CN113364316A - 一种基于鲸鱼优化算法的单相并网逆变器控制参数整定方法 - Google Patents

一种基于鲸鱼优化算法的单相并网逆变器控制参数整定方法 Download PDF

Info

Publication number
CN113364316A
CN113364316A CN202110501452.8A CN202110501452A CN113364316A CN 113364316 A CN113364316 A CN 113364316A CN 202110501452 A CN202110501452 A CN 202110501452A CN 113364316 A CN113364316 A CN 113364316A
Authority
CN
China
Prior art keywords
whale
formula
grid
connected inverter
whales
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
Application number
CN202110501452.8A
Other languages
English (en)
Other versions
CN113364316B (zh
Inventor
聂晓华
冯良瑞
孙运
姚忠元
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanchang University
Original Assignee
Nanchang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanchang University filed Critical Nanchang University
Priority to CN202110501452.8A priority Critical patent/CN113364316B/zh
Publication of CN113364316A publication Critical patent/CN113364316A/zh
Application granted granted Critical
Publication of CN113364316B publication Critical patent/CN113364316B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
    • H02M7/00—Conversion of ac power input into dc power output; Conversion of dc power input into ac power output
    • H02M7/42—Conversion of dc power input into ac power output without possibility of reversal
    • H02M7/44—Conversion of dc power input into ac power output without possibility of reversal by static converters
    • H02M7/48—Conversion of dc power input into ac power output without possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Control Of Ac Motors In General (AREA)
  • Inverter Devices (AREA)

Abstract

本发明公开了一种基于鲸鱼优化算法的单相并网逆变器控制参数整定方法，涉及电力电子领域，引进鲸鱼优化算法(WOA)对单相并网逆变器进行控制。本发明利用WOA算法需要调节的参数少、鲁棒性强、求解精度高，收敛速度快等优点，应用于并网逆变器的PI控制参数整定中。将该算法整定出的参数带入PID控制器中，既能保证并网电流波形幅值能快速跟踪到给定值，同时也能保证并网电压谐波含量也很小。验证了WOA算法整定单相并网逆变器控制参数的可行性。因此引进鲸鱼优化算法对单相并网逆变器PID参数的整定具有重大意义。

