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wmax和最小加权系数wmin;
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gbestj作比较,如果比当前gbestj好,则重新设置gbestj;
步骤S6:根据每组各自不同的wmax和wmin,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pm,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kmax;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,Us为定子相电压,Rs为定子每相电阻,Xs为定子每相漏抗,Rm为激磁电阻,Xm为激磁电抗,Rr为转子每相电阻,Xr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(sk)=[y1(sk),y2(sk)]T,其中y1(sk)、y2(sk)分别为定子相电流和电机功率因数在转差率sk处的测量值;
记特性测量量的实际值为X(sk)=[x1(sk),x2(sk)]T则有Y(sk)=X(sk)+ω(sk),其中ω(sk)表示测量噪声,反映测量结果受到噪声干扰。
2.根据权利要求1所述的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,在所述步骤S2中,初始化粒子群,记粒子位置为 其中,m为粒子数目,第i粒子的位置表示为 对应电机的参数向量θ=[Rs,Xs,Rm,Xm,Rr,Xr],位置取值区间为[Xmini,Xmaxi]。
3.根据权利要求1所述的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,在所述步骤S3中,所述最大加权系数wmax分别为:0.90、0.85、0.70;所述最小加权系数wmin分别为:0.30、0.35、0.40。
4.根据权利要求1所述的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,在所述步骤S4中,所述适应度函数的公式为:其中,hj(sk)为根据将所述步骤S2中获得的电机参数值代入所述步骤S1中异步电机定子相电流或电机功率因数的特性曲线函数所求得的计算值,yj(sk)为测量实际电机所得的定子相电流或电机功率因数值,Aj为特性曲线在多个转差点处的测量平均值。
5.根据权利要求1所述的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,在所述步骤S6中,粒子位置更新公式为:其中 ,i=1 ,2 ,···m,m为粒子总数;w为惯性权重值,其公式为wmax为最大加权系数,wmin为最小加权系数;k为当前迭代次数,kmax表示最大迭代次数;c1、c2、c3为加速常数;rand1、rand2、rand3为取值范围在0~1内的随机数; 表示粒子在第k次迭代中第d维的位置; 为粒子i的第d维位置的个体极值,为所有粒子的第d维位置在第k次迭代中在空间内的全局极值, 为所述步骤S3中第j组的粒子的第d维位置在第k次迭代中在空间内的全局极值。
6.根据权利要求5所述的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,在所述步骤S7中,粒子群适应度标准差S的计算公式为:其中,n为一组的粒子数的数量,fi为根据所述适应度函数获取的第i个粒子的适应度值,fav为粒子群目前的平均适应度,且
7.根据权利要求1所述的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,在所述步骤S8中,变异概率公式为:其中,k、Sv均为常数。
8.根据权利要求1所述的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,在所述步骤S8中,根据求得的变异概率判断是否对gbest进行变异运算,变异公式为:gbest=gbest×(1+0.5×a);
其中,a为取值范围为-1~1内的随机数,判断是否进行变异操作。