CN112448697A - 一种基于量子粒子群算法的有源滤波器优化方法及系统 - Google Patents
一种基于量子粒子群算法的有源滤波器优化方法及系统 Download PDFInfo
- Publication number
- CN112448697A CN112448697A CN202011188158.8A CN202011188158A CN112448697A CN 112448697 A CN112448697 A CN 112448697A CN 202011188158 A CN202011188158 A CN 202011188158A CN 112448697 A CN112448697 A CN 112448697A
- Authority
- CN
- China
- Prior art keywords
- particle
- active filter
- parameters
- optimization
- particle 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.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/0211—Frequency selective networks using specific transformation algorithms, e.g. WALSH functions, Fermat transforms, Mersenne transforms, polynomial transforms, Hilbert transforms
- H03H17/0213—Frequency domain filters using Fourier transforms
-
- 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
-
- 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
- H02J3/18—Arrangements for adjusting, eliminating or compensating reactive power in networks
- H02J3/1821—Arrangements for adjusting, eliminating or compensating reactive power in networks using shunt compensators
- H02J3/1835—Arrangements for adjusting, eliminating or compensating reactive power in networks using shunt compensators with stepless control
- H02J3/1842—Arrangements for adjusting, eliminating or compensating reactive power in networks using shunt compensators with stepless control wherein at least one reactive element is actively controlled by a bridge converter, e.g. active filters
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- Y02E40/30—Reactive power compensation
-
- 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)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computer Hardware Design (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Mathematical Optimization (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Power Conversion In General (AREA)
Abstract
本发明的一种基于量子粒子群算法的有源滤波器优化方法及系统,方法包括根据应用背景初始化有源滤波器的模型;初始化QPSO参数以及粒子群,在设定位置范围内给粒子群随机赋值;利用量子粒子群算法迭代寻优确定该应用背景下滤波效果最好的有源滤波器参数;获得有源滤波器最优设计参数。本发明使用多种先进技术提升有源滤波器的滤波效果,同时对有源滤波器的参数进行优化配置,在不同的工作背景下获得最优参数,最大程度的滤除电网中存在的谐波分量,使得并网电流接近标准的正弦电流,保障其它电气设备的安全稳定运行。该方法迭代收敛速度快,滤波效果好,适用于实际的工程应用中。
Description
技术领域
本发明涉及电源系统有源滤波器设计技术领域,具体涉及一种基于量子粒子群算法的有源滤波器优化方法及系统。
背景技术
随着电力电子器件的广泛应用,其非线性特征被暴露出来,高频的开关使得电力电子器件在工作时会产生无功分量以及大量的谐波,这将影响到电源侧的标准正弦电流,进一步影响到其他电气设备的安全运行与正常使用,因此如何优化谐波影响下的电能质量成为了需要解决的问题。为了降低谐波污染对电源系统造成的危害,常在谐波源侧放置谐波补偿装置,如无源滤波器或有源滤波器。无源滤波器因为体积庞大、功率损耗大、控制不灵活,在微电网等系统中并不适用。有源滤波器凭借其体积小,响应速度快,可同时补偿无功功率和谐波等优点得到了较多的应用。但是由于有源滤波器整体结构的复杂性,其内部的参数在设计时非常繁琐,同时这些参数对有源滤波器的滤波性能有着至关重要的影响,因此在面对不同的应用背景时,确定有源滤波器的参数显得尤为重要。
传统有源滤波器设计往往只针对某一个环节进行优化,例如交流侧电感电容优化或者控制环节优化,然而有源滤波器控制环节往往和交流侧电感电容存在一定的耦合关系,独立的优化难以满足全局最优。而且在基频、负载等发生改变时需要对有源滤波器的参数进行重新设计调整,需要大量的试验,为此提出一种基于量子粒子群算法的有源滤波器优化方法及系统,能够快速的找到当前应用背景下的最优参数,得到最优化的滤波效果。
发明内容
本发明提出的一种基于量子粒子群算法的有源滤波器优化方法及系统,涉及多种不同电源系统领域中非线性负载产生谐波的抑制技术,具体涉及一种基于量子粒子群算法的有源滤波器参数设计方法,可用于不同频率或者负载情况下的电源系统有源滤波器设计。
为实现上述目的,本发明采用了以下技术方案:
一种基于量子粒子群算法的有源滤波器优化方法,基于并联型有源滤波器,所述滤波器包括谐波检测模块、控制模块、主电路三个部分。谐波检测模块采用基于瞬时无功功率的ip-iq算法;控制采用基于比例积分(PI)和重复控制(RC)并联的电流内环和PI控制的电压外环双环控制策略;主电路是由六个功率开关模块(IGBT)组成的三相全桥逆变器,三相全桥逆变器的直流侧连接电容,交流侧输出通过电感滤波连接到公共连接点(PCC)后与电源侧相连。
具体步骤包括:
步骤1,根据应用背景初始化有源滤波器的模型;
步骤2,初始化QPSO参数:惯性因子、维数、粒子群规模、最大迭代次数、位置范围,初始化粒子群,在设定位置范围内给粒子群随机赋值;
步骤3,利用量子粒子群算法迭代寻优确定该应用背景下滤波效果最好的有源滤波器参数;
步骤4,获得有源滤波器最优设计参数。
进一步优选,步骤1中根据应用背景初始化有源滤波器的模型的具体内容如下:
初始化电源系统的基频f、电压幅值Us、采样频率fc,初始化逆变器的开关频率fs,根据应用背景建立负载模型。由于采用SVPWM进行PWM波的获取,因此三相全桥逆变器直流侧电容参考电压由下式确定:
Udc>3Us (1)
本发明取电容参考电压为4倍的Us,电容的大小由下式确定:
其中,R是负载等效阻值,ΔUdcmax是直流侧电容波动最大值,一般取2V。本发明中采用了并联重复控制的方法提高系统稳态滤波效果,需要确定重复控制的参数,离散后重复控制的开环传递函数Gr(z)如下:
延迟环节z-N中的N=fc/f,z-N+k中的k取3,补偿环节Q(z)采用小于1的常数代替,取0.8。kr是重复控制器增益,取0.7。S(z)选用低通二阶滤波器,截止频率设置为基频f的21倍。
进一步优选,步骤2中初始化QPSO的过程如下:
首先,初始化QPSO所需各项参数,具体包括粒子群规模、最大迭代次数、惯性因子;其次,将每个粒子的维数初始化为5,每一维分别代表一个有源滤波器寻优的参数,分别是电压外环PI控制的比例系数Kp1和积分系数Ki1,电流内环并联PI控制的比例系数Kp2和积分系数Ki2,以及逆变器交流侧滤波电感L,之后确定参数的取值范围,将参数的取值范围定义为所有粒子的移动范围,并在该范围内给每个粒子随机赋值,随后的更新过程可视为粒子在规定范围内不断朝着最优方向移动,粒子不可超过边界向外移动。
进一步优选,步骤3中所述利用量子粒子群算法迭代寻优确定该应用背景下滤波效果最好的有源滤波器关键参数过程如下:
首先将每个粒子携带的参数作为有源滤波器的参数进行仿真,得到滤波后的电源侧电流,利用快速傅里叶变换(FFT)计算该电流的总谐波失真(THD)作为粒子的适应值,计算公式如下:
其中,I表示电流总有效值,包含基波与各次谐波,I1表示基波有效值。在第一轮迭代中将每个粒子的适应值记录为个体最佳适应值,每个粒子的位置记录为个体最佳参数;记录所有粒子中最小的个体最佳适应值为全局最佳适应值,该粒子对应的位置为全局最佳参数。
之后进行下一轮迭代,按照顺序对每个粒子进行位置更新,重新运行有源滤波器仿真,计算获得新的适应值,将新适应值和该粒子的个体最佳适应值比较,把个体最佳适应值更新为最小的,同时对应的更新个体最佳参数。同理判断更新全局最佳适应值为最小的适应值,相对应的更新全局最佳参数。进行多轮迭代直到迭代次数达到最大迭代次数,完成后将获得有源滤波器的最优参数。
另一方面,本发明还公开一种基于量子粒子群算法的有源滤波器优化系统,包括以下单元:
模型初始化单元,用于根据应用背景初始化有源滤波器的模型;初始化粒子群,在设定位置范围内给粒子群随机赋值;
有源滤波器最优参数确定单元,用于利用量子粒子群算法迭代寻优确定该应用背景下滤波效果最好的有源滤波器参数。
由上述技术方案可知,本发明的基于量子粒子群算法的有源滤波器优化方法对有源滤波器的参数进行优化配置,在不同的工作背景下获得最优参数,最大程度的滤除电网中存在的谐波分量,使得并网电流接近标准的正弦电流,保障其它电气设备的安全稳定运行。该方法迭代收敛速度快,并且滤波效果好,适用于实际的工程应用中。
本发明相较于以往的优化方法同时对控制器的参数和输出侧电感参数进行优化,此种方法避免了两者之间存在的耦合关系导致的控制不稳定或者滤波性能较差的情况,最大程度的优化了滤波效果。此外,有源滤波器模型中采用了SVPWM调制,该方法相较于一般的PWM具有较高的电压利用率,而且可以抵消三次谐波。控制策略则采用了比例积分和重复控制并联的方法,利用比例积分控制保证动态性能的同时加入了重复控制保证稳态性能,具有更好地电流跟踪能力。本发明基于QPSO算法对有源滤波器参数进行优化,相较于传统的PSO算法,该算法去除了粒子的速度信息,仅保留位置信息,可以有效的降低计算的复杂性,提高整体的效率。
附图说明
图1是有源滤波器APF的结构图;
图2是本发明APF电流内环控制的结构图;
图3是本发明APF电压外环控制的结构图;
图4是本发明实施例方法的基本流程示意图;
图5是本发明量子粒子群算法迭代寻优的具体算法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
如图1所示,本实施例所述的基于量子粒子群算法(QPSO)的有源滤波器优化方法,包括:
参照图1,本发明中有源滤波器的结构主要分为4个模块,谐波检测模块、控制模块、PWM波形发生模块和主电路模块。首先由基于瞬时无功功率的ip-iq算法对非线性负载产生的谐波电流进行谐波提取,即消除基频后所有谐波叠加的总谐波。之后将总谐波传给基于比例积分(PI)和重复控制(RC)并联的电流内环控制,如图2所示,再由空间矢量脉宽调制SVPWM算法调制生成控制主电路的PWM信号,最后由主电路中的逆变器生成和负载谐波幅值相同相位相反的电流注入电源侧完成谐波抑制。直流侧电容电压稳定由电压外环控制完成,如图3所示。
参照图2,本发明中电流内环控制由PI控制和RC控制并联组成。其中,PI控制的比例系数Kp1和积分系数Ki1需要利用QPSO迭代寻优得到,RC的控制系数将在U401中初始化完成。
参照图3,本发明中电压外环控制由PI控制,其比例系数Kp2和积分系数Ki2也将利用QPSO迭代寻优得到。
本发明基于该有源滤波器模型之下利用QPSO对内部参数进行设计,在获得最佳滤波效果的同时避免内部参数互相耦合带来的调试参数繁杂问题,具体包括电压外环比例积分PI控制的比例系数Kp1和积分系数Ki1,电流内环并联PI控制的比例系数Kp2和积分系数Ki2,以及逆变器交流侧滤波电感L。
如图4所示,本发明实施例提供一种基于QPSO的有源滤波器参数设计方法,具体包含如下步骤:
U401:根据应用背景初始化有源滤波器的模型;
初始化电源系统的基频f、电压幅值Us、采样频率fc,逆变器的开关频率fs,根据应用背景建立负载模型。采用SVPWM进行PWM信号调制,三相全桥逆变器直流侧电容参考电压由下式确定:
Udc>3Us (1)
为了保留一定的余量,同时兼顾开关管的耐压性,取电容参考电压为Us的4倍。电容的大小由下式确定:
其中,R是负载等效阻值,ΔUdcmax是直流侧电容波动最大值,在本实例中取2V。本发明中采用了并联重复控制的方法提高系统稳态滤波效果,需要确定重复控制的参数,离散后重复控制的开环传递函数Gr(z)如下:
延迟环节z-N中的N=fc/f,z-N+k中的k在本实例中取3,补偿环节Q(z)可以保证系统的稳定,采用小于1的常数代替,取0.8。kr是重复控制器增益,综合考虑稳定性和稳态误差的要求取为0.7。S(z)的引入是为了将被控对象在低中频段的增益校正为1,选用低通二阶滤波器,截止频率设置为基频的21倍。
U402:首先,初始化QPSO所需各项参数,具体包括粒子群规模M、最大迭代次数itermax、惯性因子最大值ωmax,惯性因子最小值ωmin;其次,将每个粒子的维数初始化为5,每一维分别代表一个有源滤波器寻优的参数,分别是电压外环PI控制的比例系数Kp1和积分系数Ki1,电流内环并联PI控制的比例系数Kp2和积分系数Ki2,以及逆变器交流侧滤波电感L,之后确定这5个参数的取值范围,并在该范围内给每个粒子随机赋值。随后的更新过程可视为粒子在规定范围内不断朝着最优方向移动,粒子不可超过边界向外移动。
U403:开始迭代寻优,依据U201的确定参数和U202的寻优参数进行有源滤波器的仿真,具体的寻优过程见图3。
U404:得到寻优后最适应该应用背景的有源滤波器各项参数。
如图3所示,为本发明中量子粒子群算法迭代寻优的具体算法流程图,详细步骤如下:
U501:迭代初始化,设置当前迭代次数iter为1,设置粒子标号j为1。
U502:由粒子所携带参数运行有源滤波器模型,获取电源侧电流波形,利用FFT对其进行THD计算,计算公式如下:
其中,I表示电流总有效值,包含基波与各次谐波,I1表示基波有效值。将计算得到的THD记为当前粒子j的适应值。
D501:判断j是否达到粒子群规模,若没有则将j加1,返回步骤U502计算下一个粒子的适应值。若j已经达到粒子群规模,则表示该轮所有粒子的适应值均已计算完毕,进行步骤U503。
U503:经过一轮计算后所有粒子均已完成适应值计算,记录每个粒子的适应值为个体最佳适应值fsbest_j,每个粒子的位置为个体最佳参数sbest_j;记录所有粒子中最小的个体最佳适应值为全局最佳适应值fgbest,该粒子对应的位置为全局最佳参数gbest。
U504:开始迭代,重新将粒子标号j置为1。
U505:计算当前个体最佳平均值mbest,计算公式如下:
mbest是所有粒子当前个体最佳参数的平均值,它和粒子维数一样是5维,即对每一维分别求平均值,mbest将用于后续更新粒子位置信息。
U506:更新第j个粒子的位置,更新的公式如下:
从β的计算公式中可以看出,在迭代前期,代表粒子移动的步长的参数β较大,粒子可以更快的向最佳位置移动;迭代后期β较小,意味着粒子在最佳位置附近减小步长,更精确的向最佳位置靠拢。
使用更新后的粒子参数进行仿真,计算得到新的适应值。
D502:判断当前粒子新的适应值是否比该粒子的个体最佳适应值小,若是则进入U507,若不是则进入D503;
U507:更新该粒子的个体最佳适应值fsbest_j为新得到的适应值,更新该粒子的个体最佳参数sbest_j为新得到的位置参数;
D503:判断当前粒子新的适应值是否比全局最佳适应值小,若是则进入U508,若不是则进入D504;
U508:更新全局最佳适应值fgbest为新得到的适应值,更新全局最佳参数gbest为新得到的位置参数;
D504:判断j是否达到粒子群规模,若没有则将j加1,返回步骤U505,否则表示该轮所有粒子均已更新完毕,进入步骤D505;
D505:判断迭代次数iter是否达到最大迭代次数,若不是则将iter加1,返回步骤U504,否则表示迭代完成,获得最终优化的有源滤波器各项参数。
由上可知,本发明提出了一种基于量子粒子群算法的有源滤波器参数设计方法,由于有源滤波器内部参数设计复杂,逆变器交流侧电感参数和控制参数存在耦合的现象,因此在满足控制参数的条件下难以兼顾电感参数,这使得在不同应用场景下有源滤波器参数的设计变得尤为复杂。本发明建立了有源滤波器的模型,其中谐波检测模块采用了基于瞬时无功功率的ip-iq方法,PWM信号则由SVPWM生成,SVPWM具有较高的电压利用率,而且可以抵消三次谐波。控制模块则使用了PI控制和重复控制并联,兼顾了系统的稳态响应和动态响应。针对此有源滤波器的综合参数性能采用了量子粒子群算法对其进行优化设计,该算法舍弃了粒子的速度信息,计算更加简便,同时通过对惯性因子的渐变设计使得收敛速度更快,寻优效果更好。
另一方面,本发明实施例还公开一种基于量子粒子群算法的有源滤波器优化系统,包括以下单元:
模型初始化单元,用于根据应用背景初始化有源滤波器的模型;初始化粒子群,在设定位置范围内给粒子群随机赋值;
有源滤波器最优参数确定单元,用于利用量子粒子群算法迭代寻优确定该应用背景下滤波效果最好的有源滤波器参数。
可理解的是,本发明实施例提供的系统与本发明实施例提供的方法相对应,相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种基于量子粒子群算法的有源滤波器优化方法,其特征在于:包括以下步骤:
1)根据应用背景初始化有源滤波器的模型;初始化QPSO参数:惯性因子、维数、粒子群规模、最大迭代次数、位置范围;
2)初始化粒子群,在设定位置范围内给粒子群随机赋值;
3)利用量子粒子群算法迭代寻优确定该应用背景下滤波效果最好的有源滤波器参数;
4)获得有源滤波器最优设计参数;
其中,所述步骤1)中根据应用背景初始化有源滤波器的模型,该模型包含基于瞬时无功功率的ip-iq谐波检测模块,基于电压外环的比例积分控制模块,基于电流内环的PI和重复并联控制模块,空间矢量脉宽调制模块,主电路的三相全桥逆变器模块。
2.根据权利要求1所述的基于量子粒子群算法的有源滤波器优化方法,其特征在于:所述步骤1)中初始化包括:
初始化电源系统的基频f、电压幅值Us、采样频率fc,初始化逆变器的开关频率fs,根据应用背景建立负载模型,在SVPWM调制技术下三相全桥逆变器直流侧电容参考电压由下式确定:
Udc>3Us (1)
取电容参考电压为4倍的Us,电容的大小由下式确定:
其中,R是负载等效阻值,ΔUdcmax是直流侧电容波动最大值,取2V,初始化重复控制的参数,重复控制的开环传递函数Gr(z)如下:
延迟环节z-N中的N=fc/f,z-N+k中的k取3,补偿环节Q(z)采用小于1的常数代替,取0.8,kr是重复控制器增益,取0.7,S(z)选用低通二阶滤波器,截止频率设置为基频f的21倍。
3.根据权利要求2所述的基于量子粒子群算法的有源滤波器优化方法,其特征在于:
所述步骤2)中初始化QPSO参数,初始化粒子群,在设定位置范围内给粒子群随机赋值包括:初始化QPSO各项参数,具体包括粒子群规模、最大迭代次数、惯性因子;其次,将每个粒子的维数初始化为5,每一维分别代表一个有源滤波器寻优的参数,分别是电压外环PI控制的比例系数Kp1和积分系数Ki1,电流内环并联PI控制的比例系数Kp2和积分系数Ki2,以及逆变器交流侧滤波电感L,之后确定参数的取值范围,将参数的取值范围定义为所有粒子的移动范围,并在该范围内给每个粒子随机赋值。
4.根据权利要求3所述的基于量子粒子群算法的有源滤波器优化方法,其特征在于:所述步骤3)中所述利用量子粒子群算法迭代寻优确定该应用背景下滤波效果最好的有源滤波器参数过程如下:
首先将每个粒子携带的参数作为有源滤波器的参数进行仿真,得到滤波后的电源侧电流,利用快速傅里叶变换计算该电流的总谐波失真作为粒子的适应值,计算公式如下:
其中,I表示电流总有效值,包含基波与各次谐波,I1表示基波有效值,在第一轮迭代中将每个粒子的适应值记录为个体最佳适应值,每个粒子的位置记录为个体最佳参数;记录所有粒子中最小的个体最佳适应值为全局最佳适应值,该粒子对应的位置为全局最佳参数;
之后进行下一轮迭代,按照顺序对每个粒子进行位置更新,重新运行有源滤波器仿真,计算获得新的适应值,将新适应值和该粒子的个体最佳适应值比较,把个体最佳适应值更新为最小的,同时对应的更新个体最佳参数,
同理判断更新全局最佳适应值为最小的适应值,相对应的更新全局最佳参数,进行多轮迭代直到迭代次数达到最大迭代次数,完成后将获得有源滤波器的最优参数。
5.根据权利要求1所述的基于量子粒子群算法的有源滤波器优化方法,其特征在于:所述3)利用量子粒子群算法迭代寻优确定该应用背景下滤波效果最好的有源滤波器参数,具体步骤如下:
U501:迭代初始化,设置当前迭代次数iter为1,设置粒子标号j为1;
U502:由粒子所携带参数运行有源滤波器模型,获取电源侧电流波形,利用FFT对其进行THD计算,计算公式如下:
其中,I表示电流总有效值,包含基波与各次谐波,I1表示基波有效值,将计算得到的THD记为当前粒子j的适应值;
D501:判断j是否达到粒子群规模,若没有则将j加1,返回步骤U502计算下一个粒子的适应值,若j已经达到粒子群规模,则表示该轮所有粒子的适应值均已计算完毕,进行步骤U503;
U503:经过一轮计算后所有粒子均已完成适应值计算,记录每个粒子的适应值为个体最佳适应值fsbest_j,每个粒子的位置为个体最佳参数sbest_j;记录所有粒子中最小的个体最佳适应值为全局最佳适应值fgbest,该粒子对应的位置为全局最佳参数gbest;
U504:开始迭代,重新将粒子标号j置为1;
U505:计算当前个体最佳平均值mbest,计算公式如下:
mbest是所有粒子当前个体最佳参数的平均值,它和粒子维数一样是5维,即对每一维分别求平均值,mbest将用于后续更新粒子位置信息;
U506:更新第j个粒子的位置,更新的公式如下:
从β的计算公式中可以看出,在迭代前期,代表粒子移动的步长的参数β较大,粒子可以更快的向最佳位置移动;迭代后期β较小,意味着粒子在最佳位置附近减小步长,更精确的向最佳位置靠拢。
6.一种基于量子粒子群算法的有源滤波器优化系统,其特征在于:包括以下单元:
模型初始化单元,用于根据应用背景初始化有源滤波器的模型;初始化粒子群,在设定位置范围内给粒子群随机赋值;
有源滤波器最优参数确定单元,用于利用量子粒子群算法迭代寻优确定该应用背景下滤波效果最好的有源滤波器参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011188158.8A CN112448697A (zh) | 2020-10-30 | 2020-10-30 | 一种基于量子粒子群算法的有源滤波器优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011188158.8A CN112448697A (zh) | 2020-10-30 | 2020-10-30 | 一种基于量子粒子群算法的有源滤波器优化方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112448697A true CN112448697A (zh) | 2021-03-05 |
Family
ID=74735601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011188158.8A Pending CN112448697A (zh) | 2020-10-30 | 2020-10-30 | 一种基于量子粒子群算法的有源滤波器优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112448697A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113067336A (zh) * | 2021-05-18 | 2021-07-02 | 哈尔滨理工大学 | 一种基于模型预测控制的三电平有源滤波器 |
CN113098441A (zh) * | 2021-03-30 | 2021-07-09 | 太原理工大学 | 一种基于粒子滤波算法的电磁波优化模型 |
CN114665843A (zh) * | 2022-03-14 | 2022-06-24 | 成都美数科技有限公司 | 一种线性相位滤波器的构建方法、系统、电子装置及介质 |
CN115455721A (zh) * | 2022-09-23 | 2022-12-09 | 国网安徽省电力有限公司淮北供电公司 | 一种并网三相逆变器控制参数整定方法及系统 |
CN115795234A (zh) * | 2023-02-13 | 2023-03-14 | 杭州爱华仪器有限公司 | 一种正弦信号总失真度测算方法和系统 |
CN116579222A (zh) * | 2023-07-12 | 2023-08-11 | 深圳飞骧科技股份有限公司 | 声表面波滤波器参数的优化方法、系统及相关设备 |
CN118052153A (zh) * | 2024-04-16 | 2024-05-17 | 上海叁零肆零科技有限公司 | 天然气管网数据优化方法、存储介质及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106655213A (zh) * | 2016-12-26 | 2017-05-10 | 太原理工大学 | 一种并联型有源电力滤波器的控制方法 |
CN106712019A (zh) * | 2016-12-20 | 2017-05-24 | 国网冀北电力有限公司秦皇岛供电公司 | 一种有源滤波器优化配置方法 |
CN108233736A (zh) * | 2018-01-16 | 2018-06-29 | 南京航空航天大学 | 航空多电发动机ac/dc变换器多目标优化设计方法 |
CN108258692A (zh) * | 2018-02-05 | 2018-07-06 | 河南森源电气股份有限公司 | 一种参数自适应调整的谐波补偿方法及装置 |
CN110554838A (zh) * | 2019-06-27 | 2019-12-10 | 中南大学 | 一种基于联合优化回声状态网络的热数据预测方法 |
CN110829485A (zh) * | 2019-10-10 | 2020-02-21 | 国网湖南综合能源服务有限公司 | 基于粒子群算法的lcl滤波器参数及控制参数全局优化设计方法、系统及介质 |
-
2020
- 2020-10-30 CN CN202011188158.8A patent/CN112448697A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106712019A (zh) * | 2016-12-20 | 2017-05-24 | 国网冀北电力有限公司秦皇岛供电公司 | 一种有源滤波器优化配置方法 |
CN106655213A (zh) * | 2016-12-26 | 2017-05-10 | 太原理工大学 | 一种并联型有源电力滤波器的控制方法 |
CN108233736A (zh) * | 2018-01-16 | 2018-06-29 | 南京航空航天大学 | 航空多电发动机ac/dc变换器多目标优化设计方法 |
CN108258692A (zh) * | 2018-02-05 | 2018-07-06 | 河南森源电气股份有限公司 | 一种参数自适应调整的谐波补偿方法及装置 |
CN110554838A (zh) * | 2019-06-27 | 2019-12-10 | 中南大学 | 一种基于联合优化回声状态网络的热数据预测方法 |
CN110829485A (zh) * | 2019-10-10 | 2020-02-21 | 国网湖南综合能源服务有限公司 | 基于粒子群算法的lcl滤波器参数及控制参数全局优化设计方法、系统及介质 |
Non-Patent Citations (2)
Title |
---|
石川: "有源电力滤波装置设计与仿真研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
魏阳超等: "有源电力滤波器电流重复控制改进算法的研究", 《电器与能效管理技术》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113098441A (zh) * | 2021-03-30 | 2021-07-09 | 太原理工大学 | 一种基于粒子滤波算法的电磁波优化模型 |
CN113067336A (zh) * | 2021-05-18 | 2021-07-02 | 哈尔滨理工大学 | 一种基于模型预测控制的三电平有源滤波器 |
CN114665843A (zh) * | 2022-03-14 | 2022-06-24 | 成都美数科技有限公司 | 一种线性相位滤波器的构建方法、系统、电子装置及介质 |
CN115455721A (zh) * | 2022-09-23 | 2022-12-09 | 国网安徽省电力有限公司淮北供电公司 | 一种并网三相逆变器控制参数整定方法及系统 |
CN115795234A (zh) * | 2023-02-13 | 2023-03-14 | 杭州爱华仪器有限公司 | 一种正弦信号总失真度测算方法和系统 |
CN116579222A (zh) * | 2023-07-12 | 2023-08-11 | 深圳飞骧科技股份有限公司 | 声表面波滤波器参数的优化方法、系统及相关设备 |
CN116579222B (zh) * | 2023-07-12 | 2024-02-06 | 深圳飞骧科技股份有限公司 | 声表面波滤波器参数的优化方法、系统及相关设备 |
CN118052153A (zh) * | 2024-04-16 | 2024-05-17 | 上海叁零肆零科技有限公司 | 天然气管网数据优化方法、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112448697A (zh) | 一种基于量子粒子群算法的有源滤波器优化方法及系统 | |
CN108616141B (zh) | 微电网中lcl并网逆变器功率非线性的控制方法 | |
Li et al. | Accurate impedance modeling and control strategy for improving the stability of DC system in multiterminal MMC-based DC grid | |
CN111917131A (zh) | 一种基于pi和mpr的光伏lcl并网逆变器谐波抑制方法 | |
CN113285583B (zh) | 非隔离型光伏逆变器漏电流抑制方法及系统 | |
CN108306332B (zh) | 一种lcl型并网逆变系统及电流跟踪控制方法 | |
Ramirez et al. | Fast model-based predictive control (FMPC) for grid connected modular multilevel converters (MMC) | |
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 | |
CN106786639A (zh) | 一种有源电力滤波器改进宽频自适应谐振控制方法 | |
CN112701720A (zh) | 一种交流微网带恒功率负载的混合控制策略 | |
CN110266044B (zh) | 一种基于储能变流器的微电网并网控制系统及方法 | |
CN114142751B (zh) | 一种不平衡电网电压下三相csr比例积分谐振控制方法 | |
CN111355257A (zh) | 一种弱电网下光伏并网逆变器无源准pr控制方法 | |
CN113612398B (zh) | 电网畸变工况下高频链矩阵变换器非线性控制方法及系统 | |
CN109921422A (zh) | 基于单反馈神经网络的有源电力滤波器非奇异终端滑模控制方法 | |
CN115378040A (zh) | 一种基于lcl型光伏逆变器并网系统及qvr控制方法 | |
Li et al. | An improved dual-loop feedforward control method for the enhancing stability of grid-connected PV and energy storage system under weak grids | |
Wang et al. | Parameters optimization design for LCL-type STATCOMs under complex power grid | |
Zhao et al. | Research on the resonance suppression method for parallel grid-connected inverters based on active impedance | |
Wang et al. | Active disturbance rejection control of three-phase LCL power conversion system under non-ideal grid conditions | |
Liu et al. | A Control Parameters Self-Adjusting Method for photovoltaic inverter considering the variation of inductance | |
CN112271750B (zh) | 一种多并联逆变器系统中内部不稳定逆变器的识别方法 | |
Jia et al. | A New Control Strategy Based on Capacitor Current Feedback Source Damping for LCL Three-Phase Public Electric Network Inverter | |
CN113346779B (zh) | 一种模块化多电平变换器并网电流无源控制方法 | |
Lv et al. | A review of research on power system harmonic detection and its suppression methods |
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 |