CN110266230A - 一种并联式混动汽车动力永磁同步电机的参数辨识方法 - Google Patents

Abstract

本发明公开了一种并联式混动汽车动力永磁同步电机的参数辨识方法。该方法在同步旋转坐标系下，对永磁同步伺服电机建立相应数学模型。同时在综合学习粒子群算法基础上引入了克隆选择机制，免疫选择操作和基于柯西分布的精英粒子学习机制，增强了粒子逃离局部最优能力，加速了收敛速度，有效提高了算法全局寻优能力及多峰极值全局寻优能力。本发明通过上述算法在实现对于永磁同步电机参数快速辨识的同时，也能满足永磁同步电机在不同工况下的动态性能，避免因电机参数变化给控制系统的控制精度带来的不利影响。

Description

一种并联式混动汽车动力永磁同步电机的参数辨识方法

技术领域

本发明涉及永磁同步电机控制技术领域，具体的涉及并联式混动汽车动力永 磁同步电机的参数辨识方法。

背景技术

由于永磁同步电机具有结构简单、体积小、效率高、功率密度高、响应速度 快和安全性高等诸多优点等优点，在一些驱动领域已经逐渐取代了直流电机，被 广泛地应用于柔性制造系统、风力发电，新能源汽车等诸多场所。由于汽车行驶 的工况复杂，受负载变化、磁芯饱和、定转子温升及老化等多种因素的影响，电 机的绕组电阻、电感和定子转子磁链等参数将发生变化，这使得采用传统控制方 法组成的控制系统的控制性能不够理想。为了实现根据电机参数的变化调整控制 器参数，消除电机参数变化给控制系统的控制精度带来的不利影响，人们开始研 究多种电机参数的辨识方法。

电机参数辨识通常分为离线辨识和在线辨识。电机离线辨识通常只能提供控 制器中的参数初始值，而当电机实际运行过程中很难保证这些参数维持稳定。而 对于在线辨识的其他传统算法，例如传统的最小二乘法及其改进方法、频率响应 法、扩展卡尔曼滤波、模型参考自适应、递归最小二乘法、遗传算法、模糊推理 和神经网络也有用于PMSM模型的辨识，但是通过这类算法本身或多或少也存在 不足,例如遗传算法在优化具有参数强相关性的对象时搜索能力会变差；模糊推 理本身就有参数需要优化；神经网络的结构和权值选取还没有系统的方法。同时 通过上述这些方法获得的数学模型往往精度有限，无法满足高精度和实时性的需 求。

发明内容

针对现有技术中存在的上述技术问题，本发明提出了一种并联式混动汽车动 力永磁同步电机的参数辨识方法。本方法在同步旋转坐标系下，对永磁同步伺服 电机建立数学模型；同时在综合学习粒子群算法基础上引入了免疫系统中的克隆 选择机制，免疫选择操作和基于柯西分布的精英粒子学习机制，有效地提高了群 体的多样性分布，增强了粒子逃离局部最优能力，在加速收敛速度的同时有效提 高了算法全局寻优能力及多峰极值全局寻优能力。本发明通过该算法对永磁同步 电机参数进行辨识，能更好的表征永磁同步电机的实际特性，以满足永磁同步电 机在工况下动态性能。

为了达到上述目的，本发明通过以下技术方案实现：一种并联式混动汽车动 力永磁同步电机的参数辨识方法，其特点是，包含以下步骤：

Step1:在永磁同步电机相关先验模型的基础上，忽略铁芯饱和，不计涡流和 磁滞损耗，转子上无阻尼绕组，永磁体也无阻尼绕组，在同步旋转坐标系的基础 上，建立并联混动汽车动力永磁同步电机的数学模型:

式中：i_d,i_q,u_d,u_q,L_d,L_q分别为d轴和q轴电流，电压和电感，ω_r为电气角 速度，R_s为定子电阻，ψ_f为永磁体磁链。

在稳态情况下，同步旋转坐标系下的永磁同步电机的离散电压方程为：

对于该种电机，广泛采用按转子磁场定向并采取i_d＝0的控制策略。因此稳态 下的表达式可以简化为：

但是由于需要辨识的参数有L_d,L_qR_s,ψ_f四个，而上述公式是二阶，相对于需 要辨识的参数的个数来说，电机方程的阶数不够。为了解决上述问题，可以通过 在短时间内注入一个d轴负电流，得到一种四阶电机d-q轴模型：

