【控制】基于粒子群算法的PMSM 驱动器非平稳重复过程速度控制附matlab代码

简介: 【控制】基于粒子群算法的PMSM 驱动器非平稳重复过程速度控制附matlab代码

✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可私信。

🍎个人主页:Matlab科研工作室

🍊个人信条:格物致知。

更多Matlab仿真内容点击👇

智能优化算法  神经网络预测雷达通信 无线传感器

信号处理图像处理路径规划元胞自动机无人机 电力系统

⛄ 内容介绍

针对耦合和非线性的永磁同步电机(PMSM)控制器优化设计的难题,提出一种基于粒子群优化(PSO)算法的比例、积分和微分(PID)控制器的优化设计方法.综合考虑评价系统的各项性能指标,采用时域性能指标和绝对误差积分组成的适应度函数作为优化目标,给出了优化PID控制器的设计步骤.实验结果表明:优化得到的PID控制器速度响应快、超调量小,有效地提高了永磁同步电机控制系统的动态性能.

⛄ 部分代码

% Adaptive speed control in the PMSM drive for a non-stationary repetitive process using particle swarms

% Xiaoping WANG and Bartlomiej UFNALSKI 2016.04

% Institute of Control and Industrial Electronics, Warsaw University of Techonology

% Xiaoping WANG, xiaoping.wangx@xee.pw.edu.pl (you should

% remove both exes prior to sending me an email)

% Bartlomiej UFNALSKI, bartlomiej.ufnalskix@xee.pw.edu.pl (you should

% remove both exes prior to sending me an email)

% Keywords: repetitive control, dynamic optimization problem, PMSM control



% swarm(index, [location, velocity, best_position, best_value], [controller_gains])

%% Initialization

% parameters


clear mex

clear

clc

tic

evalfit = 1;

psovideo = VideoWriter('pso_pmsm.avi');         %%%%%%%%%%%%%%video record

open(psovideo);         %%%%%%%%%%%%%%video record


% rng('shuffle');

simtime = 0.20;         % simulation time

iter_max = 800;         % maxium times of interations

nlocal = 1;                  %%%% calculate the repeatness of optimal value, to aviod local convergence, date 2013.04.10

localbest = 0;              % local optimal value

br_index = 1;               % index designed for break up if swarm tend to premature


% set initial constant

swarm_size = 10;

scale = 3;  % scale of mean; for membership

no_vari = 2;  % the number of variables, or the dimensions

evapor_cononline = 0.85; % when evapor_con0 = 1, the process is still

stilltolive = 1; % if stilltolive>iter, the process is still, otherwise it is live

change01 = 200; % when to change the interia J

change02 = 400;

change03 = 600;

multi01 = 3; % multiple of the change of J

multi02 = 5;

multi03 = 1;

history = zeros(iter_max,swarm_size,no_vari); %%%%%%%%%%%%%

quality = zeros(iter_max);

index = 1;    % index of output data

scaleplot = 0.1;

plotcon = 10;

diversity_limit(1) = 0.1;

diversity_limit(2) = 50;


procent = 0.03;


for i = 1: no_vari

   diversity_swarm(i) = 0;

   dirv_swarm(i) = 0;

end


Ts = 1e-4;

J0 = 0.005066;

J  = J0;


% set pass

pass = 0;

passa = pass;

for i = 1 : (simtime / Ts + 1)

    pass(i) = passa;

    pass = pass';

end

nnnout = 0;


% velocity clamping

scalev1 = 2;

scalev2 = 2000;

scalevlive1 = 2;

scalevlive2 = 2000;

v_clamp = [2 * scalev1  2 * scalev2];


% initial gbest

for i = 1 : no_vari

std_mean_best(i) = 1000000;

std_mean_worst(i) = 1000000;

end


for i  = 1:swarm_size

       for tt = 1 : (simtime / Ts + 1)

   plotnnout(i,tt) = 0;

   plotbest(i,tt) = 0;

   plotworst(i,tt) = 0;

       end

   passn(i) = 0;

end

%% initialization


std_mean(1) = 5;

std_mean(2) = 2500;

KP = std_mean(1);

KI = std_mean(2);

   

KP0 = KP;

KI0 = KI;

tk = 1;

mk= 1;

arraykp = 0;

arrayki = 0;

arraytk = 0;

arrayJ = 0;


%%%////////////////////////////////////////////////

c_f = 2.05;         % correction factor

K=2/abs(2-2*c_f-sqrt((2*c_f)^2-8*c_f));

%%%////////////////////////////////////////////////


%%%initialization 'save-state'////////////////////////////////////////////////


pidelay0_1 = 0; pidelay0_2 = 0; pidelay0_3 = 0; pidelay0_4 = 0;

minter0_1 = 0; minter0_2 = 0; minter0_3 = 0; minter0_4 = 0;

fdelay0_1 = 0;


pidelay_1 = 0; pidelay_2 = 0; pidelay_3 = 0; pidelay_4 = 0;

minter_1 = 0; minter_2 = 0; minter_3 = 0; minter_4 = 0;

fdelay_1 = 0;


% Noise

noise_level = 0.02;

Imax = 30; % to determine noise signal

erf_inverse = 2.3263;

noise_psd_I = (Imax*noise_level/erf_inverse)^2*Ts;


scale01 = std_mean(1);

scale02 = std_mean(2);%%%%%%%%%%%%%%%%%%%%%%


% initial swarm position


for id = 1:swarm_size

   swarm(id, 1, 1) = scale01 * (1+ 2 * procent * (rand()-0.5));

   swarm(id, 1, 2) = scale02 * (1+ 2 * procent * (rand()-0.5));

end


swarm(:, 4, 1) = 1000000;          % best value so far for the swarm

swarm(:, 5, 1) = 0; % worst value so far for the swarm

val = 0;


val0 = 1000000;

   swarm(:, 2, 1) = 2 * scalevlive1 * (rand(swarm_size,1)-0.5);        % initial velocity

   swarm(:, 2, 2) = 2 * scalevlive2 * (rand(swarm_size,1)-0.5);


figure(1)

plot3(zeros(1,swarm_size),swarm(:, 1, 1),swarm(:, 1, 2),'bo');hold on;

grid; hold on;

grid; hold on;

set(gca,'xdir', 'reverse');

xlabel('swarm iteration','fontsize',14);

ylabel('particles position y-axis','fontsize',14);

zlabel('particles position z-axis','fontsize',14);

set(gca,'FontSize',14);

grid on;


%% Iterations

for iter = 1 : iter_max

   valpassb = 1000000;   % reinitialization the best value for every iteration

   valpassw = 0;   % reinitialization the worst value for every iteration

   disp(['Iterations: ' num2str(iter) ' from ' num2str(iter_max)]);

   localbest = min(swarm(:, 4, 1));

 

   if iter == change01

       J = J0 * multi01;

   end

 

    if iter == change02

       J = J0 * multi02;

    end


    if iter == change03

       J = J0 * multi03;

    end    

   

   

   %-- evaluating position & quality ---

   for n = 1 : swarm_size

       % seed

       rand_seed_1 = round(rand*4294967295);

       rand_seed_2 = round(rand*4294967295);

       

       

       for m = 1 : no_vari

       swarm(n, 2, m)= min(max(-v_clamp(m), swarm(n, 2, m)), v_clamp(m));  % velocity clamping

       swarm(n, 1, m) = swarm(n, 1, m) + swarm(n, 2, m);

       std_mean(m) = swarm(n, 1, m);

       end

     

       KP = std_mean(1);

       KI = std_mean(2);

                   

       if evalfit==1

          simout=sim('DPSOPMSM.slx', 'SaveOutput','on');

       else

           load kbest_fuzzypsopmsm

           open DPSOPMSM.slx

           sim('DPSOPMSM');

       end

       

       

       if iter >= stilltolive    % make on-line mode

       pidelay0_1 = pidelay_1;

       pidelay0_2 = pidelay_2;

       pidelay0_3 = pidelay_3;

       pidelay0_4 = pidelay_4;

       minter0_1 = minter_1;

       minter0_2 = minter_2;

       minter0_3 = minter_3;

       minter0_4 = minter_4;

       fdelay0_1 = fdelay_1;

       evapor_con = evapor_cononline;

       scalev1 = scalevlive1;

       scalev2 = scalevlive2;

       v_clamp = [2 * scalev1 2 * scalev2];

