一种基于改进粒子群算法的电流互感器J-A模型参数辨识方法

摘要

本发明提出一种本专利结合遗传选择策略改进粒子群算法，利用遗传选择策略改进粒子群算法，不仅保存全局最优位置和个体最优位置，还保存全局最差位置和个体最差位置，从而增加粒子群的多样性，提高算方法的全局搜索能力，从而降低算法陷入局部最优解的可能性；其相对于传统算法（GA、GPO），均方误差最小，具备更高的辨识精度，其计算得出的B‑H曲线与实际测量B‑H曲线误差更小，几乎完全重合。

说明书

技术领域

本发明涉及一种J-A模型参数辨识，具体涉及一种基于改进粒子群算法的电流互感器J-A模型参数辨识方法。

背景技术

目前，铁磁材料磁滞特性理论建模研究主要有Preisach磁滞模型和J-A磁滞模型。其中，Preisach磁滞模型是纯数学模型，J-A磁滞模型是数学与物理相结合的模型。Preisach磁滞模型虽然精度较高，但模型参数识别较为复杂，耗时较长。J-A磁滞模型相较于Preisach磁滞模型具有公式相对简单、物理意义明确等优势，因此在磁性材料的磁滞建模中得到了广泛的应用。

经典的J-A磁滞模型用郎之万函数来描述非磁滞磁化曲线，建立的磁化强度

目前，已有许多文献对J-A磁滞模型中5个关键参数的辨识方法进行了研究。Grimaldi等(2000)提出了一种基于人工神经网络和多维优化算法的方法，用于J-A磁滞模型参数辨识。Leite等(2004)利用改进的遗传算法(GA)对J-A磁滞模型的参数进行了识别，通过实验和仿真，验证了该方法的有效性。Coelho等(2012)提出一种基于指数分布概率算子的多目标粒子群优化算法(PSO)，并验证了它在J-A磁滞模型参数识别中具有良好的应用前景。Naghizadeh等(2012)提出一种混合蛙跳算法用于J-A磁滞模型的参数辨识。董张卓等(2017)利用遗传算法工具箱对J-A磁滞模型进行参数辨识，验证模型构建的准确性。刘力卿等(2020)提出了一种综合公式法、遗传算法和单纯形算法的磁化曲线参数辨识方法。

在上述研究中，J-A磁滞模型的参数辨识主要以优化算法计算曲线与实际测量曲线误差最小为最后目标函数，通过不同的搜索规则在空间中寻找关键参数的最优值，实现参数辨识。这些算法均存在不同层度的计算量大、收敛速度慢和陷入局部最优而导致参数识别结果不精确等问题。

发明内容

针对以上问题，本发明结合遗传选择策略改进粒子群算法，并将其应用于J-A磁滞模型的关键参数辨识，提出了一种基于改进粒子群算法的电流互感器J-A模型参数辨识方法。本发明的技术方案：

一种基于改进粒子群算法的电流互感器J-A模型参数辨识方法，即GSS-PSO，所述GSS-PSO包括如下步骤：

1)初始化粒子初始值；

2)根据式1和式2生成新的粒子群p，并计算其适应度；根据式3和式4生成新的粒子群p',并计算其适应度；

其中：

式1为

式2为

式3为

式4为

3)比较粒子群p和p'的适应度值，如果当前适应度值小于其个体历史最优值或者大于其个体历史最差值，则更新其个体历史最优位置或者个体历史最差位置；如果当前适应度值小于其全局历史最优值或者大于其全局历史最差值，则更新其全局历史最优位置或者全局历史最差位置；

