一种新的自适应变异粒子群优化算法在PMSM参数辨识中的应用

高精度辨识永磁同步电机参数是进行控制器设计的基础。本文借鉴遗传算法中变异操作的思想,提出了一种基于自适应变异概率的混合变异粒子群优化算法,并将其应用于永磁同步电机参数辨识问题。本文首先在dq坐标系下建立永磁同步电机参数辨识模型,然后将该算法和几种变异粒子群算法用于永磁同步电机参数辨识,并在Matlab/Simulink中进行了对比验证。实验结果表明,该算法能提高定子电阻、d轴电感、q轴电感和转子磁链等参数的辨识精度,为提高永磁同步电机电机控制器性能提供了保证。

基于混合粒子群优化算法的永磁同步电机参数辨识

永磁同步电机(PMSM)在实际应用中是一种强非线性系统,运行过程中由于温度和磁饱和等因素造成电机参数发生变化,进而影响PMSM控制效果。为了提高PMSM的控制性能,在对永磁同步电机无差拍电流预测控制系统深入分析的基础上,提出了一种基于模型参考自适应(MRAS)和遗传粒子群(GAPSO)混合优化的在线参数辨识算法。该算法通过MRAS初步辨识PMSM的电气参数,其辨识结果为粒子群寻优提供方向;同时改进遗传算法中交叉变异机制,将初步辨识结果引入遗传粒子群算法中进一步优化。仿真实验结果表明,MRAS-GAPSO算法所有参数在迭代50次内实现了较高精度的辨识,且辨识相对误差均不超过1%,验证了算法在不同工况下的可行性,实现了参数的在线精确辨识。

基于柯西变异粒子群算法的永磁同步电机参数辨识

永磁同步电机(PMSM)参数影响矢量控制伺服系统的性能,因而需要对电机参数进行实时辨识。将电机的定子等效成一阶惯性系统,并在d-q同步旋转坐标系下建立定子的数学模型。提出平均最好位置和柯西变异相结合的改进粒子群算法,对永磁同步电机定子绕组的电阻、电感和磁链进行辨识。仿真和实验结果表明该辨识方法寻优能力强,搜索精度高,稳定性好,具有良好的动态性能。

免疫协同微粒群进化算法的永磁同步电机多参数辨识模型方法

针对永磁同步电机多参数辨识问题,提出一种基于免疫协同微粒群进化(Immune co-evolution particle swarm optimization,ICPSO)算法的永磁同步电机(Permanent magnet synchronous motor,PMSM)多参数辨识方法.算法由记忆种群与若干个普通种群构成,在进化过程中普通种群中优秀个体进入记忆库种群.普通种群内部通过精英粒子保留、免疫网络以及柯西变异等混合策略共同产生新个体,个体极值采用小波学习加快收敛速度,免疫克隆选择算法对记忆库进行精细搜索,迁移机制实现了整个种群的信息共享与协同进化.永磁同步电机参数辨识结果表明该方法不需要知道电机设计参数先验知识,能够有效地辨识电机电阻、dq轴电感与转子磁链,且能有效追踪该参数变化值.

面向永磁同步电机参数辨识的免疫完全学习型粒子群算法

实际工程中永磁同步电机系统是一种具有强非线性动态系统,常规方法难以得到高精度参数估计值。结合完全学习型粒子群的多模态优化性能及免疫机理局部收敛能力强的优势,研究了免疫完全学习型粒子群智能计算模型方法。将所提方法应用于永磁同步电机系统参数辨识与建模中,构建一种基于免疫完全学习型粒子群算法的永磁同步电机多参数辨识模型方法。实验结果表明所提算法具有高效收敛性能,基于该算法的永磁同步电机多参数辨识模型方法不需要依赖任何数据手册上的电机设计值,能同时辨识电机定子电阻,转子磁链,d-q轴电感等电磁参数,且能跟踪电磁参数变化。

基于自适应变异粒子群算法的双馈风电机组等值建模

风电机组等值建模是风电并网研究的基础,文中提出一种基于自适应变异粒子群(AMPSO)算法的双馈风电机组等值建模方法。首先依据风力机型号进行机群划分,通过简化双馈风电机组控制策略,建立了双馈风电机组等值模型。根据模型中各参数对双馈风电机组运行特性的影响特点,将其分为暂态参数和稳态参数,采用收敛速度快、通用性强的AMPSO算法对稳态参数寻优,采用试测法辨识暂态参数。通过仿真,验证了所述等值方法精确、简便,适用于大规模风电场接入电网的分析计算。

