感应电机参数辨识三种智能算法的比较
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第 14卷 第 11期 2010年 11月
电机 与控 制学 报 ELE CTR IC M ACH INE S AND CONTROL
Vo l 14 No 11 Nov. 2010
感应电机参数辨识三种智能算法的比较
陈振锋, 钟彦儒, 李洁
(西安理工大学 自动化与信息工程学院, 陕西 西安 710048)
1 感应电机动态数学模型
感应电机在同步旋转坐标系下, 以定子电流和
转子磁链为状态的状态方程为
x = Ax+ Bu, y = Cx。
( 1)
其中:
x = [ isd isq
rd
rq ] T,
y = [ isd isq ] T,
u = [ usd usq ] T,
a 11
e
a13
a14
- e a11
A=
y = Cx。
其中:
x = [ isd isq
%rd
%rq
]
T ,
u = [ usd usq ] T,
a %11
e
a %13
a%14
- e a%11 A=
a%31 0
- a%14 a33
a%13 ,
e- r
0 a%31 - ( e - r )
a33
a%11 = -
R L
s
+
Ls-L L !r
, a%13 = L 1!r,
isd ( k + 1) = isd ( k ) + T s { - a isd ( k ) + r ( k ) isq ( k ) + b %rd ( k ) + c[ usd ( k ) + r ( k ) %rq ( k ) ] },
蚁群算法是基于蚂蚁觅食而抽象出来的一种算 法, 采用了正反馈机制, 这是不同于其他仿生优化算 法最为显著的一个特点。
微粒群算法是基于鸟类群体行为而抽象出来的 一种算法, 是一种启发式算法, 与其他仿生优化算法 相比, 其受所求问题维数的影响较小。
3 感应电机参数辨识智能优化算法原理
参数辨识过程是根据感应电机的实际输出和电 气模型输出的差值, 通过智能优化算法对电气模型 不断进行修正, 从而辨识出感应电机的参数。这种 参数辨识方法的原理见图 1。
0引 言
在大多数应用领域, 感应电机与直流电机相比具 有结构简单, 坚固耐用等优点。矢量控制由于可以获 得与直流电机相同的快速转矩响应而成为感应电机
依赖于感应电机参数的准确与否, 而这些参数在电机 运行中由于受到电机温度、集肤效应等的影响而发生 变化。因此, 学者们对感应电机参数辨识算法进行不 断研究, 力求获得最精确的电机参数 [ 1 ]。
CHEN Zhen feng, ZHONG Yan ru, L I Jie
( School o fA utom ation and Informa tion Eng ineer ing, X i an U niversity of T echno logy, X i an 710048, Ch ina)
第 11期
陈振锋等: 感应电机参数辨识三种智能算法的比较
9
图 1 感应电机参数辨识原理图 F ig. 1 Sch em e of param eter identif ication of
induction m otor
在对感应电机进行参数辨识时, 图 1中感应电
机的输出 isd、isq都是直接通过电流传感器检测, 然
确的电机参数, 微粒群算法次之, 蚁群算法最差。蚁群算法所需时间最短, 遗传算法次之, 微粒群算
法最长。
关键词: 感应电机; 矢量控制; 参数辨识; 智能优化算法
中图分类号: TU 313
文献标志码: A
文章编号: 1007- 449X ( 2010) 11- 0007- 06
Comparison of three intelligent optim ization algorithm s for param eter identification of induction motors
a 31
0
- a14 a33
a13 ,
e- r
0 a31 - ( e - r )
a33
10 Ls
B= 0 0
1
10 00
Ls ,
C=
,
01 00
0
00
a11 = -
Rs + Ls
Lm2 LsL r !r
,
a13 =
Lm L sL
r
!r,
a14 =
r
Lm V , LsL r
a31 = L!mr,
a33 =
