CN104965981A - 一种可逆变流岸电网侧控制器多参数优化方法 - Google Patents

Abstract

本发明公开了一种可逆变流岸电网侧控制器多参数优化方法，构建多粒子群体和多优化路径，无需岸电控制系统的精确数学传递函数，仅仅只需选取代表系统动态和稳态特性的多目标函数便可优化出性能较佳的可逆岸电系统。该优化算法优化自由度高，不受系统初始化状态的影响，通过优化控制参数来优化网侧变流系统多参数，如网侧电流总谐波畸变率、直流侧电压纹波值等参数，大大提高了控制器的控制性能，同时也方便了对控制参数进行整定。

Description

一种可逆变流岸电网侧控制器多参数优化方法

技术领域

本发明涉及一种可逆变流岸电网侧控制器多参数优化方法。

背景技术

我国造船业和港口贸易近年来的快速增长，其造成的环境和噪声污染还有能源的浪费等问题不容忽视。为了节能环保，研究人员提出采用岸上电网供电，可以给船舶提供清洁的电能，该技术称为“岸电技术”。但是传统岸电变流器中网侧变流器大多采用不控整流，网侧功率因素低，电网谐波大，且只能单向流动。而全控控整流则因能量可双向流动，网侧功率因素高，且谐波低而被广泛运用。

控制器是岸电系统中能量双向传输时能否稳定的重要因素，PI控制器仍然是现阶段岸电系统的主要控制方式。参数整定方法有Ziegler-Nichols频率响应法、极点配置法和经验整定法等。上述几种常规整定方法需要精确的被控对象传递函数，需要丰富的参数整定经验，存在整定费时，无法同时考虑系统多参数等不足。

智能算法在PI参数优化方面的运用近年来受到了学者的广泛关注。粒子群算法于1995年由美国的两位学者J.Kennedy和R.C.Eberhart提出。该算法的模型来源于鸟类群体觅食活动，属于智能群体优化算法。当鸟群活动时需要遵循几个规则：(1)与邻近个体要保持一定巨鹿；(2)不断靠近食物点；(3)靠近鸟群中心。依靠这些准则鸟群就能很快找到食物。PSO模型简单，操作起来方便，能快速的优化单峰值对象，针对多峰值时在一定维度和优化范围内虽也能胜任，但随着多峰值对象的维度增加和优化区间的扩大，其更容易容易让优化陷入局部最优值。

研究人员对标准粒子群进行改进，主要是为了解决标准粒子群优化时容易陷入局部最优值等问题。有将遗传算法、免疫算法、蚁粒群算法等融入到粒子群中，采取多种优化方式将其他智能群体优点运用到粒子群中，也有改变原有粒子群结构如对惯性权重的改变，或增加如量子力学理论，精英粒子理论等等。这些改进虽然能有效阻止粒子群陷入局部最优值，但在针对变流系统优化时，因建模等问题，大多数只是停留在理论研究，或者只是用于小区间，小维度内的系统实时优化，实时优化时系统迭代过程中易出现不稳定。其他如优化PWM脉冲数量和脉冲宽度仅仅只能针对稳态系统，无法胜任系统动态变化情况。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种可逆变流岸电网侧控制器多参数优化方法。

为解决上述技术问题，本发明所采用的技术方案是：一种可逆变流岸电网侧控制器多参数优化方法，包括以下步骤：

1)采集岸电控制器输出电压的各次谐波幅值u_n和基波幅值u₁，通过下式计算岸电控制器的适应值Fitness：

$\mathrm{Fitness}=A*{\∫}_0^{\∞}k\left|e\left(k\right)\right|\mathrm{dk}+B*\sqrt{\frac{\underset{n=2}{\overset{\∞}{\mathrm{\Σ}}}{u_n}^2}{u_1}};$

其中，A＝0.1，B＝1；e(k)为k时刻岸电控制器直流侧指令与输出电压采样信号间的误差；_n代表岸电控制器输出电压的谐波次数；

2)重复上述步骤1)，直到得到L个适应值Fitness，令迭代次数N＝0；

3)利用下述第一速度更新公式和第二速度更新公式计算第N+1次迭代的岸电控制器控制参数的第一迭代步长v_ij(N+1)和第二迭代步长v1_ij(N+1)或v1'_ij(N+1)：

