CN113410865B - 基于改进人工蜂群算法的双并联逆变器控制参数整定方法 - Google Patents
基于改进人工蜂群算法的双并联逆变器控制参数整定方法 Download PDFInfo
- Publication number
- CN113410865B CN113410865B CN202110501448.1A CN202110501448A CN113410865B CN 113410865 B CN113410865 B CN 113410865B CN 202110501448 A CN202110501448 A CN 202110501448A CN 113410865 B CN113410865 B CN 113410865B
- Authority
- CN
- China
- Prior art keywords
- honey source
- honey
- bees
- fitness value
- optimal
- 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.)
- Active
Links
Images
Classifications
-
- 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
-
- 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
- H02J3/388—Islanding, i.e. disconnection of local power supply from the network
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Inverter Devices (AREA)
Abstract
本发明公开了基于改进人工蜂群算法的双并联逆变器控制参数整定方法,该方法包括以下步骤:S1:初始化,产生初始蜜源设计和初始种群选择,采用混沌改进人工蜂群算法计算适应度值;S2:设计双并联逆变器控制参数两个下垂系数m和n为整定参数,并建立其目标函数;S3:根据求得的最优蜜源的适应度值,分别求出双并联逆变器控制参数两个下垂系数m和n。本发明对原始人工蜂群进行了改进混沌改进,减小了陷入局部最优的缺点,加快算法的收敛速度,更重要的是提高了算法搜寻多维问题最优值的能力,且实现了双并联逆变器控制参数的最优整定,对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,具体涉及一种基于改进人工蜂群算法的双并联逆变器控制参数整定方法。
背景技术
电能作为一种高效,快速,灵活的清洁能源,具有不可替代的地位。分布式电源通过逆变器与电网相连,对逆变器采用不同的控制方式,能够实现多种工作模式的转换,提高了电力系统的灵活性。逆变器并联技术的发展增加了微电网的供电容量,解决了单个逆变器供电容量小的问题。逆变器输出的波形与控制参数有很大关联,多逆变器并联可以提高系统的容量和冗余度。采用下垂控制方式的并联逆变器可以减少通信,实现即插即用。逆变器之间功率分摊能力,负载发生变化时快速响应能力以及系统的稳定性都与下垂系数有关。因此根据负载的动态变化而选择不同的下垂系数是多逆变器高效并联的关键。
发明内容
针对现有技术中的不足与难题,本发明旨在提供一种基于改进人工蜂群算法的双并联逆变器控制参数整定方法。
本发明通过以下技术方案予以实现:
为得到最优的下垂系数参数,本发明提供了一种基于改进人工蜂群算法的双并联逆变器控制参数整定方法,引进了改进人工蜂群算法对双并联逆变器进行参数整定,由于人工蜂群算法控制参数少、易于实现和计算简单,且对原始人工蜂群进行了改进混沌改进,减小了陷入局部最优的缺点,加快算法的收敛速度,且提高了算法搜寻多维问题最优值的能力,对于双逆变器并联模型的离网和并网两种模式下的下垂控制参数整定均可起较好的作用。本发明能有效的调节有功功率和无功功率,实现功率均摊,提高逆变器输出电能质量。
本发明通过以下技术方案实现:
基于改进人工蜂群算法的双并联逆变器控制参数整定方法,具体包括以下步骤:
S1:初始化,产生初始蜜源设计和初始种群选择,采用混沌改进人工蜂群算法(Chaotic Improve Artificial Bee Colony,CIABC)计算适应度值;
S2:设计双并联逆变器控制参数两个下垂系数m和n为整定参数,并建立其目标函数;
S3:根据求得的最优蜜源的适应度值,分别求出双并联逆变器控制参数两个下垂系数m和n;
步骤S1中初始蜜源设计为在D维空间,给定迭代次数M,蜂群总数为2N,引领蜂数目N,观察蜂和引领蜂的数量相等;所述步骤S2根据基于下垂控制的双并联逆变器离网和并网两种模式下,调节有功功率和无功功率,实现功率均摊,对双并联逆变器中Ps—f下垂系数m和Qs—f下垂系数n进行整定,相对应的初始化相关的2个参数,因此D为2维,分别代表m和n;
所述步骤S2计算种群中所有蜜源的适应度值,并选取种群中适应度最佳的蜜源并把它的位置设为当前蜜源位置,在双并联逆变器离网和并网模型中,每次迭代都会最优蜜源的适应度值,即每一次迭代都有唯一确定的m和n两个参数值,均采用总谐波畸变率(THD)和时间乘以误差绝对值积分(ITAE)作为参数整定指标,加上不同的权系数,使多目标优化变成单目标优化问题,由此建立的目标函数为:
式中:c1、d1、e、d为不同的权系数,c1=d1=0.3,e=d=0.2,使多目标优化变成单目标优化问题;e1(t)为两个逆变器之间有功功率误差信号;e2(t)为两个逆变器之间无功功率误差信号;u1zo1和u1zon、u2zo1和u2zon分别为两个逆变器负载端电压的基波与谐波幅值。
进一步的方案是,步骤S1中混沌改进人工蜂群算法步骤包括:
S11:在D维空间,给定迭代次数M,蜂群总数为2N,引领蜂数目N,观察蜂和引领蜂的数量相等;每只引领蜂对应一个蜜源的位置,所有的引领蜂把蜜源的位置信息分享给观察蜂,并计算各个解的适应度值,将最优解记录下来;
S12:根据蜜源质量,观察蜂选择蜜源,并记录所有蜜源的位置和适应度值,选择适应度值最大的蜜源,在所选位置处进行邻域搜索;根据公式(1)进行位置更新,计算出新蜜源的适应度值,并与之比较,以蜜源质量更优的蜜源位置代替原蜜源的位置;
S13:根据式(2)确定观察蜂的数目,并计算观察蜂所在位置的蜜源适应度值,进行蜜源位置更新;若蜜源的位置保持不变,那么观察蜂在本轮搜索任务结束,对应的引领蜂抛弃该蜜源且不再记忆其位置,领蜂变为侦察蜂,开始随机搜索新蜜源位置;
S14:记录当前最优解及位置,算法迭代次数达到最大M次,则算法结束,输出最优蜜源的适应度值;若未达到最大迭代次数,判断全局最优蜜源是否得到更新;
S15:若步骤S14中最优蜜源得到更新,则重复步骤S12到步骤S14;若步骤S14中最优蜜源没有更新,则根据式对常规变量进行映射变换,得到混沌变量介于[0,1]之间,再通过式对进行映射得到混沌变量最后通过式将混沌变量变换为常规变量重复步骤S12到步骤S14。
与现有技术相比,本发明有益效果包括:
由于人工蜂群算法控制参数少、易于实现和计算简单,且对原始人工蜂群进行了改进混沌改进,减小了陷入局部最优的缺点,加快算法的收敛速度,且提高了算法搜寻多维问题最优值的能力,对于双逆变器并联模型的离网和并网两种模式下的下垂控制参数整定均可起较好的作用。
本发明能有效的调节有功功率和无功功率,实现功率均摊,提高逆变器输出电能质量。
附图说明
图1为本发明改进人工蜂群算法在双并联逆变器控制参数整定的流程图;
图2为本发明实施例双并联逆变器主电路拓扑图;
图3为本发明实施例离网时下垂系数整定曲线;
图4为本发明实施例离网时有功和无功曲线;
图5为本发明实施例离网时负载电压和负载电流;
图6为本发明实施例并网时下垂系数整定曲线;
图7为本发明实施例并网时有功和无功曲线;
图8为本发明实施例并网时负载电压和负载电流。
具体实施方式
下面结合附图,对本发明作进一步地说明。
如图1的流程图以及图2的主电路拓扑图所示,本发明的一个实例公开了一种基于改进人工蜂群算法的双并联逆变器控制参数整定方法,包括以下步骤:
1、在D维空间,给定迭代次数M,蜂群总数为2N,引领蜂数目N,观察蜂和引领蜂的数量相等,每只引领蜂对应一个蜜源的位置,所有的引领蜂,把蜜源的位置信息分享给观察蜂,并计算各个解的适应度值,将最优解记录下来;
2、根据蜜源质量,观察蜂选择蜜源,并记录所有蜜源的位置和适应度值,选择适应度值最大的蜜源,在所选位置处进行邻域搜索;根据公式(1)进行位置更新,计算出新蜜源的适应度值,并与之比较,以蜜源质量更优的蜜源位置代替原蜜源的位置;
3、根据式(2)确定观察蜂的数目,并计算观察蜂所在位置的蜜源适应度值,进行蜜源位置更新;若蜜源的位置保持不变,那么观察蜂在本轮搜索任务结束。对应的引领蜂抛弃该蜜源且不再记忆其位置,引领蜂变为侦察蜂,开始随机搜索新蜜源位置;
式(2中,t=1,2,…,M;Fi(t)为迭代第t次时第i个蜜源的适应度值。
4、记录当前最优解及位置,算法迭代次数达到最大M次,则算法结束,输出最优蜜源的适应度值;若未达到最大迭代次数,判断全局最优蜜源是否得到更新;
5、若更新,则重复步骤2到步骤4;否则根据式(3)对常规变量进行映射变换,得到混沌变量介于[0,1]之间,再通过式(4)对进行映射得到混沌变量最后通过式(5)将混沌变量变换为常规变量重复步骤2到步骤4;
6、根据求得的最优结果,分别求出双并联逆变器控制参数两个下垂系数m和n。
在本实施例中,步骤1中种群初始化是根据基于下垂控制的双并联逆变器离网和并网两种模式下,调节有功功率和无功功率,实现功率均摊,对双并联逆变器中Ps—f下垂系数m和Qs—f下垂系数n进行整定,相对应的初始化相关的2个参数,因此D为2维,分别代表m和n。
在本实施例中,步骤2中计算种群中所有蜜源的适应度值,并选取种群中适应度最佳的蜜源并把它的位置设为当前蜜源位置。在双并联逆变器离网和并网模型中,每次迭代都会最优蜜源的适应度值,即每一次迭代都有唯一确定的m和n两个参数值,均采用THD和ITAE作为参数整定指标,加上不同的权系数,使多目标优化变成单目标优化问题,由此建立的目标函数为:
式中:c1 d1 e d为不同的权系数,c1=d1=0.3,e=d=0.2,使多目标优化变成单目标优化问题,e1(t)为两个逆变器之间有功功率误差信号;e2(t)为两个逆变器之间无功功率误差信号;u1zo1和u1zon、u2zo1和u2zon分别为两个逆变器负载端电压的基波与谐波幅值。
在本实施例中,最大迭代次数为M=50,种群数2N=20,电压电流双环控制中的电压外环PI调节参数Kup和Kui分别取10和100,电流内环P调节器的参数K为5,Ps—f下垂系数为m和Qs—f下垂系数n的整定区间均为[0,1]。
采用本发明提出的基于改进人工蜂群算法的双并联逆变器控制参数整定方法,通过图3至图8可以看出,不论在离网模式还是并网模式下双并联逆变器控制的下垂系数整定都是快速收敛的,其寻优精度也很高,可以看出此方法在双逆变器并联的负载电压波形方面有着很好的作用,能有效输出三相正弦电压波形,且其电压畸变率也较低,且实现了自身调节有功功率和无功功率,实现功率均摊。
以上所述仅表达了本发明的优选实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形、改进及替代,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (2)
1.基于改进人工蜂群算法的双并联逆变器控制参数整定方法,其特征在于,所述方法包括以下步骤:
S1:初始化,产生初始蜜源设计和初始种群选择,采用混沌改进人工蜂群算法计算适应度值;
S2:设计双并联逆变器控制参数两个下垂系数m和n为整定参数,并建立其目标函数;
S3:根据求得的最优蜜源的适应度值,分别求出双并联逆变器控制参数两个下垂系数m和n;
所述步骤S1中初始蜜源设计为在D维空间,给定迭代次数M,蜂群总数为2N,引领蜂数目N,观察蜂和引领蜂的数量相等;所述步骤S2根据基于下垂控制的双并联逆变器离网和并网两种模式下,调节有功功率和无功功率,实现功率均摊,对双并联逆变器中Ps—f下垂系数m和Qs—f下垂系数n进行整定,相对应的初始化相关的2个参数,因此D为2维,分别代表m和n;
所述步骤S2计算种群中所有蜜源的适应度值,并选取种群中适应度最佳的蜜源并把它的位置设为当前蜜源位置,在双并联逆变器离网和并网模型中,每次迭代都会最优蜜源的适应度值,即每一次迭代都有唯一确定的m和n两个参数值,均采用总谐波畸变率THD和时间乘以误差绝对值积分ITAE作为参考整定指标,加上不同的权系数,使多目标优化变成单目标优化问题,由此建立的目标函数为:
c1+d1+e+d=1
式中:c1、d1、e、d为不同的权系数,c1=d1=0.3,e=d=0.2,使多目标优化变成单目标优化问题;e1(t)为两个逆变器之间有功功率误差信号;e2(t)为两个逆变器之间无功功率误差信号;u1zo1和u1zon、u2zo1和u2zon分别为两个逆变器负载端电压的基波与谐波幅值。
2.根据权利要求1所述的基于改进人工蜂群算法的双并联逆变器控制参数整定方法,其特征在于,所述步骤S1中混沌改进人工蜂群算法步骤包括:
S11:在D维空间,给定迭代次数M,蜂群总数为2N,引领蜂数目N,观察蜂和引领蜂的数量相等;每只引领蜂对应一个蜜源的位置,所有的引领蜂把蜜源的位置信息分享给观察蜂,并计算各个解的适应度值,将最优解记录下来;
S12:根据蜜源质量,观察蜂选择蜜源,并记录所有蜜源的位置和适应度值,选择适应度值最大的蜜源,在所选位置处进行邻域搜索;根据公式(1)进行位置更新,计算出新蜜源的适应度值,并与之比较,以蜜源质量更优的蜜源位置代替原蜜源的位置;
S13:根据式(2)确定观察蜂的数目,并计算观察蜂所在位置的蜜源适应度值,进行蜜源位置更新;若蜜源的位置保持不变,那么观察蜂在本轮搜索任务结束,对应的引领蜂抛弃该蜜源且不再记忆其位置,领蜂变为侦察蜂,开始随机搜索新蜜源位置;
式(2)中,t=1,2,…,M;Fi(t)为迭代第t次时第i个蜜源的适应度值;
S14:记录当前最优解及位置,算法迭代次数达到最大M次,则算法结束,输出最优蜜源的适应度值;若未达到最大迭代次数,判断全局最优蜜源是否得到更新;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110501448.1A CN113410865B (zh) | 2021-05-08 | 2021-05-08 | 基于改进人工蜂群算法的双并联逆变器控制参数整定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110501448.1A CN113410865B (zh) | 2021-05-08 | 2021-05-08 | 基于改进人工蜂群算法的双并联逆变器控制参数整定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113410865A CN113410865A (zh) | 2021-09-17 |
CN113410865B true CN113410865B (zh) | 2022-11-08 |
Family
ID=77678239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110501448.1A Active CN113410865B (zh) | 2021-05-08 | 2021-05-08 | 基于改进人工蜂群算法的双并联逆变器控制参数整定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113410865B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116432689A (zh) * | 2023-04-17 | 2023-07-14 | 广州菲利斯太阳能科技有限公司 | 基于改进量子人工蜂群算法的虚拟同步机参数量化方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105824783A (zh) * | 2016-03-18 | 2016-08-03 | 哈尔滨工程大学 | 一种基于细菌觅食的混合蜂群算法的非线性阻尼系统的参数识别方法 |
MX2015007071A (es) * | 2015-06-04 | 2016-11-03 | Comision Fed De Electricidad | Metodo para el procesamiento combinado de señales de un detector de flama. |
CN108875896A (zh) * | 2018-06-08 | 2018-11-23 | 福州大学 | 一种全局最优引导的自扰动混沌人工蜂群算法 |
CN111523635A (zh) * | 2020-03-24 | 2020-08-11 | 南昌大学 | 一种基于人工蜂群算法结合最小二乘法的谐波检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875050A (zh) * | 2017-04-01 | 2017-06-20 | 哈尔滨工业大学 | 一种基于改进混沌蜂群算法的工程约束参数优化方法 |
CN110675276B (zh) * | 2019-09-06 | 2023-04-07 | 中国电力科学研究院有限公司 | 一种用于直流输电系统反演下垂控制的方法及系统 |
CN111123112A (zh) * | 2020-01-10 | 2020-05-08 | 南昌大学 | 一种基于人工蜂群算法的锂离子电池模型参数辨识方法 |
-
2021
- 2021-05-08 CN CN202110501448.1A patent/CN113410865B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
MX2015007071A (es) * | 2015-06-04 | 2016-11-03 | Comision Fed De Electricidad | Metodo para el procesamiento combinado de señales de un detector de flama. |
CN105824783A (zh) * | 2016-03-18 | 2016-08-03 | 哈尔滨工程大学 | 一种基于细菌觅食的混合蜂群算法的非线性阻尼系统的参数识别方法 |
CN108875896A (zh) * | 2018-06-08 | 2018-11-23 | 福州大学 | 一种全局最优引导的自扰动混沌人工蜂群算法 |
CN111523635A (zh) * | 2020-03-24 | 2020-08-11 | 南昌大学 | 一种基于人工蜂群算法结合最小二乘法的谐波检测方法 |
Non-Patent Citations (3)
Title |
---|
"A New Coordinated Control Strategy to Improve the Frequency Stability of Microgrid Based on De-Loaded Capacity of Wind Turbine";Ziqi Zhu 等;《 2020 5th Asia Conference on Power and Electrical Engineering (ACPEE)》;20200708;第645-651页 * |
"Optimisation of droop coefficients of multiple distributed generators in a micro-grid";Dulal Manna 等;《IET Generation, Transmission & Distribution》;20180904;第12卷(第18期);第4108-4111页 * |
"基于混沌改进人工蜂群算法的电网动态谐波估计";胡方亮;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20210115;正文第10-22页第2章 * |
Also Published As
Publication number | Publication date |
---|---|
CN113410865A (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108649780B (zh) | 一种考虑弱电网下逆变器稳定性的lcl滤波器参数优化方法 | |
CN113410865B (zh) | 基于改进人工蜂群算法的双并联逆变器控制参数整定方法 | |
CN112383237B (zh) | 一种并网逆变器的模型预测控制方法 | |
CN113410864A (zh) | 一种基于改进人工蜂群算法的三相逆变器控制方法 | |
Maldonado et al. | A dynamic penalty function within MOEA/D for constrained multi-objective optimization problems | |
CN115864521A (zh) | 一种面向并网逆变器的动态阻尼无源化顺序模型预测控制方法 | |
CN110912110B (zh) | 一种用于直流微电网的动态自适应下垂控制方法 | |
Berizzi et al. | The use of genetic algorithms for the localization and the sizing of passive filters | |
CN115842468A (zh) | 一种基于改进搜索算法的谐波主动抑制优化方法 | |
Majidi et al. | Harmonic optimization in multi-level inverters using harmony search algorithm | |
CN113629715B (zh) | 一种计及可输电能力的upfc多目标优化配置方法 | |
CN116805178A (zh) | 配电网无功优化方法、装置、设备和存储介质 | |
CN113904341B (zh) | 一种基于免疫遗传算法的配电网无功优化方法和装置 | |
CN112564113B (zh) | 一种基于近似化潮流电压稳定的收敛性调整方法 | |
Dhahri et al. | Hierarchical learning algorithm for the beta basis function neural network | |
Xu et al. | A modified MOEAD with an adaptive weight adjustment strategy | |
Mondal et al. | Multi-Objective Optimal DG Allocation using Centrality Index and ABC Optimization for Three-phase UDS | |
CN113629789B (zh) | 一种配电网无功优化方法及系统 | |
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 | |
Li et al. | Multi-Objective Reconfiguration of Distribution Network Based on Gardener Diagram Method | |
Chaurasia et al. | Comparative analysis of various MPPT-techniques for optimization of solar-PVEC system | |
Mahapatra et al. | Enhanced Fitness Adaptive Differential Evolution Approach for Tuning of PID Controller in AVR System | |
Burnaz et al. | Effects of objective function in PID controller design for an AVR system | |
CN117498375A (zh) | 基于改进aoa算法的城市电网无功补偿设备优化配置方法 | |
Kumar et al. | TSKARNA-norm Adaption Based NLMS with Optimized Fractional Order PID Controller Gains for Voltage Power Quality |
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 |