Abstract: G enet ic a lgorithm, ant co lony opt im ization and particle sw arm optim ization w ere introduced and app lied to the param eter identificat ion o f an induct ion m otor for vector contro .l T he erro rs betw een the ac tual stator current output o f an induction m otor and the stato r current outpu t of the m odel w ere used as the criterion to correct the m odel param eters, so as to identify a ll the param eters of an induction mo tor. Ex perim ents w ere conducted on speed vary ing operation w ith no load. T he three k inds o f optim ization algo rithm sw ere com pared w ith each other and conc lusions w ere summ arized. Genetic algorithm can acqu ire the m ost accurate param eters o f induct ion m otor. P artic le sw arm optim ization takes second p lace, and an t co lony optim ization is the w ors.t In compu ting t im e, the ant colony optim izat ion is the fastes.t Genetic al gorithm takes second p lace, and particle sw arm optim ization runs the m ost slow ly. K ey w ord s: induction m otors; vector contro ;l param eter ident ification; inte lligent optim ization a lgorithm
但这 3种智能优化算法在算法机理、实现形式 等方面也存在不同。
遗传算法在优化过程中借鉴了生物学中的染色 体和基因等概念, 模拟自然界中生物的遗传和进化 等机理, 应用遗传操作求解无数值概念或很难有数 值概念的优化问题, 这一点是遗传算法的本质。遗 传算法中的个体重组技术采用交叉算子, 而交叉算 子是遗传算法所强调的关键技术, 它是遗传算法中 产生新个体的主要方法, 也是遗传算法区别于其他 仿生优化算法的又一个主要不同之处。
后通过坐标变换得到的,
而
∃
is
d、∃i
sq是
感
应
电
机
的电
气模型输出。下面通过上述介绍的感应电机的数学
模型来推导出感应电机的电气模型输出 ∃isd、∃i sq。
针对式 ( 1), 设 L = L s, 并做变换:
则有:
%rd
=
Lm Lr
rd,
%rq
=
Lm Lr
rq。
( 2)
x = A %x+ Bu, ( 3)
a%14 =
r
L1 ,
a3%1
=
L
s
!r
L
,
B, C与式 ( 1)中的 B, C相同。
为简便起见, 记待辨识参数为:
∀= ∀1 ∀2 ∀3 ∀4 ∀5 。
Biblioteka Baidu( 4)
其中:
∀1
=
R L
s
+
Ls- L L !r
,
∀2 = L
1!r,
∀3
=
1 L
,
∀4
=
L
s
-L !r
,
∀5 =
!1r。
设采样周期为 T s, 对式 ( 3)进行离散化, 可得:
摘 要: 针对感应电机参数辨识, 采用 3种智能优化算法, 即遗传算法、蚁群算法、微粒群算法。感
应电机的实际输出电流和电气模型的观测电流之间的差值被作为目标函数不断对电气模型中的参
数进行更新, 从而辨识全部的感应电机参数。变速运行实验是在电机不带负载的情况下进行的。
通过实验, 对感应电机参数辨识 3种智能优化算法进行比较, 并得出结论。遗传算法可以得到最准
子磁链 d、q轴分量。
2 智能优化算法
自 20世纪 40年代以来, 人们一直在利用来自 生物系统的灵感来解决许多实际问题, 并构造和设 计出许多仿生优化算法, 如遗传算法、蚁群算法、微 粒群算法等, 他们都属于一类模拟自然界生物系统 行为或过程的最优化仿生智能算法。它们都属于仿 生优化算法, 都属于一类模拟自然界生物系统、完全 依赖生物体自身本能、通过无意识寻优行为来优化 其生存状态以适应环境需要的最优化智能算法。因 此, 这些仿生优化算法有许多相同的特点: ! 全局寻 优求解; ∀ 基于多个智能体自学习; # 算法内在并行 性; 等等。
-
!1r,
=
1
-
L
2 m
/L sL r,
!r =
Lr
/R r。
式 ( 1)中: R s、R r 为定、转子电阻; L s、Lr 为定、转子电
感; Lm 为互感; 为漏感系数; !r 为转子时 间常数;
r 为电机转子的电气角速度; usd、usq为定子电压 d、 q轴分量; isd、isq为定子电流 d、q轴分量; rd、 rq为转
