基于模拟退火与Levenberg-Marquardt混合算法的Energetic磁滞模型参数提取

利用Energetic磁滞模型进行磁滞特性模拟的首要任务在于模型参数的精确快速辨识。该文针对现有Energetic磁滞模型参数提取方法存在的收敛速度慢、求解精度低的问题,提出一种基于模拟退火(simulated annealing,SA)算法与Levenberg-Marquardt(L-M)混合算法的Energetic模型参数提取方法,其综合SA算法全局搜索能力强,以及L-M算法局部收敛速度快的优点。在混合算法迭代初期,采用SA算法快速锁定全局最优解所在区域;而后,根据引入的普适性混合算法切换过渡准则,将SA算法当前最优解赋予L-M算法;针对基于传统L-M算法提取Energetic模型参数出现的病态矩阵问题,该文将该模型参数的灵敏度函数矩阵进行归一化处理,从而推导出适用于Energetic模型参数快速提取的归一化L-M算法。归一化L-M算法在接收到SA算法提供的最优解后,将其作为初始值,快速收敛于全局最优解。仿真及实验结果表明,该文所提混合算法同时具有收敛速度快、提取精度高的优异性能,可实现Energetic模型参数的准确快速辨识。     

基于模拟退火改进PSO算法的J-A磁滞模型参数辨识

本文作者提出了一种基于模拟退火改进PSO算法,将模拟退火算法和PSO算法融合,利用模拟退火算法的全局搜索能力与PSO算法的快速收敛性能,可实现磁滞模型参数的快速、精确辨识。J-A磁滞模型参数辨识的仿真验证了所提混合算法对于磁滞曲线的拟合程度、辨识所得参数精度均更高,且不易于陷入局部最优解。同时,通过引入铁心在交变磁场中产生的损耗部分,建立了动态J-A磁滞模型以评估动态损耗对磁内能的影响,验证了所提出算法在考虑涡流损耗和异常损耗因素下工程应用中参数辨识的快速性与有效性。     

基于改进粒子群算法的电流互感器J-A模型参数辨识

在应用Jiles-Atherton(J-A)磁滞模型对电流互感器的磁滞回线进行分析时,需对J-A磁滞模型中5个关键参数进行精确识辨。针对目前辨识方法存在的计算时间长和寻优能力差等问题,提出了一种改进的粒子群算法对J-A磁滞模型中的关键参数进行辨识。该算法将遗传选择策略引入到粒子群算法中,通过增加粒子群的多样性来提高了算法全局搜索能力,从而提高J-A磁滞模型关键参数辨识的准确度。文中对比分析了所提改进算法(GSS-PSO)与其他智能算法对J-A磁滞模型的关键参数辨识速度与准确度。结果表明,改进的算法得到的磁滞回线与实测磁滞回线的误差最小,且识别效率较高,证明了该算法在J-A磁滞模型参数辨识中的准确性和有效性。     

基于改进人工鱼群算法的互感器Jiles-Atherton模型参数辨识

为开展仿真平台下的电磁式互感器特性研究,需要对试验互感器建立精确可靠的磁滞模型。Jiles-Atherton(J-A)模型广泛应用在铁磁材料的磁滞建模与仿真实验中,其5个关键参数的准确度直接影响模型的拟合程度。本文提出一种结合模拟退火算法的改进人工鱼群算法对J-A模型进行参数辨识。改进算法初期使用人工鱼群算法将搜索域快速锁定在全局最优解的附近范围,当J-A模型拟合达到一定精度后,转而改用模拟退火算法继续进行局部的精确搜索。通过Matlab建模证实,改进算法同时解决了鱼群算法后期寻优效率较低以及退火算法难以大范围搜索的问题,能有效提高J-A模型参数辨识的时效性与精确度。     

基于改进秃鹰搜索算法的变压器J-A模型参数辨识

在对变压器的精确建模中,铁磁材料特性的表示是一大关键点.J-A磁滞模型具有参数较少、物理意义清晰等优点,在研究中得到广泛应用.针对现有J-A模型参数辨识所使用的优化算法存在精度低、耗时久等问题,本文提出了一种基于改进秃鹰搜索算法,以实现对J-A磁滞模型参数的快速、精确辨识.该方法融合混沌映射、精英反向学习及自适应权重,...     

