[发明专利]一种基于改进粒子群优化算法的异步电机参数辨识方法

摘要

本发明涉及一种基于改进的粒子群优化算法的异步电机参数辨识方法，以标准粒子群算法为基础，通过分批分别设置种群的最大加权系数和最小加权系数，并增加了随机变异算子，增加变异算子对gbest进行随机变异的策略来提高算法跳出局部收敛的能力，改善粒子群的过早陷入局部最优的问题，扩大粒子的搜索范围，改进了粒子群算法的全局搜索能力和收敛速度，降低陷入局部最优的风险，兼顾优化过程的精度和效率。本发明通过测量获得异步电机各工作特性的测量值，应用该改进的粒子群优化算法实现异步电机静态参数辨识，在有噪声的情况下，仍能具有较高的识别准确率。

主权项

1.一种基于改进粒子群优化算法的异步电机参数辨识方法，其特征在于，按照如下步骤实现：步骤S1：建立三相异步电动机T形等效电路模型；步骤S2：根据待辨识异步电动机的电机参数值建立参数向量，并根据该参数向量构建搜空间；步骤S3：将粒子群等分为3组，分别设置不同的最大加权系数w_max和最小加权系数w_min；步骤S4：根据当前位置计算每个粒子的适应度函数值及粒子适应度值；步骤S5：对底层的每个群体的每个微粒，将其适应值与其经历过的最佳位置pbest作比较，如果比当前的pbest好，则将其作为当前微粒的最佳位置pbest；将其适应值与此群体所经历的最佳位置gbest作比较，如果比当前gbest好，则重新设置gbest；将其适应值与其所在组别的群体所经历的最佳位置gbest_j作比较，如果比当前gbest_j好，则重新设置gbest_j；步骤S6：根据每组各自不同的w_max和w_min，更新每个粒子位置；步骤S7：计算群体适应度标准差S；步骤S8：计算变异概率p_m，并根据求得的变异概率判断是否对gbest进行变异运算；步骤S9：判断是否达到最大的迭代次数k_max；若满足条件，则搜寻过程结束，此时对应于最小适应值的参数即为辨识结果参数，否则转到所述步骤S4；其中，在所述步骤S1中，选取异步电动机定子相电流和电机功率因数作为参数辨识的测量量，其特性曲线函数分别为：两特性曲线函数式中：其中，U_s为定子相电压，R_s为定子每相电阻，X_s为定子每相漏抗，R_m为激磁电阻，X_m为激磁电抗，R_r为转子每相电阻，X_r为转子每相漏电抗，s为电机转差率；记异步电机工作特性测量量为Y(s_k)＝[y₁(s_k),y₂(s_k)]^T，其中y₁(s_k)、y₂(s_k)分别为定子相电流和电机功率因数在转差率s_k处的测量值；记特性测量量的实际值为X(s_k)＝[x₁(s_k),x₂(s_k)]^T则有Y(s_k)＝X(s_k)+ω(s_k)，其中ω(s_k)表示测量噪声，反映测量结果受到噪声干扰。