CN106788064B - 基于emd-elm的感应电机定子电阻参数识别方法 - Google Patents

基于emd-elm的感应电机定子电阻参数识别方法 Download PDF

Info

Publication number
CN106788064B
CN106788064B CN201710139934.7A CN201710139934A CN106788064B CN 106788064 B CN106788064 B CN 106788064B CN 201710139934 A CN201710139934 A CN 201710139934A CN 106788064 B CN106788064 B CN 106788064B
Authority
CN
China
Prior art keywords
elm
stator resistance
emd
network
output
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710139934.7A
Other languages
English (en)
Other versions
CN106788064A (zh
Inventor
张旭东
于杏
应展烽
陈远晟
唐莹莹
杨帆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN201710139934.7A priority Critical patent/CN106788064B/zh
Publication of CN106788064A publication Critical patent/CN106788064A/zh
Application granted granted Critical
Publication of CN106788064B publication Critical patent/CN106788064B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, current or voltage

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Control Of Ac Motors In General (AREA)
  • Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)

Abstract

本发明公开了一种基于EMD‑ELM的感应电机定子电阻参数辨识方法。方法步骤如下：首先，通过数据采集得到定子电流、定子电压、母线电压、母线电流、工作频率、绕组温度和定子电阻数据集；对样本集进行归一化以及EMD滤波处理，并随机分为训练集和测试集；利用训练集对ELM网络进行训练，并通过调整网络的输入输出，分析结果误差，确定ELM网络结构，得到ELM辨识模型；利用测试集检验辨识模型的准确性，模型输出即为最终定子电阻辨识结果。本发明能够降低感应电机在低速工况下，定子电阻对矢量控制系统中转子磁链观测的影响，从而以更快的速度、更高的精度辨识定子电阻，有效地改善矢量控制系统对转子磁链的观测效果，提高控制性能。

Description

基于EMD-ELM的感应电机定子电阻参数识别方法
技术领域
本发明涉及电机控制技术领域，特别是一种基于EMD-ELM的感应电机定子电阻参数识别方法。
背景技术
在电机控制领域，最成熟的控制方法有磁场定向控制(Field Oriented Control，FOC)和直接转矩控制(Direct Torture Control，DTC)两种。FOC是由Blasehke F.在1971年提出，根据电机的动态数学模型，利用矢量变换方法来实现磁链与转矩的解耦，对二者分别独立控制，可明显改善控制性能。但是，此法为对电机参数的依赖性大，而电机参数存在时变性，难以达到理想的控制效果。在无速度传感器交流调速系统中，温度变化和集肤效应会导致定子电阻发生一定的变化，如果计算采用的定子电阻和其实际值不匹配将会导致速度辨识误差增加，甚至出现观测器不稳定，特别是在低速运行时定子电阻变化对系统稳定性和速度控制精度有极大影响的问题。
电机定子电阻辨识的方法可分为在线辨识和静态辨识。静态辨识是在电机投入正常运行之前进行辨识，不需要增加任何附加电路仅靠电动机原有调速系统本身的硬件电路来实现。但是，即使在不考虑弱磁和磁饱和的情况，仅温升引起的定子电阻变化就能达到室温下所测电阻值的0.75-1.5倍。计算采用的定子电阻值与实际值的不匹配不仅会出现大的转速估计误差而且会导致系统不稳定。因此，对定子电阻进行实时辨识是具有重要意义的。
由于定子电阻与定子电流间的非线性关系，采用传统的建立数学模型的方法难以精确求得定子电阻。基于此，相关研究将模糊控制用于定子电阻的辨识，但是此类模糊辨识器大多是以温度及其变化作为输入，安装在定子电阻中的热敏电阻网络降低了电机的机械特性，而且不易安装。基于此有学者提出了一种结构简单的模糊控制估计器，提高了电机在低速状态下的响应速度，转动脉动较小，鲁棒性得到提高。但是，在实际应用时，需要另外加上转子参数辨识和误差较正环节以使辨识达到理性效果，算法复杂，计算量大，不具有通用性。
发明内容
本发明的目的在于提供一种算法简单、精度高的基于EMD-ELM的感应电机定子电阻参数识别方法，以降低感应电机在低速工况下，定子电阻对矢量控制系统中转子磁链观测的影响，从而提高对感应电机的控制性能。
实现本发明目的的技术解决方案为：一种基于EMD-ELM的感应电机定子电阻参数识别方法，包括以下步骤：
步骤1，数据采集：搭建感应电机数据采集平台，调节感应电机为低速工况，将定子电流、定子电压、母线电压、母线电流、工作频率和绕组端温这几个参数互相组合，通过数据采集装置得到N组数据；
步骤2，样本集的处理：对步骤1所得的N组数据进行归一化处理，然后将得到的六个参数序列分别进行EMD滤波去噪，最后将处理后获得的N组样本随机分为训练集和测试集；
步骤3，确定ELM网络结构：明确ELM网络的输入输出参数，以母线电压、母线电流、工作频率及绕组端温的组合作为输入变量，定子电阻为输出变量；随机初始化ELM网络的输入权值和偏差值并保持不变，通过对网络的训练确定输出权值；
步骤4，定子电阻的辨识：先以具有明确关系的输入变量识别定子电阻参数，在辨识效果得到验证后，再逐渐加入其它潜在影响因素，对辨识效果进行比较和分析，确定最终辨识模型，完成准确的定子电阻识别。
进一步地，步骤1所述的数据采集中，感应电机低速工况为额定转速的10％-40％。
进一步地，步骤1所述的数据采集中，电机的负载及工作频率由磁粉测功机提供并测得，绕组端温通过温度传感器测得，定子电压和定子电流分别由电压、电流互感器测得，并通过伏安法计算得到定子电阻，母线电压和母线电流分别通过控制电路中的差分电路和电流互感器测得；其中，温度传感器共计三个，均匀埋置于定子绕组中。
进一步地，步骤1所述通过数据采集装置得到N组数据，其中N≥5000。
进一步地，步骤2所述对N组数据进行归一化处理，具体为：
将所有输入同时除以对应的量化值，使数据限定在0-1范围之内，并且：
温度输入的量化值，依据电机的绝缘等级来确定；
