CN114094884B - 一种电动三轮车电机离线参数辨识系统 - Google Patents

一种电动三轮车电机离线参数辨识系统 Download PDF

Info

Publication number
CN114094884B
CN114094884B CN202210053545.3A CN202210053545A CN114094884B CN 114094884 B CN114094884 B CN 114094884B CN 202210053545 A CN202210053545 A CN 202210053545A CN 114094884 B CN114094884 B CN 114094884B
Authority
CN
China
Prior art keywords
individual
value
waveform
chaotic
parameter
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
CN202210053545.3A
Other languages
English (en)
Other versions
CN114094884A (zh
Inventor
李博群
孙志锋
马风力
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.)
Hangzhou Lichao Intelligent Technology Co ltd
Zhejiang University ZJU
Original Assignee
Hangzhou Lichao Intelligent Technology Co ltd
Zhejiang University ZJU
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 Hangzhou Lichao Intelligent Technology Co ltd, Zhejiang University ZJU filed Critical Hangzhou Lichao Intelligent Technology Co ltd
Priority to CN202210053545.3A priority Critical patent/CN114094884B/zh
Publication of CN114094884A publication Critical patent/CN114094884A/zh
Application granted granted Critical
Publication of CN114094884B publication Critical patent/CN114094884B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H02P6/00—Arrangements for controlling synchronous motors or other dynamo-electric motors using electronic commutation dependent on the rotor position; Electronic commutators therefor
    • H02P6/34—Modelling or simulation for control purposes
    • 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
    • H02P23/0004—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P23/0022—Model reference adaptation, e.g. MRAS or MRAC, useful for control or parameter estimation
    • 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
    • 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
    • H02P27/00—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage
    • H02P27/04—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage using variable-frequency supply voltage, e.g. inverter or converter supply voltage
    • H02P27/06—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage using variable-frequency supply voltage, e.g. inverter or converter supply voltage using dc to ac converters or inverters
    • H02P27/08—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage using variable-frequency supply voltage, e.g. inverter or converter supply voltage using dc to ac converters or inverters with pulse width modulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Control Of Motors That Do Not Use Commutators (AREA)

Abstract

本发明公开了一种电动三轮车电机离线参数辨识系统，包括波形居中均值模块与加速型动态全息混沌寻优模块。波形居中均值模块基于状态量采样周期、非换相相电流绝对值总周期数、波形居中截取比例，对三相霍尔信号与相电流进行采样，经波形居中截取与波形均值化得出平均转速、平均非换相相电流绝对值序列，给出波形居中截取数据量、单周期时间序列；加速型动态全息混沌寻优模块基于开环方波控制驱动占空比、逆变器直流母线电压等参数，经动态全息学习、基于梯度补偿的加速搜索、基于混沌映射的个体变异的处理，离线辨识出定子电阻、定子电感、反电动势系数。本发明能提高电机的建模精度并减小参数辨识的运算量，同时有着较高的辨识速度与准确度。

