[发明专利]一种Jiles-Atherton模型参数辨识方法和装置

说明书

本发明公开了一种Jiles‑Atherton模型参数辨识方法和装置，解决了对于处理J‑A模型这种多目标的复杂优化问题，单一的智能寻优方法往往存在显著缺陷，不利于获取精确的全局最优解，导致的难以进行大范围搜索的同时，在后期寻优过程中难以获得更为精确的结果的结束问题。其中方法包括：建立Jiles‑Atherton互感器磁滞回线模型，获取Jiles‑Atherton互感器磁滞回线模型公式；接收预定的Jiles‑Atherton互感器磁滞回线模型参数的取值范围，获取Jiles‑Atherton互感器磁滞回线模型公式对应的目标函数；通过目标函数对在所述取值范围内的模型参数的初始值和目标函数初始值执行变步长人工鱼群算法进行目标函数寻优获取全局最优解；对全局最优解执行并行模拟退火算法继续进行目标函数寻优，获取目标函数最优值对应的模型参数的值。

技术领域

本发明涉及电工技术领域，尤其涉及一种Jiles-Atherton模型参数辨识方法和装置。

背景技术

电磁式互感器多使用非线性铁磁材料制作，描述磁滞现象的理论模型有Lucas、Jiles–Atherton模型(简称为J-A模型)等，其中J-A模型因其参数较少、实现方便而被广泛应用在铁磁材料的磁滞建模与仿真中，该模型具有清晰的物理意义，能够真实地描述B-H的非线性关系，通过求解J-A模型方程便能够得到较为准确的B-H磁滞回线。

参数辨识经常被用在难以直接获取参数的场合中，即利用拟合参数来逼近理论参数，若误差足够小，则认为拟合参数已经精确到可以取代理论参数。J-A磁滞模型的参数虽具有实际意义，却难以通过实测直接得到，所以要对其进行准确可靠的参数辨识。

目前应用于参数辨识领域的常用算法主要是一些基于仿生学的智能优化算法，如遗传算法、差分进化算法、神经网络、粒子群算法等。J-A模型由五个具有实际意义的非线性方程组构成，有Ms、a、α、c、k五个待辨识参数，若这些参数确定，便可以获取唯一对应的B-H曲线。对于J-A模型的参数辨识问题，由于磁滞回线可以由测量得到，所以通常将互感器磁滞回线作为已知条件，将其带入J-A模型的五个方程，由寻优算法反向推导得出最优参数组合，使得拟合曲线和原始磁滞回线最为接近。在研究磁滞回线模型的时候，选取参与计算的B-H曲线离散点越多，模型就愈加精确，这是由于磁滞回线各段曲线的变化趋势及数值大小都代表铁磁材料的某部分特性，在J-A模型中有：Ms为饱和磁化强度，a为朗之万函数参数；α为磁畴内部耦合的平均场参数；c为可逆磁化系数；k为损耗系数。因此，互感器J-A模型参数辨识问题可以看作一个计算量非常庞大的非线性方程组问题，群智能优化算法因其在大数据环境下良好的计算能力而常被应用于解决此类问题。但是对于处理J-A模型这种多目标的复杂优化问题，单一的智能寻优方法往往存在显著缺陷，不利于获取精确的全局最优解，导致了难以进行大范围搜索的同时，在后期寻优过程中难以获得更为精确的结果的结束问题。

发明内容

本发明提供了一种Jiles-Atherton模型参数辨识方法和装置，解决了对于处理J-A模型这种多目标的复杂优化问题，单一的智能寻优方法往往存在显著缺陷，不利于获取精确的全局最优解，导致的难以进行大范围搜索的同时，在后期寻优过程中难以获得更为精确的结果的结束问题。

本发明提供的一种Jiles-Atherton模型参数辨识方法，包括：

S1：获取Jiles-Atherton互感器磁滞回线模型公式B＝f([Ms，a，α，c，k]，H)，其中H为磁场强度，B为磁通密度，M_s为饱和磁化强度，a为朗之万函数参数，α为磁畴内部耦合的平均场参数，c为可逆磁化系数，k为损耗系数；

S2：接收预定的饱和磁化强度M_s、朗之万函数参数a、磁畴内部耦合的平均场参数α、可逆磁化系数c和损耗系数k的取值范围，获取Jiles-Atherton互感器磁滞回线模型公式对应的目标函数；