本发明公开了一种基于粒子群的永磁同步电机转动惯量辨识方法。本发明提出一种基于粒子群的永磁同步电机转动惯量辨识方法，包括：在PMSM转动惯量辨识的问题中，涉及的转子动力学方程为：其中Te为电磁转矩、Tl为负载转矩、J为转动惯量、ω为角速度、B为粘性摩擦系数、C为库仑摩擦系数。根据(3‑6)式可以进行电磁转矩的估计，表示为PSO算法辨识转动惯量J的关键在于建立评价函数(适应度函数)，并将之优化。为了评价粒子的优劣性，第i个粒子的评价函数选取如下的二次型形式本发明的有益效果：使用粒子群算法大大提高了转动惯量的辨识精度。
1.一种基于粒子群的永磁同步电机转动惯量辨识方法，其特征在于，包括：在PMSM转动惯量辨识的问题中，涉及的转子动力学方程为：其中Te为电磁转矩、Tl为负载转矩、J为转动惯量、ω为角速度、B为粘性摩擦系数、C为库仑摩擦系数；根据(3-6)式可以进行电磁转矩的估计，表示为粒子群算法辨识转动惯量J的关键在于建立评价函数，并将之优化；为了评价粒子的优劣性，第i个粒子的评价函数选取如下的二次型形式通过对于群体中的个体对信息的分析，在此基础上实现信息的共享，最后可以在整个群体的运动的过程中，实现对于数据的分析和计算，最后可以得到最优解；粒子群算法的初始种群为一组随机解，粒子i在N维空间的位置表示为Xi＝(xi1,xi2,...,xiN)，飞行速度表示为Vi＝(vi1,vi2,...,viN)；每个粒子都有一个由目标函数决定的适应值，在迭代的过程中，粒子可以跟踪两个“极值”，实现对于自身的更新和优化，个体极值Pbest是每个粒子在历代搜索过程中自身所达到的最优值；全局极值Gbest是整个粒子群中所有粒子在历代搜索过程中达到的最优值；
其中，i＝1,2,…,N，d＝1,2,…,D，N和D分别表示粒子群规模和搜索空间的维数； 表示第i个粒子在d维上的速度；vd,max为粒子在范围空间内的最大速度； 表示第i个粒子在d维上的位置； 表示第i个粒子的历史最优； 表示第t次迭代群体的最优值；c1和c2称为学习因子或加速系数；r1和r2为由随机函数产生的[0,1]之间的随机数；
公式(3-1)通过三块部分更新粒子的速度：第一个部分 是个体记忆项，用于描述上一次迭代速度大小和方向的影响，具有平衡粒子全局和部分搜寻能力的作用；第二个部分属于典型的个体认知项，是从当前点指向粒子自身最好点的一个矢量，表示一个矢量，方向主要是系统中的最优位置，该粒子的动作已经经过了自我的检验；第三个部分是群体认知项，也表示一个矢量，方向为粒子自身指向全局最优位置，意指粒子间的合作与信息共享；粒子根据自己的经验以及其他粒子最理想的经验来做出运动反应；
引入惯性因子w，使其值为正；将式(3-1)更新为(3-4)，
其中w值越大，其全局搜寻能力越强，局部搜寻能力越弱；w值越小，其全局搜寻能力越弱，局部搜寻能力越强；
利用选择权重递减法，即随着迭代次数的增加，惯性权重原来越小；
w(t)＝wmax-(wmax-wmin)/Nmax (3-5)其中Nmax为最大迭代数；
(1)设定粒子种群的规模，在一定范围内随机初始化一群粒子，包括粒子的位置和速度；
(3)个体最优值Pbest的更新；针对种群中的所有粒子，将其适应度值与其历代搜索过程中自身所达到的最优值进行对比，若优于最优值Pbest，则将当前适应度值作为个体最优值Pbest；
(4)全局最优值Gbest的更新；针对种群中的所有粒子，将其适应度值与整个粒子群中所有粒子在历代搜索过程中达到的最优值进行对比，若优于最优值Gbest，则将当前适应度值作为全局最优值Gbest；
(6)判断迭代次数是否符合实验的标准，若是则结束迭代，输出最优解Gbest；否则，转回步骤(2)继续开始新一轮的迭代优化。
2.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1所述方法的步骤。
3.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1所述方法的步骤。
4.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1所述的方法。
基于粒子群的永磁同步电机转动惯量辨识方法
技术领域
[0001] 本发明涉及永磁同步电机领域，具体涉及一种基于粒子群的永磁同步电机转动惯量辨识方法。
背景技术
[0002] 现有的永磁同步电机(PMSM)参数在线辨识方法主要有最小二乘法、模型参考自适应算法。
[0003] 传统技术存在以下技术问题：
[0004] 最小二乘法通过设计的模型不断地采集新数据，并使用递推算法来不断更新辨识的结果，直到使误差的平方和最小化，达到准确识别的目的。以上两种辨识算法很难实现高精度的快速辨识，使用时有一定的局限性。
发明内容
[0005] 本发明要解决的技术问题是提供一种基于粒子群的永磁同步电机转动惯量辨识方法，利用粒子群算法实现转动惯量辨识算法，其优点是精度高、收敛快以及无需编码等。
[0006] 为了解决上述技术问题，本发明提供了一种基于粒子群的永磁同步电机转动惯量辨识方法，包括：在PMSM转动惯量辨识的问题中，涉及的转子动力学方程为：
[0007]
[0008] 其中Te为电磁转矩、Tl为负载转矩、J为转动惯量、ω为角速度、B为粘性摩擦系数、C为库仑摩擦系数。根据(3-6)式可以进行电磁转矩的估计，表示为
[0009] PSO算法辨识转动惯量J的关键在于建立评价函数(适应度函数)，并将之优化。为了评价粒子的优劣性，第i个粒子的评价函数选取如下的二次型形式
[0010]
[0011] 在其中一个实施例中，粒子群算法的基本步骤如下，对应的流程图如图1所示：
[0012] (1)设定粒子种群的规模，在一定范围内随机初始化一群粒子，包括粒子的位置和速度；
[0013] (2)按照选取的目标函数评价所有粒子的适应度；
[0014] (3)个体最优值Pbest的更新。针对种群中的所有粒子，将其适应度值与其历代搜索过程中自身所达到的最优值进行对比，若优于最优值Pbest，则将当前适应度值作为个体最优值Pbest；
[0015] (4)全局最优值Gbest的更新。针对种群中的所有粒子，将其适应度值与整个粒子群中所有粒子在历代搜索过程中达到的最优值进行对比，若优于最优值Gbest，则将当前适应度值作为全局最优值Gbest；
[0016] (5)根据公式，可以得出具体的速度和位置；
[0017] (6)判断迭代次数是否符合实验的标准，若是则结束迭代，输出最优解Gbest；否则，转回步骤(2)继续开始新一轮的迭代优化。
[0018] 在其中一个实施例中，通过对于群体中的个体对信息的分析，在此基础上实现信息的共享，最后可以在整个群体的运动的过程中，实现对于数据的分析和计算，最后可以得到最优解。粒子群算法的初始种群为一组随机解，粒子i在N维空间的位置表示为Xi＝(xi1,xi2,...,xiN)，飞行速度表示为Vi＝(vi1,vi2,...,viN)。每个粒子都有一个由目标函数决定的适应值，在迭代的过程中，粒子可以跟踪两个“极值”，实现对于自身的更新和优化，个体极值Pbest是每个粒子在历代搜索过程中自身所达到的最优值；全局极值Gbest是整个粒子群中所有粒子在历代搜索过程中达到的最优值。
[0019] 粒子利用以下公式更新速度信息与位置信息。
[0020]
[0021]
[0022]
[0023] 其中，i＝1,2,…,N，d＝1,2,…,D，N和D分别表示粒子群规模和搜索空间的维数；表示第i个粒子在d维上的速度；vd,max为粒子在范围空间内的最大速度； 表示第i个粒子在d维上的位置； 表示第i个粒子的历史最优； 表示第t次迭代群体的最优值；c1和c2称为学习因子或加速系数；r1和r2为由随机函数产生的[0,1]之间的随机数。
[0024] 公式(3-1)主要通过三块部分更新粒子的速度：第一个部分 是个体记忆项，用于描述上一次迭代速度大小和方向的影响，具有平衡粒子全局和部分搜寻能力的作用；第二个部分属于典型的个体认知项，是从当前点指向粒子自身最好点的一个矢量，表示一个矢量，方向主要是系统中的最优位置，该粒子的动作已经经过了自我的检验；第三个部分是群体认知项，也表示一个矢量，方向为粒子自身指向全局最优位置，意指粒子间的合作与信息共享。粒子根据自己的经验以及其他粒子最理想的经验来做出运动反应。
[0025] 引入惯性因子w，使其值为正。将式(3-1)更新为(3-4)，
[0026]
[0027] 其中w值越大，其全局搜寻能力越强，局部搜寻能力越弱；w值越小，其全局搜寻能力越弱，局部搜寻能力越强。
[0028] 在其中一个实施例中，利用选择权重递减法，即随着迭代次数的增加，惯性权重原来越小。
[0029] w(t)＝wmax-(wmax-wmin)/Nmax (3-5)
[0030] 其中Nmax为最大迭代数。
[0031] 一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。
[0032] 一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。
[0033] 一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。
[0034] 本发明的有益效果：
[0035] 使用粒子群算法大大提高了转动惯量的辨识精度。经仿真研究，常用的最小二乘法与模型参考自适应法误差在1％到5％，而粒子群算法辨识的误差在0.1％以内。在考虑转动惯量时，使用更为精准的电机模型。为此，使用带有粘性摩擦和库仑摩擦的转子动力学模型。利用粒子群算法实现转动变量辨识，其优点是适用于带有库仑摩擦等具有非线性特征的模型，其次粒子群数量的大小可以用于调整辨识精度及速度，同时可以扩展至并行计算和分布式处理的方式(例如在工业物联网的架构下，在云端处理大量粒子的迭代计算)。
附图说明
[0036] 图1是本发明基于粒子群的永磁同步电机转动惯量辨识方法的流程图。
[0037] 图2是本发明基于粒子群的永磁同步电机转动惯量辨识方法中具体实施例的示意图。
具体实施方式
[0038] 下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
[0039] 粒子群(PSO)算法为解决优化问题的一种智能算法手段。通过对于群体中的个体对信息的分析，在此基础上实现信息的共享，最后可以在整个群体的运动的过程中，实现对于数据的分析和计算，最后可以得到最优解。粒子群算法的初始种群为一组随机解，粒子i在N维空间的位置表示为Xi＝(xi1,xi2,...,xiN)，飞行速度表示为Vi＝(vi1,vi2,...,viN)。每个粒子都有一个由目标函数决定的适应值，在迭代的过程中，粒子可以跟踪两个“极值”，实现对于自身的更新和优化，个体极值Pbest是每个粒子在历代搜索过程中自身所达到的最优值；全局极值Gbest是整个粒子群中所有粒子在历代搜索过程中达到的最优值。
[0040] 粒子利用以下公式更新速度信息与位置信息。
[0041]
[0042]
[0043]
[0044] 其中，i＝1,2,…,N，d＝1,2,…,D，N和D分别表示粒子群规模和搜索空间的维数；表示第i个粒子在d维上的速度；vd,max为粒子在范围空间内的最大速度； 表示第i个粒子在d维上的位置； 表示第i个粒子的历史最优； 表示第t次迭代群体的最优值；c1和c2称为学习因子或加速系数；r1和r2为由随机函数产生的[0,1]之间的随机数。
[0045] 公式(3-1)主要通过三块部分更新粒子的速度：第一个部分 是个体记忆项，用于描述上一次迭代速度大小和方向的影响，具有平衡粒子全局和部分搜寻能力的作用；第二个部分属于典型的个体认知项，是从当前点指向粒子自身最好点的一个矢量，表示一个矢量，方向主要是系统中的最优位置，该粒子的动作已经经过了自我的检验；第三个部分是群体认知项，也表示一个矢量，方向为粒子自身指向全局最优位置，意指粒子间的合作与信息共享。粒子根据自己的经验以及其他粒子最理想的经验来做出运动反应。
[0046] 引入惯性因子w，使其值为正。将式(3-1)更新为(3-4)，
[0047]
[0048] 其中w值越大，其全局搜寻能力越强，局部搜寻能力越弱；w值越小，其全局搜寻能力越弱，局部搜寻能力越强。粒子群算法性能优良与否，非常依赖于惯性权重的选择。为了避免收敛时间长以及陷入局部最优，很多学者对于惯性权值的选择进行了学习。比较流行的做法是选择权重递减法，即随着迭代次数的增加，惯性权重原来越小。
[0049] w(t)＝wmax-(wmax-wmin)/Nmax (3-5)
[0050] 其中Nmax为最大迭代数。
[0051] 在PMSM转动惯量辨识的问题中，涉及的转子动力学方程为：
[0052]
[0053] 其中Te为电磁转矩、Tl为负载转矩、J为转动惯量、ω为角速度、B为粘性摩擦系数、C为库仑摩擦系数。根据(3-6)式可以进行电磁转矩的估计，表示为
[0054] PSO算法辨识转动惯量J的关键在于建立评价函数(适应度函数)，并将之优化。为了评价粒子的优劣性，第i个粒子的评价函数选取如下的二次型形式
[0055]
[0056] 当上述评价函数所对应的值越小，预测的电磁转矩与真实的电测转矩越接近，也意味着辨识出来的转动惯量越接近真值。
[0057] 粒子群算法的基本步骤如下，对应的流程图如图1所示：
[0058] (1)设定粒子种群的规模，在一定范围内随机初始化一群粒子，包括粒子的位置和速度；
[0059] (2)按照选取的目标函数评价所有粒子的适应度；
[0060] (3)个体最优值Pbest的更新。针对种群中的所有粒子，将其适应度值与其历代搜索过程中自身所达到的最优值进行对比，若优于最优值Pbest，则将当前适应度值作为个体最优值Pbest；
[0061] (4)全局最优值Gbest的更新。针对种群中的所有粒子，将其适应度值与整个粒子群中所有粒子在历代搜索过程中达到的最优值进行对比，若优于最优值Gbest，则将当前适应度值作为全局最优值Gbest；
[0062] (5)根据公式，可以得出具体的速度和位置；
[0063] (6)判断迭代次数是否符合实验的标准，若是则结束迭代，输出最优解Gbest；否则，转回步骤(2)继续开始新一轮的迭代优化。
[0064] 参阅图2，设定一个4500RPM，转动惯量为0.0003617kg.m^2，额定电压300VDC的永磁同步电机。使用PSO算法进行辨识，第30次迭代时收敛，辨识结果为0.00036163kg.m^2，误差率为0.019％。
[0065] 以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
