CN115276490A - 基于状态空间模型的感应电机参数辨识方法和装置 - Google Patents
基于状态空间模型的感应电机参数辨识方法和装置 Download PDFInfo
- Publication number
- CN115276490A CN115276490A CN202210975099.1A CN202210975099A CN115276490A CN 115276490 A CN115276490 A CN 115276490A CN 202210975099 A CN202210975099 A CN 202210975099A CN 115276490 A CN115276490 A CN 115276490A
- Authority
- CN
- China
- Prior art keywords
- motor
- stator
- space model
- state space
- particle
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000006698 induction Effects 0.000 title claims abstract description 53
- 239000002245 particle Substances 0.000 claims abstract description 104
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 230000004907 flux Effects 0.000 claims abstract description 21
- 238000006243 chemical reaction Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 23
- 238000011156 evaluation Methods 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 12
- 230000008859 change Effects 0.000 description 6
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 230000003313 weakening effect Effects 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
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
- H02P21/0017—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
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, 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
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, current or voltage
- H02P21/16—Estimation of constants, e.g. the rotor time constant
-
- 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
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, current or voltage
- H02P21/18—Estimation of position or speed
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本申请适用于感应电机参数辨识技术领域,提供了基于状态空间模型的感应电机参数辨识方法和装置,该方法包括:获取电机***的数据参数,基于数据参数建立αβ状态空间模型,数据参数包括:电压值、电流值、磁链、定子电阻、转子电阻、定子等效电感、转子等效电感、等效互感、电机旋转的电角速度、转子时间常数和转速中的至少部分参数;对电压值、电流值和转速进行坐标转换得到第一处理信息;基于αβ状态空间模型、第一处理信息和量子粒子群算法,得到电机辨识参数。本申请基于感应电机αβ坐标系下的αβ状态空间模型,相比于稳态模型,提升了模型的精确度,有利于提升参数辨识的精度,也更有利于提高在各种电机复杂工况下的适用性。
Description
技术领域
本申请属于感应电机参数辨识技术领域,尤其涉及基于状态空间模型的感应电机参数辨识方法和装置。
背景技术
感应电机矢量控制策略主要以感应电机数学模型为基础,因此当数学模型中的参数不准确时,就会导致状态观测偏差,并对***的控制性能产生影响。比如,弱磁运行中励磁电感的变化最大可达13%。又比如,矢量控制中的转子磁链观测方案主要以电压模型和电流模型为主。电压模型适合中高速运行工况,需要电机的定转子电感参数与定子电阻,不需要转速和转子时间常数;电流模型需要较为精确的转子时间常数。而转子侧电流变化、***温升、磁路饱和等,都会使转子时间常数的值产生不能忽略的变化。该模型在低速工况下性能相对较好,而中高速运行情况下观测的准确性不如电压模型。
但是上述模型在电机参数辨识的精度上都不是很高,同时在复杂工况的情况下都有一定的局限性。
发明内容
本申请实施例提供了基于状态空间模型的感应电机参数辨识方法和装置,以提升电机参数辨识的精度和在各种电机复杂工况下的适用性。
本申请是通过如下技术方案实现的:
第一方面,本申请实施例提供了一种基于状态空间模型的感应电机参数辨识方法,包括:
获取电机***的数据参数,基于数据参数建立αβ状态空间模型,数据参数包括:电压值、电流值、磁链、定子电阻、转子电阻、定子等效电感、转子等效电感、等效互感、电机旋转的电角速度、转子时间常数和转速中的至少部分参数。
对电压值、电流值和转速进行坐标转换得到第一处理信息。
基于αβ状态空间模型、第一处理信息和量子粒子群算法,得到电机辨识参数。
结合第一方面,在一些可能的实现方式中,αβ状态空间模型为:
其中,isα为定子α轴电流,isβ为定子β轴电流,ψrα为转子α轴磁链,ψrβ为转子β轴磁链,usα为定子α轴电压,usβ为定子β轴电压,Rs为定子电阻,Rr为转子电阻,ls为定子等效电感,lr转子等效电感,lm为等效互感,ωr为电机旋转的电角速度,Tr为转子时间常数。
结合第一方面,在一些可能的实现方式中,基于αβ状态空间模型、第一处理信息和量子粒子群算法,得到电机辨识参数,具体包括:基于αβ状态空间模型和第一处理信息,建立适应度评价函数。随机生成一个粒子群,基于适应度评价函数对粒子群进行初始化、迭代计算和寻优操作,得到电机辨识参数。
结合第一方面,在一些可能的实现方式中,适应度评价函数为:
其中,
Rs为定子电阻,ls为定子等效电感,lr转子等效电感,lm为等效互感,Tr为转子时间常数,isα为定子α轴电流,isβ为定子β轴电流,usα为定子α轴电压,usβ为定子β轴电压,ωr为电机旋转的电角速度,T为采样周期。
结合第一方面,在一些可能的实现方式中,基于适应度评价函数对粒子群进行初始化,包括:将粒子群中的所有粒子位置的范围映射到初始值空间内。基于预设的粒子初始个体极值pbest,计算粒子群的全局极值gbest。基于预设的粒子初始个体极值pbest和粒子群的全局极值gbest,计算得到吸引子P、平均最好位置mbest和中间变量k。将吸引子P、平均最好位置mbest和中间变量k转化为零矩阵。
结合第一方面,在一些可能的实现方式中,基于适应度评价函数对粒子群进行迭代计算和寻优操作,得到电机辨识参数,具体包括:对平均最好位置和吸引子进行更新,得到更新后的平均最好位置和更新后的平均最好位置。基于更新后的平均最好位置和更新后的平均最好位置,计算得到更新后的粒子位置。如果未达到指定迭代次数,更新初始个体极值、全局极值、吸引子、平均最好位置和各粒子位置信息,重新进行上述步骤。如果达到指定迭代次数,则基于更新后的粒子的位置和适应度评价函数,计算得到最优粒子位置,基于最优粒子位置,计算得到电机辨识参数。
更新后的吸引子的公式为:P=r·pbest+(1-r)gbest,r∈[0,1]。
更新后的粒子位置为:
其中,r∈[0,1],t为迭代次数,x(t+1)即为更新后的种群粒子位置,x(t)和mbest(t)分别为上次迭代计算得到的粒子位置和平均最优位置,Fitness(xi-1)为上一代粒子群全局最优位置的适应度值,Fitness(xi)为当代第i个粒子的适应度值。
第二方面,本申请实施例提供了一种基于状态空间模型的感应电机参数辨识装置,包括:
获取模块,用于获取电机***的数据参数,基于数据参数建立αβ状态空间模型,数据参数包括:电压值、电流值、磁链、定子电阻、转子电阻、定子等效电感、转子等效电感、等效互感、电机旋转的电角速度、转子时间常数和转速中的至少部分参数。
处理模块,用于对电压值、电流值和转速进行坐标转换得到第一处理信息。
辨识模块,用于基于αβ状态空间模型、第一处理信息和量子粒子群算法,得到电机辨识参数。
第三方面,本申请实施例提供了一种终端设备,包括:处理器和存储器,该存储器用于存储计算机程序,所述处理器执行所述计算机程序时实现如第一方面任一项所述的基于状态空间模型的感应电机参数辨识方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面任一项所述的基于状态空间模型的感应电机参数辨识方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面中任一项所述的基于状态空间模型的感应电机参数辨识方法。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是:
本申请通过电机***的数据参数建立了αβ坐标系下的αβ状态空间模型,该模型属于动态模型,与常见的稳态模型相比模型的精确度更高,有利于提升感应电机参数辨识的精度,更利于感应电机在复杂工况的情况下感应电机参数辨识,除此之外,量子粒子群算法提高了算法的全局搜索能力和算法的寻优精度,使收敛过程更快,并且不容易陷入局部最优点,因此,本申请通过结合αβ状态空间模型和量子粒子群算法的方式,可以使得本申请适用更加复杂的工况、寻优精度更好,且得到的最优点不会落入局部最优点。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本说明书。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的基于状态空间模型的感应电机参数辨识方法的应用场景示意图;
图2是本申请一实施例提供的基于状态空间模型的感应电机参数辨识方法的流程示意图;
图3是本申请一实施例提供的电机***的控制策略和参数辨识策略框图;
图4是本申请一实施例提供的基于状态空间模型的感应电机参数辨识装置的结构示意图;
图5是本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
举例说明,本申请实施例可以应用到如图1所示的示例性场景中。在该场景中,感应电机数据参数获取设备10用于获取感应电机数据参数,并将感应电机数据参数发送给基于状态空间模型的感应电机参数辨识设备20,基于状态空间模型的感应电机参数辨识设备20完成参数辨识,得到感应电机辨识参数。
以下结合图1对本申请的基于状态空间模型的感应电机参数辨识方法进行详细说明。
图2是本申请一实施例提供的基于状态空间模型的感应电机参数辨识方法的示意性流程图,参照图2,对该基于状态空间模型的感应电机参数辨识方法的详述如下:
步骤101,获取电机***的数据参数,基于数据参数建立αβ状态空间模型。
示例性的,数据参数包括:电压值、电流值、磁链、定子电阻、转子电阻、定子等效电感、转子等效电感、等效互感、电机旋转的电角速度、转子时间常数和转速中的至少部分参数。
示例性的,αβ状态空间模型为:
其中,isα为定子α轴电流,isβ为定子β轴电流,ψrα为转子α轴磁链,ψrβ为转子β轴磁链,usα为定子α轴电压,usβ为定子β轴电压,Rs为定子电阻,Rr为转子电阻,ls为定子等效电感,lr转子等效电感,lm为等效互感,ωr为电机旋转的电角速度,Tr为转子时间常数。
具体的,状态方程中有两个特殊的变量,转子磁链ψrα和ψrβ,这两个变量在电机正常运行时是无法测量得到的,如果不想办法将其消除,由于其和电机定转子参数和转自时间常数有耦合关系,最终必然严重影响参数额准确性。
为了消除转子磁链项ψrα和ψrβ,对公式(1)、公式(2)两边分别进行求导,得到:
同时把公式(3)、公式(4)带入公式(5)、公式(6)中,这样我们可以消去其中的微分项,同时,将公式(1)两边分别乘以公式(2)两边同时乘以ωr,加到公式(5)两边;然后将公式(1)两边乘以-ωr,公式(2)两边乘以加到公式(6)两边,整理得到:
经过一系列处理后,上式中含有转子磁链的剩下两项:和即转子磁链与转速微分的乘积。通常采集数据时,电机***都处于速度稳定的状态,所以这里认为转速变化为零,即转速微分为零,因此,就完全消去了原本存在的转子磁链项,同时在公式(7)、公式(8)中,令
则公式(7)和公式(8)可以写成以下形式:
根据k1~k5,可以得到以下几个电机参数的计算公式如公式(11):
通过以上的运算,可以得到电机的全部参数:定子电阻Rs、转子电阻Rr、励磁电感Lm、定子漏感Lls、转子漏感Llr。
为了方便计算,将公式(9)和公式(10)改写成矩阵形式如下:
在公式(12)中,参数k1~k5的在线辨识只需检测定子电压、电流和转速,由于模型是静止坐标系,因此很容易根据实测值进行Clark变换,得到所需要的各种变量。但是公式(12)是一种连续时间模型,需要对其进行离散化处理后才能用于参数辨识。
所采用的离散化公式为:
采样周期设定为T=0.0001S,可以得到其离散化模型为:
公式(13)中,分别采集了k时刻、k-1时刻以及k-2时刻α轴和β轴的电压电流信息和转速信息,该离散模型即为用于电机参数在线辨识的最终数学模型。
步骤102,对电压值、电流值和转速进行坐标转换得到第一处理信息。
步骤103,基于αβ状态空间模型、第一处理信息和量子粒子群算法,得到电机辨识参数。
示例性的,基于αβ状态空间模型、第一处理信息和量子粒子群算法,得到电机辨识参数,具体包括:基于αβ状态空间模型和第一处理信息,建立适应度评价函数。随机生成一个粒子群,基于适应度评价函数对粒子群进行初始化、迭代计算和寻优操作,得到电机辨识参数。
具体的,生成的随即粒子群为[x1,x2,x3,x4,x5],维数d=5,规模L=25,最大迭代次数T=500,粒子位置取值区间为[xmin,xmax],xmin和xmax的数值取自感应电机离线辨识参数经过相应转化后相应数值的正负50%。
示例性的,适应度评价函数为:
其中,
Rs为定子电阻,ls为定子等效电感,lr转子等效电感,lm为等效互感,Tr为转子时间常数,isα为定子α轴电流,isβ为定子β轴电流,usα为定子α轴电压,usβ为定子β轴电压,ωr为电机旋转的电角速度,T为采样周期。
示例性的,基于适应度评价函数对粒子群进行初始化,包括:将粒子群中的所有粒子位置的范围映射到初始值空间内。基于预设的粒子初始个体极值pbest,计算粒子群的全局极值gbest。基于预设的粒子初始个体极值pbest和粒子群的全局极值gbest,计算得到吸引子P、平均最好位置mbest和中间变量k。将吸引子P、平均最好位置mbest和中间变量k转化为零矩阵。
示例性的,基于适应度评价函数对粒子群进行迭代计算和寻优操作,得到电机辨识参数,具体包括:对平均最好位置和吸引子进行更新,得到更新后的平均最好位置和更新后的平均最好位置。基于更新后的平均最好位置和更新后的平均最好位置,计算得到更新后的粒子位置。如果未达到指定迭代次数,更新初始个体极值、全局极值、吸引子、平均最好位置和各粒子位置信息,重新进行上述步骤。如果达到指定迭代次数,则基于更新后的粒子的位置和适应度评价函数,计算得到最优粒子位置,基于最优粒子位置,计算得到电机辨识参数。
更新后的吸引子的公式为:P=r·pbest+(1-r)gbest,r∈[0,1]。
更新后的粒子位置为:
其中,r∈[0,1],t为迭代次数,x(t+1)即为更新后的种群粒子位置,x(t)和mbest(t)分别为上次迭代计算得到的粒子位置和平均最优位置,Fitness(xi-1)为上一代粒子群全局最优位置的适应度值,Fitness(xi)为当代第i个粒子的适应度值。
具体的,将更新后的粒子位置带入到适应度评价函数Fitness中,计算每个粒子当前的适应度值Fitness(xi),同时对个体极值pbest和全局最优值gbest进行更新,更新规则为:若Fitness(xi)<Fitness(pbest),则pbest的位置更新为xi,否则pbest不变;若本次计算得到的适应度值中的极小值min(Fitness(xi))<Fitness(gbest),则gbest的位置更新为xi,否则,gbest位置不变。
具体的,如图3所示,根据如图所示的电机***的控制策略和参数辨识策略,可以得到本申请中步骤102中所使用的电压值、电流值和转速。
具体的,为了验证本方法与稳态模型的差异,在某一具体实施例中,将两种方法得到的辨识参数误差进行了对比,对比过程如下所述:
实验所使用的电机参数为:极对数np为2、功率为2.2kw、定子电阻Rs为6.4Ω、定子漏感Lls为0.028H、转子漏感Llr为0.028H、互感Lm为0.336H、转子电阻Rr为4.8Ω。
第一步:在转速和负载均稳定的工况下进行参数辨识。
启动电机,使电机运行在转速和负载均稳定的正常工况下,然后分别启动基于稳态模型和本申请模型的两种电机参数辨识算法。记录其最终的参数辨识结果,并进行对比,如表1所示,可以看出,在这种简单稳定的电机运行工况下,基于本申请模型的参数辨识误差比稳态模型的要高0.2个百分点左右,但是差别很小,这两种方法都能够后较好的在线辨识电机的各项参数。
表1:转速和负载稳定工况下两种参数辨识算法的结果对比
第二步:在转速和负载不断变化的复杂工况下进行参数辨识。
启动电机,使电机运行在转速和负载不断变化的复杂工况下,其中,电机转速变化范围为900rpm/min~1100rpm/min,负载变化范围为1.0N·m~1.5N·m。然后分别启动基于稳态模型和本申请模型的两种电机参数辨识算法。记录其最终的参数辨识结果,并进行对比,如表2所示,可以看出,在这种复杂的电机运行工况下,基于本申请模型的参数辨识结果依旧能够保持很小的辨识误差,但是基于稳态模型的方法辨识误差激增,无法很好的在线获得电机参数。以上实验结果证明本申请的模型的参数在线辨识方法能够在提升辨识精度的同时,实现电机在各种复杂工况下的参数在线辨识。
表2:转速和负载变化复杂工况下两种参数辨识算法的结果对比
具体的,上述基于状态空间模型的感应电机参数辨识方法可以完成感应电机参数的在线辨识,即随时都可以得到该时刻的电机辨识参数,且该方法在计算过程中,改进了量子粒子群算法中的收缩扩张因子,提高了该方法的全局搜索能力和算法的寻优精度,使收敛过程更快,并且不容易陷入局部最优点。
上述基于状态空间模型的感应电机参数辨识方法,电机***的数据参数建立了αβ状态空间模型,αβ状态空间模型属于动态模型,与常见的稳态模型相比模型的精确度更高,有利于提升感应电机参数辨识的精度,更利于感应电机在复杂工况的情况下感应电机参数辨识,除此之外,量子粒子群算法相提高了算法的全局搜索能力和算法的寻优精度,使收敛过程更快,并且不容易陷入局部最优点,因此,本申请通过结合αβ状态空间模型和量子粒子群算法的方式,可以使得本申请适用更加复杂的工况、寻优精度更好,且得到的最优点不会落入局部最优点。
示例性的,工作人员可以基于上述基于状态空间模型的感应电机参数辨识方法,根据实际情况对电机***进行实时调整,实现感应电机全参数的实时跟踪,即可以根据该方法计算出来的感应电机辨识参数,及时对电机***进行对应的操作。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的基于状态空间模型的感应电机参数辨识方法,图4示出了本申请实施例提供的基于状态空间模型的感应电机参数辨识装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参见图4,本申请实施例中的基于状态空间模型的感应电机参数辨识装置可以包括获取模块301、处理模块302和辨识模块303。
可选的,获取模块301,用于获取电机***的数据参数,基于数据参数建立αβ状态空间模型。
示例性的,数据参数包括:电压值、电流值、磁链、定子电阻、转子电阻、定子等效电感、转子等效电感、等效互感、电机旋转的电角速度、转子时间常数和转速中的至少部分参数。
示例性的,αβ状态空间模型为:
其中,isα为定子α轴电流,isβ为定子β轴电流,ψrα为转子α轴磁链,ψrβ为转子β轴磁链,usα为定子α轴电压,usβ为定子β轴电压,Rs为定子电阻,Rr为转子电阻,ls为定子等效电感,lr转子等效电感,lm为等效互感,ωr为电机旋转的电角速度,Tr为转子时间常数。
可选的,处理模块302,用于对电压值、电流值和转速进行坐标转换得到第一处理信息。
可选的,辨识模块303,用于基于αβ状态空间模型、第一处理信息和量子粒子群算法,得到电机辨识参数。
示例性的,辨识模块303还用于:基于αβ状态空间模型和第一处理信息,建立适应度评价函数。随机生成一个粒子群,基于适应度评价函数对粒子群进行初始化、迭代计算和寻优操作,得到电机辨识参数。
示例性的,适应度评价函数为:
其中,
Rs为定子电阻,ls为定子等效电感,lr转子等效电感,lm为等效互感,Tr为转子时间常数,isα为定子α轴电流,isβ为定子β轴电流,usα为定子α轴电压,usβ为定子β轴电压,ωr为电机旋转的电角速度,T为采样周期。
示例性的,辨识模块303还用于:将粒子群中的所有粒子位置的范围映射到初始值空间内。基于预设的粒子初始个体极值pbest,计算粒子群的全局极值gbest。基于预设的粒子初始个体极值pbest和粒子群的全局极值gbest,计算得到吸引子P、平均最好位置mbest和中间变量k。将吸引子P、平均最好位置mbest和中间变量k转化为零矩阵。
示例性的,辨识模块303还用于:对平均最好位置和吸引子进行更新,得到更新后的平均最好位置和更新后的平均最好位置。基于更新后的平均最好位置和更新后的平均最好位置,计算得到更新后的粒子位置。如果未达到指定迭代次数,更新初始个体极值、全局极值、吸引子、平均最好位置和各粒子位置信息,重新进行上述步骤。如果达到指定迭代次数,则基于更新后的粒子的位置和适应度评价函数,计算得到最优粒子位置,基于最优粒子位置,计算得到电机辨识参数。
更新后的吸引子的公式为:P=r·pbest+(1-r)gbest,r∈[0,1]。
更新后的粒子位置为:
其中,r∈[0,1],t为迭代次数,x(t+1)即为更新后的种群粒子位置,x(t)和mbest(t)分别为上次迭代计算得到的粒子位置和平均最优位置,Fitness(xi-1)为上一代粒子群全局最优位置的适应度值,Fitness(xi)为当代第i个粒子的适应度值。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种终端设备,参见图5,该终端设备500可以包括:至少一个处理器510、存储器520,该存储器520用于存储计算机程序521,所述处理器510用于调用并运行所述存储器520中存储的计算机程序521实现上述任意各个方法实施例中的步骤,例如图2所示实施例中的步骤101至步骤103。或者,处理器510执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能,例如图4所示模块301至303的功能。
示例性的,计算机程序521可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器520中,并由处理器510执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段,该程序段用于描述计算机程序在终端设备500中的执行过程。
本领域技术人员可以理解,图5仅仅是终端设备的示例,并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如输入输出设备、网络接入设备、总线等。
处理器510可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器520可以是终端设备的内部存储单元,也可以是终端设备的外部存储设备,例如插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。所述存储器520用于存储所述计算机程序以及终端设备所需的其他程序和数据。所述存储器520还可以用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例提供的基于状态空间模型的感应电机参数辨识方法可以应用于计算机、可穿戴设备、车载设备、平板电脑、笔记本电脑、上网本、手机等终端设备上,本申请实施例对终端设备的具体类型不作任何限制。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述基于状态空间模型的感应电机参数辨识方法各个实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述基于状态空间模型的感应电机参数辨识方法各个实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于状态空间模型的感应电机参数辨识方法,其特征在于,包括:
获取电机***的数据参数,基于所述数据参数建立αβ状态空间模型,所述数据参数包括:电压值、电流值、磁链、定子电阻、转子电阻、定子等效电感、转子等效电感、等效互感、电机旋转的电角速度、转子时间常数和转速中的至少部分参数;
对所述电压值、电流值和转速进行坐标转换得到第一处理信息;
基于所述αβ状态空间模型、所述第一处理信息和量子粒子群算法,得到电机辨识参数。
3.如权利要求1所述的基于状态空间模型的感应电机参数辨识方法,其特征在于,所述基于所述αβ状态空间模型、所述第一处理信息和量子粒子群算法,得到电机辨识参数,具体包括:
基于所述αβ状态空间模型和所述第一处理信息,建立适应度评价函数;
随机生成一个粒子群,基于所述适应度评价函数对粒子群进行初始化、迭代计算和寻优操作,得到电机辨识参数。
5.如权利要求4所述的基于状态空间模型的感应电机参数辨识方法,其特征在于,所述基于所述适应度评价函数对粒子群进行初始化,包括:
将粒子群中的所有粒子位置的范围映射到初始值空间内;
基于预设的粒子初始个体极值pbest,计算粒子群的全局极值gbest;
基于所述预设的粒子初始个体极值pbest和所述粒子群的全局极值gbest,计算得到吸引子P、平均最好位置mbest和中间变量k;
将所述吸引子P、所述平均最好位置mbest和所述中间变量k转化为零矩阵。
6.如权利要求5所述的基于状态空间模型的感应电机参数辨识方法,其特征在于,基于所述适应度评价函数对粒子群进行迭代计算和寻优操作,得到电机辨识参数,具体包括:
对所述平均最好位置和所述吸引子进行更新,得到更新后的平均最好位置和更新后的平均最好位置;
基于更新后的平均最好位置和更新后的平均最好位置,计算得到更新后的粒子位置;
如果未达到指定迭代次数,更新初始个体极值、全局极值、吸引子、平均最好位置和各粒子位置信息,重新进行上述步骤;
如果达到指定迭代次数,则基于所述更新后的粒子的位置和所述适应度评价函数,计算得到最优粒子位置,基于所述最优粒子位置,计算得到所述电机辨识参数。
8.一种基于状态空间模型的感应电机参数辨识装置,其特征在于,包括:
获取模块,用于获取电机***的数据参数,基于所述数据参数建立αβ状态空间模型,所述数据参数包括:电压值、电流值、磁链、定子电阻、转子电阻、定子等效电感、转子等效电感、等效互感、电机旋转的电角速度、转子时间常数和转速中的至少部分参数;
处理模块,用于对所述电压值、电流值和转速进行坐标转换得到第一处理信息;
辨识模块,用于基于所述αβ状态空间模型、所述第一处理信息和量子粒子群算法,得到电机辨识参数。
9.一种终端设备,其特征在于,包括:处理器和存储器,该存储器用于存储计算机程序,所述处理器用于调用并运行所述存储器中存储的计算机程序,执行如权利要求1至7任一项所述的基于状态空间模型的感应电机参数辨识方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于状态空间模型的感应电机参数辨识方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210975099.1A CN115276490A (zh) | 2022-08-15 | 2022-08-15 | 基于状态空间模型的感应电机参数辨识方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210975099.1A CN115276490A (zh) | 2022-08-15 | 2022-08-15 | 基于状态空间模型的感应电机参数辨识方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115276490A true CN115276490A (zh) | 2022-11-01 |
Family
ID=83750694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210975099.1A Pending CN115276490A (zh) | 2022-08-15 | 2022-08-15 | 基于状态空间模型的感应电机参数辨识方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115276490A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110125685A1 (en) * | 2009-11-24 | 2011-05-26 | Rizvi Syed Z | Method for identifying Hammerstein models |
CN107662211A (zh) * | 2017-10-16 | 2018-02-06 | 西北工业大学 | 一种基于量子粒子群算法的空间机器人预测控制方法 |
CN108649562A (zh) * | 2018-05-04 | 2018-10-12 | 华北水利水电大学 | 一种基于苍狼算法的电力***负荷建模参数辨识方法 |
CN114094900A (zh) * | 2021-11-19 | 2022-02-25 | 合肥工业大学 | 一种永磁同步电机参数在线辨识方法 |
-
2022
- 2022-08-15 CN CN202210975099.1A patent/CN115276490A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110125685A1 (en) * | 2009-11-24 | 2011-05-26 | Rizvi Syed Z | Method for identifying Hammerstein models |
CN107662211A (zh) * | 2017-10-16 | 2018-02-06 | 西北工业大学 | 一种基于量子粒子群算法的空间机器人预测控制方法 |
CN108649562A (zh) * | 2018-05-04 | 2018-10-12 | 华北水利水电大学 | 一种基于苍狼算法的电力***负荷建模参数辨识方法 |
CN114094900A (zh) * | 2021-11-19 | 2022-02-25 | 合肥工业大学 | 一种永磁同步电机参数在线辨识方法 |
Non-Patent Citations (1)
Title |
---|
伍恒;李本威;张;杨欣毅;: "基于QPSO-ELM的某型涡轴发动机起动过程模型辨识", 航空学报, no. 11, 20 July 2018 (2018-07-20) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110969649A (zh) | 一种激光点云与地图的匹配评价方法、介质、终端和装置 | |
CN112198878B (zh) | 一种即时地图构建方法、装置、机器人及存储介质 | |
WO2023240844A1 (zh) | 一种高效同步机的电磁暂态建模方法、***及设备 | |
CN111106780B (zh) | 一种电机控制方法、装置、终端设备及存储介质 | |
CN111707262A (zh) | 基于最近点向量投影的点云匹配方法、介质、终端和装置 | |
CN113691182B (zh) | 永磁同步电机的电阻辨识方法、***、介质及终端 | |
CN113364380A (zh) | 一种电机参数确定方法及装置 | |
CN115276490A (zh) | 基于状态空间模型的感应电机参数辨识方法和装置 | |
CN115296574A (zh) | 基于稳态t型等效电路的感应电机参数辨识方法和装置 | |
CN117013902A (zh) | 电机电感参数计算方法、装置、***、电机和动力设备 | |
CN116243160A (zh) | 基于自适应观测增强的多传感器状态预估方法及*** | |
CN115940726A (zh) | 改善电机参数辨识动态性能的方法、***、设备及介质 | |
CN111049446A (zh) | 永磁同步电机硬件在环仿真方法及装置、存储介质和终端 | |
CN112104292B (zh) | 电机控制方法、装置、终端设备及存储介质 | |
CN115388878A (zh) | 一种地图构建方法、装置及终端设备 | |
CN114331040A (zh) | 基于模糊评价函数的***主导失稳形态识别方法及终端 | |
CN114977165A (zh) | 基于饱和效应的同步机电磁暂态建模方法、***及设备 | |
CN114679098A (zh) | 永磁同步电机前馈补偿方法、装置、计算机设备和介质 | |
CN114584026A (zh) | 一种优化永磁同步电机参数鲁棒性的方法及相关设备 | |
CN110336508B (zh) | 一种pmsm的定子磁链辨识方法及装置 | |
CN113992102A (zh) | 永磁同步电机扭矩的控制方法、装置、介质、电子设备 | |
CN113447881A (zh) | 智能电能表的测量方法、装置及终端设备 | |
CN117375471B (zh) | 永磁电机转动惯量与负载转矩辨识方法及*** | |
CN113030555A (zh) | 储能器开路电压估计方法、装置、终端设备及存储介质 | |
CN113742906B (zh) | 基于主导动态相似性的大型工业企业感应电动机负荷动态等值的方法 |
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 |