Description

一种电动三轮车电机离线参数辨识系统
技术领域
本发明属于电机控制领域，具体涉及一种电动三轮车电机离线参数辨识系统。
背景技术
电动三轮车作为一种操作容易、性价比高、污染小的交通工具，深受广大群众的欢迎与喜爱，其动力系统主要由后桥、变速箱以及电机组成。后桥用于支撑与驱动电动三轮车的后轮，变速箱用于实现电机转速与车轮转速之间的比例转换。作为动力系统心脏的电机，其特性的优劣决定着电动三轮车运行性能的好坏。近年来，永磁材料技术得到了极大的发展，作为其主要产品之一，无刷直流电机（Brushless DC Motor, BLDCM）由于具有转矩电流比大、运行效率高、可靠性强等优点，在电动三轮车行业中的应用也越来越广泛，因此对电动三轮车无刷直流电机的研究非常具有潜力。
BLDCM的定子电阻、定子电感、反电动势系数等参数不仅是实际生产中选型的重要参考，而且是很多控制算法（自抗扰控制、模型预测控制、无差拍预测控制、干扰观测器控制等）中的核心控制参数，其测量数值的精确度决定着工程项目以及学术研究质量的高低。但有研究表明，BLDCM的定子电阻、定子电感、反电动势系数等参数很容易在电机老化受损、持久高温运行后发生变化，从而对电机控制系统的性能产生不利影响。因此，研制一款能对BLDCM当前状态的参数进行辨识的算法，不管是对工程中的选型还是科研中的算法设计都具有极高的研究价值。
BLDCM的参数辨识分为在线与离线两种。在线参数辨识是一种能在电机控制中实时更新参数辨识结果的方法，实时性强；但是该方法复杂度较高，且需要驱动性能与采样精度较高的硬件电路。离线参数辨识只能辨识电机在某一时段的参数，但是该方法较为简单且不需要额外增加过多硬件，成本较低，这里采用离线辨识。
BLDCM的驱动技术主要有矢量控制和方波控制。矢量控制虽然稳定性非常好，但是算法的复杂度较高，且开关损耗较大，硬件成本较高；与矢量控制相比，方波控制结构简单，且开关损耗较小，对控制器硬件的质量要求较低。这里采用方波控制，该方式通过PWM调制对电机进行驱动，基于六步换相法实现电机的导通状态转换。方波控制有开环方波控制与双闭环方波控制。在离线参数辨识中，为了保证电机驱动方案的适配性与可靠性，这里选择上述驱动方式中复杂度最低的开环方波控制对BLDCM进行驱动。
对BLDCM的离线参数辨识属于电磁场逆问题。近年来，进化计算方法已被广泛应用于具有复杂目标函数的电磁场逆问题的求解，其中最为常用的就是粒子群优化（ParticleSwarm Optimization, PSO），该策略虽然能使算法快速收敛，但容易陷入局部最优，特别是对于具有多个局部最优解的问题。鲸鱼优化算法（Whale Optimization Algorithm, WOA）是Seyedali Mirjalili和Andrew Lewis在2016年提出的一种新型进化计算方法，与其他进化计算方法不同的是，WOA的搜索方式可以分为三个阶段，这三个阶段可以使WOA比大多数进化计算方法更有效地平衡局部搜索和与全局搜索能力。然而，WOA的这种搜索机制也存在一些缺点，例如，如果个体向当前群体中较差的个体靠拢，WOA的收敛速度将受到负面影响；此外，如果所有个体都向当前的最优个体学习，则WOA可能会进入早熟收敛状态。
一般方法是基于dq坐标系下的dq轴电流对BLDCM进行离线参数辨识，但是dq坐标系中的数学模型假设BLDCM的反电动势波形为正弦波，而实际情况中BLDCM的反电动势波形一般为梯形波，因此一般方法对反电动势的建模存在误差，进而会加大反电动势系数的辨识误差。如何科学地选取能真实反应BLDCM参数性质的数据段、如何尽量降低参数辨识数据集的规模以减少运算量，是急需解决的难题。
发明内容
针对现有技术所存在的上述技术缺陷，本发明提供了一种电动三轮车电机离线参数辨识系统（Off Line Parameter Identification for Electric Tricycle Motor,OLPIETM）。该系统能提高电动三轮车电机的建模精度并减小辨识运算量，同时有着较高的参数辨识收敛速度与求解精度。
本发明提供的电动三轮车电机离线参数辨识系统（OLPIETM），其包括波形居中均值模块（Waveform Centered Averaging, WCA）和加速型动态全息混沌寻优模块（Accelerated dynamic fully informed chaotic optimization, ADFICO）。
所述的波形居中均值模块（WCA）基于状态量采样周期
Figure 100002_DEST_PATH_IMAGE001
、非换相相电流绝对值 的总周期数
Figure 100002_DEST_PATH_IMAGE002
、波形居中截取比例
Figure 100002_DEST_PATH_IMAGE003
对A相霍尔信号
Figure 100002_DEST_PATH_IMAGE005
、B相霍尔信号
Figure 100002_DEST_PATH_IMAGE006
、C相霍尔信号
Figure 100002_DEST_PATH_IMAGE008
、A相相电流
Figure 100002_DEST_PATH_IMAGE009
、B相相电流
Figure 100002_DEST_PATH_IMAGE010
、C相相电流
Figure 100002_DEST_PATH_IMAGE011
进行采样，经波形居中截取与波形均值化得到平 均转速
Figure 100002_DEST_PATH_IMAGE012
、平均非换相相电流绝对值序列
Figure 100002_DEST_PATH_IMAGE013
，其中
Figure 100002_DEST_PATH_IMAGE014
，
Figure 100002_DEST_PATH_IMAGE015
为波形居中截取数 据量；将
Figure 92129DEST_PATH_IMAGE013
作为加速型动态全息混沌寻优模块的参数辨识数据集，并给出
Figure 806007DEST_PATH_IMAGE013
的属性 指标：波形居中截取数据量
Figure 116903DEST_PATH_IMAGE015
、单周期时间序列
Figure 100002_DEST_PATH_IMAGE016
；
所述的加速型动态全息混沌寻优模块（ADFICO）基于开环方波控制驱动占空比
Figure 100002_DEST_PATH_IMAGE018
、 逆变器直流母线电压
Figure 100002_DEST_PATH_IMAGE019
、
Figure 371166DEST_PATH_IMAGE012
、
Figure 215232DEST_PATH_IMAGE015
、
Figure 568853DEST_PATH_IMAGE016
、
Figure 367045DEST_PATH_IMAGE013
，经过动态全息学习、基于梯度补偿的加速搜 索、基于混沌映射的个体变异的处理，对定子电阻辨识值
Figure 100002_DEST_PATH_IMAGE020
、定子电感辨识值
Figure 100002_DEST_PATH_IMAGE021
、反电动 势系数辨识值
Figure 100002_DEST_PATH_IMAGE023
进行离线辨识。
本发明的有益技术效果为：
（1）本发明中的波形居中均值模块（WCA），能提高电动三轮车电机的建模精度，以及降低用于参数辨识的数据集规模以减小运算量。
（2）本发明中的加速型动态全息混沌优化模块（ADFICO），相比传统进化计算方法拥有更快的收敛速度、更高的求解精度以及更强的全局搜索能力，参数辨识效率大大提高。
附图说明
图1为本发明的波形居中截取示意图；
图2 为本发明的波形均值化示意图；
图3 为本发明ADFICO的寻优流程示意图；
图4 为本发明DFIL的邻域拓扑图；
图5 为本发明的系统框图；
图6为
Figure 100002_DEST_PATH_IMAGE024
=0.30，
Figure 100002_DEST_PATH_IMAGE025
=1.9 N·m时的
Figure 100002_DEST_PATH_IMAGE026
波形图；
图7为
Figure 519940DEST_PATH_IMAGE024
=0.34，
Figure 719977DEST_PATH_IMAGE025
=2.3 N·m时的
Figure 510079DEST_PATH_IMAGE026
波形图；
图8为
Figure 529987DEST_PATH_IMAGE024
=0.38，
Figure 798157DEST_PATH_IMAGE025
=2.7 N·m时的
Figure 852701DEST_PATH_IMAGE026
波形图；
图9为
Figure 813704DEST_PATH_IMAGE024
=0.30，
Figure 79164DEST_PATH_IMAGE025
=1.9 N·m时的参数辨识收敛曲线；
图10为
Figure 885446DEST_PATH_IMAGE024
=0.34，
Figure 60075DEST_PATH_IMAGE025
=2.3 N·m时的参数辨识收敛曲线；
图11为
Figure 926400DEST_PATH_IMAGE024
=0.38，
Figure 186480DEST_PATH_IMAGE025
=2.7 N·m时的参数辨识收敛曲线。
具体实施方式
下面结合具体实施方式对本发明做进一步阐述和说明。所述实施例仅是本公开内容的示范且不圈定限制范围。本发明中各个实施方式的技术特征在没有相互冲突的前提下，均可进行相应组合。
本发明的电动三轮车电机离线参数辨识系统（OLPIETM），包括：波形居中均值模块（WCA）与加速型动态全息混沌优化模块（ADFICO）。
所述的WCA基于状态量采样周期
Figure 796453DEST_PATH_IMAGE001
、非换相相电流绝对值的总周期数
Figure 825589DEST_PATH_IMAGE002
、波形 居中截取比例
Figure 862815DEST_PATH_IMAGE003
对A相霍尔信号
Figure 344612DEST_PATH_IMAGE005
、B相霍尔信号
Figure 259740DEST_PATH_IMAGE006
、C相霍尔信号
Figure 100002_DEST_PATH_IMAGE027
、A相相电流
Figure 674541DEST_PATH_IMAGE009
、B相 相电流
Figure 148248DEST_PATH_IMAGE010
、C相相电流
Figure 117341DEST_PATH_IMAGE011
进行采样，经波形居中截取与波形均值化得到平均转速
Figure 69116DEST_PATH_IMAGE012
、平均非换 相相电流绝对值序列
Figure 72844DEST_PATH_IMAGE013
，其中
Figure 717452DEST_PATH_IMAGE014
，
Figure 672377DEST_PATH_IMAGE015
为波形居中截取数据量；将
Figure 427843DEST_PATH_IMAGE013
作为 加速型动态全息混沌寻优模块的参数辨识数据集，并给出
Figure 286078DEST_PATH_IMAGE013
的属性指标：波形居中截 取数据量
Figure 101587DEST_PATH_IMAGE015
、单周期时间序列
Figure 45272DEST_PATH_IMAGE016
；
所述的ADFICO基于开环方波控制驱动占空比
Figure 100002_DEST_PATH_IMAGE028
、逆变器直流母线电压
Figure 401167DEST_PATH_IMAGE019
、
Figure 615373DEST_PATH_IMAGE012
、
Figure 336204DEST_PATH_IMAGE015
、
Figure 767186DEST_PATH_IMAGE016
、
Figure 864455DEST_PATH_IMAGE013
，经过动态全息学习（Dynamic Fully Informed Learning, DFIL）、基于梯度 补偿的加速搜索（Gradient Compensation Based Accelerated Search, GCBAS）、基于混 沌映射的个体变异（Chaotic Map Based Individual Mutation, CMBIM）的处理，对定子电 阻辨识值
Figure 697282DEST_PATH_IMAGE020
、定子电感辨识值
Figure 589014DEST_PATH_IMAGE021
、反电动势系数辨识值
Figure 507292DEST_PATH_IMAGE023
进行离线辨识。
本发明的原理如下：
一般算法是基于dq坐标系下的dq轴电流对BLDCM进行离线参数辨识，但是dq坐标系中的数学模型假设BLDCM的反电动势波形为正弦波，而实际情况中BLDCM的反电动势波形一般为梯形波，因此一般算法对反电动势的建模存在误差，进而会加大反电动势系数的辨识误差。为了更加科学地选取能真实反应BLDCM参数性质的数据段，本发明基于BLDCM在开环方波控制下三相坐标系中的数学模型，提出一种波形居中均值模块（WCA）。
在WCA中，对
Figure 408252DEST_PATH_IMAGE005
、
Figure 599979DEST_PATH_IMAGE006
、
Figure 928192DEST_PATH_IMAGE027
进行组合得到合成霍尔信号HALL为：
Figure 100002_DEST_PATH_IMAGE029
（1）
根据HALL选出
Figure 333766DEST_PATH_IMAGE009
、
Figure 38417DEST_PATH_IMAGE010
、
Figure 845836DEST_PATH_IMAGE011
中的非换相相电流，通过取绝对值操作可以得到非换相相 电流绝对值
Figure DEST_PATH_IMAGE030
。得到
Figure 610530DEST_PATH_IMAGE030
的波形后，首先要进行波形居中截取处理，其示意图如图1所示。
图1中，
Figure 739285DEST_PATH_IMAGE030
的波形呈周期性变化，每当HALL变化时，
Figure 982047DEST_PATH_IMAGE030
将进入下一个周期。这里 取
Figure 643973DEST_PATH_IMAGE002
个周期的
Figure 313989DEST_PATH_IMAGE030
波形，
Figure 428575DEST_PATH_IMAGE002
个周期的总长度为
Figure 100002_DEST_PATH_IMAGE031
。根据
Figure 6187DEST_PATH_IMAGE002
与
Figure 286733DEST_PATH_IMAGE031
可计算出电机的平均转速
Figure 127650DEST_PATH_IMAGE012
为：
Figure 100002_DEST_PATH_IMAGE032
（2）
其中，
Figure 100002_DEST_PATH_IMAGE033
为电机的极对数。
根据
Figure 323008DEST_PATH_IMAGE002
、
Figure 907573DEST_PATH_IMAGE031
、
Figure 779977DEST_PATH_IMAGE001
与
Figure 57374DEST_PATH_IMAGE003
（
Figure 880974DEST_PATH_IMAGE003
<90%）可计算出波形居中截取数据量
Figure 269230DEST_PATH_IMAGE015
为：
Figure 100002_DEST_PATH_IMAGE034
（3）
在
Figure 25833DEST_PATH_IMAGE030
的每个周期中，为了避免换相阶段引起的
Figure 474132DEST_PATH_IMAGE030
波形失真以提高建模精度，这 里取最靠中间的
Figure 379220DEST_PATH_IMAGE015
个采样值，即图1中
Figure 100002_DEST_PATH_IMAGE035
时间段的部分，这样可以得到
Figure 102326DEST_PATH_IMAGE002
个
Figure 182277DEST_PATH_IMAGE030
周 期的居中截取数据集
Figure 100002_DEST_PATH_IMAGE037
（
Figure 100002_DEST_PATH_IMAGE038
；
Figure 100002_DEST_PATH_IMAGE039
）。
Figure 100002_DEST_PATH_IMAGE040
为第
Figure 100002_DEST_PATH_IMAGE041
个
Figure 489893DEST_PATH_IMAGE030
周期的第
Figure 100002_DEST_PATH_IMAGE042
个
Figure 819243DEST_PATH_IMAGE030
的采样值。
为了降低用于参数辨识的数据集规模以减小运算量，这里对波形居中截取后的
Figure 549302DEST_PATH_IMAGE037
（
Figure 218180DEST_PATH_IMAGE038
；
Figure 8282DEST_PATH_IMAGE039
）进行波形均值化处理，如图2所示，
Figure 100002_DEST_PATH_IMAGE044
为经波形均值 化处理后的平均非换相相电流绝对值。
首先，基于
Figure 323463DEST_PATH_IMAGE001
给出单周期时间序列
Figure 591634DEST_PATH_IMAGE016
（
Figure 646177DEST_PATH_IMAGE038
），该序列是项数为
Figure 607180DEST_PATH_IMAGE015
、首 项为0、公差为
Figure 114385DEST_PATH_IMAGE001
的等差数列，表达式为：
Figure 100002_DEST_PATH_IMAGE045
（4）
然后基于
Figure 717404DEST_PATH_IMAGE037
（
Figure 393499DEST_PATH_IMAGE038
；
Figure 259823DEST_PATH_IMAGE039
），通过取
Figure 254324DEST_PATH_IMAGE042
处
Figure 129876DEST_PATH_IMAGE002
个
Figure 893433DEST_PATH_IMAGE040
的平均 值，可得到平均非换相相电流绝对值序列
Figure 100002_DEST_PATH_IMAGE046
（
Figure 461818DEST_PATH_IMAGE038
），其表达式为：
Figure 100002_DEST_PATH_IMAGE047
（5）
如图2所示，
Figure 740352DEST_PATH_IMAGE046
对应的时间点为
Figure 658411DEST_PATH_IMAGE016
。
为了基于
Figure 542053DEST_PATH_IMAGE046
实现对电机参数的离线辨识，本发明提出了一种加速型动态全息 混沌优化模块（ADFICO）。ADFICO先在参数辨识范围内随机产生N个个体，即N个初始参数辨 识值，然后通过个体的进化实现参数寻优。
建立离线辨识目标函数F M为：
Figure 100002_DEST_PATH_IMAGE049
（6）
其中，
Figure 100002_DEST_PATH_IMAGE050
、
Figure 100002_DEST_PATH_IMAGE051
、
Figure DEST_PATH_IMAGE052
分别为
Figure 140393DEST_PATH_IMAGE020
、
Figure 109486DEST_PATH_IMAGE021
、
Figure 562727DEST_PATH_IMAGE023
的最小值，
Figure 100002_DEST_PATH_IMAGE053
、
Figure 100002_DEST_PATH_IMAGE054
、
Figure 100002_DEST_PATH_IMAGE055
分别为
Figure 159930DEST_PATH_IMAGE020
、
Figure 538959DEST_PATH_IMAGE021
、
Figure 995348DEST_PATH_IMAGE023
的最大值；
Figure 100002_DEST_PATH_IMAGE057
为平均非换相相电流绝对值初值的辨识值，加速型动态全息混沌寻优 模块将4维变量
Figure 100002_DEST_PATH_IMAGE058
作为每个个体的位置，将
Figure 100002_DEST_PATH_IMAGE059
与
Figure 100002_DEST_PATH_IMAGE060
分别作为参数辨识范围的下限与上限，将
Figure 100002_DEST_PATH_IMAGE061
作为个 体的适应度。
Figure 905142DEST_PATH_IMAGE061
越小，表示对应的个体越优，即参数辨识值越好。
ADFICO的寻优流程示意图如图3所示，包含动态全息学习（DFIL）、基于梯度补偿的 加速搜索（GCBAS）、基于混沌映射的个体变异（CMBIM）三个主要处理过程。在ADFICO中，首先 进行种群初始化得到
Figure 763376DEST_PATH_IMAGE057
、
Figure 844465DEST_PATH_IMAGE020
、
Figure 289615DEST_PATH_IMAGE021
、
Figure 583193DEST_PATH_IMAGE023
的初始解，然后基于DFIL实现种群的位置更新，接着 采用GCBAS对种群的位置进行补偿，最后使用CMBIM实现种群多样化。当达到终止条件时，算 法结束，否则将继续循环往复。
为了更好地平衡ADFICO的全局搜索与局部搜索能力并减少其陷入早熟收敛的概 率，本发明采用动态全息学习机制（Dynamic Fully Informed Learning, DFIL）。随着优化 过程的进行，DFIL逐渐增加每个个体的邻域拓扑连通度
Figure 100002_DEST_PATH_IMAGE062
，即每个个体拥有的邻居数。 定义
Figure 827093DEST_PATH_IMAGE062
的表达式为：
Figure 100002_DEST_PATH_IMAGE063
（7）
其中，
Figure 100002_DEST_PATH_IMAGE064
为向下取整，N为种群规模，t为当前迭代次数，T为最大迭代次数。
Figure 100002_DEST_PATH_IMAGE065
和
Figure 100002_DEST_PATH_IMAGE066
分别为连通度初始比例与连通度最终比例，应保证
Figure 672558DEST_PATH_IMAGE065
<
Figure 861794DEST_PATH_IMAGE066
。
在DFIL中，个体之间为有向连接，且每个个体选择距自己最远的
Figure 693484DEST_PATH_IMAGE062
