CN113411006A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113411006A
CN113411006A CN202110547597.1A CN202110547597A CN113411006A CN 113411006 A CN113411006 A CN 113411006A CN 202110547597 A CN202110547597 A CN 202110547597A CN 113411006 A CN113411006 A CN 113411006A
Authority
CN
China
Prior art keywords
whale
grid
optimal
value
energy storage
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
CN202110547597.1A
Other languages
English (en)
Other versions
CN113411006B (zh
Inventor
聂晓华
梁乐乐
姚忠元
彭亦伟
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 CN202110547597.1A priority Critical patent/CN113411006B/zh
Publication of CN113411006A publication Critical patent/CN113411006A/zh
Application granted granted Critical
Publication of CN113411006B publication Critical patent/CN113411006B/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
    • H02M7/66—Conversion of ac power input into dc power output; Conversion of dc power input into ac power output with possibility of reversal
    • H02M7/68—Conversion of ac power input into dc power output; Conversion of dc power input into ac power output with possibility of reversal by static converters
    • H02M7/72—Conversion of ac power input into dc power output; Conversion of dc power input into ac power output with possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode
    • H02M7/79—Conversion of ac power input into dc power output; Conversion of dc power input into ac power output with possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode using devices of a triode or transistor type requiring continuous application of a control signal
    • H02M7/797—Conversion of ac power input into dc power output; Conversion of dc power input into ac power output with possibility of reversal by static converters using discharge tubes with control electrode or semiconductor devices with control electrode using devices of a triode or transistor type requiring continuous application of a control signal using semiconductor devices only
    • 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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • 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
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0068—Battery or charger load switching, e.g. concurrent charging and load supply
    • 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
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/02—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries for charging batteries from ac mains by converters
    • 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
    • H02M1/00—Details of apparatus for conversion
    • H02M1/12—Arrangements for reducing harmonics from ac input or output

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)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了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，S1：初始化鲸鱼种群；S2：计算种群中每条鲸鱼的适应度值，选取并记录种群中适应度值最佳的鲸鱼的位置和它对应的全局最优适应值；S3：位置更新过程中模拟鲸鱼的捕食行为；S4：计算位置更新完后进行越界处理，计算每条鲸鱼的适应值，更新最优鲸鱼位置和全局最优适应值；S5：当达到终止条件，输出全局最优解；S6：根据S5求得的最优结果，把它对应的维度数据代入并网模式下的储能双向变流器的控制器中。本发明将该算法整定出的参数代入PI控制器中，变流器可以实现能量双向流动；能成功滤除高次谐波，电压电流纹波符合要求；充放电切换迅速且不会带来电压和电流的大波动。

Description

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
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算法的并网模式下储能双向变流器充放电控制方法。
背景技术
储能双向变流器作为微电网中连接电网和储能装置的重要桥梁，运行于并网模式时，在电网电能充裕时将部分电能通过降压整流后向储能电池充电，在电能出现缺口时，将电池内的电能进行逆变升压供给给电网及其负荷。储能双向变流器通过在适当时机切换工作状态实现了电能的合理管理，实现了电能的双向流动，削峰填谷，解决了新能源间歇性的问题，提高了电网的能源利用率从而提高电能的利用率。对于储能双向变流器来说，其控制环节是直接影响电能质量输出好坏的重要组成部分，其控制参数对控制性能起着决定性作用，最优参数的选取可以输出较好的电压、电流波形。
发明内容
为得到最优的控制器整定参数，本发明公开了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，引进鲸鱼算法(WOA)对并网模式下的储能双向变流器充放电的过程进行控制，本发明利用该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，应用于储能双向变流器控制系统的电流内环控制参数整定中。将该算法整定出的参数代入PI控制器中，变流器可以实现能量双向流动，即整流和逆变能够随时切换；能成功滤除高次谐波，电压电流纹波符合要求；充放电切换迅速且不会带来电压和电流的大波动，因此引进鲸鱼算法对并网模式下储能双向变流器充放电的控制具有重大意义。
本发明具体采用以下技术方案：
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，包括以下步骤：
S1：初始化鲸鱼种群，设置鲸鱼优化算法的种群规模为N，维度为D,最大迭代次数为maxiter,根据搜索空间每一维的上界和下界，随机生成鲸鱼种群位置；
S2：计算种群中每条鲸鱼的适应度值fitness，选取并记录种群中适应度值最佳的鲸鱼的位置
Figure BDA0003074114170000011
和它对应的全局最优适应值fbest；
S3：位置更新过程中模拟鲸鱼的捕食行为，鲸鱼种群主要有两个捕食机制(包围捕食，气泡捕食)，三个捕食策略(随机搜寻策略、包围策略以及螺旋吐气泡策略)。其中随机搜寻策略和包围策略一起包含在包围捕食机制中。通过更新产生收敛因子A，然后根据收敛因子A和生成的随机数p来进行鲸鱼群的位置更新；
S4：包围捕食机制：当随机数p<0.5，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。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 BDA0003074114170000021
式中：
Figure BDA0003074114170000022
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，
Figure BDA0003074114170000023
为第t次迭代中随机的一条鲸鱼的位置向量，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 BDA0003074114170000024
部分表示该鲸鱼与最优位置鲸鱼之间的距离；
S5：气泡捕食机制：当随机数p≥0.5，此阶段中，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 BDA0003074114170000025
式中
Figure BDA0003074114170000026
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；
S6：计算位置更新完后进行越界处理，计算每条鲸鱼的适应值，更新最优鲸鱼位置和全局最优适应值；
S7：判断目前迭代次数t是否大于最大迭代次数maxiter，是则退出循环，否则转至S3继续迭代；
S8：迭代结束输出全局最优解
Figure BDA0003074114170000027
S9：根据S8求得的最优结果，即鲸鱼位置，再分别把它对应的维度数据代入并网模式下的储能双向变流器的控制器中。
进一步的方案是，S1中所述初始化种群。由维度D初始化每一个鲸鱼的位置，储能双向变流器在并网模式下，控制系统中只有电流内环控制器，因此D为2维，鲸鱼位置的不同维度分别代表了Kp，Ki两个参数值。
进一步的方案是，S2中所述计算种群中所有鲸鱼的适应度值fitness，选取并记录种群中适应度值最佳的鲸鱼，并把它的位置设为当前鲸鱼群最佳位置。并网模式下，储能双向变流器的控制器每次迭代都会再次更新最佳鲸鱼位置，即每一次迭代都有唯一确定的Kp，Ki两个参数值，由此建立的目标函数为：
Figure BDA0003074114170000031
式中：a，b为加权系数，a为0.1，b为0.9。
进一步的方案是，S9中挑出历次迭代次数中适应度最优的鲸鱼位置，代入控制器参数中。具体步骤为：并网模式下，储能双向变流器采用恒功率控制。且恒功率控制由电流环单环组成，电流环由电感电流取值，将三相电流通过abc-dq变换获得有功电流分量id和无功电流分量iq，再与给定值id*和iq*做差，该差值和电流谐波的THD值通过鲸鱼算法的最优目标函数值的鲸鱼位置对应的维度分别输入到PI控制器中，结果再通过dq-abc变换作为调制波接入SVPWM装置，经SVPWM调制生成三相桥的导通信号，形成闭环控制，使输出功率稳定即输出电流稳定。
本发明的有益效果：
