CN108333940B - 一种优化指定控制器参数的方法及装置 - Google Patents

一种优化指定控制器参数的方法及装置 Download PDF

Info

Publication number
CN108333940B
CN108333940B CN201810147302.XA CN201810147302A CN108333940B CN 108333940 B CN108333940 B CN 108333940B CN 201810147302 A CN201810147302 A CN 201810147302A CN 108333940 B CN108333940 B CN 108333940B
Authority
CN
China
Prior art keywords
population
controller
designated
individual
designated controller
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.)
Active
Application number
CN201810147302.XA
Other languages
English (en)
Other versions
CN108333940A (zh
Inventor
于淼
路昊阳
衣俊艳
尚伟鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Civil Engineering and Architecture
Original Assignee
Beijing University of Civil Engineering and Architecture
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Civil Engineering and Architecture filed Critical Beijing University of Civil Engineering and Architecture
Priority to CN201810147302.XA priority Critical patent/CN108333940B/zh
Publication of CN108333940A publication Critical patent/CN108333940A/zh
Application granted granted Critical
Publication of CN108333940B publication Critical patent/CN108333940B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明实施例提供一种优化指定控制器参数的方法及装置，所述方法包括：获取指定控制器的指定控制器参数；所述指定控制器是从预设的协调控制模型中获取的并行连接的多个控制器；根据所述指定控制器参数和基于球域的人工免疫算法，获取所述指定控制器参数的优化结果。所述装置执行上述方法。本发明实施例提供的优化指定控制器参数的方法及装置，基于球域的人工免疫算法，获取指定控制器参数的优化结果，能够减少运算过程中的计算量，使算法具有全局的搜索能力，有效改善控制效果。

Description

一种优化指定控制器参数的方法及装置
技术领域
本发明实施例涉及优化控制技术领域，具体涉及一种优化指定控制器参数的方法及装置。
背景技术
在复杂工业控制系统中，例如：电力控制系统，存在着多种类型的阻尼控制器，各种控制器对整个系统的阻尼会产生不同的影响，□控制器参数如果协调不当，不但不能提高系统阻尼，反而可能会恶化系统的阻尼，因此多个控制器间的协调控制问题也成为研究热点，常见的多控制器的协调设计思想是同时协调多控制器的参数，采用如遗传算法，粒子群算法，线性优化算法，混沌优化算法，模拟退火算法等。
现有技术通常在使用优化算法进行参数优化前，先求出系统矩阵的所有特征值，再根据公式计算阻尼比，但是这一过程计算量很大，且耗时耗力，这无疑增加了算法实现的难度。
因此，如何避免上述缺陷，减少计算量，并且使算法具有全局的搜索能力，有效改善控制效果，成为亟须解决的问题。
发明内容
针对现有技术存在的问题，本发明实施例提供一种优化指定控制器参数的方法及装置。
第一方面，本发明实施例提供一种优化指定控制器参数的方法，所述方法包括：
获取指定控制器的指定控制器参数；所述指定控制器是从预设的协调控制模型中获取的并行连接的多个控制器；
根据所述指定控制器参数和基于球域的人工免疫算法，获取所述指定控制器参数的优化结果。
第二方面，本发明实施例提供一种优化指定控制器参数的装置，所述装置包括：
获取单元，用于获取指定控制器的指定控制器参数；所述指定控制器是从预设的协调控制模型中获取的并行连接的多个控制器；
优化单元，用于根据所述指定控制器参数和基于球域的人工免疫算法，获取所述指定控制器参数的优化结果。
第三方面，本发明实施例提供一种电子设备，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下方法：
获取指定控制器的指定控制器参数；所述指定控制器是从预设的协调控制模型中获取的并行连接的多个控制器；
根据所述指定控制器参数和基于球域的人工免疫算法，获取所述指定控制器参数的优化结果。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，包括：
所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如下方法：
获取指定控制器的指定控制器参数；所述指定控制器是从预设的协调控制模型中获取的并行连接的多个控制器；
根据所述指定控制器参数和基于球域的人工免疫算法，获取所述指定控制器参数的优化结果。
本发明实施例提供的优化指定控制器参数的方法及装置，基于球域的人工免疫算法，获取指定控制器参数的优化结果，能够减少运算过程中的计算量，使算法具有全局的搜索能力，有效改善控制效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例优化指定控制器参数的方法流程示意图；
图2为本发明实施例预设的协调控制模型结构图；
图3为本发明实施例指定控制器参数的优化结果与基于动态指标的指定控制器参数的优化结果的效果比较图；
图4为本发明实施例优化指定控制器参数的方法的整体流程图；
图5为本发明实施例优化指定控制器参数的装置结构示意图；
图6为本发明实施例提供的电子设备实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例优化指定控制器参数的方法流程示意图，如图1所示，本发明实施例提供的一种优化指定控制器参数的方法，包括以下步骤：
S1：获取指定控制器的指定控制器参数；所述指定控制器是从预设的协调控制模型中获取的并行连接的多个控制器。
具体的，装置获取指定控制器的指定控制器参数；所述指定控制器是从预设的协调控制模型中获取的并行连接的多个控制器。图2为本发明实施例预设的协调控制模型结构图，如图2所示，PSS、C1和C2表示并行连接的多个控制器(举例为三个)；指定控制器可以包括第一指定控制器(对应PSS)、第二指定控制器(对应C1)和第三指定控制器(对应C2)。指定控制器参数可以包括第一指定控制器的二阶项参数、第二指定控制器的一阶项参数和第三指定控制器的零阶项参数，举例说明如下：PSS为：
Figure BDA0001579156760000041
PSS的二阶项参数是s2项的参数10.19。
C1为：
Figure BDA0001579156760000042
C1的一阶项参数是s的参数-0.5109。
C2为：
Figure BDA0001579156760000043
C2的零阶项参数是参数-53.45。
S2：根据所述指定控制器参数和基于球域的人工免疫算法，获取所述指定控制器参数的优化结果。
具体的，装置根据所述指定控制器参数和基于球域的人工免疫算法，获取所述指定控制器参数的优化结果。
具体说明如下：
获取所述指定控制器参数中的一个指定参数(可以是PSS的参数10.19)。
随机生成所述一个指定参数对应的n个个体，记为群体Q1j，其中，j的初始设定值为1，用于表示生成新代群体的次数；可以根据电力系统参数优化问题给定所需参数的实际范围，随机生成PSS的参数10.19对应的n个个体。
计算群体Q1j中的每个个体(n个)的亲和度值，并根据所述亲和度值挑选出[a×n]个优秀个体，记为群体Q2j；所述优秀个体是所述亲和度值较高的[a×n]个，其中，a∈(0,1)、[a×n]表示根据四舍五入的原则进行取整；需要说明的是：该步骤是用来模拟B细胞进化的选择过程。
计算亲和度值的方法步骤可以如下：
根据如下公式计算所述协调控制模型的性能指标值J：
Figure BDA0001579156760000051
其中，J是所述协调控制模型的性能指标值、e(t)是协调控制模型的设定值与反馈值的差值，参照图2，设定值是图2中的r(t)；反馈值是图2中的y(t)。
根据如下公式计算每个个体的亲和度值A：
Figure BDA0001579156760000052
其中，A是每个个体的亲和度值、J是所述协调控制模型的性能指标值、x是大于零的小数；引入x的目的是为了防止分母接近于零而使算法运行出错，这里可以取x＝0.1。
对群体Q2j中的优秀个体进行微观演变，并采用轮盘赌法确定群体Q3j；需要说明的是：该步骤主要用来模拟克隆扩增过程，以及超突变过程，这些过程在人工免疫过程中是非常重要的。通过群体Q2j中的所有个体(优秀个体)都进行微观演变操作，确定了新的群体Q3j；群体Q3j的个体数目可以采用轮盘赌法来确定，轮盘赌法为本领域成熟技术，不再赘述。由于在人工免疫过程中超突变过程在原有个体上会发生微小变异，所以可以对每个个体构造一个以该个体为球心，以r半径的球域，微观演变就是在半径r的球域内发生演变的。
计算群体Q3j中的每个个体的亲和度值，选择出亲和度值较低的[b×n]个个体，并进行宏观演变，以获取群体Q4j；所述群体Q4j是由宏观演变生成的[b×n]个新个体，再加上未进行宏观演变的个体组成的，其中，b∈(0,1)、[b×n]表示根据四舍五入的原则进行取整；需要说明的是：该步骤用来模拟B细胞进化过程当中受体的编辑过程，通过计算群体Q3j中每个个体的亲和度值，选择出[b×n]个亲和度值较低的个体，再将这些个体进行宏观演变，通过宏观演变生成的[b×n]个新个体，再加上未进行宏观演变的个体，组成群体Q4j，由于在人工免疫过程中，受体编辑是在原有个体上发生较大的变异，所以对每个个体构造一个以该个体为球心，以R(i)为半径的球域，宏观演变就是在半径R(i)的球域内发生演变的。根据实际电力系统参数情况，个体亲和度值较高的对应的宏观演变半径R(i)小，个体亲和度较低的对应宏观演变半径R(i)大。根据亲和度从大到小的顺序，R(i)的大小线性增加，R(i)＞＞r。
计算群体Q4j中的每个个体的亲和度值，选择出亲和度值较低的[c×n]个个体，随机生成与[c×n]个个体数量相等的新个体，用所述新个体替代所述[c×n]个个体，以获取群体Q5j，其中，c∈(0,1)、[c×n]表示根据四舍五入的原则进行取整；该步骤用来模拟B细胞进化过程当中的更新过程。首先随机生成新个体，用来取代群体Q4j中亲和度较低的[c×n]个个体，记为群体Q5j。
选择群体Q1j中的亲和度值较高的个体，用所述亲和度值较高的个体替代群体Q5j中的亲和度值较低的个体，以生成新代群体Q1(j+1)，该步骤用来模拟人工免疫过程中的记忆机制。首先选择群体Q1j中亲和度值较高的个体(可以为多个)，然后用这些个体取代群体Q5j中亲和度较低的个体，生成新代群体Q1(j+1)，这样将新代群体中亲和度较高的个体存储，可以防产生个体退化现象。
计算群体Q1(j+1)中的个体总亲和度值，以及群体Q1j中的个体总亲和度值，获取所述并获取所述并根据所述亲和度值挑选出[a×n]个优秀个体至所述计算群体Q1(j+1)中的个体总亲和度值，以及群体Q1j中的个体总亲和度值的执行次数；
若所述群体Q1(j+1)中的个体总亲和度值大于所述群体Q1j中的个体总亲和度值，且所述执行次数达到预设迭代次数，则输出所述一个指定参数的优化结果。预设迭代次数可以根据实际情况自主设置。
若所述群体Q1(j+1)中的个体总亲和度值小于等于所述群体Q1j中的个体总亲和度值，将a的数值减半，将c的数值加倍，并重新返回执行所述并根据所述亲和度值挑选出[a×n]个优秀个体的步骤。这样做的目的是使算法本身具有更精细的选择，可以防止算法陷入局部最优阶段，并且可以使算法加大个体搜索范围，增加寻找其它最优个体的几率。通过实时调整算法，从而保证新一代个体产生的个体亲和度优于上一代个体。
若所述群体Q1(j+1)中的个体总亲和度值大于所述群体Q1j中的个体总亲和度值，且所述执行次数没有达到预设迭代次数，则重新返回执行所述并根据所述亲和度值挑选出[a×n]个优秀个体的步骤。通过较多次地重复执行所述并根据所述亲和度值挑选出[a×n]个优秀个体到所述计算群体Q1(j+1)中的个体总亲和度值，以及群体Q1j中的个体总亲和度值之间的步骤，可以更好地保证寻找到最优的个体。
可以再对另外的指定控制器参数中的另一个指定参数(可以是C1的参数-0.5109)执行类似于上述PSS的参数的优化过程，待完成以后，再对另外的指定控制器参数中的另一个指定参数(可以是C2的参数-53.45)执行类似于上述PSS的参数的优化过程，直至完成。
下面结合一个具体实施例，对本发明实施例进一步详细说明如下：
1)选择PSS控制器、未考虑时滞控制器及考虑时滞控制器三种控制器来进行参数优化，其模型分别为：
Figure BDA0001579156760000071
Figure BDA0001579156760000072
Figure BDA0001579156760000073
根据上述的步骤，最终可以得到指定控制器参数的优化结果，如表1所示：
表1
Figure BDA0001579156760000074
表1中的KP是PSS控制器的二阶项参数的优化结果；K1是C1控制器的一阶项参数的优化结果；K2是C2控制器的零阶项参数的优化结果；
根据上述的优化结果，以及对上述模型分别进行傅里叶变换，得到：
PSS控制器对应的
Figure BDA0001579156760000081
C1控制器对应的
Figure BDA0001579156760000082
C2控制器对应的
Figure BDA0001579156760000083
图3为本发明实施例指定控制器参数的优化结果与基于动态指标的指定控制器参数的优化结果的效果比较图；如图3所示，动态指标优化方法得到的有功功率振荡曲线要在10秒以上才趋于平稳，而本发明实施例的方法在6秒左右振荡就逐渐趋于平稳，且振荡的幅度与动态优化方法相比，振幅能减小一半左右。
图4为本发明实施例优化指定控制器参数的方法的整体流程图，图4的具体说明可参照上述实施例，不再赘述。
本发明实施例提供的优化指定控制器参数的方法，基于球域的人工免疫算法，获取指定控制器参数的优化结果，能够减少运算过程中的计算量，使算法具有全局的搜索能力，有效改善控制效果。
在上述实施例的基础上，所述根据所述指定控制器参数和基于球域的人工免疫算法，获取所述指定控制器参数的优化结果，包括：
获取所述指定控制器参数中的一个指定参数。
具体的，装置获取所述指定控制器参数中的一个指定参数。可参照上述实施例，不再赘述。
随机生成所述一个指定参数对应的n个个体，记为群体Q1j，其中，j的初始设定值为1，用于表示生成新代群体的次数。
具体的，装置随机生成所述一个指定参数对应的n个个体，记为群体Q1j，其中，j的初始设定值为1，用于表示生成新代群体的次数。可参照上述实施例，不再赘述。
计算群体Q1j中的每个个体的亲和度值，并根据所述亲和度值挑选出[a×n]个优秀个体，记为群体Q2j；所述优秀个体是所述亲和度值较高的[a×n]个，其中，a∈(0,1)、[a×n]表示根据四舍五入的原则进行取整。
具体的，装置计算群体Q1j中的每个个体的亲和度值，并根据所述亲和度值挑选出[a×n]个优秀个体，记为群体Q2j；所述优秀个体是所述亲和度值较高的[a×n]个，其中，a∈(0,1)、[a×n]表示根据四舍五入的原则进行取整。可参照上述实施例，不再赘述。
对群体Q2j中的优秀个体进行微观演变，并采用轮盘赌法确定群体Q3j。
具体的，装置对群体Q2j中的优秀个体进行微观演变，并采用轮盘赌法确定群体Q3j。可参照上述实施例，不再赘述。
计算群体Q3j中的每个个体的亲和度值，选择出亲和度值较低的[b×n]个个体，并进行宏观演变，以获取群体Q4j；所述群体Q4j是由宏观演变生成的[b×n]个新个体，再加上未进行宏观演变的个体组成的，其中，b∈(0,1)、[b×n]表示根据四舍五入的原则进行取整。
具体的，装置计算群体Q3j中的每个个体的亲和度值，选择出亲和度值较低的[b×n]个个体，并进行宏观演变，以获取群体Q4j；所述群体Q4j是由宏观演变生成的[b×n]个新个体，再加上未进行宏观演变的个体组成的，其中，b∈(0,1)、[b×n]表示根据四舍五入的原则进行取整。可参照上述实施例，不再赘述。
计算群体Q4j中的每个个体的亲和度值，选择出亲和度值较低的[c×n]个个体，随机生成与[c×n]个个体数量相等的新个体，用所述新个体替代所述[c×n]个个体，以获取群体Q5j，其中，c∈(0,1)、[c×n]表示根据四舍五入的原则进行取整。
具体的，装置计算群体Q4j中的每个个体的亲和度值，选择出亲和度值较低的[c×n]个个体，随机生成与[c×n]个个体数量相等的新个体，用所述新个体替代所述[c×n]个个体，以获取群体Q5j，其中，c∈(0,1)、[c×n]表示根据四舍五入的原则进行取整。可参照上述实施例，不再赘述。
选择群体Q1j中的亲和度值较高的个体，用所述亲和度值较高的个体替代群体Q5j中的亲和度值较低的个体，以生成新代群体Q1(j+1)。
具体的，装置选择群体Q1j中的亲和度值较高的个体，用所述亲和度值较高的个体替代群体Q5j中的亲和度值较低的个体，以生成新代群体Q1(j+1)。可参照上述实施例，不再赘述。
计算群体Q1(j+1)中的个体总亲和度值，以及群体Q1j中的个体总亲和度值，并获取所述并获取所述并根据所述亲和度值挑选出[a×n]个优秀个体至所述计算群体Q1(j+1)中的个体总亲和度值，以及群体Q1j中的个体总亲和度值的执行次数。
具体的，装置计算群体Q1(j+1)中的个体总亲和度值，以及群体Q1j中的个体总亲和度值，并获取所述并获取所述并根据所述亲和度值挑选出[a×n]个优秀个体至所述计算群体Q1(j+1)中的个体总亲和度值，以及群体Q1j中的个体总亲和度值的执行次数。可参照上述实施例，不再赘述。
若所述群体Q1(j+1)中的个体总亲和度值大于所述群体Q1j中的个体总亲和度值，且所述执行次数达到预设迭代次数，则输出所述一个指定参数的优化结果。
具体的，装置若判断获知所述群体Q1(j+1)中的个体总亲和度值大于所述群体Q1j中的个体总亲和度值，且所述执行次数达到预设迭代次数，则输出所述一个指定参数的优化结果。可参照上述实施例，不再赘述。
本发明实施例提供的优化指定控制器参数的方法，通过具体的执行基于球域的人工免疫算法，获取指定控制器参数的优化结果，进一步能够减少运算过程中的计算量，使算法具有全局的搜索能力，有效改善控制效果。
在上述实施例的基础上，所述方法还包括：
若所述群体Q1(j+1)中的个体总亲和度值小于等于所述群体Q1j中的个体总亲和度值，将a的数值减半，将c的数值加倍，并重新返回执行所述并获取所述并根据所述亲和度值挑选出[a×n]个优秀个体的步骤。
具体的，装置若判断获知所述群体Q1(j+1)中的个体总亲和度值小于等于所述群体Q1j中的个体总亲和度值，将a的数值减半，将c的数值加倍，并重新返回执行所述并获取所述并根据所述亲和度值挑选出[a×n]个优秀个体的步骤。可参照上述实施例，不再赘述。
本发明实施例提供的优化指定控制器参数的方法，通过实时调整算法，从而保证新一代个体产生的个体亲和度优于上一代个体，进一步有效改善控制效果。
在上述实施例的基础上，所述方法还包括：
若所述群体Q1(j+1)中的个体总亲和度值大于所述群体Q1j中的个体总亲和度值，且所述执行次数没有达到预设迭代次数，则重新返回执行所述并获取所述并根据所述亲和度值挑选出[a×n]个优秀个体的步骤。
具体的，装置若判断获知所述群体Q1(j+1)中的个体总亲和度值大于所述群体Q1j中的个体总亲和度值，且所述执行次数没有达到预设迭代次数，则重新返回执行所述并获取所述并根据所述亲和度值挑选出[a×n]个优秀个体的步骤。可参照上述实施例，不再赘述。
本发明实施例提供的优化指定控制器参数的方法，通过较多次地重复执行某些步骤，可以更好地保证寻找到最优的个体，进一步有效改善控制效果。
在上述实施例的基础上，所述亲和度值的计算包括：
根据如下公式计算所述协调控制模型的性能指标值J：
Figure BDA0001579156760000111
其中，J是所述协调控制模型的性能指标值、e(t)是协调控制模型的设定值与反馈值的差值。
具体的，装置根据如下公式计算所述协调控制模型的性能指标值J：
Figure BDA0001579156760000112
其中，J是所述协调控制模型的性能指标值、e(t)是协调控制模型的设定值与反馈值的差值。可参照上述实施例，不再赘述。
根据如下公式计算每个个体的亲和度值A：
Figure BDA0001579156760000121
其中，A是每个个体的亲和度值、J是所述协调控制模型的性能指标值、x是大于零的小数。
具体的，装置根据如下公式计算每个个体的亲和度值A：
Figure BDA0001579156760000122
其中，A是每个个体的亲和度值、J是所述协调控制模型的性能指标值、x是大于零的小数。可参照上述实施例，不再赘述。
本发明实施例提供的优化指定控制器参数的方法，通过有效地计算每个个体的亲和度值，进一步保证了本方法的正常进行。
在上述实施例的基础上，所述指定控制器包括第一指定控制器、第二指定控制器和第三指定控制器。
具体的，装置中的所述指定控制器包括第一指定控制器、第二指定控制器和第三指定控制器。可参照上述实施例，不再赘述。
本发明实施例提供的优化指定控制器参数的方法，可以对较多的并行连接的指定控制器的控制器参数进行优化，改善控制效果。
在上述实施例的基础上，所述指定控制器参数包括所述第一指定控制器的二阶项参数、所述第二指定控制器的一阶项参数和所述第三指定控制器的零阶项参数。
具体的，装置中的所述指定控制器参数包括所述第一指定控制器的二阶项参数、所述第二指定控制器的一阶项参数和所述第三指定控制器的零阶项参数。可参照上述实施例，不再赘述。
本发明实施例提供的优化指定控制器参数的方法，通过具体的优化某一指定控制器的某一指定控制器参数，可以更加有针对性地改善控制效果。
图5为本发明实施例优化指定控制器参数的装置结构示意图，如图5所示，本发明实施例提供了一种优化指定控制器参数的装置，包括获取单元1和优化单元2，其中：
获取单元1用于获取指定控制器的指定控制器参数；所述指定控制器是从预设的协调控制模型中获取的并行连接的多个控制器；优化单元2用于根据所述指定控制器参数和基于球域的人工免疫算法，获取所述指定控制器参数的优化结果。
具体的，获取单元1用于获取指定控制器的指定控制器参数；所述指定控制器是从预设的协调控制模型中获取的并行连接的多个控制器；优化单元2用于根据所述指定控制器参数和基于球域的人工免疫算法，获取所述指定控制器参数的优化结果。
本发明实施例提供的优化指定控制器参数的装置，基于球域的人工免疫算法，获取指定控制器参数的优化结果，能够减少运算过程中的计算量，使算法具有全局的搜索能力，有效改善控制效果。
本发明实施例提供的优化指定控制器参数的装置具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
图6为本发明实施例提供的电子设备实体结构示意图，如图6所示，所述电子设备包括：处理器(processor)601、存储器(memory)602和总线603；
其中，所述处理器601、存储器602通过总线603完成相互间的通信；
所述处理器601用于调用所述存储器602中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取指定控制器的指定控制器参数；所述指定控制器是从预设的协调控制模型中获取的并行连接的多个控制器；根据所述指定控制器参数和基于球域的人工免疫算法，获取所述指定控制器参数的优化结果。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取指定控制器的指定控制器参数；所述指定控制器是从预设的协调控制模型中获取的并行连接的多个控制器；根据所述指定控制器参数和基于球域的人工免疫算法，获取所述指定控制器参数的优化结果。
本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取指定控制器的指定控制器参数；所述指定控制器是从预设的协调控制模型中获取的并行连接的多个控制器；根据所述指定控制器参数和基于球域的人工免疫算法，获取所述指定控制器参数的优化结果。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的电子设备等实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上各实施例仅用以说明本发明的实施例的技术方案，而非对其限制；尽管参照前述各实施例对本发明的实施例进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明的实施例各实施例技术方案的范围。

Claims (7)

1.一种优化指定控制器参数的方法，用于电力系统参数优化，其特征在于，包括：
获取指定控制器的指定控制器参数；所述指定控制器是从预设的协调控制模型中获取的并行连接的多个控制器；
根据所述指定控制器参数和基于球域的人工免疫算法，获取所述指定控制器参数的优化结果；
所述根据所述指定控制器参数和基于球域的人工免疫算法，获取所述指定控制器参数的优化结果，包括：
获取所述指定控制器参数中的一个指定参数；所述指定控制器包括第一指定控制器、第二指定控制器和第三指定控制器；所述指定参数包括所述第一指定控制器的二阶项参数、所述第二指定控制器的一阶项参数和所述第三指定控制器的零阶项参数；所述第一指定控制器为PSS控制器，所述第二指定控制器C1控制器，所述第三指定控制器为C2控制器；
随机生成所述一个指定参数对应的n个个体，记为群体Q1j，其中，j的初始设定值为1，用于表示生成新代群体的次数；
计算群体Q1j中的每个个体的亲和度值，并根据所述亲和度值挑选出[a×n]个优秀个体，记为群体Q2j；所述优秀个体是所述亲和度值较高的[a×n]个，其中，a∈(0,1)、[a×n]表示根据四舍五入的原则进行取整；
对群体Q2j中的优秀个体进行微观演变，并采用轮盘赌法确定群体Q3j；对每个个体构造一个以该个体为球心，以r半径的球域，所述微观演变过程在半径r的球域内发生演变；
计算群体Q3j中的每个个体的亲和度值，选择出亲和度值较低的[b×n]个个体，并进行宏观演变，以获取群体Q4j；所述群体Q4j是由宏观演变生成的[b×n]个新个体，再加上未进行宏观演变的个体组成的，其中，b∈(0,1)、[b×n]表示根据四舍五入的原则进行取整；对每个个体构造一个以该个体为球心，以R(i)为半径的球域，所述宏观演变过程在半径R(i)的球域内发生演变；
计算群体Q4j中的每个个体的亲和度值，选择出亲和度值较低的[c×n]个个体，随机生成与[c×n]个个体数量相等的新个体，用所述新个体替代所述[c×n]个个体，以获取群体Q5j，其中，c∈(0,1)、[c×n]表示根据四舍五入的原则进行取整；
选择群体Q1j中的亲和度值较高的个体，用所述亲和度值较高的个体替代群体Q5j中的亲和度值较低的个体，以生成新代群体Q1(j+1)；
计算群体Q1(j+1)中的个体总亲和度值，以及群体Q1j中的个体总亲和度值，并获取所述亲和度值挑选出[a×n]个优秀个体至所述计算群体Q1(j+1)中的个体总亲和度值，以及群体Q1j中的个体总亲和度值的执行次数；
若所述群体Q1(j+1)中的个体总亲和度值大于所述群体Q1j中的个体总亲和度值，且所述执行次数达到预设迭代次数，则输出所述一个指定参数的优化结果。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若所述群体Q1(j+1)中的个体总亲和度值小于等于所述群体Q1j中的个体总亲和度值，将a的数值减半，将c的数值加倍，并重新返回执行获取所述亲和度值挑选出[a×n]个优秀个体的步骤。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若所述群体Q1(j+1)中的个体总亲和度值大于所述群体Q1j中的个体总亲和度值，且所述执行次数没有达到预设迭代次数，则重新返回执行获取所述亲和度值挑选出[a×n]个优秀个体的步骤。
4.根据权利要求1所述的方法，其特征在于，所述亲和度值的计算包括：
根据如下公式计算所述协调控制模型的性能指标值J：
Figure FDA0003131577710000021
其中，J是所述协调控制模型的性能指标值、e(t)是协调控制模型的设定值与反馈值的差值；
根据如下公式计算每个个体的亲和度值A：
Figure FDA0003131577710000031
其中，A是每个个体的亲和度值、J是所述协调控制模型的性能指标值、x是大于零的小数。
5.一种优化指定控制器参数的装置，其特征在于，包括：
获取单元，用于获取指定控制器的指定控制器参数；所述指定控制器是从预设的协调控制模型中获取的并行连接的多个控制器；
优化单元，用于根据所述指定控制器参数和基于球域的人工免疫算法，获取所述指定控制器参数的优化结果；
所述优化单元，具体用于：
获取所述指定控制器参数中的一个指定参数；所述指定控制器包括第一指定控制器、第二指定控制器和第三指定控制器；所述指定参数包括所述第一指定控制器的二阶项参数、所述第二指定控制器的一阶项参数和所述第三指定控制器的零阶项参数；所述第一指定控制器为PSS控制器，所述第二指定控制器C1控制器，所述第三指定控制器为C2控制器；
随机生成所述一个指定参数对应的n个个体，记为群体Q1j，其中，j的初始设定值为1，用于表示生成新代群体的次数；
计算群体Q1j中的每个个体的亲和度值，并根据所述亲和度值挑选出[a×n]个优秀个体，记为群体Q2j；所述优秀个体是所述亲和度值较高的[a×n]个，其中，a∈(0,1)、[a×n]表示根据四舍五入的原则进行取整；
对群体Q2j中的优秀个体进行微观演变，并采用轮盘赌法确定群体Q3j；对每个个体构造一个以该个体为球心，以r半径的球域，所述微观演变过程在半径r的球域内发生演变；
计算群体Q3j中的每个个体的亲和度值，选择出亲和度值较低的[b×n]个个体，并进行宏观演变，以获取群体Q4j；所述群体Q4j是由宏观演变生成的[b×n]个新个体，再加上未进行宏观演变的个体组成的，其中，b∈(0,1)、[b×n]表示根据四舍五入的原则进行取整；对每个个体构造一个以该个体为球心，以R(i)为半径的球域，所述宏观演变过程在半径R(i)的球域内发生演变；
计算群体Q4j中的每个个体的亲和度值，选择出亲和度值较低的[c×n]个个体，随机生成与[c×n]个个体数量相等的新个体，用所述新个体替代所述[c×n]个个体，以获取群体Q5j，其中，c∈(0,1)、[c×n]表示根据四舍五入的原则进行取整；
选择群体Q1j中的亲和度值较高的个体，用所述亲和度值较高的个体替代群体Q5j中的亲和度值较低的个体，以生成新代群体Q1(j+1)；
计算群体Q1(j+1)中的个体总亲和度值，以及群体Q1j中的个体总亲和度值，并获取所述亲和度值挑选出[a×n]个优秀个体至所述计算群体Q1(j+1)中的个体总亲和度值，以及群体Q1j中的个体总亲和度值的执行次数；
若所述群体Q1(j+1)中的个体总亲和度值大于所述群体Q1j中的个体总亲和度值，且所述执行次数达到预设迭代次数，则输出所述一个指定参数的优化结果。
6.一种电子设备，其特征在于，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至4任一所述的方法。
7.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至4任一所述的方法。
CN201810147302.XA 2018-02-12 2018-02-12 一种优化指定控制器参数的方法及装置 Active CN108333940B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810147302.XA CN108333940B (zh) 2018-02-12 2018-02-12 一种优化指定控制器参数的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810147302.XA CN108333940B (zh) 2018-02-12 2018-02-12 一种优化指定控制器参数的方法及装置

Publications (2)

Publication Number Publication Date
CN108333940A CN108333940A (zh) 2018-07-27
CN108333940B true CN108333940B (zh) 2021-08-06

Family

ID=62929589

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810147302.XA Active CN108333940B (zh) 2018-02-12 2018-02-12 一种优化指定控制器参数的方法及装置

Country Status (1)

Country Link
CN (1) CN108333940B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110707684B (zh) * 2019-09-05 2022-03-04 中国电力科学研究院有限公司 基于免疫机制的自适应广域阻尼控制器的控制方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103792844A (zh) * 2014-01-25 2014-05-14 华南理工大学 一种基于有序聚类的污水处理控制方法
CN104315652A (zh) * 2014-09-30 2015-01-28 武汉工程大学 一种空调控制系统和方法
CN104392279A (zh) * 2014-11-19 2015-03-04 天津大学 一种多智能体结构的微电网优化运行方法
CN105564609A (zh) * 2014-10-14 2016-05-11 威海拓达高科船舶科技有限公司 一种用于船舶避碰的免疫智能控制装置
CN105843072A (zh) * 2016-03-22 2016-08-10 华南理工大学 基于改进局部搜索的免疫遗传算法的污水处理节能优化方法
CN107612882A (zh) * 2017-08-03 2018-01-19 北京奇安信科技有限公司 一种基于中间日志的用户行为识别方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103792844A (zh) * 2014-01-25 2014-05-14 华南理工大学 一种基于有序聚类的污水处理控制方法
CN104315652A (zh) * 2014-09-30 2015-01-28 武汉工程大学 一种空调控制系统和方法
CN105564609A (zh) * 2014-10-14 2016-05-11 威海拓达高科船舶科技有限公司 一种用于船舶避碰的免疫智能控制装置
CN104392279A (zh) * 2014-11-19 2015-03-04 天津大学 一种多智能体结构的微电网优化运行方法
CN105843072A (zh) * 2016-03-22 2016-08-10 华南理工大学 基于改进局部搜索的免疫遗传算法的污水处理节能优化方法
CN107612882A (zh) * 2017-08-03 2018-01-19 北京奇安信科技有限公司 一种基于中间日志的用户行为识别方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Clone Immune Network Classification Algorithm for Fault Diagnosis of Power Transformer;Guizhi Xiao；Huixian Huang；Min Yang;《2008 Fourth International Conference on Natural Computation》;20081231;第6卷;全文 *
基于人工免疫思维进化算法的足球机器人路径规划;王立军;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20061215(第12期);正文第65，73-78页 *
基于直接神经动态规划的电力系统协调控制;于淼 等;《系统仿真学报》;20170430;第29卷(第4期);全文 *
新型混合SVC模型及其基于人工免疫算法的控制策略;陈赛赛;《电力自动化设备》;20160430;第36卷(第4期);第93-98页 *

Also Published As

Publication number Publication date
CN108333940A (zh) 2018-07-27

Similar Documents

Publication Publication Date Title
JP6963627B2 (ja) 畳み込みニューラルネットワークのためのニューラルアーキテクチャ検索
CN106647262B (zh) 一种面向敏捷卫星多目标任务规划的差分进化方法
CN110991621A (zh) 一种基于通道数搜索卷积神经网络的方法
CN112836885B (zh) 组合负荷预测方法、装置、电子设备和存储介质
JPWO2019146189A1 (ja) ニューラルネットワークのランク最適化装置および最適化方法
CN115391561A (zh) 图网络数据集的处理方法、装置、电子设备、程序及介质
CN108333940B (zh) 一种优化指定控制器参数的方法及装置
CN116993548A (zh) 基于增量学习的LightGBM-SVM的教育培训机构信用评估方法及系统
CN114297934A (zh) 一种基于代理模型的模型参数并行仿真优化方法及装置
CN107257307B (zh) 基于Spark的并行化遗传算法求解多终端协同接入网络方法
CN113094899A (zh) 一种随机潮流计算方法、装置、电子设备及存储介质
CN116661856A (zh) Eda软件的数据拼接系统
CN116540546A (zh) 工艺控制系统的控制参数的推荐方法、系统、设备和介质
CN114492249B (zh) 一种非结构网格的生成方法、系统、客户端及服务器
CN111884254B (zh) 基于双重随机模拟的分布式光伏消纳接入方法及装置
CN114969148A (zh) 一种基于深度学习的系统访问量预测方法、介质和设备
CN112733433A (zh) 装备测试性策略优化方法和装置
CN111144540A (zh) 反窃电仿真数据集的生成方法
Wang et al. An enhanced software defect prediction model with multiple metrics and learners
Dhivya et al. Weighted particle swarm optimization algorithm for randomized unit testing
CN112560326A (zh) 压力场的确定方法及装置
CN117435308B (zh) 一种基于并行计算算法的Modelica模型仿真方法及系统
CN109324612A (zh) 一种机器人行走参数优化方法、计算机设备以及可读存储介质
Takeuchi et al. Evaluating the performance of neutrality tests of a local community using a niche‐structured simulation model
Bidlo On routine evolution of new replicating structures in cellular automata

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant