基于线性耦合储备池计算的电机系统混沌预测研究

doi:10.16088/j.issn.1001-6600.2023032001

摘要/Abstract

摘要： 为了解决永磁同步电机混沌时间序列预测的问题,本文提出2个线性耦合的储备池计算模型。通过寻求2个储备池计算中的最佳耦合系数,根据目标系统的时间序列数据能够预测目标系统的混沌行为,而达到预测精度更高,预测时间更长的效果。以永磁同步电机为研究对象,证明了线性耦合储备池计算在耦合系数α=0.803时,预测效果最优秀,误差Δ=9.14×10^-4。

关键词: 永磁同步电机(PMSM), 线性耦合, 储备池计算, 混沌预测

Abstract: In order to solve the problem of chaotic time series prediction of permanent magnet synchronous motors, a model containing two linearly coupled reservoir computers is proposed in this paper. By seeking the optimal coupling coefficients in the two reservoir computers, the chaotic behavior of the target system can be predicted based on the time series data of the target system, while achieving higher prediction accuracy and longer prediction time. Using a PMSM as the object of study, it is demonstrated that the linearly coupled reservoir computers models give the best prediction with an RMSE=9.14×10^-4 at a coupling factor α=0.803.

Key words: permanent magnet synchronous motor (PMSM), linearly coupled, reservoir computing, chaos prediction

中图分类号: O415.5;TM341

马乾然, 韦笃取. 基于线性耦合储备池计算的电机系统混沌预测研究[J]. 广西师范大学学报（自然科学版）, 2023, 41(6): 1-7.

MA Qianran, WEI Duqu. Chaos Prediction of a Motor System with Two Linearly Coupled Reservoir Computers[J]. Journal of Guangxi Normal University(Natural Science Edition), 2023, 41(6): 1-7.

参考文献

[1] ROBERTS C, LARA J D, HENRIQUEZ-AUBA R, et al. Continuous-time echo state networks for predicting power system dynamics[J]. Electric Power Systems Research, 2022, 212: 108562. DOI: 10.1016/j.epsr.2022.108562.
[2] ZHANG G L, ZHONG H W, TAN Z F, et al. Texas electric power crisis of 2021 warns of a new blackout mechanism[J]. CSEE Journal of Power and Energy Systems, 2022, 8(1): 1-9. DOI: 10.17775/CSEEJPES.2021.07720.
[3] CARRERAS B A, LYNCH V E, DOBSON I, et al. Critical points and transitions in an electric power transmission model for cascading failure blackouts[J]. Chaos, 2002, 12(4): 985-994. DOI: 10.1063/1.1505810.
[4] 胡锦铭,韦笃取.不同阶次分数阶永磁同步电机的混合投影同步[J].广西师范大学学报(自然科学版),2021,39(4):1-8.DOI:10.16088/j.issn.1001-6600.2020070603.
[5] 周冬玥,胡福年,陈军.基于复杂网络的电力系统鲁棒性分析[J].电力系统保护与控制,2021,49(1):72-80.DOI:10.19783/j.cnki.pspc.200204.
[6] 戴磊,魏海峰,李洋洋,等.基于分岔理论的永磁同步电机有限时间混沌控制[J].控制工程,2022,29(1):27-32.DOI:10.14107/j.cnki.kzgc.20200206.
[7] HEMATI N, KWATNY H. Bifurcation of equilibria and chaos in permanent-magnet machines[C]// Proceedings of 32nd IEEE Conference on Decision and Control. Piscataway, NJ: IEEE, 1993: 475-479. DOI: 10.1109/CDC.1993.325102.
[8] 李家祥,汪凤翔,柯栋梁,等.基于粒子群算法的永磁同步电机模型预测控制权重系数设计[J].电工技术学报,2021,36(1):50-59,76.DOI:10.19595/j.cnki.1000-6753.tces.200752.
[9] 郭士铭,韦笃取.随机扰动下多电机网络混沌振荡的反馈可调节控制[J].振动与冲击,2021,40(13):60-63,72.DOI:10.13465/j.cnki.jvs.2021.13.008.
[10] PECHUK V D, KRASNOPOLSKAYA T S, PECHUK E D. Maximum Lyapunov exponent calculation[C]// 14th Chaotic
Modeling and Simulation International Conference. Cham: Springer, 2022: 327-335. DOI: 10.1007/978-3-030-96964-6_22.
[11] HU Z Q, XU P C, ASHOUR E A, et al. Prediction and construction of drug-polymer binary system thermodynamic phase diagram in amorphous solid dispersions (ASDs)[J]. AAPSPharmSciTech, 2022, 23(6): 169. DOI: 10.1208/s12249-022-02319-4.
[12] 张春涛,马千里,彭宏.基于信息熵优化相空间重构参数的混沌时间序列预测[J].物理学报,2010,59(11):7623-7629.DOI:10.7498/aps.59.7623.
[13] HOPFIELD J J. Neural networks and physical systems with emergent collective computational abilities[J]. Proceedings of the National Academy of Sciences of the United States of America, 1982, 79(8): 2554-2558. DOI: 10.1073/pnas.79.8.2554.
[14] SAMMUT G, WEBB G I. Encyclopedia of machine learning[M]. New York: Springer, 2010. DOI: 10.1007/978-0-387-30164-8.
[15] JAEGER H. The “echo state” approach toanalysing and training recurrent neural networks-with an erratum note: GMD Report 148[R]. Bonn: German National Research Center for Information Technology, 2010: 13.
[16] 刘半藤,陈唯,尹则高,等.基于MCP正则化SWESN的时间序列预测方法研究[J].计算机仿真,2022,39(4):307-311.DOI:10.3969/j.issn.1006-9348.2022.04.060.
[17] 陈豪昌,韦笃取.基于储备池计算的电机系统混沌预测与同步研究[J].振动与冲击,2021,40(16):199-203.DOI:10.13465/j.cnki.jvs.2021.16.025.
[18] 张清勇,常万峰,李昶吾,等.基于IGSA-DESN的短时交通流预测方法[J].武汉理工大学学报,2022,44(7):89-95.DOI:10.3963/j.issn.1671-4431.2022.07.013.
[19] 沈富鑫,邴其春,张伟健,等.基于回声状态网络模型的短时交通流混沌预测[J].济南大学学报(自然科学版),2022,36(2):142-147,154.DOI:10.13349/j.cnki.jdxbn.20211011.002.
[20] 徐玚,徐晓钟.基于ESN和改进RBFNN的城市燃气负荷预测[J].计算机系统应用,2019,28(3):28-35.DOI:10.15888/j.cnki.csa.006798.
[21] 胡锦铭,韦笃取.分数阶永磁同步电机的广义同步研究[J].广西师范大学学报(自然科学版),2020,38(6):14-20.DOI:10.16088/j.issn.1001-6600.2020.06.002.
[22] HU W C, ZHANG Y B, MA R C, et al. Synchronization between two linearly coupled reservoir computers[J]. Chaos Solitons & Fractals, 2022, 157: 111882. DOI: 10.1016/j.chaos.2022.111882.
[23] 李健康,韦笃取,罗晓曙,等.分布式发电系统与感性负载网络混沌同步控制[J].广西师范大学学报(自然科学版),2019,37(3):33-41.DOI:10.16088/j.issn.1001-6600.2019.03.004.

相关文章 13

[1]	钟晓芸. 分数阶Newton-Leipnik系统的Mittag-Leffler投影同步[J]. 广西师范大学学报（自然科学版）, 2023, 41(1): 113-121.
[2]	阮文静, 杨启贵. 具有有限和无限孤立奇点的新四维超混沌系统的复杂动力学分析[J]. 广西师范大学学报（自然科学版）, 2021, 39(5): 173-181.
[3]	吴雷, 阳志, 张磊, 白克钊. 分数阶混沌同步磁阻电机的滑模控制[J]. 广西师范大学学报（自然科学版）, 2021, 39(2): 62-70.
[4]	洪玲玲,杨启贵. 新四维超混沌系统的复杂动力学研究[J]. 广西师范大学学报（自然科学版）, 2019, 37(3): 96-105.
[5]	吴雷, 阳丽, 李啟尚, 萧华鹏. 基于小增益定理的同步磁阻电机混沌控制[J]. 广西师范大学学报（自然科学版）, 2019, 37(2): 44-51.
[6]	吴雷,马姝靓,肖华鹏,唐文. 基于反馈线性化法的同步磁阻电机跟踪控制[J]. 广西师范大学学报（自然科学版）, 2017, 35(4): 10-16.
[7]	吴雷,阳丽,郭鹏霄. Rucklidge系统的反馈线性化控制[J]. 广西师范大学学报（自然科学版）, 2017, 35(1): 21-27.
[8]	陈彦飞, 贾贞, 邓奇湘, 谢梦舒, 于晓玲. 超混沌Liu系统的自适应广义投影同步与参数识别[J]. 广西师范大学学报（自然科学版）, 2012, 30(1): 10-14.
[9]	李勇, 贾贞. 离散混沌系统在保密通信中的应用[J]. 广西师范大学学报（自然科学版）, 2011, 29(1): 15-19.
[10]	钟敏, 唐国宁. 限制钾离子电流抑制心脏中螺旋波和时空混沌[J]. 广西师范大学学报（自然科学版）, 2010, 28(2): 5-8.
[11]	颜闽秀, 靳琪森. 多维混沌系统的构建及其多通道自适应控制[J]. 广西师范大学学报（自然科学版）, 2023, 41(6): 8-21.
[12]	刘军贤, 裴启明, 覃宗定, 蒋玉凌. Lorenz方程在新参数空间的研究[J]. 广西师范大学学报（自然科学版）, 2012, 30(4): 1-12.
[13]	徐克生, 张伟东, 唐国宁. Hindmarsh-Rose神经元模型的单变量控制同步与反同步[J]. 广西师范大学学报（自然科学版）, 2010, 28(4): 5-8.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed