CN101446997A - 基于粒子群算法的功率电子电路优化方法 - Google Patents
基于粒子群算法的功率电子电路优化方法 Download PDFInfo
- Publication number
- CN101446997A CN101446997A CNA2008102206569A CN200810220656A CN101446997A CN 101446997 A CN101446997 A CN 101446997A CN A2008102206569 A CNA2008102206569 A CN A2008102206569A CN 200810220656 A CN200810220656 A CN 200810220656A CN 101446997 A CN101446997 A CN 101446997A
- Authority
- CN
- China
- Prior art keywords
- particle
- max
- power electronic
- algorithm
- optimization
- 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
Abstract
随着功率电子技术的发展,对功率电子电路自动化设计的需求变得越来越高。本发明将粒子群算法运用于功率电子电路的设计和优化中,主要涉及功率电子和智能计算两大领域。本发明的方法运用解耦技术将优化过程分为两个部分,分别优化功率电子电路的功率传输和反馈网络。同时在粒子群算法中引入变异算子,以增加群体的多样性,提高算法的优化效率。以一个降压变换器的优化设计为例进行测试,证明了本发明的方法是十分有效的。
Description
技术领域:
本发明涉及功率电子和智能计算两大领域,主要涉及一种基于粒子群算法的功率电子电路优化方法。
技术背景:
功率电子电路能够通过调整供应电流或者电压,有效地控制电能传输,以适应用户的负载,已经被广泛应用于各种日常设备中,如移动设备、计算机、电视机和不间断电源等。随着半导体技术和电子封装技术的进步,对功率电子电路自动化生成的需求越来越高。
电路自动化设计和优化的方法主要分为确定性算法和随机算法两种。确定性算法,如梯度法和爬山法等,容易陷入局部最优点,导致次优的元件组合。而且一些确定性算法过于依赖初始搜索点的选择,因此往往不适用于功率电子电路的优化。相对的,随机算法能够广泛地对解空间进行搜索,因此比确定性的方法更适合于优化和设计功率电子电路。最近,一种随机算法,也就是进化算法吸引了众多研究人员的关注。进化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,以进化算法十分适用于功率电子电路的设计和优化。
粒子群算法是进化算法的一个分支,是一种模拟自然界中鸟群和鱼群捕食的随机搜索算法。粒子群算法由于其定义清晰,简单实用,自提出以来就得到了广发的应用,例如动态分配、医学图形配准、机器学习与训练、数据挖掘与分类和信号控制等各领域。与其它的进化算法相比,粒子群算法具有收敛速度快,解的质量稳定等优点,因此十分适合于功率电子电路设计这样的优化问题。
发明内容:
本文将粒子群算法运用到功率电子电路的优化设计中。发明的粒子群算法运用于优化功率电子电路的步骤为:
(1)初始化用于优化功率传输部分的算法参数,并根据给定的元件取值上下限,初始化功率传输部分的第一代粒子群。
(2)计算每个粒子的适应值,适应值函数为:
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。
(3)更新每个粒子的个体最优pBest,以及所有粒子的全局最优gBest。
(4)更新每个粒子的速度和位置向量。
(5)运用变异算子以增加群体的多样性。具体方法为,对每个粒子的每一维生成一个随机分布于0和1之间的随机数r。如果r小于变异概率Pm,那么就随机改变相对应的元件取值。
(6)如果达到功率传输部分的结束条件,则执行步骤(7),否则回到步骤(2)。
(7)初始化用于优化反馈网络的算法参数,并根据给定的元件取值上下限,初始化反馈网络的第一代粒子群。
(8)计算每个粒子的适应值,适应值函数为:
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。
(9)更新每个粒子的个体最优pBest,以及所有粒子的全局最优gBest。
(10)更新每个粒子的速度和位置向量。
(11)与功率传输部分的方法相同,运用变异算子以增加反馈网络的群体多样性。
(12)如果达到功率传输部分的结束条件,则结束优化程序,否则回到步骤(8)。
由于粒子群算法概念简单,易于执行,而且收敛速度快,因此得到了广泛的应用。但是在功率电子电路的优化设计中,有时候粒子群算法会收敛到局部最优解,这是因为群体多样性不足所导致的。因此,本发明在粒子群算法中引入了变异算子,增加了进化过程中的群体多样性,使得粒子群算法用于功率电子电路优化的性能得到了提高。
附图说明:
图1功率电子电路的基本结构图
图2粒子群算法优化功率电子电路的流程图
图3降压转换器的原理图
具体实施方式:
以下结合附图进一步对发明的方法进行描述。
功率电子电路的基本结构图如图1所示,其中包括功率传输和反馈网络两部分。功率传输部分包含IP个电阻,JP个电感和KP个电容;反馈网络部分包含IF个电阻,JF个电感和KF个电容。分别用两个向量表示两部分中的无源元件
ΘP=[RP LP CP],ΘF=[RF LF CF]
其中,
在优化程序中,ΘP和ΘF是分别进行优化的。两个部分的适应值函数分别定义如下:
