CN110442995A - 一种基于人工鱼群算法的lcl滤波器参数优化方法 - Google Patents
一种基于人工鱼群算法的lcl滤波器参数优化方法 Download PDFInfo
- Publication number
- CN110442995A CN110442995A CN201910743639.1A CN201910743639A CN110442995A CN 110442995 A CN110442995 A CN 110442995A CN 201910743639 A CN201910743639 A CN 201910743639A CN 110442995 A CN110442995 A CN 110442995A
- Authority
- CN
- China
- Prior art keywords
- artificial fish
- fish
- lcl filter
- state
- swarm
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/01—Arrangements for reducing harmonics or ripples
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/40—Arrangements for reducing harmonics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种基于人工鱼群算法的LCL滤波器参数优化方法,包括,根据系统要求和需要实现的功能建立相应的数学模型;建立适应度函数:利用开关频率处的谐波电流衰减比作为适应度函数;建立约束条件;调用人工鱼群算法进行滤波器参数优化择优:规定好人工鱼群的数目、迭代次数、最多试探次数以及步长和拥挤度因子等。本发明的算法较爬山算法、遗传算法和粒子群算法来说具有良好的求取全局极值能力,便于获得多次迭代后的LCL滤波器的最优参数,且人工鱼群算法对初值选择不敏感条件低、鲁棒性强以及简单易实现等优点。
Description
技术领域
本发明涉及电网无功补偿与谐波治理,具体涉及一种基于人工鱼群的LCL滤波器参数优化方法。
背景技术
随着电力电子技术的飞速发展,电能质量问题已经不仅仅局限于频率偏差与电压偏差两方面,随着负荷类型的改变,电能质量问题越来越复杂与严峻,引起了大量的关注。这些电力电子装置目前已经成为供用电系统中最为重要的谐波源,同时由于其功率因数也不高,需要从电网吸收大量的无功功率,导致波形畸变。因此,利用LCL滤波器进行谐波治理,LCL滤波器用较小的电感值即可达到与L滤波器同样的滤波性能,不但节省了滤波器成本与体积,而且提高了系统的动态性能,但由于其三阶特性,滤波器的四个关键参数变化对滤波性能、谐振频率、纹波限制、基波电压损失都会造成影响,参数设计比较复杂。
目前对LCL滤波器参数进行优化的方法主要有:
(1)传统LCL滤波器参数优化方式。此方式在处理满足工程性能指标的大量数据时会出现无法保证LCL滤波器在开关频率处的最佳滤波效果。
(2)基于爬山算法的LCL滤波器参数优化方式。此方式实行起来很简单,效率也比较高,但是处理多约束大规模数据时容易陷入局部最优解,无法得到全局最优解。
(3)基于粒子群算法的LCL滤波器参数优化方式。此方式具有相当快的逼近最优解的速度,可以有效的对系统的参数进行优化,但是它容易产生早熟收敛、局部寻优能力较差等。
发明内容
本发明的目的在于提供一种新的参数寻优方法以克服上述寻优方式所产生的缺点,利用人工鱼群算法得到最优的参数,以解决配电网中无功缺失以及谐波治理问题。
为实现上述发明目的,本发明的技术方案具体如下:
一种基于人工鱼群算法的LCL滤波器参数优化方法,包括:
针对LCL滤波器的链式STATCOM的主电路结构进行分析,建立三相静止坐标系和两相同步旋转坐标系下装置的数学模型,利用MATLAB语言设计人工鱼群智能算法对LCL滤波器参数进行寻优的程序,将LCL滤波器的变流器侧电感、网侧电感以及滤波电容作为每个人工鱼的三维搜索空间,以开关频率处的谐波电流衰减函数作为寻优函数,结合装置性能指标限制条件,快速求取LCL滤波器全局最优参数。
进一步的,所述方法具体包括,利用AFSA算法寻优最佳性能指标的LCL滤波器参数,建立以下条件:
