型，更新樽海鞘追随者的位置，即更新除第一组外的其它参数向量，把这些参数向量定义为跟随参数；

s61：生成正态分布随机数eni’，公式如下：

eni’＝normrnd(en,he²)(9)

其中，en和he分别为云模型中国的熵和超熵；

s62：生成正态分布随机数xi，公式如下：

xi＝normrnd(ex，|eni’|)(10)

其中，xi为云滴，ex为期望；

s63：计算云滴xi对应的确定度μ(xi)，隶属度函数如下：

μ(xi)＝exp[-(xi-ex)²/(2(eni’)²)](11)

s64：令(xi,μ(xi))为一个云滴，则步骤s61至步骤s63的过程为产生服从正态分布云滴的步骤，定义为云生成器；云生成器根据设定的数字特征运行一次则产生一个云滴，直到运行生成期望数量的云滴；正态云滴生成过程定义为如下形式：

x[x1,x2,...,xnd]＝gnc(ex,en,he,nd)(12)

其中，nd为期望云生成器生成的云滴数；

s65：跟随参数的更新机制由正常云生成器进行，公式如下：

其中，leader_salppositionj和follower_salppositionj分别表示在j维度中首组参数和跟随参数的值；en和he的取值由如下公式自适应调整：

he＝en×10^-ζ(15)

其中，ω∈(0,1)，τ、ζ为正整数，t为当前迭代次数，tmax为最大迭代次数。

s7：修正超过辨识范围的参数向量；

s8：根据当前的参数向量重新计算其对应的辨识度，更新最优参数f；

s9：判断是否达到最大迭代次数tmax，如果达到了则输出辨识结果，否则返回步骤s5。

如图3所示，改进的樽海鞘群算法实际上是在标准樽海鞘群算法的框架中，引入正态云模型，使算法前期具有较好随机性和模糊性，提高全局开发能力，避免陷入局部最优；随着迭代次数增加，通过自适应调整正态云模型熵值，使后期随机性和模糊性随之减小，改善局部开发能力，提高其收敛精度。

以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。