CN110135072A - 基于EMC评估模型和γ-NSGA-Ⅱ的传导干扰陷波器多目标优化设计方法 - Google Patents
基于EMC评估模型和γ-NSGA-Ⅱ的传导干扰陷波器多目标优化设计方法 Download PDFInfo
- Publication number
- CN110135072A CN110135072A CN201910409442.4A CN201910409442A CN110135072A CN 110135072 A CN110135072 A CN 110135072A CN 201910409442 A CN201910409442 A CN 201910409442A CN 110135072 A CN110135072 A CN 110135072A
- Authority
- CN
- China
- Prior art keywords
- trapper
- population
- nsga
- emc
- conducted emission
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于EMC评估模型和γ‑NSGA‑II的传导干扰陷波器多目标优化设计方法,涉及电磁兼容领域和遗传算法改进策略。本发明以BP神经网络为基础建立EMC评估模型,解算出表示传导干扰抑制效果的传导发射信号余量值和总谐波畸变率;以余量值、总谐波畸变率、陷波器重量和费用为优化目标,引入含目标重要度排序的优化目标向量γ,利用γ‑NSGA‑II算法不断进化得到陷波器最优参数。与NSGA‑II相比,γ‑NSGA‑II在临界层个体选择时,按重要度对优化目标向量γ降维后,进行临界层个体的快速非支配排序。本发明提供了抑制传导干扰、陷波器减重和降低费用等目标重要度可选的陷波器参数优化设计方法,科学性强、实用性好。
Description
技术领域
本发明涉及电磁兼容领域和遗传算法应用领域。
背景技术
供电设备的电磁干扰一方面会对供电电网造成谐波污染,另一方面会影响供电质量,甚至导致负载无法正常工作,因此其电磁兼容性必须满足相关的工业标准要求。10MHz以下的电磁干扰信号通常以传导干扰的形式传播,所以供电设备的电磁干扰以传导干扰为主。
通常,在电源侧安装陷波器滤除特定频率的传导发射信号可防止设备产生的干扰通过电源线传导到电网侧。目前工程上对陷波器R、L、C参数的确定以经验法、试凑法最为常见,难以使其在传导干扰抑制效果、运行性能及安装成本等方面同时达到最优,文献[1]提出一种基于神经网络的非线性时变进化粒子群优化算法,同时使滤波器成本、滤波器损耗、电流和电压总谐波失真最优化。但目前研究主要针对滤波器的滤波效果和无功补偿进行优化,以电磁干扰抑制效果为主要目标的优化设计讨论甚少。
作为目前多目标优化算法的研究热点,NSGA-II算法的改进主要针对更好地保护种群多样性,避免算法陷入局部最优,但并未考虑各目标的重要程度对种群进化的影响。以陷波器为例,若用于试飞供电设备的传导干扰抑制,应在确保电磁兼容达标的前提下使体积重量最小,其经济性的重要程度最低;而对于需要批量生产、安装于民用设备的陷波器,经济性更为重要,相比于体积重量应优先考虑价格低廉。但现有的NSGA-II算法无法将两者的优化需求区别开来。
本发明涉及以下技术术语:
EMC:电磁兼容性Electro Magnetic Compatibility,指设备或系统在其电磁环境中符合要求运行并不对其环境中的任何设备产生无法忍受的电磁干扰的能力。
NSGA-II算法:第二代非支配排序遗传算法Non-dominated Sorting GeneticAlgorithm II,是一种基于非支配排序并带有精英策略的多目标优化算法。
Pareto最优解:资源分配的一种理想状态,常指一组目标函数最优解的集合。
发明内容
本发明针对现有技术的不足,提供一种基于EMC评估模型和γ-NSGA-II的传导干扰陷波器多目标优化设计方法,用于解决不同决策偏好下抑制传导干扰、减小器件重量和费用的陷波器参数优化问题。
为实现上述目的,本发明采用的技术方案为:
根据标准规定的传导发射阈值曲线,分析电源线传导发射频谱图,选择传导发射超过标准阈值的区间作为目标频段,定义目标频段内阈值电平与对应频点传导发射信号幅值之差的最小值为传导发射信号余量值ΔCE;建立以陷波器电阻R、谐振频率f和品质因素Q为输入的BP神经网络,解算得到目标频段内传导发射信号的总谐波畸变率CETHD和余量值ΔCE;选择CETHD、ΔCE与陷波器重量和陷波器费用组成四个优化目标,采用含重要度降维排序的γ-NSGA-II算法,对由R、f和Q编码的染色体不断迭代,使种群朝着最优解的方向进化,实现基于EMC评估模型和γ-NSGA-II的传导干扰陷波器多目标优化设计。
