CN110083195A - 一种基于改进蜂群算法的波浪发电装置的功率控制方法 - Google Patents
一种基于改进蜂群算法的波浪发电装置的功率控制方法 Download PDFInfo
- Publication number
- CN110083195A CN110083195A CN201910253164.8A CN201910253164A CN110083195A CN 110083195 A CN110083195 A CN 110083195A CN 201910253164 A CN201910253164 A CN 201910253164A CN 110083195 A CN110083195 A CN 110083195A
- Authority
- CN
- China
- Prior art keywords
- wave
- nectar source
- bee
- power
- formula
- 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.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 17
- 241000256844 Apis mellifera Species 0.000 claims description 92
- 238000005457 optimization Methods 0.000 claims description 18
- 239000012530 fluid Substances 0.000 claims description 12
- 238000011835 investigation Methods 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 235000012907 honey Nutrition 0.000 claims description 5
- 230000002706 hydrostatic effect Effects 0.000 claims description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000013433 optimization analysis Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 101100438536 Nicotiana plumbaginifolia CABC gene Proteins 0.000 abstract description 14
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000010248 power generation Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 3
- -1 CSO Proteins 0.000 description 2
- 230000005662 electromechanics Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 229910017435 S2 In Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05F—SYSTEMS FOR REGULATING ELECTRIC OR MAGNETIC VARIABLES
- G05F1/00—Automatic systems in which deviations of an electric quantity from one or more predetermined values are detected at the output of the system and fed back to a device within the system to restore the detected quantity to its predetermined value or values, i.e. retroactive systems
- G05F1/66—Regulating electric power
- G05F1/67—Regulating electric power to the maximum power available from a generator, e.g. from solar cell
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Automation & Control Theory (AREA)