电流量化值，采用实验感应电机的最大电流，为额定值的4-7倍；
工作频率量化值，取电机额定频率；
定子电压和电阻量化值，均取工作中出现的最大值。
进一步地，步骤2中所述EMD滤波去噪，具体为：首先将参数的数据序列进行EMD分解，得到若干按频率高低排列的固有模式分量IMF，然后通过定义自适应滤波器截至IMF阶数，滤除信号的高频部分，完成信号重构。
进一步地，步骤2中所述训练集和测试集的划分方法为：将处理得到的数据集随机划分为4:1两部分，分别作为ELM网络的训练集与测试集。
进一步地，步骤3所述确定ELM网络结构，其中ELM网络的基本数学表达式如下：
其中，yk为第k个样本输入的网络输出值，L为隐层神经元的个数，k为样本编号，k＝1，2，…，N；βi＝[βi1,βi2,…,βiN]T为第i个隐层神经元与输出神经元的连接权向量；wi＝[wi1,wi2,…,wiN]T为第i个隐层神经元与输入神经元之间的连接权向量；bi为第i个隐层神经元的阈值；
对于一个具有L个隐层神经元和激活函数f(x)的单隐层前向神经网络，能够无偏差地拟合给定N组样本数据，即因此，存在βi、wi和bi，使得：
上式简写为：
Hβ＝T
式中，隐层输出矩阵H和期望输出矩阵T表达式分别为：
T＝(t1,t2,…,tN)T
激活函数f(x)取Sigmoid函数，输入权值wi和偏差值bi均由rand随机函数在训练之初初始化并保持不变，仅需训练确定的参数为输出权值β，其表达式为：
β＝H+T
其中，H+为H矩阵的Moore-Penrose广义逆。
进一步地，步骤4中所述对辨识效果进行比较和分析，具体为：当网络输出与实测值不等时，存在误差，记为E＝(y实测-y输出)2/2；通过比较不同模型的输出误差E，完成对辨识效果的比较和分析。
进一步地，步骤4中所述定子电阻识别方法为：以步骤2中得到的训练样本为条件，先以对其影响最显著的绕组端温、母线电压和母线电流作为ELM网络的输入，检测识别效果；之后，再增加工作频率作为ELM网络的输入，并检验识别效果；选用辨识效果较好的输入结构，最终得到具有非线性关系映射能力的ELM辨识模型，完成定子电阻的辨识。
本发明与现有技术相比，其显著优点为：(1)采用EMD的滤波特性来去除信号中的噪声，以使之后对样本数据的处理更加迅速与高效；(2)采用的ELM算法具有神经网络算法的共有特性的同时，学习速度更快，泛化能力更强，理论上可以任意精度逼近任意函数，能直接反映动态过程系统的特性；(3)降低了感应电机在低速工况下，定子电阻对矢量控制系统中转子磁链观测的影响，在辨识速度和精度方面均能得到显著提升，从而提高了对感应电机的控制性能
附图说明
图1为本发明基于EMD-ELM的感应电机定子电阻参数识别方法的流程图。
图2为获取用于训练所述ELM网络样本的方法流程图。
图3为EMD滤波流程图。
图4为感应电机定子电阻经EMD分解的仿真图。
图5为ELM网络的结构示意图。
图6为Rs测试样本网络输出值与实测值比较结果图。
图7为Rs测试样本网络输出值与实测值的误差曲线图。
具体实施方式
以下结合附图详细说明本发明的具体实施方式，使本领域的技术人员更清楚地理解如何实践本发明。应当理解，尽管结合其优选的具体实施方案描述了本发明，但这些实施方案只是阐述，而不是限制本发明的范围。
结合图1，本发明基于EMD-ELM的感应电机定子电阻参数识别方法，步骤如下：
步骤1，数据采集：搭建感应电机数据采集平台，调节感应电机为低速工况，将定子电流、定子电压、母线电压、母线电流、工作频率和绕组端温这几个参数互相组合，通过数据采集装置得到N组数据；
所述的数据采集中，感应电机低速工况为额定转速的10％-40％。
所述的数据采集中，电机的负载及工作频率由磁粉测功机提供并测得，绕组端温通过温度传感器测得，定子电压和定子电流分别由电压、电流互感器测得，并通过伏安法计算得到定子电阻，母线电压和母线电流分别通过控制电路中的差分电路和电流互感器测得；其中，温度传感器共计三个，均匀埋置于定子绕组中。