近年来, 许多学者将智能优化算法用于感应电 机参数辨识, 这些算法包括: 遗传算法 ( genet ic a lgo rithm, GA ) [ 6] , 蚁 群 算 法 ( ant colony optim ization, A CO ) [ 7] , 微 粒群 算法 ( particle sw arm optim ization, PSO ) [ 8 ] 。这些优化算法与传统算法相比具有较多 优点, 一个最重要的优点这些算法能够从全局范围 去寻找最佳结果, 而且参数在初始化时可以不在真 值附近。另一个优点 是他们不 需要对函 数进行求 导, 因为对复杂函数求导一般不容易得到, 甚至它的 导数可能不存在。本文将遗传算法, 蚁群算法, 微粒 群算法用于感应电机参数辨识。实验时, 电机在不 带负载的情况下做变速运行。通过实验, 对感应电 机参数辨识三种智能优化算法进行了比较, 并得出 了结论。遗传算法可以得到最准确的电机参数, 微 粒群算法次之, 蚁群算法最差。蚁群算法所需时间 最短, 遗传算法次之, 微粒群算法最长。
精确可靠的感应电机参数辨识技术是高性能驱
高性能控制的主流控制方式。矢量控制性能的好坏 动系统设计和发展的关键技术。实际驱动系统中,
收稿日期: 2009- 12- 07 作者简介: 陈振锋 ( 1973 ) , 男, 博士研究生, 研究方向为现代交流传动系统与感应电机参数辨识;
钟彦儒 ( 1950 ) , 男, 教授, 博士生导师, 研究方向为新型电力电子装置与系统; 李 洁 ( 1976 ) , 女, 博士, 副教授, 研究方向为矩阵变换器、异步电机高性能控制、软开关电源。
8
电机与控制学报
第 14卷
最小二乘法 ( recursive least squares, R LS) [ 2] , 扩展卡 尔曼滤波 ( ex tended K a lm an f ilters, EK F ) [ 3 - 4 ] 和模型 参 考 自 适 应 ( m odel reference adaptation system, M RA S) [ 5 ] 被广泛应用到感应电机辨识中。然而, 扩 展卡尔曼滤波具有内在的一些缺点, 如易受噪声影 响, 运行时 间长, 算法 设计和 目标函 数很难 确定。 RLS 方法是最有效的感应电机辨识方案, 但它需要 转矩观测器和近似模型, 这就造成了 RLS算法复杂 和辨识结果精度低等 缺点 [ 1] 。而模 型参考自适应 仅能辨识一个电机参数, 转子时间常数或转子电阻。
电机 与控 制学 报 ELE CTR IC M ACH INE S AND CONTROL
Vo l 14 No 11 Nov. 2010
感应电机参数辨识三种智能算法的比较
陈振锋, 钟彦儒, 李洁
(西安理工大学 自动化与信息工程学院, 陕西 西安 710048)
1 感应电机动态数学模型
感应电机在同步旋转坐标系下, 以定子电流和
转子磁链为状态的状态方程为
x = Ax+ Bu, y = Cx。
( 1)
其中:
x = [ isd isq
rd
rq ] T,
y = [ isd isq ] T,
u = [ usd usq ] T,
a 11
e
a13
a14
- e a11
A=
y = Cx。
其中:
x = [ isd isq
%rd
%rq
]
T ,
u = [ usd usq ] T,
a %11
e
a %13
a%14
- e a%11 A=
a%31 0
- a%14 a33
a%13 ,
e- r
0 a%31 - ( e - r )
a33
a%11 = -
R L
s
+
Ls-L L !r
, a%13 = L 1!r,
isd ( k + 1) = isd ( k ) + T s { - a isd ( k ) + r ( k ) isq ( k ) + b %rd ( k ) + c[ usd ( k ) + r ( k ) %rq ( k ) ] },
蚁群算法是基于蚂蚁觅食而抽象出来的一种算 法, 采用了正反馈机制, 这是不同于其他仿生优化算 法最为显著的一个特点。
微粒群算法是基于鸟类群体行为而抽象出来的 一种算法, 是一种启发式算法, 与其他仿生优化算法 相比, 其受所求问题维数的影响较小。
3 感应电机参数辨识智能优化算法原理
参数辨识过程是根据感应电机的实际输出和电 气模型输出的差值, 通过智能优化算法对电气模型 不断进行修正, 从而辨识出感应电机的参数。这种 参数辨识方法的原理见图 1。
0引 言
在大多数应用领域, 感应电机与直流电机相比具 有结构简单, 坚固耐用等优点。矢量控制由于可以获 得与直流电机相同的快速转矩响应而成为感应电机
依赖于感应电机参数的准确与否, 而这些参数在电机 运行中由于受到电机温度、集肤效应等的影响而发生 变化。因此, 学者们对感应电机参数辨识算法进行不 断研究, 力求获得最精确的电机参数 [ 1 ]。
CHEN Zhen feng, ZHONG Yan ru, L I Jie
( School o fA utom ation and Informa tion Eng ineer ing, X i an U niversity of T echno logy, X i an 710048, Ch ina)
第 11期
陈振锋等: 感应电机参数辨识三种智能算法的比较
9
图 1 感应电机参数辨识原理图 F ig. 1 Sch em e of param eter identif ication of
induction m otor
在对感应电机进行参数辨识时, 图 1中感应电
机的输出 isd、isq都是直接通过电流传感器检测, 然
确的电机参数, 微粒群算法次之, 蚁群算法最差。蚁群算法所需时间最短, 遗传算法次之, 微粒群算
法最长。
关键词: 感应电机; 矢量控制; 参数辨识; 智能优化算法
中图分类号: TU 313
文献标志码: A
文章编号: 1007- 449X ( 2010) 11- 0007- 06
Comparison of three intelligent optim ization algorithm s for param eter identification of induction motors
a 31
0
- a14 a33
a13 ,
e- r
0 a31 - ( e - r )
a33
10 Ls
B= 0 0
1
10 00
Ls ,
C=
,
01 00
0
00
a11 = -
Rs + Ls
Lm2 LsL r !r
,
a13 =
Lm L sL
r
!r,
a14 =
r
Lm V , LsL r
a31 = L!mr,
a33 =
Abstract: G enet ic a lgorithm, ant co lony opt im ization and particle sw arm optim ization w ere introduced and app lied to the param eter identificat ion o f an induct ion m otor for vector contro .l T he erro rs betw een the ac tual stator current output o f an induction m otor and the stato r current outpu t of the m odel w ere used as the criterion to correct the m odel param eters, so as to identify a ll the param eters of an induction mo tor. Ex perim ents w ere conducted on speed vary ing operation w ith no load. T he three k inds o f optim ization algo rithm sw ere com pared w ith each other and conc lusions w ere summ arized. Genetic algorithm can acqu ire the m ost accurate param eters o f induct ion m otor. P artic le sw arm optim ization takes second p lace, and an t co lony optim ization is the w ors.t In compu ting t im e, the ant colony optim izat ion is the fastes.t Genetic al gorithm takes second p lace, and particle sw arm optim ization runs the m ost slow ly. K ey w ord s: induction m otors; vector contro ;l param eter ident ification; inte lligent optim ization a lgorithm
但这 3种智能优化算法在算法机理、实现形式 等方面也存在不同。
遗传算法在优化过程中借鉴了生物学中的染色 体和基因等概念, 模拟自然界中生物的遗传和进化 等机理, 应用遗传操作求解无数值概念或很难有数 值概念的优化问题, 这一点是遗传算法的本质。遗 传算法中的个体重组技术采用交叉算子, 而交叉算 子是遗传算法所强调的关键技术, 它是遗传算法中 产生新个体的主要方法, 也是遗传算法区别于其他 仿生优化算法的又一个主要不同之处。
后通过坐标变换得到的,
