基于嵌入式蚁群算法优化的小波神经网络磁链观测器在DTC中的应用.docVIP

基于嵌入式蚁群算法优化的小波神经网络磁链观测器在DTC中的应用 　　摘要:文章提出一种采用嵌入式蚁群算法优化的小波神经网络磁链观测器,在蚁群算法中引入一种嵌入确定性搜索策略构成嵌入式蚁群算法。仿真实验表明,采用嵌入式蚁群算法优化的小波神经网络磁链观测器,不仅减少了小波神经网络减少隐层节点的数目,加快了小波神经网络的收敛速度,从而提高了磁链观测器的在线辨识精度,进而有效改善了无速度传感器直接转矩控制系统的低速性能。 　　关键词:嵌入式蚁群算法;小波神经网络;磁链观测器;直接转矩控制系统 　　中图分类号:TN919 文献标识码:A 　　文章编号:1009-2374#8197;(2010)21-0057-03 　　 　　直接转矩控制技术借助于两点式调节产生PWM信号,实现对逆变器的开关状态进行控制,其关键是以定子磁链定向,因此,实时、准确估算出定子磁链是改善直接转矩控制系统极低转速下的静动态性能必须着力解决的问题之一。目前,常用的定子磁链观测方法有U-I、I-N、U-N模型法,然而它们都存在着不足之处。小波神经网络在处理非线性系统模型等方面具有明显的优势,本文利用小波神经网络建立该系统的定子磁链观测器并采用一种嵌入确定性搜索策略的蚁群算法以改进磁链观测器的实时性、快速性和有效性。 　　1小波神经网络定子磁链观测器 　　直接转矩控制(DTC)是以定子磁链定向,其在α-β坐标系下的U-N模型可以描述为: 　　式中:ψsα,ψsβ分别为定子磁链的α轴和β轴分量;ψrα,ψrβ分别为转子磁链的α轴和β轴分量;usα和usβ分别为定子电压的α轴和β轴分量;isα和isβ分别为定子电流的α轴和β轴分量;irα和irβ分别为转子电压的α轴和β轴分量;ω为电动机的角速度;Lσ为漏电感;Rs和Rr分别为定子、转子电阻。 　　由式(1)至(4)可得,定子磁链ψs的方程为: 　　ψs=f#8197;(us,is,ω)=f#8197;(usα,usβ,irα,irβ,ω) (5) 　　公式(5)这种复杂的非线性关系可通过小波神经网络来加以实现。 　　采用小波基函数取代通常的Sigmoid 函数作为网络的神经元函数构成小波神经网络,其结构示意图如下: 　　该小波神经网络磁链观测器有五个输入,分别为usα、usβ、isα、isβ和ω,隐层为十五个小波基函数,输入量经过归一化处理输出为归一化定子磁链观测值,经还原后得到实际定子磁链。其数学模型为: 　　 (6) 　　其中yi表示第i个节点的输出,M表示输入层单元数,K表示隐层单元数,以Wki表示隐含层第k个单元与输出层第i个单元之间的联接权值,Xm为第m个节点的输入,f是非线性函数,h为小波基函数。网络参数aij,bij,wij可用最小均方误差能量函数(目标函数)进行优化,即: 　　 (7) 　　这里q是训练样本数目,Fil(t)是yil(t)的理想值。其中yil(t)=f#8197;(uil)。 　　本文运用嵌入确定性搜索策略的蚁群算法即嵌入式蚁群算法优化基于小波神经网络的磁链观测器,对小波基函数的尺度因子aij、位移因子bij及输出权值wij进行优化。 　　2小波神经网络的优化 　　梯度下降法是普遍应用于前馈神经网络的典型优化算法之一,使用它优化基于小波神经网络的磁链观测器具有结构清晰,计算量小的优点。但是它收敛速度慢,容易陷入局部极小点。为克服梯度下降法的缺点,本文引入一种嵌入确定性搜索策略的蚁群算法。 　　2.1蚁群算法 　　人工蚁群算法是一种基于种群的模拟进化算法,它是人们对自然界中真实的蚁群集体行为的研究成果。首先引进如下记号:设m是蚁群中蚂蚁的数量,dij(i,j=1,2,…n)表示节点i和节点j之间的距离,bi表示位于节点i的蚂蚁的个数,;τij表示在ij连线上残留的信息量。初始时刻,各条路径上信息量相等,设τij(0)=C(C为常数)。蚂蚁k(k=1,2,…m)在运动过程中,根据各条路径上的信息量决定转移方向,Pijk表示蚂蚁k由位置i转移到位置j的概率,可由下式表示: 　　其中,α和β分别表示蚂蚁在运动过程中所积累的信息及启发式因子在蚂蚁选择路径中所起的不同作用。ηij表示由节点i转移到节点j的期望程度,可根据某种启发式算法具体确定。allowedk={1,2,…n-1}-tabuk表示蚂蚁k下一步允许选择的节点。与实际蚁群不同,人工蚁群系统具有记忆功能,集合tabuk(k=1,2,…m)用以记录蚂蚁口k当前所走过的节点,它随着进化过程作动态调整。随着时间的推移,以前留下的信息逐渐消逝,用参数1-ρ表示信息消逝程度,经过更新,蚂蚁完成一次循环,各路径上信息量要根据下式作调整: 　　 [τijk]new=[τijk]old?ρ+(1-ρ)?Δτi