所述通过数据采集装置得到N组数据，其中N≥5000。
步骤2，样本集的处理：对步骤1所得的N组数据进行归一化处理，然后将得到的六个参数序列分别进行EMD滤波去噪，最后将处理后获得的N组样本随机分为训练集和测试集；
所述对N组数据进行归一化处理，具体为：
将所有输入同时除以对应的量化值，使数据限定在0-1范围之内，并且：
温度输入的量化值，依据电机的绝缘等级来确定；
电流量化值，采用实验感应电机的最大电流，为额定值的4-7倍；
工作频率量化值，取电机额定频率；
定子电压和电阻量化值，均取工作中出现的最大值。
所述EMD滤波去噪，具体为：首先将参数的数据序列进行EMD分解，得到若干按频率高低排列的固有模式分量IMF，然后通过定义自适应滤波器截至IMF阶数，滤除信号的高频部分，完成信号重构。
所述训练集和测试集的划分方法为：将处理得到的数据集随机划分为4:1两部分，分别作为ELM网络的训练集与测试集。
步骤3，确定ELM网络结构：明确ELM网络的输入输出参数，以母线电压、母线电流、工作频率及绕组端温的组合作为输入变量，定子电阻为输出变量；随机初始化ELM网络的输入权值和偏差值并保持不变，通过对网络的训练确定输出权值；
所述确定ELM网络结构，其中ELM网络的基本数学表达式如下：
其中，yk为第k个样本输入的网络输出值，L为隐层神经元的个数，k为样本编号，k＝1，2，…，N；βi＝[βi1,βi2,…,βiN]T为第i个隐层神经元与输出神经元的连接权向量；wi＝[wi1,wi2,…,wiN]T为第i个隐层神经元与输入神经元之间的连接权向量；bi为第i个隐层神经元的阈值；
对于一个具有L个隐层神经元和激活函数f(x)的单隐层前向神经网络，能够无偏差地拟合给定N组样本数据，即因此，存在βi、wi和bi，使得：
上式简写为：
Hβ＝T
式中，隐层输出矩阵H和期望输出矩阵T表达式分别为：
T＝(t1,t2,…,tN)T
激活函数f(x)取Sigmoid函数，输入权值wi和偏差值bi均由rand随机函数在训练之初初始化并保持不变，仅需训练确定的参数为输出权值β，其表达式为：
β＝H+T
其中，H+为H矩阵的Moore-Penrose广义逆。
步骤4，定子电阻的辨识：先以具有明确关系的输入变量识别定子电阻参数，在辨识效果得到验证后，再逐渐加入其它潜在影响因素，对辨识效果进行比较和分析，确定最终辨识模型，完成准确的定子电阻识别；
所述对辨识效果进行比较和分析，具体为：当网络输出与实测值不等时，存在误差，记为E＝(y实测-y输出)2/2；通过比较不同模型的输出误差E，完成对辨识效果的比较和分析。
所述定子电阻识别方法为：以步骤2中得到的训练样本为条件，先以对其影响最显著的绕组端温、母线电压和母线电流作为ELM网络的输入，检测识别效果；之后，再增加工作频率作为ELM网络的输入，并检验识别效果；选用辨识效果较好的输入结构，最终得到具有非线性关系映射能力的ELM辨识模型，完成定子电阻的辨识。
实施例1
本实施例基于ELM的感应电机定子电阻参数识别的方法，流程如图1所示，包括以下步骤：
(一)数据的采集
搭建数据采集平台，所选感应电机的型号为Y355M2-6，利用型号为ZF50WKB的磁粉测功机为感应电机提供稳定负载，利用量程为0℃-120℃的温度传感器实时采集温度。其中，温度传感器共计三个均匀埋置于定子绕组内。工作频率由控制程序给定，通过测功机读取；绕组端温通过温度传感器读取，定子电压和定子电流分别通过电压、电流互感器测得，母线电压和母线电流通过控制电路中的差分电路和电流互感器测得，绕组端温、定子电压、定子电流、母线电压和母线电流通过上位机读取，定子电阻通过伏安法计算得到。
调节感应电机的工况，使其在10％-40％额定转速范围内保持低速稳定运行，采集数据。具体方法为：通过控制程序给定电机的工作频率，其范围控制在DC-30Hz内。以0.5Hz为梯度，采集在不同频率下，电机的定子电压、定子电流、母线电压、母线电流和绕组端温数据对；然后，在20V-100V范围内调节定子电压，以2V为梯度，继续采集所需数据对，最终得到5000组的数据。
(二)样本集的处理
结合图2，获取用于训练所述ELM网络样本的具体流程如下：
采集得到的各参数的数据，波动范围较大，参数间甚至不属于一个数量级。上述情况会使训练时间被大大增加，并且较大输入往往会削弱较小输入对输出的影响，使网络的输出精度降低。因此对数据集进行归一化处理是十分必要的。本发明在对各个参数进行归一化时，将所有输入同时除以对应的量化值，使数据限定在0-1范围之内，以便ELM网络的训练和测试。归一化方法为：将所有输入同时除以对应的量化值。关于温度输入的量化，可依据电机的绝缘等级来确定；关于定子电流量化值的选取，采用实验感应电机的最大电流，出现在起动时，最大起动电流约为其额定值的4-7倍；定子电压和电阻的量化值均取工作中出现的最大值；母线电压、母线电流及工作频率的量化值均取各自的额定值。
将归一化处理得到的新数据集利用EMD进行滤波处理。记信号s(t)，EMD分解的步骤如图3所示，具体如下：
1)确定原信s(t)的全部极大值点和极小值点，分别拟合出信号的上、下包络线并计算出上、下包络线的平均值m(t)，进而求出s(t)和m(t)的差值c(t)＝s(t)-m(t)。如果c(t)同时满足条件：①其极值点和过零点的数目相等或最多相差1个；②上下包络线对于各个瞬时均值是对称的，则认为c(t)是从原信号中分解出的一个IMF分量。
2)如果c(t)不满足条件，则令s(t)等于c(t)重复步骤1)直至满足条件为止，认为分解出了一个IMF分量c1(t)。
3)原始信号s(t)与第一阶IMFc1(t)之差作为新的原始信号，用同样的方法可以筛选出其它IMF。
4)此筛选过程不断进行下去直到残差小于预定值或基本呈单调函数。
s(t)最终被分解为一组振荡的IMF与一个余项r之和，即
式中：cj(t)是第j阶固有模式函数分量，反映了信号的特征尺度，代表着信号的内在模态特征；r(t)是最后的残余项，代表信号的平均趋势。
图4给出了感应电机定子电阻经EMD分解的仿真结果图。可以看出分解后的IMF分量是按频率高低排列的。EMD分解从滤波的角度看就是一个滤波的过程，输出的滤波信号为
式中：IMFj(t)为本征模式分量；l，h∈[1，N]，N为本征模式分量个数。根据l，h取值不同可分别实现带通滤波、高通滤波和低通滤波。
本发明利用EMD的低通滤波特性，通过定义滤波器截止IMF阶数对信号进行时空滤波，除去采样数据中含有的高频噪声，再对剩余信号分量进行重构，便可以得到消除噪声后的信号。
最后，将处理得到的数据集随机划分为4：1两部分，分别作为训练集和测试集。(三)ELM网络结构的确定
ELM函数的拟合：用于定子电阻辨识的ELM单隐含层前馈神经网络结构如图5所示。图5中的ELM单隐层前馈神经网络，包括输入层、隐含层和输出层。该网络的输入有L个，输出有1个，即定子电阻。不失一般性，假设一个具有L个隐层神经元的前向神经网络的激活函数为f(x)，给定训练样本{(xi,ti)}，xi·∈RP，ti·∈Rq，i＝1,…,N，则网络的输出为：
其中，yk为第k个样本输入的网络输出值，L为隐层神经元的个数，k为样本编号，k＝1，2，…，N；βi＝[βi1,βi2,…,βiN]T为第i个隐层神经元与输出神经元的连接权向量；wi＝[wi1,wi2,…,wiN]T为第i个隐层神经元与输入神经元之间的连接权向量；bi为第i个隐层神经元的阈值；
对于一个具有L个隐层神经元和激活函数f(x)的单隐层前向神经网络，能够无偏差地拟合给定N组样本数据，即因此，存在βi、wi和bi，使得：
上式简写为：
Hβ＝T
式中：H为神经网络隐层输出矩阵，H的第i列为第i个隐层神经元输出向量，且与x1，x2，…，xN有关。
易证得对于任意的无限可微激活函数f(x)，单隐层前向神经网络的参数并不需要调整。输入权重wi和隐层神经元的阈值bi可在网络训练之初就随机选定，并在整个训练过程中保持不变。隐层神经元与输出神经元的连接权值的选择可转化为求取如下式所示的线性系统的最小平方问题：mβin||Hβ-T||它的解为：
β＝H+T
式中：H+为H矩阵的Moore-Penrose广义逆。
在用于参数辨识时，ELM用于非线性函数的逼近问题，其复杂性与输入、输出变量的个数，及它们之间的潜在函数关系有关。对于一个特定输出，在选取输入时，其输入变量应该是输出变量的某种影响因素或者具有某种映射关系。本发明隐层神经元设为20，选择ELM默认的无限可微函数sigmoid作为隐含层神经元的激活函数，输入权值wi和偏差值bi均由rand随机函数在训练之初初始化并保持不变，仅需训练确定的参数为输出权值β，其表达式为：β＝H+T。完成β求解后，ELM函数拟合结束。
ELM网络输入输出的确定：本发明建立的ELM网络是以定子电阻Rs为输出目标，对定子电阻产生影响的主要因素主要有母线电压、母线电流、定子温度及工作频率。发热是一个动态、大惯性的非线性过程，电流越大、频率越高发热量越大，此发热引起的温升与环境温度一起决定了电机定子绕组的温度，而绕组的温度越高，其Rs也越大。电机在工作几个小时后，通常都会达到热平衡状态，工作时间将不再影响定子电阻的变化，因此在ELM网络的输入中未计入时间因素。
单纯从温升因素影响电阻变化来考虑，总的电机温升可反映在电机外壳上，因此可选择电机绕组端部温度作一个综合的输入变量，其综合反应了各个温度影响因素的总的效果。
(四)定子电阻的辨识
采用由简单到复杂的方法，先以具有较明确关系的输入变量辨识单个参数，在其辨识效果得到比较和验证后，再逐渐加入其它潜在影响因素。当网络输出与实测值不等时，存在误差，记为E＝(y实测-y输出)2/2。
确定网络输出为定子电阻，先以对其影响最显著的绕组端温、母线电压和母线电流作为输入，利用得到的训练样本为条件，训练ELM网络得到ELM定子电阻辨识模型一，再通过测试集仿真得到其输出数据与实测数据的误差E，检测ELM模型的输入输出映射效果；增加工作频率作为一输入量，再次对ELM网络进行训练，得到ELM辨识模型二并检测其辨识误差的变化。图6和图7为模型二的仿真结果。经仿真发现模型二的识别误差E较小，由图片可以看出误差约为2％，表明ELM辨识模型具有良好的非线性关系映射能力，能够实现感应电机定子电阻的准确辨识。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于EMD-ELM的感应电机定子电阻参数识别方法，其特征在于，包括以下步骤：
步骤1，数据采集：搭建感应电机数据采集平台，调节感应电机为低速工况，将定子电流、定子电压、母线电压、母线电流、工作频率和绕组端温这几个参数互相组合，通过数据采集装置得到N组数据；
步骤2，样本集的处理：对步骤1所得的N组数据进行归一化处理，然后将得到的六个参数序列分别进行EMD滤波去噪，最后将处理后获得的N组样本随机分为训练集和测试集；
步骤3，确定ELM网络结构：明确ELM网络的输入输出参数，以母线电压、母线电流、工作频率及绕组端温的组合作为输入变量，定子电阻为输出变量；随机初始化ELM网络的输入权值和偏差值并保持不变，通过对网络的训练确定输出权值；
步骤4，定子电阻的辨识：先以具有明确关系的输入变量识别定子电阻参数，在辨识效果得到验证后，再逐渐加入其它潜在影响因素，对辨识效果进行比较和分析，确定最终辨识模型，完成准确的定子电阻识别。
2.根据权利要求1所述的基于EMD-ELM的感应电机定子电阻参数识别方法，其特征在于：步骤1所述的数据采集中，感应电机低速工况为额定转速的10％-40％。
3.根据权利要求1所述的基于EMD-ELM的感应电机定子电阻参数识别方法，其特征在于：步骤1所述的数据采集中，电机的负载及工作频率由磁粉测功机提供并测得，绕组端温通过温度传感器测得，定子电压和定子电流分别由电压、电流互感器测得，并通过伏安法计算得到定子电阻，母线电压和母线电流分别通过控制电路中的差分电路和电流互感器测得；其中，温度传感器共计三个，均匀埋置于定子绕组中。
4.根据权利要求1所述的基于EMD-ELM的感应电机定子电阻参数识别方法，其特征在于：步骤1所述通过数据采集装置得到N组数据，其中N≥5000。
5.根据权利要求1所述的基于EMD-ELM的感应电机定子电阻参数识别方法，其特征在于：步骤2所述对N组数据进行归一化处理，具体为：
将所有输入同时除以对应的量化值，使数据限定在0-1范围之内，并且：
温度输入的量化值，依据电机的绝缘等级来确定；
电流量化值，采用实验感应电机的最大电流，为额定值的4-7倍；
工作频率量化值，取电机额定频率；
定子电压和电阻量化值，均取工作中出现的最大值。
6.根据权利要求1所述的基于EMD-ELM的感应电机定子电阻参数识别方法，其特征在于：步骤2中所述EMD滤波去噪，具体为：首先将参数的数据序列进行EMD分解，得到若干按频率高低排列的固有模式分量IMF，然后通过定义自适应滤波器截至IMF阶数，滤除信号的高频部分，完成信号重构。
7.根据权利要求1所述的基于EMD-ELM的感应电机定子电阻参数识别方法，其特征在于：步骤2中所述训练集和测试集的划分方法为：将处理得到的数据集随机划分为4:1两部分，分别作为ELM网络的训练集与测试集。
8.根据权利要求1所述的基于EMD-ELM的感应电机定子电阻参数识别方法，其特征在于：步骤3所述确定ELM网络结构，假设一个具有L个隐层神经元的前向神经网络的激活函数为f(x)，给定训练样本{(xi,ti)}，xi·∈RP，ti·∈Rq，其中ELM网络的基本数学表达式如下：
其中，yk为第k个样本输入的网络输出值，L为隐层神经元的个数，k为样本编号，k＝1，2，…，N；βi＝[βi1,βi2,…,βiN]T为第i个隐层神经元与输出神经元的连接权向量；wi＝[wi1,wi2,…,wiN]T为第i个隐层神经元与输入神经元之间的连接权向量；bi为第i个隐层神经元的阈值；
对于一个具有L个隐层神经元和激活函数f(x)的单隐层前向神经网络，能够无偏差地拟合给定N组样本数据，即因此，存在βi、wi和bi，使得：
上式简写为：
Hβ＝T
式中，隐层输出矩阵H和期望输出矩阵T表达式分别为：
T＝(t1,t2,…,tN)T
激活函数f(x)取Sigmoid函数，输入权值wi和偏差值bi均由rand随机函数在训练之初初始化并保持不变，仅需训练确定的参数为输出权值β，其表达式为：
β＝H+T
其中，H+为H矩阵的Moore-Penrose广义逆。
9.根据权利要求1所述的基于EMD-ELM的感应电机定子电阻参数识别方法，其特征在于：步骤4中所述对辨识效果进行比较和分析，具体为：当网络输出与实测值不等时，存在误差，记为E＝(y实测-y输出)2/2；通过比较不同模型的输出误差E，完成对辨识效果的比较和分析。
10.根据权利要求1所述的基于EMD-ELM的感应电机定子电阻参数识别方法，其特征在于：步骤4中所述定子电阻识别方法为：以步骤2中得到的训练样本为条件，先以对其影响最显著的绕组端温、母线电压和母线电流作为ELM网络的输入，检测识别效果；之后，再增加工作频率作为ELM网络的输入，并检验识别效果；选用辨识效果较好的输入结构，最终得到具有非线性关系映射能力的ELM辨识模型，完成定子电阻的辨识。
CN201710139934.7A 2017-03-10 2017-03-10 基于emd-elm的感应电机定子电阻参数识别方法 Active CN106788064B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710139934.7A CN106788064B (zh) 2017-03-10 2017-03-10 基于emd-elm的感应电机定子电阻参数识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710139934.7A CN106788064B (zh) 2017-03-10 2017-03-10 基于emd-elm的感应电机定子电阻参数识别方法

