CN112308194A - 一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法 - Google Patents
一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法 Download PDFInfo
- Publication number
- CN112308194A CN112308194A CN202011016328.4A CN202011016328A CN112308194A CN 112308194 A CN112308194 A CN 112308194A CN 202011016328 A CN202011016328 A CN 202011016328A CN 112308194 A CN112308194 A CN 112308194A
- Authority
- CN
- China
- Prior art keywords
- search
- monte carlo
- migration
- optimization
- layer
- 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
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Control Of Eletrric Generators (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提出一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法,该方法包括基于量子位概率幅的种群编码方法和迁移平行多层蒙特卡罗方法优化方法;同时提出双馈风机转子侧控制器比例积分微分参数的优化框架。首先,基于量子位概率幅的种群编码方法生成蒙特卡罗随机点,可在种群数不变的情况下提高种群的多样性。然后,通过多层多粒度的平行多层蒙特卡罗方法获得多组比例积分微分参数以及体现控制器性能的适应度值。其次,通过迁移学习来学习以往的经验知识,以提高优化计算速度。最后,再通过多层多粒度的平行多层蒙特卡罗优化方法获得控制性能良好的双馈风机转子侧控制器的比例积分微分参数。
Description
技术领域
本发明属于风力发电控制领域,涉及一种控制器参数优化方法,适用于双馈风机转子侧控制器的参数优化。
背景技术
近年来双馈风机应用于风力发电领域已经成为了研究热点,具有很大的发展前景和商业价值。矢量方法结合比例积分微分控制的方法因其结构易于实现且输出功率之间解耦控制的特点,被广泛应用于基于双馈风机的风力发电工业中。双馈风机系统是一个高阶、非线性、强耦合、有时延的系统。因此,想要利用传统的工程整定法和经典自整定法来优化其转子侧控制器的参数并获得满意的控制性能已然非常困难。智能优化方法的应用可以用来优化转子侧控制器的比例积分微分参数,例如遗传优化方法、粒子群优化方法、鲸鱼优化方法、群灰狼优化方法、飞蛾扑火优化方法等。因此,一种智能的优化方法用来寻找双馈风机的转子侧控制器的最优参数就显得尤为重要。近年来,量子力学中的某些概念被引用到优化方法中,如量子位、量子态和量子叠加态。应用量子机制后的优化方法提高了种群的多样性和全局收敛性。本发明引入基于量子位概率幅值的编码方法指在提高种群的多样性。目前的智能优化方法都是从给定的初始信息开始,通过种群的初始化后不断的迭代搜索,然后找到问题的最优解。为了充分利用相似历史数据的特征,本发明引入迁移学习,旨在加快优化过程且尽可能少地破坏优化结果的优良性。本发明引入平行多层蒙特卡罗方法,旨在利用多层多粒度的蒙特卡罗方法缩短优化时间、避免通常蒙特卡罗优化方法所涉及的“维数灾害”难题。
发明内容
本发明提出一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法。该方法包括基于量子位概率幅的编码方法和迁移平行多层蒙特卡罗优化方法。将迁移量子平行多层蒙特卡罗优化方法和基于量子位概率幅的编码方式同时作用于双馈风机转子侧比例积分微分参数调优。
本发明提出一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法。该方法被用于双馈风机转子侧控制器的比例积分微分参数优化中。为了优化比例积分微分参数提高控制器的控制性能,需要找到了一个体现其控制器控制性能的函数。
式中,Qs和Qsref分别为检测到的无功功率和无功功率的给定值;ωr和ωrref分别为转子转速的测量值和某风速下转子转速的给定值。其限制条件为:
式中,需有优化的4组比例积分微分控制器参数,分别为kPii、kIii、kDii。其外环参数取值范围分别为:kPii∈[0,1100],kIii∈[0,5],kDii∈[0,1];内环参数取值范围分别为kPii∈[0,500],kIii∈[0,50],kDii∈[0,1]。T是运行时间;随机风风速的取值范围7m/s<v1<12m/s;电网电压us在0.3p.u.~1.0p.u.之间;无功功率Qs在-1.0p.u.~1.0p.u.之间。
