直驱型永磁同步风力发电机的全局最优参数辨识方法与流程

专利2022-05-09  12



1.本发明属于直驱型永磁同步风力发电机领域,具体涉及一种直驱型永磁同步风力发电机的全局最优参数辨识方法。


背景技术:

2.直驱型永磁同步风力发电机是一个强耦合、多变量、非线性系统,发电机参数易受无法预测因素影响而变化,如发电机的电阻受温度、交直轴电感受电流和永磁体磁链受磁通饱和影响较大,使矢量控制达不到理想效果。另外,控制器的参数整定与发电机参数相关,当发电机参数发生变化时,控制器的参数需要重新整定,否则达不到高精度控制要求。因此,有必要设计一种精度高、速度快、泛化能力强的直驱型永磁同步风力发电机的全局最优参数辨识方法。


技术实现要素:

3.针对背景技术所述的问题,本发明提供了直驱型永磁同步风力发电机的全局最优参数辨识方法,提高了系统的精度、响应速度和泛化能力。
4.直驱型永磁同步风力发电机的全局最优参数辨识方法,
5.步骤包括:
6.(1)初始化粒子群,给定系统噪声协方差阵q和测量噪声协方差阵r的位置与速度初值;
7.(2)通过式
[0008][0009]
不断迭代找出问题的最佳解,更新q值和r值;其中,ν
ij
是粒子i在第j维上的速度向量;p
ij
是粒子i在第j维上的位置向量,p
best

md
为粒子i在空间搜索的当前最佳个体平均极值;g
best

d
是种群中搜索到的当前最佳群体极值;k表示当前的迭代次数;c1,c2为粒子的状态向量;r1、r2为介于0和1之间的随机数;w为权重因子;
[0010]
(3)由适应度函数更新当前最佳个体平均极值与当前最佳群体极值;
[0011]
(4)根据当前最佳个体平均极值与当前最佳群体极值进化停滞次数,并对极值进行扰动;
[0012]
(5)通过时间更新与测量更新获得该时刻的系统状态最优估计值。
[0013]
2.根据权利要求1所述的直驱型永磁同步风力发电机的全局最优参数辨识方法,其特征在于,所述系统噪声协方差阵q和测量噪声协方差阵r可表示为:
[0014][0015]
其中,w为过程噪声矢量;v为观察噪声矢量;e{}表示数学期望。
[0016]
3.根据权利要求2所述的直驱型永磁同步风力发电机的全局最优参数辨识方法,其特征在于,所述由适应度函数更新当前最佳个体平均极值与当前最佳群体极值的步骤包括:
[0017]
1)根据式
[0018][0019]
计算适应度函数;其中,m为总迭代次数;i
d
为定子d轴电流检测值;i
q
为定子q轴电流检测值;为定子d轴电流估计值;为定子d轴电流估计值;
[0020]
2)若适应度函数为0,更新当前最佳个体平均极值与当前最佳群体极值,否则,保持原参数值。
[0021]
4.根据权利要求3所述的直驱型永磁同步风力发电机的全局最优参数辨识方法,其特征在于,所述根据当前最佳个体平均极值与当前最佳群体极值进化停滞次数,并对极值进行扰动的方式为
[0022][0023]
其中:
[0024][0025]
n表示当前最佳个体极值与当前最佳群体极值进化停滞次数,n表示当前最佳个体极值和当前最佳群体极值需要扰动的停滞步数阈值。
[0026]
5.根据权利要求4所述的直驱型永磁同步风力发电机的全局最优参数辨识方法,其特征在于,所述通过时间更新与测量更新获得该时刻的系统状态最优估计值的步骤包括:
[0027]
[1]建立离散状态方程和测量方程
[0028][0029]
磁链和电感辨识观测向量电阻辨识观测向量
[0030]
[2]将f[x(k),u(k)]与h[x(k 1)]一阶泰勒级数展开;
[0031][0032]
其中:x(k)为系统
的状态向量;φ(k)为状态转移矩阵;b(k)为控制输入矩阵;u(k)为系统的输入向量;z(k 1)为系统的观测向量;h(k)为状态观测矩阵;w(k)为过程噪声;v(k 1)为观察噪声;t
s
为采样时间;
[0033]
[3]时间更新包含由输入与上次的估计值预测下一时刻的状态和预测误差协方差阵,由输入与上次的估计值预测下一时刻的状态的方法为
[0034][0035]
其中,上标"^"表示状态估计值,上标"~"表示预测值;"(k|k)"表示初始值;"(k 1|k)"表示通过第k步预测第k 1步的值;"(k 1|k 1)"表示迭代结束后的输出值。
[0036]
预测误差协方差阵的方法为
[0037][0038]
[4]测量更新包含计算卡尔曼增益和由系统的观测向量更新需要辨识的状态变量:计算卡尔曼增益的方法为
[0039][0040]
由系统的观测向量更新需要辨识的状态变量的方法为
[0041][0042]
本发明与现有技术相比的益处在于:
[0043]
(1)该方法为解决传统方法存在易陷入局部最优的问题,通过加入平均位置最好与极值扰动来对辨识参数进行优化,实现了算法的全局最优;
[0044]
(2)该方法为解决传统方法在统与测量噪声协方差矩阵难选取问题,通过时间更新和测量更新,对误差协方差阵进行优化和更新,实现了直驱型永磁同步风力发电机参数的高精度、快速辨识。
附图说明
[0045]
图1为本发明实施方法的基本流程示意图。
具体实施方式
[0046]
为了更为具体地描述本发明,下面结合附图和实施方式对本发明做进一步说明。
[0047]
如图1所示,直驱型永磁同步风力发电机的全局最优参数辨识方法,步骤包括:
[0048]
(1)初始化粒子群,给定系统噪声协方差阵q和测量噪声协方差阵r的位置与速度初值;
[0049]
(2)通过式(1)不断迭代找出问题的最佳解,更新q值和r值;
[0050][0051]
上式中,ν
ij
是粒子i在第j维上的速度向量;p
ij
是粒子i在第j维上的位置向量,p
best

