CN110954747A - 一种猫群算法优化最小均方根自适应谐波检测方法 - Google Patents
一种猫群算法优化最小均方根自适应谐波检测方法 Download PDFInfo
- Publication number
- CN110954747A CN110954747A CN201911166483.1A CN201911166483A CN110954747A CN 110954747 A CN110954747 A CN 110954747A CN 201911166483 A CN201911166483 A CN 201911166483A CN 110954747 A CN110954747 A CN 110954747A
- Authority
- CN
- China
- Prior art keywords
- cat
- value
- fitness
- algorithm
- current
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
- G01R23/165—Spectrum analysis; Fourier analysis using filters
Landscapes
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
- Filters That Use Time-Delay Elements (AREA)
Abstract
本发明公开了一种猫群算法优化最小均方根自适应谐波检测方法，涉及电力技术领域，通过在传统变步长均方根(LMS)算法谐波检测基础上，引进猫群算法(CSO)对其进行优化，解决了传统方法对初始值敏感，检测精度不佳等问题，实现了对负载电流中谐波的实时检测，通过本方法对谐波的检测精度较高，收敛速度较快；同时对有效治理谐波，提高电能质量具有重大意义。
Description
技术领域
本发明涉及电力技术领域，具体涉及一种猫群算法优化最小均方根自适应谐波检测方法。
背景技术
近年来，电力技术领域中随着大量的非线性电力电子器件的使用，产生的大量谐波严重降低了用户的电能质量和设备运行的稳定性，采取切实有效的谐波补偿方法来解决电网谐波污染问题已经刻不容缓，能够动态补偿谐波的有源电力滤波器(APF)得到了广泛的应用，其中，谐波检测环节作为APF的关键部分，检测的精确性和有效性直接影响了谐波补偿的效果，因此，研究和改进谐波实时检测的算法愈加重要。目前广泛使用的谐波检测方法主要有：基于瞬时无功功率理论、FFT理论、小波变换等。这些算法有着共同的特性：频率固定且系统闭环，对电网参数较为敏感，随着自适应滤波器和群体智能算法的发展，自适应滤波算法在谐波检测领域的应用越来越广泛。如最小均方根(LMS)算法同时适用于三相系统和单相系统，但LMS算法作为使用最广的一种自适应滤波算法，对初始值敏感的缺点尤为明显，导致谐波检测精度较低。
发明内容
为解决现有技术问题，本发明通提供了一种CSO-LMS联合算法的谐波检测方法，在传统变步长LMS谐波检测方法基础上，利用猫群算法(CSO)对LMS 算法的初始值进行寻优，解决了传统LMS算法对初始值敏感的问题，大大提高了谐波检测的精确性和实时性，降低了稳态误差。
本发明具体采用以下技术方案：
一种猫群算法优化最小均方根自适应谐波检测方法，包括以下步骤：
S1：电流信号采样：对周期性含谐波的负载电流iL(t)进行采样，得到当前采样时刻对应的负载电流iL(t)的离散值iL(n)；
S2：给定一个输入参考信号
其中A为幅值，f为频率，
为相位，对应取值范围：-2≤A≤2、48≤f≤52、
相应地得到x(t)的离散信号x(n)；
S3：通过LMS算法得到基波电流的估计值y(n)，即：y(n)＝x(n)*wT(n)；其中w(n)为当前采样时刻n的权系数矩阵，取初值w(0)＝0。wT(n)为矩阵w(n)的转置；
S4：将步骤S1中的采样电流离散值iL(n)与步骤S3中基波电流的估计值y(n) 取差值，得到当前采样时刻n下的谐波电流ih(n)，也为当前时刻n的误差值e(n)，即：e(n)＝iL(n)-y(n)；
S5：更新下一采样时刻的权系数矩阵w(n+1)＝w(n)+2*μ(n)*e(n)*x(n)，其中，μ(n)为当前采样时刻的步长。步长越大，LMS算法收敛速度越快，但谐波检测精度越低，因此步长(n)取值如下：当n≤20时，μ(n)＝0.3；当n>20时，μ(n)＝0.01；
S6：引入猫群算法，对LMS自适应算法的输入x(n)进行优化，以均方根误差
为适应度函数，对x(n)中的三个参数A、f、
求取最优值。
进一步的方案是，S5中所述步长越大，LMS算法收敛速度越快，但谐波检测精度越低，因此步长(n)取值如下：当n≤20时，μ(n)＝0.3；当n>20时，μ (n)＝0.01。
进一步的方案是，S6包括以下步骤：
步骤1：初始化猫群，设置猫群优化算法的群体大小为N，最大迭代次数为 kmax，；分组率MR，随机初始化猫群体位置，并用行向量Cx表示；
步骤2：计算种群中所有猫的适应度值fitness，选取并记录种群中适应度最佳的猫；
步骤3：根据MR将猫群随机分组，MR表示执行跟踪模式下的猫的数量在整个猫群中所占的比例，MR一般为一个较小的值，以确保猫群中的大部分猫处于搜寻模式，少数猫处于跟踪模式；
步骤4：搜寻模式：复制猫个体，将复制好的个体存入记忆池SMP中，复制猫的个体数由其适应度值的大小决定，适应度值越高，被复制的个体数目相对越多，复制个体的公式为：
式中：Ni为第i只猫的复制个体数；Nsum为复制的个体总数；fitnessi为第i 只猫的适应度；N为猫的初始化群体总数。执行变异算子，即随机在原来的位置上加一个扰动，达到新的位置来代替原来的位置，更新SMP，计算SMP中所有个体的适应度值；执行选择算子，通过计算SMP中适应度值最小的候选点来代替当前猫的位置，完成算法输出参数的更新；
步骤5：跟踪模式：整个猫群经历过的最好的位置，即为目前搜索到的最优解为Xbest(n)。每个猫的速度为Vi，速度更新公式如下：
Vi(n+1)＝Vi(n)×w+c×rand×[Xbest(n)-Vi(n)]
式中Vi(n+1)表示更新后第i只猫的速度值；c为常量；rand为[01]之间的随机数。惯性权重w更新公式如下：
其中，k为迭代指标；，kmax为最大迭代数；每个猫的位置更新公式如下：
Xi(n+1)＝Xi(n)+Vi(n+1)
式中Xi(n+1)表示位置更新后第i只猫的位置。计算适应度值，用适应度值最小的猫更新最初的猫的位置；
步骤6：记录保留种群中适应度最优的猫；
步骤7：判断是否满足终止条件，若满足则输出最优解，结束程序；否则，重复以上猫群算法流程继续进行寻优迭代处理；
步骤8：将猫群算法寻优得到三个参数幅值A，频率f，相位
代入
中，得到LMS自适应滤波器的最优初始值。
本发明的有益效果：
通过本发明仅需对含谐波的负载电流进行采样可以实现对电流谐波进行检测，无需对电网电压信号进行采样；
引进了猫群算法，解决了传统LMS算法对初始值敏感的问题，大大提高了谐波检测的精确性和实时性，降低了稳态误差。对有效治理谐波，提高电能质量具有重大意义。
附图说明
图1为本发明CSO-LMS算法在谐波检测应用的原理图；
图2为传统LMS算法在实验下的负载电流采样值与基波电流估计值；
图3为本发明在实验下的负载电流采样值与基波电流估计值；
图4为本发明算法的迭代曲线；
图5为本发明在实验下的负载谐波电流估计值；
图6为本发明与传统LMS算法在试验下负载基波电流估计值对比图。
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。
如图1-6所示，本发明的一个实施例公开了一种猫群算法优化最小均方根自适应谐波检测方法，包括以下步骤：
S1：电流信号采样：对周期性含谐波的负载电流iL(t)进行采样，得到当前采样时刻对应的负载电流iL(t)的离散值iL(n)；
S2：给定一个输入参考信号
其中A为幅值，f为频率，
为相位，对应取值范围：-2≤A≤2、48≤f≤52、
相应地得到x(t)的离散信号x(n)；
S3：通过LMS算法得到基波电流的估计值y(n)，即：y(n)＝x(n)*wT(n)；其中w(n)为当前采样时刻n的权系数矩阵，取初值w(0)＝0。wT(n)为矩阵w(n)的转置；
S4：将步骤S1中的采样电流离散值iL(n)与步骤S3中基波电流的估计值y(n) 取差值，得到当前采样时刻n下的谐波电流ih(n)，也为当前时刻n的误差值e(n)，即：e(n)＝iL(n)-y(n)；
S5：更新下一采样时刻的权系数矩阵w(n+1)＝w(n)+2*μ(n)*e(n)*x(n)，其中，μ(n)为当前采样时刻的步长。步长越大，LMS算法收敛速度越快，但谐波检测精度越低，因此步长(n)取值如下：当n≤20时，μ(n)＝0.3；当n>20时，μ(n)＝0.01；
S6：引入猫群算法，对LMS自适应算法的输入x(n)进行优化，以均方根误差
为适应度函数，对x(n)中的三个参数A、f、
求取最优值。
在本实施例中，S5中所述步长越大，LMS算法收敛速度越快，但谐波检测精度越低，因此步长(n)取值如下：当n≤20时，μ(n)＝0.3；当n>20时，μ(n)＝0.01。
在本实施例中，S6包括以下步骤：
步骤1：初始化猫群，设置猫群优化算法的群体大小为N，最大迭代次数为 kmax，；分组率MR，随机初始化猫群体位置，并用行向量Cx表示；
步骤2：计算种群中所有猫的适应度值fitness，选取并记录种群中适应度最佳的猫；
步骤3：根据MR将猫群随机分组，MR表示执行跟踪模式下的猫的数量在整个猫群中所占的比例，MR一般为一个较小的值，以确保猫群中的大部分猫处于搜寻模式，少数猫处于跟踪模式；
步骤4：搜寻模式：复制猫个体，将复制好的个体存入记忆池SMP中，复制猫的个体数由其适应度值的大小决定，适应度值越高，被复制的个体数目相对越多，复制个体的公式为：
式中：Ni为第i只猫的复制个体数；Nsum为复制的个体总数；fitnessi为第i 只猫的适应度；N为猫的初始化群体总数。执行变异算子，即随机在原来的位置上加一个扰动，达到新的位置来代替原来的位置，更新SMP，计算SMP中所有个体的适应度值；执行选择算子，通过计算SMP中适应度值最小的候选点来代替当前猫的位置，完成算法输出参数的更新；
步骤5：跟踪模式：整个猫群经历过的最好的位置，即为目前搜索到的最优解为Xbest(n)。每个猫的速度为Vi，速度更新公式如下：
Vi(n+1)＝Vi(n)×w+c×rand×[Xbest(n)-Vi(n)]
式中Vi(n+1)表示更新后第i只猫的速度值；c为常量；rand为[01]之间的随机数。惯性权重w更新公式如下：
其中，k为迭代指标；，kmax为最大迭代数；每个猫的位置更新公式如下：
Xi(n+1)＝Xi(n)+Vi(n+1)
式中Xi(n+1)表示位置更新后第i只猫的位置。计算适应度值，用适应度值最小的猫更新最初的猫的位置；
步骤6：记录保留种群中适应度最优的猫；
步骤7：判断是否满足终止条件，若满足则输出最优解，结束程序；否则，重复以上猫群算法流程继续进行寻优迭代处理；
步骤8：将猫群算法寻优得到三个参数幅值A，频率f，相位
代入
中，得到LMS自适应滤波器的最优初始值。
本实施算例中负载电流信号为：
iL(t)＝sin(ωt)+0.3sin(3ωt)+0.1sin(5ωt)+0.05sin(7ωt)。采样信号中基波频率f0＝50Hz，ω＝2πf0。采样频率为ts＝1k/s，采样点N为300。
算法中参数取值如下：猫群群体大小为M＝10，权重范围:wmax＝0.5,wmin＝0.1,最大迭代次数kmax＝80和分组率MR＝0.3。当n≤20时，步长μ(n)＝0.3；当n>20时，步长μ(n)＝0.01。
采用本发明对谐波进行检测并与传统LMS自适应谐波检测进行对比，通过图6所示的实验结果对比可知，本发明相比传统方法对谐波的检测精度更高，算法收敛速度更快。
最后说明的是，以上仅对本发明具体实施例进行详细描述说明。但本发明并不限制于以上描述具体实施例。本领域的技术人员对本发明进行的等同修改和替代也都在本发明的范畴之中。因此，在不脱离本发明的精神和范围下所作的均等变换和修改，都涵盖在本发明范围内。
Claims (3)
1.一种猫群算法优化最小均方根自适应谐波检测方法，其特征在于：包括以下步骤：
S1：电流信号采样：对周期性含谐波的负载电流iL(t)进行采样，得到当前采样时刻对应的负载电流iL(t)的离散值iL(n)；
S2：给定一个输入参考信号
其中A为幅值，f为频率，
为相位，对应取值范围：-2≤A≤2、48≤f≤52、
相应地得到x(t)的离散信号x(n)；
S3：通过LMS算法得到基波电流的估计值y(n)，即：y(n)＝x(n)*wT(n)；其中w(n)为当前采样时刻n的权系数矩阵，取初值w(0)＝0。wT(n)为矩阵w(n)的转置；
S4：将步骤S1中的采样电流离散值iL(n)与步骤S3中基波电流的估计值y(n)取差值，得到当前采样时刻n下的谐波电流ih(n)，也为当前时刻n的误差值e(n)，即：e(n)＝iL(n)-y(n)；
S5：更新下一采样时刻的权系数矩阵w(n+1)＝w(n)+2*μ(n)*e(n)*x(n)，其中，μ(n)为当前采样时刻的步长。步长越大，LMS算法收敛速度越快，但谐波检测精度越低，因此步长(n)取值如下：当n≤20时，μ(n)＝0.3；当n>20时，μ(n)＝0.01；
S6：引入猫群算法，对LMS自适应算法的输入x(n)进行优化，以均方根误差
为适应度函数，对x(n)中的三个参数A、f、
求取最优值。
2.根据权利要求1所述的一种猫群算法优化最小均方根自适应谐波检测方法，其特征在于：
S5中所述步长越大，LMS算法收敛速度越快，但谐波检测精度越低，因此步长(n)取值如下：当n≤20时，μ(n)＝0.3；当n>20时，μ(n)＝0.01。
3.根据权利要求1所述的一种猫群算法优化最小均方根自适应谐波检测方法，其特征在于：
S6包括以下步骤：
步骤1：初始化猫群，设置猫群优化算法的群体大小为N，最大迭代次数为kmax，；分组率MR，随机初始化猫群体位置，并用行向量Cx表示；
步骤2：计算种群中所有猫的适应度值fitness，选取并记录种群中适应度最佳的猫；
步骤3：根据MR将猫群随机分组，MR表示执行跟踪模式下的猫的数量在整个猫群中所占的比例，MR一般为一个较小的值，以确保猫群中的大部分猫处于搜寻模式，少数猫处于跟踪模式；
步骤4：搜寻模式：复制猫个体，将复制好的个体存入记忆池SMP中，复制猫的个体数由其适应度值的大小决定，适应度值越高，被复制的个体数目相对越多，复制个体的公式为：
式中：Ni为第i只猫的复制个体数；Nsum为复制的个体总数；fitnessi为第i只猫的适应度；N为猫的初始化群体总数。执行变异算子，即随机在原来的位置上加一个扰动，达到新的位置来代替原来的位置，更新SMP，计算SMP中所有个体的适应度值；执行选择算子，通过计算SMP中适应度值最小的候选点来代替当前猫的位置，完成算法输出参数的更新；
步骤5：跟踪模式：整个猫群经历过的最好的位置，即为目前搜索到的最优解为Xbest(n)。每个猫的速度为Vi，速度更新公式如下：
Vi(n+1)＝Vi(n)×w+c×rand×[Xbest(n)-Vi(n)]
式中Vi(n+1)表示更新后第i只猫的速度值；c为常量；rand为[01]之间的随机数。惯性权重w更新公式如下：
其中，k为迭代指标；，kmax为最大迭代数；每个猫的位置更新公式如下：
Xi(n+1)＝Xi(n)+Vi(n+1)
式中Xi(n+1)表示位置更新后第i只猫的位置。计算适应度值，用适应度值最小的猫更新最初的猫的位置；
步骤6：记录保留种群中适应度最优的猫；
步骤7：判断是否满足终止条件，若满足则输出最优解，结束程序；否则，重复以上猫群算法流程继续进行寻优迭代处理；
步骤8：将猫群算法寻优得到三个参数幅值A，频率f，相位
代入
中，得到LMS自适应滤波器的最优初始值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911166483.1A CN110954747B (zh) | 2019-11-25 | 2019-11-25 | 一种猫群算法优化最小均方根自适应谐波检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911166483.1A CN110954747B (zh) | 2019-11-25 | 2019-11-25 | 一种猫群算法优化最小均方根自适应谐波检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110954747A true CN110954747A (zh) | 2020-04-03 |
| CN110954747B CN110954747B (zh) | 2021-07-20 |
Family
ID=69978431
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911166483.1A Active CN110954747B (zh) | 2019-11-25 | 2019-11-25 | 一种猫群算法优化最小均方根自适应谐波检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110954747B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103336173A (zh) * | 2013-01-29 | 2013-10-02 | 上海海维工业控制有限公司 | 基于遗传算法自适应谐波检测方法 |
| CN105137174A (zh) * | 2015-07-24 | 2015-12-09 | 南京理工大学 | 应用于apf的变步长lms自适应谐波检测方法 |
| CN105467305A (zh) * | 2016-01-13 | 2016-04-06 | 安徽理工大学 | 一种变工况下Buck-Boost电路故障特征提取方法 |
| CN106849909A (zh) * | 2017-01-04 | 2017-06-13 | 天津大学 | 一种基于两层次优化的fir滤波器设计方法及其装置 |
| CN109188078A (zh) * | 2018-10-17 | 2019-01-11 | 江苏师范大学 | 一种变步长lms自适应谐波电流检测方法 |
| CN109861226A (zh) * | 2019-02-18 | 2019-06-07 | 福州大学 | 一种综合优化谐波稳定性和阻尼损耗的lcl滤波器设计方法 |
-
2019
- 2019-11-25 CN CN201911166483.1A patent/CN110954747B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103336173A (zh) * | 2013-01-29 | 2013-10-02 | 上海海维工业控制有限公司 | 基于遗传算法自适应谐波检测方法 |
| CN105137174A (zh) * | 2015-07-24 | 2015-12-09 | 南京理工大学 | 应用于apf的变步长lms自适应谐波检测方法 |
| CN105467305A (zh) * | 2016-01-13 | 2016-04-06 | 安徽理工大学 | 一种变工况下Buck-Boost电路故障特征提取方法 |
| CN106849909A (zh) * | 2017-01-04 | 2017-06-13 | 天津大学 | 一种基于两层次优化的fir滤波器设计方法及其装置 |
| CN109188078A (zh) * | 2018-10-17 | 2019-01-11 | 江苏师范大学 | 一种变步长lms自适应谐波电流检测方法 |
| CN109861226A (zh) * | 2019-02-18 | 2019-06-07 | 福州大学 | 一种综合优化谐波稳定性和阻尼损耗的lcl滤波器设计方法 |
Non-Patent Citations (3)
| Title |
|---|
| 丁刚等: "基于遗传优化的天线阵元LMS改进算法", 《舰船电子对抗》 * |
| 刘爽: "基于变步长LMS的电力系统谐波检测算法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
| 聂晓华等: "混沌改进猫群算法及其在光伏MPPT中的应用", 《中国电机工程学报》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110954747B (zh) | 2021-07-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106786581B (zh) | 一种有源滤波器优化配置方法 | |
| CN108390393B (zh) | 配电网多目标无功优化方法及终端设备 | |
| CN110555548B (zh) | 基于数据挖掘原始误差校正的ics-elm超短期风电功率预测方法 | |
| CN114512986B (zh) | 一种并网逆变器的无源lcl滤波器参数优化设计方法 | |
| CN108923430A (zh) | 有源电力滤波器神经网络全局快速终端滑模控制方法及计算设备 | |
| Rafiee et al. | A new PSS tuning technique using ICA and PSO methods with the fourier transform | |
| Fang et al. | FIR digital filters design based on quantum-behaved particle swarm optimization | |
| Bekakra et al. | Improved predictive direct power control of shunt active power filter using GWO and ALO–Simulation and experimental study | |
| CN115133802A (zh) | 一种逆变器模型预测控制方法 | |
| CN110954747B (zh) | 一种猫群算法优化最小均方根自适应谐波检测方法 | |
| CN114389282A (zh) | 一种基于仿射的不确定性模态分析方法 | |
| Round et al. | Comparison of frequency and time domain neural network controllers for an active power filter | |
| CN109560551A (zh) | 一种基于回归神经网络的有源电力滤波器分数阶全局滑模控制方法 | |
| Zhou et al. | Model approximation of multiple delay transfer function models using multiple-point step response fitting | |
| CN115764933B (zh) | 一种考虑三相电流不平衡的智能换相方法和系统 | |
| Sharaf et al. | A novel discrete multi-objective Particle Swarm Optimization (MOPSO) of optimal shunt power filter | |
| CN108258692B (zh) | 一种参数自适应调整的谐波补偿方法及装置 | |
| Nowdeh et al. | A novel maximum power point tracking method for photovoltaic application using secant incremental gradient based on Newton Raphson | |
| CN112448392B (zh) | 基于复数值神经网络的区域性电网谐波治理方法及装置 | |
| Dai et al. | An improved dragonfly algorithm with higher exploitation capability to optimize the design of hybrid power active filter | |
| CN104133922B (zh) | 多谐波源相互影响的配电网滤波装置优化配置 | |
| Sabo et al. | A Survey of the AVOA Metaheuristic Algorithm and its Suitability for Power System Optimization and Damping Controller Design | |
| CN114285038B (zh) | 一种基于投票感知器的apf谐振预测方法 | |
| CN114139957B (zh) | 一种基于XGBoost算法的农村台区电压和线损影响的评估方法 | |
| CN112464573B (zh) | 试变异粒子群优化方法、系统、计算机设备、介质及应用 |
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 |