       

       else    % still mode

       pidelay0_1 = 0;

       pidelay0_2 = 0;

       pidelay0_3 = 0;

       pidelay0_4 = 0;

       minter0_1 = 0;

       minter0_2 = 0;

       minter0_3 = 0;

       minter0_4 = 0;

       fdelay0_1 = 0;

       evapor_con = 1;

       end

 

       

       if max(simout.get('tout')) >= simtime

           Yout=simout.get('yout');

           val = Yout(numel(Yout));

       else

           val = 1000000-max(simout.get('tout'));

       end

       

       disp(['Particle: ' num2str(n) '/' num2str(swarm_size) ' with fitness ' num2str(val) ' , position ( ' num2str(swarm(n, 1, :))  ' ) ' ' , (KP, KI) ( ' num2str(KP) ', ' num2str(KI) ' ) ' ]);

       % detect the change of evironment. when there is no big change keep

       % small evaporation constant, and if the evironment has been

       % changed, use bigger constant

       

       if val > swarm(n, 4, 1)*(1 + 0.05)

           evapor_con = 0.85;

           scalevlive1 = 2;

           scalevlive2 = 2000;

       elseif val < swarm(n, 4, 1)*(1 - 0.05)

           evapor_con = 0.85;

           scalevlive1 = 2;

           scalevlive2 = 2000;

       else

           evapor_con = 0.999;

       end

       

       for i = 1 : no_vari

       history(iter,n,i) = std_mean(i);

       end

 

         nout = simout.get('vout');

         tnout = nout.get('Time');

         tnout = tnout';

         nnout = nout.get('Data');

         nnout = nnout';

         plotnnout(n,:) = nnout;

         %val0 = val;

         

         

       if val < swarm(n, 4, 1) / evapor_con                % if new position is better

           www=1;

           for i = 1 : no_vari

           swarm(n, 3, i) = swarm(n, 1, i);    % update best position

           end

           swarm(n, 4, 1) = val;               %  best value

       else

           www=2;

           swarm(n, 4, 1) = swarm(n, 4, 1) / evapor_con;

       end

       

        if val > swarm(n, 5, 1) * evapor_con                % if new position is worse

            ttt=1;

           for i = 1 : no_vari

           swarm(n, 6, i) = swarm(n, 1, i);    % update worst position

           end

           swarm(n, 5, 1) = val;               %  best value

        else

           ttt=2;

           swarm(n, 5, 1) = swarm(n, 5, 1) * evapor_con;

        end

       

      % find the best and worst particle in every iteration  

       if val < valpassb

           nbest = n;

           plotbest(n,:) = nnout;

           valpassb = val;

       end

       

       if val > valpassw

           nworst = n;

           plotworst(n,:) = nnout;

           valpassw = val;

       end

       

   arraykp(mk) = KP;

   arrayki(mk) = KI;

   arraytk(mk) = tk;

   arrayJ(mk) = J;

   tk = tk +1;

   mk = mk+1;

   

   

   [temp, gbest] = min(swarm(:, 4, 1));        % value of global best position

   [temp1, gworst] = max(swarm(:, 5, 1));    % value of global best position

   for i = 1 : no_vari

   std_mean_best(i) = swarm(gbest, 3, i);

   std_mean_worst(i) = swarm(gworst, 6, i);

   end

   std_mean_best;

   std_mean_worst;

   quality(iter) = temp;

 

   end

 

 pass = pass+swarm_size;  


   

   % polt KP, KI along the pass    

   figure(15)

   [ax1, h1, h2 ] = plotyy(arraytk/swarm_size, arraykp, arraytk/swarm_size, arrayJ);

   set(h1,'linestyle','.','marker','.','color','b');

   set(h2,'linestyle','.','marker','.','color','r');

   set(ax1(2),'yLim',[0 0.1]);

   set(ax1(2),'yTick',[0:0.05:0.1]);

   grid on;

   figure(16)

   [ax2, h3, h4 ] = plotyy(arraytk/swarm_size,arrayki, arraytk/swarm_size, arrayJ);

   set(h3,'linestyle','.','marker','.','color','b');

   set(h4,'linestyle','.','marker','.','color','r');

   set(ax2(2),'yLim',[0 0.1]);

   set(ax2(2),'yTick',[0:0.05:0.1]);

   grid on;

 

   

       if iter==1 || mod(iter,2*plotcon)==0

           figure(5)

           plot3((pass+1)/swarm_size, tnout, plotnnout(5,:), 'b' , 'LineWidth', 2 );

           set(gca,'xdir', 'reverse', 'ydir', 'reverse');

           axis([0 iter_max 0 simtime 0 50]);

           grid on

           hold on  

       end

       

       % draw best every iteration

       if iter < change01        

           if iter==1 || mod(iter,plotcon)==0

               figure(7)

               plot3((pass+1)/swarm_size, tnout, plotbest(nbest,:), 'm' , 'LineWidth', 2 );

               set(gca,'xdir', 'reverse', 'ydir', 'reverse');

               axis([0 change01 0 simtime 0 50]);

               grid on

               hold on  

           end

       elseif iter < change02

           if iter==1 || mod(iter,plotcon)==0

               figure(8)

               plot3((pass+1)/swarm_size, tnout, plotbest(nbest,:), 'm' , 'LineWidth', 2 );

               set(gca,'xdir', 'reverse', 'ydir', 'reverse');

               axis([change01 change02 0 simtime 0 50]);

               grid on

               hold on  

           end

       elseif iter < change03

            if iter==1 || mod(iter,plotcon)==0

               figure(9)

               plot3((pass+1)/swarm_size, tnout, plotbest(nbest,:), 'm' , 'LineWidth', 2 );

               set(gca,'xdir', 'reverse', 'ydir', 'reverse');

               axis([change02 change03 0 simtime 0 50]);

               grid on

               hold on  

            end

       else

            if iter==1 || mod(iter,plotcon)==0

               figure(10)

               plot3((pass+1)/swarm_size, tnout, plotbest(nbest,:), 'm' , 'LineWidth', 2 );

               set(gca,'xdir', 'reverse', 'ydir', 'reverse');

               axis([change03 iter_max 0 simtime 0 50]);

               grid on

               hold on  

           end

       end

       

       

       %draw worst every iteration

     if iter < change01  

        if iter==1 || mod(iter,plotcon)==0

           figure(11)

           plot3((pass+1)/swarm_size, tnout, plotworst(nworst,:), 'b' , 'LineWidth', 2 );

           set(gca,'xdir', 'reverse', 'ydir', 'reverse');

           axis([0 change01 0 simtime 0 50]);

           grid on

           hold on  

        end

     elseif iter < change02

         if iter==1 || mod(iter,plotcon)==0

           figure(12)

           plot3((pass+1)/swarm_size, tnout, plotworst(nworst,:), 'b' , 'LineWidth', 2 );

           set(gca,'xdir', 'reverse', 'ydir', 'reverse');

           axis([change01 change02 0 simtime 0 50]);

           grid on

           hold on

         end

     elseif iter < change03

         if iter==1 || mod(iter,plotcon)==0

           figure(13)

hold on;


figure(25)

xlabel('time [s]','FontSize',14);

ylabel('speed response of the worst particle [rad/s]','FontSize',14);

h = legend('\omega_{m}','\omega_{m}^{ref}');

set(h,'FontSize',14);

delete(get(gca,'title'));

set(gca,'FontSize',14);

hold on;


figure(26)

xlabel('time [s]','FontSize',14);

ylabel('speed response of the worst particle [rad/s]','FontSize',14);

h = legend('\omega_{m}','\omega_{m}^{ref}');

set(h,'FontSize',14);

delete(get(gca,'title'));

set(gca,'FontSize',14);

hold on;


figure(27)

xlabel('time [s]','FontSize',14);

ylabel('speed response of the worst particle [rad/s]','FontSize',14);

h = legend('\omega_{m}','\omega_{m}^{ref}');

set(h,'FontSize',14);

delete(get(gca,'title'));

set(gca,'FontSize',14);

hold on;


figure(15)

xlabel('swarm iteration','FontSize',14);

h = legend('K_p','J');

hh1=get(ax1(1),'Ylabel');

set(hh1,'String','value of K_p','FontSize',14);

set(hh1,'color','b');

hh2=get(ax1(2),'Ylabel');

set(hh2,'String','moment of inertia','FontSize',14);

set(hh2,'color','r');

set(ax1(1),'XColor','k','YColor','b','FontSize',14);

set(ax1(2),'XColor','k','YColor','r','FontSize',14);

set(h,'FontSize',14);

set(gca,'FontSize',14);

hold on;


figure(16)

xlabel('swarm iteration','FontSize',14);

h = legend('K_i','J');

hh3=get(ax2(1),'Ylabel');

set(hh3,'String','value of K_i','FontSize',14);

set(hh3,'color','b');

hh4=get(ax2(2),'Ylabel');

set(hh4,'String','moment of inertia','FontSize',14);

set(hh4,'color','r');

set(ax2(1),'XColor','k','YColor','b','FontSize',14);

set(ax2(2),'XColor','k','YColor','r','FontSize',14);

set(h,'FontSize',14);

set(gca,'FontSize',14);

hold on;


figure(28)

xlabel('time [s]','FontSize',14);

ylabel('speed response of the worst particle [rad/s]','FontSize',14);

h = legend('\omega_{m}','\omega_{m}^{ref}');

set(h,'FontSize',14);

delete(get(gca,'title'));

set(gca,'FontSize',14);

hold on;


figure(29)

xlabel('time [s]','FontSize',14);

ylabel('speed response of the worst particle [rad/s]','FontSize',14);

h = legend('\omega_{m}','\omega_{m}^{ref}');

set(h,'FontSize',14);

delete(get(gca,'title'));

set(gca,'FontSize',14);

hold on;


figure(30)

xlabel('time [s]','FontSize',14);

ylabel('speed response of the worst particle [rad/s]','FontSize',14);

h = legend('\omega_{m}','\omega_{m}^{ref}');

set(h,'FontSize',14);

delete(get(gca,'title'));

set(gca,'FontSize',14);

hold on;

%%    'Value lg(KPq)' 'Value lg(KIq)' 'Best Value'};

% save the best values of every interation to excel

title = {'Iteration'  'Best position KP' 'Best position KI'  'Best Value' 'Worst position KP' 'Worst position KI' 'Worst Value'};

xlswrite('Bestworstposition', title, 'sheet1');

xlswrite('Bestworstposition', bestworstposition,'sheet1','A2');



evalfit=0;


if evalfit==1

   simout = sim('DPSOPMSM.slx', ...

              'SaveTime','on','TimeSaveName','tout', ...

              'SaveOutput','on','OutputSaveName','yout');

else

   load kbest_fuzzypsopmsm

   open DPSOPMSM.slx

   sim('DPSOPMSM');

end



disp('-------------------END-------------------');

toc

⛄ 运行结果

⛄ 参考文献

[1]任志斌, 谢阳萍, 肖宇连. 基于粒子群算法的永磁同步电机控制系统研制[J]. 微电机, 2013, 46(12):4.

⛄ 完整代码

❤️部分理论引用网络文献,若有侵权联系博主删除
❤️ 关注我领取海量matlab电子书和数学建模资料


相关文章
|
1天前
|
算法 调度
基于遗传模拟退火混合优化算法的车间作业最优调度matlab仿真,输出甘特图
车间作业调度问题(JSSP)通过遗传算法(GA)和模拟退火算法(SA)优化多个作业在并行工作中心上的加工顺序和时间,以最小化总完成时间和机器闲置时间。MATLAB2022a版本运行测试,展示了有效性和可行性。核心程序采用作业列表表示法,结合遗传操作和模拟退火过程,提高算法性能。
|
2天前
|
存储 算法 决策智能
基于免疫算法的TSP问题求解matlab仿真
旅行商问题(TSP)是一个经典的组合优化问题,目标是寻找经过每个城市恰好一次并返回起点的最短回路。本文介绍了一种基于免疫算法(IA)的解决方案,该算法模拟生物免疫系统的运作机制,通过克隆选择、变异和免疫记忆等步骤,有效解决了TSP问题。程序使用MATLAB 2022a版本运行,展示了良好的优化效果。
|
1天前
|
机器学习/深度学习 算法 芯片
基于GSP工具箱的NILM算法matlab仿真
基于GSP工具箱的NILM算法Matlab仿真,利用图信号处理技术解析家庭或建筑内各电器的独立功耗。GSPBox通过图的节点、边和权重矩阵表示电气系统,实现对未知数据的有效分类。系统使用MATLAB2022a版本,通过滤波或分解技术从全局能耗信号中提取子设备的功耗信息。
|
1天前
|
机器学习/深度学习 算法 5G
基于MIMO系统的SDR-AltMin混合预编码算法matlab性能仿真
基于MIMO系统的SDR-AltMin混合预编码算法通过结合半定松弛和交替最小化技术,优化大规模MIMO系统的预编码矩阵,提高信号质量。Matlab 2022a仿真结果显示,该算法能有效提升系统性能并降低计算复杂度。核心程序包括预编码和接收矩阵的设计,以及不同信噪比下的性能评估。
10 3
|
9天前
|
算法 测试技术 开发者
在Python开发中,性能优化和代码审查至关重要。性能优化通过改进代码结构和算法提高程序运行速度,减少资源消耗
在Python开发中,性能优化和代码审查至关重要。性能优化通过改进代码结构和算法提高程序运行速度,减少资源消耗;代码审查通过检查源代码发现潜在问题,提高代码质量和团队协作效率。本文介绍了一些实用的技巧和工具,帮助开发者提升开发效率。
12 3
|
7天前
|
分布式计算 Java 开发工具
阿里云MaxCompute-XGBoost on Spark 极限梯度提升算法的分布式训练与模型持久化oss的实现与代码浅析
本文介绍了XGBoost在MaxCompute+OSS架构下模型持久化遇到的问题及其解决方案。首先简要介绍了XGBoost的特点和应用场景,随后详细描述了客户在将XGBoost on Spark任务从HDFS迁移到OSS时遇到的异常情况。通过分析异常堆栈和源代码,发现使用的`nativeBooster.saveModel`方法不支持OSS路径,而使用`write.overwrite().save`方法则能成功保存模型。最后提供了完整的Scala代码示例、Maven配置和提交命令,帮助用户顺利迁移模型存储路径。
|
12天前
|
人工智能 算法 数据安全/隐私保护
基于遗传优化的SVD水印嵌入提取算法matlab仿真
该算法基于遗传优化的SVD水印嵌入与提取技术,通过遗传算法优化水印嵌入参数,提高水印的鲁棒性和隐蔽性。在MATLAB2022a环境下测试,展示了优化前后的性能对比及不同干扰下的水印提取效果。核心程序实现了SVD分解、遗传算法流程及其参数优化,有效提升了水印技术的应用价值。
|
13天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于贝叶斯优化CNN-LSTM网络的数据分类识别算法matlab仿真
本项目展示了基于贝叶斯优化(BO)的CNN-LSTM网络在数据分类中的应用。通过MATLAB 2022a实现,优化前后效果对比明显。核心代码附带中文注释和操作视频,涵盖BO、CNN、LSTM理论,特别是BO优化CNN-LSTM网络的batchsize和学习率,显著提升模型性能。
|
6天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于GA-PSO-SVM算法的混沌背景下微弱信号检测matlab仿真
本项目基于MATLAB 2022a,展示了SVM、PSO、GA-PSO-SVM在混沌背景下微弱信号检测中的性能对比。核心程序包含详细中文注释和操作步骤视频。GA-PSO-SVM算法通过遗传算法和粒子群优化算法优化SVM参数,提高信号检测的准确性和鲁棒性,尤其适用于低信噪比环境。
|
3月前
|
安全
【2023高教社杯】D题 圈养湖羊的空间利用率 问题分析、数学模型及MATLAB代码
本文介绍了2023年高教社杯数学建模竞赛D题的圈养湖羊空间利用率问题,包括问题分析、数学模型建立和MATLAB代码实现,旨在优化养殖场的生产计划和空间利用效率。
174 6
【2023高教社杯】D题 圈养湖羊的空间利用率 问题分析、数学模型及MATLAB代码