CN112861427A - 一种基于改进灰狼优化算法的永磁同步电机参数辨识方法 - Google Patents
一种基于改进灰狼优化算法的永磁同步电机参数辨识方法 Download PDFInfo
- Publication number
- CN112861427A CN112861427A CN202110054881.5A CN202110054881A CN112861427A CN 112861427 A CN112861427 A CN 112861427A CN 202110054881 A CN202110054881 A CN 202110054881A CN 112861427 A CN112861427 A CN 112861427A
- Authority
- CN
- China
- Prior art keywords
- wolf
- permanent magnet
- synchronous motor
- magnet synchronous
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 241000282461 Canis lupus Species 0.000 title claims abstract description 146
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 59
- 238000005457 optimization Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000006870 function Effects 0.000 claims abstract description 17
- 239000002245 particle Substances 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 230000006386 memory function Effects 0.000 claims abstract description 12
- 238000013507 mapping Methods 0.000 claims abstract description 11
- 241000282421 Canidae Species 0.000 claims 2
- 238000011217 control strategy Methods 0.000 description 13
- 238000005259 measurement Methods 0.000 description 10
- 230000000739 chaotic effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 230000004907 flux Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 241000717544 Aconitum lycoctonum subsp. vulparia Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Control Of Ac Motors In General (AREA)
Abstract
本发明公开了一种基于改进灰狼优化算法的永磁同步电机参数辨识方法,包括建立永磁同步电机理论模型和实际模型,比较理论模型输出值和实际模型输出值;进行算法参数设置,采用Fuch映射和反向学习策略对种群进行初始化,理论模型与实际模型输出的值之差根据适应度函数进行修正;根据引入非线性收敛因子结合灰狼攻击策略、自适应正态云模型以及粒子群优化算法的个体记忆功能进行灰狼位置更新,直到达到最大迭代值时停止计算。本发明所提出的基于改进灰狼优化算法的永磁同步电机参数辨识方法,实现参数的智能寻优,辨识结果证明此方法实现了对永磁同步电机参数精准、稳定、快速的辨识追踪。
Description
技术领域
本发明涉及电机参数辨识技术领域,具体来说,涉及一种基于改进灰狼优化算法的永磁同步电机参数辨识方法。
背景技术
永磁同步电机具有节能高效、可靠性强、控制性能好等优点。当拥有精准的电机参数,永磁同步电机的性能可以发挥至最佳。但在实际运行过程中,电机参数易受到外界因素影响,参数的变化会影响永磁同步电机的控制精度,甚至会影响电机控制***的稳定性,因此,准确辨识永磁同步电机的参数对提高永磁同步电机控制性能具有重要意义。
近年来,永磁同步电机参数辨识一直都是国内外学者研究的热门方向,不同的参数辨识方法层出不穷。主要有最小二乘法,扩展卡尔曼滤波,模型参考自适应,粒子群算法,模型预测控制算法等。
灰狼优化算法(Grey Wolf Optimization,GWO)是Mirjalili在2014年提出的一种新型群体智能算法,通过模拟灰狼在自然界的狩猎行为和社会主导等级进行优化。GWO算法的优点有:简单性、灵活性和可实现性,但需要注意的是,GWO算法在处理大规模复杂优化问题中存在收敛精度低、速度慢和易陷入局部最优解的问题。将灰狼优化算法用于永磁同步电机参数辨识,出现待处理的问题比如提高电机参数辨识精度、加快收敛等。因此,需要对传统的灰狼优化算法进行适当改进,提高解决复杂问题的能力。