通过本发明引进鲸鱼算法对并网模式下储能双向变流器充放电的过程进行控制，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，应用于储能双向变流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代入电流环的PI控制器中，变流器输出波形能快速跟踪指令值，谐波含量很小，整个控制系统较为稳定。
附图说明
图1为鲸鱼算法在储能双向变流器控制参数整定的流程图；
图2为并网模式下储能双向变流器主电路拓扑图；
图3为并网模式下适应值的迭代过程；
图4为双向变流器充电到放电过程中电网侧一相电压电流波形图；
图5为并网模式下电池充电到放电直流侧电流波形图；
图6为双向变流器放电到充电过程中电网侧一相电压电流波形图；
图7为并网模式下电池放电到充电直流侧电流波形图。
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1-7所示，本发明公开了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，包括以下步骤：
S1：初始化鲸鱼种群，设置鲸鱼优化算法的种群规模为N，维度为D,最大迭代次数为maxiter,根据搜索空间每一维的上界和下界，随机生成鲸鱼种群位置；
S2：计算种群中每条鲸鱼的适应度值fitness，选取并记录种群中适应度值最佳的鲸鱼的位置
Figure BDA0003074114170000041
和它对应的全局最优适应值fbest；
S3：位置更新过程中模拟鲸鱼的捕食行为，鲸鱼种群主要有两个捕食机制(包围捕食，气泡捕食)，三个捕食策略(随机搜寻策略、包围策略以及螺旋吐气泡策略)。其中随机搜寻策略和包围策略一起包含在包围捕食机制中。通过更新产生收敛因子A，然后根据收敛因子A和生成的随机数p来进行鲸鱼群的位置更新；
S4：包围捕食机制：当随机数p<0.5，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。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 BDA0003074114170000042
式中：
Figure BDA0003074114170000043
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，
Figure BDA0003074114170000051
为第t次迭代中随机的一条鲸鱼的位置向量，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 BDA0003074114170000052
部分表示该鲸鱼与最优位置鲸鱼之间的距离；
S5：气泡捕食机制：当随机数p≥0.5，此阶段中，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 BDA0003074114170000053
式中
Figure BDA0003074114170000054
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；
S6：计算位置更新完后进行越界处理，计算每条鲸鱼的适应值，更新最优鲸鱼位置和全局最优适应值；
S7：判断目前迭代次数t是否大于最大迭代次数maxiter，是则退出循环，否则转至S3继续迭代；
S8：迭代结束输出全局最优解
Figure BDA0003074114170000055
S9：根据S8求得的最优结果，即鲸鱼位置，再分别把它对应的维度数据代入并网模式下的储能双向变流器的控制器中。
在本实例中，S1中所述初始化种群。由维度D初始化每一个鲸鱼的位置，储能双向变流器在并网模式下，控制系统中只有电流内环控制器，因此D为2维，鲸鱼位置的不同维度分别代表了Kp，Ki两个参数值。
在本实例中，S2中所述计算种群中所有鲸鱼的适应度值fitness，选取并记录种群中适应度值最佳的鲸鱼，并把它的位置设为当前鲸鱼群最佳位置。并网模式下，储能双向变流器的控制器每次迭代都会再次更新最佳鲸鱼位置，即每一次迭代都有唯一确定的Kp，Ki两个参数值，由此建立的目标函数为：
Figure BDA0003074114170000056
式中：a，b为加权系数，a为0.1，b为0.9。
在本实例中，S9中挑出历次迭代次数中适应度最优的鲸鱼位置，代入控制器参数中。具体步骤为：并网模式下，储能双向变流器采用恒功率控制。且恒功率控制由电流环单环组成，电流环由电感电流取值，将三相电流通过abc-dq变换获得有功电流分量id和无功电流分量iq，再与给定值id*和iq*做差，该差值和电流谐波的THD值通过鲸鱼算法的最优目标函数值的鲸鱼位置对应的维度分别输入到PI控制器中，结果再通过dq-abc变换作为调制波接入SVPWM装置，经SVPWM调制生成三相桥的导通信号，形成闭环控制，使输出功率稳定即输出电流稳定。
在本实例中，迭代次数最大值T＝20；种群数N＝20；PID控制器参数范围：Kp∈[0,20]，Ki∈[0,2000]；直流电压Udc＝700v；交流侧电压有效值U＝220v；开关频率fs＝10KHz。
采用本发明对并网模式下储能双向变流器的控制器参数进行整定，通过图3可以看出，在利用鲸鱼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4和图6可以看出，电网侧开始工作后在两个周期后便进入稳定运行，在充放电切换时，电压电流波形没有大波动，输出波形几乎没有谐波，为稳定的正弦波，电能质量较高，符合并网运行的要求。通过图5和图7可以看出，储能双向变流器能是实现能量双向流动，工作状态切换迅速，产生的冲击也较小。
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 (4)

1.一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，其特征在于：包括以下步骤：
S1：初始化鲸鱼种群，设置鲸鱼优化算法的种群规模为N，维度为D,最大迭代次数为maxiter,根据搜索空间每一维的上界和下界，随机生成鲸鱼种群位置；
S2：计算种群中每条鲸鱼的适应度值fitness，选取并记录种群中适应度值最佳的鲸鱼的位置
Figure FDA0003074114160000011
和它对应的全局最优适应值fbest；
S3：位置更新过程中模拟鲸鱼的捕食行为，鲸鱼种群主要有两个捕食机制：包围捕食、气泡捕食，三个捕食策略：随机搜寻策略、包围策略以及螺旋吐气泡策略；其中随机搜寻策略和包围策略一起包含在包围捕食机制中，通过更新产生收敛因子A，然后根据收敛因子A和生成的随机数p来进行鲸鱼群的位置更新；
S4：包围捕食机制：当随机数p<0.5，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的鲸鱼游动或者向着一条随机鲸鱼游动；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 FDA0003074114160000012
式中：
Figure FDA0003074114160000013
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，
Figure FDA0003074114160000014
为第t次迭代中随机的一条鲸鱼的位置向量，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 FDA0003074114160000015
部分表示该鲸鱼与最优位置鲸鱼之间的距离；
S5：气泡捕食机制：当随机数p≥0.5，此阶段中，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 FDA0003074114160000016
式中
Figure FDA0003074114160000017
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，l为均匀分布在[-1,1]之间的随机数；
S6：计算位置更新完后进行越界处理，计算每条鲸鱼的适应值，更新最优鲸鱼位置和全局最优适应值；
S7：判断目前迭代次数t是否大于最大迭代次数maxiter，是则退出循环，否则转至S3继续迭代；
S8：迭代结束输出全局最优解
Figure FDA0003074114160000021
S9：根据S8求得的最优结果，即鲸鱼位置，再分别把它对应的维度数据代入并网模式下的储能双向变流器的控制器中。
2.根据权利要求1所述的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，其特征在于：
S1中所述初始化种群，由维度D初始化每一个鲸鱼的位置，储能双向变流器在并网模式下，控制系统中只有电流内环控制器，因此D为2维，鲸鱼位置的不同维度分别代表了Kp，Ki两个参数值。
3.根据权利要求1所述的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，其特征在于：
S2中所述计算种群中所有鲸鱼的适应度值fitness，选取并记录种群中适应度值最佳的鲸鱼，并把它的位置设为当前鲸鱼群最佳位置；并网模式下，储能双向变流器的控制器每次迭代都会再次更新最佳鲸鱼位置，即每一次迭代都有唯一确定的Kp，Ki两个参数值，由此建立的目标函数为：
Figure FDA0003074114160000022
式中：a，b为加权系数。
4.根据权利要求1所述的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，其特征在于：
S9中挑出历次迭代次数中适应度最优的鲸鱼位置，代入控制器参数中；具体步骤为：并网模式下，储能双向变流器采用恒功率控制，且恒功率控制由电流环单环组成，电流环由电感电流取值，将三相电流通过abc-dq变换获得有功电流分量id和无功电流分量iq，再与给定值id*和iq*做差，该差值和电流谐波的THD值通过鲸鱼算法的最优目标函数值的鲸鱼位置对应的维度分别输入到PI控制器中，结果再通过dq-abc变换作为调制波接入SVPWM装置，经SVPWM调制生成三相桥的导通信号，形成闭环控制，使输出功率稳定即输出电流稳定。
CN202110547597.1A 2021-05-19 2021-05-19 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 Active CN113411006B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110547597.1A CN113411006B (zh) 2021-05-19 2021-05-19 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110547597.1A CN113411006B (zh) 2021-05-19 2021-05-19 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

Publications (2)

Publication Number Publication Date
CN113411006A true CN113411006A (zh) 2021-09-17
CN113411006B CN113411006B (zh) 2022-07-12

Family

ID=77679004

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110547597.1A Active CN113411006B (zh) 2021-05-19 2021-05-19 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

Country Status (1)

Country Link
CN (1) CN113411006B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180191632A1 (en) * 2016-12-30 2018-07-05 Intel Corporation Flexible packet scheduling
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
WO2019142916A1 (ja) * 2018-01-22 2019-07-25 学校法人早稲田大学 成長が増強された形質転換植物及びその製造方法
CN110059875A (zh) * 2019-04-12 2019-07-26 湖北工业大学 基于分布式鲸鱼优化算法的公共自行车需求量预测方法
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
CN110737951A (zh) * 2019-09-04 2020-01-31 太原理工大学 一种基于高斯随机游走鲸鱼算法的旋风分离器结构参数整定方法
CN111523749A (zh) * 2020-02-28 2020-08-11 华中科技大学 一种水电机组模型智能辨识方法
CN111695233A (zh) * 2020-04-20 2020-09-22 安徽博微长安电子有限公司 一种基于改进鲸鱼优化算法的阵元失效校正方法
CN112232493A (zh) * 2020-11-09 2021-01-15 江苏科技大学 一种基于改进鲸鱼算法的rbf神经网络优化方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180191632A1 (en) * 2016-12-30 2018-07-05 Intel Corporation Flexible packet scheduling
WO2019142916A1 (ja) * 2018-01-22 2019-07-25 学校法人早稲田大学 成長が増強された形質転換植物及びその製造方法
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
CN110059875A (zh) * 2019-04-12 2019-07-26 湖北工业大学 基于分布式鲸鱼优化算法的公共自行车需求量预测方法
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
CN110737951A (zh) * 2019-09-04 2020-01-31 太原理工大学 一种基于高斯随机游走鲸鱼算法的旋风分离器结构参数整定方法
CN111523749A (zh) * 2020-02-28 2020-08-11 华中科技大学 一种水电机组模型智能辨识方法
CN111695233A (zh) * 2020-04-20 2020-09-22 安徽博微长安电子有限公司 一种基于改进鲸鱼优化算法的阵元失效校正方法
CN112232493A (zh) * 2020-11-09 2021-01-15 江苏科技大学 一种基于改进鲸鱼算法的rbf神经网络优化方法

Also Published As

Publication number Publication date
CN113411006B (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
CN107276107A (zh) 基于混合型模块化多电平换流器的低频模型预测控制方法
Li et al. Artificial-intelligence-based triple phase shift modulation for dual active bridge converter with minimized current stress
CN106712552B (zh) 一种航空多电发动机vienna整流器控制方法
Hosseini et al. Modeling and simulation to optimize direct power control of DFIG in variable-speed pumped-storage power plant using teaching–learning-based optimization technique
CN115021325B (zh) 基于ddpg算法的光伏逆变器多目标优化方法
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
Shieh Fuzzy PWM based on Genetic Algorithm for battery charging
CN105896575A (zh) 基于自适应动态规划的百兆瓦储能功率控制方法及系统
CN110783962A (zh) 一种虚拟同步发电机并网逆变器的控制方法
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
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
CN113162096A (zh) 一种风电经柔直并网系统控制器参数优化设计方法
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
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
Vittal et al. Comparative study of pi, pid controller for buck-boost converter tuned by bio-inspired optimization techniques
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
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
Mohammadzadeh et al. Application of mixture of experts in machine learning-based controlling of DC-DC power electronics converter
CN113922384A (zh) 一种风电场分散式无功电压优化协调控制方法
CN115173433A (zh) 一种平抑风电波动的储能容量优化方法及系统
CN113222779A (zh) 一种基于改进樽海鞘群算法的配电网电压波动抑制方法
Farsangi et al. Coordinated control of low-frequency oscillations using real immune algorithm with population management
Letting et al. Optimization of fuzzy logic controller design for maximum power point tracking in photovoltaic systems
CN112737364A (zh) 三电平整流器的延时补偿模型预测控制
CN112631364A (zh) 一种自适应的光伏全局最大功率点追踪方法

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