4)检查是否满足迭代停止条件，如果满足，则停止迭代并返回最优解，否则继续步骤2)；

即实现J-A模型关键参数辨识。

所述迭代停止条件为迭代100次。

所述迭代停止条件为随着迭代次数的增加、粒子群的适应度值保持不变。

本发明的优点是，设计合理，构思巧妙，利用遗传选择策略改进粒子群算法，不仅保存全局最优位置和个体最优位置，还保存全局最差位置和个体最差位置，从而增加粒子群的多样性，提高算方法的全局搜索能力，从而降低算法陷入局部最优解的可能性；其相对于传统算法(GA、GPO)，均方误差最小，具备更高的辨识精度，其计算得出的B-H曲线与实际测量B-H曲线误差更小，几乎完全重合。

附图说明

图1是基于改进粒子群算法的电流互感器J-A模型参数辨识方法流程图。

图2是实测B-H曲线图。

图3是GSS-PSO、GA和GSS-PSO三种算法的适应度曲线图。

图4是GSS-PSO、GA和GSS-PSO三种算法识别参数计算所得B-H曲线以及实测B-H曲线对比图。

具体实施方式

一种基于改进粒子群算法的电流互感器J-A模型参数辨识方法，即GSS-PSO，所述GSS-PSO包括如下步骤：

1)初始化粒子初始值；

2)根据式1和式2生成新的粒子群p，并计算其适应度；根据式3和式4生成新的粒子群p',并计算其适应度；

其中：

式1为

式2为

式3为

式4为

式中，i表示粒子个数，i＝1,2,…,m；d表示解的维度，d＝1,2,…,n；w表示粒子保持原有速度的程度，

3)比较粒子群p和p'的适应度值，如果当前适应度值小于其个体历史最优值或者大于其个体历史最差值，则更新其个体历史最优位置或者个体历史最差位置；如果当前适应度值小于其全局历史最优值或者大于其全局历史最差值，则更新其全局历史最优位置或者全局历史最差位置；

4)检查是否满足迭代停止条件，如果满足，则停止迭代并返回最优解，否则继续步骤2)；

即实现J-A模型关键参数辨识。

所述迭代停止条件为迭代100次。

对实际电流互感器进行磁滞特性测试，试验中通过调整励磁电压完成对电流互感器中磁感应强度的改变，测得不同磁感应强度时的磁滞特性数据，实测B-H曲线如图2所示；分别采用GSS-PSO、GA和GSS-PSO三种算法来辨识电流互感器J-A模型参数：使用仿真磁滞回线磁场强度H的均方误差作为是适应度函数

适应度函数值曲线如图3所示，可知，PSO算法在第20次迭代时已经陷入局部最优解，后期无法跳出。GA算法在第22次迭代后陷入局部最优，虽然在第80次迭代跳出了一次局部最优解，但最后并没找到最优解。改进后的GSS-PSO可以多次跳出局部最优，并且在最后的实验效果明显优于其他两种算法。

辨识参数计算所得B-H曲线以及实测B-H曲线如图4所示，可知GSS-PSO算法所识别的参数计算得到的B-H曲线与实测B-H曲线几乎完全重合，而PSO和GA算法的识别结果与实测B-H曲线相比，存在较大差异。(在通过实验测量电流互感器B-H曲线的过程中，无法保证环境等因素的干扰，电流电压测量设备也存在一定的测量误差。J-A磁滞模型是用来模拟电流互感器的物理模型，但也无法完全模拟电流互感器的实际磁滞回线。)

GSS-PSO和PSO两种算法识别所得电流互感器J-A磁滞模型关键参数如表1所示，表1模型参数辨识结果

各算法收敛速度及均方误差如表2所示，

表2各算法收敛速度及均方误差

可知GSS-PSO优化算法的均方误差最小，辨识准确度高于PSO和GA两种优化算法。GSS-PSO优化算法的总耗时最长，GSS-PSO方法是对PSO算法进行的改进，在GSS-PSO算法的迭代过程中增加了部分计算量，所以耗时相对较长，但得到了更高的辨识精度，验证了文中所提GSS-PSO优化算法对电流互感器J-A磁滞模型参数辨识的有效性。

上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。