[发明专利]一种包含参数跟踪的感应电机状态强跟踪滤波估计方法

权利要求书

1.一种包含参数跟踪的感应电机状态强跟踪滤波估计方法，其特征在于：包括以下步骤：

步骤1、选择感应电机的定子电流i_s、转子磁链ψ_r及电机转速ω_r作为状态变量，建立电机两相静止αβ坐标系下离散化的状态空间方程；

步骤2、初始化状态变量值状态误差协方差矩阵P(0|0)以及噪声协方差阵Q(k)和R(k)；

步骤3、构建与感应电机模型结构相同的辨识模型，并设置粒子群优化算法的参数：种群规模为N，最大迭代次数为iter_max，惯性权重系数为w_max及w_min，加速因子为c₁＝c₂，限制因子为χ，罚因子为γ；

步骤4、采用粒子群迭代学习优化算法进行动态优化辨识，计算辨识模型与参考系统的输出的残差e，通过适应度函数进行评价，辨识定子电阻R_s、定子电感L_s及转动惯量J；

步骤5、将第k步的辨识参数传到状态空间方程中，修正强跟踪滤波器的系数矩阵；

步骤6、进行第k+1步状态预测和输出预测；

步骤7、计算第k+1步的输出残差、残差协方差矩阵、雅可比矩阵和时变次优渐消因子；

步骤8、根据次优渐消因子预测第k+1步的状态误差协方差；

步骤9、计算第k+1步的卡尔曼增益矩阵；

步骤10、更新第k+1步的状态误差协方差；

步骤11、进行第k+1步状态校正，得到第k+1步估计值；

步骤12、通过适应度函数校正辨识的定子电阻R_s、定子电感L_s及转动惯量J；

步骤13、将第k+1步估计值作为第k+2步的初始状态，重复步骤6至步骤13，使输出残差序列保持相互正交，实现对状态的快速准确估计；

所述步骤1建立的感应电机两相静止αβ坐标系下离散化的状态空间方程为：

x(k+1)＝A(x(k))x(k)+Bu(k)

y(k+1)＝Cx(k+1)+Du(k)

其中，输入变量为定子电压u(k)＝[u_sα(k) u_sβ(k)]^T，输出变量为定子电流y(k)＝[i_sα(k) i_sβ(k)]^T，状态向量为x(k)＝[i_sα(k) i_sβ(k) ψ_rα(k) ψ_rβ(k) ω_r(k)]^T，并且状态方程的系数矩阵及线性化的雅可比矩阵分别为：

其中，u_s为定子电压，i_s为定子电流，ψ_r为转子磁链，R_s与L_s为定子电阻与电感，R_r与L_r为转子电阻与电感，L_m为互感，ω_r为转子角速度，T_r＝L_r/R_r为转子时间常数，T为采样周期，为漏磁系数，系数η＝L_m/(σL_sL_r)，

所述粒子群迭代学习动态优化算法为：在每次迭代进化中，粒子通过自身和群体的历史最优位置，更新当前的速度和位置；在任意k+1时刻，第i个粒子的速度和位置更新公式为：

v_id(k+1)＝χ[wv_id(k)+c₁r_1d(k)(p_id-x_id(k))+c₂r_2d(k)(p_gd-x_id(k))]

v_id(k)＝min(v_max(k),max(v_min(k),v_id(k)))

x_id(k+1)＝x_id(k)+v_id(k+1)

其中，v_id和x_id分别代表第i个粒子的速度和位置，χ为限制因子，w为惯性权重，c₁为认知加速因子，c₂为社会加速因子，p_id和p_gd分别为个体和群体的历史最优位置，r_1d和r_2d为两个相互独立的服从[0,1]均匀分布的随机数，该粒子所经历的历史最后位置的函数值为pbest_i，粒子群所经历的历史最优位置对应的函数值为gbest；

惯性权重w随迭代次数线性下降：

限制因子χ取：

构建如下适应度函数：

其中，罚因子γ表示适应度函数中转速分量与定子电流分量的权重；

计算辨识模型与参考系统的输出残差e，通过适应度函数进行评价，利用适应度评价值对可调模型中待辨识参数定子电阻R_s、定子电感L_s及转动惯量J进行修正，并将辨识参数传递给强跟踪滤波器，修正相关系数矩阵，不断重复迭代学习过程，直到模型输出的性能指标达到最优或者到达最大迭代次数，从而实现对感应电机的参数跟踪。