基于改进鲸鱼算法的电流互感器J-A模型磁滞参数识别

基于J-A磁滞模型模拟电流互感器铁芯磁滞特性的关键是模型参数的精准快速识别。针对现有J-A模型参数提取时输入输出均不易测量和提取方法收敛速度慢、精度低等问题,提出了一种基于改进鲸鱼算法的ψ-i J-A磁滞模型的参数提取方法。该模型以磁链和电流为基础,而不是以磁通密度和磁场为基础。采用加入自适应权重值调整和搜索策略的改进鲸鱼算法对参数进行提取。用所提方法和粒子群算法、鲸鱼算法分别识别P型电流互感器和PR型电流互感器的磁滞曲线,对比可得改进鲸鱼算法精度更高、迭代次数更少,验证了所提方法的高效性。     

全局优化算法在Preisach磁滞模型参数辨识问题中的应用与性能对比

Preisach模型参数的快速辨识对实现考虑磁滞特性的电工装备有限元计算具有重要意义.该文结合显式Everett函数Preisach磁滞模型,提出一种基于改进速度可控粒子群算法的Preisach模型参数辨识方法,并对比分析全局优化算法在该问题应用的效率问题.首先,为了解决传统离散型Preisach模型因存储庞大Everett矩阵造成的计算效率低下问题,构建Everett函数的参数化显式表达式;其次,提出一种基于改进速度可控粒子群算法的Preisach模型参数辨识方法,并基于测量的硅钢片准静态磁滞回线,实现模型的参数辨识;最后,对比分析模拟退火算法、遗传算法与该文所提算法在模型迭代次数与计算时间、磁滞回线模拟准确度、参数辨识成功率三个方面的应用效率.结果表明,该文所提出的改进速度可控粒子群算法在Preisach模型辨识上同时兼具辨识精度高、收敛速度快、成功率高的特点.     

一种用于电流互感器铁心J-A磁滞参数识别的改进方法

模拟电流互感器铁心的动态磁化过程,需要建立准确的磁滞模型。改进J-A磁滞模型能够更准确地模拟铁心的磁滞特性。针对改进J-A磁滞模型关键参数难以确定的问题,提出了一种基于烟花算法的电流互感器改进J-A磁滞模型参数识别方法。该方法首先建立改进J-A模型,然后建立参数识别模型,以求出的磁感应强度与已知的磁感应强度之间的绝对误差之和最小为目标函数,将模型参数作为变量引入烟花优化算法中求解。在产生新火花的时候,增加了对火花是否满足约束条件的校验。用所提方法分别识别P型和PR型电流互感器磁滞曲线,结果表明求得的磁滞曲线与实际曲线偏差小,增加的火花校验环节能够明显减少算法收敛所需要的迭代次数,证明了所提方法的有效性和自适应性。     

铁磁元件J-A磁滞模型参数辨识

对电网特殊运行状态仿真时,常要建立考虑磁滞效应的铁磁元件模型。根据测量得到的磁通-电流特性,通过参数辨识建立铁磁元件J-A磁滞模型。根据铁磁元件的磁通电流关系向磁化强度与磁场强度关系的推导结果,建立了JA磁滞方程参数辨识模型,并给出了参数优化辨识的方法;在Matlab环境下编制了J-A方程参数辨识的优化目标函数,用遗传算法工具箱(GADS)对J-A模型参数进行辨识。结果表明,建立的参数辨识模型正确、有效。     

应用混合遗传算法的超磁致伸缩致动器磁滞模型的参数辨识

针对遗传算法爬山能力差的弱点，该文把信赖域算法作为一个与选择、交叉和变异平行的算子，嵌入到遗传算法中，得到一种混合计算智能算法。该方法兼顾了遗传算法和信赖域算法的长处，既有较快的收敛速度，又能以非常大的概率求得最优解。应用该混合遗传算法对超磁致伸缩致动器的磁滞非线性动态模型进行参数辨识，仿真和实验研究表明，该算法能有效地辨识非线性系统的非线性参数，并具有一定的抗噪声能力。     

基于SAPSO算法的异步电动机参数辨识

异步电动机等效电路参数的准确辨识对电动机的控制具有重要作用,同时,等效电路参数的变化可以反映电动机的运行状态,故参数辨识也被运用到电机故障诊断中。将现代最优化算法应用到三相异步电动机的等效电路参数辨识中。通过将粒子群优化算法(PSO)和模拟退火算法(SA)相结合,可以准确有效地对异步电动机的6个等效参数进行辨识,与遗传算法相比,SA-PSO算法易于实现且收敛速度快。算法采用考虑铁耗的异步电机d-q坐标系下的模型来实现,将温度对电阻参数的影响考虑在内。通过算例证明了算法能够有效地对电机参数进行辨识及跟踪电阻的变化。     

基于禁忌搜索粒子群优化算法的无功优化

针对粒子群算法局部搜索能力较弱和存在早熟收敛的问题,提出将粒子群优化算法结合禁忌搜索的混合算法,并应用它来求解电力系统无功优化问题。该混合算法是以粒子群优化算法为主框架,以禁忌搜索算法作为个体群继续在邻域中寻优,寻优结果对粒子群算法的输出做了更新。混合算法保留了粒子群优化算法的并行处理性,同时利用了禁忌搜索算法的较强的"爬山"能力,加快了混合优化算法的收敛时间和提高了收敛解的有效性。     

基于蚁群粒子群优化的卡尔曼滤波算法模型参数辨识

针对复杂的低压配电网通信环境,提出一种基于蚁群粒子群融合的无先导卡尔曼滤波(UKF)算法的模型参数辨识方法。对于电力线多径信道传输模型,采用具有最小均方误差估计效果的UKF辨识算法。针对UKF算法通过试验调节难以取得最佳滤波效果的问题,提出基于蚁群粒子群算法优化UKF噪声矩阵的方法,同时引入蚁群算法将惯性权重离散化以提高粒子群算法的搜索效率,克服其容易发生早熟收敛的缺点。试验和仿真结果表明,采用该优化算法辨识电力线信道模型可克服参数的分散性,提高拟合精度并缩短辨识时间。     

基于粒子群-量子操作算法的同步发电机非线性模型参数辨识

为解决同步发电机三阶非线性模型参数辨识问题,在将参数辨识问题转化为非线性优化问题的基础上,引入粒子群优化(particle swarm optimization,PSO)算法.考虑到PSO收敛速度慢、参数辨识精度低,而量子粒子群优化(quantum particle swarm optimization,QPSO)算法收敛速度快、具有较好的全局搜索能力,将量子操作引入到PSO算法中,提出了粒子群-量子操作(particle swarm optimization with quantum operation,PSO-QO)优化算法.仿真试验结果表明,与PSO算法、QPSO算法相比,PSO-QO算法收敛速度快、参数辨识精度高、算法更为稳定;与经典扩展卡尔曼滤波(extended Kalman filter,EKE)方法相比,PSO-QO具有更强的鲁棒性,尽管强噪声条件下参数辨识精度有所下降,但效果仍优于EKF.     