(1)建立人工鱼群模型
人工鱼群数目N=50;搜索空间为三维,其中第i条人工鱼的状态为Xi=[xi1,xi2,xi3],i=1,2,…,50;最大迭代次数为MAXGEN=50;最多试探次数try_num=100;感知距离visual=0.8;步长step=0.1;拥挤度因子delta=0.618;
(2)适应度函数
利用开关频率处的谐波电流衰减比作为适应度函数,滤波效果越好,适应度函数值越小,谐波电流衰减比函数见公式(2-39):
(3)约束条件
限制滤波电容支路吸收的基波无功功率低于额定容量的5%,
滤波器总电感基波电压损失低于额定工作状态下电网相电压的10%,
LCL谐振频率大于STATCOM装置的最高次补偿谐波电流频率,小于开关频率的二分之一,STATCOM装置最高能补偿20次谐波电流;
进一步的,人工鱼群算法模拟鱼群的觅食、聚群、追尾、随机行为,其基本定义和行为描述如下:假定D维的目标搜索空间里,人工鱼的数量为N,其中第i条人工鱼的状态为Xi=[xi1,xi2,…,xiD],i=1,2,…,N;人工鱼所在位置的食物浓度为Y=f(X),人工鱼Xi和Xj之间的距离表示为dij=||Xj-Xi||,Ω表示人工鱼的可感知域,δ为当前人工鱼所在区域拥挤度因子,nf为当前人工鱼可感知域Ω中的其它人工鱼数目,Rand()为0到1的随机数,Step为人工鱼每次移动的最大步长,try_number为人工鱼最大试探次数。
进一步的,所述觅食行为具体为:
假设人工鱼当前状态为Xi,在其可感知区域Ω内任取一个状态Xj,如果其食物浓度Yj大于Yi,则人工鱼由当前状态Xi向Xj移动一步,否则人工鱼重新选择其感知区域内新的状态,如果尝试次数超过try_number仍未找到更好的位置,则人工鱼执行随机行为。
所述聚群行为具体为:
假设人工鱼当前状态为Xi,在其感知区域Ω内,其它人工鱼数目nf及其中心位置为Xc,如果中心位置食物浓度Yc大于当前人工鱼位置食物浓度Yi,并且中心位置的食物浓度与鱼群数目比Yc/nf大于当前位置δYi,那么人工鱼将向Xc移动一步,否则执行觅食行为。
所述追尾行为具体为:
假设人工鱼当前状态为Xi,在其感知区域Ω内,最优状态位置为Xmax,如果最优状态位置食物浓度Ymax大于Yi,并且Ymax/nf大于δYi,则人工鱼向Xmax移动一步,否则执行觅食行为;
还包括公告板,用来记录最优人工鱼状态,每个人工鱼在执行完各自行为后都与公告板状态进行对比,如果优于公告板记录的最优人工鱼状态,则将自己当前的状态作为公告板信息。
与现有技术相比,本发明的有益效果:
本发明提出了一种适用于中高压链式STATCOM的基于人工鱼群LCL滤波器工程设计方法,按照高频开关纹波抑制与电压降、变流器侧电感与网侧电感比值、滤波电容与网侧电感的分流效果、链式STATCOM的补偿带宽与人工鱼群LCL滤波器参数优化这四个步骤依次设计与校验,该方法简单易用、物理意义清晰,具有一定的工程应用价值;
本发明的算法较爬山算法、遗传算法和粒子群算法来说具有良好的求取全局极值能力,便于获得多次迭代后的LCL滤波器的最优参数。并且,人工鱼群算法对初值选择不敏感条件低、鲁棒性强以及简单易实现等优点。
附图说明
图1为本发明的系统整体流程图;
图2为本发明的人工鱼群算法流程图;
具体实施方式:
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,所描述的实施例仅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做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。
实施例
如图1所示,一种基于人工鱼群算法的LCL滤波器参数优化方法,基于人工鱼群算法可以得到串联不同阻尼电阻情况下的LCL滤波器的最优参数情况,此方式得到的最优参数情况下的计算结果收敛性好。主要包括以下步骤:(1)建立系统的数学模型:根据系统要求和需要实现的功能建立相应的数学模型。(2)建立适应度函数:利用开关频率处的谐波电流衰减比作为适应度函数,只要滤波效果越好,适应度函数值越小。(3)建立约束条件:①限制滤波电容支路吸收的基波无功功率低于额定容量的5%;②滤波器总电感基波电压损失低于额定工作状态下电网相电压的10%;③LCL谐振频率必须大于STATCOM装置的最高次补偿谐波电流频率,小于开关频率的二分之一。(4)调用人工鱼群算法进行滤波器参数优化择优:规定好人工鱼群的数目、迭代次数、最多试探次数以及步长和拥挤度因子等。
基于人工鱼群的LCL滤波器参数优化方法,其中人工鱼群算法的实现主要包括四个方面,分别是模拟鱼群的觅食、聚群、追尾、随机行为。首先选取拥有N条鱼的人工鱼群,对人工鱼群中的第i条鱼进行试探追尾训练,若较上一次有进步(若较上一次无进步,则对其进行试探聚群训练,有进步的话则进行聚群训练后得到的适应值与公告板进行比对,优于公告板更新公告板反之进行第i+1条鱼的训练。若进行试探聚群时无进步则执行觅食训练,计算此时的适应值与公告板进行对比,优于公告板则更新公告板反之同样执行第i+1条鱼的训练)则执行追尾训练并将计算到的适应值与公告板进行对比,若优于公告板则更新公告板反之在所有条件满足的情况下对第i+1条人工鱼重新进行以上训练步骤(此处i一直是小于N),直至得到优于公告板的适应值。人工鱼群算法整体流程图如图2所示。
Claims (4)
1.一种基于人工鱼群算法的LCL滤波器参数优化方法,其特征在于,包括:
针对LCL滤波器的链式STATCOM的主电路结构进行分析,建立三相静止坐标系和两相同步旋转坐标系下装置的数学模型,利用MATLAB语言设计人工鱼群智能算法对LCL滤波器参数进行寻优的程序,将LCL滤波器的变流器侧电感、网侧电感以及滤波电容作为每个人工鱼的三维搜索空间,以开关频率处的谐波电流衰减函数作为寻优函数,结合装置性能指标限制条件,快速求取LCL滤波器全局最优参数。
2.根据权利要求1所述的一种基于人工鱼群算法的LCL滤波器参数优化方法,其特征在于,所述方法具体包括,利用AFSA算法寻优最佳性能指标的LCL滤波器参数,建立以下条件:
(1)建立人工鱼群模型
人工鱼群数目N=50;搜索空间为三维,其中第i条人工鱼的状态为Xi=[xi1,xi2,xi3],i=1,2,…,50;最大迭代次数为MAXGEN=50;最多试探次数try_num=100;感知距离visual=0.8;步长step=0.1;拥挤度因子delta=0.618;
(2)适应度函数
利用开关频率处的谐波电流衰减比作为适应度函数,滤波效果越好,适应度函数值越小,谐波电流衰减比函数见公式(2-39):
(3)约束条件
限制滤波电容支路吸收的基波无功功率低于额定容量的5%,
滤波器总电感基波电压损失低于额定工作状态下电网相电压的10%,
LCL谐振频率大于STATCOM装置的最高次补偿谐波电流频率,小于开关频率的二分之一,STATCOM装置最高能补偿20次谐波电流;
3.根据权利要求2所述的一种基于人工鱼群算法的LCL滤波器参数优化方法,其特征在于,人工鱼群算法模拟鱼群的觅食、聚群、追尾、随机行为,其基本定义和行为描述如下:假定D维的目标搜索空间里,人工鱼的数量为N,其中第i条人工鱼的状态为Xi=[xi1,xi2,…,xiD],i=1,2,…,N;人工鱼所在位置的食物浓度为Y=f(X),人工鱼Xi和Xj之间的距离表示为dij=||Xj-Xi||,Ω表示人工鱼的可感知域,δ为当前人工鱼所在区域拥挤度因子,nf为当前人工鱼可感知域Ω中的其它人工鱼数目,Rand()为0到1的随机数,Step为人工鱼每次移动的最大步长,try_number为人工鱼最大试探次数。
4.根据权利要求3所述的一种基于人工鱼群算法的LCL滤波器参数优化方法,其特征在于,
所述觅食行为具体为:
假设人工鱼当前状态为Xi,在其可感知区域Ω内任取一个状态Xj,如果其食物浓度Yj大于Yi,则人工鱼由当前状态Xi向Xj移动一步,否则人工鱼重新选择其感知区域内新的状态,如果尝试次数超过try_number仍未找到更好的位置,则人工鱼执行随机行为。
所述聚群行为具体为:
假设人工鱼当前状态为Xi,在其感知区域Ω内,其它人工鱼数目nf及其中心位置为Xc,如果中心位置食物浓度Yc大于当前人工鱼位置食物浓度Yi,并且中心位置的食物浓度与鱼群数目比Yc/nf大于当前位置δYi,那么人工鱼将向Xc移动一步,否则执行觅食行为。
所述追尾行为具体为:
假设人工鱼当前状态为Xi,在其感知区域Ω内,最优状态位置为Xmax,如果最优状态位置食物浓度Ymax大于Yi,并且Ymax/nf大于δYi,则人工鱼向Xmax移动一步,否则执行觅食行为;
还包括公告板,用来记录最优人工鱼状态,每个人工鱼在执行完各自行为后都与公告板状态进行对比,如果优于公告板记录的最优人工鱼状态,则将自己当前的状态作为公告板信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910743639.1A CN110442995A (zh) | 2019-08-13 | 2019-08-13 | 一种基于人工鱼群算法的lcl滤波器参数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910743639.1A CN110442995A (zh) | 2019-08-13 | 2019-08-13 | 一种基于人工鱼群算法的lcl滤波器参数优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110442995A true CN110442995A (zh) | 2019-11-12 |
Family
ID=68434882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910743639.1A Withdrawn CN110442995A (zh) | 2019-08-13 | 2019-08-13 | 一种基于人工鱼群算法的lcl滤波器参数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110442995A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112039496A (zh) * | 2020-09-10 | 2020-12-04 | 南京航空航天大学 | 一种基于人工鱼群优化的快速高斯粒子滤波数据融合方法 |
CN113533946A (zh) * | 2021-07-09 | 2021-10-22 | 桂林电子科技大学 | 一种基于kl距离的板级电路测点选择方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101515338A (zh) * | 2009-03-06 | 2009-08-26 | 山东大学 | 基于全局信息的人工鱼群算法 |
CN102142859A (zh) * | 2011-03-29 | 2011-08-03 | 哈尔滨工业大学 | 基于最小均方误差和人工鱼群联合的直接序列超宽带多用户检测方法 |
CN107103355A (zh) * | 2017-04-21 | 2017-08-29 | 北京工业大学 | 一种基于改进人工鱼群算法的智能车slam数据关联方法 |
CN108133257A (zh) * | 2016-11-30 | 2018-06-08 | 钛能科技股份有限公司 | 一种基于人工鱼群算法的泵站优化方法 |
CN108459406A (zh) * | 2018-03-15 | 2018-08-28 | 上海理工大学 | 基于人工鱼群算法的显微镜自动对焦窗口选择方法 |
-
2019
- 2019-08-13 CN CN201910743639.1A patent/CN110442995A/zh not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101515338A (zh) * | 2009-03-06 | 2009-08-26 | 山东大学 | 基于全局信息的人工鱼群算法 |
CN102142859A (zh) * | 2011-03-29 | 2011-08-03 | 哈尔滨工业大学 | 基于最小均方误差和人工鱼群联合的直接序列超宽带多用户检测方法 |
CN108133257A (zh) * | 2016-11-30 | 2018-06-08 | 钛能科技股份有限公司 | 一种基于人工鱼群算法的泵站优化方法 |
CN107103355A (zh) * | 2017-04-21 | 2017-08-29 | 北京工业大学 | 一种基于改进人工鱼群算法的智能车slam数据关联方法 |
CN108459406A (zh) * | 2018-03-15 | 2018-08-28 | 上海理工大学 | 基于人工鱼群算法的显微镜自动对焦窗口选择方法 |
Non-Patent Citations (1)
Title |
---|
姚正华等: "基于改进鱼群算法的矿用链式STATION装置的LCL滤波器参数优化", 《煤矿机械》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112039496A (zh) * | 2020-09-10 | 2020-12-04 | 南京航空航天大学 | 一种基于人工鱼群优化的快速高斯粒子滤波数据融合方法 |
CN112039496B (zh) * | 2020-09-10 | 2024-04-19 | 南京航空航天大学 | 一种基于人工鱼群优化的快速高斯粒子滤波数据融合方法 |
CN113533946A (zh) * | 2021-07-09 | 2021-10-22 | 桂林电子科技大学 | 一种基于kl距离的板级电路测点选择方法 |
CN113533946B (zh) * | 2021-07-09 | 2024-05-14 | 桂林电子科技大学 | 一种基于kl距离的板级电路测点选择方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Perra et al. | Spectral centrality measures in complex networks | |
CN107681682B (zh) | 一种基于ward等值的交直流系统等值方法 | |
CN100576223C (zh) | 基于计算模型拼接的互联系统分布式潮流计算方法 | |
CN103544378A (zh) | 一种直流输电用交流系统谐波阻抗计算方法 | |
CN102280889B (zh) | 基于克隆-粒子群混杂算法的电力系统无功优化方法 | |
CN110442995A (zh) | 一种基于人工鱼群算法的lcl滤波器参数优化方法 | |
CN104112048A (zh) | 基于最大反谐振点的电源分配网络去耦电容器选择方法 | |
CN106019082B (zh) | 一种基于暂态零序电流的含dg配电网故障选线方法 | |
US20120259850A1 (en) | Efficient query clustering using multi-partite graphs | |
CN112149280B (zh) | 含svg的新能源的多馈入系统电网强度获得方法 | |
CN105529711A (zh) | 一种基于bpa数据的交流系统谐波阻抗扫描方法 | |
CN108448631B (zh) | 基于模型降阶的含分布式电源接入配电网的动态相量建模方法 | |
CN103593523A (zh) | 基于有限元理论的多直流落点条件下直流偏磁抑制方法 | |
CN104077438A (zh) | 电网大规模拓扑结构构建方法与系统 | |
CN102880760B (zh) | 基于多目标粒子群及拓扑扩张的微波电路设计方法 | |
CN103366062A (zh) | 基于bbo算法和电网生存性的核心骨干网架构建方法 | |
CN106685745B (zh) | 一种网络拓扑构建方法及装置 | |
CN103559209B (zh) | 一种Voronoi Diagram与虚拟网格结合的高效空间最近邻查询方法 | |
CN103942731A (zh) | 电网预想故障集自动生成方法及系统 | |
CN112103950B (zh) | 一种基于改进gn分裂算法的电网分区方法 | |
CN112072692A (zh) | 一种新能源发电场站的阻抗等值方法及装置 | |
CN112653136B (zh) | 一种电力电子多馈入电力系统关键线路识别方法及系统 | |
CN103390198A (zh) | 一种用于电力网络故障诊断的社团自组织检测方法 | |
CN110765713A (zh) | 高耦合分裂电抗器建模方法、装置、计算机设备及介质 | |
CN108915927A (zh) | 确定波浪发电装置参数的方法、装置及设备 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20191112 |