CN101221586A - 基于解耦技术和遗传算法的功率电子电路优化方法 - Google Patents
基于解耦技术和遗传算法的功率电子电路优化方法 Download PDFInfo
- Publication number
- CN101221586A CN101221586A CNA2007100323351A CN200710032335A CN101221586A CN 101221586 A CN101221586 A CN 101221586A CN A2007100323351 A CNA2007100323351 A CN A2007100323351A CN 200710032335 A CN200710032335 A CN 200710032335A CN 101221586 A CN101221586 A CN 101221586A
- Authority
- CN
- China
- Prior art keywords
- electronic circuit
- power electronic
- chromosome
- feedback network
- circuit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一个基于解耦技术和遗传算法优化设计功率电子电路的方法。运用遗传算法对功率电子电路的元件参数进行选择以满足动态和静态的性能要求。该方法不需要对电路系统进行复杂的数学分析,并且独立于电路结构和控制理论。它不同于传统方法那样执行整个电路的优化,而是将一个功率电子电路解耦成为功率传输和反馈网络两部分分别优化。功率传输部分的元件参数以满足功率电子电路的静态特性要求进行优化设计。反馈网络的元件参数根据整个功率电子电路要求的静态性能和在输入输出扰动时的动态响应进行优化。从而降低了整体的运算量,提高了算法优化电路的性能。
Description
技术领域:
本发明涉及人工智能和功率电子技术两大领域,主要涉及对功率电子电路的优化和设计。
背景技术:
在最近三十年里,小信号模型被广泛运用于功率电子电路的设计,其中最常用的是状态空间平均法及其衍化算法。这些方法通过在稳定状态工作点附近建立一个线性时不变的模型来近似线性时变的功率电子电路。虽然这种近似方法在许多运用中十分有效,但是它们通常只适用于特殊的电路和控制方法,并要求对电路的运作有全面的认识。当一个电路被转换为数学模型,它的状态变量被平均化,电路设计者就不能精确得到有关响应波形的详细信息。在这种情况下,将很难准确预测电路在大信号扰动下的响应。
随着功率电子技术的不断发展,对电路自动化生成的需求越来越大,优化电路的元件参数以达到指定的规格。其中涉及一系列的问题如电路复杂度、静态和动态响应、发热、电磁兼容性、控制方法和成本等等。大约在二十年前,模拟电路的自动设计技术开始出现。这些方法包括启发式算法、知识库、模拟退火和其它优化电路的算法。传统的优化方法,如梯度法、爬坡法等也都被运用到电路的设计中。但是这些算法容易陷入局部最优点,导致次优的元件参数。于是不适用于优化设计非线性的功率电子电路。
遗传算法起源于达尔文的适者生存理论,是一种全局优化方法。它通过选择、杂交和变异等操作,模拟自然进化过程寻找全局最优解。遗传算法的特点是几乎不需要所求问题的任何信息而只需要目标函数的信息。它不受搜索空间限制性假设的约束,不要求如连续性、可导性等假设,能从离散的、多极值的、含有噪音的高维问题中以很高的概率找到全局最优解。因此,以遗传算法十分适用于功率电子电路的优化。
发明内容:
本发明将遗传算法运用到功率电子电路的优化设计中,对比传统的设计方法,其优点在于:1.将人工智能运用到功率电子电路的优化和设计中,计算机自动决定电路的参数取值以达到要求的动态和静态性能。2.该方法不需要对整个系统进行复杂的数学分析,并且独立于电路结构和控制理论。3.遗传算法有良好的全局的搜索能力,鲁棒性更强,比传统算法更容易找到全局最优的元件参数。4.运用解耦技术将功率电子电路解耦为功率传输和反馈网络两个部分分别优化,降低整体的运算量,提高了算法优化电路的性能。
运用遗传算法优化设计功率电子电路的具体步骤包括:
1)对功率电子电路进行解耦,如图1所示,将功率电子电路解耦为功率传输和反馈网络两部分。其中功率传输部分包含IP个电阻(R),JP个电感(L)和KP个电容(C);反馈网络部分包含IF个电阻,JF个电感和KF个电容。
2)构造染色体CP和CF分别表示功率传输和反馈网络中的元件参数:
其中,CP和CF中的每个元件的取值都被限制在一个给定的范围以内。
3)为功率传输部分随机初始化NP个染色体,。将每个染色体代入电路中进行仿真,计算出其输出的波形,并根据给定的适应值函数ΦP计算每一个染色体相对应的适应值ΦP(CPn)。
其中,vin和RL分别为输入电压和负载值,Vin,max和Vin,min为输入电压的最大和最小值,RL,max和RL,min为负载的最大和最小值,δvin和δRL分别为改变输入电压和负载的步长。OF1用于评估输出电压的稳定状态误差,OF2用于评估电路工作的约束条件,OF3用于计算输出电压上的稳定状态纹波电压,OF4用于评估元件的固有性质,如总体价格,物理大小等。
4)对染色体执行一个基于赌盘规则的选择方法。在每一代的染色体CPn中,计算每个染色体的相对适应值ΦP,r[CPn]和累计适应值ΦP,c[CPn],
生成一个随机数p∈[0,1],并与ΦP,c(CPn)n=1...NP比较。如果ΦP,c(CPz-1)<p<ΦP,c(CPz),CPz就被选为下一代的成员。这个选择过程不断重复直到为下一代选择了NP个成员。
5)将新的染色体用交叉和变异算子进行复制。为每一个染色体产生一个随机数字p∈[0,1],当p小于指定的交叉概率px时,染色体会被选择参加交叉。交叉算子如图2所示,在染色体中随机选择一个交叉点。在交叉点后的基因会被交换从而形成新的两个染色体。操作不断重复直到种群中所有成员都被考虑。变异算子,如图3,也是从为每个染色体产生随机数开始。如果产生的随机数字p∈[0,1]是大于设定的变异概率pm,染色体会经历变异。在图中以CP1为例,随机选择其中一个基因,生成一个在元件上下限之内的随机数字以代替被选择的基因。操作不断重复直到种群中所有成员都被考虑。
6)将新的一代染色体中的每一个个体代入电路中进行仿真,计算出其输出的波形,并根据ΦP计算每一个染色体相对应的适应值ΦP(CPn)。
7)当完成了每个染色体的复制和适应值的计算后,确定适应值最高的最优染色体CPB和适应值最低的最差染色体CPW。CPB将会和上一代的最优染色体相比较。如果CPB的适应度小于上一代最优个体,则上一代最优染色体的内容将代替染色体CPW。
8)如果达到了终止条件,则保存功率传输部分最佳元件参数取值,否则回到步骤4)。
9)为反馈网络部分随机初始化NP个染色体,。基于以上求得的功率传输部分元件取值,将每个反馈网络的染色体代入电路中进行仿真,计算出其输出的波形,并根据给定的适应值函数ΦF计算每一个染色体相对应的适应值ΦF(CFn)。
其中,OF5用于评估在输出电压的稳定状态误差,OF6用于评估最大的过冲和下冲,以及在启动期间输出电压的建立时间,OF7用评估输出电压上的稳定波纹电压,OF8用于评估电路在输入电压和输出电阻扰动时的动态性能。
10)与功率传输部分类似,同样对反馈网络中的染色体进行选择、交叉和变异,根据ΦF计算每个染色体的适应值并保留最优的染色体,从而产生新的一代染色体。
11)如果达到了终止条件,则输出整个功率电子电路的最佳元件参数取值,否则回到步骤10)。
该方法的流程图如图4所示。
附图说明:
图1功率电子电路的解耦原理图
图2交叉操作示意图
图3变异操作示意图
图4方法流程图
图5典型的vd响应图
具体实施方式:
具体实施方式一:
功率传输部分的适应值函数ΦP中,OF1,OF2,OF3,OF4,分别如下设计。
1.OF1:
定义一个方差累积方程E2,用以评估vo与vref在Ns个仿真点的接近程度
如果E2的取值较小,则稳定状态误差小,OF1会较大。公式OF1的定义如下
其中,K1是OF1能达到的最大值,K2用以调整OF1对E2的敏感度。
2.OF2:
在稳定状态条件下,一些波形会受到约束条件的控制。假设λC,m是量qm在第m个约束条件下的极限,则OF2定义为
其中NC是约束条件的个数,K3,m是第m个约束条件的最大取值,而K4,m决定了考虑的量的敏感度。例如,如果λC代表开关的最大额定电压,q是实际的电压,当q<<λC时,OF2将会很大。
3.OF3:
vo上的纹波电压必须在预期输出vo,exp附近的±Δvo限度以内。在OF3中衡量染色体CPn的方法是计算在NS个仿真点中,vo超出vo,exp±Δvo的仿真点个数。OF3定义如下
其中,K5是OF3能达到的最大值,K6是衰减常数,A1是超出允许边带的仿真点个数。可见,当A1增加的时候,OF3减小。
4.OF4:
在这个目标函数中主要考虑一些和元件相关的内在因素,这些因素包含总体价格,物理大小,元件寿命等。OF4可以表示为
其中,ΦR,ΦL和ΦC是测量不同元件类型的目的函数。它们如下定义
其中,K7,i,K8,j和K9,k是ΦR,ΦL和ΦC分别能达到的最大值。Ri,max,Lj,max和Ck,max分别是Ri,Lj和Ck的最大值。
具体实施方式二:
反馈网络部分的适应值函数ΦF中的四个目标函数OF5,OF6,OF7,OF8分别如下定义。
1.OF5:
这个目标函数与OF1相似,定义为
2.OF6和OF8:
在启动或外部扰动期间,将会出现一个瞬时响应vd,其中
vd=vref-v′o
一个典型的vd响应如图5所示。OF6和OF8用以评估vd,包括1)最大过冲,2)最大下冲,3)在启动或扰动期间,响应的建立时间。OF6和OF8的基本形式可以表示如下
OF6=OV(RL,vin,CFn)+UV(RL,vin,CFn)+ST(RL,vin,CFn)
其中NT是在性能测试中输入和负载扰动的次数。
在以上的公式中,OV,UV和ST是最小化最大过冲,最大下冲和vd建立时间的目标函数。它们如下定义:
其中K10是这个目标函数可以达到的最大值,Mp0是最大过冲,Mp是实际的过冲,K11是通带常数。
其中K12是这个目标函数可以达到的最大值,Mv0是最大下冲,Mv是实际的下冲,K13是通带常数。
其中K14是这个目标函数可以达到的最大值,Ts0是一个常数,Ts是实际的建立时间,K15用于调整敏感度。Ts定义为vd落入α±σ%通带中的建立时间。也就是,
|vd(t)|≤0.01σ,t≥Ts
3.OF7:
OF7与功率传输部分中的设计方法相同,计算vo超出vo,exp±Δvo的仿真点个数。OF7定义如下
Claims (4)
1.一种基于解耦技术和遗传算法的功率电子电路优化方法,其特征在于,该方法包括以下步骤:
1)对功率电子电路进行解耦,将功率电子电路解耦为功率传输和反馈网络两部分。
2)为功率传输部分随机初始化染色体群体。将每个染色体代入电路中进行仿真,得到其输出的波形,并计算其适应值。
3)对染色体执行选择、交叉和变异产生下一代染色体。
4)将新的一代染色体群体中的每一个个体代入电路中进行仿真,计算出其适应值。
5)对每一代最优的染色体进行保留。
6)如果达到了终止条件,则保存功率传输部分最佳元件参数取值,否则回到步骤3)。
7)为反馈网络部分随机初始化染色体群体。基于以上求得的功率传输部分元件取值,将每个反馈网络的染色体代入电路中进行仿真,计算出其输出的波形,并根据适应值函数计算每一个染色体的适应值。
8)对反馈网络中的染色体进行选择、交叉和变异,从而产生新的一代染色体。
9)计算每个染色体的适应值,并保留最优染色体。
10)如果达到了终止条件,则输出整个功率电子电路的最佳元件参数取值,否则回到步骤8)。
2.基于权利要求1所述的一种基于解耦技术和遗传算法的功率电子电路优化方法,其特征在于,运用解耦技术将功率电子电路解耦为功率传输和反馈网络两部分,分别进行优化。功率传输部分的元件参数以满足功率电子电路的静态特性要求进行优化设计。反馈网络的元件参数根据整个功率电子电路要求的静态和动态性能进行优化。
3.基于权利要求1所述的一种基于解耦技术和遗传算法的功率电子电路优化技术,其特征在于,功率传输部分的适应值函数ΦP如下设计
其中,CPn为功率传输部分的染色体,vin和RL分别为输入电压和负载值,Vin,max和Vin,min为输入电压的最大和最小值,RL,max和RL,min为负载的最大和最小值,δvin和δRL分别为改变输入电压和负载的步长。OF1用于评估输出电压的稳定状态误差,OF2用于评估电路工作的约束条件,OF3用于计算输出电压上的稳定状态纹波电压,OF4用于评估元件的固有性质,如总体价格,物理大小等。
4.基于权利要求1所述的一种基于解耦技术和遗传算法的功率电子电路优化技术,其特征在于,反馈网络部分的适应值函数ΦF如下设计
其中,CFn为反馈网络部分的染色体。OF5用于评估输出电压的稳定状态误差,OF6用于评估最大的过冲和下冲,以及在启动期间输出电压的建立时间,OF7用于评估输出电压上的稳定状态波纹电压,OF8用于评估电路在输入电压和输出电阻扰动时的动态性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2007100323351A CN101221586A (zh) | 2007-12-11 | 2007-12-11 | 基于解耦技术和遗传算法的功率电子电路优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2007100323351A CN101221586A (zh) | 2007-12-11 | 2007-12-11 | 基于解耦技术和遗传算法的功率电子电路优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101221586A true CN101221586A (zh) | 2008-07-16 |
Family
ID=39631425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2007100323351A Pending CN101221586A (zh) | 2007-12-11 | 2007-12-11 | 基于解耦技术和遗传算法的功率电子电路优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101221586A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096728A (zh) * | 2010-11-29 | 2011-06-15 | 中山大学 | 基于分布估计算法的功率电子电路优化方法 |
CN102355589A (zh) * | 2011-10-26 | 2012-02-15 | 西安电子科技大学 | 基于参数自优化多群粒子群优化的视频超分辨重建方法 |
CN103246924A (zh) * | 2013-04-25 | 2013-08-14 | 中山大学 | 基于遗传算法的无线射频识别系统 |
CN103782244A (zh) * | 2011-07-13 | 2014-05-07 | 西门子公司 | 发电站调节的自动适配 |
CN104966243A (zh) * | 2015-07-21 | 2015-10-07 | 江苏省无线电科学研究所有限公司 | 基于改进遗传算法的农作物生育期自动识别方法 |
CN107066709A (zh) * | 2017-03-29 | 2017-08-18 | 西安电子科技大学 | 基于多智能体遗传算法的电力运输网络拓扑结构设计方法 |
CN110147884A (zh) * | 2019-04-02 | 2019-08-20 | 佛山市顺德区中山大学研究院 | 一种高效电路拓扑结构进化方法及其系统 |
CN114626498A (zh) * | 2022-03-02 | 2022-06-14 | 中国电建集团江西省电力建设有限公司 | 基于演化优化的光伏运维数据重构方法 |
-
2007
- 2007-12-11 CN CNA2007100323351A patent/CN101221586A/zh active Pending
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096728A (zh) * | 2010-11-29 | 2011-06-15 | 中山大学 | 基于分布估计算法的功率电子电路优化方法 |
CN103782244A (zh) * | 2011-07-13 | 2014-05-07 | 西门子公司 | 发电站调节的自动适配 |
CN103782244B (zh) * | 2011-07-13 | 2017-02-22 | 西门子公司 | 发电站调节的自动适配 |
US9568898B2 (en) | 2011-07-13 | 2017-02-14 | Siemens Aktiengesellschaft | Automation system and method for automated adaptation of a power plant control |
CN102355589B (zh) * | 2011-10-26 | 2013-09-25 | 西安电子科技大学 | 基于参数自优化多群粒子群优化的视频超分辨重建方法 |
CN102355589A (zh) * | 2011-10-26 | 2012-02-15 | 西安电子科技大学 | 基于参数自优化多群粒子群优化的视频超分辨重建方法 |
CN103246924A (zh) * | 2013-04-25 | 2013-08-14 | 中山大学 | 基于遗传算法的无线射频识别系统 |
CN104966243A (zh) * | 2015-07-21 | 2015-10-07 | 江苏省无线电科学研究所有限公司 | 基于改进遗传算法的农作物生育期自动识别方法 |
CN104966243B (zh) * | 2015-07-21 | 2018-06-05 | 江苏省无线电科学研究所有限公司 | 基于改进遗传算法的农作物生育期自动识别方法 |
CN107066709A (zh) * | 2017-03-29 | 2017-08-18 | 西安电子科技大学 | 基于多智能体遗传算法的电力运输网络拓扑结构设计方法 |
CN107066709B (zh) * | 2017-03-29 | 2019-05-21 | 西安电子科技大学 | 基于多智能体遗传算法的电力运输网络拓扑结构设计方法 |
CN110147884A (zh) * | 2019-04-02 | 2019-08-20 | 佛山市顺德区中山大学研究院 | 一种高效电路拓扑结构进化方法及其系统 |
CN114626498A (zh) * | 2022-03-02 | 2022-06-14 | 中国电建集团江西省电力建设有限公司 | 基于演化优化的光伏运维数据重构方法 |
CN114626498B (zh) * | 2022-03-02 | 2024-05-28 | 中国电建集团江西省电力建设有限公司 | 基于演化优化的光伏运维数据重构方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | State filtering‐based least squares parameter estimation for bilinear systems using the hierarchical identification principle | |
CN101221586A (zh) | 基于解耦技术和遗传算法的功率电子电路优化方法 | |
Cui et al. | Reinforcement learning for optimal primary frequency control: A Lyapunov approach | |
Wang et al. | A hybridization of teaching–learning-based optimization and differential evolution for chaotic time series prediction | |
Chang | An improved real-coded genetic algorithm for parameters estimation of nonlinear systems | |
CN108108532A (zh) | 运用粒子群算法优化功率电子电路的方法 | |
Roy et al. | Oppositional biogeography-based optimisation for optimal power flow | |
Liu et al. | Global maximum likelihood estimation procedure for multinomial probit (MNP) model parameters | |
Zhang et al. | Non‐linear fuzzy predictive control of hydroelectric system | |
Das et al. | A novel approach for neuro-fuzzy system-based multi-objective optimization to capture inherent fuzziness in engineering processes | |
Zhang et al. | Analyzing two-settlement electricity market equilibrium by coevolutionary computation approach | |
Yang et al. | Global cluster synchronization in finite time for complex dynamical networks with hybrid couplings via aperiodically intermittent control | |
Zambrano et al. | WH‐EA: an evolutionary algorithm for Wiener‐Hammerstein system identification | |
Chen et al. | Real‐time optimal energy management for a fuel cell/battery hybrid system | |
Al‐Shehri | Artificial neural network for forecasting residential electrical energy | |
Basu | An interactive fuzzy satisfying-based simulated annealing technique for economic emission load dispatch with nonsmooth fuel cost and emission level functions | |
Wu et al. | A genetic approach for simultaneous design of membership functions and fuzzy control rules | |
Tsai | An evolutionary approach for worst-case tolerance design | |
Tóth et al. | Order and structural dependence selection of LPV-ARX models revisited | |
Awadallah et al. | A neuro-fuzzy adaptive power system stabilizer using genetic algorithms | |
CN106970533A (zh) | 一种基于rbf‑arx模型稳定参数估计的非线性系统建模方法 | |
Yadav et al. | A combined conventional and differential evolution method for model order reduction | |
Pillans | Efficiency of evolutionary search for analog filter synthesis | |
Guilani et al. | Redundancy allocation problem of a system with three-state components: A genetic algorithm | |
CN115629576A (zh) | 非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20080716 |