Publications (2)

Publication Number Publication Date
CN106788064A CN106788064A (zh) 2017-05-31
CN106788064B true CN106788064B (zh) 2019-06-04

Family

ID=58962021

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710139934.7A Active CN106788064B (zh) 2017-03-10 2017-03-10 基于emd-elm的感应电机定子电阻参数识别方法

Country Status (1)

Country Link
CN (1) CN106788064B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111625762B (zh) * 2020-04-29 2023-07-25 广东省能源集团贵州有限公司 风机故障诊断方法
CN112366989A (zh) * 2020-11-19 2021-02-12 北京信息科技大学 一种基于参数辨识的无刷直流电机控制方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008432A (zh) * 2014-06-03 2014-08-27 华北电力大学 基于emd-kelm-ekf的微网短期负荷预测方法
CN104537444A (zh) * 2015-01-13 2015-04-22 安徽理工大学 一种基于emd和elm的瓦斯突出预测方法
CN105404939A (zh) * 2015-12-04 2016-03-16 河南许继仪表有限公司 一种短期电力负荷预测方法

Also Published As

Publication number Publication date
CN106788064A (zh) 2017-05-31

Similar Documents

Publication Publication Date Title
KR102189269B1 (ko) 컨볼루션 신경망을 이용한 유도 모터의 결함 진단방법 및 시스템
WO2021131958A1 (ja) 模擬電池構築方法および模擬電池構築装置
CN105572572B (zh) 基于wknn-lssvm的模拟电路故障诊断方法
Wei et al. Lithium-ion battery modeling and state of charge estimation
CN103618492A (zh) 一种基于时频变换的同步发电机参数辨识方法
CN106788064B (zh) 基于emd-elm的感应电机定子电阻参数识别方法
Chen et al. Novel data-driven approach based on capsule network for intelligent multi-fault detection in electric motors
CN110504878B (zh) 一种无轴承永磁同步电机转子转速和位移软测量方法
Yan et al. Torque estimation and control of PMSM based on deep learning
CN113850154A (zh) 基于多模态数据的逆变器igbt微小故障特征提取方法
CN114583767B (zh) 一种数据驱动的风电场调频响应特性建模方法及系统
CN103281031A (zh) 基于可测电气量的鼠笼式异步电机等值电路参数辨识方法
CN106228033B (zh) 基于rbf神经网络的三芯电缆导体温度实时计算方法
CN117233687B (zh) 一种基于历史数据的cvt初始误差评估方法、介质及终端
CN108228977B (zh) 一种基于飞行状态参数的直升机振动特征折算方法
CN109039208A (zh) 一种开关磁阻电机增量电感特性在线检测方法
CN115169405B (zh) 基于支持向量机的酒店客房设备故障诊断方法及系统
CN115291103A (zh) 基于嵌入hd-rcf的gr-swpt小波包算法的电动机故障诊断方法
CN117590989B (zh) 基于神经网络的电机转速在线估算装置及方法
CN111510041A (zh) 一种永磁同步电机的运行状态评估方法及系统
CN113343877B (zh) 基于不同Prony方法的电器指纹特征提取方法
Tsai et al. A novel method combining grayscale images and convolutional neural networks for non-intrusive load identifications
CN113313612B (zh) 低负荷下电能表的电能计量方法及计量装置
CN117277422B (zh) 一种直驱风电场稳定评估方法、系统、终端及介质
Huang et al. A Classification Method of Current Impulse Waveforms for Non-instrusive Load Monitoring

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant