基于多新息随机梯度永磁同步电机参数辨识

计算机工程与应用 ›› 2014, Vol. 50 ›› Issue (6): 255-260.

基于多新息随机梯度永磁同步电机参数辨识

徐鹏1，2，肖建1，周鹏2，李山2

1.西南交通大学电气工程学院，成都 610031
2.重庆理工大学电子信息与自动化学院，重庆 400054

出版日期:2014-03-15 发布日期:2015-05-12

Multi-innovation stochastic gradient identification for permanent magnet synchronous motor

XU Peng1，2, XIAO Jian1, ZHOU Peng2, LI Shan2

1.School of Electrical Engineering, Southwest Jiaotong University, Chengdu 610031, China
2.School of Electronic and Automation, Chongqing University of Technology, Chongqing 400054, China

Online:2014-03-15 Published:2015-05-12

摘要/Abstract

摘要： 永磁同步电机（Permanent Magnet Synchronous Motor，PMSM）具有响应快、高精度、高转矩比等诸多优点。在永磁同步电机系统数学模型基础上，构建系统回归模型，推导得永磁同步电机多新息随机梯度参数辨识算法（MISG），仿真和实时实验结果表明由于MISG算法重复利用可测输入输出信息，较单新息随机梯度算法（SG）有着更好的参数估计收敛性，并且随着新息长度[p]的增加及遗忘因子引入，MISG算法辨识效果与最小二乘（RLS）算法接近。

关键词: 永磁同步电机, 多新息, 随机梯度, 收敛性

Abstract: Permanent Magnet Synchronous Motor（PMSM） has some excellent features, such as fast response, better accuracy, high torque to current ratio. Based on analysis of PMSM mathematical model, the system regression model is proposed, and multi-innovation stochastic gradient algorithm for PMSM parameters identification is derived. Simulation and real-time experiments results show that MISG algorithm has more outstanding performance on parameter estimate convergence than SG algorithm because of reusing measurable output and input information. Meanwhile, with multi-innovation length increased and forgetting factor affected, convergence performance of MISG algorithm is close to RLS.

Key words: Permanent Magnet Synchronous Motor（PMSM）, multi-innovation, stochastic gradient, convergence performance

徐鹏1，2，肖建1，周鹏2，李山2. 基于多新息随机梯度永磁同步电机参数辨识[J]. 计算机工程与应用, 2014, 50(6): 255-260.

XU Peng1，2, XIAO Jian1, ZHOU Peng2, LI Shan2. Multi-innovation stochastic gradient identification for permanent magnet synchronous motor[J]. Computer Engineering and Applications, 2014, 50(6): 255-260.

[1]	陈雷，尹钧圣. 高斯差分变异和对数惯性权重优化的鲸群算法[J]. 计算机工程与应用, 2021, 57(2): 77-90.
[2]	马倩茹，冶继民. FastICA算法的收敛性与一致性分析[J]. 计算机工程与应用, 2020, 56(2): 35-41.
[3]	邱宁佳，沈卓睿，王辉，王鹏. 通信垃圾文本识别的半监督学习优化算法[J]. 计算机工程与应用, 2020, 56(17): 121-128.
[4]	闫旭，叶春明. 混合蝗虫优化算法求解作业车间调度问题[J]. 计算机工程与应用, 2019, 55(6): 257-264.
[5]	侯利民，顾海旺，蒋尚昆，刘宇. 容错逆变器驱动的PMSM双环预测控制的研究[J]. 计算机工程与应用, 2019, 55(18): 212-217.
[6]	贾涵，连晓峰. 发现概率参数自适应调节的布谷鸟改进算法[J]. 计算机工程与应用, 2018, 54(22): 16-22.
[7]	陈禹1，冯翔1，2，虞慧群1. 改进型帝国竞争模型算法的研究[J]. 计算机工程与应用, 2018, 54(12): 206-213.
[8]	罗卫华，吴国成. 变系数时间分数阶子扩散方程的数值解[J]. 计算机工程与应用, 2017, 53(4): 75-78.
[9]	杨喜峰，王耀南，贾林. 电动汽车IPMSM滑模观测器速度控制方法[J]. 计算机工程与应用, 2017, 53(23): 217-223.
[10]	许峰，吴福芳. 自适应协同进化多目标进化算法[J]. 计算机工程与应用, 2016, 52(6): 26-30.
[11]	梅宏标1，洪叶荣2，邹春红1. 利用兴趣度原理的蚁群算法研究[J]. 计算机工程与应用, 2015, 51(23): 42-47.
[12]	熊劲松，高兴宝. 复奇异鞍点问题预条件修正AHSS法的半收敛性[J]. 计算机工程与应用, 2015, 51(15): 1-5.
[13]	陈强，卢愿，李彬，黄丹丹. 冲突证据分步合成的合理性及改进合成算法[J]. 计算机工程与应用, 2015, 51(11): 35-40.
[14]	吴坤安，严宣辉，陈振兴. 一种基于Pareto排序的混合多目标进化算法[J]. 计算机工程与应用, 2015, 51(1): 62-68.
[15]	张艳艳，檀结庆. 双参数五点插值细分法[J]. 计算机工程与应用, 2014, 50(6): 135-138.