基于优化EKF的永磁同步电机转速估计精要.docVIP

基于优化EKF的永磁同步电机转速估计 王剑1，黄植功1，许金海2 （１２．( 1 永磁同步电机数学模型 在静止坐标下，表面式PMSM的磁链方程为： (1) (2) 定子电压方程为： (3) (4) 将磁链方程、整理解得： (5) (6) 将式、代入电压方程，有： (7) (8) 以上式子中：、、、分别为坐标下定子电压和电流；、、为定子电阻、定子电感和转子永磁体磁链；为转子位置角。 在数字化系统中，因为采样周期很短，所以每个采样周期内可以假定是恒定的，其中为电机电角速度，于是可得到： (9) 同时可得转子位置角和电机电角速度的关系式为： (10) 在坐标中，结合式至，选取为状态变量，为输入变量，为输出变量，于是得到永磁同步电机数学模型为： (11) (12) 式中： (13) (14) (15) 2 扩展卡尔曼滤波器算法 永磁同步电机线性离散系统为： (16) (17) 式中为系统噪声，为测量噪声，其均值均为零，方差矩阵分别为和；转移矩阵；为采样周期；。 对上述系统，扩展卡尔曼滤波器算法如表1所示。其中，为更新的状态量输出；为状态量的预测阵；为更新的误差协方差阵；为误差协方差预报，为时刻的量测值；。 表 1 扩展卡尔曼滤波器算法 Tab.1 Extended Kalman filter algorithm 阶段 算法 预测阶段 卡尔曼增益 修正阶段 3 IPSO优化的EKF噪声矩阵原理 3.1 标准粒子群算法[14-17] 粒子群优化算法是从鸟群觅食及人类决策的行为受到启示，由Kennedy提出的一种基于群体智能的进化计算方法，算法通过群体中个体之间的协作与信息共享来寻找最优解。设粒子群体规模为N，每个粒子在D维搜索空问中运动，粒子的当前位置为，当前的飞行速度为，为粒子当前历史最优解，为种群中所有粒子全局最优解，标准的粒子群算法的进化方程可描述为： (18) (19) 其中：为惯性权重；为学习因子，也称加速因子；和为之间的随机数，用来保持群体的多样性。 3.2 改进的粒子群算法 粒子群算法和遗传算法[18-19]作为比较典型的群智能算法存在着各自的优缺点。遗传算法具有广泛的空间搜索能力和变异能力，在全局性最优解的搜索上有其高效性，但存在易早熟、收敛速度慢、局部寻优能力差等不足。粒子群算法作为一种随机全局优化搜索算法，收敛速度快，但在实际应用过程中，粒子群算法在有些方面的性能仍不尽如人意，其中最主要的是它容易陷入局部最优解、收敛精度差等。为了克服GA和PSO的缺点，可对它们进行适当融合。 改进后的算法在每次迭代中计算出每个粒子的适应度值，假设种群粒子数为N，选择一个繁衍因子，将该代中适应度值较大的个个体丢掉（这里适应