模拟退火粒子群优化算法在异步电动机参数辨识中的应用

分析了模拟退火算法和粒子群算法的优缺点,提出了一种利用两种算法优点的混合优化算法,并给出了详细应用步骤。利用异步电动机直接空载起动特性,对异步电动机动态数学模型参数进行了辨识,通过与其他几种算法辨识的结果进行比较,说明模拟退火粒子群优化算法有效地结合了模拟退火算法的全局寻优能力和粒子群算法的快速收敛的特点。     

基于协同粒子群算法的PMSM在线参数辨识

在永磁同步电动机的参数辨识中,辨识算法过于复杂和待辨识参数相互耦合的问题始终未得到彻底的解决。在保持粒子群算法简单易实现优点的基础上,提出了一种基于协同粒子群算法在线辨识永磁同步电动机的电气参数Rs,L,Ψf和机械参数J,TL。仿真结果表明该算法能准确地在线辨识待辨识的5个电机参数,解决了5个参数相互耦合而造成的辨识不准问题,验证了算法的有效性。     

基于SAPSO算法的异步电动机参数辨识

异步电动机等效电路参数的准确辨识对电动机的控制具有重要作用,同时,等效电路参数的变化可以反映电动机的运行状态,故参数辨识也被运用到电机故障诊断中。将现代最优化算法应用到三相异步电动机的等效电路参数辨识中。通过将粒子群优化算法(PSO)和模拟退火算法(SA)相结合,可以准确有效地对异步电动机的6个等效参数进行辨识,与遗传算法相比,SA-PSO算法易于实现且收敛速度快。算法采用考虑铁耗的异步电机d-q坐标系下的模型来实现,将温度对电阻参数的影响考虑在内。通过算例证明了算法能够有效地对电机参数进行辨识及跟踪电阻的变化。     

改进粒子群算法在异步电机静态参数识别中的应用

提出一种新的粒子群协同优化算法(PSCO).应用该粒子群协同优化算法实现异步电机静态参数辨识.在有噪声的情况下,该算法明显改善了标准粒子群算法和基于遗传的粒子群算法,在解决异步电机静态参数辨识问题时,存在识别参数准确性不高、辨识成功率低的问题.     

基于BP神经网络模型的异步电动机故障辨识

针对目前三相异步电动机故障诊断方法存在的局限性及其缺陷,在利用小波包分析提取电动机故障信号特征量基础上,提出基于蝙蝠-粒子群及改进BP算法的异步电动机BP神经网络故障辨识模型,采用蝙蝠-粒子群算法优化BP神经网络结构参数,利用改进BP算法训练BP神经网络.仿真结果分析表明,该BP神经网络模型用于三相异步电动机故障辨识,...     

基于小波变换和改进粒子群算法的同步电动机参数辨识

为准确辨识出同步电动机的参数,提出了小波变换和改进粒子群算法相结合的新算法。通过小波变换对三相突然短路电流进行消噪处理,有效地降低了采集噪声,提高了信噪比。根据同步电动机参数辨识数学模型,在标准粒子群算法的基础上应用了线性惯性权重方法,克服了其后期容易陷入局部最优的缺点,提高了参数的求解准确度。通过同步电动机动模试验,对短路电流进行采样研究分析。结果表明,所提算法能够正确辨识出同步电动机各参数,取得了很好的求解效果。     

改进粒子群算法在永磁同步电动机参数识别中的应用

应用改进粒子群优化算法(IPSO)来识别异步起动永磁同步电动机起动时的动态模型参数.永磁同步电动机异步起动时的电机动态模型采用状态微分方程表示.与遗传算法(GA)和标准粒子群算法(SPSO)相比较,仿真试验表明改进粒子群算法明显提高了识别参数的准确性,同时表明改进粒子群算法能更好地识别永磁同步电动机起动时动态模型的参数.     

基于混合算法的变压器参数辨识

基于参数辨识的变压器保护原理需要对变压器绕组参数进行精确辨识。文章推导出双绕组单相和双绕组三相变压器的参数辨识方程,而后提出一种新的参数辨识算法,最小二乘法和粒子群优化算法相结合的混合算法,可以实现对变压器绕组参数的精确辨识。通过Matlab/Simulink进行仿真,仿真算例验证了该混合算法的可行性。该算法具有较好的应用前景。     

基于混沌与量子粒子群算法相结合的负荷模型参数辨识研究

负荷建模是电力系统建模中亟待解决的难题。负荷特性数据、负荷模型结构以及参数辨识是影响实测负荷建模结果的重要因素。本文提出了混沌与量子粒子群算法相结合的负荷模型参数辨识方法。实测数据验证结果表明,该方法相对于常用的粒子群算法及量子粒子群算法在计算精度、收敛速度等方面都具有明显优势,应用于负荷模型参数辨识提高了负荷模型的准确性。     

基于改进粒子群算法的励磁系统参数辨识

励磁系统模型参数的求取一般采用频域测试方法,但是电力系统是一个非线性系统,因此频域测试方法需要做线性化处理,而时域辨识方法中的参数模型辨识方法也存在线性化处理的问题。利用时域非参数模型辨识的方法,对待测系统受到阶跃扰动时,记录被调量的变化曲线,辨识出非线性特性,用动态拟合技术,利用被测信号采用改进的粒子群算法,根据目标函数,动态调整粒子飞行速度的惯性权重,从动态曲线求取模型参数,实现参数辨识。试验证明,新的算法能够很好地平衡调节粒子群算法的局部搜索与全局搜索的能力,克服了基本粒子群算法容易陷入局部最优的缺     

基于粒子群优化算法的永磁电机热网络参数识别

监测永磁电机的永磁体温度对于保证电机的使用寿命至关重要,因为过高的温度会产生永磁体不可逆失磁现象。提出了一种基于粒子群优化算法的永磁电机热网络参数识别方法,实现用热网络监测永磁体的温度。该方法首先建立永磁电机的热网络模型,利用粒子群优化算法结合电机温升试验所得温度数据对热网络模型的主要热力参数进行识别;然后利用该热网络模型进行在线温度识别,识别过程能够快速收敛,具备良好的辨识精度;最后,通过对比仿真识别温度和电机温升试验数据,验证了该方法的准确性。     

基于扩展粒子群优化算法的同步发电机参数辨识

提出一种新的扩展粒子群优化(EPSO)算法并应用于同步发电机参数辨识。在粒子群优化(PSO)算法的基础上，EPSO算法采用更多粒子的位置值信息进行变异操作，并且提出根据各粒子的适应值大小确定算法控制参数的方法，保证了扩展后算法的收敛性，EPSO算法模型更具有通用性。仿真算例结果表明了在系统受到较大干扰的情况下，EPSO算法比EP算法和PSO算法具有更精确的参数综合辨识能力，并且EPSO算法比EP算法具有更高的收敛效率。     

基于改进粒子群算法的电流互感器J-A模型参数辨识

在应用Jiles-Atherton(J-A)磁滞模型对电流互感器的磁滞回线进行分析时,需对J-A磁滞模型中5个关键参数进行精确识辨.针对目前辨识方法存在的计算时间长和寻优能力差等问题,提出了一种改进的粒子群算法对J-A磁滞模型中的关键参数进行辨识.该算法将遗传选择策略引入到粒子群算法中,通过增加粒子群的多样性来提高了算...     

基于微粒群辨识算法的电力负荷综合模型的建模与仿真

微粒群优化(PSO)算法具有全局性能好、搜索效率高等优点.应用该算法进行电力系统负荷模型的参数辨识,辩识结果表明PSO算法在计算时间、全局性方面均有比较明显的优势.辨识的模型具有较高精确性,最后通过工程实例进行仿真实验,实验结果验证了模型和算法的有效性.     

基于空载启动过程的串励电机参数辨识

介绍了电动机传统特性测试系统的缺点和近年来兴起的基于参数辨识方法的电机特性的综合测试方法,并且以串励电机为例对基于参数辨识技术的电机特性参数辨识方法进行了研究,从而提出了无耦合测试的思想:依据电机的空载起动过程,在电机完全空载的情况下施加驱动电压,通过对所采集的电流和电压信号进行处理不仅可以得到电机的输入输出输出特性,而且可以得到电机的特性参数。针对于电机特性的参数辨识,构造了测试原理,并且提出了适用于参数辨识的基于个体适应度阀值的遗传算法。在参数辨识的基础上,通过计算得到了单相串励电动机的各种特性,并将结果与由传统耦合测试方法得到的某些样机特性进行了对比实验,验证了特性的准确性和此测试方法的有效性。     

基于高频电压注入的永磁同步电机参数辨识方法

中大功率工业应用中,变频器到电机之间长电缆分布参数、变频器输出频率限制将直接影响高频注入法对电机参数辨识精度。考虑多种限制条件,提出了一种基于曲线拟合的定子电阻计算方法,研究了基于高频注入的永磁电机电感参数辨识方法,重点分析了不同注入信号选择对参数辨识精度的影响,为注入信号的选择提供了依据。通过实验证明了该方法的实用性与有效性,对工业应用电机参数辨识具有重要指导意义。     

基于递推最小二乘算法的感应电动机参数离线辨识

感应电动机参数离辨识是实现高性能变频调速的前提.对基于递推最小二乘(recursive least-squares,RLS)算法的电机参数离线辨识的具体实现进行了详细阐述:基于离线辨识时电机的静止特性,简化了电机数学模型,减少了计算量;采用改进欧拉数值解法,求解巴特沃思数字滤波状态方程,既可获得信号的滤波值,同时又直接解得了信号的1阶和2阶导数值,避免了导数离散化的误差影响,提高了运算精度;运用线性反馈移位寄存器产生伪随机白噪声序列(M序列),作为辨识的激励信号;针对不同功率的电机进行了大量的仿真和实验研究,实验结果表明所提方法稳定性良好,辨识结果的一致性和准确性较高.     

基于改进粒子群优化算法的电力线通信多径传输模型参数辨识

基于已有的电力线多径传输模型结构,以0.5~20 MHz范围内的实际低压载波通信信道测量数据为样本,将改进粒子群优化算法应用于低压载波通信信道模型的多参数辨识,通过自适应改变惯性权重提高搜索效率,同时采用模拟退火算法并自适应调整退火温度,克服了基本粒子群算法容易发生早熟收敛的缺点。对路径数为4和18的信道模型进行参数辨识的结果表明：与遗传算法相比,改进的粒子群算法可加速收敛,缩短辨识时间,同时提高了拟合精度,克服了参数的分散性,所取路径数越多,拟合效果越好。     

面向PMSM参数在线辨识的引入惯性因子的改进模型参考自适应方法

在线辨识永磁同步电机的参数可以实现PI控制器的实时整定,有利于电机的解耦控制以及弱磁的计算。针对模型参考自适应法在辨识永磁同步电机参数时出现的波动问题,本文引入了电机参数变化趋势的惯性因子,使参数辨识值在迭代更新时,更符合参数的变化趋势。针对永磁同步电机电气参数辨识的方程欠秩问题,本文重新设计了分步辨识的步骤,减少了定子电阻误差对永磁体磁链辨识的影响。仿真实验显示,改进后的模型参考自适应算法无噪音条件下电感、磁链、电阻辨识的绝对误差分别为改进前的30.30%、19.77%、14.12%;噪音条件下,电感辨识精度接近,磁链、电阻绝对误差分别为改进前的24.17%、37.42%,表明改进后算法辨识精度得到提升。