Description

一种基于鲸鱼优化算法的单相并网逆变器控制参数整定方法
技术领域
本发明涉及电力电子领域，具体涉及一种基于鲸鱼优化算法的单相并网逆变器控制参数整定方法。
背景技术
随着新能源发电的兴起与发展，其中起电能转换作用的逆变器性能也引起广泛学者关注。其中并网逆变器作为新能源发电与电网之间的接口，其对新能源送出的电能质量起决定性作用，也保证了公共电网不会受新能源电站的各种负面影响。对于逆变器来说，控制环节是决定其输出电能质量的好坏的重要环节，其控制参数对控制性能起着决定性作用，最优参数的选取，不仅能保证并网电流波形幅值能快速跟踪到给定值，同时也保证并网电压谐波含量较小。
发明内容
为得到最优的逆变器整定参数，本发明公开了一种基于鲸鱼优化算法的单相并网逆变器控制参数整定方法，涉及电力电子领域，引进鲸鱼优化算法(WOA)对三相离网逆变器进行控制，本发明利用WOA算法需要调节的参数少、鲁棒性强、求解精度高，收敛速度快等优点，应用于并网逆变器的PI控制参数整定中。将该算法整定出的参数带入PID控制器中，既能保证并网电流波形幅值能快速跟踪到给定值，同时也能保证并网电压谐波含量也很小。验证了WOA算法整定单相并网逆变器控制参数的可行性。因此引进鲸鱼优化算法对单相并网逆变器PID参数的整定具有重大意义。
本发明具体采用以下技术方案：
步骤1建立基于电容电流反馈有源阻尼的单相并网逆变器模型，逆变器控制结构选择电流PI控制结构；
步骤2初始化鲸鱼种群规模N，求解维度D，算法参数a，A，C，l，p和最大迭代次数maxgen，根据求解范围，随机生成鲸鱼种群位置；
步骤3设置电流指令值ig *且ig *相位由电网电压vg经过锁相环PLL提供，使其与电网电压vg保持同步；
步骤4将并网逆变器的并网电流ig与其指令值ig *进行比较，为保证电网电流ig能快速跟踪指令值ig *，并且让其谐波含量尽可能少，故目标函数公式为：
Figure BDA0003056582750000021
式中T代表系统运行时间，c、d为权重系数，并且c+d＝1；
步骤5用初始化的鲸鱼位置作为单相并网逆变器PI的参数并调simulink仿真模型，通过目标函数计算初始状态下每只鲸鱼的适应度值并进行排序，确定合适的鲸鱼位置作为算法的初始最优解，最优鲸鱼的位置
Figure BDA0003056582750000022
和它对应的全局最优适应值fbest；
步骤6进入算法主循环，判断p的值，如果|A|≤1且p＜0.5，鲸鱼种群按式(1.2)进行位置更新，否则按式(1.3)进行位置更新。如果p≥0.5，鲸鱼种群则按式(1.5)进行位置更新；
进一步说明算法循环的原理
1.包围捕食机制
在此阶段，鲸鱼会采取包围策略或者随机搜寻策略进行捕食，即它们会选择向着最优(猎物)的鲸鱼游动或者向着一条随机鲸鱼游动。
(1)向着最优位置鲸鱼游动
此时鲸鱼的位置更新公式如下：
Figure BDA0003056582750000023
式中
Figure BDA0003056582750000024
分别为第t次迭代中第i条鲸鱼的位置向量和最优鲸鱼的位置向量，常数A是收敛因子，为均匀分布在[-a,a]之间的随机数，a随着迭代次数的增加从2线性递减到0，常数C是摇摆因子，为均匀分布在[0,2]之间的随机数，
Figure BDA0003056582750000025
部分表示该鲸鱼与最优位置鲸鱼之间的距离。
(2)向着随机鲸鱼的位置游动
此时鲸鱼的位置更新公式如下：
Figure BDA0003056582750000026
式中
Figure BDA0003056582750000027
为第t次迭代中随机的一条鲸鱼的位置向量，其余参数与式(1.2)相同
在包围捕食阶段，鲸鱼选择包围策略还是随机搜寻策略取决于参数A的值，当|A|≤1时，鲸鱼选择包围策略进行捕食；当|A|＞1时，鲸鱼选择随机搜寻策略进行捕食。整个包围捕食阶段第i条鲸鱼位置更新公式如下：
Figure BDA0003056582750000031
2.气泡捕食机制
本阶段中，鲸鱼采用螺旋吐气泡形成气泡网进行捕食，鲸鱼位置更新公式如下：
Figure BDA0003056582750000032
式中
Figure BDA0003056582750000033
分别为第t次迭代中第i条鲸鱼的位置向量和最优鲸鱼的位置向量，b为螺旋形常数，一般取值为1，l为均匀分布在[-1,1]之间的随机数。
鲸鱼在捕食过程根据p的值在包围捕食(p<0.5)和气泡捕食(p>0.5)之间进行切换，即鲸鱼用式(1.4)或式(1.5)更新自身位置的概率各为百分之五十，所以鲸鱼的位置更新公式如下：
Figure BDA0003056582750000034
步骤7此时位置更新完毕，对所有的鲸鱼个体再次进行目标适应度值计算，与之前的初始最优解进行对比，若优于fbest，则对fbest信息进行替换。
步骤8判断是否达到最大迭代次数，若满足则终止迭代，输出当前最优解，否则转到步骤5继续进行迭代。
本发明的有益效果：
通过本发明引进鲸鱼优化算法对单相并网逆变器的控制参数进行整定，由于鲸鱼优化算法需调节参数少、鲁棒性强、求解精度高，收敛速度快等优点，应用于单相并网逆变器的电流控制参数整定中。其算法的收敛速度快,简单易理解,可以普遍应用于函数优化问题,具有广阔的应用前景。并且将该算法整定出的参数带入单相并网逆变器的PI控制器中，逆变器输出的并网电流波形幅值能快速跟踪到指令值，并网电压谐波含量也较小。
附图说明
图1为鲸鱼优化算法在单相并网逆变器控制参数整定的流程图；
图2为单相并网逆变器主电路拓扑图；
图3为电容电流反馈有源阻尼的单相并网逆变器线性结构图；
图4为单相并网逆变器适应度值的迭代过程；
图5为单相并网逆变器并网电压电流波形图；
具体实施方式
下面将结合本发明实例中的附图，对本发明实例中的技术方案进行清楚、完整地描述。
如图1～5所示，本发明公开了一种基于鲸鱼优化算法的三相离网逆变器控制参数整定方法，包括以下步骤：
步骤1建立基于电容电流反馈有源阻尼的单相并网逆变器模型，逆变器控制结构选择电流PI控制结构；
步骤2初始化鲸鱼种群规模N，求解维度D，算法参数a，A，C，l，p和最大迭代次数maxgen，根据求解范围，随机生成鲸鱼种群位置；
步骤3设置电流指令值ig *且ig *相位由电网电压vg经过锁相环PLL提供，使其与电网电压vg保持同步；
步骤4将并网逆变器的并网电流ig与其指令值ig *进行比较，为保证电网电流ig能快速跟踪指令值ig *，并且让其谐波含量尽可能少，故目标函数公式为：
Figure BDA0003056582750000041
式中T代表系统运行时间，c、d为权重系数，并且c+d＝1；
步骤5用初始化的鲸鱼位置作为单相并网逆变器PI的参数并调simulink仿真模型，通过目标函数计算初始状态下每只鲸鱼的适应度值并进行排序，确定合适的鲸鱼位置作为算法的初始最优解，最优鲸鱼的位置
Figure BDA0003056582750000042
和它对应的全局最优适应值fbest；
步骤6进入算法主循环，判断p的值，如果|A|≤1且p＜0.5，鲸鱼种群按式(1.2)进行位置更新，否则按式(1.3)进行位置更新。如果p≥0.5，鲸鱼种群则按式(1.5)进行位置更新；
进一步说明算法循环的原理
1.包围捕食机制
在此阶段，鲸鱼会采取包围策略或者随机搜寻策略进行捕食，即它们会选择向着最优(猎物)的鲸鱼游动或者向着一条随机鲸鱼游动。
(1)向着最优位置鲸鱼游动
此时鲸鱼的位置更新公式如下：
Figure BDA0003056582750000051
式中
Figure BDA0003056582750000052
分别为第t次迭代中第i条鲸鱼的位置向量和最优鲸鱼的位置向量，常数A是收敛因子，为均匀分布在[-a,a]之间的随机数，a随着迭代次数的增加从2线性递减到0，常数C是摇摆因子，为均匀分布在[0,2]之间的随机数，
Figure BDA0003056582750000053
部分表示该鲸鱼与最优位置鲸鱼之间的距离。
(2)向着随机鲸鱼的位置游动
此时鲸鱼的位置更新公式如下：
Figure BDA0003056582750000054
式中
Figure BDA0003056582750000055
为第t次迭代中随机的一条鲸鱼的位置向量，其余参数与式(1.2)相同
在包围捕食阶段，鲸鱼选择包围策略还是随机搜寻策略取决于参数A的值，当|A|≤1时，鲸鱼选择包围策略进行捕食；当|A|＞1时，鲸鱼选择随机搜寻策略进行捕食。整个包围捕食阶段第i条鲸鱼位置更新公式如下：
Figure BDA0003056582750000056
2.气泡捕食机制
本阶段中，鲸鱼采用螺旋吐气泡形成气泡网进行捕食，鲸鱼位置更新公式如下：
Figure BDA0003056582750000057
式中
Figure BDA0003056582750000061
分别为第t次迭代中第i条鲸鱼的位置向量和最优鲸鱼的位置向量，b为螺旋形常数，一般取值为1，l为均匀分布在[-1,1]之间的随机数。
鲸鱼在捕食过程根据p的值在包围捕食(p<0.5)和气泡捕食(p>0.5)之间进行切换，即鲸鱼用式(1.4)或式(1.5)更新自身位置的概率各为百分之五十，所以鲸鱼的位置更新公式如下：
Figure BDA0003056582750000062
步骤7此时位置更新完毕，对所有的鲸鱼个体再次进行目标适应度值计算，与之前的初始最优解进行对比，若优于fbest，则对fbest信息进行替换。
步骤8判断是否达到最大迭代次数，若满足则终止迭代，输出当前最优解，否则转到步骤5继续进行迭代。
在本实例中，采用基于电容电流反馈有源阻尼的单相并网逆变器，采用滤波电感L1、L2和滤波电容C构成LCL滤波器，并网逆变器的控制目标是并网电流ig，指令值ig *的相位由电网电压vg经过锁相环PLL提供，使其与电网电压vg保持同步，ig与其指令值ig *进行比较，得到误差信号进行PI控制。通过反馈电容电流ic实现LCL滤波器谐振尖峰的有源阻尼，Hi1为其反馈系数。从调节器PI的输出vr中减去ic的反馈信号vic，得到调制波vM，控制逆变器导通，形成闭环控制。使输出电网电流ig能快速跟踪指令值ig *，并且让其谐波含量尽可能少。
在本实例中，迭代次数最大值maxgen＝30；种群数N＝20；PID控制器参数范围：Kp∈[0，1]，Ki∈[0，10000]；Udc为400V，L1为0.6mH，L2为0.36mH，C为7μF，vg有效值为220v，Hi1为0.0265，I*为32A，SPWM采样频率为15kHz。目标函数权重系数c，d分别取0.9和0.1。
采用本发明对单相并网逆变器的参数进行整定，通过图4可以看出，在利用鲸鱼优化算法寻优迭代过程中，目标函数的值随迭代次数不断减小，最终收敛。通过图5可以看出，在单相并网运行时，并网电流波形幅值能快速跟踪到给定值，并网电压谐波含量也很小，电能质量符合要求。
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 (2)

1.一种基于鲸鱼优化算法的单相并网逆变器控制参数整定方法，其特征在于：包括以下步骤：
步骤1建立基于电容电流反馈有源阻尼的单相并网逆变器模型，逆变器控制结构选择电流PI控制结构；
步骤2初始化鲸鱼种群规模N，求解维度D，算法参数a，A，C，l，p和最大迭代次数maxgen，根据求解范围，随机生成鲸鱼种群位置；
步骤3设置电流指令值ig *且ig *相位由电网电压vg经过锁相环PLL提供，使其与电网电压vg保持同步；
步骤4将并网逆变器的并网电流ig与其指令值ig *进行比较，为保证电网电流ig能快速跟踪指令值ig *，并且让其谐波含量尽可能少，故目标函数公式为：
Figure FDA0003056582740000011
式中T代表系统运行时间，c、d为权重系数，并且c+d＝1；
步骤5用初始化的鲸鱼位置作为单相并网逆变器PI的参数并调用simulink仿真模型，通过目标函数计算初始状态下每只鲸鱼的适应度值并进行排序，确定合适的鲸鱼位置作为算法的初始最优解，最优鲸鱼的位置
Figure FDA0003056582740000012
和它对应的全局最优适应值fbest；
步骤6进入算法主循环，根据鲸鱼优化算法设定的流程来判断鲸鱼接下来的行为从而选择性更新鲸鱼个体的位置；
步骤7位置更新完毕后，对所有的鲸鱼个体再次进行目标适应度值计算，与之前的初始最优解进行对比，若优于fbest，则对fbest进行替换；
步骤8判断是否达到最大迭代次数，若满足则终止迭代，输出当前最优解，否则转到步骤5继续进行迭代。
2.根据权利要求1所述的一种基于鲸鱼优化算法的单相并网逆变器控制参数整定方法，其特征在于，所述步骤6具体为：
开始迭代，如果|A|≤1且p＜0.5，鲸鱼种群按式(1.2)进行位置更新，否则按式(1.3)进行位置更新；如果p≥0.5，鲸鱼种群则按式(1.5)进行位置更新；
算法循环包括：
1.包围捕食机制
在此阶段，鲸鱼采取包围策略或者随机搜寻策略进行捕食，即它们会选择向着最优的鲸鱼游动或者向着一条随机鲸鱼游动；
(1)向着最优位置鲸鱼游动
此时鲸鱼的位置更新公式如下：
Figure FDA0003056582740000021
式中
Figure FDA0003056582740000022
分别为第t次迭代中第i条鲸鱼的位置向量和最优鲸鱼的位置向量，常数A是收敛因子，为均匀分布在[-a,a]之间的随机数，a随着迭代次数的增加从2线性递减到0，常数C是摇摆因子，为均匀分布在[0,2]之间的随机数，
Figure FDA0003056582740000023
表示该鲸鱼与最优位置鲸鱼之间的距离；
(2)向着随机鲸鱼的位置游动
此时鲸鱼的位置更新公式如下：
Figure FDA0003056582740000024
式中
Figure FDA0003056582740000025
为第t次迭代中随机的一条鲸鱼的位置向量，其余参数与式(1.2)相同；
在包围捕食阶段，鲸鱼选择包围策略还是随机搜寻策略取决于参数A的值，当|A|≤1时，鲸鱼选择包围策略进行捕食；当|A|＞1时，鲸鱼选择随机搜寻策略进行捕食；整个包围捕食阶段第i条鲸鱼位置更新公式如下：
Figure FDA0003056582740000026
2.气泡捕食机制
本阶段中，鲸鱼采用螺旋吐气泡形成气泡网进行捕食，鲸鱼位置更新公式如下：
Figure FDA0003056582740000027
式中
Figure FDA0003056582740000028
分别为第t次迭代中第i条鲸鱼的位置向量和最优鲸鱼的位置向量，b为螺旋形常数，一般取值为1，l为均匀分布在[-1,1]之间的随机数；
鲸鱼在捕食过程根据p的值在包围捕食和气泡捕食之间进行切换，即鲸鱼用式(1.4)或式(1.5)更新自身位置的概率各为百分之五十，所以鲸鱼的位置更新公式如下：
Figure FDA0003056582740000031
CN202110501452.8A 2021-05-08 2021-05-08 一种基于鲸鱼优化算法的单相并网逆变器控制参数整定方法 Active CN113364316B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110501452.8A CN113364316B (zh) 2021-05-08 2021-05-08 一种基于鲸鱼优化算法的单相并网逆变器控制参数整定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110501452.8A CN113364316B (zh) 2021-05-08 2021-05-08 一种基于鲸鱼优化算法的单相并网逆变器控制参数整定方法

Publications (2)

Publication Number Publication Date
CN113364316A true CN113364316A (zh) 2021-09-07
CN113364316B CN113364316B (zh) 2022-06-14

Family

ID=77525901

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110501452.8A Active CN113364316B (zh) 2021-05-08 2021-05-08 一种基于鲸鱼优化算法的单相并网逆变器控制参数整定方法

Country Status (1)

Country Link
CN (1) CN113364316B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114114922A (zh) * 2021-11-26 2022-03-01 云南电力技术有限责任公司 一种水轮机调节系统控制参数优化方法
CN115616918A (zh) * 2022-11-11 2023-01-17 国网安徽省电力有限公司芜湖市繁昌区供电公司 基于改进果蝇优化算法的并网逆变器控制方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090073827A1 (en) * 2006-06-05 2009-03-19 Mediatek Inc. Automatic power control system for optical disc drive and method thereof
CN109765893A (zh) * 2019-01-17 2019-05-17 重庆邮电大学 基于鲸鱼优化算法的移动机器人路径规划方法
CN110071520A (zh) * 2019-06-06 2019-07-30 河海大学 一种基于鲸鱼算法的混合直流输电系统控制参数优化方法
CN110425084A (zh) * 2019-08-09 2019-11-08 湘电风能有限公司 一种大型风电机组的鲸鱼群pid独立变桨控制方法
CN111427261A (zh) * 2020-03-31 2020-07-17 南昌大学 一种基于猫群算法的pid参数整定方法
CN112672396A (zh) * 2020-12-10 2021-04-16 中南民族大学 基于改进鲸鱼算法的无线传感器网络移动节点分簇方法
CN112670984A (zh) * 2020-12-16 2021-04-16 广州大学 一种基于改进鲸鱼算法的电力系统经济负荷分配方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090073827A1 (en) * 2006-06-05 2009-03-19 Mediatek Inc. Automatic power control system for optical disc drive and method thereof
CN109765893A (zh) * 2019-01-17 2019-05-17 重庆邮电大学 基于鲸鱼优化算法的移动机器人路径规划方法
CN110071520A (zh) * 2019-06-06 2019-07-30 河海大学 一种基于鲸鱼算法的混合直流输电系统控制参数优化方法
CN110425084A (zh) * 2019-08-09 2019-11-08 湘电风能有限公司 一种大型风电机组的鲸鱼群pid独立变桨控制方法
CN111427261A (zh) * 2020-03-31 2020-07-17 南昌大学 一种基于猫群算法的pid参数整定方法
CN112672396A (zh) * 2020-12-10 2021-04-16 中南民族大学 基于改进鲸鱼算法的无线传感器网络移动节点分簇方法
CN112670984A (zh) * 2020-12-16 2021-04-16 广州大学 一种基于改进鲸鱼算法的电力系统经济负荷分配方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GAMZE NALCACI，ET AL: "Selective harmonic elimination for three-phase voltage source inverters using whale optimizer algorithm", 《2018 5TH INTERNATIONAL CONFERENCE ON ELECTRICAL AND ELECTRONIC ENGINEERING (ICEEE)》 *
杨柏成: "基于鲸鱼优化算法的微网能量管理与电池容量优化", 《万方数据学位论文全文数据库》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114114922A (zh) * 2021-11-26 2022-03-01 云南电力技术有限责任公司 一种水轮机调节系统控制参数优化方法
CN114114922B (zh) * 2021-11-26 2023-10-24 云南电力技术有限责任公司 一种水轮机调节系统控制参数优化方法
CN115616918A (zh) * 2022-11-11 2023-01-17 国网安徽省电力有限公司芜湖市繁昌区供电公司 基于改进果蝇优化算法的并网逆变器控制方法及系统
CN115616918B (zh) * 2022-11-11 2023-10-03 国网安徽省电力有限公司芜湖市繁昌区供电公司 基于改进果蝇优化算法的并网逆变器控制方法及系统

Also Published As

Publication number Publication date
CN113364316B (zh) 2022-06-14

Similar Documents

Publication Publication Date Title
CN113364316B (zh) 一种基于鲸鱼优化算法的单相并网逆变器控制参数整定方法
Raiker et al. Current control of boost converter for PV interface with momentum-based perturb and observe MPPT
CN110995006B (zh) 一种电力电子变压器设计方法
CN113381441A (zh) 一种基于哈里斯鹰算法的三相并网逆变器控制参数整定方法
CN111355234B (zh) 一种基于强化学习的微电网频率控制方法
CN110783962A (zh) 一种虚拟同步发电机并网逆变器的控制方法
CN110867856A (zh) 考虑vsc系统谐波稳定条件下的lcl滤波器参数优化方法
CN113690926B (zh) 一种改进烟花算法优化单相逆变器控制参数整定方法
Zhang et al. Artificial neural network-based pole-tracking method for online stabilization control of grid-tied VSC
CN114069711A (zh) 一种海上风电虚拟惯量控制系统
CN113162096A (zh) 一种风电经柔直并网系统控制器参数优化设计方法
CN113054648B (zh) 基于改进鲸鱼算法的直流微电网下垂系数优化方法及系统
CN116667438A (zh) 基于水波优化算法的pv并网逆变器控制方法
CN113420863A (zh) 一种基于哈里斯鹰算法的储能双向变流器控制参数整定方法
CN116914808A (zh) 一种基于北方苍鹰算法的光伏并网三相逆变器控制方法
Wu et al. Deep Q-Network based Adaptive Robustness Parameters for Virtual Synchronous Generator
CN110161849A (zh) 一种基于改进粒子群的svc功率振荡阻尼控制器参数优化方法
CN115903457A (zh) 一种基于深度强化学习的低风速永磁同步风力发电机控制方法
CN116231679A (zh) 一种基于深度强化学习的自适应虚拟同步机控制方法
CN111769592B (zh) 基于抛物线法的并网逆变器的虚拟谐波电阻控制方法
CN113411006B (zh) 一种基于鲸鱼算法的并网模式下储能双向变流器充放电控制方法
CN114665503A (zh) 基于直接频率变化率控制的并网逆变器频率控制方法
Polat et al. A New MPPT Method with Fuzzy Logic Tuning in Small Scale Wind Energy Conversion Systems
Boutaghane et al. Performance enhancement of a three-phase grid-connected PV inverter system using fractional-order integral sliding mode controls
Teng et al. Recurrent wavelet neural network controller with improved particle swarm optimisation for induction generator system

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