：本发明属于异步电机控制领域，具体涉及基于优化bp神经网络的异步电机参数辨识方法。
背景技术
0、
背景技术：
1、参数辨识技术是一种在电机运行过程中识别电机各项电气参数的技术。通过识别这些参数，可以设计出更精确的控制算法，这对于提高电机的响应速度和稳定性至关重要。目前，对异步电机进行控制主要是对感应磁场定向进行控制。然而，不论是直接的场定向还是间接利用滑差方程进行计算，都需要首先了解电机的具体参数。尽管一些参数可以从电机铭牌或生产厂家处获取，但这些参数是在理想或特定条件下确定的，容易受到电机负载或环境的影响。如果在电机运行过程中不能及时调整控制参数，将影响电机控制的稳态和瞬态响应性能，因此需要利用参数辨识技术获取电机在不同工况下的参数。
2、传统的参数辨识方法是通过建立等效的数学或电路模型，并将其转化为线性方程，然后利用最小二乘法进行求解。然而，电机的动态行为通常是非线性的，这使得该方法在某些情况下无法准确识别参数。同时，最小二乘法在某些情况下可能会导致结果收敛到局部最优解而非全局最优解，特别是在参数空间复杂或模型具有较强非线性特征时。
技术实现思路
1、针对上述问题，本发明提出一种方案，通过利用bp神经网络并对算法进行优化，通过对bp神经网络引入动量项，可以使得算法在训练的过程中能够用n-1时刻的参数进行参考，从而起到训练阻尼的作用，有效防止训练过程出现震荡。另外，在本算法中为了避免训练结果陷入局部最优解，本算法还加入了扰动因子，这种方法会为算法添加一种噪声，这种噪声有助于算法打破进入平坦区后的稳定性，从而帮助算法更好地探索周边梯度并尽快跳出平坦区，加速模型收敛。
2、本发明公布了一种基于优化bp神经网络的异步电机参数辨识方法，并用simulink进行仿真，包括以下步骤。
3、步骤一：初始化各个参数。
4、步骤二：搭建基础d-q轴数学辨识模型，考虑到电机在运行的过程中会出现磁饱和现象，这种现象会使得电机运行时的参数呈现非线性状态。此外，由于气隙中的磁场会带有谐波，因此在构建异步电机的辨识模型时必须要考虑相应的非线性因素。
5、本发明所采用的d-q轴辨识模型如下：
6、
7、其中，id和iq是定子d-q轴电流(a)；rs是定子上绕组对应的相电阻(ω)，ωe是转子电角速度(rad/s)，θ是电角位移(rad)，ψf是基波励磁磁场链过定子绕组的磁链(wb)，分别为d-q轴定子绕组的自感基值，分别是d-q轴定子绕组自感的n次谐波幅值(n＝6,12,18…)，是d-q轴定子绕组互感的n次谐波幅值(n＝6,12,18…)，分别是d-q轴电流n次谐波相应的相位。
8、步骤三：为保持线性前向通道在模型参考自适应系统的正实性，本发明将引入补偿量。在考虑线性前向通道状态观测器时，补偿量的增益矩阵不仅确保参考模型与可调模型输出误差的严格收敛，还具有调节收敛速度的功能。当参考模型与可调模型存在差异时，观测值可能产生与实际值的偏差。因此，通过调整模型极点分布和调节增益矩阵，就能够影响辨识系统的动态特性。
9、为确保线性前向通道的特征根g1和g2具有负实部，我们可以通过以下公式选择适当的k1和k2。这样，自适应辨识结果将有效实现收敛。
10、
11、步骤四：为了更高效地搭建自适应辨识模型，需要引入b、c这两个过程参量。b、c表达式如下：
12、
13、其中，l为辨识的电感，在自适应调节的进程中，为确保在广义状态下的误差在趋于零的时侯不会导致调整效果消失，调整参数的算法必须具备一定的记忆性，因此需要对前一次迭代的效果进行参考。基于此考虑，我们得以提出有关自适应率辨识算法中迭代n次时的参数和的表达式：
14、
15、其中，kpb、kpc分别为的比例增益，kib、kic分别为的积分增益。其中iderr、iqerr为d-q轴电流预测误差，表达式如下：
16、
17、其中id和iq可以由电机的三相电流经过clark和park变换求得，而其对应的预测值在第一次计算中可以先用初值进行代替，之后该参数将会通过下述公式进行自适应更新：
18、
19、其中，ts是时间常数。
20、步骤五：将迭代后的误差iderr、iqerr作为输入层参数代入到神经网络模型中进行训练。输入数据后，通过权重wij进行加权求和并减去αi，使其输入到中间层。输入到中间层后采用优化过的sigmoid函数进行激活得到bi并输出到下一层。之后通过权重vij进行加权求和并减去βi就可以得到下一个中间层的ci，同样经过优化后的sigmoid函数就可以继续迭代输出。具体表达式如下式所示：
21、
22、其中和为神经网络第n次迭代后的各个节点，f(x)为优化后的sigmoid函数，通过加入扰动因子可以使得算法在进入平坦区逐步收敛的时候依然能够跳出平坦区继续探索梯度，从而使得得到的结果是全局最优解而不是局部最优解。f(x)表达式如下
23、
24、其中，rε表示的是扰动因子，r为随机数，ε为常数。在学习过程中，通过优化后的bp神经网络算法更新权重和偏置，以减小误差，第n次迭代的更新量由表示，其更新算法如下所示：
25、
26、其中，η表示的是算法的步长。每次迭代的更新量确定以后就通过下式对权重进行更新：
27、
28、经过一次迭代过后需要对迭代结果进行评估，可以定义损失函数如下：
29、
30、若误差大于e(n)，则重新进入学习过程，否则就结束神经网络的传播，将最后的输出值di取倒数就能得到本次迭代训练好的k1和k2。
31、步骤六：将上述训练出的k1和k2通过步骤三和步骤四的公式反推出第n次迭代下电机的电感值和磁链值。
32、本发明的有益效果为：
33、1.运用电机辨识技术，通过辨识算法可以实时调整电机的运行参数，提高电机控制的精度，避免因为不同工况下电机参数不适合而导致的电机运转异常的情况。
34、2.本发明采用bp神经网络对辨识出来的电流误差进行训练，并通过反向传播，使得最后收敛的参数更加接近实际值，提高了辨识的精度。
35、3.在此基础上，本发明还加入了扰动因子和动量项，使得bp神经网络在训练的时候避免出现震荡和局部收敛，提高收敛精度和收敛速度。
1.一种基于优化bp神经网络的异步电机参数辨识方法，其特征在于：所述方法的具体实现过程为：