利用BP神经网络拟合传导干扰抑制效果建立EMC评估模型,模型输入为陷波器参数R、 f和Q,表示为X=[R1,f1,Q1,…,Rj,fj,Qj,…,Rk,fk,Qk],其中,k是陷波器中的单个陷波频点的数量,Rj,fj,Qj分别表示第j个陷波频点的电阻值、谐振频率和品质因数;模型输出为ΔCE和 CETHD,表示为Y=[ΔCE,CETHD],ΔCE和CETHD的定义为:
ΔCE:传导发射信号余量值,指目标频段内,阈值电平与对应频点处传导发射信号幅值之差的最小值,若某频点处传导发射信号超出阈值电平曲线,则ΔCE<0,表示设备的电磁兼容性不达标;
CETHD:传导发射信号总谐波畸变率,指目标频段内,所有谐波分量Ui与基波分量U1比值的方和根,表达式为:
确立四个优化目标的适应度函数,ΔCE、CETHD、陷波器重量和费用的适应度函数分别为FΔCE(Xi)、WF(Xi)和CF(Xi),表达式为:
其中,Xi是由陷波器中各陷波频点的R、f和Q编码组成的第i条染色体,c是使FΔCE为正值的常数,n和j分别是单个陷波频点的数量和序号,w1、w2、w3分别是电阻、电感、电容的单位重量因子,α1、α2、α3分别是电阻、电感和电容的单位价格因子。
根据用户决策偏好确定四个目标的重要度排序,使用含重要度降维排序的γ-NSGA-II算法对染色体种群不断进化,算法过程如下:
步骤1:设置遗传算法基本参数,包括种群数目N、最大进化代数tMAX、交叉率pc和变异率pm,并生成初始种群Pt作为父代种群;
步骤2:将s个优化目标按照重要度由高到低的排序组成目标向量γ=(g1,…,gj,…,gs),确定父代种群中各个体的目标向量γ,其中,gj表示重要度排名第j的优化目标;
步骤3:根据优化目标向量γ对父代种群Pt进行快速非支配排序,经过选择、交叉、变异得到第一代种群Qt;
步骤4:将父代Pt与子代Qt合并为容量为2N的种群Rt,需从Rt中选择N个优胜个体形成新父种群Pt+1,选择方法为:根据目标向量γ对种群Rt进行快速非支配排序将其分为n层:F1,F2,...,Fn,如果F1,F2,...,Fl-1层总个体数量L<N而F1,F2,...,Fl层总个体数量大于N,将F1,F2,...,Fl-1层个体选入Pt+1;从目标向量γ中删除重要度最低的目标gs并将剩余s-1个目标按照重要度排序成为新的目标向量γ=(g1,g2,…,gs-1);对Fl层种群根据新目标向量γ进行快速非支配排序将其分为m层:H1,H2,...,Hm,如果H1,H2,...,Hk-1层总个体数量K<N-L而 H1,H2,...,Hk层总个体数量大于N-L,将H1,H2,...,Hk-1层个体选入Pt+1......重复临界层选择步骤直到Pt+1的容量达到N;
步骤5:,对新父种群Pt+1执行交叉、变异得到新一代种群Qt+1,重复步骤4,直至达到最大进化数tMAX,此时种群即为Pareto最优解集,从中选择出所需数量个最优化设计。
本发明的有益效果:
1、本发明利用BP神经网络构造陷波器EMC评估模型,引入了表示传导干扰抑制效果的传导发射信号余量值ΔCE和传导发射信号总谐波畸变率CETHD两个新定义,建立陷波器参数R、f、Q与ΔCE和CETHD的非线性映射关系,有助于实现传导干扰抑制效果的定量评估,为电磁干扰评估建模提供新的思路;
2、本发明引入目标重要度的概念,基于NSGA-II提出γ-NSGA-II算法,使重要度较高的优化目标得到更优解。同时,采用目标向量按重要度进行降维的策略,避免了优化目标数大于2时,NSGA-II的拥挤距离策略使得非支配层上的解分布不均匀的问题;
3、本发明提出的基于BP神经网络建立适应度函数的方法可为其他非线性映射关系的解算提供参考;γ-NSGA-II算法对高维不同重要度多目标优化任务具有普适性,可应用于其他不同领域的多目标优化中。
附图说明
图1是本发明的电路应用示例图;
图2是陷波器多目标优化设计的原理图
图中:(a)总体原理图;(b)γ-NSGA-II算法流程图;
图3是安装陷波器前的12脉TRU电源线传导发射频谱图;
图4是安装陷波器参数优化后的12脉TRU电源线传导发射频谱图;
图5是算法改进前后各适应度值进化过程;
图中:(a)NSGA-II;(b)γ-NSGA-II,γ=(ΔCE,CETHD,WF,CF);(c)γ-NSGA-II,γ=(CF,ΔCE,CETHD,WF)。
具体实施方式
下面结合附图对本发明进行详细说明。
以12脉TRU电源线传导发射电路为例,12脉TRU结构如图1所示,整流二极管通断瞬间产生的高瞬变电压dv/dt和高瞬变电流di/dt会产生严重的传导干扰。
按照标准[2]中的测量要求在10kHz~10MHz频段对12脉冲TRU进行测量,输入电压为 115V/400Hz,负载电流值为150A。图2显示了12脉冲TRU电力线传导发射的实验频谱图,其中红色曲线为标准规定的传导发射阈值曲线,蓝色曲线为按标准测得的传导发射信号。明显看出,超过标准限制的电源线传导发射均在10kHz~30kHz频段内,因此需要设计陷波器滤除该频段的干扰电平。将目标频段设为10kHz~30kHz,同时考虑应用背景和现实需求下用户对实际抑制效果和器件体积和费用的不同偏好,因此基于EMC评估模型和γ-NSGA-II算法对陷波器参数进行多目标优化设计。本发明原理如图2(a)所示,实现如下:
确定遗传算法染色体由一组R,f和Q基因编码,基因链表达式为: X=[R1,f1,Q1,…,Rj,fj,Qj,…,Rn,fn,Qn]T,其中,Rj,fj,Qj分别表示第j个陷波频点的电阻值、谐振频率和Q因子。
确定传导发射信号余量值ΔCE、传导发射信号总谐波畸变率CETHD、陷波器重量WF和陷波器费用CF为四个优化目标。其中,ΔCE和CETHD由基于BP神经网络建立的EMC评估模型解算得到,此神经网络包含m个隐含层,输入层节点数为3k,包含k个陷波频点的R,f 和Q,每层的权重和偏置分别用w和b表示,输出层的激活函数为线性函数。
通过公式得到四个目标的适应度值,使用带有重要度降维排序的γ-NSGA-II算法对染色体种群不断进化得到最优解,算法流程如图2(b)所示,过程如下:
步骤1:设置遗传算法基本参数,实例中设定种群数目N=50,最大进化代数tMAX=50,交叉率pc=0.8,变异率pm=0.3,并生成初始种群P1作为父代种群;
步骤2:将四个优化目标按照重要度排序组成目标向量γ,得到父代种群中各个体的目标向量γ,例如,γ=(ΔCE,CETHD,WF,CF)表示重要度排序由高到低为传导发射信号余量值、传导发射信号总谐波畸变率、陷波器重量和陷波器费用;
步骤3:根据优化目标向量γ对父代种群P1进行快速非支配排序,经过选择、交叉、变异得到第一代种群Q1;
步骤4:将父代P1与子代Q1合并为种群R1,容量为2N,从R1中选择N数目个体组成新父种群P2,具体选择方法为:根据目标向量γ对种群R1进行快速非支配排序将其分为n层:F1,F2,...,Fn,如果F1,F2,...,Fl-1层总个体数量L<N且F1,F2,......,Fl层总个体数量大于N,将F1,F2,...,Fl-1层个体选入P2;从目标向量γ中删除重要度最低的目标并将剩余三个目标按照重要度排序成为新的目标向量γ;对Fl层种群根据新目标向量γ进行快速非支配排序对其分为 m层:H1,H2,...,Hm,如果H1,H2,...,Hk-1层总个体数量K<N-L且H1,H2,...,Hk层总个体数量大于N-L,将H1,H2,......,Hk-1层个体选入P2......重复上述操作直到P2的容量达到N;
步骤5:,对新父种群P2执行交叉、变异得到新一代种群Q2,重复步骤4,直至达到最大进化数tMAX,此时种群P50即为Pareto最优解集。
经过上述算法得到的最优染色体通过公式:
计算得出陷波器的最优设计LC参数。
在Matlab/Simulink仿真平台上建立如图1所示的12脉TRU传导干扰测量的仿真模型,安装陷波器前的12脉TRU电源线传导发射频谱图如图3所示,本发明的目的是在保证传导发射信号不超标的前提下根据不同的目标重要度排序对陷波器参数进行优化。安装陷波器参数优化后的12脉TRU电源线传导发射频谱图如图4所示,对比图3可以看出图4中蓝色曲线稳定分布在红线下方,表明本发明能够满足降低超标传导发射信号的前提要求。
图5是算法改进前后各适应度值的进化过程,图(a)是使用NSGA-II的进化过程,各个目标均向极限值进化但优化缺少重点,进化结果平庸;图(b)是使用γ-NSGA-II且γ=(ΔCE,CETHD,WF,CF)时的进化过程,与图(a)对比,尽管牺牲了重要度最低的目标CF的小部分优化效果,但是重要度高的其他目标明显拥有更好的优化结果;图(c)是使用γ-NSGA-II且γ=(CF,ΔCE,CETHD,WF)时的进化过程,重要度高的目标CF和ΔCE的优化结果均比图(a)得到了改善。实验结果证明,本发明提供的抑制传导干扰、陷波器减重和降低费用等目标重要度可选的陷波器参数优化设计方法可行。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
附件:(如专利/文章/标准)
文献1:Ying-Pin Chang,Chia-Nan Ko.A PSO method with nonlinear time-varying evolution based on neural network for design of optimal harmonicfilters[J].Expert Systems With Applications,2008,36(3).
文献2:GJB152A.军用设备和分系统电磁发射和敏感度测量[S].国防科学技术工业委员会,1997:16-20。
Claims (3)
1.基于EMC评估模型和γ-NSGA-II的传导干扰陷波器多目标优化设计方法,其特征在于:
根据标准规定的传导发射阈值曲线,分析电源线传导发射频谱图,选择传导发射超过标准阈值的区间作为目标频段,定义目标频段内阈值电平与对应频点传导发射信号幅值之差的最小值为传导发射信号余量值ΔCE;建立以陷波器电阻R、谐振频率f和品质因素Q为输入的BP神经网络,解算得到目标频段内传导发射信号的总谐波畸变率CETHD和余量值ΔCE;选择CETHD、ΔCE与陷波器重量和陷波器费用组成四个优化目标,采用含重要度降维排序的γ-NSGA-II算法,对由R、f和Q编码的染色体不断迭代,使种群朝着最优解的方向进化,实现基于EMC评估模型和γ-NSGA-II的传导干扰陷波器多目标优化设计。
2.根据权利要求1所述的基于EMC评估模型和γ-NSGA-II的传导干扰陷波器多目标优化设计方法,其特征在于:
使用BP神经网络拟合传导干扰抑制效果建立EMC评估模型,通过训练网络获得陷波器参数与ΔCE和CETHD的非线性映射关系;神经网络输入为R、f、Q,表示为X=[R1,f1,Q1,…,Rj,fj,Qj,…,Rk,fk,Qk],其中,k是陷波器中的单个陷波频点的数量,Rj,fj,Qj分别表示第j个陷波频点的电阻值、谐振频率和品质因数;神经网络输出为ΔCE和CETHD,表示为Y=[ΔCE,CETHD],ΔCE和CETHD的定义为:
ΔCE:传导发射信号余量值,指目标频段内,阈值电平与对应频点处传导发射信号幅值之差的最小值,若某频点处传导发射信号超出阈值电平曲线,则ΔCE<0,表示设备的电磁兼容性不达标;
CETHD:传导发射信号总谐波畸变率,指目标频段内,所有谐波分量Ui与基波分量U1比值的方和根,表达式为:
3.根据权利要求1所述的基于EMC评估模型和γ-NSGA-II的传导干扰陷波器多目标优化设计方法,其特征在于:
与NSGA-II相比,γ-NSGA-II算法引入含目标重要度排序的优化目标向量γ,在临界层选择个体进入下一代时,按重要度对优化目标向量γ降维后,进行临界层个体的快速非支配排序,算法过程如下:
步骤1:设置遗传算法基本参数,包括种群数目N、最大进化代数tMAX、交叉率pc和变异率pm,并生成初始种群Pt作为父代种群;
步骤2:将s个优化目标按照重要度由高到低的排序组成目标向量γ=(g1,…,gj,…,gs),确定父代种群中各个体的目标向量γ,其中,gj表示重要度排名第j的优化目标;
步骤3:根据优化目标向量γ对父代种群Pt进行快速非支配排序,经过选择、交叉、变异得到第一代种群Qt;
步骤4:将父代Pt与子代Qt合并为容量为2N的种群Rt,从Rt中选择N个优胜个体形成新父种群Pt+1,选择方法为:根据目标向量γ对种群Rt进行快速非支配排序将其分为n层:F1,F2,...,Fn,如果F1,F2,...,Fl-1层总个体数量L<N而F1,F2,...,Fl层总个体数量大于N,将F1,F2,...,Fl-1层个体选入pt+1;从目标向量γ中删除重要度最低的目标gs并将剩余s-1个目标按照重要度排序成为新的目标向量γ=(g1,g2,…,gs-1);对Fl层种群根据新目标向量γ进行快速非支配排序将其分为m层:H1,H2,...,Hm,如果H1,H2,...,Hk-1层总个体数量K<N-L而H1,H2,...,Hk层总个体数量大于N-L,将H1,H2,...,Hk-1层个体选入Pt+1......重复临界层选择步骤直到Pt+1的容量达到N;
步骤5:,对新父种群Pt+1执行交叉、变异得到新一代种群Qt+1,重复步骤4,直至达到最大进化数tMAX,此时种群即为Pareto最优解集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910409442.4A CN110135072B (zh) | 2019-05-15 | 2019-05-15 | 基于emc评估模型和改进nsga-ii的传导干扰陷波器优化设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910409442.4A CN110135072B (zh) | 2019-05-15 | 2019-05-15 | 基于emc评估模型和改进nsga-ii的传导干扰陷波器优化设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110135072A true CN110135072A (zh) | 2019-08-16 |
CN110135072B CN110135072B (zh) | 2021-09-10 |
Family
ID=67574831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910409442.4A Active CN110135072B (zh) | 2019-05-15 | 2019-05-15 | 基于emc评估模型和改进nsga-ii的传导干扰陷波器优化设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110135072B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488568A (zh) * | 2015-11-30 | 2016-04-13 | 清华大学 | 一种基于目标重要性分解的模因演化多目标优化调度方法 |
CN109597747A (zh) * | 2017-09-30 | 2019-04-09 | 南京大学 | 一种基于多目标优化算法nsga-ⅱ推荐跨项目关联缺陷报告的方法 |
CN109598092A (zh) * | 2018-12-28 | 2019-04-09 | 浙江工业大学 | 融合bp神经网络和多父代遗传算法的空气源热泵多目标优化设计方法 |
-
2019
- 2019-05-15 CN CN201910409442.4A patent/CN110135072B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488568A (zh) * | 2015-11-30 | 2016-04-13 | 清华大学 | 一种基于目标重要性分解的模因演化多目标优化调度方法 |
CN109597747A (zh) * | 2017-09-30 | 2019-04-09 | 南京大学 | 一种基于多目标优化算法nsga-ⅱ推荐跨项目关联缺陷报告的方法 |
CN109598092A (zh) * | 2018-12-28 | 2019-04-09 | 浙江工业大学 | 融合bp神经网络和多父代遗传算法的空气源热泵多目标优化设计方法 |
Non-Patent Citations (3)
Title |
---|
KALYANMOY DEB等: "A Fast and Elitist Multiobjective Genetic Algorithm:NSGA-II", 《IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION》 * |
LU ZHANG等: "Step-up and Step-down Asymmetrical 24-Pulse Autotransformer Rectifier", 《JOURNAL OF POWER ELECTRONICS》 * |
刘旭红等: "多目标优化算法NSGA-II的改进", 《计算机工程与应用》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110135072B (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Carpinelli et al. | Optimal planning of active power filters in a distribution system using trade-off/risk method | |
Zhang et al. | Multi-objective optimization design of a notch filter based on improved NSGA-II for conducted emissions | |
Zand et al. | Fault locating transmission lines with thyristor-controlled series capacitors By fuzzy logic method | |
CN103530440B (zh) | 基于粒子群优化算法的微网谐波抑制方法 | |
CN108233736A (zh) | 航空多电发动机ac/dc变换器多目标优化设计方法 | |
Balasubbareddya et al. | A non-dominated Sorting Hybrid Cuckoo Search Algorithm for multi-objective optimization in the presence of FACTS devices | |
Diab et al. | Optimal shunt capacitors sittings and sizing in radial distribution systems using a novel hybrid optimization algorithm | |
CN115796513A (zh) | 一种基于最优碳流的电网机组出力调度方法及系统 | |
Khalil et al. | A binary particle swarm optimization for optimal placement and sizing of capacitor banks in radial distribution feeders with distorted substation voltages | |
Moradifar et al. | A fuzzy based solution for allocation and sizing of multiple active power filters | |
CN110135072A (zh) | 基于EMC评估模型和γ-NSGA-Ⅱ的传导干扰陷波器多目标优化设计方法 | |
Gupta et al. | A fuzzy controlled shunt active power filter for reducing current harmonics and reactive power compensation | |
Darvishi et al. | Fuzzy multi-objective technique integrated with differential evolution method to optimise power factor and total harmonic distortion | |
Ghanegaonkar et al. | Coordinated optimal placement of distributed generation and voltage regulator by multi-objective efficient PSO algorithm | |
Bangia et al. | Comparison of artificial intelligence techniques for the enhancement of power quality | |
Martinek et al. | Control methods of active power filters using soft computing techniques | |
Dai et al. | An improved dragonfly algorithm with higher exploitation capability to optimize the design of hybrid power active filter | |
Mehroliya et al. | Bio Inspired Computing based Optimization of Power Loss in Radial Distribution Systems | |
Visakh et al. | Voltage Dependent Load Models for EV Chargers to Improve the Accuracy of Grid-Impact Studies | |
CN113794198A (zh) | 抑制宽频振荡的方法、装置、终端及存储介质 | |
Berbaoui et al. | Power quality enhancement using shunt active power filter based on particle swarm optimization | |
Li et al. | Optimal reactive power dispatch using particle swarms optimization algorithm based Pareto optimal set | |
CN106786503A (zh) | 考虑电压稳定性及事故综合代价的直流受端系统紧急负荷控制方法 | |
Abraham et al. | Artificial neural networks for intelligent real time power quality monitoring systems | |
Surasmi et al. | Optimum allocation of active filters in a 4-bus system using genetic algorithm |
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 |