发明内容
针对现有技术存在的上述问题,本发明提供一种基于改进灰狼优化算法的永磁同步电机参数辨识方法,实现参数的智能寻优,辨识结果证明此方法实现了对永磁同步电机参数精准、稳定、快速的辨识追踪。
本发明提出的具体技术方案,包括以下步骤:
步骤a)建立空载状态下的永磁同步电机实际模型和理论模型;
步骤c)根据适应度函数在改进的灰狼优化算法基础上对待辨识参数不断进行修正,从而得到适应度值最小的参数(最优辨识参数)。
其中,步骤a具体包括:
步骤a1)在dq坐标系下设定永磁同步电机的定子电压方程
忽略永磁同步电机的涡流损耗以及铁损耗,在dq坐标系下,永磁同步电机的定子电压方程为:
其中,id与iq分别为d轴电流和q轴电流,ud与uq分别为d轴电压和q轴电压,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。
步骤a2)在dq坐标系下推导永磁同步电机的离散电压方程,得实际模型y=[ud0,uq0,ud,uq]输出值
电机稳定状态下的电压离散方程为:
式中,ud(k)为实际模型第k次采集的d轴电压测量值,uq(k)为实际模型第k次采集的q轴电压测量值,id(k)为实际模型第k次采集的d轴电流测量值,iq(k)为实际模型第k次采集的q轴电流测量值,ωr(k)是实际模型第k次采集的电气角转速测量值;
PMSM通常采用id=0进行解耦控制,故公式(2)可以简化为:
式中,ud0(k)为实际模型在id=0控制策略下第k次采集的d轴电压测量值,uq0(k)为实际模型在id=0控制策略下第k次采集的q轴电压测量值,ωr0(k)是实际模型在id=0控制策略下第k次采集的电气角转速测量值,iq0(k)为实际模型在id=0控制策略下第k次采集的q轴电流测量值。
由于需要同时辨识的参数有4个,分别是Rs、Ld、Lq与ψf,而公式(2)或公式(3)的阶数为二阶,如要获得准确的辨识参数值需要一个四阶模型,此刻采用在稳态时向d轴注入id≠0的电流策略,得到一种四阶永磁同步电机dq轴理论模型:
其中,带下标‘0’的参数表示在id=0控制策略下,下标中无‘0’的参数表示在id≠0的控制策略下;带‘^’表示为理论模型辨识值,没有带‘^’表示为实际模型值。
其中,步骤c具体包括:
步骤c1)设置算法所需参数,采用Fuch映射和反向学习策略产生初始种群Xnew;
步骤c2)计算新初始种群Xnew的适应度值并排序,选取其中适应度值最好的前N个灰狼个体作为新的灰狼初始种群X1;
步骤c3)在新的灰狼初始种群X1中确定前三等级(最优、第二优、第三优)灰狼的适应度和灰狼个***置xα、xβ、xδ,以确定灰狼最优位置;
步骤c4)更新非线性收敛因子a,系数A、C,和灰狼个***置;
步骤c5)引入正态云模型,得到此时的狼群位置X′,并重新确定前三等级的灰狼适应度和个***置;
步骤c6)引入粒子群算法中个体记忆功能,按照个体记忆公式进一步更新灰狼个***置,至此,该种群每一只灰狼位置更新完毕;
步骤c7)判断步骤c1~步骤c6中计算机所迭代的次数,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,输出此时所得最优位置,实现永磁同步电机参数的辨识及追踪,否则,转到步骤c2。
优选地,在步骤c1中,设置算法参数,包括设置种群个数N(辨识参数集合的数目)、搜索空间的维度D(待辨识参数的数目)、搜索空间的上限ubj和下限lbj(参数辨识的范围),正态云模型参数ω、τ、ζ及最大迭代次数tmax;采用Fuch混沌映射在D维空间中产生混沌序列;
Fuch混沌映射函数表达式为:
其中,Xt为第t次迭代的混沌向量,Xt+1为第t+1次迭代的混沌向量。
优选地,在步骤c1中,由种群X和反向种群OX合并得到新种群Xnew={X∪OX}。
优选地,在步骤c4中,受粒子群优化算法的影响,引入非线性收敛因子a和系数A、C,并更新a、A、C及灰狼个***置,其公式分别表示为:
式中,t为当前迭代次数,r1、r2分别为[0,1]之间的随机数,tmax是最大迭代次数,k为非线性调节系数;Dα为α狼与猎物的距离,Dβ为β狼与猎物的距离,Dζ为ζ狼与猎物的距离,C1代表α狼与猎物距离计算时的方向向量,C2代表β狼与猎物距离计算时的方向向量,C3代表ζ狼与猎物距离计算时的方向向量,xα(t)代表当前迭代次数为t时的α狼位置,xβ(t)代表当前迭代次数为t时的β狼位置,xδ(t)代表当前迭代次数为t时的ζ狼位置,X1(t)表示灰狼种群的位置向量;x1、x2、x3分别表示其余狼群个体与α狼、β狼、ζ狼的距离,A1、A2、A3分别表示其余狼群个体与α狼、β狼、ζ狼的包围步长;x(t+1)表示其余灰狼个体向猎物移动的方向。
优选地,在所述步骤c5中,引入正态云模型,以灰狼个体最优位置xα作为正态云模型的期望值,新的位置更新公式如下:
X′=GnC(X_best,En,He,Nd) (13)