md
为粒子i在空间搜索的当前最佳个体平均极值;g
best

d
是种群中搜索到的当前最佳群体极值;k表示当前的迭代次数;c1,c2为粒子的状态向量;r1、r2为介于0和1之间的随机数;w为权重因子。
[0052]
(3)由适应度函数更新当前最佳个体平均极值与当前最佳群体极值;
[0053]
(4)根据当前最佳个体平均极值与当前最佳群体极值进化停滞次数,并对极值进行扰动;
[0054]
(5)通过时间更新与测量更新获得该时刻的系统状态最优估计值。
[0055]
系统噪声协方差阵q和测量噪声协方差阵r可表示为:
[0056][0057]
上式中,w为过程噪声矢量;v为观察噪声矢量;e{}表示数学期望。
[0058]
由适应度函数更新当前最佳个体平均极值与当前最佳群体极值的步骤包括:
[0059]
1)根据式(3)计算适应度函数;
[0060][0061]
上式中,m为总迭代次数;i
d
为定子d轴电流检测值;i
q
为定子q轴电流检测值;为定子d轴电流估计值;为定子d轴电流估计值。
[0062]
2)若适应度函数为0,更新当前最佳个体平均极值与当前最佳群体极值,否则,保持原参数值;
[0063]
根据当前最佳个体平均极值与当前最佳群体极值进化停滞次数,并对极值进行扰动的方式为:
[0064][0065]
其中:
[0066][0067]
上式中,n表示当前最佳个体极值与当前最佳群体极值进化停滞次数,n表示当前最佳个体极值和当前最佳群体极值需要扰动的停滞步数阈值。
[0068]
通过时间更新与测量更新获得该时刻的系统状态最优估计值的步骤包括:
[0069]
[1]离散状态方程和测量方程;
[0070][0071]
其中:磁链和电感辨识观测向量电阻辨识观测向量
[0072]
[2]将f[x(k),u(k)]与h[x(k 1)]一阶泰勒级数展开;
[0073][0074]
其中:x(k)为系统的状态向量;φ(k)为状态转移矩阵;b(k)为控制输入矩阵;u(k)为系统的输入向量;z(k 1)为系统的观测向量;h(k)为状态观测矩阵;w(k)为过程噪声;v(k 1)为观察噪声;t
s
为采样时间。
[0075]
[3]时间更新包含以下部分:
[0076]
(a)由输入与上次的估计值预测下一时刻的状态:
[0077][0078]
其中:上标"^"表示状态估计值,上标"~"表示预测值;"(k|k)"表示初始值;"(k 1|k)"表示通过第k步预测第k 1步的值;"(k 1|k 1)"表示迭代结束后的输出值。
[0079]
(b)预测误差协方差阵:
[0080][0081]
[4]测量更新包含以下部分:
[0082]
a)计算卡尔曼增益:
[0083][0084]
b)由系统的观测向量更新需要辨识的状态变量:
[0085][0086]
应当理解,此处所描述的具体实施例仅用于解释本发明,并不用于限定本发明,凡在本发明思路和原则下的修改、改进方案均属于本发明的保护范围。

技术特征:
1.一种直驱型永磁同步风力发电机的全局最优参数辨识方法,其特征在于,步骤包括:(1)初始化粒子群,给定系统噪声协方差阵q和测量噪声协方差阵r的位置与速度初值;(2)通过式不断迭代找出问题的最佳解,更新q值和r值;其中,ν
ij
是粒子i在第j维上的速度向量;p
ij
是粒子i在第j维上的位置向量,p
best

md
为粒子i在空间搜索的当前最佳个体平均极值;g
best

d
是种群中搜索到的当前最佳群体极值;k表示当前的迭代次数;c1,c2为粒子的状态向量;r1、r2为介于0和1之间的随机数;w为权重因子;(3)由适应度函数更新当前最佳个体平均极值与当前最佳群体极值;(4)根据当前最佳个体平均极值与当前最佳群体极值进化停滞次数,并对极值进行扰动;(5)通过时间更新与测量更新获得该时刻的系统状态最优估计值。2.根据权利要求1所述的直驱型永磁同步风力发电机的全局最优参数辨识方法,其特征在于,所述系统噪声协方差阵q和测量噪声协方差阵r可表示为:其中,w为过程噪声矢量;v为观察噪声矢量;e{}表示数学期望。3.根据权利要求2所述的直驱型永磁同步风力发电机的全局最优参数辨识方法,其特征在于,所述由适应度函数更新当前最佳个体平均极值与当前最佳群体极值的步骤包括:1)根据式计算适应度函数;其中,m为总迭代次数;i
d
为定子d轴电流检测值;i
q
为定子q轴电流检测值;为定子d轴电流估计值;为定子d轴电流估计值;2)若适应度函数为0,更新当前最佳个体平均极值与当前最佳群体极值,否则,保持原参数值。4.根据权利要求3所述的直驱型永磁同步风力发电机的全局最优参数辨识方法,其特征在于,所述根据当前最佳个体平均极值与当前最佳群体极值进化停滞次数,并对极值进行扰动的方式为其中:n表示当前最佳个体极值与当前最佳群体极值进化停滞次数,n表示当前最佳个体极值和当前最佳群体极值需要扰动的停滞步数阈值。
5.根据权利要求4所述的直驱型永磁同步风力发电机的全局最优参数辨识方法,其特征在于,所述通过时间更新与测量更新获得该时刻的系统状态最优估计值的步骤包括:[1]建立离散状态方程和测量方程磁链和电感辨识观测向量电阻辨识观测向量[2]将f[x(k),u(k)]与h[x(k 1)]一阶泰勒级数展开;其中:x(k)为系统的状态向量;φ(k)为状态转移矩阵;b(k)为控制输入矩阵;u(k)为系统的输入向量;z(k 1)为系统的观测向量;h(k)为状态观测矩阵;w(k)为过程噪声;v(k 1)为观察噪声;t
s
为采样时间;[3]时间更新包含由输入与上次的估计值预测下一时刻的状态和预测误差协方差阵,由输入与上次的估计值预测下一时刻的状态的方法为其中,上标"^"表示状态估计值,上标"~"表示预测值;"(k|k)"表示初始值;"(k 1|k)"表示通过第k步预测第k 1步的值;"(k 1|k 1)"表示迭代结束后的输出值。预测误差协方差阵的方法为[4]测量更新包含计算卡尔曼增益和由系统的观测向量更新需要辨识的状态变量:计算卡尔曼增益的方法为由系统的观测向量更新需要辨识的状态变量的方法为
技术总结
本发明公开了直驱型永磁同步风力发电机的全局最优参数辨识方法,步骤包括:初始化粒子群,给定系统噪声协方差阵Q和测量噪声协方差阵R的位置与速度初值;通过不断迭代找出问题的最佳解,更新Q值和R值;由适应度函数更新当前个体平均极值与群体极值;根据个体平均极值与群体极值进化停滞次数,并对极值进行扰动;通过测量更新与时间更新获得该时刻的系统状态最优辨识值。本发明能实现直驱型永磁同步风力发电机定子电阻、dq电感和永磁体磁链高精度辨识,具有速度快、泛化能力强的优点。泛化能力强的优点。泛化能力强的优点。


技术研发人员:张阳 程谆 于惠钧 文定都 廖楷娴
受保护的技术使用者:湖南工业大学
技术研发日:2021.04.06
技术公布日:2021/7/8

转载请注明原文地址: https://doc.8miu.com/read-500320.html

最新回复(0)