模拟退火粒子群优化算法在异步电动机参数辨识中的应用
林梅金，王飞
(佛山科学技术学院，广东佛山528000)
摘要：分析了模拟退火算法和粒子群算法的优缺点，提出了一种利用两种算法优点的混合优化算法，并给出了详细应用步骤。利用异步电动机直接空载起动特性，对异步电动机动态数学模型参数进行了辨识，通过与其他几种算法辨识的结果进行比较，说明模拟退火粒子群优化算法有效地结合了模拟退火算法的全局寻优能力和粒子群算法的快速收敛的特点。
关键词：模拟退火算法；粒子群算法；模拟退火粒子群算法；参数辨识
中图分类号：TM343 文献标识码：A 文章编号：1004—7018f2010104—0033—04
0引言
电机参数辨识问题是在一定的电机参数辨识模型基础上，利用参数辨识值下的电机模型离散时刻输出预测值与实际电机输出值的残差平方和作为最小化目标函数，进行迭代寻优的。近年来，应用广义Kalman滤波[1]、最小二乘法、遗传算法[2]等对异步电动机参数进行辨识做了许多研究工作。在这些方法中广义卡尔曼滤波法的缺点是每步都要进行矢量或矩阵运算，计算量大；最小二乘法在优化的过程中要用到目标函数对电机参数的导数，且对转波很敏感；遗传算法较容易陷入局部****，导致在收敛性方面难于满足较高辨识精度的要求，因此有必要研究更有效的算法辨识异步电动机参数。
本文提出一种有效结合模拟退火算法与粒子群算法优点的新的混合优化算法，用于对异步电动机动态数学模型的参数进行辨识。辨识迭代过程中，粒子群中部分粒子通过飞行得到新的目标位置，部分粒子通过模拟退火随机抽样得到新的目标位置，每个粒子通过对新位的接受概率的计算，来决定是否要到达新的位置，从而更新整个粒子群的位置 状态。仿真表明，模拟退火算法有效地跳出局部****值的能力与粒子群算法的快速寻优的特性相结合，大大提高了对异步电动机动态数学模型参数辨识的精度。
1模拟退火算法(sA)与粒子群算法(PSO)相结合用于电机参数辨识
1.1 SA算法
模拟退火算法(以下简称sA)是基于mento catl0迭代求解策略的一种启发式随机搜索方法。sA由某一较高的初温开始，利用具有概率突跳特性Metmpo一1is抽样准则在解空间中随机搜索，伴随温度的不断下降，重复抽样过程，最终得到问题的全局****解。
SA算法的一般步骤为：
Stepl：任选初始解x0；xi=x0；k=0；t0=tmax(初始温度)；
Step2：从领域N(xi)中随机选一值xj，计算△fij=f(xj)-f(xi)；若△fij≤0，则xi=xj，否则若exp(-△fij/tk)>r()时，则xi=xj；重复Step2上Lk次；
Step3：计算tk+1，k=k+1；若满足终止条件，终止计算；否则，转step2。
1．2 PsO算法
在粒子群算法(以下简称PsO)算法中，把D维解空间的每个潜在解看作是一个粒子，优化计算时首先在解空间产生m个粒子，粒子群的第i个粒子的位置向量为气=(xil,x2,…，xid)，速度向量vi=(vil。vi2，…，viD)，该粒子自身搜索到的****位置记为pi=(pi1,Pi2，...，piD)，整个粒子群搜索到的****位置记为Pg=(pg1，Pg2…，PgD)。粒子群算法的基本进化方程可表示如下：
式中：t为迭代代数；c1、c2为学习因子，一般c1=c2=2．O；r()为0到1之间相互独立的随机数。粒子飞行过程存在一个****速度，当计算出的速度大小超过这个****值，则用****速度来代替。
由于粒子的飞行速度影响算法的全局收敛性能，Y．shi和R．c．Eberh”t在基本进化方程中增加了惯性权重项w得到wPsO，其改进方程如下：
式(7)～式(9)中，D=d/dt；uqs分别为d、q轴定子电压；udr,uqr分别为d、g轴转子电压对定子的折算值；ids,iqs分别为d、g轴定子电流；idr,iqr分别为d、轴转子电流对定子的折算值；Rs为定子每相电阻；R，为转子每相电阻对定子的折算值；Ls为定子每相电感；Lr为转子每相自电感对定子的折算值；L。为定子每相激磁电感；ωr为转子电角速度；Te为 |