其中,X_best为当前最优灰狼个***置,En和He为云模型的熵和超熵,Nd为期望云模型生成的云滴数;En的取值可以调整狼群更新位置距离最优位置的范围,He可以控制狼群位置的分散程度;从包围猎物到攻击猎物,也是一个次数迭代的过程,狼群以此接近猎物,并缩小更新范围,提高搜索精度。
En和He的取值可由如下公式进行自适应调整:
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。
云模型具体实现步骤为:首先,生成正态分布随机数En′i,En′i=normrnd(En,He2);其次,生成正态分布随机数xi,xi=normrnd(Ex,|Eni’|),Ex为期望;最后计算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)]。这三步为产生服从正态云分布云滴的步骤,(xi,μ(xi))为一个云滴,定义为云生成器即正态云模型。云生成器根据设定的数字特征运行一次即产生一个云滴,直到运行生成期望数量的云滴。
优选地,在所述步骤c5中,重复步骤c3以重新确定前三等级的灰狼适应度和个***置。
优选地,在所述步骤c6中,引入粒子群算法中个体记忆功能,按照个体记忆公式进一步更新灰狼位置。具体公式如下:
X″=b1*X′+b2*r3*(Pbest-X′) (15)
与现有技术相比,本发明具有的有益效果包括:
1.采用Fuch映射和反向学***衡算法的全局搜索能力和局部搜索能力,同时引入粒子群算法中的个体记忆功能,增强算法的局部搜索能力并加快其收敛速度;采用自适应正态云模型对狼群位置进行更新和深度开发,进一步改善灰狼优化算法处理复杂优化问题时跳出局部最优解的能力,并提高算法的收敛精度。
2.通过改进灰狼优化算法对永磁同步电机进行参数辨识,得到所需准确参数;具体的改进灰狼优化算法为:首先,采用Fuch映射和反向学习策略产生初始种群;其次,提出一种非线性递减收敛因子更新公式,同时引入粒子群算法中的个体记忆功能,增强算法的局部搜索能力并加快其收敛速度;最后,采用自适应正态云模型对狼群位置进行更新和深度开发,进一步改善灰狼优化算法易陷入局部最优的能力。通过改进灰狼优化算法有效地实现了永磁同步电机参数辨识,辨识结果证明改进灰狼优化算法在辨识精度与稳定性都优于传统灰狼优化算法。
3.利用改进的灰狼优化算法辨识永磁同步电机参数,理论模型与实际模型输出的值之差根据适应度函数进行修正,得到待辨识参数的适应度值,适应度越小,参数越接近实际值;再根据引入非线性收敛因子结合灰狼攻击策略、自适应正态云模型以及粒子群优化算法的个体记忆功能进行灰狼位置更新,判断迭代数是否达到最大迭代值,如果已达到最大迭代数,那么输出此时最优狼α的位置,实现电机参数的辨识与追踪。如果未达到最大迭代数,那么需要重新回到种群初始化步骤,继续计算,直到满足停止条件。
附图说明
图1为基于改进灰狼优化算法的永磁同步电机参数辨识方法的流程图;
图2为基于改进灰狼优化算法的永磁同步电机参数辨识原理图;
图3为改进灰狼优化算法流程图。
具体实施方式
下面结合附图和实施例对本发明做进一步具体的说明。
图1为基于改进灰狼优化算法的永磁同步电机参数辨识方法的流程图,要实现对永磁同步电机参数的辨识,首先建立永磁同步电机理论模型和实际模型,并比较理论模型输出值和实际模型输出值;接下来进行算法参数设置,并采用Fuch映射和反向学习策略对种群进行初始化,理论模型与实际模型输出的值之差根据适应度函数进行修正,得到适应度值,适应度越小,参数越接近实际值;再根据引入非线性收敛因子结合灰狼攻击策略、自适应正态云模型以及粒子群优化算法的个体记忆功能进行灰狼位置更新,判断迭代数是否达到最大迭代值,如果已达到最大迭代数,那么输出此时最优狼α的位置,实现电机参数的辨识与追踪,如果未达到最大迭代数,那么需要重新回到种群初始化步骤,继续计算,直到满足停止条件。
图2为基于改进灰狼优化算法的永磁同步电机参数辨识原理图。由图可知,将待辨识参数代入永磁同步电机理论模型得到计算值,理论模型与实际模型得出的值之差,根据适应度函数在改进的灰狼优化算法基础上对理论模型中的待辨识参数不断进行修正,从而得到适应度值最小的参数即辨识参数。此时,理论模型的输出电压与实际***的输出电压十分接近,待辨识的参数值与实际值也非常接近,达到了本发明所需的精度要求。永磁同步电机参数辨识的具体步骤如下:
步骤1:建立空载状态下的永磁同步电机实际模型和理论模型,具体为:
步骤1.1:忽略永磁同步电机的涡流损耗以及铁损耗,在dq坐标系下,永磁同步电机的定子电压方程为:
其中,id为d轴电流,iq为q轴电流,ud为d轴电压,uq为q轴电压,ωr是电气角转速,Rs为定子电阻,Ld为d轴电感,Lq为q轴电感,ψf为永磁体磁链;
步骤1.2:根据式(1)推导出电机稳定状态下的离散电压方程(即空载状态下的永磁同步电机的实际模型)为:
式中,ud(k)为实际模型第k次采集的d轴电压测量值,uq(k)为实际模型第k次采集的q轴电压测量值,id(k)为实际模型第k次采集的d轴电流测量值,iq(k)为实际模型第k次采集的q轴电流测量值,ωr(k)是实际模型第k次采集的电气角转速测量值;
PMSM通常采用id=0进行解耦控制,故公式(2)可以简化为:
式中,ud0(k)为实际模型在id=0控制策略下第k次采集的d轴电压测量值,uq0(k)为实际模型在id=0控制策略下第k次采集的q轴电压测量值,ωr0(k)是实际模型在id=0控制策略下第k次采集的电气角转速测量值,iq0(k)为实际模型在id=0控制策略下第k次采集的q轴电流测量值;
通过式(2)和式(3)得实际模型y=[ud0,uq0,ud,uq]输出值;
步骤1.3:空载状态下的永磁同步电机理论模型需要同时辨识的参数有4个,分别是Rs、Ld、Lq与ψf,而式(2)或(3)的阶数为二阶,如要获得准确的辨识参数值需要一个四阶模型,此刻采用在稳态时向d轴注入id≠0的电流策略,得四阶永磁同步电机dq轴理论模型的函数:
其中,为理论模型在id=0控制策略下第k次采集的d轴电压计算值,为理论模型在id=0控制策略下第k次采集的q轴电压计算值,为理论模型在id≠0控制策略下第k次采集的d轴电压计算值,为理论模型在id≠0控制策略下第k次采集的q轴电压计算值,为理论模型q轴电感辨识值,为理论模型定子电阻辨识值,为理论模型d轴电感辨识值,为理论模型永磁体磁链辨识值;
步骤3:采用改进的灰狼优化算法对待辨识参数Rs、Ld、Lq与ψf进行修正(步骤如图3所示),得最优辨识参数,具体流程如下:
步骤3.1:设置改进的灰狼优化算法所需参数,采用Fuch映射和反向学习策略产生新初始种群Xnew;其中,
3.1.1在Matlab软件中设置算法参数,包括种群个数N(辨识参数集合的数目)、搜索空间的维度D(待辨识参数的数目)、搜索空间的上限ubj和下限lbj(参数辨识的范围),正态云模型参数ω、τ、ζ及最大迭代次数tmax;在软件中输入Fuch混沌映射函数,在D维空间中产生混沌序列,Fuch混沌映射函数表达式为:
其中,Xt为第t次迭代的混沌向量,Xt+1为第t+1次迭代的混沌向量。
3.1.4由步骤3.1.2和步骤3.1.3所得种群X和反向种群OX合并得到新初始种群Xnew={X∪OX}。
步骤3.2:计算新初始种群Xnew的适应度值并排序,选取其中适应度值最好的前N个灰狼个体作为新的灰狼初始种群X1。
步骤3.3:通过Matlab软件在新的灰狼初始种群X1中确定前三等级(最优、第二优、第三优)灰狼的适应度和灰狼个***置xα、xβ、xδ。
步骤3.4:受粒子群优化算法的影响,引入非线性收敛因子a、包围步长A和方向向量C,根据式(9)更新非线性收敛因子a,系数A、C,再根据式(10)~(12)更新灰狼个***置;
式中,t为当前迭代次数,r1、r2分别为[0,1]之间的随机数,tmax是最大迭代次数,k为非线性调节系数。
其中,Dα为α狼与猎物的距离,Dβ为β狼与猎物的距离,Dζ为ζ狼与猎物的距离,C1代表α狼与猎物距离计算时的方向向量,C2代表β狼与猎物距离计算时的方向向量,C3代表ζ狼与猎物距离计算时的方向向量,xα(t)代表当前迭代次数为t时的α狼位置,xβ(t)代表当前迭代次数为t时的β狼位置,xδ(t)代表当前迭代次数为t时的ζ狼位置,X1(t)表示灰狼种群的位置向量。
式中,x1、x2、x3分别表示其余狼群个体与α狼、β狼、ζ狼的距离,A1、A2、A3分别表示其余狼群个体与α狼、β狼、ζ狼的包围步长。
式中,x(t+1)表示其余灰狼个体向猎物移动的方向。
步骤3.5:引入正态云模型,得到此时的狼群位置X′,并重新确定前三等级的灰狼适应度和个***置,具体为:
步骤3.5.1引入正态云模型,以灰狼个体最优位置xα作为正态云模型的期望值,得到此时的狼群位置X′,新的位置更新公式如下:
X′=GnC(X_best,En,He,Nd) (13)
其中,X_best为当前最优灰狼个***置,此处X_best=xα;En和He为云模型的熵和超熵,Nd为期望云模型生成的云滴数;En的取值可以调整狼群更新位置距离最优位置的范围,He可以控制狼群位置的分散程度。从包围猎物到攻击猎物,也是一个次数迭代的过程,狼群以此接近猎物,并缩小更新范围,提高搜索精度。
En和He的取值可由如下公式进行自适应调整:
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。
云正态模型具体实现步骤为:首先,生成正态分布随机数En′i,En′i=normrnd(En,He2);其次,生成正态分布随机数xi,xi=normrnd(Ex,Eni’),Ex为期望;最后计算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)]。这三步为产生服从正态云分布云滴的步骤,(xi,μ(xi))为一个云滴。正态云模型根据设定的数字特征运行一次即产生一个云滴,直到运行生成期望数量的云滴。
步骤3.5.2重复步骤3.3以重新确定前三等级的灰狼适应度和个***置。
步骤3.6:引入粒子群算法中个体记忆功能,将步骤3.5所得X′代入式(15)进一步更新灰狼个***置,至此,该种群每一只灰狼位置更新完毕。
具体个体记忆公式如下:
X″=b1*X′+b2*r3*(Pbest-X′) (15)
其中,b1、b2分别为群体交流系数与个体记忆系数,r3为[0,1]之间的随机数,Pbest表示第i只狼经历过的最佳位置,X″表示加入粒子群算法中个体记忆功能后的更新位置。
步骤3.7:判断步骤3.1至步骤3.6中所迭代的次数,是否达到设置的最大迭代次数tmax,如果达到最大迭代次数则终止运行,输出此时所得最优位置xα,实现永磁同步电机参数的辨识及追踪,否则,转到步骤3.2。