其中,ΦP和ΦF分别表示功率传输和反馈网络部分的适应值函数。CPn和CFn分别表示与ΘP和ΘF相对应的粒子群个体编码。OF1和OF5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和OF7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。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。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。
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。
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
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
粒子群算法要求每个个体(粒子)在进化过程中维持两个向量,即速度向量 和位置向量 (位置向量中保存的是电路元件取值,与适应值函数中的CPn和CFn相对应),其中i表示粒子的编号,D是求解问题的维数,在功率电子电路的优化设计中表示待优化的元件数目。粒子的速度决定了其运动方向和速率,而位置则体现了粒子所代表的解在解空间中的位置。同时还要求每个粒子各自维持一个自身的历史最优位置向量(用pBesti表示),也就是说在进化过程中,如果粒子到达了某个适应值更好的位置,则将该位置记录到历史最优向量中。另外,群体还维护一个全局最优位置向量(用gBest表示),也就是所有粒子的pBest中最优的一个,这个全局最优起到引导粒子向该全局最优区域收敛的作用。在每一代中,粒子速度与位置更新公式如下所示:
其中,ω为惯性权重,c1和c2为加速系数,r1 d和r2 d是两个从0到1均匀分布的随机数。
粒子群算法优化功率电子电路的流程图如图2所示。
以一个降压变换器的优化设计为例对发明的算法进行测试,该降压转换器的原理图如图3所示。其中功率传输部分待优化的元件为L和C,反馈网络待优化的元件为R1,R2,RC3,R4,C2,C3,和C4。粒子群算法的粒子个数选择为30,最大循环次数为500,其余参数如下表所示:
参数 | 取值 |
w | 1.2→0.6 |
c1 | 2.0 |
c2 | 2.0 |
Pm | 0.02 |
为了与发明的算法进行对比,运用遗传算法对相同电路进行优化设计。对两种算法的优化结果分别进行仿真测试。结果显示,粒子群算法的仿真输出波形的建立时间约为5ms,短于遗传算法的20ms,这证明了发明的粒子群算法在功率电子电路的优化设计中是十分有效的。
Claims (2)
1、一种基于粒子群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)初始化用于优化功率传输部分的算法参数,并根据给定的元件取值上下限,初始化功率传输部分的第一代粒子群。
(2)计算每个粒子的适应值,适应值函数为:
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。
(3)更新每个粒子的个体最优pBest,以及所有粒子的全局最优gBest。
(4)更新每个粒子的速度和位置向量。
(5)运用变异算子以增加群体的多样性。
(6)如果达到功率传输部分的结束条件,则执行步骤(7),否则回到步骤(2)。
(7)初始化用于优化反馈网络的算法参数,并根据给定的元件取值上下限,初始化反馈网络的第一代粒子群。
(8)计算每个粒子的适应值,适应值函数为:
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。
(9)更新每个粒子的个体最优pBest,以及所有粒子的全局最优gBest。
(10)更新每个粒子的速度和位置向量。
(11)运用变异算子以增加反馈网络的群体多样性。
(12)如果达到功率传输部分的结束条件,则结束优化程序,否则回到步骤(8)。
2、基于权利要求1所述的一种基于粒子群算法的功率电子电路优化方法,其特征在于,运用变异算子以增加粒子群体的多样性。具体方法为,对每个粒子的每一维生成一个随机分布于0和1之间的随机数r。如果ro小于变异概率Pm,那么就随机改变相对应的元件取值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008102206569A CN101446997A (zh) | 2008-12-31 | 2008-12-31 | 基于粒子群算法的功率电子电路优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008102206569A CN101446997A (zh) | 2008-12-31 | 2008-12-31 | 基于粒子群算法的功率电子电路优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101446997A true CN101446997A (zh) | 2009-06-03 |
Family
ID=40742674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2008102206569A Pending CN101446997A (zh) | 2008-12-31 | 2008-12-31 | 基于粒子群算法的功率电子电路优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101446997A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436518A (zh) * | 2011-09-05 | 2012-05-02 | 西安电子科技大学 | 基于粒子群算法的去耦电容器选择方法 |
CN102880760A (zh) * | 2012-10-11 | 2013-01-16 | 江苏科技大学 | 基于多目标粒子群及拓扑扩张的微波电路设计方法 |
CN103258131A (zh) * | 2013-04-25 | 2013-08-21 | 中山大学 | 基于正交学习粒子群的功率电路元件优化方法 |
CN103576553A (zh) * | 2013-11-06 | 2014-02-12 | 华北电力大学(保定) | 一种燃煤锅炉蒸汽温度的分数阶自整定控制方法 |
CN108108532A (zh) * | 2017-12-06 | 2018-06-01 | 华南理工大学 | 运用粒子群算法优化功率电子电路的方法 |
CN108900085A (zh) * | 2018-07-25 | 2018-11-27 | 易事特集团股份有限公司 | 软开关变换器参数优化方法和软开关变换电路 |
CN109670210A (zh) * | 2018-11-26 | 2019-04-23 | 华南理工大学 | 一种基于并行分布式粒子群算法的功率电子电路优化方法 |
CN112117906A (zh) * | 2019-06-21 | 2020-12-22 | 天津工业大学 | 一种三重移相控制下双主动全桥变换器优化方法 |
CN112163387A (zh) * | 2020-09-07 | 2021-01-01 | 华南理工大学 | 基于头脑风暴算法的功率电子电路优化方法及其应用 |
-
2008
- 2008-12-31 CN CNA2008102206569A patent/CN101446997A/zh active Pending
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436518B (zh) * | 2011-09-05 | 2013-09-25 | 西安电子科技大学 | 基于粒子群算法的去耦电容器选择方法 |
CN102436518A (zh) * | 2011-09-05 | 2012-05-02 | 西安电子科技大学 | 基于粒子群算法的去耦电容器选择方法 |
CN102880760B (zh) * | 2012-10-11 | 2015-04-01 | 江苏科技大学 | 基于多目标粒子群及拓扑扩张的微波电路设计方法 |
CN102880760A (zh) * | 2012-10-11 | 2013-01-16 | 江苏科技大学 | 基于多目标粒子群及拓扑扩张的微波电路设计方法 |
CN103258131A (zh) * | 2013-04-25 | 2013-08-21 | 中山大学 | 基于正交学习粒子群的功率电路元件优化方法 |
CN103576553B (zh) * | 2013-11-06 | 2016-08-24 | 华北电力大学(保定) | 一种燃煤锅炉蒸汽温度的分数阶自整定控制方法 |
CN103576553A (zh) * | 2013-11-06 | 2014-02-12 | 华北电力大学(保定) | 一种燃煤锅炉蒸汽温度的分数阶自整定控制方法 |
CN108108532A (zh) * | 2017-12-06 | 2018-06-01 | 华南理工大学 | 运用粒子群算法优化功率电子电路的方法 |
WO2019109757A1 (zh) * | 2017-12-06 | 2019-06-13 | 华南理工大学 | 运用粒子群算法优化功率电子电路的方法 |
CN108900085A (zh) * | 2018-07-25 | 2018-11-27 | 易事特集团股份有限公司 | 软开关变换器参数优化方法和软开关变换电路 |
CN109670210A (zh) * | 2018-11-26 | 2019-04-23 | 华南理工大学 | 一种基于并行分布式粒子群算法的功率电子电路优化方法 |
CN112117906A (zh) * | 2019-06-21 | 2020-12-22 | 天津工业大学 | 一种三重移相控制下双主动全桥变换器优化方法 |
CN112117906B (zh) * | 2019-06-21 | 2024-01-30 | 天津工业大学 | 一种三重移相控制下双主动全桥变换器优化方法 |
CN112163387A (zh) * | 2020-09-07 | 2021-01-01 | 华南理工大学 | 基于头脑风暴算法的功率电子电路优化方法及其应用 |
CN112163387B (zh) * | 2020-09-07 | 2022-09-20 | 华南理工大学 | 基于头脑风暴算法的功率电子电路优化方法及其应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101446997A (zh) | 基于粒子群算法的功率电子电路优化方法 | |
CN108108532A (zh) | 运用粒子群算法优化功率电子电路的方法 | |
Tessema et al. | An adaptive penalty formulation for constrained evolutionary optimization | |
Mohagheghi et al. | A proportional-integrator type adaptive critic design-based neurocontroller for a static compensator in a multimachine power system | |
Del Valle et al. | Particle swarm optimization: basic concepts, variants and applications in power systems | |
Attaviriyanupap et al. | A hybrid EP and SQP for dynamic economic dispatch with nonsmooth fuel cost function | |
Mohagheghi et al. | Optimal wide area controller and state predictor for a power system | |
Cui et al. | Reinforcement learning for optimal primary frequency control: A Lyapunov approach | |
Zhang et al. | Extended ant colony optimization algorithm for power electronic circuit design | |
Mohagheghi et al. | Adaptive critic design based neuro-fuzzy controller for a static compensator in a multimachine power system | |
Banerjee et al. | Seeker optimization algorithm for load-tracking performance of an autonomous power system | |
Mohagheghi et al. | Optimal neuro-fuzzy external controller for a STATCOM in the 12-bus benchmark power system | |
Wu et al. | Toward efficient manufacturing systems: A trust based human robot collaboration | |
Papa | Parameter-less algorithm for evolutionary-based optimization: For continuous and combinatorial problems | |
CN101221586A (zh) | 基于解耦技术和遗传算法的功率电子电路优化方法 | |
McGowan et al. | A digital PID speed controller for a diesel generating set | |
Liu et al. | Planning reconfigurable reactive control for voltage stability limited power systems | |
Raju et al. | Reinforcement learning in adaptive control of power system generation | |
Venayagamoorthy et al. | Dual-function neuron-based external controller for a static var compensator | |
Jasmin et al. | A Reinforcement Learning algorithm to Economic Dispatch considering transmission losses | |
CN109670210A (zh) | 一种基于并行分布式粒子群算法的功率电子电路优化方法 | |
Islam et al. | Dragonfly algorithm for robust tuning of power system stabilizers in multimachine networks | |
Cao | Consensus-based distributed control for economic dispatch problem with comprehensive constraints in a smart grid | |
Noriega et al. | Design and Simulation of a Voltage Control Based on Neural Networks | |
Ganjefar et al. | On-line identification of synchronous generator using self recurrent wavelet neural networks via adaptive learning rates |
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: 20090603 |