为了让所优化的比例积分微分参数适用于实际风况,取适应度函数为式(1)在风速突变、风速随时间逐渐变化和电网电压突然降落三种情况下的平均值。
式中,case=1表示的是风速发生突变的风况,case=2表示的式风速随时间逐渐变换的风况,case=3指的是电网电压突然降落的情况。
当双馈风机转子侧控制器的4组耦合的比例积分微分参数使得式(3)中的适应度函数尽可能的小,即可使得系统动态性能得到明显改善。
本发明提出了一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法,其中量子的定义为量子位概率幅。量子位来源于量子计算机中的最小单位,其另一表现形式为量子位概率幅。本发明通过利用量子位概率幅来生成种群,即蒙特卡罗随机点,其作用是令种群的个体数不变,但种群所能探索的空间翻倍。
量子位的状态一般可以表示为
|ψ>=α|0>+β|1> (4)
式中,α和β都称之为量子位概率幅。α和β满足一个归一化条件α2+β2=1。假设θ表示的是相位,令α=cosθ和β=sinθ。量子位可以表示为[cosθ sinθ]T,其也可以称为量子位的概率幅。
量子位概率幅值直接应用于种群中个体的初始化。该种群中个体的编码方案表示为
式中,θjk=2π·r,r指的是0到1之间的随机数。其中j=1,2,…,m,m指的是种群规模的大小。其中k=1,2,…n,n指的是空间中的维数。
种群中某个个体所对应的两个位置对应于量子态|0>和|1>的概率幅
式中,qj0表示状态概率幅值为|0>的位置,qj1表示状态概率幅值为|1〉的位置。
解空间从单位空间转化到原问题解空间的式子如下:
本发明提出了一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法,其中迁移平行多层蒙特卡罗优化方法包括粗略搜索层、迁移搜索层和精确搜索层。迁移平行多层蒙特卡罗优化方法中的搜索层数为M,粗略搜索层数为M1=k1·M,迁移学习搜索层为M2=k2·M,精确搜索层为M3=k3·M,其中k1+k2+k3=1。迁移平行多层蒙特卡罗优化方法中的全局搜索能力参数为u、y1和y2,局部搜索能力参数为o。其中M∈[50,200],u∈[2,5],y1∈[2,5],y2∈[1,3],o∈[0,5]。适当的参数设置可以缓解程序运行时间与双馈风机转子侧控制器比例积分微分参数的优化效率之间的矛盾。
本发明提出了一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法,其迁移学习主要是用于迁移搜索层,旨在缩短双馈风机比例积分微分参数的优化时间。迁移学习旨在运用已有的历史知识对不同的且有一定相似性的领域问题或任务进行求解,是一种利用历史经验和特征的机器学习方法。迁移平行多层蒙特卡罗方法的粗略搜索阶段,其搜索层数分为M1层,每层又分为多个小区域。每个区域之间和每层之间的领域具有相似性,应用迁移学习的方法可以训练出迁移搜索阶段的优化模型,即粗略搜索模型库。
迁移学习通常被分为两层概念,即源领域和目标域,迁移学习旨在利用有标签的源领域Ds的样本、特征来学习无标签目标区域Dt的知识。
给定有标签的源领域
给定无标签的目标领域
本发明提出了一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法,其粗略搜索层共分为M1层。粗略搜索层的搜索步骤如下:
步骤1:在粗略搜索层的第一层中,在双馈风机转子侧控制器比例积分微分参数所定义的空间内取m个蒙特卡罗随机点,将其带入适应度函数式(3)中计算,得到对适应度值fj进行从小到大得排序,取前u个适应度函数值以及获得这u个适应度函数值的点,即在这u个点中,除了取得适应度函数值为最小的点外在其它的点的周围分别取一个小区域。
步骤2:在这u个点中,在取得适应度函数值为次最小的点的小区域内,取m个蒙特卡罗随机点,将其带入适应度函数式(3)中计算,得到对适应度值f'j进行从小到大得排序,取前y1个适应度函数值以及获得这y1个适应度函数值的点,即
步骤3:在这u个点中,在除了取得适应度函数值为最小和次最小的点外的其它小区域内,分别取m个蒙特卡罗随机点,将其带入适应度函数式(3)中计算,得到对每个区域的适应度值f”ij分别进行从小到大得排序,分别取前y2个适应度函数值以及获得y2这个适应度函数值的点,即
步骤4:在这y1+(u-2)·y2个点的周围分别取一个小区域,然后在这些小区域中分别取m个蒙特卡罗随机点,将其带入适应度函数式(3)中计算,得到分别取这y1+(u-2)·y2个区域内的最小适应度值及其获得该适应度值的点
步骤5:当步骤4的执行次数小于o次时,继续执行步骤4。否者直接比较f”'kk的大小,然后保留最小的适应度值及其获得该最小适应度值的点。获得该最小适应度值的点即为粗略搜索层第一层优化到的比例积分微分参数。
步骤6:在步骤1中的u个适应度值中,取其最小的适应度值及其获得该适应度值的点。在这个点的周围重新定义一个小区域,这个小区域和步骤1中以利用比例积分微分参数所形成的空间相似。是通过缩小比例积分微分参数的上下限,形成一个新的小空间,这个小空间即为重新定义的小区域。重新定义小区域后,跳转至步骤1,执行步骤1~5,即可得到第二层优化到的比例积分微分参数。依次类推即可得到粗略搜索层的M1个比例积分微分参数。
本发明提出了一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法。在进行迁移搜索层的搜索之前,需要进行粗略搜索模型库的迁移学习。粗略搜索模型库的生成是通过粗略搜索层中一个步骤接着一个步骤的样本和一层接着一层的样本与学习系统相结合完成的。
本发明提出了一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法。在迁移搜索层阶段,其优化步骤同粗略搜索层有着相同的优化过程。其区别在于在取到基于量子位概率幅的蒙特卡罗随机点后,直接带入粗略搜索模型库,即可输出迁移搜索层的优化结果。这个迁移搜索层可以削减掉数值模拟的时间,且按照粗略搜索层的搜索规律快速的给出迁移搜索层的优化结果。
本发明提出了一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法。在精确搜索层阶段,其优化步骤如同粗略搜索层一致,不再使用粗略搜索模型库,重在局部搜索。通过迁移搜索层,可以获得使适应度函数尽可能小比例积分微分参数值。在迁移搜索层所获得的比例积分微分参数值的周围重新定义一个小区域,且再增加局部搜索参数o的大小,然后跳转至粗略搜索层的步骤1进行循环搜索,最后即可获得经精确搜索层优化后的比例积分微分参数,即可在精确搜索层阶段优化到使适应度函数尽可能最小的点。
附图说明
图1是本发明方法的双馈风机转子侧控制器比例积分微分参数优化框架图。
图2是本发明方法的一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法的结构图。
图3是本发明方法的一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法的流程图。
具体实施方式
本发明提出的一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法,结合附图详细说明如下:
图1是本发明方法的双馈风机转子侧控制器比例积分微分参数优化框架图。双馈感应发电机转子侧控制器的设计是基于定子磁链定向下的矢量控制结合传统比例积分微分控制来实现的。比例积分微分控制器具有运行可靠、结构简单、易于调整、易于与一般电子电路和电机设备实现的特点,是工程实践中的主要控制方法。
对基于双馈风机的风力发电系统中采用定子磁场定向的矢量控制策略的目的是为了实现定子电流励磁量(无功功率分量)和定子电流转矩分量(有功功率分量)之间的解耦控制,便于实现转速调节器和磁链调节器的设计,实现大范围的连续调节控制。转速调节器和磁链调节器,通常都是用比例积分微分控制器来实现的。矢量控制策略是通过坐标变换,将静止坐标系下的交流量转换为同步旋转坐标系下的直流量,然后对同步旋转坐标系下的直流量进行闭环控制,在得到相应的直流量控制指标后,再通过坐标变换将同步旋转坐标系下的直流量控制指标逆变换为静止坐标系下的交流量控制指标,然后实现对转子侧控制器的控制,然后实现励磁电流的调节。
为了使得系统动态过程的性能得到改善和提高,需要对双馈风机转子侧4个控制器的比例积分微分参数进行优化。本发明采用量子迁移平行多层蒙特卡罗双馈风机参数优化方法对这四个有着相互影响的转子侧控制器参数进行优化。
图2是本发明方法的一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法的结构图。量子迁移平行多层蒙特卡罗优化方法的结构图中主要包含四个部分:粗略搜索层、粗略搜索模型库阶段、迁移搜索层和精确搜索层。
在粗略搜索层部分,其层数分为M1层,全局能力搜索参数分别为u=3、y1=2和y2=1,局部搜索能力参数为o=0。在定义域区域A内随机取m个基于量子得蒙特卡罗随机点,将其带入适应度函数计算,可以得到将m个适应度值从小到大进行排序,保存前u个值和获得该值的点,即在这u个点的周围分别取一个小区域,即B、C和D。在定义域区域C内随机取m个基于量子得蒙特卡罗随机点,将其带入适应度函数计算,可以得到将m个适应度值从小到大进行排序,保存前y1个值和获得该值的点,即在这y1个点的周围分别取一个小区域,即E和F。在定义域区域D内随机取m个基于量子得蒙特卡罗随机点,将其带入适应度函数计算,可以得到将m个适应度值从小到大进行排序,保存前y2个值和获得该值的点,即在这y2个点的周围取一个小区域,即G。在E、F和G区域分别取m个点带入适应度函数计算,排序后保存最小的适应度值和过得该值的点,这个点即为粗略搜索层第一层所优化得到的点。如同第一层一样将B区域看作第一层得A区域,进行如同第一层一样的优化过程即可得到粗略搜索层第二层所优化得到的点。以此类推即可得到粗略搜索层所优化到M1个优化点。
在粗略搜索模型库生成阶段,其样本取自粗略搜索层。首先,迁移学习的源领域为区域A,其样本为将其带入学习系统学习;其目标领域为C区域,其样本为其样本和A区域中的样本具有一定的相似性,利用源区域A的学习系统迁移到目标领域C的学习系统来进行迁移学习。将区域A和区域C训练出来的学习系统当作源领域,区域D作为目标领域,利用源区域的学习系统迁移到目标领域D的学习系统来进行迁移学习。以此类推就可以得到粗略搜索层的学习系统,即粗略搜索模型库。利用粗略搜索模型库,可以进行快速的迁移搜索层搜索。
在迁移搜索层阶段,其优化步骤同粗略搜索层有着相同的优化过程。其区别在于在取到基于量子的蒙特卡罗随机点后,直接带入粗略搜索模型库,即可输出迁移搜索层的优化结果。这个迁移搜索层可以削减掉数值模拟的时间,按照粗略搜索层的搜索规律快速的给出迁移搜索层的优化结果。
在精确搜索层阶段,其优化步骤如同粗略搜索层一致。不再使用粗略搜索模型库,重在局部搜索。通过迁移搜索层,可以获得使适应度函数尽可能最优的点所处的区域。增加局部搜索参数o,即可在精确搜索层阶段优化到使适应度函数尽可能最优的点。
图3是本发明方法的一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法的流程图。流程图给出了整个双馈风机转子侧控制器比例积分微分参数优化的流程。首先,初始化所有的参数,双馈风机系统的参数,量子迁移平行多层蒙特卡罗优化方法的参数,比例积分微分参数的上下限。然后,经过粗略搜索层、模型库的生成、迁移搜索层和精确搜索层,即可以得到优化后的双馈风机转子侧控制器的比例积分微分参数。
Claims (4)
1.一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法,其特征在于,该方法提出编码方法和优化方法,即基于量子位概率幅的种群编码方法和迁移平行多层蒙特卡罗优化方法,同时提出双馈风机转子侧控制器比例积分微分参数的优化框架;协同的基于量子位概率幅的种群编码-迁移平行多层蒙特卡罗优化方法作用于双馈风机转子侧控制器比例积分微分参数优化;所提优化框架的优化目标是优化双馈风机转子侧比例积分微分参数使得其体现控制器控制性能的适应度函数最小;所提优化框架的优化目标是通过优化双馈风机转子侧控制器比例积分微分参数来提高控制器的控制性能;该方法在使用过程中的主要步骤为:
(1)提出双馈风机转子侧控制器比例积分微分参数优化框架,同时提出一个体现控制器控制性能的适应度函数
式中,Qs和Qsref分别为输出端检测到的无功功率和某风速下无功功率的给定值;ωr和ωrref分别为转子转速的测量值和某风速下转子转速的给定值;case=1表示的是风速发生突变的风况;case=2表示的式风速随时间逐渐变换的风况;case=3指的是电网电压突然降落的情况;其限制条件为
其中,4组比例积分微分参数需要被优化,分别为kPii、kIii和kDii;T是运行时间;us为电网电压;Qs为无功功率;v1为飞速;
(2)将本发明提出的量子位概率幅的种群编码方法用于生成蒙特卡罗随机点,然后计算适应度函数值;量子位的状态表示为|ψ>=α|0>+β|1>,其中α和β都称之为量子位概率幅,且α和β满足一个归一化条件α2+β2=1;量子位概率幅的向量表达形式为[cosθ sinθ]T;基于量子位概率幅生成的蒙特卡罗随机点的编码方案为
式中,ak和bk分别为变量xk的下限和上限;θjk=2π·r,r指的是0到1之间的蒙特卡罗随机数;其中j=1,2,…,m,m指的是种群规模的大小;其中k=1,2,…n,n指的是空间中的维数;种群中个体的第k个量子位为[cosθjk sinθjk]T;其中和也称为基于量子位概率幅生成的蒙特卡罗随机点,还可以称为随机取得的两组比例积分微分参数;
(3)进一步执行本发明提的迁移平行多层蒙特卡罗优化方法,其中分别包括粗略搜索层的执行、粗略搜索模型库的生成、迁移搜索层的执行和精确搜索层的执行;其中粗略搜索模型库的生成是利用粗略搜索层的样本通过迁移学习来生成的;迁移学习旨在利用有标签的源领域的样本、特征来学习无标签目标区域的知识;迁移平行多层蒙特卡罗优化方法中的搜索层数为M,粗略搜索层数为M1=k1·M,迁移学习搜索层为M2=k2·M,精确搜索层为M3=k3·M,其中k1+k2+k3=1;迁移平行多层蒙特卡罗优化方法中的全局搜索能力参数为u、y1和y2,局部搜索能力参数为o;
(4)将协同的基于量子位概率幅的种群编码方法-迁移平行多层蒙特卡罗优化方法作用于双馈风机转子侧控制器比例积分微分参数优化框架中。
2.如权利要求1所述的一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法,其特征在于,所述步骤(2)中提出的基于量子位概率幅的种群编码方法用于生成蒙特卡罗随机点;基于量子位概率幅的种群编码方法可在种群数量不变的情况下使得搜索空间翻倍、提高全局搜索能力。
3.如权利要求1所述的一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法,其特征在于,所述步骤(3)中提出的迁移平行多层蒙特卡罗优化方法;迁移平行多层蒙特卡罗优化方法包括粗略搜索层、粗略搜索模型库的生成阶段、迁移搜索层和精确搜索层;其粗略搜索层共分为M1层;粗略搜索层的搜索步骤如下:
步骤1:在粗略搜索层的第一层中,在双馈风机转子侧控制器比例积分微分参数所定义的空间内取m个蒙特卡罗随机点,将其带入适应度函数中计算,得到对适应度值fj进行从小到大得排序,取前u个适应度函数值以及获得这u个适应度函数值的点,即在这u个点中,除了取得适应度函数值为最小的点外在其它的点的周围分别取一个小区域;
步骤2:在这u个点中,在取得适应度函数值为次最小的点的小区域内,取m个蒙特卡罗随机点,将其带入适应度函数中计算,得到对适应度值f'j进行从小到大得排序,取前y1个适应度函数值以及获得这y1个适应度函数值的点,即
步骤3:在这u个点中,在除了取得适应度函数值为最小和次最小的点外的其它小区域内,分别取m个蒙特卡罗随机点,将其带入适应度函数中计算,得到对每个区域的适应度值f”ij分别进行从小到大得排序,分别取前y2个适应度函数值以及获得y2这个适应度函数值的点,即
步骤4:在这y1+(u-2)·y2个点的周围分别取一个小区域,然后在这些小区域中分别取m个蒙特卡罗随机点,将其带入适应度函数中计算,得到分别取这y1+(u-2)·y2个区域内的最小适应度值及其获得该适应度值的点
步骤5:当步骤4的执行次数小于o次时,继续执行步骤4;否者直接比较f”'kk的大小,然后保留最小的适应度值及其获得该最小适应度值的点;获得该最小适应度值的点即为粗略搜索层第一层优化到的比例积分微分参数;
步骤6:在步骤1中的u个适应度值中,取其最小的适应度值及其获得该适应度值的点;在这个点的周围重新定义一个小区域,这个小区域和步骤1中以利用比例积分微分参数所形成的空间相似;是通过缩小比例积分微分参数的上下限,形成一个新的小空间,这个小空间即为重新定义的小区域;重新定义小区域后,跳转至步骤1,执行步骤1~5,即可得到第二层优化到的比例积分微分参数;依次类推即可得到粗略搜索层的M1个比例积分微分参数;
在进行迁移搜索层的搜索之前,需要进行粗略搜索模型库的迁移学习;粗略搜索模型库的生成是通过粗略搜索层中一个步骤接着一个步骤的样本和一层接着一层的样本与学习系统相结合完成的;在迁移搜索层阶段,其优化步骤同粗略搜索层有着相同的优化过程;其区别在于在取到基于量子位概率幅的蒙特卡罗随机点后,直接带入粗略搜索模型库,即可输出迁移搜索层的优化结果;这个迁移搜索层可以削减掉数值模拟的时间,且按照粗略搜索层的搜索规律快速的给出迁移搜索层的优化结果;在精确搜索层阶段,其优化步骤如同粗略搜索层一致,不再使用粗略搜索模型库,重在局部搜索;通过迁移搜索层,可以获得使适应度函数尽可能小比例积分微分参数值;在迁移搜索层所获得的比例积分微分参数值的周围重新定义一个小区域,且再增加局部搜索参数o的大小,然后跳转至粗略搜索层的步骤1进行循环搜索,最后即可获得经精确搜索层优化后的比例积分微分参数,即可在精确搜索层阶段优化到使适应度函数尽可能最小的点;迁移平行多层蒙特卡罗优化方法的目标是大大的减少优化时间且获得工业实用的双馈风机转子侧控制器比例积分微分参数。
4.如权利要求1所述的一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法,其特征在于,所述步骤(4)中协同的基于量子位概率幅的种群编码方法-迁移平行多层蒙特卡罗优化方法作用于双馈风机转子侧控制器比例积分微分参数优化框架中;优化框架借助量子位概率幅的种群编码方式提高种群的多样性,在粗略搜索层给迁移学习提供足够历史样本点;迁移学习作用于粗略搜索中的历史样本点生成粗略搜索模型库;迁移搜索层可极快地缩短优化时间且获得控制性能良好的比例积分微分参数;精确搜索层在迁移学习搜索层所获得的比例积分微分参数的周围进行精确搜索,最后优化得到工业实用的双馈风机转子侧比例积分微分参数;优化后的比例积分微分参数可提高控制器的控制性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011016328.4A CN112308194B (zh) | 2020-09-24 | 2020-09-24 | 一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011016328.4A CN112308194B (zh) | 2020-09-24 | 2020-09-24 | 一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112308194A true CN112308194A (zh) | 2021-02-02 |
CN112308194B CN112308194B (zh) | 2022-06-21 |
Family
ID=74488031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011016328.4A Active CN112308194B (zh) | 2020-09-24 | 2020-09-24 | 一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112308194B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113014170A (zh) * | 2021-04-21 | 2021-06-22 | 昆明理工大学 | 一种基于鲸鱼优化算法的永磁同步电机最小损耗控制方法 |
CN114372584A (zh) * | 2022-03-22 | 2022-04-19 | 合肥本源量子计算科技有限责任公司 | 基于机器学习框架的迁移学习方法及相关装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101540611A (zh) * | 2009-04-29 | 2009-09-23 | 天津理工大学 | 用于记录光电编码盘转动匝数的编码序列的快速确定方法 |
US20100094611A1 (en) * | 2008-10-14 | 2010-04-15 | Nec Laboratories America, Inc. | System and method for feedback-guided test generation for cyber-physical systems using monte-carlo |
CN104992020A (zh) * | 2015-07-09 | 2015-10-21 | 哈尔滨工业大学 | 一种n型Si材料中电子输运问题的Monte Carlo模拟方法 |
CN106022581A (zh) * | 2016-05-12 | 2016-10-12 | 西安交通大学 | 基于几何优化-最小方差化方法的重要抽样蒙特卡洛电力系统可靠性评估方法 |
CN107317338A (zh) * | 2017-08-30 | 2017-11-03 | 广东工业大学 | 一种电力系统的最优潮流计算方法及装置 |
CN108199383A (zh) * | 2018-02-06 | 2018-06-22 | 北京天润新能投资有限公司 | 一种自动电压控制系统与动态无功补偿系统的联调控制方法及系统 |
CN109597043A (zh) * | 2018-11-16 | 2019-04-09 | 江苏科技大学 | 基于量子粒子群卷积神经网络的雷达信号识别方法 |
CN109716360A (zh) * | 2016-06-08 | 2019-05-03 | D-波系统公司 | 用于量子计算的系统和方法 |
CN110580394A (zh) * | 2019-09-11 | 2019-12-17 | 广西大学 | 一种平行多层蒙特卡罗双馈异步风机参数优化方法 |
US20200042882A1 (en) * | 2018-08-01 | 2020-02-06 | International Business Machines Corporation | Monte carlo markov chain based quantum program optimization |
CN110808610A (zh) * | 2019-11-11 | 2020-02-18 | 广西大学 | 一类基于比例积分微分控制思想的双馈风机优化方法 |
-
2020
- 2020-09-24 CN CN202011016328.4A patent/CN112308194B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100094611A1 (en) * | 2008-10-14 | 2010-04-15 | Nec Laboratories America, Inc. | System and method for feedback-guided test generation for cyber-physical systems using monte-carlo |
CN101540611A (zh) * | 2009-04-29 | 2009-09-23 | 天津理工大学 | 用于记录光电编码盘转动匝数的编码序列的快速确定方法 |
CN104992020A (zh) * | 2015-07-09 | 2015-10-21 | 哈尔滨工业大学 | 一种n型Si材料中电子输运问题的Monte Carlo模拟方法 |
CN106022581A (zh) * | 2016-05-12 | 2016-10-12 | 西安交通大学 | 基于几何优化-最小方差化方法的重要抽样蒙特卡洛电力系统可靠性评估方法 |
CN109716360A (zh) * | 2016-06-08 | 2019-05-03 | D-波系统公司 | 用于量子计算的系统和方法 |
CN107317338A (zh) * | 2017-08-30 | 2017-11-03 | 广东工业大学 | 一种电力系统的最优潮流计算方法及装置 |
CN108199383A (zh) * | 2018-02-06 | 2018-06-22 | 北京天润新能投资有限公司 | 一种自动电压控制系统与动态无功补偿系统的联调控制方法及系统 |
US20200042882A1 (en) * | 2018-08-01 | 2020-02-06 | International Business Machines Corporation | Monte carlo markov chain based quantum program optimization |
CN109597043A (zh) * | 2018-11-16 | 2019-04-09 | 江苏科技大学 | 基于量子粒子群卷积神经网络的雷达信号识别方法 |
CN110580394A (zh) * | 2019-09-11 | 2019-12-17 | 广西大学 | 一种平行多层蒙特卡罗双馈异步风机参数优化方法 |
CN110808610A (zh) * | 2019-11-11 | 2020-02-18 | 广西大学 | 一类基于比例积分微分控制思想的双馈风机优化方法 |
Non-Patent Citations (6)
Title |
---|
ADITYA ANUPAM 等: "Particle in a Box: An Experiential Environment for Learning Introductory Quantum Mechanics", 《IEEE TRANSACTIONS ON EDUCATION》 * |
XI LIN 等: "Optimization of quantum Monte Carlo wave functions using analytical energy derivatives", 《JOURNAL OF CHEMICAL PHYSICS》 * |
唐云辉 等: "基于量子粒子群算法的含风电场配电网无功优化", 《电测与仪表》 * |
徐书伟 等: "氮化铝分子及氯化锂分子结合能的量子蒙特卡罗研究", 《四川大学学报(自然科学版)》 * |
郑宝敏 等: "基于DSP和嵌入式Android系统的智能接地线检测装置的研制", 《广东电力》 * |
韩昆仑 等: "考虑直流控制的换流器交流侧故障及其保护动作行为分析", 《高电压技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113014170A (zh) * | 2021-04-21 | 2021-06-22 | 昆明理工大学 | 一种基于鲸鱼优化算法的永磁同步电机最小损耗控制方法 |
CN114372584A (zh) * | 2022-03-22 | 2022-04-19 | 合肥本源量子计算科技有限责任公司 | 基于机器学习框架的迁移学习方法及相关装置 |
CN114372584B (zh) * | 2022-03-22 | 2022-06-21 | 合肥本源量子计算科技有限责任公司 | 基于机器学习框架的迁移学习方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112308194B (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mishra et al. | Design and analysis of 2dof-PID controller for frequency regulation of multi-microgrid using hybrid dragonfly and pattern search algorithm | |
CN112308194B (zh) | 一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法 | |
Erol | Stability analysis of pitch angle control of large wind turbines with fractional order PID controller | |
Tarique et al. | Particle swarm optimization (PSO) based turbine control | |
Sami et al. | Convergence enhancement of super-twisting sliding mode control using artificial neural network for DFIG-based wind energy conversion systems | |
Nasef et al. | Optimal tuning of a new multi-input multi-output fuzzy controller for doubly fed induction generator-based wind energy conversion system | |
Al-Shabi et al. | Improved asymmetric time-varying coefficients of particle swarm optimization | |
Ouada et al. | Neuro-fuzzy sliding mode controller based on a brushless doubly fed induction generator | |
Ahmed et al. | Designing Optimal PI λ D μ Controller for LFC of Two-Area Power Systems Using African Vulture's Optimization Algorithm | |
Cheng et al. | Modeling and optimization control for aircraft AC generator brushless excitation system based on improved adaptive PSO | |
Choug et al. | Hybrid fuzzy reference signal tracking control of a doubly fed induction generator | |
Samir et al. | Tilt integral derivative controller optimized by battle royale optimization for wind generator connected to grid | |
Yi et al. | PID self-tuning method based on deep belief network and improved firefly algorithm | |
Aoun et al. | Advanced power control of a variable speed wind turbine based on a doubly fed induction generator using field-oriented control with fuzzy and neural controllers | |
Driss et al. | Adaptive control for variable-speed wind generation systems using advanced rbf neural network | |
Muñoz-Palomeque et al. | MPPT Control in an Offshore Wind Turbine Optimized with Genetic Algorithms and Unsupervised Neural Networks | |
Chayaopas et al. | H∞ fuzzy integral power control for DFIG wind energy system | |
Yang et al. | An Optimal Wind Turbine Control Based on Improved Chaotic Sparrow Search Algorithm with Normal Cloud Model | |
Shen et al. | Power control of wind energy conversion system under multiple operating regimes with deep residual recurrent neural network: theory and experiment | |
Wei et al. | Sensorless current model control for permanent magnet synchronous motor based on IPID with two‐dimensional cloud model online optimisation | |
Saleh et al. | Comparison of an adaptive stabilizer and a fuzzy logic stabilizer for superconducting generator governor control | |
Aidong et al. | Power grid safety assessment based on an improved generative adversarial network | |
CN113872476B (zh) | 一种双馈感应电机的pi参数优化方法及装置 | |
Benkada et al. | Optimal Power Control Strategy of a PMSG Using TS Fuzzy Modeling | |
Nguyen et al. | A Load Power Distribution Optimization based on Improving Biogeography-Based Optimization |
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 |