CN114094884B - 一种电动三轮车电机离线参数辨识*** - Google Patents
一种电动三轮车电机离线参数辨识*** Download PDFInfo
- Publication number
- CN114094884B CN114094884B CN202210053545.3A CN202210053545A CN114094884B CN 114094884 B CN114094884 B CN 114094884B CN 202210053545 A CN202210053545 A CN 202210053545A CN 114094884 B CN114094884 B CN 114094884B
- Authority
- CN
- China
- Prior art keywords
- individual
- value
- waveform
- chaotic
- parameter
- 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.)
- Active
Links
- 230000000739 chaotic effect Effects 0.000 claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 23
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000006116 polymerization reaction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 claims 3
- 241000764238 Isis Species 0.000 claims 1
- 101000767160 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) Intracellular protein transport protein USO1 Proteins 0.000 claims 1
- 230000007423 decrease Effects 0.000 claims 1
- 230000001419 dependent effect Effects 0.000 claims 1
- 101150050759 outI gene Proteins 0.000 claims 1
- 239000000758 substrate Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 230000002028 premature Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000005672 electromagnetic field Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000007429 general method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 description 1
- 241000283153 Cetacea Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P6/00—Arrangements for controlling synchronous motors or other dynamo-electric motors using electronic commutation dependent on the rotor position; Electronic commutators therefor
- H02P6/34—Modelling or simulation for control purposes
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
- H02P23/0004—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
- H02P23/0022—Model reference adaptation, e.g. MRAS or MRAC, useful for control or parameter estimation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
- H02P23/14—Estimation or adaptation of motor parameters, e.g. rotor time constant, flux, speed, current or voltage
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P27/00—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage
- H02P27/04—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage using variable-frequency supply voltage, e.g. inverter or converter supply voltage
- H02P27/06—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage using variable-frequency supply voltage, e.g. inverter or converter supply voltage using dc to ac converters or inverters
- H02P27/08—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage using variable-frequency supply voltage, e.g. inverter or converter supply voltage using dc to ac converters or inverters with pulse width modulation
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Control Of Motors That Do Not Use Commutators (AREA)
Abstract
本发明公开了一种电动三轮车电机离线参数辨识***,包括波形居中均值模块与加速型动态全息混沌寻优模块。波形居中均值模块基于状态量采样周期、非换相相电流绝对值总周期数、波形居中截取比例,对三相霍尔信号与相电流进行采样,经波形居中截取与波形均值化得出平均转速、平均非换相相电流绝对值序列,给出波形居中截取数据量、单周期时间序列;加速型动态全息混沌寻优模块基于开环方波控制驱动占空比、逆变器直流母线电压等参数,经动态全息学习、基于梯度补偿的加速搜索、基于混沌映射的个体变异的处理,离线辨识出定子电阻、定子电感、反电动势系数。本发明能提高电机的建模精度并减小参数辨识的运算量,同时有着较高的辨识速度与准确度。
Description
技术领域
本发明属于电机控制领域,具体涉及一种电动三轮车电机离线参数辨识***。
背景技术
电动三轮车作为一种操作容易、性价比高、污染小的交通工具,深受广大群众的欢迎与喜爱,其动力***主要由后桥、变速箱以及电机组成。后桥用于支撑与驱动电动三轮车的后轮,变速箱用于实现电机转速与车轮转速之间的比例转换。作为动力***心脏的电机,其特性的优劣决定着电动三轮车运行性能的好坏。近年来,永磁材料技术得到了极大的发展,作为其主要产品之一,无刷直流电机(Brushless DC Motor, BLDCM)由于具有转矩电流比大、运行效率高、可靠性强等优点,在电动三轮车行业中的应用也越来越广泛,因此对电动三轮车无刷直流电机的研究非常具有潜力。
BLDCM的定子电阻、定子电感、反电动势系数等参数不仅是实际生产中选型的重要参考,而且是很多控制算法(自抗扰控制、模型预测控制、无差拍预测控制、干扰观测器控制等)中的核心控制参数,其测量数值的精确度决定着工程项目以及学术研究质量的高低。但有研究表明,BLDCM的定子电阻、定子电感、反电动势系数等参数很容易在电机老化受损、持久高温运行后发生变化,从而对电机控制***的性能产生不利影响。因此,研制一款能对BLDCM当前状态的参数进行辨识的算法,不管是对工程中的选型还是科研中的算法设计都具有极高的研究价值。
BLDCM的参数辨识分为在线与离线两种。在线参数辨识是一种能在电机控制中实时更新参数辨识结果的方法,实时性强;但是该方法复杂度较高,且需要驱动性能与采样精度较高的硬件电路。离线参数辨识只能辨识电机在某一时段的参数,但是该方法较为简单且不需要额外增加过多硬件,成本较低,这里采用离线辨识。
BLDCM的驱动技术主要有矢量控制和方波控制。矢量控制虽然稳定性非常好,但是算法的复杂度较高,且开关损耗较大,硬件成本较高;与矢量控制相比,方波控制结构简单,且开关损耗较小,对控制器硬件的质量要求较低。这里采用方波控制,该方式通过PWM调制对电机进行驱动,基于六步换相法实现电机的导通状态转换。方波控制有开环方波控制与双闭环方波控制。在离线参数辨识中,为了保证电机驱动方案的适配性与可靠性,这里选择上述驱动方式中复杂度最低的开环方波控制对BLDCM进行驱动。
对BLDCM的离线参数辨识属于电磁场逆问题。近年来,进化计算方法已被广泛应用于具有复杂目标函数的电磁场逆问题的求解,其中最为常用的就是粒子群优化(ParticleSwarm Optimization, PSO),该策略虽然能使算法快速收敛,但容易陷入局部最优,特别是对于具有多个局部最优解的问题。鲸鱼优化算法(Whale Optimization Algorithm, WOA)是Seyedali Mirjalili和Andrew Lewis在2016年提出的一种新型进化计算方法,与其他进化计算方法不同的是,WOA的搜索方式可以分为三个阶段,这三个阶段可以使WOA比大多数进化计算方法更有效地平衡局部搜索和与全局搜索能力。然而,WOA的这种搜索机制也存在一些缺点,例如,如果个体向当前群体中较差的个体靠拢,WOA的收敛速度将受到负面影响;此外,如果所有个体都向当前的最优个体学习,则WOA可能会进入早熟收敛状态。
一般方法是基于dq坐标系下的dq轴电流对BLDCM进行离线参数辨识,但是dq坐标系中的数学模型假设BLDCM的反电动势波形为正弦波,而实际情况中BLDCM的反电动势波形一般为梯形波,因此一般方法对反电动势的建模存在误差,进而会加大反电动势系数的辨识误差。如何科学地选取能真实反应BLDCM参数性质的数据段、如何尽量降低参数辨识数据集的规模以减少运算量,是急需解决的难题。
发明内容
针对现有技术所存在的上述技术缺陷,本发明提供了一种电动三轮车电机离线参数辨识***(Off Line Parameter Identification for Electric Tricycle Motor,OLPIETM)。该***能提高电动三轮车电机的建模精度并减小辨识运算量,同时有着较高的参数辨识收敛速度与求解精度。
本发明提供的电动三轮车电机离线参数辨识***(OLPIETM),其包括波形居中均值模块(Waveform Centered Averaging, WCA)和加速型动态全息混沌寻优模块(Accelerated dynamic fully informed chaotic optimization, ADFICO)。
所述的波形居中均值模块(WCA)基于状态量采样周期、非换相相电流绝对值
的总周期数、波形居中截取比例对A相霍尔信号、B相霍尔信号、C相霍尔信号
、A相相电流、B相相电流、C相相电流进行采样,经波形居中截取与波形均值化得到平
均转速、平均非换相相电流绝对值序列 ,其中,为波形居中截取数
据量;将作为加速型动态全息混沌寻优模块的参数辨识数据集,并给出的属性
指标:波形居中截取数据量、单周期时间序列;
所述的加速型动态全息混沌寻优模块(ADFICO)基于开环方波控制驱动占空比、
逆变器直流母线电压、、、、,经过动态全息学习、基于梯度补偿的加速搜
索、基于混沌映射的个体变异的处理,对定子电阻辨识值、定子电感辨识值、反电动
势系数辨识值进行离线辨识。
本发明的有益技术效果为:
(1)本发明中的波形居中均值模块(WCA),能提高电动三轮车电机的建模精度,以及降低用于参数辨识的数据集规模以减小运算量。
(2)本发明中的加速型动态全息混沌优化模块(ADFICO),相比传统进化计算方法拥有更快的收敛速度、更高的求解精度以及更强的全局搜索能力,参数辨识效率大大提高。
附图说明
图1为本发明的波形居中截取示意图;
图2 为本发明的波形均值化示意图;
图3 为本发明ADFICO的寻优流程示意图;
图4 为本发明DFIL的邻域拓扑图;
图5 为本发明的***框图;
具体实施方式
下面结合具体实施方式对本发明做进一步阐述和说明。所述实施例仅是本公开内容的示范且不圈定限制范围。本发明中各个实施方式的技术特征在没有相互冲突的前提下,均可进行相应组合。
本发明的电动三轮车电机离线参数辨识***(OLPIETM),包括:波形居中均值模块(WCA)与加速型动态全息混沌优化模块(ADFICO)。
所述的WCA基于状态量采样周期、非换相相电流绝对值的总周期数、波形
居中截取比例对A相霍尔信号、B相霍尔信号、C相霍尔信号、A相相电流、B相
相电流、C相相电流进行采样,经波形居中截取与波形均值化得到平均转速、平均非换
相相电流绝对值序列 ,其中,为波形居中截取数据量;将作为
加速型动态全息混沌寻优模块的参数辨识数据集,并给出的属性指标:波形居中截
取数据量、单周期时间序列;
所述的ADFICO基于开环方波控制驱动占空比、逆变器直流母线电压、、、、,经过动态全息学习(Dynamic Fully Informed Learning, DFIL)、基于梯度
补偿的加速搜索(Gradient Compensation Based Accelerated Search, GCBAS)、基于混
沌映射的个体变异(Chaotic Map Based Individual Mutation, CMBIM)的处理,对定子电
阻辨识值、定子电感辨识值、反电动势系数辨识值进行离线辨识。
本发明的原理如下:
一般算法是基于dq坐标系下的dq轴电流对BLDCM进行离线参数辨识,但是dq坐标系中的数学模型假设BLDCM的反电动势波形为正弦波,而实际情况中BLDCM的反电动势波形一般为梯形波,因此一般算法对反电动势的建模存在误差,进而会加大反电动势系数的辨识误差。为了更加科学地选取能真实反应BLDCM参数性质的数据段,本发明基于BLDCM在开环方波控制下三相坐标系中的数学模型,提出一种波形居中均值模块(WCA)。
为了基于实现对电机参数的离线辨识,本发明提出了一种加速型动态全息
混沌优化模块(ADFICO)。ADFICO先在参数辨识范围内随机产生N个个体,即N个初始参数辨
识值,然后通过个体的进化实现参数寻优。
建立离线辨识目标函数F M为:
其中,、、分别为、、的最小值,、、分别为、、的最大值;为平均非换相相电流绝对值初值的辨识值,加速型动态全息混沌寻优
模块将4维变量作为每个个体的位置,将与分别作为参数辨识范围的下限与上限,将作为个
体的适应度。越小,表示对应的个体越优,即参数辨识值越好。
ADFICO的寻优流程示意图如图3所示,包含动态全息学习(DFIL)、基于梯度补偿的
加速搜索(GCBAS)、基于混沌映射的个体变异(CMBIM)三个主要处理过程。在ADFICO中,首先
进行种群初始化得到、、、的初始解,然后基于DFIL实现种群的位置更新,接着
采用GCBAS对种群的位置进行补偿,最后使用CMBIM实现种群多样化。当达到终止条件时,算
法结束,否则将继续循环往复。
为了更好地平衡ADFICO的全局搜索与局部搜索能力并减少其陷入早熟收敛的概
率,本发明采用动态全息学习机制(Dynamic Fully Informed Learning, DFIL)。随着优化
过程的进行,DFIL逐渐增加每个个体的邻域拓扑连通度,即每个个体拥有的邻居数。
定义的表达式为:
在DFIL中,个体之间为有向连接,且每个个体选择距自己最远的个个体作为
邻居。DFIL的邻域拓扑如图4所示,当为1时,个体j的邻居是k,而个体k的邻居不是j而
是i。每次增加时,每个个体都会重新选择距离自己最远的个个体作为邻居。例
如,更新后,增加到2,个体i的邻居是两个距自己最远的个体,即k和m。
为了进一步加快ADFICO的收敛速度,本发明采用基于梯度补偿的加速搜索(Gradient Compensation Based Accelerated Search, GCBAS),对每个个体每一维度d上的位置信息进行补偿。当一个个体在d上的位置信息与t-1时的相同时,令补偿量为0;否则令补偿量为一种自适应离散负梯度项,其值等于离散负梯度与自适应搜索步长的乘积。
在GCBAS中,定义加速搜索位置更新公式为:
GCBAS主要通过增加个***置的偏移实现了加速搜索。
为了使ADFICO能更有效地跳出可能出现的进化停滞状态,本发明采用基于混沌映
射的个体变异(Chaotic Map Based Individual Mutation, CMBIM)。在CMBIM中,一部分个
体将在的迭代过程中会产生混沌变异,定义混沌变异概率与混沌变异个体数的
表达式如下:
其中,为当前最优个体的位置,(m=1, 2, …, )是变异个体的位置。是变异初值控制参数,用来控制的范围。是变异发散系数,越大,混沌变异越发
散。是变异分布系数,用来限制待变异子种群的位置范围。是变异反归一化控制系数,
用来调整混沌变异后子种群的位置范围。最差的个个体的位置将被取代。
最终,OLPIETM的***框图如图5所示。当***工作时,WCA基于、、,负责
对、、、、、进行采样,然后经波形居中均值与波形均值化两大操作得出、(),将作为ADFICO的离线辨识数据集,并给出的属性指标:、()。ADFICO基于、、、、、,经过DFIL、GCBAS、CMBIM
的处理,实现对定子电阻辨识值、定子电感辨识值、反电动势系数辨识值的离线辨
识。
为了更为具体地描述本发明,下面对本发明的技术方案及其相关工作原理进行详细说明。
搭建了电动三轮车电机实验平台,主控芯片采用STM32F407ZGT6,PWM频率设为20kHz,用磁滞测功机给电机加载,电动三轮车电机的具体参数如表1所示。
表1电动三轮车电机参数
在开环方波控制下,对电机在=0.30、=1.9 N·m,=0.34,=2.3 N·m与=0.38,=2.7 N·m三种受控状态中的定子电阻、定子电感与反电动势系数进行辨识,为电机的转矩。这里设定状态量采样周期=1 μs,将0.5 s内三相霍尔信号以及相电
流的波形片段导入上位机,采用Matlab软件进行离线参数辨识。
表2 WCA处理结果
然后采用PSO、WOA与ADFICO三种方法对电机的参数进行辨识。三种方法将使用相同的初始种群,种群规模与最大迭代次数分别设置为40和60,每种方法独立运行100次。如果收敛误差小于60 mA则认为已求出全局最优解,当前迭代次数超过60时算法将终止。ADFICO的参数设置如表3所示。
表3 ADFICO的参数设置
经过测试,给出三种方法在三种工况下的收敛曲线分别如图9、图10、图11所示。图
9中,=0.30、=1.9 N·m时,ADFICO的收敛曲线在前期(迭代次数在0~10之间)下降最
快,收敛速度最高;在迭代后期(迭代次数在50~60之间),PSO收敛曲线的幅值明显高于60
mA,存在早熟收敛的情况,而ADFICO收敛曲线在三者中的幅值最低,收敛精度最高。图10与
图11的两种情况中,ADFICO同样有着最快的前期收敛速度与最高的后期收敛精度。
为了定量评估每种方法的辨识性能,给出最终适应度的平均值(Mean.)、最终适应
度的标准差(Std.)、首次求出全局最优解的平均迭代次数(Iter.)以及能求出全局最优解
的概率(Pro.)四种性能评价指标如表4所示。在三种工况下,ADFICO均取得了最小的Mean.、
Std.与Iter.,表明其有着最高的局部搜索能力、鲁棒性与收敛速度。此外,ADFICO的全局搜
索性能要优于PSO与WOA,因为其在三种情况中取得的Pro.均高达100%;在=0.38、=2.7
N·m的工况下,ADFICO有着更为明显的全局搜索优势,其取得的Pro.与PSO、WOA相比分别增
加了99%和7%。
表4 参数辨识中不同方法的性能指标值
在实验中,定义参数误差ERR M用于衡量参数辨识的准确度,其公式为:
这里给出三种方法在三种工况下的最优参数辨识结果如表5所示。
表5 不同方法的最优参数辨识结果
其中,ADFICO在=0.30、=1.9 N·m时求得的为12.7186 mA,对应的参数误
差为2.11%,分别低至PSO与WOA的18.94%与23.65%。在=0.34、=2.3 N·m与=
0.38、=2.7 N·m两种情况下,ADFICO求得的分别为12.4925 mA与48.4189 mA,对应的
参数误差分别为1.25%与1.27%,均为三种方法中的最小值,表明ADFICO在三种方法中
的参数辨识准确度最高。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (8)
1.一种电动三轮车电机离线参数辨识***,其特征在于包括波形居中均值模块和加速型动态全息混沌寻优模块,
所述的波形居中均值模块基于状态量采样周期、非换相相电流绝对值的总周期数、波形居中截取比例对A相霍尔信号、B相霍尔信号、C相霍尔信号、A相相电流、B相相电流、C相相电流进行采样,经波形居中截取与波形均值化得到平均转速、
平均非换相相电流绝对值序列 ,其中,为波形居中截取数据量;将作为加速型动态全息混沌寻优模块的参数辨识数据集,并给出的属性指标:波
形居中截取数据量、单周期时间序列;
2.如权利要求1所述的电动三轮车电机离线参数辨识***,其特征在于,所述的波形居中截取,具体为:
根据HALL选出、、中的非换相相电流,通过取绝对值操作得到非换相相电流绝对
值,在电机稳定运行时,的波形呈周期性变化,每当HALL变化时,将进入下一个
周期;检测出个连续的HALL变化时间点,将第个与第1个HALL变化时间点的时间
差记为,同时记录下第1个与个HALL变化时间点之间的采样值;
5.如权利要求1所述的电动三轮车电机离线参数辨识***,其特征在于,所述的加速型动态全息混沌寻优模块在参数辨识范围内随机产生N个个体,即N个初始参数辨识值,然后通过个体的进化实现参数寻优,其参数寻优过程具体包括如下步骤:
其中,、、分别为、、的最小值,、、分别为、、的最大值;为平均非换相相电流绝对值初值的辨识值,加速型动态全息混沌寻优模
块将4维变量作为每个个体的位置,将与分别作为参数辨识范围的下限与上限,将作为个
体的适应度;
2)进入动态全息学习;
3)进入基于梯度补偿的加速搜索;
4)进入基于混沌映射的个体变异;
7.如权利要求5所述的电动三轮车电机离线参数辨识***,其特征在于,步骤3)所述的
进入基于梯度补偿的加速搜索,具体为:对每个个体每一维度d上的位置信息进行补偿;当
一个个体在d上的位置信息与t-1时的相同时,令补偿量为0;否则令补偿量为一种自适应离
散负梯度项,其值等于离散负梯度与自适应搜索步长的乘积;一个个体在d上的离散负梯度
等于该个体在t-1与t时适应度的差值与该个体在t与t-1时d上的位置信息的差值的比值;
自适应搜索步长的分子随t的增加而线性减小,其分母为一种容错基底;当维度d上所
有个体的离散负梯度的绝对值的最大值为0时,令为1,否则令为d上所有个体的离
散负梯度的绝对值的最大值。
8.如权利要求5所述的电动三轮车电机离线参数辨识***,其特征在于,步骤4)所述的
进入基于混沌映射的个体变异,具体为:定义随t的增加而线性减小的混沌变异概率以
及随t的增加而线性减小的混沌变异个体数,定义种群聚合度为所有维度中个体
位置标准差的平均值与聚合度基底的比值,该聚合度基底为参数辨识范围的上限最大值与
下限最小值的差值,如果该差值小于1,则令聚合度基底为1;取一个均匀分布在[0,1]中的
随机数r,如果r小于等于且小于等于种群聚合度阈值,则认为种群进化处于
停滞状态,此时使最差的个个体发生如下的变异:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210053545.3A CN114094884B (zh) | 2022-01-18 | 2022-01-18 | 一种电动三轮车电机离线参数辨识*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210053545.3A CN114094884B (zh) | 2022-01-18 | 2022-01-18 | 一种电动三轮车电机离线参数辨识*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114094884A CN114094884A (zh) | 2022-02-25 |
CN114094884B true CN114094884B (zh) | 2022-04-29 |
Family
ID=80308749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210053545.3A Active CN114094884B (zh) | 2022-01-18 | 2022-01-18 | 一种电动三轮车电机离线参数辨识*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114094884B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106992551A (zh) * | 2017-06-05 | 2017-07-28 | 合肥工业大学 | 基于模糊c均值和差分进化混合算法的光伏逆变控制器参数辨识方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2421147B1 (de) * | 2010-08-16 | 2015-02-11 | Baumüller Nürnberg GmbH | Vorrichtung und Verfahren zur drehgeberlosen Identifikation elektrischer Ersatzschaltbildparameter eines Drehstrom-Synchronmotors |
CN106685290B (zh) * | 2017-03-15 | 2020-07-28 | 湘潭大学 | 基于混沌分子动理论算法永磁同步电机转速控制器参数自整定的方法 |
CN108809169B (zh) * | 2018-07-09 | 2020-06-23 | 湖南理工学院 | 一种基于时延反馈的混沌转速的控制方法及装置 |
CN110417328A (zh) * | 2019-06-26 | 2019-11-05 | 湘潭大学 | 一种基于ckmtoa的srm转矩分配函数优化补偿控制策略 |
-
2022
- 2022-01-18 CN CN202210053545.3A patent/CN114094884B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106992551A (zh) * | 2017-06-05 | 2017-07-28 | 合肥工业大学 | 基于模糊c均值和差分进化混合算法的光伏逆变控制器参数辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114094884A (zh) | 2022-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110829904B (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 | |
CN104378038B (zh) | 基于人工神经网络的永磁同步电机参数辨识方法 | |
CN106788046B (zh) | 永磁同步电机命令滤波有限时间模糊控制方法 | |
CN109274303A (zh) | 一种基于扩展控制集的异步电机模型预测控制方法 | |
CN110705174B (zh) | 一种五自由度磁悬浮电主轴转子位移自检测***及方法 | |
CN110247586B (zh) | 基于效率最优的电动公交车用永磁同步电机转矩分配方法 | |
CN108900132A (zh) | 基于遗传算法和转矩分配函数的开关磁阻电机控制方法 | |
CN113162491B (zh) | 一种基于改进天牛须算法的无刷直流电机优化方法 | |
CN109245640A (zh) | 一种异步电机模型预测控制方法及装置 | |
CN114915225A (zh) | 一种基于优化bp神经网络的永磁同步电机参数辨识方法 | |
CN114094884B (zh) | 一种电动三轮车电机离线参数辨识*** | |
CN114944801A (zh) | 一种基于新息自适应扩展卡尔曼的pmsm无位置传感器控制方法 | |
CN116805850A (zh) | 基于数字孪生模型的三相永磁同步电机参数估计方法 | |
WO2023124921A1 (zh) | 永磁同步电机的转矩估测方法、装置、设备及存储介质 | |
CN116317771A (zh) | 一种永磁同步电机低高速切换的无位置传感器控制方法 | |
CN115685747A (zh) | 一种基于残差神经网络优化的模型预测控制方法 | |
CN110609472A (zh) | 三自由度六极混合磁轴承转子位移自检测***及方法 | |
CN115528975A (zh) | 基于dsvm的smpmsm驱动***双目标全局最优无模型预测控制方法 | |
CN114079405B (zh) | 一种适用于双永磁电机***的无权重系数整定非级联预测速度同步控制方法 | |
CN210605711U (zh) | 一种五自由度磁悬浮电主轴转子位移自检测*** | |
CN113992100A (zh) | 一种改进的永磁同步电机三电平无模型预测电流控制方法 | |
CN114268259B (zh) | 用于永磁同步电机的多目标控制方法、控制器及控制*** | |
Cao et al. | Digital implementation of DTC based on PSO for induction Motors | |
CN111835257B (zh) | 基于神经网络的转子位置检测方法 | |
Xu et al. | Application of CMAC in Sensorless Control of PMSM |
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 |