CN114677532B - 一种利用出厂数据和特性曲线的感应电动机参数辨识方法 - Google Patents

Abstract

本发明涉及一种利用出厂数据和特性曲线的感应电动机参数辨识方法，属于感应电动机参数辨识领域。该方法包括以下步骤：S1：利用图像识别，将感应电动机转矩‑滑差特性曲线和定子电流‑滑差特性曲线转化为离散的数据点，构建感应电动机特性曲线数据集；S2：利用聚类分析，对感应电动机特性曲线数据集开展分段聚类，以便简化特性曲线数据集；S3：基于得到的特性曲线简化数据集以及感应电动机铭牌数据，构建感应电动机参数辨识优化模型；S4：对感应电动机参数辨识优化模型进行求解。本发明可以有效解决目前对感应电动机出厂数据量利用不充分的问题，提高参数辨识的精度，同时本发明引入聚类分析提高了在参数辨识时优化算法的收敛特性。

Description

一种利用出厂数据和特性曲线的感应电动机参数辨识方法

技术领域

本发明属于感应电动机参数辨识领域，涉及一种利用出厂数据和特性曲线的感应电动机参数辨识方法。

背景技术

感应电动机是电力系统负荷的主要组成部分。其模型是否准确，对电力系统仿真分析的结果有着非常重要的影响。因此，确定合理的感应电动机模型参数，是电力系统仿真建模的一个关键环节。

基于感应电动机出厂数据来辨识感应电动机参数，是一种较为合理的确定参数的方法。但是，现有研究仅利用了感应电动机的铭牌数据，忽略了设备的转矩—滑差特性曲线和定子电流—滑差特性曲线。目前，结合这两类特性曲线对感应电动机开展参数辨识的研究还未见文献报道。如何将这两类曲线和感应电动机铭牌数据有效结合，以便得到准确的感应电动机参数辨识结果，是亟需解决的问题。鉴于这两类曲线通常由感应电动机制造商以图像格式提供，并且它们具有较强的聚类特征，有必要充分利用图像识别技术和聚类方法，来提高参数辨识工作的效率和精细度。

发明内容

有鉴于此，本发明的目的在于提供一种利用出厂数据和特性曲线的感应电动机参数辨识方法。

为达到上述目的，本发明提供如下技术方案：

一种利用出厂数据和特性曲线的感应电动机参数辨识方法，该方法包括以下步骤：

S1：利用图像识别，将感应电动机转矩-滑差特性曲线和定子电流-滑差特性曲线转化为离散的数据点，构建感应电动机特性曲线数据集；

S2：利用聚类分析，对感应电动机特性曲线数据集开展分段聚类，以简化特性曲线数据集；

S3：基于得到的特性曲线简化数据集以及感应电动机铭牌数据，构建感应电动机参数辨识优化模型；

S4：对感应电动机参数辨识优化模型进行求解。

可选的，所述S1具体为：

S11：读入特性曲线图；

S12：确定曲线图的像素范围，滤除坐标轴框和坐标轴刻度的干扰点；

S13：保存提取到的数据点，构成数据集。

可选的，所述步骤S2中，采用聚类分析简化特性曲线数据集的步骤为：

S21：根据转矩-滑差和定子电流-滑差特性曲线的特征将曲线划分为低滑差、中滑差和高滑差三段；

S22：采用聚类分析分别对三个区段内的数据进行聚类，得到聚类后的数据集。

可选的，所述步骤S3中，基于电动机铭牌数据和简化后的数据集，构建参数辨识的优化模型如下：

式中，X表示待识别的参数，X＝[R_r,X_r,R_m,X_m,R_s,X_s]，R_s为定子电阻、X_s为定子电抗、R_r为转子电阻、X_r为转子电抗、R_m为激磁电阻、X_m为激磁电抗；n为聚类后数据集中对应的数据个数；T_i和I_i为聚类后数据集中不同滑差对应的转矩和电流；T_estim和I_estim为转矩和电流的估计值，它们的值会随着滑差的变化不断更新；I_{in_estim}为定子侧电流估计值；Z_{in_estim}为总输入阻抗的估计值；K表示额定功率与相电压平方的比值，K_estim为K的估计值；X_{s_estim}、R_{s_estim}、X_{r_estim}、R_{r_estim}、X_{m_estim}、R_{m_estim}分别为定子电抗、定子电阻、转子电抗、转子电阻、激磁电抗和激磁电阻的估计值；

T_estim的表达式为：

式中S_rate为额定转差率，属于感应电动机出厂铭牌数据；I_{r_estim}为转子侧电流估计值；

S_rate的表达式为：

式中n_s为同步转速；n_n为额定转速，属于感应电动机出厂铭牌数据；

I_{r_estim}的表达式为：

式中Z_{m_estim}为铁心阻抗的估计值，表达式为：

I_{in_estim}的表达式为：

式中V_phase为额定相电压，属于感应电动机出厂铭牌数据；

Z_{in_estim}的表达式为：

式中Z_{2_estim}为转子侧阻抗估计值，表达式为：

I_estim的表达式为：

K_estim的表达式为：

本发明的有益效果在于：

(1)本发明在辨识感应电动机模型参数时利用到电动机转矩-滑差和定子电流-滑差特性曲线，充分利用了电动机出厂数据，获得了更优的模型参数辨识结果。

(2)本发明在辨识感应电动机模型参数时结合聚类分析简化数据量，有效提高了在参数辨识时优化算法的收敛特性。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为感应电动机参数辨识整体流程图；

图2为感应电动机单鼠笼模型电路图；

图3为一台800kW示例电动机的转矩-滑差和定子电流-滑差特性曲线图；

图4为一台800kW示例电动机的转矩-滑差和定子电流-滑差特性曲线分段图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

以一台800kW电动机为例，其出厂铭牌数据包括：额定电压V_n＝10kV、额定电流I_n＝55.72A、额定功率因数额定转速n_n＝2976r/min和效率η＝94.2％等，其出厂转矩-滑差和定子电流-滑差特性曲线如图3所示。

参见图1，图1为电动机参数辨识的整体流程，包括步骤S1-S4：

S1：利用图像识别，将感应电动机转矩-滑差特性曲线和定子电流-滑差特性曲线转化为离散的数据点，构建感应电动机特性曲线数据集；

S11：读入特性曲线图；

S12：确定曲线图的像素范围，滤除坐标轴框、坐标轴刻度等干扰点；

S13：保存提取到的数据点，构成数据集。

若滑差按间隔0.002取值，则可从转矩-滑差特性曲线和定子电流-滑差特性曲线上提取500个数据点来构成数据集。每个数据集共中，每个数据点用二维坐标予以表示。

S2：利用聚类分析，对感应电动机特性曲线数据集开展分段聚类，以便简化特性曲线数据集；

S21：根据转矩-滑差和定子电流-滑差特性曲线的特征将曲线划分为低滑差、中滑差和高滑差三段，如图3和图4所示；

S22：采用聚类分析分别对三个区段内的数据进行聚类，得到聚类后的数据集。

通过聚类，S1步得到的两个数据集被简化，每个数据集仅包含25个数据点。

S3：基于得到的特性曲线简化数据集以及感应电动机铭牌数据，构建感应电动机参数辨识优化模型；

结合图2所示的电动机等效电路，可得优化模型：

式中，X表示待识别的参数，X＝[R_r,X_r,R_m,X_m,R_s,X_s]，R_s为定子电阻、X_s为定子电抗、R_r为转子电阻、X_r为转子电抗、R_m为激磁电阻、X_m为激磁电抗；n为聚类后数据集中对应的数据个数；T_i和I_i为聚类后数据集中不同滑差对应的转矩和电流；T_estim和I_estim为转矩和电流的估计值，它们的值会随着滑差的变化不断更新；I_{in_estim}为定子侧电流估计值；Z_{in_estim}为总输入阻抗的估计值；K表示额定功率与相电压平方的比值，K_estim为K的估计值；X_{s_estim}、R_{s_estim}、X_{r_estim}、R_{r_estim}、X_{m_estim}、R_{m_estim}分别为定子电抗、定子电阻、转子电抗、转子电阻、激磁电抗和激磁电阻的估计值。

T_estim的表达式为：

式中S_rate为额定转差率，属于感应电动机出厂铭牌数据；I_{r_estim}为转子侧电流估计值。

S_rate的表达式为：

式中n_s为同步转速；n_n为额定转速，属于感应电动机出厂铭牌数据。

I_{r_estim}的表达式为：

式中Z_{m_estim}为铁心阻抗的估计值，表达式为：

I_{in_estim}的表达式为：

式中V_phase为额定相电压，属于感应电动机出厂铭牌数据。

Z_{in_estim}的表达式为：

式中Z_{2_estim}为转子侧阻抗估计值，表达式为：

I_estim的表达式为：

K_estim的表达式为：

S4：对感应电动机参数辨识优化模型进行求解。

S4步中，求解算法包括但不限于内点法。以内点法为例，求解得到的参数值如表1所示。再利用估计得到的参数值计算感应电动机额定功率、额定定子电流、额定功率因数和额定效率估计值，如表2所示，可见，这些估计值与铭牌数据相对误差不超过0.45％。表1和表2的结果验证了参数辨识方法的有效性。

表1以内点法求解的参数值

表2计算得到的铭牌值、计算值和相对误差

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (1)

1.一种利用出厂数据和特性曲线的感应电动机参数辨识方法，其特征在于：该方法包括以下步骤：

S1：利用图像识别，将感应电动机转矩-滑差特性曲线和定子电流-滑差特性曲线转化为离散的数据点，构建感应电动机特性曲线数据集；

S2：利用聚类分析，对感应电动机特性曲线数据集开展分段聚类，以简化特性曲线数据集；

S3：基于得到的特性曲线简化数据集以及感应电动机铭牌数据，构建感应电动机参数辨识优化模型；

S4：对感应电动机参数辨识优化模型进行求解；

所述S1具体为：

S11：读入特性曲线图；

S12：确定曲线图的像素范围，滤除坐标轴框和坐标轴刻度的干扰点；

S13：保存提取到的数据点，构成数据集；

所述S2中，采用聚类分析简化特性曲线数据集的步骤为：

S21：根据转矩-滑差和定子电流-滑差特性曲线的特征将曲线划分为低滑差、中滑差和高滑差三段；

S22：采用聚类分析分别对三个区段内的数据进行聚类，得到聚类后的数据集；

所述S3中，基于电动机铭牌数据和简化后的数据集，构建参数辨识的优化模型如下：

式中，X表示待识别的参数，X＝[R_r,X_r,R_m,X_m,R_s,X_s]，R_s为定子电阻、X_s为定子电抗、R_r为转子电阻、X_r为转子电抗、R_m为激磁电阻、X_m为激磁电抗；n为聚类后数据集中对应的数据个数；T_i和I_i为聚类后数据集中不同滑差对应的转矩和电流；T_estim和I_estim为转矩和电流的估计值，它们的值会随着滑差的变化不断更新；I_{in_estim}为定子侧电流估计值；Z_{in_estim}为总输入阻抗的估计值；K表示额定功率与相电压平方的比值，K_estim为K的估计值；X_{s_estim}、R_{s_estim}、X_{r_estim}、R_{r_estim}、X_{m_estim}、R_{m_estim}分别为定子电抗、定子电阻、转子电抗、转子电阻、激磁电抗和激磁电阻的估计值；

T_estim的表达式为：

式中S_rate为额定转差率，属于感应电动机出厂铭牌数据；I_{r_estim}为转子侧电流估计值；

S_rate的表达式为：

式中n_s为同步转速；n_n为额定转速，属于感应电动机出厂铭牌数据；

I_{r_estim}的表达式为：

式中Z_{m_estim}为铁心阻抗的估计值，表达式为：

I_{in_estim}的表达式为：

式中V_phase为额定相电压，属于感应电动机出厂铭牌数据；

Z_{in_estim}的表达式为：

式中Z_{2_estim}为转子侧阻抗估计值，表达式为：

I_estim的表达式为：

K_estim的表达式为：