在本实施例中,以计算某一永磁同步电机的参数为例(永磁同步电机的标称参数如表1所示),在matlab中将改进灰狼优化算法(CGWO)与其它三种算法(其它三种辨识算法分别为灰狼优化算法(GWO)、粒子群与灰狼混合算法(HPSOGWO)、基于莱维飞行策略的灰狼优化算法(IGWO))进行参数辨识结果比较,所得结果如表2所示,表2为四种参数辨识算法实验结果对比,其中,评判标准包括平均值(mean)、误差(err)和标准差(std),误差越小辨识参数越精准,标准差越小迭代过程越稳定。
表1永磁同步电机参数
表2四种参数辨识算法实验结果对比
由上述结果可知,采用本发明提供的方法的辨识参数结果误差比其他方法的小,说明本发明提供的方法辨识参数精准,标准差小、迭代过程稳定。
以上仅为本发明的实施例,研究人员若在此发明技术方案范围内做出修改、改进等,均包含在本发明权利保护范围内。
Claims (9)
4.根据权利要求1所述的基于改进灰狼优化算法的永磁同步电机参数辨识方法,其特征在于,步骤c具体包括:
步骤c1)设置算法所需参数,采用Fuch映射和反向学习策略产生初始种群Xnew;
步骤c2)计算新初始种群Xnew的适应度值并排序,选取其中适应度值最好的前N个灰狼个体作为新的灰狼初始种群X1;
步骤c3)在新的灰狼初始种群X1中确定前三等级灰狼的适应度和灰狼个***置xα、xβ、xδ,以确定灰狼最优位置;
步骤c4)更新非线性收敛因子a,系数A、C,和灰狼个***置;
步骤c5)引入正态云模型,得到此时的狼群位置X′,重复步骤c3以重新确定前三等级的灰狼适应度和个***置;
步骤c6)引入粒子群算法中个体记忆功能,按照个体记忆公式进一步更新灰狼个***置,至此,该种群每一只灰狼位置更新完毕;
步骤c7)判断步骤c1~步骤c6中计算机所迭代的次数,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,输出此时所得最优位置,实现永磁同步电机参数的辨识及追踪,否则,转到步骤c2。
6.根据权利要求4所述的基于改进灰狼优化算法的永磁同步电机参数辨识方法,其特征在于,步骤c4中,根据式(10)~(12)更新灰狼个***置;
其中,Dα为α狼与猎物的距离,Dβ为β狼与猎物的距离,Dζ为ζ狼与猎物的距离,C1代表α狼与猎物距离计算时的方向向量,C2代表β狼与猎物距离计算时的方向向量,C3代表ζ狼与猎物距离计算时的方向向量,xα(t)代表当前迭代次数为t时的α狼位置,xβ(t)代表当前迭代次数为t时的β狼位置,xδ(t)代表当前迭代次数为t时的ζ狼位置,X1(t)表示灰狼种群的位置向量;
式中,x1、x2、x3分别表示其余狼群个体与α狼、β狼、ζ狼的距离,A1、A2、A3分别表示其余狼群个体与α狼、β狼、ζ狼的包围步长;
式中,x(t+1)表示其余灰狼个体向猎物移动的方向。
8.根据权利要求4所述的基于改进灰狼优化算法的永磁同步电机参数辨识方法,其特征在于,步骤c5中,云正态模型具体实现步骤为:首先,生成正态分布随机数En′i,En′i=normrnd(En,He2);其次,生成正态分布随机数xi,xi=normrnd(Ex,|Eni’|),Ex为期望;最后计算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)]。这三步为产生服从正态云分布云滴的步骤,(xi,μ(xi))为一个云滴。正态云模型根据设定的数字特征运行一次即产生一个云滴,直到运行生成期望数量的云滴。
9.根据权利要求4所述的基于改进灰狼优化算法的永磁同步电机参数辨识方法,其特征在于,步骤c6中,具体个体记忆公式如下:
X″=b1*X′+b2*r3*(Pbest-X′) (15)
其中,b1、b2分别为群体交流系数与个体记忆系数,r3为[0,1]之间的随机数,Pbest表示第i只狼经历过的最佳位置,X″表示加入粒子群算法中个体记忆功能后的更新位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110054881.5A CN112861427B (zh) | 2021-01-15 | 2021-01-15 | 一种基于改进灰狼优化算法的永磁同步电机参数辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110054881.5A CN112861427B (zh) | 2021-01-15 | 2021-01-15 | 一种基于改进灰狼优化算法的永磁同步电机参数辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112861427A true CN112861427A (zh) | 2021-05-28 |
CN112861427B CN112861427B (zh) | 2022-09-27 |
Family
ID=76006737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110054881.5A Active CN112861427B (zh) | 2021-01-15 | 2021-01-15 | 一种基于改进灰狼优化算法的永磁同步电机参数辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112861427B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113449474A (zh) * | 2021-07-05 | 2021-09-28 | 南京工业大学 | 一种基于改进灰狼算法优化bp神经网络的管材成形质量预测方法 |
CN113537440A (zh) * | 2021-07-05 | 2021-10-22 | 沈阳化工大学 | 一种基于灰狼算法cstr周期操作参数的优化方法 |
CN113609761A (zh) * | 2021-07-21 | 2021-11-05 | 三明学院 | 一种模型参数的计算方法、装置、设备和存储介质 |
CN113705761A (zh) * | 2021-09-08 | 2021-11-26 | 吉林大学 | 基于维度学习策略和莱维飞行的灰狼优化方法 |
CN113779733A (zh) * | 2021-09-18 | 2021-12-10 | 国网江苏省电力有限公司常州供电分公司 | 一种光伏组件模型参数混合优化辨识方法 |
CN113836803A (zh) * | 2021-09-13 | 2021-12-24 | 南京航空航天大学 | 基于改进狼群算法的无人机群资源调度方法 |
CN113960482A (zh) * | 2021-09-03 | 2022-01-21 | 西南科技大学 | 基于改进灰狼粒子滤波的锂电池荷电状态智能预测方法 |
CN114325516A (zh) * | 2021-12-16 | 2022-04-12 | 华中科技大学 | 一种永磁材料磁特性测定方法及*** |
CN114580601A (zh) * | 2022-01-18 | 2022-06-03 | 中国人民解放军国防科技大学 | 一种基于改进智能优化算法的磁偶极子目标定位方法 |
CN114861528A (zh) * | 2022-04-18 | 2022-08-05 | 湖北工业大学 | 一种基于改进灰狼算法的无线电能传输***参数优化方法 |
CN114893347A (zh) * | 2022-06-21 | 2022-08-12 | 西南石油大学 | 一种开关磁阻发电机mppt控制方法及*** |
CN115019359A (zh) * | 2022-04-12 | 2022-09-06 | 重庆邮电大学 | 一种云用户身份识别任务分配与并行处理方法 |
CN115952662A (zh) * | 2022-12-26 | 2023-04-11 | 昆明理工大学 | 一种基于改进灰狼算法的双馈风力发电机参数辨识方法 |
CN116667543A (zh) * | 2023-06-14 | 2023-08-29 | 东北电力大学 | 一种用于输电线路及接续管巡线机器人的无线供电*** |
CN117034459A (zh) * | 2023-08-18 | 2023-11-10 | 华东交通大学 | 基于改进蜣螂优化算法的磁浮列车运行优化方法及*** |
CN117634397A (zh) * | 2023-12-01 | 2024-03-01 | 安徽工程大学 | 一种基于轴向磁通永磁电机二维等效模型的多目标优化方法及*** |
CN117907918A (zh) * | 2024-03-18 | 2024-04-19 | 无锡意美浩科技有限公司 | 一种电流传感器的校准方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510074A (zh) * | 2018-05-30 | 2018-09-07 | 江苏理工学院 | 一种改进gwo算法的实现方法 |
CN110276437A (zh) * | 2019-06-21 | 2019-09-24 | 广西大学 | 基于Fuch映射的混合改进灰狼优化算法 |
CN110729939A (zh) * | 2019-11-08 | 2020-01-24 | 江苏科技大学 | 一种永磁同步电机转速环自抗扰控制器参数整定方法 |
-
2021
- 2021-01-15 CN CN202110054881.5A patent/CN112861427B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510074A (zh) * | 2018-05-30 | 2018-09-07 | 江苏理工学院 | 一种改进gwo算法的实现方法 |
CN110276437A (zh) * | 2019-06-21 | 2019-09-24 | 广西大学 | 基于Fuch映射的混合改进灰狼优化算法 |
CN110729939A (zh) * | 2019-11-08 | 2020-01-24 | 江苏科技大学 | 一种永磁同步电机转速环自抗扰控制器参数整定方法 |
Non-Patent Citations (7)