个个体作为 邻居。DFIL的邻域拓扑如图4所示，当
Figure 260731DEST_PATH_IMAGE062
为1时，个体j的邻居是k，而个体k的邻居不是j而 是i。每次
Figure 418043DEST_PATH_IMAGE062
增加时，每个个体都会重新选择距离自己最远的
Figure 601900DEST_PATH_IMAGE062
个个体作为邻居。例 如，更新后，
Figure 502860DEST_PATH_IMAGE062
增加到2，个体i的邻居是两个距自己最远的个体，即k和m。
为了便于计算，将个体i的邻居k（k=1, 2, …,
Figure 190193DEST_PATH_IMAGE062
）的适应度
Figure 100002_DEST_PATH_IMAGE067
归一化为
Figure 100002_DEST_PATH_IMAGE068
：
Figure 100002_DEST_PATH_IMAGE069
（8）
然后定义个体i的全息局部吸引子
Figure 100002_DEST_PATH_IMAGE070
为：
Figure 100002_DEST_PATH_IMAGE071
（9）
式中，d是搜索空间维度的序号，
Figure DEST_PATH_IMAGE072
是个体i的权重，
Figure DEST_PATH_IMAGE074
是满足标准正态分布的随 机数，
Figure DEST_PATH_IMAGE076
是个体i的邻居k的位置。
Figure 892308DEST_PATH_IMAGE072
被定义为：
Figure DEST_PATH_IMAGE077
（10）
Figure DEST_PATH_IMAGE078
的初始值为
Figure DEST_PATH_IMAGE079
。随着t的增加，最优个体g的权重逐渐增加到
Figure DEST_PATH_IMAGE080
的总 和，其他个体的权重逐渐减少到0，使得全息局部吸引子
Figure DEST_PATH_IMAGE081
逐渐向最优个体转移。每个个 体通过向它的
Figure DEST_PATH_IMAGE082
靠拢实现位置更新。
为了进一步加快ADFICO的收敛速度，本发明采用基于梯度补偿的加速搜索（Gradient Compensation Based Accelerated Search, GCBAS），对每个个体每一维度d上的位置信息进行补偿。当一个个体在d上的位置信息与t-1时的相同时，令补偿量为0；否则令补偿量为一种自适应离散负梯度项，其值等于离散负梯度与自适应搜索步长的乘积。
在GCBAS中，定义加速搜索位置更新公式为：
Figure DEST_PATH_IMAGE083
（11）
其中，
Figure DEST_PATH_IMAGE084
为个体适应度。
Figure DEST_PATH_IMAGE085
为步长约束系数，用于对自适应搜索步长的范围进行限 制。
Figure DEST_PATH_IMAGE086
和
Figure DEST_PATH_IMAGE087
分别是
Figure DEST_PATH_IMAGE088
的下限和上限。定义容错基底
Figure DEST_PATH_IMAGE089
为：
Figure DEST_PATH_IMAGE090
（12）
GCBAS主要通过增加个体位置的偏移实现了加速搜索。
为了使ADFICO能更有效地跳出可能出现的进化停滞状态，本发明采用基于混沌映 射的个体变异（Chaotic Map Based Individual Mutation, CMBIM）。在CMBIM中，一部分个 体将在的迭代过程中会产生混沌变异，定义混沌变异概率
Figure DEST_PATH_IMAGE091
与混沌变异个体数
Figure DEST_PATH_IMAGE092
的 表达式如下：
Figure DEST_PATH_IMAGE093
（13）
Figure DEST_PATH_IMAGE094
（14）
式中，
Figure DEST_PATH_IMAGE095
为混沌变异概率控制系数，
Figure 693954DEST_PATH_IMAGE095
越小，混沌变异概率越大。
Figure DEST_PATH_IMAGE097
和
Figure DEST_PATH_IMAGE098
分别是混 沌变异初始比例与混沌变异最终比例，应保证
Figure 460921DEST_PATH_IMAGE097
>
Figure 2761DEST_PATH_IMAGE098
。
这里提出种群聚合度
Figure DEST_PATH_IMAGE099
来衡量种群的聚集状态。如果
Figure 328307DEST_PATH_IMAGE099
太小，则认为种群进化 处于停滞状态。定义
Figure 955597DEST_PATH_IMAGE099
为：
Figure DEST_PATH_IMAGE100
（15）
其中，
Figure DEST_PATH_IMAGE101
是
Figure DEST_PATH_IMAGE102
的平均值。如果出现以下状态则认为种群进化处于停滞状态：
Figure DEST_PATH_IMAGE103
（16）
式中，r是均匀分布在[0,1]中的一个随机数，
Figure DEST_PATH_IMAGE104
是种群聚合度阈值。
如果个体处于进化停滞状态，则使最差的
Figure 355617DEST_PATH_IMAGE092
个个体发生如下的变异:
Figure DEST_PATH_IMAGE105
（17）
Figure DEST_PATH_IMAGE106
（18）
其中，
Figure DEST_PATH_IMAGE107
为当前最优个体的位置，
Figure DEST_PATH_IMAGE108
（m=1, 2, …,
Figure 142176DEST_PATH_IMAGE092
）是变异个体的位置。
Figure DEST_PATH_IMAGE109
是变异初值控制参数，用来控制
Figure 859464DEST_PATH_IMAGE108
的范围。
Figure DEST_PATH_IMAGE110
是变异发散系数，
Figure 505209DEST_PATH_IMAGE110
越大，混沌变异越发 散。
Figure DEST_PATH_IMAGE111
是变异分布系数，用来限制待变异子种群的位置范围。
Figure DEST_PATH_IMAGE112
是变异反归一化控制系数， 用来调整混沌变异后子种群的位置范围。最差的
Figure 348400DEST_PATH_IMAGE092
个个体的位置将被
Figure 864832DEST_PATH_IMAGE108
取代。
最终，OLPIETM的系统框图如图5所示。当系统工作时，WCA基于
Figure 705749DEST_PATH_IMAGE001
、
Figure 809096DEST_PATH_IMAGE002
、
Figure 393661DEST_PATH_IMAGE003
，负责 对
Figure 499021DEST_PATH_IMAGE005
、
Figure 776418DEST_PATH_IMAGE006
、
Figure DEST_PATH_IMAGE113
、
Figure 865597DEST_PATH_IMAGE009
、
Figure 253853DEST_PATH_IMAGE010
、
Figure 479298DEST_PATH_IMAGE011
进行采样，然后经波形居中均值与波形均值化两大操作得出
Figure 160553DEST_PATH_IMAGE012
、
Figure 737027DEST_PATH_IMAGE013
（
Figure 663395DEST_PATH_IMAGE014
），将
Figure 743347DEST_PATH_IMAGE013
作为ADFICO的离线辨识数据集，并给出
Figure 362547DEST_PATH_IMAGE013
的属性指标：
Figure 160739DEST_PATH_IMAGE015
、
Figure 625218DEST_PATH_IMAGE016
（
Figure 825255DEST_PATH_IMAGE014
）。ADFICO基于
Figure 116821DEST_PATH_IMAGE018
、
Figure 136730DEST_PATH_IMAGE019
、
Figure 404900DEST_PATH_IMAGE012
、
Figure 725023DEST_PATH_IMAGE015
、
Figure 420447DEST_PATH_IMAGE016
、
Figure 927651DEST_PATH_IMAGE013
，经过DFIL、GCBAS、CMBIM 的处理，实现对定子电阻辨识值
Figure 999513DEST_PATH_IMAGE020
、定子电感辨识值
Figure 908563DEST_PATH_IMAGE021
、反电动势系数辨识值
Figure 40467DEST_PATH_IMAGE023
的离线辨 识。
为了更为具体地描述本发明，下面对本发明的技术方案及其相关工作原理进行详细说明。
搭建了电动三轮车电机实验平台，主控芯片采用STM32F407ZGT6，PWM频率设为20kHz，用磁滞测功机给电机加载，电动三轮车电机的具体参数如表1所示。
表1电动三轮车电机参数
Figure DEST_PATH_IMAGE114
在开环方波控制下，对电机在
Figure 336100DEST_PATH_IMAGE018
=0.30、
Figure 211652DEST_PATH_IMAGE025
=1.9 N·m，
Figure 240788DEST_PATH_IMAGE018
=0.34，
Figure 278014DEST_PATH_IMAGE025
=2.3 N·m与
Figure 290969DEST_PATH_IMAGE018
=0.38，
Figure 704633DEST_PATH_IMAGE025
=2.7 N·m三种受控状态中的定子电阻、定子电感与反电动势系数进行辨识，
Figure 89740DEST_PATH_IMAGE025
为电机的转矩。这里设定状态量采样周期
Figure 297868DEST_PATH_IMAGE001
=1 μs，将0.5 s内三相霍尔信号以及相电 流的波形片段导入上位机，采用Matlab软件进行离线参数辨识。
得到0.5 s的波形片段后，首先通过WCA进行数据预处理，设定
Figure 532540DEST_PATH_IMAGE002
=48、
Figure 749895DEST_PATH_IMAGE003
=85%。 WCA的处理结果如表2所示。
表2 WCA处理结果
Figure DEST_PATH_IMAGE115
基于表2中的参数，通过WCA计算得到电机在上述三种状态下的
Figure 284781DEST_PATH_IMAGE026
波形分别如图 6、图7、图8所示。随着转速与转矩的增加，
Figure 929389DEST_PATH_IMAGE026
波形幅值上抬且周期缩短。
然后采用PSO、WOA与ADFICO三种方法对电机的参数进行辨识。三种方法将使用相同的初始种群，种群规模与最大迭代次数分别设置为40和60，每种方法独立运行100次。如果收敛误差小于60 mA则认为已求出全局最优解，当前迭代次数超过60时算法将终止。ADFICO的参数设置如表3所示。
表3 ADFICO的参数设置
Figure DEST_PATH_IMAGE116
经过测试，给出三种方法在三种工况下的收敛曲线分别如图9、图10、图11所示。图 9中，
Figure 681051DEST_PATH_IMAGE024
=0.30、
Figure 436518DEST_PATH_IMAGE025
=1.9 N·m时，ADFICO的收敛曲线在前期（迭代次数在0~10之间）下降最 快，收敛速度最高；在迭代后期（迭代次数在50~60之间），PSO收敛曲线的幅值明显高于60 mA，存在早熟收敛的情况，而ADFICO收敛曲线在三者中的幅值最低，收敛精度最高。图10与 图11的两种情况中，ADFICO同样有着最快的前期收敛速度与最高的后期收敛精度。
为了定量评估每种方法的辨识性能，给出最终适应度的平均值（Mean.）、最终适应 度的标准差（Std.）、首次求出全局最优解的平均迭代次数（Iter.）以及能求出全局最优解 的概率（Pro.）四种性能评价指标如表4所示。在三种工况下，ADFICO均取得了最小的Mean.、 Std.与Iter.，表明其有着最高的局部搜索能力、鲁棒性与收敛速度。此外，ADFICO的全局搜 索性能要优于PSO与WOA，因为其在三种情况中取得的Pro.均高达100%；在
Figure 560332DEST_PATH_IMAGE024
=0.38、
Figure 375841DEST_PATH_IMAGE025
=2.7 N·m的工况下，ADFICO有着更为明显的全局搜索优势，其取得的Pro.与PSO、WOA相比分别增 加了99%和7%。
表4 参数辨识中不同方法的性能指标值
Figure DEST_PATH_IMAGE117
在实验中，定义参数误差ERR M用于衡量参数辨识的准确度，其公式为：
Figure DEST_PATH_IMAGE118
（19）
其中，
Figure DEST_PATH_IMAGE119
、
Figure DEST_PATH_IMAGE120
、
Figure DEST_PATH_IMAGE121
分别为
Figure DEST_PATH_IMAGE122
、
Figure DEST_PATH_IMAGE123
与
Figure DEST_PATH_IMAGE124
的实际值，
Figure DEST_PATH_IMAGE125
越小表示参数辨识的 准确度越高。
这里给出三种方法在三种工况下的最优参数辨识结果如表5所示。
表5 不同方法的最优参数辨识结果
Figure DEST_PATH_IMAGE126
其中，ADFICO在
Figure 890830DEST_PATH_IMAGE024
=0.30、
Figure 449988DEST_PATH_IMAGE025
=1.9 N·m时求得的
Figure 162729DEST_PATH_IMAGE061
为12.7186 mA，对应的参数误 差
Figure DEST_PATH_IMAGE127
为2.11%，分别低至PSO与WOA的18.94%与23.65%。在
Figure 680298DEST_PATH_IMAGE024
=0.34、
Figure 111279DEST_PATH_IMAGE025
=2.3 N·m与
Figure 208548DEST_PATH_IMAGE024
= 0.38、
Figure 277260DEST_PATH_IMAGE025
=2.7 N·m两种情况下，ADFICO求得的
Figure 434572DEST_PATH_IMAGE061
分别为12.4925 mA与48.4189 mA，对应的 参数误差
Figure 352850DEST_PATH_IMAGE127
分别为1.25%与1.27%，均为三种方法中的最小值，表明ADFICO在三种方法中 的参数辨识准确度最高。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。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 (8)

