CN106953577B - 一种基于改进粒子群优化算法的异步电机参数辨识方法 - Google Patents
一种基于改进粒子群优化算法的异步电机参数辨识方法 Download PDFInfo
- Publication number
- CN106953577B CN106953577B CN201710163793.2A CN201710163793A CN106953577B CN 106953577 B CN106953577 B CN 106953577B CN 201710163793 A CN201710163793 A CN 201710163793A CN 106953577 B CN106953577 B CN 106953577B
- Authority
- CN
- China
- Prior art keywords
- value
- particle
- gbest
- parameter
- optimization algorithm
- 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
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
- H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
- H02P23/14—Estimation or adaptation of motor parameters, e.g. rotor time constant, flux, speed, current or voltage
Abstract
本发明涉及一种基于改进的粒子群优化算法的异步电机参数辨识方法,以标准粒子群算法为基础,通过分批分别设置种群的最大加权系数和最小加权系数,并增加了随机变异算子,增加变异算子对gbest进行随机变异的策略来提高算法跳出局部收敛的能力,改善粒子群的过早陷入局部最优的问题,扩大粒子的搜索范围,改进了粒子群算法的全局搜索能力和收敛速度,降低陷入局部最优的风险,兼顾优化过程的精度和效率。本发明通过测量获得异步电机各工作特性的测量值,应用该改进的粒子群优化算法实现异步电机静态参数辨识,在有噪声的情况下,仍能具有较高的识别准确率。
Description
技术领域
本发明涉及异步电机参数辨识技术领域,特别是一种基于改进的粒子群优化算法的异步电动机参数辨识方法。
背景技术
传统异步电机是近些年在各个领域仍得到广泛应用的一种电机,它具有结果简单、容易制造、价格低廉、运行可靠、坚固耐用、运行效率较高等特点。异步电机主要用作电动机,去拖动各种生产机械。例如,在工业方面,用于各种金属切削机床、矿山机械、轻功机械等;在农业方面,用于拖动水泵、脱粒机、粉碎机以及其他农副产品的加工机械等;在民用电器方面的电扇,空调和冰箱的压缩机等。因此,异步电动机在各个领域都有着广泛的应用和研究优化价值。由于异步电动机的工作特性关于转差的函数都是很复杂的有理函数,目前用于异步电动机参数的辨识的方法主要有以下几种:广义Kalman滤波、最小二乘法、遗传算法(GA)等等。在这些方法中,最小二乘法、遗传算法等测量结果稳定性不好,实际异步电动机参数辨识效果较差,进而使以此参数为基础构建的异步电动机控制系统达不到良好的控制效果,无法获得良好的异步电动机稳态、动态特性。
发明内容
本发明的目的在于提供一种基于改进的粒子群优化算法的异步电动机参数辨识方法,以克服现有技术中存在的缺陷。
为实现上述目的,本发明的技术方案是:一种基于改进粒子群优化算法的异步电机参数辨识方法,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。
在本发明一实施例中,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。
在本发明一实施例中,在所述步骤S2中,初始化粒子群,记粒子位置为x(0)=[x1 (0)x2 (0)···xm (0)]T,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]。
在本发明一实施例中,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。
在本发明一实施例中,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。
在本发明一实施例中,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。
在本发明一实施例中,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
在本发明一实施例中,在所述步骤S8中,变异概率公式为:
其中,k、Sv均为常数。
在本发明一实施例中,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。
相较于现有技术,本发明具有以下有益效果:本发明所提出的一种基于改进的粒子群优化算法的异步电动机参数辨识方法,建立异步电动机T型等效电路,通过等效电路构建三相异步电动机的稳态等效电路模型,并计算出电机模型的工作特性值,并将其与测量所得特性值进行适应度评估,再利用改进的粒子群优化算法优化其参数,实现参数的智能寻优,最终辨识出异步电动机的电气参数算法简单易于实现;改进的粒子群优化算法在标准粒子群算法的基础上简化了更新公式,并通过分组分别设置各组粒子的最大加权系数wmax和最小加权系数wmin,并增加了随机变异算子,既保证了较快的寻优速度,又极大提高了算法跳出局部收敛的能力;在应用于异步电机静态参数辨识时具有较高的辨识成功率,辨识结果具有较高的稳定性。
附图说明
图1为本发明中基于改进型粒子群优化算法的异步电动机参数辨识原理图。
图2为本发明一实施例中异步电动机的T型等效电路。
图3为本发明一实施例中基于改进的PSO算法的异步电动机参数辨识流程图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
如图1为采用改进型粒子群优化算法的异步电动机参数辨识原理图。通过构建三相异步电动机的稳态模型,将由改进的粒子群优化算法所得的电机辨识参数代入稳态模型中,再与实际的测量获得的工作特性值比较获得拟合误差输入优化算法,通过搜索寻优,最终获得异步电动机的参数。其具体步骤如下:
步骤S1:首先建立三相异步电动机T形等效电路模型。
进一步的,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
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。
设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处的测sk量值。又设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。
进一步的,如图2所示,三相异步电动机形等效电路模型是分析电动机运行情况的基本数学模型。由于三相对称,故仅需要分析一相即可。与定子绕组一样,转子每相绕组亦也有电阻和漏抗。因此,可以分别得到一相的定子等效电路和一相的转子等效电路。经过把转子频率变换为定子频率,转子的相数、有效匝数变换为定子的相数和有效匝数,就得到了定、转子的等效电路。三相异步点电动机形等效电路的左边部分串联支路表示定子电阻和定子漏感磁路,其中,定子每相电阻Rs和定子每相漏抗Xs是分别表征定子铜损的参数和表征定子漏磁路特性的参数,中间部分支路表示主磁通磁路,其中,激磁电阻Rm和激磁电抗Xm是分别表征主磁通铁损耗和磁路上铁心的磁化特性的两个参数;右部支路表示转子电路和转子漏磁路,其中,转子每相电阻Rr和转子每相漏电抗Xr是分别表征转子铜损的折算后参数值和转子漏磁路特性的折算后参数值。上面介绍的六个参数Rs、Xs、Rm、Xm、Rr、Xr即为需要辨识的电机参数。
步骤S2:辨识的电机的参数向量为θ=[Rs,Xs,Rm,Xm,Rr,Xr],因此构造的搜索空间为一个6维空间,而构造出的粒子中的最优位置值即为辨识所得的电机的参数。
进一步的,初始化粒子群,设粒子位置为x(0)=[x1 (0)x2 (0)···xm (0)]T,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]。范围区间可以根据现有知识或经验给出。
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。较佳的,例如wmax分别为0.90、0.85、0.70,wmin分别为0.30、0.35、0.40。
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。
进一步的,适应度函数的公式为其中hj(sk)为根据将步骤S2中获得的电机参数值代入步骤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,求得的适应度函数值越小则粒子所对应位置向量及电机参数越接近真实值。
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。当迭代达到一定次数时,比较各个群体的最佳位置得到全局最佳位置及参数辨识结果。
步骤S6:根据各自不同的wmax和wmin,更新每个粒子位置。
进一步的,粒子位置更新公式为
式中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,较佳的,都取2;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。
步骤S7:计算群体适应度标准差S。
进一步的,粒子群适应度标准差S的计算公式为
式中n为一组的粒子数,fi为根据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为
步骤S8:计算变异概率pm变异概率公式为
进一步的,k、Sv一般取0.1。之后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)
式中a为取值范围为-1~1内的随机数,判断是否进行变异操作。
步骤S9:判断是否达到最大的迭代次数kmax,较佳的,kmax取500,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,否则转到步骤S4。
如图3改进的PSO算法实际上是在标准粒子群优化算法的基本框架中,简化更新公式,并通过分组分别设置各组粒子的最大加权系数wmax和最小加权系数wmin,以及增加随机变异算子的策略来提高算法跳出局部收敛的能力。对粒子群进行如此的加权系数w分配,避免了迭代过程中难以大幅度调整w的问题,较好的协调了算法的局部与全局搜索能力,防止出现早熟。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (8)
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710163793.2A CN106953577B (zh) | 2017-03-20 | 2017-03-20 | 一种基于改进粒子群优化算法的异步电机参数辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710163793.2A CN106953577B (zh) | 2017-03-20 | 2017-03-20 | 一种基于改进粒子群优化算法的异步电机参数辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106953577A CN106953577A (zh) | 2017-07-14 |
CN106953577B true CN106953577B (zh) | 2019-08-09 |
Family
ID=59472253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710163793.2A Active CN106953577B (zh) | 2017-03-20 | 2017-03-20 | 一种基于改进粒子群优化算法的异步电机参数辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106953577B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108551286B (zh) * | 2018-05-02 | 2021-05-07 | 湖南大学 | 一种交流伺服电机现场效率检测方法和系统 |
CN113010990B (zh) * | 2019-12-19 | 2023-04-18 | 珠海万谱科技有限公司 | 一种感应电机转子断条检测方法及装置 |
CN111208345B (zh) * | 2020-01-19 | 2021-12-21 | 合肥巨一动力系统有限公司 | 电动汽车电驱动系统母线电流估算方法及系统 |
CN111292002B (zh) * | 2020-02-24 | 2022-07-01 | 福州大学 | 基于遗传-粒子群算法的评阅答辩分组方法及系统 |
CN113392543B (zh) * | 2021-05-26 | 2022-06-03 | 江天电机有限公司 | 一种异步电机噪声源的高精度识别方法 |
CN117911195A (zh) * | 2024-03-18 | 2024-04-19 | 国网山西省电力公司电力科学研究院 | 一种异步电动机机群等效模型参数辨识方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544525A (zh) * | 2013-10-17 | 2014-01-29 | 国网甘肃省电力公司电力科学研究院 | 一种基于改进粒子群优化算法的同步风力发电机参数辨识方法 |
CN104362927A (zh) * | 2014-10-14 | 2015-02-18 | 浙江大学 | 基于改进粒子群算法的异步电机关键状态信息跟踪方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8866626B2 (en) * | 2008-01-31 | 2014-10-21 | Basler Electric Company | System and method for detecting generator incipient failures |
-
2017
- 2017-03-20 CN CN201710163793.2A patent/CN106953577B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544525A (zh) * | 2013-10-17 | 2014-01-29 | 国网甘肃省电力公司电力科学研究院 | 一种基于改进粒子群优化算法的同步风力发电机参数辨识方法 |
CN104362927A (zh) * | 2014-10-14 | 2015-02-18 | 浙江大学 | 基于改进粒子群算法的异步电机关键状态信息跟踪方法 |
Non-Patent Citations (1)
Title |
---|
改进粒子群算法在异步电机静态参数识别中的应用;覃建波;《电机技术》;20080630;第11-14页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106953577A (zh) | 2017-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106953577B (zh) | 一种基于改进粒子群优化算法的异步电机参数辨识方法 | |
Lin et al. | Parameter identification of induction machine with a starting no-load low-voltage test | |
Gao et al. | Optimization design of switched reluctance motor based on particle swarm optimization | |
CN103177188A (zh) | 一种基于特征映射的电力系统负荷动特性分类方法 | |
CN112468035B (zh) | 可调磁通永磁同步电机全速域效率最优控制磁化状态选择方法及在线控制方法 | |
CN110932274A (zh) | 一种电力系统测量与负荷参数分析辨识方法 | |
CN114034980A (zh) | 基于粒子群优化bp神经网络的配电线路故障检测方法 | |
CN110619192A (zh) | 一种变压器参数在线计算方法 | |
Ramya et al. | Design and implementation of particle swarm optimization (PSO) tuned PID controller for speed control of permanent magnet brush less DC (PMBLDC) motor | |
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 | |
CN103793556A (zh) | 综合出线负荷的变电站负荷建模方法 | |
Radhi et al. | Faults diagnosis in stator windings of high speed solid rotor induction motors using fuzzy neural network | |
Mahdi et al. | Parameter identification of a PMSG using a PSO algorithm based on experimental tests | |
CN107069698A (zh) | 一种基于粒子群算法的电力系统负荷建模方法 | |
Abdel-Maksoud et al. | Adaptive Fuzzy Logic PI Control for Switched Reluctance Motor Based on Inductance Model. | |
Akbal et al. | The parallel resonance impedance detection method for parameter estimation of power line and transformer by using CSA, GA, and PSO | |
Mutluer et al. | Application of a hybrid evolutionary technique for efficiency determination of a submersible induction motor. | |
CN110555262B (zh) | 一种同步发电机参数辨识方法 | |
Jia et al. | Design of IE4 level synchronous reluctance machines with different number of poles | |
Lin et al. | Parameter estimation of induction machines under no-load test | |
Tutkun et al. | Determination of capacitance range in the self-excited induction generator through the hybrid genetic algorithms | |
Di et al. | Robot path planning based on an improved multi-objective PSO method | |
Choudhary et al. | Elephant Herding Optimization (EHO) Based Parameters Estimation of Induction Machine Considering the Nonlinear Core-Loss Model | |
Han et al. | Identification of synchronous generator parameters based on 3-phase sudden short-circuit current | |
Dusek et al. | Selection of slot-pole combination of permanent magnet machines for aircraft actuation |
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 |