所述第一速度更新公式为：

v_ij(N+1)＝wv_ij(N)+cr(g_ij ^P(N)-x_ij(N))+c₁r₁(g_dj ^G(N)-x_ij(N))；

其中，w取值范围为0.5～0.9；v_ij(N)初始化为v_ij(0)＝0；x_ij(N)为第N次迭代的由岸电控制参数构成的主粒子群，x_ij(N)大小为L×4，x_ij(N)的初始值设定为：第一列上的粒子取值范围为[0.09,1500]，第二列上的粒子取值范围为[10，50000]，第三列上的粒子取值范围为[0.09,1500]，第四列上的粒子取值范围为[10,8000]；g_ij ^P(N)为第N次迭代的x_ij(N)中粒子的个体最优值，g_ij ^P(N)初始值为g_ij ^P(0)＝x_ij(0)；当N＞0时，g_ij ^P(N)确定方法为：比较g_ij ^P(N)与g_ij ^P(N-1)中同一位置的粒子值大小，取较小值作为该位置上粒子的个体最优值；g_dj ^G(N)为第N次迭代的个体最优值的最小值，即全局最优值；c，c₁为加速常数；r，r₁为[0,1]区间的随机数；i为粒子群规模，j表示粒子的维数；d代表某一组4维粒子；

所述第二速度更新公式为：

或者：

v1'_ij(N+1)＝wv1_ij(N)+V_max/2+(0.5-r₄)x1_ij(N)；

其中，为压缩因子，φ>4；x1_ij(N)大小为L×4，x1_ij(N)为第N次迭代的第一辅助粒子群，x1_ij(N)初始化x1_ij(0)的确定过程如下：x1_ij(0)的第1～L-m行上的粒子在第L-m～L个适应值之间取值，x1_ij(0)的第L-m～L行上的粒子在第1～L-m个适应值之间取值；g1_ij ^p(N)为第N次迭代的x1_ij(N)中粒子的个体最优值，g1_ij ^p(N)初始值为g1_ij ^p(0)＝x1_ij(0)；当N＞0时，g1_ij ^p(N)确定方法为：比较g1_ij ^p(N)与g1_ij ^p(N-1)中同一位置的粒子值大小，取较小值作为该位置上粒子的个体最优值；g1_oj ^G(N)为第N次迭代的个体最优值的最小值，即全局最优值；c₂，c₃为加速常数；r₂，r₃为[0,1]区间的随机数；v1_ij(N)初始化为v1_ij(0)＝0；V_max代表岸电控制参数最大更新步长，取值为0.1倍粒子最大优化区间；r₄为[0,1]区间的随机数；O代表某一组4维粒子；

4)分别更新x_ij(N+1)和x1_ij(N+1)：

x_ij(N+1)＝x_ij(N)+v_ij(N+1)；

x1_ij(N+1)＝x1_ij(N)+v1_ij(N+1)，或者x1_ij(N+1)＝x1_ij(N)+v1'_ij(N+1)；

5)构建第二辅助粒子群G_ij(N)，第二辅助粒子群由主粒子群全局最优值组成：

G_ij(N)＝|g_dj ^G(N)+e(0.5-r)|g_dj ^G(N)；

其中，e为7，r为[0,1]区间的随机数，G_ij(N)大小为L×4；

6)令N＝N+1，重复上述步骤3)和步骤4)，当N＝20时，将主粒子群和第一辅助粒子群进行对比，若第一辅助粒子群的某个粒子小于与之同位置的主粒子群粒子，则用x1_ij(N+1)取代x_ij(N+1)；

7)从N＝20开始，重复上述步骤3)、步骤4)和步骤6)，当N＝29时，通过步骤5)产生第二辅助粒子群，同时比较x_ij(29)、x1_ij(29)和g_ij(29)的大小，选取适应值最小的粒子群作为最终的输出；