改进粒子群算法在永磁同步电动机参数识别中的应用

应用改进粒子群优化算法(IPSO)来识别异步起动永磁同步电动机起动时的动态模型参数。永磁同步电动机异步起动时的电机动态模型采用状态微分方程表示。与遗传算法(GA)和标准粒子群算法(SPSO)相比较,仿真试验表明改进粒子群算法明显提高了识别参数的准确性,同时表明改进粒子群算法能更好地识别永磁同步电动机起动时动态模型的参数。

基于自适应粒子群算法的桩动力参数反分析

将自适应粒子群算法(MPSO)应用于完整桩基动力参数的识别,数值计算结果表明,所建立的智能方法能够对桩基动测进行有效的多参数识别,具有良好的全局收敛能力,是一种行之有效的计算方法。

基于改进粒子群优化极限学习机的弹丸参数辨识

针对随机产生输入权重和隐含层神经元阈值导致利用极限学习机辨识弹丸气动参数时会出现辨识结果发散问题,本文将粒子群算法与极限学习机结合,并且引入自适应更新策略以及粒子变异策略,提出了一种自适应变异粒子群优化极限学习机算法。该算法利用自适应变异粒子群算法寻优产生极限学习机的输入权重和隐含层阈值,有效改善算法性能。仿真实验表明,利用自适应变异粒子群优化极限学习机算法辨识弹丸气动参数,精度高、收敛速度快,能够充分满足实际工程需要。

标准粒子群算法在永磁同步电机参数辨识中的应用研究

高性能的伺服驱动器参数整定需要参考永磁同步电机的相关参数。针对表贴式永磁同步电机的多参数辨识,设计了一种基于标准粒子群优化算法的辨识方法。在基本粒子群优化算法的基础上,引入了随时间线性递减权值的策略。仿真结果表明该辨识方法能够准确辨识出电机的多个参数,辨识速度快,稳定性好,精度较高,具有良好的实用性。

高斯-柯西变异算子优化的LSSVM模型研究

论文针对标准量子粒子群算法易陷入局部极值的问题,提出一种改进的量子粒子优化最小二乘支持向量机的方法。利用高斯变异数的局部开发能力以及柯西变异数的全局搜索能力,在量子粒子群优化算法中,引入高斯-柯西变异算子,帮助算法跳出局部极值。并利用该优化模型进行光伏发电量预测实验,对优化的最小二乘支持向量机模型的预测结果与其他模型预测结果进行比较,结果表明:基于高斯-柯西变异算子的量子粒子群优化的最小二乘支持向量机对光伏发电量的预测具备较好的收敛速度和跳出局部收敛困境的能力。

基于粒子群优化算法的永磁同步电机参数辨识

提出了一种对永磁同步电机的直轴电感、交轴电感和定子电阻进行辨识的粒子群优化(PSO)算法。该算法具有快速、稳定的收敛性,不需要电压源逆变器和闭环控制策略,容易实现。通过PSO算法的实验结果,证明了PSO算法的有效性。

基于CMPSO算法的永磁同步电机转动惯量识别研究

永磁同步电机(PMSM)是一种具有很强非线性的动态系统,在工业驱动应用中发挥着重要作用。实时辨识转动惯量对于高精度PMSM系统控制和稳定性状态监测具有重要意义,但传统转动惯量识别方法精度较低。在传统离散模型参考自适应理论基础之上,用柯西变异粒子群优化(CMPSO)算法代替待辨识参数自适律设计环节,以实现PMSM转动惯量识别。该转动惯量辨识方法充分利用了CMPSO算法的快速高效收敛性,仿真结果和试验结果表明了可行性、正确性和准确性。

基于小生境粒子群算法的永磁同步电机参数辨识

永磁同步电机的电磁参数会随着温度和磁路等因素的变化而变化,参数辨识的准确度对电机控制系统性能有重要影响,而传统的辨识算法存在收敛速度慢,辨识精度低等缺陷。针对该问题,可以采用一种基于粒子群算法的参数辨识方法。该方法输入参数测量简单,可同时对电阻、电感、磁链三个参数准确辨识,同时引入小生境技术和粒子群改进策略,可以克服基本粒子群算法容易陷入局部最优的缺陷,获得更好的辨识精度和收敛速度。仿真结果证明了该方法的可行性和正确性。

基于改进粒子群算法的永磁同步电机参数辨识

针对一般粒子群算法辨识永磁同步电机参数由于其粒子在迭代后期易陷入局部最优而导致收敛速度慢和辨识精度差的缺陷,提出了一种基于混沌映射和高斯扰动改进的粒子群算法实现对永磁同步电机参数高精度辨识。利用混沌Sine映射构造了一种非线性随机递减惯性权重,并在粒子群的“个体认知”部分引入高斯扰动策略。采用Sine函数构造学习因子。改进算法仅需采集电机定子电流、电压以及转速信号便可实现永磁同步电机多参数的准确辨识。对比仿真结果表明:基于混沌映射和高斯扰动改进的粒子群算法具有更快的收敛速度和更高的辨识精度,对于永磁同步电机控制性能改善具有重要意义。

永磁同步电机多参数辨识方法研究

针对永磁同步电机(PMSM)多参数辨识困难的问题,该文提出一种初始参数优化的混沌变异小生镜粒子群优化(NCOPSO)算法,并设计一个含有5个待辨识参数(定子绕组电阻,定子绕组交、直轴电感,永磁体磁链,转动惯量)的满秩数学方程组。该算法首先使用粒子群算法优化基本粒子群算法3个初始参数(惯性系数ω,学习因子c1、c2)。再对优化后的粒子群使用小生镜策略,以连续多次迭代适应值变化小的粒子为中心构造一个小生镜群体。最后使用混沌变异策略,在每次迭代过程中,以每个小生镜群体最优粒子为基础迭代生成一个混沌序列,将序列中最优粒子随机替换当前小生镜群体某一粒子,同时对小生镜群体最差粒子进行初始化。经电机仿真与实验验证了该算法的可行性与准确性。

基于克隆选择差分进化算法的永磁同步电机参数辨识

针对永磁同步电机(PMSM)多参数高精度辨识的问题,提出了一种克隆选择差分进化(DE-ICSA)算法,将其运用于永磁同步电机的多参数在线辨识。算法通过对差分进化算法与免疫克隆选择算法进行混合优化,提高了种群多样性,加强了局部和全局的搜索能力。通过仿真实验表明:相较于差分进化算法与粒子群优化(PSO)算法,所提算法能同时辨识定子电阻、dq轴向电感和转子磁链等电磁参数,并且具有较好的收敛性和可靠性。

基于改进混沌粒子群优化算法的永磁同步电机参数辨识

针对永磁同步电机(PMSM)在参数辨识过程中由于粒子容易早熟和陷入局部最优而导致辨识精度不高的问题,提出了一种改进混沌粒子群优化(ICPSO)算法,并将其应用在PMSM多参数辨识中。该算法通过对混沌算法和粒子群优化(PSO)算法结合并优化,且在算法中融入精英免疫原理,处于中间的粒子进行免疫升级,此举不仅扩大了粒子在种群中的搜索范围,而且在一定程度上克服了粒子早熟、不易跳出局部最优的问题。该算法对标准测试函数进行试验,且与PSO算法和混沌粒子群优化(CPSO)算法在参数辨识中的效果相比较,得出定子电阻、dq轴电感和转子磁链电磁参数,从而证明该算法的有效性。

基于变异机制的混合粒子群算法在永磁同步电机多参数辨识中的研究

针对永磁同步电机多参数辨识方法问题,在基于电机电压方程建立的非线性数学模型的基础上,给出了一种带有差分变异策略的粒子群优化算法实现对永磁同步电机定子电阻、dq轴电感和永磁体磁链的辨识。该算法为解决学习因子和惯性权重独立调整削弱了算法的智能性问题,提出状态因子来使惯性权重非线性调整,通过分析将学习因子表示为权重的logistic回归分析型函数,使其随权重动态调整;为解决电机的非线性模型带来种群多样性的丧失,引入差分进化算法中的交叉变异策略产生候选解,并融合交叉算子为提高算法的全局搜索能力创造了可能性。通过实验仿真,与两种改进的粒子群算法在不同工况下进行对比,验证该改进的算法对提高辨识精度和速度有一定效果,算法具有可靠的收敛性和鲁棒性。