用于水轮机-引水管道参数辨识的改进型人工鱼群算法

提出了一种融合蚁群算法的改进型人工鱼群算法,对水轮机-引水管道系统进行参数辨识。该算法在每次迭代中先应用鱼群算法对搜索空间进行全局搜索,然后以当代全局最优解为基础利用蚁群算法对其领域进行局部搜索。根据现场实测数据,所提算法通过最小化目标函数辨识出了水轮机-引水管道模型参数。基于实测数据的建模结果表明,与传统辨识方法相比,所提算法具有更好的全局优化能力和鲁棒性能。     

一种快速高鲁棒性变压器铁心Jiles-Atherton磁滞模型参数辨识方法

Jiles-Atherton(J-A)模型是变压器剩磁与励磁涌流计算的重要方法,但在使用中存在着参数辨识的难题。文中从参数辨识的公式法、遗传算法、Nelder-Mead(NM)单纯形算法原理及各自特点出发,提出一种综合运用公式法和两种优化算法对实测磁化曲线进行参数辨识的方法。算例分析结果表明,该方法对于经典JA模型参数识别具有较高的精度,在误差影响下体现出良好的鲁棒性,是一种快速、有效的J-A模型参数辨识方法。     

基于混沌粒子群算法的火电机组热工过程辨识方法

针对火电厂热工过程的特点及其辨识方法的不足,以及粒子群(PSO)算法易早熟,且无法得到全局最优的问题,将粒子群早熟判断机制和混沌搜索序列添加到PSO算法中构成混沌粒子群优化(CPSO)算法,提出了基于CPSO算法的热工过程辨识方法,并将该方法应用于基于现场实测数据的热工过程模型辨识中。结果表明,该方法能够使粒子群快速摆脱局部极小值,提高了算法的收敛速度和收敛精度,取得了较好的辨识效果。     

基于改进混合遗传算法的同步电机参数辨识

针对同步电机参数辨识问题,建立了精确表示非同步采样及高次谐波在内的极值优化模型,利用改进混合遗传算法对该模型进行求解,为提高同步电机瞬态和超瞬态参数的精确辨识打下了良好基础.针对普通遗传算法收敛慢和经典迭代法初始点敏感问题,该改进混合遗传算法结合了全局寻优的遗传算法和局部寻优的模式搜索方法,不需要计算矩阵导数,可实现无需指定初值的电机参数快速求解.理论和仿真实验表明,该方法所需数据窗小,能有效提高参数测量的运行效率和计算精度.     

基于损耗统计理论与J-A磁滞模型的直流偏磁下磁性材料损耗计算方法

当磁性材料具有直流偏磁分量时,其损耗将会显著增加,准确计算该类材料在直流偏磁下的损耗对磁性元器件的优化设计具有重要意义。然而,现有方法并未从直流偏磁影响损耗的基本原理出发,所提求解公式偏向经验,缺乏物理基础。为此,在基于损耗统计理论分析直流偏磁对磁滞、涡流及剩余损耗各自作用特征的基础上,提出了一种基于损耗统计理论与Jiles-Atherton(J-A)磁滞模型结合的直流偏磁下磁性材料损耗半解析算法。该算法利用J-A磁滞模型求解直流偏磁下的磁滞损耗,而涡流损耗和剩余损耗的计算则运用损耗统计理论推导的解析公式;同时,针对剩余损耗统计参数难以提取的问题,提出在通过直流偏磁实验辨识该参数分布规律的基础上,引入有理函数对其进行准确拟合。最后,将仿真计算值与实验测量值进行对比,结果表明所提算法的最大相对误差仅为8.49%,验证了该算法的准确性。     

电流互感器J-A模型参数辨识及大通流动模试验

电流互感器(current transformer,CT)的暂态饱和容易导致继电保护误动作,寻求暂态饱和的原因和防范保护误动的对策特别需要建立CT的分析模型,然而该模型及其参数的构建如何体现实际运行一直是个研究难点。该文首先基于J-A理论给出了CT分析模型,分析了该模型的数值计算思路。然后针对J-A模型中描述不同励磁曲线轨迹的关键参数,研究了以磁感应强度B为优化目标的引力搜索辨识方法。最后,精心设计了330k V系统P级CT的6~48k A大通流动态模拟试验,测试表明CT的J-A模型以及所提的参数辨识算法是有效的、正确的并且符合工程实际。