- Other Liquid Machine Or Engine Such As Wave Power Use (AREA)
Abstract
本发明公开了一种基于改进蜂群算法的波浪发电装置的功率控制方法,包括以下步骤:S1:求出可改变波浪发电装置平均输出功率的直线电机电磁力控制参数;S2:通过纵横交叉算法对人工蜂群算法进行改进;S3:将通过步骤S2改进后的人工蜂群算法应用于波浪发电装置最大功率点跟踪控制中,获得不同波浪频率下波浪发电装置最佳的电机电磁力控制参数,使波浪发电装置平均输出功率达到最大的值,从而实现最大功率点跟踪。本发明利用CABC算法收敛速度快、全局搜索能力强的优点,可快速获得不同波浪频率下波浪发电装置最佳的直线电机电磁力控制参数,避免Rg、kc、kl陷入局部最优,使波浪发电装置平均输出功率达到尽可能大的值,实现最大功率点跟踪。
Description
技术领域
本发明涉及波浪发电装置功率控制的技术领域,尤其涉及到一种基于改进蜂群算法的波浪发电装置的功率控制方法。
背景技术
为了实现波浪发电装置(wave energy converter,WEC)最大功率点跟踪控制(Maximum Power Point Tracking,MPPT),国内外学者提出了人工智能算法的应用。传统的群智能算法有遗传算法、粒子群算法等,然而这些算法在求解复杂优化问题时,收敛速度慢、易陷入局部最优,限制了最大功率点跟踪技术性能的进一步提升。为此,本发明提出一种基于纵横交叉优化的人工蜂群算法 (Crisscross Optimized Artificial Bee ColonyAlgorithm,CABC)控制方案。
发明内容
本发明的目的在于克服现有技术的不足,提出一种基于改进蜂群算法的波浪发电装置的功率控制方法。通过引入纵横交叉算法(Crisscross Optimization Algorithm,CSO)横向交叉算子的个体间变量全交叉思想,优化引导蜂、采蜜蜂搜索方式,增强CABC局部搜索能力;引入CSO纵向交叉算子优化侦查蜂,使侦查蜂能利用已知蜜源信息探索未知可行解域,提升CABC算法全局搜索能力;优化蜜源选择概率和人工蜂群结构,进一步改善CABC算法性能,实现波浪发电装置最大功率点跟踪控制。
为实现上述目的,本发明所提供的技术方案为:
一种基于改进蜂群算法的波浪发电装置的功率控制方法,包括以下步骤:
S1:进行波浪发电装置的最大功率点跟踪控制分析,求出可改变波浪发电装置平均输出功率的直线电机电磁力控制参数;
S2:通过纵横交叉算法对人工蜂群算法进行改进;
S3:将通过步骤S2改进后的人工蜂群算法应用于波浪发电装置最大功率点跟踪控制中,获得不同波浪频率下波浪发电装置最佳的电机电磁力控制参数,使波浪发电装置平均输出功率达到最大的值,从而实现最大功率点跟踪。
进一步地,所述步骤S1中,求出波浪发电装置平均输出功率的具体步骤如下:
S1-1:进行波浪发电系统浮子的水动力分析:
浮子随波浪入射而上下运动,由系缆牵引直线电机运动;假定浮子处于水深为h的理想流体中,建立坐标系,并令无波浪时水面z(x,y)=0;实际海洋入射波可视为一系列不同频率正弦波分量的叠加;波浪中浮子受到的水动力为:
fwt=fs+fr+fb; (1)
(1)式中,fs为浮子受到的波浪激励力,fr为浮子受到的辐射力,fb为浮子受到的静水恢复力;
其中,浮子受到的波浪激励力:
(3)式中,为入射角为0的科钦函数;S为浮子表面;V为浮子体积;为入射波速度势;为浮子在波浪作用下发生垂荡,产生辐射波速度势和辐射波流体动压力,Whi为浪高系数;
浮子受到的辐射力:
浮子受到的静水恢复力:
fb=-ρgSwz(t)=-kSz(t); (5)
S1-2:进行波浪发电装置功率点跟踪优化分析:
根据牛顿定律,波浪发电装置运动部件动力学方程为:
式(2)中,fwt(t)为水动力,fv(t)为流体粘滞力,ff(t)为摩擦力,fg(t)为直线电机电磁力,m为运动部件质量,为浮子运动加速度;
浮子处于理想流体中时,忽略研究对象流体粘滞力和摩擦力,将(4),(5), (1)代入(2)得到可得:
式(6)中,z(t)为浮子运动位移;
当且仅当直线电机存在恰当电磁力时,可使能量从波浪馈入电网,记直线电机电磁力fg(t)为:
式(7)中,Rg、kc、kl为直线电机电磁力控制参数;
波浪发电系统捕获的瞬时功率为:
波浪频率会影响波浪发电系统输出功率,将式(8)代入式(7),并进行傅里叶变换,从频域分析运动部件响应:
(jω)2(m+ma(ω)+kl)z(jω)
=Fs(jω)-jω(Ra(ω)+Rg)z(jω)-(kS+kc)z(jω); (9)
式(8)中Ra(ω)为附加阻力,ma(ω)为附加质量,z(jω)为浮子在频域的速度, Fs(jω)为浮子在频域的水动力;
不计直线电机铁芯磁滞涡流损耗,波浪发电装置平均输出功率为复功率的实部:
联立式(9)和(10),得波浪发电装置平均输出功率为:
式(11)中,m、kS为常数,Ra(ω)、ma(ω)与频率存在非线性关系。
进一步地,所述步骤S2的具体步骤如下:
S2-1:进行人工蜂群优化:
改善人工蜂群结构,保持引导蜂数目与蜜源相等,令采蜜蜂为蜜源数倍,并按下式(12)改进蜜源选择概率,以在充分开采优质蜜源时,兼顾开采多数一般蜜源,平衡算法的局部搜索和全局搜索能力;
p(i)=0.9×fit(i)/fitmax+0.1; (12)
式(12)中,fit(i)为蜜源HS(i)适应度;fitmax为蜜源适应度最大值;p(i)表示蜜源HS(i)被未雇佣蜂选择的概率;
S2-2:进行引导蜂优化:
引导蜂确定各自负责探索的蜜源后,两两随机配对,按下式(13)探索候选蜜源:
式(13)中,HS(i)、HS(j)为随机配对引导蜂对应的蜜源;HSC(i)、HSC(j)分别为引导蜂i、j产生的候选蜜源;r1、r2为[0,1]内的随机数;c1、c2为[-1,1] 内的随机数;
S2-3:进行采蜜蜂优化,优化后的采蜜蜂,以式(12)的蜜源选择概率,判定是否以下式(14)开采蜜源HS(i):
HSC(i)=HS(k)+Pab(HS(i)-HS(k)); (14)
式(14)中,HS(i)为采蜜蜂根据蜜源选择概率随机选择的蜜源;HS(k)为在剩下蜜源中随机选择的配对蜜源;
S2-4:进行侦查蜂优化,优化后的侦查蜂,以下式(15)探索新蜜源:
HSC(i,j)=rHS(i,j)+(1-r)HS(i,k); (15)
式(15)中:HS(i,j)、HS(i,k)为蜜源HS(i)随机配对的第j、k维变量;受 CSO纵向交叉算子启发,侦查蜂将蜜源HS(i)所有变量两两随机配对,以式(15)探索新的候选蜜源。
进一步地,所述步骤S3的具体步骤如下:
S3-1:设定蜜源数目NHS、最大循环次数Nmc、蜜源最大访问次数Nlim;
S3-2:设定循环计数器Cou=1,蜜源初始化,将适应度最好蜜源保存到直线电机电磁力控制参数GB中;
S3-3:引导蜂两两随机配对,以式(13)探索候选蜜源,检查候选蜜源参数是否在允许区间内,否则,设越限参数值为最近的边界值;
S3-4:引导蜂记住适应度较好的蜜源,刷新蜜源访问次数,返回蜂巢,向未雇佣蜂广播分发蜜源信息;
S3-5:未雇佣蜂以式(12)的蜜源选择概率,随机选择某蜜源转化为采蜜蜂;
S3-6:采蜜蜂以式(14)搜索候选蜜源。若候选蜜源适应度较优,采蜜蜂记住候选蜜源,采用步骤S3-1刷新蜜源访问次数;否则,采蜜蜂保持原始蜜源不变,采用步骤3-2刷新蜜源访问次数;
S3-7:曾前往被访问次数大于Nlim蜜源的采蜜蜂转化为侦查蜂,以式(15)搜索候选蜜源;若候选蜜源适应度较优,侦查蜂记住候选蜜源,以步骤S3-1刷新蜜源访问次数;否则,侦查蜂保持原始蜜源信息不变;
S3-8:记当前人工蜂群适应度最好蜜源为GC,若GC适应度优于GB,则将GC 赋值给GB,否则保持GB不变;
S3-9:循环计数器Cou=Cou+1,若Cou<Nmc,程序转移至步骤S3-3;否则,程序转移至下一步;
S3-10:程序满足新设置的循环计数器Cou<Nmc后重新启动,转移至步骤S3-3。
与现有技术相比,本方案原理和优点如下:
本方案首先进行波浪发电装置的最大功率点跟踪控制分析,求出可改变波浪发电装置平均输出功率的直线电机电磁力控制参数;然后通过纵横交叉算法对人工蜂群算法进行改进;最后将改进后的人工蜂群算法应用于波浪发电装置最大功率点跟踪控制中,获得不同波浪频率下波浪发电装置最佳的电机电磁力控制参数,使波浪发电装置平均输出功率达到最大的值,从而实现最大功率点跟踪。
本方案利用CABC算法收敛速度快、全局搜索能力强的优点,可快速获得不同波浪频率下波浪发电装置最佳的直线电机电磁力控制参数,避免Rg、kc、kl陷入局部最优,使波浪发电装置平均输出功率达到尽可能大的值,实现最大功率点跟踪。
附图说明
图1为本发明一种基于改进蜂群算法的波浪发电装置的功率控制方法的流程图;
图2为T=5s时的输出功率平均值优化曲线图;
图3为T=6s时的输出功率平均值优化曲线图;
图4为T=7s时的输出功率平均值优化曲线图。
具体实施方式
下面结合具体实施例对本发明作进一步说明:
参见图1所示,本实施例所述的一种基于改进蜂群算法的波浪发电装置的功率控制方法,包括以下步骤:
S1:进行波浪发电装置的最大功率点跟踪控制分析,求出可改变波浪发电装置平均输出功率的直线电机电磁力控制参数;其具体过程如下:
S1-1:进行波浪发电系统浮子的水动力分析:
浮子随波浪入射而上下运动,由系缆牵引直线电机运动;假定浮子处于水深为h的理想流体中,建立坐标系,并令无波浪时水面z(x,y)=0;实际海洋入射波可视为一系列不同频率正弦波分量的叠加;波浪中浮子受到的水动力为:
fwt=fs+fr+fb; (1)
(1)式中,fs为浮子受到的波浪激励力,fr为浮子受到的辐射力,fb为浮子受到的静水恢复力;
其中,浮子受到的波浪激励力:
(3)式中,为入射角为0的科钦函数;S为浮子表面;V为浮子体积;为入射波速度势;为浮子在波浪作用下发生垂荡,产生辐射波速度势和辐射波流体动压力,Whi为浪高系数;
浮子受到的辐射力:
浮子受到的静水恢复力:
fb=-ρgSwz(t)=-kSz(t); (5)
S1-2:进行波浪发电装置功率点跟踪优化分析:
根据牛顿定律,波浪发电装置运动部件动力学方程为:
式(2)中,fwt(t)为水动力,fv(t)为流体粘滞力,ff(t)为摩擦力,fg(t)为直线电机电磁力,m为运动部件质量,为浮子运动加速度;
浮子处于理想流体中时,忽略研究对象流体粘滞力和摩擦力,将(4),(5), (1)代入(2)得到可得:
式(6)中,z(t)为浮子运动位移;
当且仅当直线电机存在恰当电磁力时,可使能量从波浪馈入电网,记直线电机电磁力fg(t)为:
式(7)中,Rg、kc、kl为直线电机电磁力控制参数;
波浪发电系统捕获的瞬时功率为:
波浪频率会影响波浪发电系统输出功率,将式(8)代入式(7),并进行傅里叶变换,从频域分析运动部件响应:
(jω)2(m+ma(ω)+kl)z(jω)
=Fs(jω)-jω(Ra(ω)+Rg)z(jω)-(kS+kc)z(jω); (9)
式(8)中Ra(ω)为附加阻力,ma(ω)为附加质量,z(jω)为浮子在频域的速度, Fs(jω)为浮子在频域的水动力;
不计直线电机铁芯磁滞涡流损耗,波浪发电装置平均输出功率为复功率的实部:
联立式(9)和(10),得波浪发电装置平均输出功率为:
式(11)中,m、kS为常数,Ra(ω)、ma(ω)与频率存在非线性关系。
从步骤S1可知,当波浪频率ω不变时,调节直线电机电磁力控制参数Rg、kc、 kl,可改变波浪发电装置的平均输出功率。为此,将CABC算法应用于波浪发电装置最大功率点跟踪控制中,利用CABC算法收敛速度快、全局搜索能力强的优点,可快速获得不同波浪频率下波浪发电装置最佳的直线电机电磁力控制参数,避免 Rg、kc、kl陷入局部最优,使波浪发电装置平均输出功率达到尽可能大的值,实现最大功率点跟踪。
下面步骤S2即通过纵横交叉算法对人工蜂群算法进行改进,具体过程如下:
S2-1:进行人工蜂群优化:
改善人工蜂群结构,保持引导蜂数目与蜜源相等,令采蜜蜂为蜜源数倍,并按下式(12)改进蜜源选择概率,以在充分开采优质蜜源时,兼顾开采多数一般蜜源,平衡算法的局部搜索和全局搜索能力;
p(i)=0.9×fit(i)/fitmax+0.1; (12)
式(12)中,fit(i)为蜜源HS(i)适应度;fitmax为蜜源适应度最大值;p(i)表示蜜源HS(i)被未雇佣蜂选择的概率;
S2-2:进行引导蜂优化:
引导蜂确定各自负责探索的蜜源后,两两随机配对,按下式(13)探索候选蜜源:
式(13)中,HS(i)、HS(j)为随机配对引导蜂对应的蜜源;HSC(i)、HSC(j)分别为引导蜂i、j产生的候选蜜源;r1、r2为[0,1]内的随机数;c1、c2为[-1,1] 内的随机数;
S2-3:进行采蜜蜂优化,优化后的采蜜蜂,以式(12)的蜜源选择概率,判定是否以下式(14)开采蜜源HS(i):
HSC(i)=HS(k)+Pab(HS(i)-HS(k)); (14)
式(14)中,HS(i)为采蜜蜂根据蜜源选择概率随机选择的蜜源;HS(k)为在剩下蜜源中随机选择的配对蜜源;
S2-4:进行侦查蜂优化,优化后的侦查蜂,以下式(15)探索新蜜源:
HSC(i,j)=rHS(i,j)+(1-r)HS(i,k); (15)
式(15)中:HS(i,j)、HS(i,k)为蜜源HS(i)随机配对的第j、k维变量;受 CSO纵向交叉算子启发,侦查蜂将蜜源HS(i)所有变量两两随机配对,以式(15)探索新的候选蜜源。
将上述CABC算法应用于波浪发电装置最大功率点跟踪控制中,其过程如下:
S3-1:设定蜜源数目NHS、最大循环次数Nmc、蜜源最大访问次数Nlim;
S3-2:设定循环计数器Cou=1,蜜源初始化,将适应度最好蜜源保存到直线电机电磁力控制参数GB中;
S3-3:引导蜂两两随机配对,以式(13)探索候选蜜源,检查候选蜜源参数是否在允许区间内,否则,设越限参数值为最近的边界值;
S3-4:引导蜂记住适应度较好的蜜源,刷新蜜源访问次数,返回蜂巢,向未雇佣蜂广播分发蜜源信息;
S3-5:未雇佣蜂以式(12)的蜜源选择概率,随机选择某蜜源转化为采蜜蜂;
S3-6:采蜜蜂以式(14)搜索候选蜜源。若候选蜜源适应度较优,采蜜蜂记住候选蜜源,采用步骤S3-1刷新蜜源访问次数;否则,采蜜蜂保持原始蜜源不变,采用步骤3-2刷新蜜源访问次数;
S3-7:曾前往被访问次数大于Nlim蜜源的采蜜蜂转化为侦查蜂,以式(15)搜索候选蜜源;若候选蜜源适应度较优,侦查蜂记住候选蜜源,以步骤S3-1刷新蜜源访问次数;否则,侦查蜂保持原始蜜源信息不变;
S3-8:记当前人工蜂群适应度最好蜜源为GC,若GC适应度优于GB,则将 GC赋值给GB,否则保持GB不变;
S3-9:循环计数器Cou=Cou+1,若Cou<Nmc,程序转移至步骤S3-3;否则,程序转移至下一步;
S3-10:程序满足新设置的循环计数器Cou<Nmc后重新启动,转移至步骤 S3-3。
为验证CABC算法的有效性,在Matlab/Simulink环境中搭建振荡浮子式波浪发电装置仿真模型。波浪发电装置运动部件质量m=45kg,浮子的半径为 0.542m,浮子柱高为1.084m。仿真算法参数设定:蜜源数目NHS=10,最大循环次数Nmc=80,蜜源最大访问次数Nlim=5。我国东南沿海海洋专属经济区内全年波浪周期变化范围约为[3,10]s,对应角频率范围[0.628,2.0.93]rad·s-1。波浪周期为5s、6s、7s时,运行基于CABC、CSO、ABC算法的波浪发电装置仿真模型各3次。各入射波周期下,CABC、CSO、ABC算法的波浪发电装置仿真模型3次输出功率平均值优化曲线分别绘于图2~4,每次获得的最大平均输出功率 Pamax及对应直线电机电磁力控制参数Rg、kc、kl分别记于下表1~3。表中A/S为 3次最大平均输出功率的平均值及控制参数Rg、kc、kl标准差。
表1T=5s时波浪发电装置的Pamax及对应的Rg、kc、kl
表2T=6s时波浪发电装置的Pamax及对应的Rg、kc、kl
表3T=7s时波浪发电装置的Pamax及对应的Rg、kc、kl
结合图2~4和表1~3可知,在波浪周期为5s、6s、7s时,基于CABC算法的波浪发电装置输出功率平均值较ABC算法,分别提升了25.59%、26.95%、 31.15%;CABC算法的收敛速度较ABC算法提高了3倍左右,且波浪发电装置输出功率提升25%以上,这表明CABC算法全局收敛速度更快,且能使电机控制参数有效脱离局部最优,全局寻优能力更强。
以上所述之实施例子只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (4)
1.一种基于改进蜂群算法的波浪发电装置的功率控制方法,其特征在于,包括以下步骤:
S1:进行波浪发电装置的最大功率点跟踪控制分析,求出可改变波浪发电装置平均输出功率的直线电机电磁力控制参数;
S2:通过纵横交叉算法对人工蜂群算法进行改进;
S3:将通过步骤S2改进后的人工蜂群算法应用于波浪发电装置最大功率点跟踪控制中,获得不同波浪频率下波浪发电装置最佳的直线电机电磁力控制参数,使波浪发电装置平均输出功率达到最大的值,从而实现最大功率点跟踪。
2.根据权利要求1所述的一种基于改进蜂群算法的波浪发电装置的功率控制方法,其特征在于,所述步骤S1中,求出波浪发电装置平均输出功率的具体步骤如下:
S1-1:进行波浪发电系统浮子的水动力分析:
浮子随波浪入射而上下运动,由系缆牵引直线电机运动;假定浮子处于水深为h的理想流体中,建立坐标系,并令无波浪时水面z(x,y)=0;实际海洋入射波可视为一系列不同频率正弦波分量的叠加;波浪中浮子受到的水动力为:
fwt=fs+fr+fb; (1)
(1)式中,fs为浮子受到的波浪激励力,fr为浮子受到的辐射力,fb为浮子受到的静水恢复力;
其中,浮子受到的波浪激励力:
(3)式中,为入射角为0的科钦函数;S为浮子表面;V为浮子体积;为入射波速度势;为浮子在波浪作用下发生垂荡,产生辐射波速度势和辐射波流体动压力,Whi为浪高系数;
浮子受到的辐射力:
浮子受到的静水恢复力:
fb=-ρgSwz(t)=-kSz(t); (5)
S1-2:进行波浪发电装置功率点跟踪优化分析:
根据牛顿定律,波浪发电装置运动部件动力学方程为:
式(2)中,fwt(t)为水动力,fv(t)为流体粘滞力,ff(t)为摩擦力,fg(t)为直线电机电磁力,m为运动部件质量,为浮子运动加速度;
浮子处于理想流体中时,忽略研究对象流体粘滞力和摩擦力,将(4),(5),(1)代入(2)得到可得:
式(6)中,z(t)为浮子运动位移;
当且仅当直线电机存在恰当电磁力时,可使能量从波浪馈入电网,记直线电机电磁力fg(t)为:
式(7)中,Rg、kc、kl为直线电机电磁力控制参数;
波浪发电系统捕获的瞬时功率为:
波浪频率会影响波浪发电系统输出功率,将式(8)代入式(7),并进行傅里叶变换,从频域分析运动部件响应:
(jω)2(m+ma(ω)+kl)z(jω)=Fs(jω)-jω(Ra(ω)+Rg)z(jω)-(kS+kc)z(jω); (9)
式(8)中Ra(ω)为附加阻力,ma(ω)为附加质量,z(jω)为浮子在频域的速度,Fs(jω)为浮子在频域的水动力;
不计直线电机铁芯磁滞涡流损耗,波浪发电装置平均输出功率为复功率的实部:
联立式(9)和(10),得波浪发电装置平均输出功率为:
式(11)中,m、kS为常数,Ra(ω)、ma(ω)与频率存在非线性关系。
3.根据权利要求1所述的一种基于改进蜂群算法的波浪发电装置的功率控制方法,其特征在于,所述步骤S2通过纵横交叉算法对人工蜂群算法进行改进,并将改进后的人工蜂群算法应用于步骤S3中;步骤S2的具体步骤如下:
S2-1:进行人工蜂群优化:
改善人工蜂群结构,保持引导蜂数目与蜜源相等,令采蜜蜂为蜜源数倍,并按下式(12)改进蜜源选择概率,以在充分开采优质蜜源时,兼顾开采多数一般蜜源,平衡算法的局部搜索和全局搜索能力;
p(i)=0.9×fit(i)/fitmax+0.1; (12)
式(12)中,fit(i)为蜜源HS(i)适应度;fitmax为蜜源适应度最大值;p(i)表示蜜源HS(i)被未雇佣蜂选择的概率;
S2-2:进行引导蜂优化:
引导蜂确定各自负责探索的蜜源后,两两随机配对,按下式(13)探索候选蜜源:
式(13)中,HS(i)、HS(j)为随机配对引导蜂对应的蜜源;HSC(i)、HSC(j)分别为引导蜂i、j产生的候选蜜源;r1、r2为[0,1]内的随机数;c1、c2为[-1,1]内的随机数;
S2-3:进行采蜜蜂优化,优化后的采蜜蜂,以式(12)的蜜源选择概率,判定是否以下式(14)开采蜜源HS(i):
HSC(i)=HS(k)+Pab(HS(i)-HS(k)); (14)
式(14)中,HS(i)为采蜜蜂根据蜜源选择概率随机选择的蜜源;HS(k)为在剩下蜜源中随机选择的配对蜜源;
S2-4:进行侦查蜂优化,优化后的侦查蜂,以下式(15)探索新蜜源:
HSC(i,j)=rHS(i,j)+(1-r)HS(i,k); (15)
式(15)中:HS(i,j)、HS(i,k)为蜜源HS(i)随机配对的第j、k维变量;受CSO纵向交叉算子启发,侦查蜂将蜜源HS(i)所有变量两两随机配对,以式(15)探索新的候选蜜源。
4.根据权利要求3所述的一种基于改进蜂群算法的波浪发电装置的功率控制方法,其特征在于,所述步骤S3的具体步骤如下:
S3-1:设定蜜源数目NHS、最大循环次数Nmc、蜜源最大访问次数Nlim;
S3-2:设定循环计数器Cou=1,蜜源初始化,将适应度最好蜜源保存到直线电机电磁力控制参数GB中;
S3-3:引导蜂两两随机配对,以式(13)探索候选蜜源,检查候选蜜源参数是否在允许区间内,否则,设越限参数值为最近的边界值;
S3-4:引导蜂记住适应度较好的蜜源,刷新蜜源访问次数,返回蜂巢,向未雇佣蜂广播分发蜜源信息;
S3-5:未雇佣蜂以式(12)的蜜源选择概率,随机选择某蜜源转化为采蜜蜂;
S3-6:采蜜蜂以式(14)搜索候选蜜源。若候选蜜源适应度较优,采蜜蜂记住候选蜜源,采用步骤S3-1刷新蜜源访问次数;否则,采蜜蜂保持原始蜜源不变,采用步骤3-2刷新蜜源访问次数;
S3-7:曾前往被访问次数大于Nlim蜜源的采蜜蜂转化为侦查蜂,以式(15)搜索候选蜜源;若候选蜜源适应度较优,侦查蜂记住候选蜜源,以步骤S3-1刷新蜜源访问次数;否则,侦查蜂保持原始蜜源信息不变;
S3-8:记当前人工蜂群适应度最好蜜源为GC,若GC适应度优于GB,则将GC赋值给GB,否则保持GB不变;
S3-9:循环计数器Cou=Cou+1,若Cou<Nmc,程序转移至步骤S3-3;否则,程序转移至下一步;
S3-10:程序满足新设置的循环计数器Cou<Nmc后重新启动,转移至步骤S3-3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910253164.8A CN110083195B (zh) | 2019-03-29 | 2019-03-29 | 一种基于改进蜂群算法的波浪发电装置的功率控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910253164.8A CN110083195B (zh) | 2019-03-29 | 2019-03-29 | 一种基于改进蜂群算法的波浪发电装置的功率控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110083195A true CN110083195A (zh) | 2019-08-02 |
CN110083195B CN110083195B (zh) | 2021-08-24 |
Family
ID=67413999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910253164.8A Expired - Fee Related CN110083195B (zh) | 2019-03-29 | 2019-03-29 | 一种基于改进蜂群算法的波浪发电装置的功率控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110083195B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111831048A (zh) * | 2020-06-18 | 2020-10-27 | 广东工业大学 | 一种用于光伏阵列的优化方法 |
CN115030858A (zh) * | 2022-05-16 | 2022-09-09 | 西安交通大学 | 基于集群智能优化的分布式海流能水轮机控制发电系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201500877A (en) * | 2013-06-25 | 2015-01-01 | Univ Shu Te | Model building method of power system |
CN105976048A (zh) * | 2016-04-28 | 2016-09-28 | 苏州泛能电力科技有限公司 | 一种基于改进人工蜂群算法的输电网扩展规划方法 |
CN106972537A (zh) * | 2017-05-12 | 2017-07-21 | 南京理工大学 | 基于风电场限功率控制能力的系统恢复过程中风电场出力优化方法 |
CN107701361A (zh) * | 2017-10-23 | 2018-02-16 | 广东工业大学 | 一种波浪发电方法和系统 |
CN109118016A (zh) * | 2018-08-31 | 2019-01-01 | 广东工业大学 | 一种基于多种群遗传算法的振荡浮子式波浪发电方法 |
CN109209768A (zh) * | 2018-08-31 | 2019-01-15 | 重庆邮电大学 | 一种大型风力机的恒定输出功率控制方法 |
CN109272137A (zh) * | 2018-07-13 | 2019-01-25 | 兰州交通大学 | 一种基于交叉全局人工蜂群算法的资源调度优化方法 |
-
2019
- 2019-03-29 CN CN201910253164.8A patent/CN110083195B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201500877A (en) * | 2013-06-25 | 2015-01-01 | Univ Shu Te | Model building method of power system |
CN105976048A (zh) * | 2016-04-28 | 2016-09-28 | 苏州泛能电力科技有限公司 | 一种基于改进人工蜂群算法的输电网扩展规划方法 |
CN106972537A (zh) * | 2017-05-12 | 2017-07-21 | 南京理工大学 | 基于风电场限功率控制能力的系统恢复过程中风电场出力优化方法 |
CN107701361A (zh) * | 2017-10-23 | 2018-02-16 | 广东工业大学 | 一种波浪发电方法和系统 |
CN109272137A (zh) * | 2018-07-13 | 2019-01-25 | 兰州交通大学 | 一种基于交叉全局人工蜂群算法的资源调度优化方法 |
CN109118016A (zh) * | 2018-08-31 | 2019-01-01 | 广东工业大学 | 一种基于多种群遗传算法的振荡浮子式波浪发电方法 |
CN109209768A (zh) * | 2018-08-31 | 2019-01-15 | 重庆邮电大学 | 一种大型风力机的恒定输出功率控制方法 |
Non-Patent Citations (2)
Title |
---|
盛四清 等: ""基于差分进化人工蜂群算法的光伏最大功率跟踪策略研究"", 《电力系统保护与控制》 * |
邹子君 等: ""基于多种群遗传算法的波浪发电最大功率跟踪控制"", 《电测与仪表》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111831048A (zh) * | 2020-06-18 | 2020-10-27 | 广东工业大学 | 一种用于光伏阵列的优化方法 |
CN115030858A (zh) * | 2022-05-16 | 2022-09-09 | 西安交通大学 | 基于集群智能优化的分布式海流能水轮机控制发电系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110083195B (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xi et al. | A novel multi-agent DDQN-AD method-based distributed strategy for automatic generation control of integrated energy systems | |
CN106502092B (zh) | 一种采用改进混合粒子群算法的热工过程模型参数辨识方法 | |
CN105226721B (zh) | 独立微电网系统分数阶频率控制器优化设计方法 | |
CN110083195A (zh) | 一种基于改进蜂群算法的波浪发电装置的功率控制方法 | |
CN110071496A (zh) | 一种基于波浪发电的直流微电网功率优化配置与运行方法 | |
Gao et al. | Optimization design of switched reluctance motor based on particle swarm optimization | |
CN109116724A (zh) | 一种基于粒子群改进细菌觅食算法的负荷频率控制方法 | |
Huang et al. | Optimal sliding mode chaos control of direct-drive wave power converter | |
Khamies et al. | Slime mould algorithm for frequency controller design of a two-area thermal-PV power system | |
CN110492483B (zh) | 一种一次调频反馈通道非线性环节参数配置方法和系统 | |
CN110145432A (zh) | 一种基于傅氏分析和改进灰狼算法的波浪发电装置功率控制方法 | |
Li et al. | Parametric study on power capture performance of an adaptive bistable point absorber wave energy converter in irregular waves | |
Liu et al. | Sensitivity analysis and optimal design of a linear magnetic gear for direct-drive wave energy conversion | |
CN103268068B (zh) | 轴向混合磁轴承免疫蜂群算法pid控制器的构造方法 | |
Ren et al. | MPC-based torque control of permanent magnet synchronous motor for electric vehicles via switching optimization | |
Qazi et al. | Performance evaluation of PI and PI-PSO in improving power quality of an autonomous microgrid | |
Jeba et al. | Optimal control of grid connected variable speed wind energy conversion system | |
Shen et al. | Tuning of two-degree-of-freedom IMC based on a strange nonchaotic optimization approach for large time-delay processes | |
CN203301168U (zh) | 一种单级式三相光伏并网逆变器控制器 | |
CN102966486A (zh) | 浮子式海浪发电装置的变特性曲线控制方法 | |
CN110109350A (zh) | 一种基于混沌飞蛾捕焰算法的波浪发电装置的功率捕获优化方法 | |
Mohapatra et al. | Artificial Intelligence technique governed robust fuzzy controller for microgrid frequency control | |
Wang et al. | An improved adaptive firefly algorithm for PI parameter optimization of permanent magnet synchronous motor | |
Shang et al. | Parameter optimization of PID controllers by reinforcement learning | |
CN103226727A (zh) | 电力系统无功优化的细菌菌落算法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210824 |