8)将步骤7)得到的输出作为岸电控制器的控制参数。

本发明中，L＝25；c，c₁取值为2；c₂、c₃取值为2.05；为4.1；m＝5。

与现有技术相比，本发明所具有的有益效果为：本发明将ITAE和THD分别乘以不同的系数组合成一个多目标函数，该多目标函数可以作为可逆岸电系统中变流器直流侧电压的纹波大小、网侧电流质量好坏和功率因素大小的评判标准；优化算法采用的是多粒子群多路径PSO，该改进算法相较于标准PSO和带压缩因子的PSO在优化时陷入局部最优值的可能性更小。

附图说明

图1是岸电系统网侧变流器的主电路拓扑图；

图2是d,q轴下的双闭环控制结构框图；

图3是多粒子群多路径PSO的优化流程图；

图4是a相网侧电流与电网的波形图；

图5是直流侧电压与指令电压的波形图；

图6是a相网侧电流的FFT分析图；

图7是改进PSO优化的适应值变化曲线图。

具体实施方式

多粒子群多路径PSO在可逆岸电系统中网侧变流器PI参数优化，通过控制参数的的优化使系统参数间接得到优化，其中外环P的优化区间为[0.09,1500]，外环I的优化区间为[10,50000]；内环P的优化区间为[0.09,1500]，内环I的优化区间为[10,8000]。优化迭代次数为30次，粒子群数量为25，被控对象则是基于双闭环PI控制的网侧变流器。改进PSO的优化包括以下步骤：

首先主粒子群初始化，在优化区间内随机产生初始值，通过对主粒子群中每个控制参数的适应值从小到大进行排列，并选取适应值较大的部分控制参数组成第一辅助粒子群。主粒子群和第一辅助粒子群此时还需要对个体优值和全局优值进行初始化(粒子群中最小适应值的控制参数作为全局最优值，整个粒子群作为个体最优值)。

初始化完成后便进入迭代寻优环节，此时粒子群进行速度更新和位置更新来替换原来控制参数，从而进行寻优，其中主粒子群的速度更新公式为：

v_ij(N+1)＝wv_ij(N)+cr(g_ij ^P(N)-x_ij(N))+c₁r₁(g_dj ^G(N)-x_ij(N))

主粒子群速度更新公式为当前优化迭代时，可逆岸电网侧变流系统的控制参数根据全局最优值和个体最优值按照一定规律产生更新步长。位置更新公式为：

x(N+1)＝x(N)+v(N+1)

位置更新公式是新的控制参数在原有参数通过一定步长来代替。第一辅助粒子群的位置更新公式与主粒子群的位置更新公式相同。速度更新公式有两种，其一为：

第一辅助粒子群速度更新公式为当前优化迭代时，可逆岸电网侧变流系统的控制参数根据全局最优值和个体最优值按照一定规律产生更新步长。第二种速度更新公式为：

v1_ij1(N+1)＝wv1_ij1(N)+V_max/2+(0.5-r₄)x1_ij1(N)

此公式为速度随机更新方式，缺少全局最优值和个体最优值的引导，虽能提供一种随机性较大寻优路径，间接的扩大了粒子群在控制参数优化区间的搜索范围，但只能具有较小的更新概率(仅为0.1)。

粒子群优化初期由于惯性权重值很大，只需要进行速度和位置更新，通过更新粒子群，可在一定程度上不断发现更优区间。迭代中期(10-20代)，由于权重值的减小，可能陷入局部最优质的概率不断在增加，为了在一定程度上增加粒子群的多样性，需将主粒子群进行变异，为了不影响整体优化，只变异差粒子。

粒子群优化后期(20代以后)，为了让优化只朝着更好的方向行进，主粒子群的变异为有条件变异，只有变异后的效果好于变异前的效果则进行变异。于此同时第一辅助粒子群开始参与到主粒子群优化，不断寻找更优粒子(更优控制参数)来取代主粒子群中原有较差粒子。第一辅助粒子群作为一个全局辅助群体，增加了主粒子群的寻优范围，大大提高了寻优能力，加速了主粒子群的优化进程。

粒子群优化末期(29代以后)，此时主粒子群和第一辅助粒子群的全局辅助失去全局寻优作用，为了更进一步的精细搜索，在主粒子群的全局最优值基础上形成一个无速度更新的粒子群，称为第二辅助粒子群。该辅助粒子群能在一定程度上为主粒子群提供更优质的信息。

本发明方案先通过计算机对可逆岸电系统中的网侧变流器控制参数进行离线优化，离线优化的参数可以直接运用到实际的控制中。通过附图和实施案例来对本发明进行详细说明。

图1为网侧变流器的主电路模型(500KVA)，C为直流侧电容(36.9mF)，S_i(i＝1～6)为功率开关管，L和L1为滤波电感(分别为0.089mH和0.17mH)，C₁为滤波电容(128μF)，R_L为负载。图2为dq轴的双闭环控制结构框图，其中外环是直流侧电压反馈控制环。内环是机侧电感电流反馈控制环，将三相电流转换成dq轴信号并作为反馈信号引入到内环控制中(I_Ld，I_Lq)。电压幅值为650V(U_rd)。外环和内环的控制方式都为数字PI控制，其中外环P的优化区间为[0.09,1500]，外环I的优化区间为[10,50000]；内环P的优化区间为[0.09,1500]，内环I的优化区间为[10,8000]。调制方式则是采用空间矢量(SVPWM)调制。将图1和图2结合起来组合成一个完整的被控对象，并通过优化控制参数来保证直流侧电压纹波和网侧电流质量达到用电标准，并且网侧有较高的功率因素。

因网侧变流器中PI控制需要保证三相网侧电流对电网无较大影响，也就是要保证波形质量较好，所以需要将网侧电流作为优化评判标准。在三相对称情况下，只需要将某一个相电流作为评判标准便可以代表三相中其他两相，网侧电流的质量通过目标函数中的THD表现出来。图2为双闭环dq轴解耦控制，解耦后的dq轴控制可以看成是两个独立的对称控制，所以d轴中双环控制器的参数可以和q轴一样，为此dq两轴可以同时优化。为了加快直流侧电压收敛，并且保证系统稳定，将外环的误差通过目标函数中的ITAE作为评价标准。改进PSO的优化主要目的让目标函数的适应值尽可能的低，代表系统多参数值也能达标。目标函数中ITAE的系数为A＝0.1，THD的系数为B＝1，其公式为

Fitness＝A*ITAE+B*THD

本发明提出的改进PSO由一个主粒子群,两个辅助粒子群和三种不同寻优路径组成。主粒子群的速度更新方式为带权重值的更新方式，该粒子群在整个代优化过程中作为主要优化群体，同时也是第一辅助粒子群和第二辅助粒子群形成的基础。第一辅助粒子群作为一个全局辅助群体，有效的扩大主粒子群的寻优范围，能帮助主粒子群找到全局更优值空间。第二辅助粒子群作为一个局部辅助群体，在迭代末期能进行精细化搜索，帮助主粒子群找到个体更优值。两种辅助粒子群在优化迭代的不同时期才起作用，帮助主粒子群有效避免局部最优值，同时也能尽可能减少计算量，同时该优化方式有利于优化出高效、稳定的可逆岸电变流控制系统。

改进粒子群的优化流程图如图3所示，其中D为迭代次数。初始化是参数值在给定的控制参数优化区间内随机产生值过程，选出当前粒子群全局最优值和个体最优值，同时将主粒子群中适应值较大的粒子群组成第一辅助粒子群。优化迭代开始是主粒子群和第一辅助粒子群的速度和位置的更新，也就是控制参数值按一定步长进行更新，其目的是让其粒子群不断朝着当前全局最优区域靠拢，并在靠拢时不断发现更优区间。优化初期(优化迭代10代以前)，主粒子群的惯性权重值大，主粒子的全局搜索能力强，陷入局部最优值的可能性较小，第一辅助粒子群由适应值较大的粒子群组成，在初始阶段很难影响到主粒子群的寻优，因此不参与到主粒子群的优化中。优化中期(优化迭代10至20代)，此时主粒子群的权重值已经有所下降，通过对主粒子群中的最差粒子进行变异，能保持主粒子的多样性，且不会影响主粒子群的优化趋势。优化后期(优化迭代至20代以后)，第一辅助粒子群通过不同速度更新方式已能找到更多更优值区间，第一辅助粒子群辅助主粒子群加快了接近优化区间内全局最优值区域。优化末期(迭代至29代以后)，此时主粒子群已基本上找到全局最优值空间，第一辅助粒子群的全局辅助作用失效，为寻找可能存在的更优值，在主粒子群的全局最优值基础上形成第二辅助粒子群，该粒子群主要作用是提高搜索精度，并将更优值反馈给主粒子群。通过上述优化步骤能保证粒子群数量和迭代次数较少的时候也能寻到优值。粒子每次迭代寻到更优值时都能替换当前全局最优值和个体最优值，保证粒子群及时获得更优值区域信息，该更新公式为

if f_x<f_p,g_ij ^p(N)＝x_ij(N)

if f_x<f_G,g_dj ^G(N)＝x_ij(N)

f_x为当前粒子的适应值(每个个体控制参数作用在可逆岸电变流系统中的多目标输出值)，f_p为全局优值适应值(全局最优控制参数作用在可逆岸电变流系统中的多目标输出值)，f_G为个体优值适应值(个体最优控制参数作用在可逆岸电变流系统中的多目标输出值)。通过两个辅助粒子群和三种不同优化路径，增强了主粒子群寻优能力，保证了控制系统的控制效果。

图4为a相的电网电压与a相电流(Ea为a相电网电压，ia为a相电网电流)。图5为直流输出与直流电压。图4、5可以知，a相电网电流波形较好，与a相电网电压的相位差不大，功率因素较好，同时直流侧的电压纹波较小。图6为a相电网电流的FFT分析，可以看出，各次谐波含量均低于0.4％，总谐波畸变率只为0.99％，完全达到了用电标准。

图7为改进PSO优化的适应值变化曲线图，从图中可以看出，在优化初期，适应值有一次跌落情况，这说明在优化初期主粒子群因惯性权重值较大，更容易寻优到更优值空间。随着迭代次数的增加，主粒子群的惯性权重值逐渐减小，此时优化因没有找到最优区间而停滞。但在20代以后，随着第一辅助粒子群的加入，为主粒子群提供了更优信息，使其避免长期陷入局部最优值，多目标输出的适应值有明显的下降过程。到了优化末期，主粒子群和第一辅助粒子群已经失去全局寻优作用，通过第二辅助粒子群在局部区域提高了搜索精度，此时因主粒子群已经处在优值空间，所以适应值降幅不大。

Claims (5)

1.一种可逆变流岸电网侧控制器多参数优化方法，其特征在于，包括以下步骤：

1)采集岸电控制器输出电压的各次谐波幅值u_n和基波幅值u₁，通过下式计算岸电控制器的适应值Fitness：

$Fitness=A*{\&Integral;}_0^{\mathrm{\&infin;}}k\left|e\left(k\right)\right|dk+B*\sqrt{\frac{\underset{n=2}{\overset{\mathrm{\&infin;}}{\&Sigma;}}{u_n}^2}{u_1}};$

其中，A＝0.1，B＝1；e(k)为k时刻岸电控制器直流侧指令与输出电压采样信号间的误差；n代表岸电控制器输出电压的谐波次数；

2)重复上述步骤1)，直到得到L个适应值Fitness，令迭代次数N＝0；

3)利用下述第一速度更新公式和第二速度更新公式计算第N+1次迭代的岸电控制器控制参数的第一迭代步长v_ij(N+1)和第二迭代步长v1_ij(N+1)或v1'_ij(N+1)：所述第一速度更新公式为：

v_ij(N+1)＝wv_ij(N)+cr(g_ij ^P(N)-x_ij(N))+c₁r₁(g_dj ^G(N)-x_ij(N))；

其中，w取值范围为0.5～0.9；v_ij(N)为第N次迭代的岸电控制器控制参数的第一迭代步长，v_ij(N)初始化为v_ij(0)＝0；x_ij(N)为第N次迭代的由岸电控制参数构成的主粒子群，x_ij(N)大小为L×4，x_ij(N)的初始值设定为：第一列上的粒子取值范围为[0.09,1500]，第二列上的粒子取值范围为[10，50000]，第三列上的粒子取值范围为[0.09,1500]，第四列上的粒子取值范围为[10,8000]；g_ij ^P(N)为第N次迭代的x_ij(N)中粒子的个体最优值，g_ij ^P(N)初始值为g_ij ^P(0)＝x_ij(0)；当N＞0时，g_ij ^P(N)确定方法为：比较g_ij ^P(N)与g_ij ^P(N-1)中同一位置的粒子值大小，取较小值作为该位置上粒子的个体最优值；g_dj ^G(N)为第N次迭代的个体最优值的最小值，即全局最优值；c，c₁为加速常数；r，r₁为[0,1]区间的随机数；i为粒子群规模，j表示粒子的维数；d代表某一组4维粒子；所述第二速度更新公式为：

或者：v1'_ij(N+1)＝wv1_ij(N)+V_max/2+(0.5-r₄)x1_ij(N)；

其中，为压缩因子，φ>4；x1_ij(N)大小为L×4，x1_ij(N)为第N次迭代的第一辅助粒子群，x1_ij(N)初始化x1_ij(0)的确定过程如下：x1_ij(0)的第1～L-m行上的粒子在第L-m～L个适应值之间取值，x1_ij(0)的第L-m～L行上的粒子在第1～L-m个适应值之间取值；g1_ij ^p(N)为第N次迭代的x1_ij(N)中粒子的个体最优值，g1_ij ^p(N)初始值为g1_ij ^p(0)＝x1_ij(0)；当N＞0时，g1_ij ^p(N)确定方法为：比较g1_ij ^p(N)与g1_ij ^p(N-1)中同一位置的粒子值大小，取较小值作为该位置上粒子的个体最优值；g1_oj ^G(N)为第N次迭代的个体最优值的最小值，即全局最优值；c₂，c₃为加速常数；r₂，r₃为[0,1]区间的随机数；v1_ij(N)初始化为v1_ij(0)＝0；V_max代表岸电控制参数最大更新步长，取值为0.1倍粒子最大优化区间；r₄为[0,1]区间的随机数；O代表某一组4维粒子；

4)分别更新x_ij(N+1)和x1_ij(N+1)：

x_ij(N+1)＝x_ij(N)+v_ij(N+1)；

x1_ij(N+1)＝x1_ij(N)+v1_ij(N+1)，或者x1_ij(N+1)＝x1_ij(N)+v1'_ij(N+1)；

5)构建第二辅助粒子群G_ij(N)，第二辅助粒子群由主粒子群全局最优值组成：

G_ij(N)＝|g_dj ^G(N)+e(0.5-r)|g_dj ^G(N)；

其中，e为7，r为[0,1]区间的随机数，G_ij(N)大小为L×4；

6)令N＝N+1，重复上述步骤3)和步骤4)，当N＝20时，将主粒子群和第一辅助粒子群进行对比，若第一辅助粒子群的某个粒子小于与之同位置的主粒子群粒子，则用x1_ij(N+1)取代x_ij(N+1)；

7)从N＝20开始，重复上述步骤3)、步骤4)和步骤6)，当N＝29时，通过步骤5)产生第二辅助粒子群，同时比较x_ij(29)、x1_ij(29)和g_ij(29)的大小，选取适应值最小的粒子群作为最终的输出；

8)将步骤7)得到的输出作为岸电控制器的控制参数。

2.根据权利要求1所述的岸电控制器参数整定的优化方法，其特征在于，L＝25。

3.根据权利要求1所述的岸电控制器参数整定的优化方法，其特征在于，c，c₁取值为2；c_2、c₃取值为2.05。

4.根据权利要求1所述的岸电控制器参数整定的优化方法，其特征在于，为4.1。

5.根据权利要求1所述的岸电控制器参数整定的优化方法，其特征在于，m＝5。