1.一种电动三轮车电机离线参数辨识系统，其特征在于包括波形居中均值模块和加速型动态全息混沌寻优模块，
所述的波形居中均值模块基于状态量采样周期
Figure DEST_PATH_IMAGE001
、非换相相电流绝对值的总周期数
Figure DEST_PATH_IMAGE002
、波形居中截取比例
Figure DEST_PATH_IMAGE003
对A相霍尔信号
Figure DEST_PATH_IMAGE005
、B相霍尔信号
Figure DEST_PATH_IMAGE006
、C相霍尔信号
Figure DEST_PATH_IMAGE008
、A相相电流
Figure DEST_PATH_IMAGE009
、B相相电流
Figure DEST_PATH_IMAGE010
、C相相电流
Figure DEST_PATH_IMAGE011
进行采样，经波形居中截取与波形均值化得到平均转速
Figure DEST_PATH_IMAGE012
、 平均非换相相电流绝对值序列
Figure DEST_PATH_IMAGE013
，其中
Figure DEST_PATH_IMAGE014
，
Figure DEST_PATH_IMAGE015
为波形居中截取数据量；将
Figure 538677DEST_PATH_IMAGE013
作为加速型动态全息混沌寻优模块的参数辨识数据集，并给出
Figure 924659DEST_PATH_IMAGE013
的属性指标：波 形居中截取数据量
Figure 173238DEST_PATH_IMAGE015
、单周期时间序列
Figure DEST_PATH_IMAGE016
；
所述的加速型动态全息混沌寻优模块基于开环方波控制驱动占空比
Figure DEST_PATH_IMAGE018
、逆变器直流母 线电压
Figure DEST_PATH_IMAGE019
、
Figure 942349DEST_PATH_IMAGE012
、
Figure 959983DEST_PATH_IMAGE015
、
Figure 251287DEST_PATH_IMAGE016
、
Figure 252741DEST_PATH_IMAGE013
，经过动态全息学习、基于梯度补偿的加速搜索、基于混沌 映射的个体变异的处理，对定子电阻辨识值
Figure DEST_PATH_IMAGE020
、定子电感辨识值
Figure DEST_PATH_IMAGE021
、反电动势系数辨识值
Figure DEST_PATH_IMAGE023
进行离线辨识。
2.如权利要求1所述的电动三轮车电机离线参数辨识系统，其特征在于，所述的波形居中截取，具体为：
对
Figure 831402DEST_PATH_IMAGE005
、
Figure 969123DEST_PATH_IMAGE006
、
Figure DEST_PATH_IMAGE024
进行组合得到合成霍尔信号HALL为：
Figure DEST_PATH_IMAGE025
根据HALL选出
Figure 369011DEST_PATH_IMAGE009
、
Figure 326603DEST_PATH_IMAGE010
、
Figure 532456DEST_PATH_IMAGE011
中的非换相相电流，通过取绝对值操作得到非换相相电流绝对 值
Figure DEST_PATH_IMAGE026
，在电机稳定运行时，
Figure 492060DEST_PATH_IMAGE026
的波形呈周期性变化，每当HALL变化时，
Figure 390746DEST_PATH_IMAGE026
将进入下一个 周期；检测出
Figure DEST_PATH_IMAGE027
个连续的HALL变化时间点，将第
Figure 570054DEST_PATH_IMAGE027
个与第1个HALL变化时间点的时间 差记为
Figure DEST_PATH_IMAGE028
，同时记录下第1个与
Figure 782861DEST_PATH_IMAGE027
个HALL变化时间点之间的
Figure 895173DEST_PATH_IMAGE026
采样值；
根据
Figure 197716DEST_PATH_IMAGE002
与
Figure 395480DEST_PATH_IMAGE028
计算出电机的平均转速
Figure 943135DEST_PATH_IMAGE012
；
根据
Figure 909954DEST_PATH_IMAGE002
、
Figure 884864DEST_PATH_IMAGE028
、
Figure 304344DEST_PATH_IMAGE001
与
Figure 390111DEST_PATH_IMAGE003
计算出波形居中截取数据量
Figure 709972DEST_PATH_IMAGE015
：
Figure DEST_PATH_IMAGE029
在
Figure 324624DEST_PATH_IMAGE026
的每个周期中，取最靠中间的
Figure 965821DEST_PATH_IMAGE015
个采样值，得到
Figure 855280DEST_PATH_IMAGE002
个
Figure 796691DEST_PATH_IMAGE026
周期的居中截取数据 集
Figure DEST_PATH_IMAGE031
，其中，
Figure DEST_PATH_IMAGE032
；
Figure DEST_PATH_IMAGE033
，
Figure 770461DEST_PATH_IMAGE031
为第
Figure DEST_PATH_IMAGE034
个
Figure 633375DEST_PATH_IMAGE026
周期的第
Figure DEST_PATH_IMAGE035
个
Figure 529787DEST_PATH_IMAGE026
的采样 值。
3.如权利要求2所述的电动三轮车电机离线参数辨识系统，其特征在于，平均转速
Figure 558661DEST_PATH_IMAGE012
按 下式计算：
Figure DEST_PATH_IMAGE036
其中，
Figure DEST_PATH_IMAGE037
为电机的极对数。
4.如权利要求2所述的电动三轮车电机离线参数辨识系统，其特征在于，所述的波形均 值化，具体为：基于
Figure 718378DEST_PATH_IMAGE001
给出单周期时间序列
Figure 599746DEST_PATH_IMAGE016
，该序列是项数为
Figure 96586DEST_PATH_IMAGE015
、首项为0、公差为
Figure 747011DEST_PATH_IMAGE001
的等差数列；然后基于
Figure 904060DEST_PATH_IMAGE031
，通过取
Figure 272725DEST_PATH_IMAGE035
处
Figure 307677DEST_PATH_IMAGE002
个
Figure DEST_PATH_IMAGE038
的平均值，得到平均非换相相 电流绝对值序列
Figure 812607DEST_PATH_IMAGE013
，
Figure 642023DEST_PATH_IMAGE013
对应的时间点为
Figure 497984DEST_PATH_IMAGE016
。
5.如权利要求1所述的电动三轮车电机离线参数辨识系统，其特征在于，所述的加速型动态全息混沌寻优模块在参数辨识范围内随机产生N个个体，即N个初始参数辨识值，然后通过个体的进化实现参数寻优，其参数寻优过程具体包括如下步骤：
1）在
Figure DEST_PATH_IMAGE039
到
Figure DEST_PATH_IMAGE040
的参数辨识范围 内随机产生N个
Figure DEST_PATH_IMAGE041
作为加速型动态全息混沌寻优模块的N个初始个体，即N个 初始参数辨识值，令当前迭代次数t为0；建立离线辨识目标函数
Figure DEST_PATH_IMAGE042
为：
Figure DEST_PATH_IMAGE044
其中，
Figure DEST_PATH_IMAGE045
、
Figure DEST_PATH_IMAGE046
、
Figure DEST_PATH_IMAGE047
分别为
Figure 585894DEST_PATH_IMAGE020
、
Figure 449726DEST_PATH_IMAGE021
、
Figure DEST_PATH_IMAGE048
的最小值，
Figure DEST_PATH_IMAGE049
、
Figure DEST_PATH_IMAGE050
、
Figure DEST_PATH_IMAGE051
分别为
Figure 590989DEST_PATH_IMAGE020
、
Figure 668666DEST_PATH_IMAGE021
、
Figure 311000DEST_PATH_IMAGE048
的最大值；
Figure DEST_PATH_IMAGE053
为平均非换相相电流绝对值初值的辨识值，加速型动态全息混沌寻优模 块将4维变量
Figure DEST_PATH_IMAGE054
作为每个个体的位置，将
Figure 226741DEST_PATH_IMAGE039
与
Figure 663539DEST_PATH_IMAGE040
分别作为参数辨识范围的下限与上限，将
Figure 228512DEST_PATH_IMAGE042
作为个 体的适应度；
2）进入动态全息学习；
3）进入基于梯度补偿的加速搜索；
4）进入基于混沌映射的个体变异；
5）令t自增1，如果t等于最大迭代次数T，则终止寻优，并输出当前最优个体的第2、3、4 维的位置信息，即电机参数辨识值
Figure 408958DEST_PATH_IMAGE020
、
Figure 742987DEST_PATH_IMAGE021
、
Figure 350686DEST_PATH_IMAGE023
；否则，返回步骤2)。
6.如权利要求5所述的电动三轮车电机离线参数辨识系统，其特征在于，步骤2）所述的 进入动态全息学习，具体为：定义随t的增加而线性增大的邻域拓扑连通度
Figure DEST_PATH_IMAGE055
，即每个个 体拥有的邻居数；每次迭代中，每个个体选择距自己最远的
Figure 104753DEST_PATH_IMAGE055
个个体作为邻居，然后定 义每个个体的全息局部吸引子
Figure DEST_PATH_IMAGE056
为其所有邻居位置的加权组合，每个邻居权重的初始 值为该邻居适应度的归一化值；如果该邻居为最优个体，则其权重随t的增加而逐渐增大到 所有邻居适应度归一化值的总和，否则其权重随t的增加而逐渐减小到0；每个个体通过向 它的
Figure 557731DEST_PATH_IMAGE056
靠拢实现位置更新。
7.如权利要求5所述的电动三轮车电机离线参数辨识系统，其特征在于，步骤3）所述的 进入基于梯度补偿的加速搜索，具体为：对每个个体每一维度d上的位置信息进行补偿；当 一个个体在d上的位置信息与t-1时的相同时，令补偿量为0；否则令补偿量为一种自适应离 散负梯度项，其值等于离散负梯度与自适应搜索步长的乘积；一个个体在d上的离散负梯度 等于该个体在t-1与t时适应度的差值与该个体在t与t-1时d上的位置信息的差值的比值； 自适应搜索步长的分子随t的增加而线性减小，其分母
Figure DEST_PATH_IMAGE057
为一种容错基底；当维度d上所 有个体的离散负梯度的绝对值的最大值为0时，令
Figure 215109DEST_PATH_IMAGE057
为1，否则令
Figure 993709DEST_PATH_IMAGE057
为d上所有个体的离 散负梯度的绝对值的最大值。
8.如权利要求5所述的电动三轮车电机离线参数辨识系统，其特征在于，步骤4）所述的 进入基于混沌映射的个体变异，具体为：定义随t的增加而线性减小的混沌变异概率
Figure DEST_PATH_IMAGE058
以 及随t的增加而线性减小的混沌变异个体数
Figure DEST_PATH_IMAGE059
，定义种群聚合度
Figure DEST_PATH_IMAGE060
为所有维度中个体 位置标准差的平均值与聚合度基底的比值，该聚合度基底为参数辨识范围的上限最大值与 下限最小值的差值，如果该差值小于1，则令聚合度基底为1；取一个均匀分布在[0,1]中的 随机数r，如果r小于等于
Figure 438334DEST_PATH_IMAGE058
且
Figure 960582DEST_PATH_IMAGE060
小于等于种群聚合度阈值
Figure DEST_PATH_IMAGE061
，则认为种群进化处于 停滞状态，此时使最差的
Figure 206887DEST_PATH_IMAGE059
个个体发生如下的变异：
Figure DEST_PATH_IMAGE062
Figure DEST_PATH_IMAGE063
其中，
Figure DEST_PATH_IMAGE064
为当前最优个体的位置，
Figure DEST_PATH_IMAGE065
是变异个体的位置，其中m=1, 2, …,
Figure 665376DEST_PATH_IMAGE059
，
Figure DEST_PATH_IMAGE066
和
Figure DEST_PATH_IMAGE067
分别是第d维待辨识参数的下限与上限，
Figure DEST_PATH_IMAGE068
是变异初值控制参数，
Figure DEST_PATH_IMAGE069
是变异发散 系数，
Figure DEST_PATH_IMAGE070
是变异分布系数，
Figure DEST_PATH_IMAGE071
是变异反归一化控制系数；最差的
Figure 738243DEST_PATH_IMAGE059
个个体的位置将被
Figure 798603DEST_PATH_IMAGE065
取代。
CN202210053545.3A 2022-01-18 2022-01-18 一种电动三轮车电机离线参数辨识系统 Active CN114094884B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210053545.3A CN114094884B (zh) 2022-01-18 2022-01-18 一种电动三轮车电机离线参数辨识系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210053545.3A CN114094884B (zh) 2022-01-18 2022-01-18 一种电动三轮车电机离线参数辨识系统

Publications (2)

Publication Number Publication Date
CN114094884A CN114094884A (zh) 2022-02-25
CN114094884B true CN114094884B (zh) 2022-04-29

Family

ID=80308749

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210053545.3A Active CN114094884B (zh) 2022-01-18 2022-01-18 一种电动三轮车电机离线参数辨识系统

Country Status (1)

Country Link
CN (1) CN114094884B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106992551A (zh) * 2017-06-05 2017-07-28 合肥工业大学 基于模糊c均值和差分进化混合算法的光伏逆变控制器参数辨识方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2421147B1 (de) * 2010-08-16 2015-02-11 Baumüller Nürnberg GmbH Vorrichtung und Verfahren zur drehgeberlosen Identifikation elektrischer Ersatzschaltbildparameter eines Drehstrom-Synchronmotors
CN106685290B (zh) * 2017-03-15 2020-07-28 湘潭大学 基于混沌分子动理论算法永磁同步电机转速控制器参数自整定的方法
CN108809169B (zh) * 2018-07-09 2020-06-23 湖南理工学院 一种基于时延反馈的混沌转速的控制方法及装置
CN110417328A (zh) * 2019-06-26 2019-11-05 湘潭大学 一种基于ckmtoa的srm转矩分配函数优化补偿控制策略

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106992551A (zh) * 2017-06-05 2017-07-28 合肥工业大学 基于模糊c均值和差分进化混合算法的光伏逆变控制器参数辨识方法

Also Published As

Publication number Publication date
CN114094884A (zh) 2022-02-25

Similar Documents

Publication Publication Date Title
CN110829904B (zh) 一种基于灰狼优化的无刷直流电机控制器的参数优化方法
CN109274303A (zh) 一种基于扩展控制集的异步电机模型预测控制方法
CN111327242B (zh) 一种三电平永磁同步电机无模型预测电流控制方法
CN110705174B (zh) 一种五自由度磁悬浮电主轴转子位移自检测系统及方法
CN106059423A (zh) 一种基于fc和smo的无速度传感器控制系统
CN109245640A (zh) 一种异步电机模型预测控制方法及装置
CN114915225A (zh) 一种基于优化bp神经网络的永磁同步电机参数辨识方法
CN112803861A (zh) 一种永磁同步电机三矢量模型预测控制的无零矢量算法
CN114094884B (zh) 一种电动三轮车电机离线参数辨识系统
CN114944801A (zh) 一种基于新息自适应扩展卡尔曼的pmsm无位置传感器控制方法
CN113098348B (zh) 一种双三相永磁同步电机预测转矩控制方法
CN116805850A (zh) 基于数字孪生模型的三相永磁同步电机参数估计方法
CN116317771A (zh) 一种永磁同步电机低高速切换的无位置传感器控制方法
CN110609472A (zh) 三自由度六极混合磁轴承转子位移自检测系统及方法
CN115528975A (zh) 基于dsvm的smpmsm驱动系统双目标全局最优无模型预测控制方法
CN114079405B (zh) 一种适用于双永磁电机系统的无权重系数整定非级联预测速度同步控制方法
CN113992100A (zh) 一种改进的永磁同步电机三电平无模型预测电流控制方法
CN114268259B (zh) 用于永磁同步电机的多目标控制方法、控制器及控制系统
Cao et al. Digital implementation of DTC based on PSO for induction Motors
WO2023124921A1 (zh) 永磁同步电机的转矩估测方法、装置、设备及存储介质
CN111835257B (zh) 基于神经网络的转子位置检测方法
Xu et al. Application of CMAC in Sensorless Control of PMSM
CN116954072A (zh) 一种基于深度残差网络的预测控制权重因子动态优化方法
Zhou et al. Application of particle swarm optimization on DTC for induction motors
CN117491869A (zh) 基于数字孪生的永磁电机健康状态监测控制方法及系统

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