而
∃
is
d、∃i
sq是
感
应
电
机
的电
气模型输出。下面通过上述介绍的感应电机的数学
模型来推导出感应电机的电气模型输出 ∃isd、∃i sq。
针对式 ( 1), 设 L = L s, 并做变换:
则有:
%rd
=
Lm Lr
rd,
%rq
=
Lm Lr
rq。
( 2)
x = A %x+ Bu, ( 3)
a%14 =
r
L1 ,
a3%1
=
L
s
!r
L
,
B, C与式 ( 1)中的 B, C相同。
为简便起见, 记待辨识参数为:
∀= ∀1 ∀2 ∀3 ∀4 ∀5 。
Biblioteka Baidu( 4)
其中:
∀1
=
R L
s
+
Ls- L L !r
,
∀2 = L
1!r,
∀3
=
1 L
,
∀4
=
L
s
-L !r
,
∀5 =
!1r。
设采样周期为 T s, 对式 ( 3)进行离散化, 可得:
摘 要: 针对感应电机参数辨识, 采用 3种智能优化算法, 即遗传算法、蚁群算法、微粒群算法。感
应电机的实际输出电流和电气模型的观测电流之间的差值被作为目标函数不断对电气模型中的参
数进行更新, 从而辨识全部的感应电机参数。变速运行实验是在电机不带负载的情况下进行的。
通过实验, 对感应电机参数辨识 3种智能优化算法进行比较, 并得出结论。遗传算法可以得到最准
子磁链 d、q轴分量。
2 智能优化算法
自 20世纪 40年代以来, 人们一直在利用来自 生物系统的灵感来解决许多实际问题, 并构造和设 计出许多仿生优化算法, 如遗传算法、蚁群算法、微 粒群算法等, 他们都属于一类模拟自然界生物系统 行为或过程的最优化仿生智能算法。它们都属于仿 生优化算法, 都属于一类模拟自然界生物系统、完全 依赖生物体自身本能、通过无意识寻优行为来优化 其生存状态以适应环境需要的最优化智能算法。因 此, 这些仿生优化算法有许多相同的特点: ! 全局寻 优求解; ∀ 基于多个智能体自学习; # 算法内在并行 性; 等等。
-
!1r,
=
1
-
L
2 m
/L sL r,
!r =
Lr
/R r。
式 ( 1)中: R s、R r 为定、转子电阻; L s、Lr 为定、转子电
感; Lm 为互感; 为漏感系数; !r 为转子时 间常数;
r 为电机转子的电气角速度; usd、usq为定子电压 d、 q轴分量; isd、isq为定子电流 d、q轴分量; rd、 rq为转
近年来, 许多学者将智能优化算法用于感应电 机参数辨识, 这些算法包括: 遗传算法 ( genet ic a lgo rithm, GA ) [ 6] , 蚁 群 算 法 ( ant colony optim ization, A CO ) [ 7] , 微 粒群 算法 ( particle sw arm optim ization, PSO ) [ 8 ] 。这些优化算法与传统算法相比具有较多 优点, 一个最重要的优点这些算法能够从全局范围 去寻找最佳结果, 而且参数在初始化时可以不在真 值附近。另一个优点 是他们不 需要对函 数进行求 导, 因为对复杂函数求导一般不容易得到, 甚至它的 导数可能不存在。本文将遗传算法, 蚁群算法, 微粒 群算法用于感应电机参数辨识。实验时, 电机在不 带负载的情况下做变速运行。通过实验, 对感应电 机参数辨识三种智能优化算法进行了比较, 并得出 了结论。遗传算法可以得到最准确的电机参数, 微 粒群算法次之, 蚁群算法最差。蚁群算法所需时间 最短, 遗传算法次之, 微粒群算法最长。
精确可靠的感应电机参数辨识技术是高性能驱
高性能控制的主流控制方式。矢量控制性能的好坏 动系统设计和发展的关键技术。实际驱动系统中,
收稿日期: 2009- 12- 07 作者简介: 陈振锋 ( 1973 ) , 男, 博士研究生, 研究方向为现代交流传动系统与感应电机参数辨识;
钟彦儒 ( 1950 ) , 男, 教授, 博士生导师, 研究方向为新型电力电子装置与系统; 李 洁 ( 1976 ) , 女, 博士, 副教授, 研究方向为矩阵变换器、异步电机高性能控制、软开关电源。
8
电机与控制学报
第 14卷
最小二乘法 ( recursive least squares, R LS) [ 2] , 扩展卡 尔曼滤波 ( ex tended K a lm an f ilters, EK F ) [ 3 - 4 ] 和模型 参 考 自 适 应 ( m odel reference adaptation system, M RA S) [ 5 ] 被广泛应用到感应电机辨识中。然而, 扩 展卡尔曼滤波具有内在的一些缺点, 如易受噪声影 响, 运行时 间长, 算法 设计和 目标函 数很难 确定。 RLS 方法是最有效的感应电机辨识方案, 但它需要 转矩观测器和近似模型, 这就造成了 RLS算法复杂 和辨识结果精度低等 缺点 [ 1] 。而模 型参考自适应 仅能辨识一个电机参数, 转子时间常数或转子电阻。