上述式中带有下标‘0’的变量和参数表示i_d＝0控制模式下的模型，下标中 无‘0’的变量和参数则表示在i_d＜0的控制模式下的模型。

Step2:通过改进综合学习粒子群优化算法对上述模型进行参数辨识。

所述的步骤Step2具体包含一下步骤：

Step2.1:采集并保存i_d＝0和i_d＜0模式下的电机运行数据，将待辨识参数 的可能出现的最大范围作为改进综合学习粒子群优化算法的求解空间得到初始 种群。

Step2.2:建立合适的目标函数，根据该目标函数编写计算适应度函数。

Step2.3:通过该适应度函数计算每个个体的适应度值，根据给定的改进综合 学习粒子群优化算法进行迭代寻优。

Step2.4:上述提到的改进综合学习粒子群优化算法在传统的综合学习粒子 群优化算法在引入了免疫系统中的克隆选择机制。

Step2.5:上述提到的改进综合学习粒子群优化算法在传统的综合学习粒子 群优化算法在引入了免疫选择操作。

Step2.6:上述提到的改进综合学习粒子群优化算法在传统的综合学习粒子 群优化算法在引入了基于柯西分布的精英粒子学习机制。

Step2.7:当满足收敛条件时，所得的最优解即是所述辨识的最佳参数，从而 实现永磁同步电机的参数辨识。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明， 以充分地了解本发明的目的、特征和效果。

附图说明

图1为永磁同步电机参数辨识原理图；

图2为改进综合学习粒子群算法辨识流程图。

具体实施方式

为了使得本发明的技术方案、技术目的以及优点更加清楚，下面结合附图对 本发明进行进一步的说明。

如图1所示，本发明的并联式混动汽车动力永磁同步电机的参数辨识方法， 包含以下步骤：

在永磁同步电机相关先验模型的基础上，忽略贴心饱和；不计涡流和磁滞损 耗；转子上无阻尼绕组，永磁体也无阻尼绕组；在同步旋转坐标系的基础上对永 磁同步伺服电机建立相应数学模型：

式中：i_d,i_q,u_d,u_q,L_d,L_q分别为d轴和q轴电流，电压和电感，ω_r为电气角 速度，R_s为定子电阻，ψ_f为永磁体磁链。

在稳态情况下，同步旋转坐标系下的永磁同步电机的离散电压方程为：

对于该种电机，广泛采用按转子磁场定向并采取i_d＝0的控制策略。因此稳态 下的表达式可以简化为：

但是由于需要辨识的参数有L_d,L_qR_s,ψ_f四个，而上述公式是二阶，相对于需 要辨识的参数的个数来说，电机方程的阶数不够。为了解决上述问题，可以通过 在短时间内注入一个d轴负电流，得到一种四阶电机d-q轴模型：

上述式中带有下标‘0’的变量和参数表示i_d＝0控制模式下的模型，下标中 无‘0’的变量和参数则表示在i_d＜0的控制模式下的模型。

进一步的，基于图2所示的改进综合学习粒子群算法辨识流程图，对上述模 型进行参数辨识，具体包含以下步骤：

Step1:采集并保存i_d＝0和i_d＜0模式下的电机运行数据，将待辨识参数的 可能出现的最大范围作为改进综合学习粒子群优化算法的求解空间得到初始种 群。

Step2:建立合适目标函数，根据该目标函数编写计算适应度函数。

Step3:通过该适应度函数计算每个个体的适应度值，根据给定的改进综合学 习粒子群优化算法进行迭代寻优。

进一步,改进综合学习粒子群优化算法具体如下：

在PSO算法中，设粒子群体规模为N，每个粒子在D维搜索空间中运动， 粒子i(i＝1,2,…,N)的当前位置X_i＝{x_i1,x_i2,…,x_id}，当前的飞行速度为 V_i＝{v_i1,v_i2,…,v_id}，P_id为粒子i当前的最优位置，P_gd为种群中所有粒子所找到 的最优位置。粒子的速度更新公式为：

v_id＝wv_id+c₁r₁(P_id-x_id)+c₂r₂(P_gd-x_gd) (9)

位置更新式为：

x_id＝x_id+v_id (10)

其实：ω为惯性权重，随着进化过程逐渐减小；c₁c₂为调节P_id和P_gd相对重 要性的加速参数；r₁r₂为[0,1]间的随机数；

与标准粒子群算法不同的是，综合学习粒子群算法为了避免标准粒子群算法 可能出现的由于群体中所有粒子在迭代过程中都学习群体最佳，一旦群体最佳所 处位置是一个局部最优位置，则算法易陷入局部最优的问题，该算法采用了一种 新的学习策略，粒子依据概率，当粒子的连续几代的最佳位置得不到改善时，则 每隔一定的代数refreshing_gap，算法利用所有粒子的历史最佳位置P_id进行速 度更新，速度更新式变为：

其中：f_i＝[f_i(1),f_i(2),…,f_i(D)]定义了粒子i将跟随哪个粒子的历史最优值，为该粒子的历史最优值；每个粒子在初始化时都会被随机分配一个对应的 学习概率因子P_ci。

进一步的，在迭代过程中需要更新某个粒子的速度时，产生一个随机数与该 粒子对应的学习概率因子P_ci进行比较。对于一个D维问题，随机选取l维向种群 最佳位置P_gd学习，在剩余的D-l维中，如果随机数大于P_ci，则根据自身最佳位 置Pbest学习，否则向另外一些随机选择的粒子的历史最佳位置Pbest学习，具 体根据粒子的学习对象不同，每个粒子的不同维采用的速度更新公式为：

式中从上到下，分别对应粒子向种群中的最佳的相应维度学习，向随机选择 的粒子的历史最佳的相应维度学习，和向粒子自身的历史最佳的相应维度学习。

粒子学习概率P_ci如下所示：

进一步的，在上述提到的改进综合学习粒子群优化算法在传统的综合学习粒 子群优化算法在引入了免疫系统中的克隆选择机制。

该机制将待优化的目标函数及其约束条件视为抗原，以个体对函数的适应值 以及个体本身的浓度的综合作为评价标准维持系统的平衡，采用高频变异维持群 体的多样性，实现多峰值搜索，利用克隆选择避免算法退化。

进一步的，在改进综合学习粒子群优化算法中，对克隆扩增后的子种群进行 小波高频变异以获得新的个体。其变异算子为：

其中：X_max，X_min分别为粒子的最大最小位置值；为粒子新的最优位 置；m为Morlet小波函数定义为：

其中：由于Morlet小波产生正数和负数的概 率是相等的，通过小波高频变异可以使算法更容易在解空间内进行有效的搜索。

进一步的，在上述提到的改进综合学习粒子群优化算法在传统的综合学习粒 子群优化算法在引入了免疫选择操作。

该操作把粒子经过成比例克隆复制、高频变异后，从父代个体与子代个体中， 选择亲和度最优的个体进入下一代，通过父代个体与子代个体的混合避免了算法 退化，保证了抗体群中的最优解不会变差。

进一步的，在上述提到的改进综合学习粒子群优化算法在传统的综合学习粒 子群优化算法在引入了基于柯西分布的精英粒子学习机制。

在每次迭代时，对20％的个体的P_best进行精英学习。精英粒子学习维数随机 选取，有利于保护最优解全局结构，精英学习机制增强逃离局部最优能力，能正 确导向其他粒子的飞行，加速收敛。采用柯西分布的精英学习策略定义为:

P_i(t+1)＝P_i(t)+η₁(P_i(t)-P_j(t))+η₂Cauchy(θ,α)θ＝0,α＝1 (16)

其中：Cauchy(θ,α)为标准柯西分布，其密度函数定义为：

P_j(t)为精英粒子中随机选取的粒子，η₁，η₂为[0,1]间的随机数。

由于柯西分布具有较高的两翼概率特性，容易产生一个远离原点且具有更宽 的分布范围的随机数，使算法可以在更宽的范围进行搜索，从而可以更快地跳出 局部极小区域。

进一步的，对上述算法中的粒子进行速度更新，具体包含以下步骤：

Step1：采集并保存i_d＝0和i_d＜0模式下的电机运行数据

Step2：设定待辨识参数L_d,L_qR_s,ψ_f的范围，初始化维数D，N个粒子的位 置和速度，评估每个粒子的初始适应值，初始化P_best1,P_best2,…,P_bestN和G_best，迭代 代数t＝0，以及最大迭代代数t_max

Step3：对于i＝1,2,…,N，计算如下内容：

Step3.1：其中：惯性权重初值w_start＝0.9，惯性权 重末值

w_end＝0.4，k为迭代次数

Step3.2：refreshing_gap为更新间隔代数，flag_i为一个计数常量与refreshing_gap进行比较，当flag_i≥refreshing_gap＝7时，用基本PSO算法更 新速度、位置值，并计算P_best1,P_best2,…,P_bestN和G_best，并将flag_i重置为0；当 flag_i＜refreshing_gap＝7时，对于粒子进行速度位置更新；

Step3.3：判断是否更新Pbest_i和Gbest，若Pbest_i没有更新，则 flag_i＝flag_i+1；

Step4：将各个粒子的个体极值P_best1,P_best2,…,P_bestN组成一个临时克隆种群。 对克隆种群进行克隆操作，生成新种群。

Step5：对生成的新种群进行小波变异操作。

Step6：免疫选择操作，从克隆变异后的个体中选择亲和度最优的个体进入 下一代

Step7：更新粒子种群，对20％的个体的Pbest进行精英学习

Step8：t＝t+1，如果t＞t_max，或者达到收敛条件则输出Gbest，退出算法， 否则返回Step3

当满足收敛条件时，所得的最优解即是所述辨识的最佳参数，从而实现永磁 同步电机的参数辨识。

综上所述，本发明提出了一种并联式混动汽车动力永磁同步电机的参数辨识 方法，即运用改进综合学习粒子群优化算法对永磁同步电机进行参数辨识。所提 出的算法的主要优点是有效地提高了群体的多样性分布，增强了粒子逃离局部最 优能力，在加速收敛速度的同时有效提高了算法全局寻优能力及多峰极值全局寻 优能力。能在能够快速获得较为稳定的辨识参数，更好的表征永磁同步电机的实 际输入输出特性的同时，也能满足永磁同步电机在不同工况下的动态性能，避免 因电机参数变化给控制系统的控制精度带来的不利影响。

以上所述实施例仅表达了本发明的实施方案，其描述较为具体和详细，但并 不能因此而理解对本发明专利范围的限制。应当指出的是，对于本领域的普通技 术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些 都属于本发明的保护范围。

Claims (7)

1.一种并联式混动汽车动力永磁同步电机的参数辨识方法，其特征在于：在同步旋转坐标系下，对永磁同步电机建立数学模型；在综合学习粒子群算法基础上进行改进，引入免疫系统中的克隆选择机制、免疫选择操作和基于柯西分布的精英粒子学习机制，最终辨识并通过优化算法优化出对应参数。

2.根据权利要求1所述的并联式混动汽车动力永磁同步电机的参数辨识方法，其特征在于：在同步旋转坐标系下，对永磁同步电机建立数学模型，基于永磁同步电机数学模型，忽略铁损和涡流损耗，在同步旋转坐标系下，永磁同步电机的数学模型可以表示为：

式中：i_d,i_q,u_d,u_q,L_d,L_q分别为d轴和q轴电流，电压和电感，ω_r为电气角速度，R_s为定子电阻，ψ_f为永磁体磁链；

在稳态情况下，同步旋转坐标系下的永磁同步电机的离散电压方程为：

对于该种电机，采用按转子磁场定向并采取i_d＝0的控制策略；因此稳态下的表达式可以简化为：

由于需要辨识的参数有L_d,L_qR_s,ψ_f四个，通过在短时间内注入一个d轴负电流，得到一种四阶电机d-q轴模型：

上述式中u_d0(k)、L_q0、i_q0(k)、u_q0(k)、ψ_f0表示i_d＝0控制模式下的模型参数，u_d(k)、L_q、i_q(k)、u_q(k)、ψ_f、L_d、ω_r(k)表示在i_d＜0的控制模式下的模型参数。

3.根据权利要求1所述的并联式混动汽车动力永磁同步电机的参数辨识方法，其特征在于：所述综合学习粒子群算法(CLPSO)具体如下：

在标准粒子群算法(PSO)中，设粒子群体规模为N，每个粒子在D维搜索空间中运动，粒子i(i＝1,2,…,N)的当前位置X_i＝{x_i1,x_i2,…,x_id}，当前的飞行速度为V_i＝{v_i1,v_i2,…,v_id}，P_id为粒子i当前的最优位置，P_gd为种群中所有粒子所找到的最优位置，粒子的速度更新公式为：

v_id＝wv_id+c₁r₁(P_id-x_id)+c₂r₂(P_gd-x_gd) (5)

位置更新式为：

x_id＝x_id+v_id (6)

其实：ω为惯性权重，随着进化过程逐渐减小；c₁c₂为调节P_id和P_gd相对重要性的加速参数；r₁r₂为[0,1]间的随机数；

所述综合学习粒子群算法当粒子的连续几带的最佳位置得不到改善的时，每隔一定的代数refreshing_gap，算法利用所有粒子的历史最佳位置P_id进行速度更新，速度更新式变为：

其中：f_i＝[f_i(1),f_i(2),…,f_i(D)]定义了粒子i将跟随某个粒子的历史最优值，为该粒子的历史最优值；每个粒子在初始化时都会被随机分配一个对应的学习概率因子P_ci；在迭代过程中需要更新某个粒子的速度时，产生一个随机数与该粒子对应的学习概率因子P_ci进行比较；对于一个D维问题，随机选取l维向种群最佳位置P_gd学习，在剩余的D-l维中，如果随机数大于P_ci，则根据自身最佳位置Pbest学习，否则向另外一些随机选择的粒子的历史最佳位置Pbest学习，具体根据粒子的学习对象不同，每个粒子的不同维采用的速度更新公式为：

式中从上到下，分别对应粒子向种群中的最佳的相应维度学习，向随机选择的粒子的历史最佳的相应维度学习，和向粒子自身的历史最佳的相应维度学习；

粒子学习概率P_ci如下所示：

4.根据权利要求3所述的并联式混动汽车动力永磁同步电机的参数辨识方法，其特征在于：所述的免疫系统中的克隆选择机制具体如下：

将待优化的目标函数及其约束条件视为抗原，以个体对函数的适应值以及个体本身的浓度的综合作为评价标准维持系统的平衡，采用高频变异维持群体的多样性，实现多峰值搜索，利用克隆选择避免算法退化；

在综合学习粒子群算法中，对克隆扩增后的子种群进行小波高频变异以获得新的个体，其变异算子为：

其中：X_max，X_min分别为粒子的最大最小位置值；为粒子新的最优位置；m为Morlet小波函数，定义为：

其中：a∈[1,10000]。

5.根据权利要求1所述的并联式混动汽车动力永磁同步电机的参数辨识方法，其特征在于：所述免疫选择操作具体如下：

粒子经过成比例克隆复制、高频变异后，从父代个体与子代个体中，选择亲和度最优的个体进入下一代，通过父代个体与子代个体的混合避免了算法退化，保证了抗体群中的最优解不会变差。

6.根据权利要求1所述的并联式混动汽车动力永磁同步电机的参数辨识方法，其特征在于：所述基于柯西分布的精英粒子学习机制具体如下：

在每次迭代时，对20％的个体的P_best进行精英学习，采用柯西分布的精英学习策略定义为:

P_i(t+1)＝P_i(t)+η₁(P_i(t)-P_j(t))+η₂Cauchy(θ,α)θ＝0,α＝1 (12)

其中：Cauchy(θ,α)为标准柯西分布，其密度函数定义为：

P_j(t)为精英粒子中随机选取的粒子，η₁，η₂为[0,1]间的随机数。

7.根据权利要求1所述的并联式混动汽车动力永磁同步电机的参数辨识方法，其特征在于：所述优化算法包含以下步骤：

Step1：采集并保存i_d＝0和i_d＜0模式下的电机运行数据；

Step2：设定待辨识参数L_d,L_qR_s,ψ_f的范围，初始化维数D，N个粒子的位置和速度，评估每个粒子的初始适应值，初始化P_best1,P_best2,…,P_bestN和G_best，迭代代数t＝0，以及最大迭代代数t_max；

Step3：对于i＝1,2,…,N，计算如下内容：

Step3.1：其中：惯性权重初值w_start＝0.9，惯性权重末值w_end＝0.4，k为迭代次数；

Step3.2：refreshing_gap为更新间隔代数，flag_i为一个计数常量与refreshing_gap进行比较，当flag_i≥refreshing_gap＝7时，用基本PSO算法更新速度、位置值，并将flag_i重置为0；当flag_i＜refreshing_gap＝7时，对于粒子进行速度位置更新；

Step3.3：判断是否更新Pbest_i和Gbest，若Pbest_i没有更新，

则flag_i＝flag_i+1；

Step4：将各个粒子的个体极值P_best1,P_best2,…,P_bestN组成一个临时克隆种群。对克隆种群进行克隆操作，生成新种群；

Step5：对生成的新种群进行小波变异操作；

Step6：免疫选择操作，从克隆变异后的个体中选择亲和度最优的个体进入下一代；

Step7：更新粒子种群，对20％的个体的Pbest进行精英学习；

Step8：t＝t+1，如果t＞t_max，或者达到收敛条件则输出Gbest，退出算法，否则返回Step3。