基于改良型粒子群优化算法的永磁同步电机控制器的制作方法
本发明涉及粒子群优化算法和永磁同步电机的控制技术领域，具体地，涉及一种基于粒子群优化算法的高精度永磁同步电机参数辨识和控制器的设计方法。
背景技术：
永磁同步电机在各种高性能控制场合中应用广泛。高性能的永磁同步电机控制系统的实现离不开精确的电机参数。永磁同步电机参数随着电机运行点的不同是不断变化的，并且存在着参数之间的耦合关系，这给高性能控制系统的实现带来了困难，降低了系统的动态性能。因此，获得准确可靠的物理参数是永磁同步电机系统稳定可靠运行的关键。递推最小二乘法、扩展卡尔曼滤波器法等传统方法已经应用于电机参数辨识中，但它们都需要对电机模型进行复杂的变换，对非线性时变特征的参数辨识和多参数辨识还有相当困难。许多群智能优化算法如神经网络辨识方法、蚁群算法、遗传算法和粒子群算法等被引入到电机参数辨识中，取得了一定的效果。采用群智能优化算法进行永磁同步电机参数的设计并进行控制系统的设计是当前研究的重要课题。
技术实现要素：
本发明提出了一种基于粒子群优化算法的高精度永磁同步电机参数辨识和控制器的设计方法，采用的技术方案是群体智能算法辨识永磁同步电机参数，并通过辨识的永磁同步电机参数进行控制器的设计。借鉴遗传算法中变异操作的思想，采用了一种基于自适应变异概率的混合变异粒子群优化算法进行永磁同步电机参数进行辨识，利用辨识参数来设计一种自适应的速度控制器。
为了实现上述目的，基于粒子群优化算法的高精度永磁同步电机参数辨识和控制器的设计包括以下步骤：
步骤一、pmsm模型
本文中忽略pmsm的磁场饱和、铁损和涡流损耗等情况下，其dq坐标系的电压方程和磁链方程分别如式(1)和(2)。
电压方程如下：
磁链方程如下：
其中：uduq为d,q轴上的电压分量，idiq为d,q轴上的电流分量。ψdψq为d,q轴上的磁链。ldlq为d,q轴上的等效电枢电感。ψf为永磁铁产生的磁链。υ为电气角度转速。在pmsm模型中，p＝{r,ld,lq,ψf}是需要辨识的参数。
当id＝0时，对dq轴电流进行解耦，使定子电流只有q轴交流分量，在电机电流处于稳态时，将(2)式带入(1)式，并进行离散化可得：
由于有四个参数需要辨识，在电机电流稳态时通过在短时间内注入一个id≠0的d轴电流，得到另一个二阶电机dq轴模型为：
综合(3)和(4)，得到一种四阶pmsm电机dq轴辨识模型为：
则构造pmsm辨识模型的适应度函数如下：
其中，ud和uq为理想pmsm模型dq轴定子电压输入，
步骤二、自适应变异概率和全局最优混合变异
若
聚集度δ能够反映粒子的多样性，当δ越大，则粒子的多样性就越好，当δ越小时，粒子的多样性就越差。因此，可用聚集度δ动态地调节每代粒子的变异概率，设第t代的变异概率为
其中：α用来调节变异概率变化快慢，为一常数，取值范围为[2，4]。
在本文中，采用对粒子最优位置进行变异的方式，如果
gbest＝pg*(1+0.5*randn)
柯西变异公式如下：
cauchy＝tan(π*(rand-0.5))
gbest＝pg*(1+0.5*cauchy)
其中：pg表示全局最优位置和全局次优位置随机的一个。cauchy是柯西分布的随机数。全局最优混合变异策略(简称mut1)的伪代码如图2。
步骤三、最差个体最优的自适应小波变异
在粒子群优化算法中，对较差个体最优进行变异有利于加快群体的收敛速度，这里采用自适应小波变异来改进最差个体最优来加快群体的进化速度，其母波函数如下所示：
其中morlet小波如下式所示：
小波幅值ψ(x)随着参数a的增加而不断地减少，为了自适应调节小波幅值ψ(x)，本文提出自适应参数a，其表达式如下：
a＝kt+a0
式中，k和a0为正常数，在文中k设定为10，a0设定为5。
求出最差个体最优个体m，最差个体最优的自适应小波变异策略(简称mut2)如。
pbest,mj＝max{f(pbest,ij)|i＝1,2,...,n}
步骤四、pareto最优集和全局最优的选取
pareto最优集和权重法是解决多目标优化问题常用的方法。对于一个解x，如果在搜索空间ω中不存在另外一个解x＞x'，则x称为pareto最优解。在mop中，pareto最优解的集合称为pareto最优集。粒子群算法是依靠个体最优和全局最优来指导粒子搜索的，全局最优均采用pareto最优集的方法，需要从pareto最优集中选取全局最优个体。全局最优选取如下。
随机产生一组权重w＝(w1,w2,...wm)，且满足
假设pareto最优集为ω且x∈ω，则全局最优个体gbest为
gbest＝argminf(x)
与现有技术相比，本发明提高了永磁同步电机参数的辨识精度，设计的控制器具有更好的控制性能和鲁棒性，为永磁同步电机控制器的控制性能提供了保证。