Title |
---|
HAMID R. TIZHOOSH: "Opposition-Based Learning:A New Scheme for Machine Intelligence", 《IEEE CIMCA-IAWTIC05》 * |
PIN HU等: "Improved Alpha-Guided Grey Wolf Optimizer", 《DIGITAL OBJECT IDENTIFIER》 * |
RONGKUN JIANG等: "Joint Compressed Sensing and Enhanced Whale Optimization Algorithm for Pilot Allocation in Underwater Acoustic OFDM Systems", 《DIGITAL OBJECT IDENTIFIER》 * |
ZHOU XIAOZHAO,ETC.: "Intelligent Rescheduling Research on Train Dispatching Section of Main Line Highspeed Railway Based on Improved GWO Algorithm", 《2020 IEEE 5TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION ENGINEERING》 * |
方一鸣,等: "基于改进灰狼算法和多核极限学习机的铁水硅含量预测建模", 《控制理论与应用》 * |
李伟,等: "基于改进灰狼优化算法的永磁同步电机参数辨识", 《组合机床与自动化加工技术》 * |
毕孝儒,等: "融合动态概率阈值和自适应变异的鲸鱼优化算法", 《微电子学与计算机》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113449474A (zh) * | 2021-07-05 | 2021-09-28 | 南京工业大学 | 一种基于改进灰狼算法优化bp神经网络的管材成形质量预测方法 |
CN113537440A (zh) * | 2021-07-05 | 2021-10-22 | 沈阳化工大学 | 一种基于灰狼算法cstr周期操作参数的优化方法 |
CN113449474B (zh) * | 2021-07-05 | 2023-10-13 | 南京工业大学 | 改进灰狼算法优化bp神经网络管材成形质量预测方法 |
CN113609761A (zh) * | 2021-07-21 | 2021-11-05 | 三明学院 | 一种模型参数的计算方法、装置、设备和存储介质 |
CN113609761B (zh) * | 2021-07-21 | 2024-02-20 | 三明学院 | 一种模型参数的计算方法、装置、设备和存储介质 |
CN113960482A (zh) * | 2021-09-03 | 2022-01-21 | 西南科技大学 | 基于改进灰狼粒子滤波的锂电池荷电状态智能预测方法 |
CN113705761A (zh) * | 2021-09-08 | 2021-11-26 | 吉林大学 | 基于维度学习策略和莱维飞行的灰狼优化方法 |
CN113705761B (zh) * | 2021-09-08 | 2024-02-09 | 吉林大学 | 基于维度学习策略和莱维飞行的灰狼优化方法 |
CN113836803A (zh) * | 2021-09-13 | 2021-12-24 | 南京航空航天大学 | 基于改进狼群算法的无人机群资源调度方法 |
CN113779733A (zh) * | 2021-09-18 | 2021-12-10 | 国网江苏省电力有限公司常州供电分公司 | 一种光伏组件模型参数混合优化辨识方法 |
CN114325516A (zh) * | 2021-12-16 | 2022-04-12 | 华中科技大学 | 一种永磁材料磁特性测定方法及*** |
CN114325516B (zh) * | 2021-12-16 | 2024-03-01 | 华中科技大学 | 一种永磁材料磁特性测定方法及*** |
CN114580601A (zh) * | 2022-01-18 | 2022-06-03 | 中国人民解放军国防科技大学 | 一种基于改进智能优化算法的磁偶极子目标定位方法 |
CN114580601B (zh) * | 2022-01-18 | 2024-06-11 | 中国人民解放军国防科技大学 | 一种基于改进智能优化算法的磁偶极子目标定位方法 |
CN115019359A (zh) * | 2022-04-12 | 2022-09-06 | 重庆邮电大学 | 一种云用户身份识别任务分配与并行处理方法 |
CN114861528B (zh) * | 2022-04-18 | 2024-04-16 | 湖北工业大学 | 一种基于改进灰狼算法的无线电能传输***参数优化方法 |
CN114861528A (zh) * | 2022-04-18 | 2022-08-05 | 湖北工业大学 | 一种基于改进灰狼算法的无线电能传输***参数优化方法 |
