利用差分进化辨识Jiles–Atherton磁滞模型的参数精选.docVIP

利用差分进化辨识Jiles–Atherton磁滞模型的参数 【摘要】 在文中，使用一种名为差分进化(DE)的随机搜索算法辨识磁滞模型的参数。J-A磁滞模型的参数是通过尽量使得实测和模型的磁滞回线达到一致来确定的。这种一致性由改进的J-A磁滞模型进一步提高。改进是通过将J-A磁滞模型恒定的钉扎参数更换为一个变量来实现。钉扎参数变量写成一个磁场的函数。通过确定的参数用于J-A磁滞模型，其中包括在一个单相变压器的动态模型。改进的J-A磁滞模型和参数辨识方法的有效性通过实验和仿真验证。 【关键词】 jiles-atherton磁滞模型；参数估计；优化方法 导论 变压器和电感器是电力系统的各种应用程序必不可少的组件。当这些设备做建模和数值计算中使用时，铁芯的非线性行为的精确表示是实现协议测量变量至关重要的计算。意义明确的函数通常用于表示这些设备的非线性行为。然而，磁滞现象在这种情况下是被忽视的。一个模型，它采用了考虑磁滞现象必须被用来改善准确性。 提出了不同的模型来表示滞后现象。这些模型基本上分为两类。在第一类，可以找到数学模型文献[1]，而忽视物质的物理行为，和第二类别介绍了基于物理的模型考虑。最近论文Preisach[2][3]和Jiles-Atherton(J-A)[4][5]从第二类磁滞模型经常被使用。自从J-A模型更简单的实现和需要较少的计算工作，在Preisach J-A模型被选中。 铁芯的非线性行为表示，J-A 磁滞模型是基于材料特性的物理假设，很自然地从这种行为的物理概念获取参数。该方法首先在文献[6]提出的，其中的参数从测量的磁滞回线。一些类似的方法包括文献[7]和文献[8]。其他作者所提出的优化算法，如遗传算法（GA）使用模拟退火算法文献[9]和文献[10]和不同的组合优化算法文献[11]。在这些算法中，GA比其他人更经常使用的参数评估J-A磁滞模型。 初始种群是随机产生的，遗传算法三是深入主要经营：选择；模拟自然的生存现象，交叉，代表自然繁殖，并引入随机突变，修饰基因。由于采用算子的概率转换规则，遗传算法以其稳健性和适用性存在多目标问题。然而，关于实际问题，遗传算法由于过早收敛在全球很困难找到文献[9]。为了克服这个缺点，引入微分进化（DE）由Storn和价格作为第一个在考虑文献[12]。DE像遗传算法，是一个以人群为基础的算法，使用类似的操作：选择，交叉，变异。在文献中，很少有研究在哪里进行参数辨识不同的数学模型。只有一个，由于已被证明是在这些情况下快速，准确的找到最佳的解决方案，它具有在这项工作中确定的参数测试J-A磁滞模型。该优化算法的目标是：不同的参数以这样的方式来达到最佳的协议测量和计算之间的滞后J-A模型环。 拟合精度取决于所选择的优化算法，在更大程度上，在详细描述J-A磁滞模型。该模型的一个重要组成部分是损耗参数或所谓的钉扎参数，是在钉扎网站存在的畴壁运动相关的能量。对实测的滞回曲线的详细分析表明，这种钉扎参数依赖于磁场的振幅，或磁场密度。这是没有考虑到与原J-A磁滞模型文献[13]，在钉扎参数的值被视为常数。 本文介绍了一种改进的J-A磁滞模型，其中钉扎参数被认为是磁场依赖。可变的钉扎参数可以更好地代表铁芯的非线性行为，因此，更好的协议测量和模型计算的滞回关系环。更好的精度，通过可变的钉扎参数设置，只能利用优化算法实现所有参数确定。在本文中，利用DE识别J-A磁滞模型的参数。通过使用DE识别参数，J-A原始和修改通过比较计算磁滞模型被证实并测量磁滞回路。修改后的J-A滞后模型由包含此模型进行单相变压器测试的动态模型。很好的协议之间的电流是通过对比测量和计算得来的。信号好原因是使用DE参数识别，建议修改J-A磁滞模型数值模拟。 单相变压器动态模型与Jiles–Atherton磁滞模型 单相变压器的动态模型与电压方程(1) （1） 其中U1，U2，和i1，i2是初级和次级电压和电流，R1和R2是初级和次级电阻，Ψ1和Ψ2初级和次级的通感，Lσ1和Lσ2初级和次级电感，N1和N2是初级和次级的数量结果，φ是磁通。磁通φ是磁动势（MMF）的依赖，它被定义为θ= N1i1 + N2i2。的磁通φ偏导给出了 （2） 通过将（2）代入（1），变压器的电压方程可以在形式改写为： （3） 在（3）中，变压器的磁非线性行为是长期由dφ/dθ描述。由于J-A磁滞模介绍了铁芯磁非线性行为，一些简化必须使它包括在单相动态模型的滞回模型变压器中。利用平均考虑这些简化变压器的铁心和平均路径区域磁通的长度。通过使用这些简化了解变压器的几何形状，单相变压器模型得到的最终形式（4） （4） 在(4)中，dB/dH现在可以利用J