附图说明
图1是永磁同步电机多参数辨识模型；
图2是粒子群优化算法全局最优混合变异策略；
图3是永磁同步电机控制器设计图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提出了一种基于粒子群优化算法的高精度永磁同步电机参数辨识和控制器的设计方法，采用的技术方案是群体智能算法辨识永磁同步电机参数，并通过辨识的永磁同步电机参数进行控制器的设计。借鉴遗传算法中变异操作的思想，采用了一种基于自适应变异概率的的混合变异粒子群优化算法进行永磁同步电机参数进行辨识，在混合变异策略中，利用了全局最优和次优极值进行变异，对较差个体最优进行小波变异。最后利用辨识参数来设计一种自适应的速度控制器。图1是永磁同步电机多参数辨识模型。基于粒子群优化算法的高精度永磁同步电机参数辨识和控制器的设计包括以下步骤：
步骤一、pmsm模型
本文中忽略pmsm的磁场饱和、铁损和涡流损耗等情况下，其dq坐标系的电压方程和磁链方程分别如式(1)和(2)。
电压方程如下：
磁链方程如下：
其中：uduq为d,q轴上的电压分量，idiq为d,q轴上的电流分量。ψdψq为d,q轴上的磁链。ldlq为d,q轴上的等效电枢电感。ψf为永磁铁产生的磁链。υ为电气角度转速。在pmsm模型中，p＝{r,ld,lq,ψf}是需要辨识的参数。
当id＝0时，对dq轴电流进行解耦，使定子电流只有q轴交流分量，在电机电流处于稳态时，将(2)式带入(1)式，并进行离散化可得：
由于有四个参数需要辨识，在电机电流稳态时通过在短时间内注入一个id≠0的d轴电流，得到另一个二阶电机dq轴模型为：
综合(3)和(4)，得到一种四阶pmsm电机dq轴辨识模型为：
则构造pmsm辨识模型的适应度函数如下：
其中，ud和uq为理想pmsm模型dq轴定子电压输入，
步骤二、自适应变异概率和全局最优混合变异
若
聚集度δ能够反映粒子的多样性，当δ越大，则粒子的多样性就越好，当δ越小时，粒子的多样性就越差。因此，可用聚集度δ动态地调节每代粒子的变异概率，设第t代的变异概率为
其中：α用来调节变异概率变化快慢，为一常数，取值范围为[2，4]。
在本文中，采用对粒子最优位置进行变异的方式，如果
gbest＝pg*(1+0.5*randn)
柯西变异公式如下：
cauchy＝tan(π*(rand-0.5))
gbest＝pg*(1+0.5*cauchy)
其中：pg表示全局最优位置和全局次优位置随机的一个。cauchy是柯西分布的随机数。全局最优混合变异策略(简称mut1)的伪代码如图2。
步骤三、最差个体最优的自适应小波变异
在粒子群优化算法中，对较差个体最优进行变异有利于加快群体的收敛速度，这里采用自适应小波变异来改进最差个体最优来加快群体的进化速度，其母波函数如下所示：
其中morlet小波如下式所示：
小波幅值ψ(x)随着参数a的增加而不断地减少，为了自适应调节小波幅值ψ(x)，本文提出自适应参数a，其表达式如下：
a＝kt+a0
式中，k和a0为正常数，在文中k设定为10，a0设定为5。
求出最差个体最优个体m，最差个体最优的自适应小波变异策略(简称mut2)如。
pbest,mj＝max{f(pbest,ij)|i＝1,2,...,n}
步骤四、pareto最优集和全局最优的选取
pareto最优集和权重法是解决多目标优化问题常用的方法。对于一个解x，如果在搜索空间ω中不存在另外一个解x＞x'，则x称为pareto最优解。在mop中，pareto最优解的集合称为pareto最优集。粒子群算法是依靠个体最优和全局最优来指导粒子搜索的，全局最优均采用pareto最优集的方法，需要从pareto最优集中选取全局最优个体。全局最优选取如下。
随机产生一组权重w＝(w1,w2,...wm)，且满足
假设pareto最优集为ω且x∈ω，则全局最优个体gbest为
gbest＝argminf(x)。
本发明是一种基于粒子群优化算法的高精度永磁同步电机参数辨识和控制器的设计方法，算法的实现主要包括以下步骤：
step1：初始化粒子群算法参数，粒子速度和位置，求出pibest和gbest。
step2：判断算法是否满足停止条件，是，执行step6，否，执行step3到step5。
step3：根据粒子群更新公式更新粒子的速度和位置。
step4：执行变异策略mut1和mut2进行变异。
step5：计算粒子适应度，更新pareto最优集，更新pibest和gbest。
step6：依据永磁同步电机的辨识参数，根据图3设计控制器。
以上内容详细阐述了本发明的算法实现过程。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！