CN114893347A (zh) * | 2022-06-21 | 2022-08-12 | 西南石油大学 | 一种开关磁阻发电机mppt控制方法及*** |
CN115952662B (zh) * | 2022-12-26 | 2023-09-19 | 昆明理工大学 | 一种基于改进灰狼算法的双馈风力发电机参数辨识方法 |
CN115952662A (zh) * | 2022-12-26 | 2023-04-11 | 昆明理工大学 | 一种基于改进灰狼算法的双馈风力发电机参数辨识方法 |
CN116667543A (zh) * | 2023-06-14 | 2023-08-29 | 东北电力大学 | 一种用于输电线路及接续管巡线机器人的无线供电*** |
CN117034459A (zh) * | 2023-08-18 | 2023-11-10 | 华东交通大学 | 基于改进蜣螂优化算法的磁浮列车运行优化方法及*** |
CN117034459B (zh) * | 2023-08-18 | 2024-05-31 | 华东交通大学 | 基于改进蜣螂优化算法的磁浮列车运行优化方法及*** |
CN117634397A (zh) * | 2023-12-01 | 2024-03-01 | 安徽工程大学 | 一种基于轴向磁通永磁电机二维等效模型的多目标优化方法及*** |
CN117634397B (zh) * | 2023-12-01 | 2024-05-28 | 安徽工程大学 | 一种基于轴向磁通永磁电机二维等效模型的多目标优化方法及*** |
CN117907918A (zh) * | 2024-03-18 | 2024-04-19 | 无锡意美浩科技有限公司 | 一种电流传感器的校准方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN112861427B (zh) | 2022-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112861427B (zh) | 一种基于改进灰狼优化算法的永磁同步电机参数辨识方法 | |
CN110729939B (zh) | 一种永磁同步电机转速环自抗扰控制器参数整定方法 | |
CN107169557A (zh) | 一种对布谷鸟优化算法进行改进的方法 | |
CN111106772B (zh) | 一种包含参数跟踪的感应电机状态强跟踪滤波估计方法 | |
WO2018145498A1 (zh) | 基于强化学习算法的双馈感应风力发电机自校正控制方法 | |
CN110829904A (zh) | 一种基于灰狼优化的无刷直流电机控制器的参数优化方法 | |
CN113541192A (zh) | 基于深度强化学习的海上风电场无功-电压协调控制方法 | |
CN112731805A (zh) | 一种基于风速估计的风力发电机最大功率跟踪无传感器鲁棒控制方法 | |
CN110138293A (zh) | 一种基于双馈风电***的bp神经网络优化混沌控制方法 | |
CN111342729B (zh) | 基于灰狼优化的永磁同步电机自适应反推控制方法 | |
CN110361974B (zh) | 基于bp-foa混合算法的水轮机调速***优化方法 | |
CN116088539A (zh) | 一种基于改进秃鹰优化算法的无人救援艇控制优化方法 | |
CN111817634B (zh) | 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 | |
CN110855204A (zh) | 一种永磁同步电机转矩周期性脉动抑制控制装置及方法 | |
CN117318553B (zh) | 基于td3和维也纳整流器的低风速永磁直驱风电机组控制方法 | |
CN110266230A (zh) | 一种并联式混动汽车动力永磁同步电机的参数辨识方法 | |
CN112564557B (zh) | 一种永磁同步电机的控制方法、装置、设备及存储介质 | |
CN110932629B (zh) | 基于单神经元网络的惯量估计方法及其自适应调整策略 | |
CN108199391A (zh) | 一种发电机uel与pss的协调控制方法 | |
CN116938066A (zh) | 一种基于蜣螂优化算法的永磁同步电机参数辨识的方法 | |
CN112290846B (zh) | 一种基于改进型分数阶自抗扰的起动控制方法 | |
CN115102444A (zh) | 一种永磁同步电机自适应积分滑模预测控制方法 | |
CN109754108A (zh) | 基于变加速度系数混沌粒子群的机组经济负荷分配方法 | |
CN114337414A (zh) | 一种2-dof分数阶智能pid三级式同步发电机调压控制方法 | |
Fatah | PSO-based tunning of PID controller for speed control of DC motor |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |