CN113420863A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113420863A
CN113420863A CN202110547604.8A CN202110547604A CN113420863A CN 113420863 A CN113420863 A CN 113420863A CN 202110547604 A CN202110547604 A CN 202110547604A CN 113420863 A CN113420863 A CN 113420863A
Authority
CN
China
Prior art keywords
prey
harris
current
fitness
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.)
Pending
Application number
CN202110547604.8A
Other languages
English (en)
Inventor
聂晓华
梁乐乐
刘一丹
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 CN202110547604.8A priority Critical patent/CN113420863A/zh
Publication of CN113420863A publication Critical patent/CN113420863A/zh
Pending legal-status Critical Current

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
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了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，S1：初始化哈里斯鹰种群；S2：计算种群中所有哈里斯鹰的适应度值，选取并记录种群中适应度最佳的哈里斯鹰并把它的位置设为当前猎物位置；S3：位置更新过程中模拟哈里斯鹰的捕食行为；S4：计算位置更新后的个体适应度，与猎物适应度值进行比较，以适应度值更优的个体位置作为新的猎物位置；S5：当算法迭代次数达到最大迭代次数时，输出当前猎物位置作为目标的估计位置；S6：根据S5求得的最优结果，把它对应的维度数据代入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，变流器输出波形能快速跟踪指令值，并且谐波含量很小，整个控制系统较为稳定。

Description

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
技术领域
本发明涉及自动控制领域，具体涉及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。
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；运行于离网模式时，由储能系统逆变电能供给给微电网的负载。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哈里斯鹰算法的储能双向变流器(PCS)控制参数整定方法，引进哈里斯鹰算法(HHO)对并网和孤岛两种模式下的储能双向变流器进行控制，本发明利用该算法较强的全局搜索能力，以及需调节的参数较少的优点，应用于储能双向变流器控制系统的电流内环和电压外环控制参数整定中。将该算法整定出的参数代入PI控制器中，变流器输出波形能快速跟踪指令值，并且谐波含量很小，整个控制系统较为稳定，因此引进哈里斯鹰算法对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：
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，包括以下步骤：
S1：初始化哈里斯鹰种群，设置哈里斯鹰优化算法的群体大小为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，初始化每个个体；
S2：计算种群中所有哈里斯鹰的适应度值fitness，选取并记录种群中适应度最佳的哈里斯鹰并把它的位置设为当前猎物位置；
S3：位置更新过程中模拟哈里斯鹰的捕食行为，主要分为探索阶段、探索与开发转换阶段和开发阶段。首先通过更新猎物逃逸能量E，然后根据逃逸能量E和生成的随机数执行搜索或开发行为中对应的位置更新策略；
S4：探索阶段：哈里斯鹰随机栖息在某些位置，并等待根据两种策略探测猎物。每种栖息策略的机会q均等，则具体位置公式为：
Figure BDA0003074112030000021
式中：X(t),X(t+1)分别为当前和下一次迭代式时个体的位置；t为迭代数；Xrand(t)为随机选出的个体位置；Xrabbit(t)为猎物位置，即拥有最优适应度的个体位置；r1、r2、r3、r4、q都是[0,1]之间的随机数；q用来随机选择要采用的策略；Xm(t)为个体平均位置，其公式如下：
Figure BDA0003074112030000022
式中：Xk(t)为种群中第k个个体的位置；N为种群规模；
S5：搜索与开发的转换阶段：HHO算法根据猎物的逃逸能量在搜索和不同的开发行为之间转换，逃逸能量定义为：
Figure BDA0003074112030000023
式中：E0是猎物的初始能量，为[-1,1]之间的随机数，每次迭代时自动更新；t为迭代次数；T为最大迭代次数；当|E|≥1时进入搜索阶段,当|E|<1时进入开发阶段；
S6：开发阶段：在此阶段中，哈里斯鹰对前一阶段中发现的预定猎物进行突袭。但是，猎物经常试图逃脱危险。假设r是猎物在突袭前逃脱的机会，成功逃脱(r<0.5)或未成功逃脱(r≥0.5)。
当r≥0.5且|E|≥0.5时，此时的位置更新公式为：
X(t+1)＝ΔX(t)-E|JXrabbit(t)-X(t)|
ΔX(t)＝Xrabbit(t)-X(t)
式中：ΔX(t)表示猎物位置与个体当前位置的差值；J为[0,2]之间的随机数；
当r≥0.5且|E|<0.5时，此时的位置更新公式为：
X(t+1)＝Xrabbit(t)-E|ΔX(t)|
当r<0.5且|E|≥0.5时，通过以下两个策略实施。当第一个策略无效时，执行第二个策略。第一个策略更新公式为Y＝Xrabbit(t)-E|JXrabbit(t)-X(t)|；第二个策略更新公式为Z＝Y+S×LF(D)。其中，D为维度，S是一个D维的随机向量，LF为Levy飞行函数，公式如下：
Figure BDA0003074112030000031
Figure BDA0003074112030000032
式中：l、m为0到1内均匀分布的随机数；β是取值为1.5的常数；因此该阶段位置更新策略最终如下：
Figure BDA0003074112030000033
当r<0.5且|E|<0.5时，采用以下策略进行狩猎，位置更新公式如下：
Y＝Xrabbit(t)-E|JXrabbit(t)-Xm(t)|
Z＝Y+S×LF(D)
Figure BDA0003074112030000034
S7：计算位置更新后的个体适应度，并与猎物适应度值进行比较，若位置更新后的个体适应度值优于猎物，则以适应度值更优的个体位置作为新的猎物位置。
S8：判断是否满足终止条件，若满足则输出最优解，结束程序；反之，则重复步骤S2到S7。当算法迭代次数达到最大迭代次数时，输出当前猎物位置作为目标的估计位置；
S9：根据S8求得的最优结果，即猎物位置，再分别把它对应的维度数据代入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初始化每一个哈里斯鹰的位置，根据储能双向变流器的运行状态分为并网和孤岛两种情况讨论。并网模式中，储能双向变流器的控制系统中只有电流内环控制器，因此D为2维，鹰群中的猎物位置不同维度分别代表了Kp，Ki两个参数值。孤岛模式中，储能双向变流器的控制系统中有电流内环控制和电压外环控制两个控制器，因此D为4维，鹰群中的猎物位置的不同维度分别代表了Kp，Ki，Kp1，Ki1四个参数值。
进一步的方案是，S2中所述计算种群中所有哈里斯鹰的适应度fitness，选取并记录种群中适应度最佳的哈里斯鹰并把它的位置设为当前猎物位置。根据储能双向变流器的运行状态分为并网和孤岛两种情况讨论。并网模式中，每次迭代都会再次更新猎物位置，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 BDA0003074112030000041
式中：a，b为加权系数，a为0.1，b为0.9。
孤岛模式中，每次迭代都会再次更新猎物位置，即每一次迭代都有唯一确定的Kp，Ki，Kp1，Ki1四个参数值，由此建立的目标函数为：
Figure BDA0003074112030000042
进一步的方案是，S9中挑出历次迭代次数中适应度最优的猎物位置，代入控制器参数中。具体步骤根据储能双向变流器的运行状态分为并网和孤岛两种情况讨论。并网模式下，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值通过哈里斯鹰算法的最优目标函数值的猎物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。
孤岛模式下，采用恒压恒频控制，通过电压外环和电流内环的组合控制变流器输出的电压和电流。从滤波电路上采集三相电压，经过abc-dq变换得到ud，与给定值ud*做差，将该差值和电压谐波的THD值通过哈里斯鹰算法的最优目标函数值的猎物位置对应的维度分别输入到PI控制器中，结果作为新给定值id*输入电流内环与id做差，结果经过dq-abc变换作为调制波输入SVPWM，同时对uq*和iq*作相同处理，SVPWM输出控制开关管控制信号，形成闭环控制系统。
本发明的有益效果：
通过本发明引进哈里斯鹰算法对储能双向变流器的控制参数进行整定，由于哈里斯鹰算法有较强的全局搜索能力，以及需调节的参数较少的优点，应用于储能双向变流器控制系统的电流内环和电压外环控制参数整定中，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为哈里斯鹰群算法在储能双向变流器控制参数整定的流程图；
图2为储能双向变流器主电路拓扑图；
图3为电流内环控制框图；
图4为电压外环控制框图；
图5为并网模式下适应值的迭代过程；
图6为并网模式下双向变流器充放电过程中电网侧A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；
图8为孤岛模式下适应值的迭代过程；
图9为孤岛模式下交流侧滤波器电压电流波形图。
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1-4所示，本发明的一个实例公开了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，包括以下步骤：
S1：初始化哈里斯鹰种群，设置哈里斯鹰优化算法的群体大小为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，初始化每个个体；
S2：计算种群中所有哈里斯鹰的适应度值fitness，选取并记录种群中适应度最佳的哈里斯鹰并把它的位置设为当前猎物位置；
S3：位置更新过程中模拟哈里斯鹰的捕食行为，主要分为探索阶段、探索与开发转换阶段和开发阶段。首先通过更新猎物逃逸能量E，然后根据逃逸能量E和生成的随机数执行搜索或开发行为中对应的位置更新策略；
S4：探索阶段：哈里斯鹰随机栖息在某些位置，并等待根据两种策略探测猎物。每种栖息策略的机会q均等，则具体位置公式为：
Figure BDA0003074112030000061
式中：X(t),X(t+1)分别为当前和下一次迭代式时个体的位置；t为迭代数；Xrand(t)为随机选出的个体位置；Xrabbit(t)为猎物位置，即拥有最优适应度的个体位置；r1、r2、r3、r4、q都是[0,1]之间的随机数；q用来随机选择要采用的策略；Xm(t)为个体平均位置，其公式如下：
Figure BDA0003074112030000062
式中：Xk(t)为种群中第k个个体的位置；N为种群规模；
S5：搜索与开发的转换阶段：HHO算法根据猎物的逃逸能量在搜索和不同的开发行为之间转换，逃逸能量定义为：
Figure BDA0003074112030000063
式中：E0是猎物的初始能量，为[-1,1]之间的随机数，每次迭代时自动更新；t为迭代次数；T为最大迭代次数；当|E|≥1时进入搜索阶段,当|E|<1时进入开发阶段；
S6：开发阶段：在此阶段中，哈里斯鹰对前一阶段中发现的预定猎物进行突袭。但是，猎物经常试图逃脱危险。假设r是猎物在突袭前逃脱的机会，成功逃脱(r<0.5)或未成功逃脱(r≥0.5)。
当r≥0.5且|E|≥0.5时，此时的位置更新公式为：
X(t+1)＝ΔX(t)-E|JXrabbit(t)-X(t)|
ΔX(t)＝Xrabbit(t)-X(t)
式中：ΔX(t)表示猎物位置与个体当前位置的差值；J为[0,2]之间的随机数；
当r≥0.5且|E|<0.5时，此时的位置更新公式为：
X(t+1)＝Xrabbit(t)-E|ΔX(t)|
当r<0.5且|E|≥0.5时，通过以下两个策略实施。当第一个策略无效时，执行第二个策略。第一个策略更新公式为Y＝Xrabbit(t)-E|JXrabbit(t)-X(t)|；第二个策略更新公式为Z＝Y+S×LF(D)。其中，D为维度，S是一个D维的随机向量，LF为Levy飞行函数，公式如下：
Figure BDA0003074112030000071
Figure BDA0003074112030000072
式中：l、m为0到1内均匀分布的随机数；β是取值为1.5的常数；因此该阶段位置更新策略最终如下：
Figure BDA0003074112030000073
当r<0.5且|E|<0.5时，采用以下策略进行狩猎，位置更新公式如下：
Y＝Xrabbit(t)-E|JXrabbit(t)-Xm(t)|
Z＝Y+S×LF(D)
Figure BDA0003074112030000074
S7：计算位置更新后的个体适应度，并与猎物适应度值进行比较，若位置更新后的个体适应度值优于猎物，则以适应度值更优的个体位置作为新的猎物位置。
S8：判断是否满足终止条件，若满足则输出最优解，结束程序；反之，则重复步骤S2到S7。当算法迭代次数达到最大迭代次数时，输出当前猎物位置作为目标的估计位置；
S9：根据S8求得的最优结果，即猎物位置，再分别把它对应的维度数据代入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初始化每一个哈里斯鹰的位置，根据储能双向变流器的运行状态分为并网和孤岛两种情况讨论。并网模式中，储能双向变流器的控制系统中只有电流内环控制器，因此D为2维，鹰群中的猎物位置不同维度分别代表了Kp，Ki两个参数值。孤岛模式中，储能双向变流器的控制系统中有电流内环控制和电压外环控制两个控制器，因此D为4维，鹰群中的猎物位置的不同维度分别代表了Kp，Ki，Kp1，Ki1四个参数值。
在本实例中，S2中所述计算种群中所有哈里斯鹰的适应度值fitness，选取并记录种群中适应度最佳的哈里斯鹰并把它的位置设为当前猎物位置。根据储能双向变流器的运行状态分为并网和孤岛两种情况讨论。并网模式中，每次迭代都会再次更新猎物位置，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 BDA0003074112030000081
式中：a，b为加权系数，a为0.1，b为0.9。
孤岛模式中，每次迭代都会再次更新猎物位置，即每一次迭代都有唯一确定的Kp，Ki，Kp1，Ki1四个参数值，由此建立的目标函数为：
Figure BDA0003074112030000082
在本实例中，S9中挑出历次迭代次数中适应度最优的猎物位置，代入控制器参数中。具体步骤根据储能双向变流器的运行状态分为并网和孤岛两种情况讨论。并网模式下，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值通过哈里斯鹰算法的最优目标函数值的猎物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。
孤岛模式下，采用恒压恒频控制，通过电压外环和电流内环的组合控制变流器输出的电压和电流。从滤波电路上采集三相电压，经过abc-dq变换得到ud，与给定值ud*做差，将该差值和电压谐波的THD值通过哈里斯鹰算法的最优目标函数值的猎物位置对应的维度分别输入到PI控制器中，结果作为新给定值id*输入电流内环与id做差，结果经过dq-abc变换作为调制波输入SVPWM，同时对uq*和iq*作相同处理，SVPWM输出控制开关管控制信号，形成闭环控制系统。
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]，Kp1∈[0,20]，Ki1∈[0,20]；直流电压Udc＝700v；交流侧电压有效值U＝220v；开关频率fs＝10KHz。
采用本发明对双向变流器的参数进行整定，通过图5和图8可以看出，在利用哈里斯鹰算法寻优迭代过程中，并网和孤岛模式下的目标函数的值随迭代次数不断减小，最终收敛。通过图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。通过图9可以看出，在孤岛模式下，电压很快达到稳定值，输出波形为正弦波，仅有少量谐波，纹波含量少，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 (4)

1.一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，其特征在于：包括以下步骤：
S1：初始化哈里斯鹰种群，设置哈里斯鹰优化算法的群体大小为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，初始化每个个体；
S2：计算种群中所有哈里斯鹰的适应度值fitness，选取并记录种群中适应度最佳的哈里斯鹰并把它的位置设为当前猎物位置；
S3：位置更新过程中模拟哈里斯鹰的捕食行为，主要分为探索阶段、探索与开发转换阶段和开发阶段；首先通过更新猎物逃逸能量E，然后根据逃逸能量E和生成的随机数执行搜索或开发行为中对应的位置更新策略；
S4：探索阶段：哈里斯鹰随机栖息在某些位置，并等待根据两种策略探测猎物；每种栖息策略的机会q均等，则具体位置公式为：
Figure FDA0003074112020000011
式中：X(t),X(t+1)分别为当前和下一次迭代式时个体的位置；t为迭代数；Xrand(t)为随机选出的个体位置；Xrabbit(t)为猎物位置，即拥有最优适应度的个体位置；r1、r2、r3、r4、q都是[0,1]之间的随机数；q用来随机选择要采用的策略；Xm(t)为个体平均位置，其公式如下：
Figure FDA0003074112020000012
式中：Xk(t)为种群中第k个个体的位置；N为种群规模；
S5：搜索与开发的转换阶段：HHO算法根据猎物的逃逸能量在搜索和不同的开发行为之间转换，逃逸能量定义为：
Figure FDA0003074112020000013
式中：E0是猎物的初始能量，为[-1,1]之间的随机数，每次迭代时自动更新；t为迭代次数；T为最大迭代次数；当|E|≥1时进入搜索阶段,当|E|<1时进入开发阶段；
S6：开发阶段：在此阶段中，哈里斯鹰对前一阶段中发现的预定猎物进行突袭；但是，猎物经常试图逃脱危险；假设r是猎物在突袭前逃脱的机会，成功逃脱，r<0.5或未成功逃脱，r≥0.5；
当r≥0.5且|E|≥0.5时，此时的位置更新公式为：
X(t+1)＝ΔX(t)-E|JXrabbit(t)-X(t)|
ΔX(t)＝Xrabbit(t)-X(t)
式中：ΔX(t)表示猎物位置与个体当前位置的差值；J为[0,2]之间的随机数；
当r≥0.5且|E|<0.5时，此时的位置更新公式为：
X(t+1)＝Xrabbit(t)-E|ΔX(t)|
当r<0.5且|E|≥0.5时，通过以下两个策略实施；当第一个策略无效时，执行第二个策略；第一个策略更新公式为Y＝Xrabbit(t)-E|JXrabbit(t)-X(t)|；第二个策略更新公式为Z＝Y+S×LF(D)；其中，D为维度，S是一个D维的随机向量，LF为Levy飞行函数，公式如下：
Figure FDA0003074112020000021
Figure FDA0003074112020000022
式中：l、m为0到1内均匀分布的随机数；β是取值为1.5的常数；因此该阶段位置更新策略最终如下：
Figure FDA0003074112020000023
当r<0.5且|E|<0.5时，采用以下策略进行狩猎，位置更新公式如下：
Y＝Xrabbit(t)-E|JXrabbit(t)-Xm(t)|
Z＝Y+S×LF(D)
Figure FDA0003074112020000024
S7：计算位置更新后的个体适应度，并与猎物适应度值进行比较，若位置更新后的个体适应度值优于猎物，则以适应度值更优的个体位置作为新的猎物位置；
S8：判断是否满足终止条件，若满足则输出最优解，结束程序；反之，则重复步骤S2到S7；当算法迭代次数达到最大迭代次数时，输出当前猎物位置作为目标的估计位置；
S9：根据S8求得的最优结果，即猎物位置，再分别把它对应的维度数据代入储能双向变流器的控制器中。
2.根据权利要求1所述的一种基于哈里斯鹰算法的储能双向变流器控制参数整定方法，其特征在于：
S1中所述初始化种群，由维度D初始化每一个哈里斯鹰的位置，根据储能双向变流器的运行状态分为并网和孤岛两种情况讨论；并网模式中，储能双向变流器的控制系统中只有电流内环控制器，因此D为2维，鹰群中的猎物位置不同维度分别代表了Kp，Ki两个参数值；孤岛模式中，储能双向变流器的控制系统中有电流内环控制和电压外环控制两个控制器，因此D为4维，鹰群中的猎物位置的不同维度分别代表了Kp，Ki，Kp1，Ki1四个参数值。
3.根据权利要求1所述的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，其特征在于：
S2中所述计算种群中所有哈里斯鹰的适应度值fitness，选取并记录种群中适应度最佳的哈里斯鹰并把它的位置设为当前猎物位置，根据储能双向变流器的运行状态分为并网和孤岛两种情况讨论；并网模式中，每次迭代都会再次更新猎物位置，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 FDA0003074112020000031
式中：a，b为加权系数；
孤岛模式中，每次迭代都会再次更新猎物位置，即每一次迭代都有唯一确定的Kp，Ki，Kp1，Ki1四个参数值，由此建立的目标函数为：
Figure FDA0003074112020000032
4.根据权利要求3所述的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，其特征在于：
S9中挑出历次迭代次数中适应度最优的猎物位置，代入控制器参数中，具体步骤根据储能双向变流器的运行状态分为并网和孤岛两种情况讨论；并网模式下，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值通过哈里斯鹰算法的最优目标函数值的猎物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；
孤岛模式下，采用恒压恒频控制，通过电压外环和电流内环的组合控制变流器输出的电压和电流，从滤波电路上采集三相电压，经过abc-dq变换得到ud，与给定值ud*做差，将该差值和电压谐波的THD值通过哈里斯鹰算法的最优目标函数值的猎物位置对应的维度分别输入到PI控制器中，结果作为新给定值id*输入电流内环与id做差，结果经过dq-abc变换作为调制波输入SVPWM，同时对uq*和iq*作相同处理，SVPWM输出控制开关管控制信号，形成闭环控制系统。
CN202110547604.8A 2021-05-19 2021-05-19 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 Pending CN113420863A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110547604.8A CN113420863A (zh) 2021-05-19 2021-05-19 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110547604.8A CN113420863A (zh) 2021-05-19 2021-05-19 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

Publications (1)

Publication Number Publication Date
CN113420863A true CN113420863A (zh) 2021-09-21

Family

ID=77712593

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110547604.8A Pending CN113420863A (zh) 2021-05-19 2021-05-19 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

Country Status (1)

Country Link
CN (1) CN113420863A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114337419A (zh) * 2021-12-31 2022-04-12 北方民族大学 基于哈里斯鹰算法永磁风力发电机组的控制方法及系统
CN115494450A (zh) * 2022-11-17 2022-12-20 长沙驰芯半导体科技有限公司 一种高精度的超宽带室内定位跟踪与控制方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110728001A (zh) * 2019-09-29 2020-01-24 温州大学 一种基于多策略增强的哈里斯老鹰算法的工程优化方法
CN112149264A (zh) * 2020-09-25 2020-12-29 东北电力大学 一种基于改进哈里斯鹰优化算法的主动配电网规划方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110728001A (zh) * 2019-09-29 2020-01-24 温州大学 一种基于多策略增强的哈里斯老鹰算法的工程优化方法
CN112149264A (zh) * 2020-09-25 2020-12-29 东北电力大学 一种基于改进哈里斯鹰优化算法的主动配电网规划方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ZEINAB ELKADY 等: "Enhanced DVR Control System Based on the Harris Hawks Optimization Algorithm", 《IEEE ACCESS》 *
彭子舜: "粒子群优化算法及其在三相逆变器中的应用研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 *
黄文焘，等: "微网反时限低阻抗保护方案", 《中国电机工程学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114337419A (zh) * 2021-12-31 2022-04-12 北方民族大学 基于哈里斯鹰算法永磁风力发电机组的控制方法及系统
CN114337419B (zh) * 2021-12-31 2023-07-18 北方民族大学 基于哈里斯鹰算法永磁风力发电机组的控制方法及系统
CN115494450A (zh) * 2022-11-17 2022-12-20 长沙驰芯半导体科技有限公司 一种高精度的超宽带室内定位跟踪与控制方法及装置

Similar Documents

Publication Publication Date Title
CN108170200B (zh) 基于动态惯性权重和多阈值重启条件的改进粒子群mppt算法
CN112564135A (zh) 一种新能源与储能电站群频率/电压协调控制方法及装置
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
Bengourina et al. PSO based direct power control for a multifunctional grid connected photovoltaic system
Parmar Load frequency control of multi-source power system with redox flow batteries: an analysis
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
Saleh et al. Design of PID controller with grid connected hybrid renewable energy system using optimization algorithms
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
Dagal et al. A novel hybrid series salp particle Swarm optimization (SSPSO) for standalone battery charging applications
CN110336285B (zh) 电力系统最优经济潮流计算方法
Meena Simulation study of boost converter with various control techniques
Keshta et al. Adaptive control strategy for improved dynamic performance of two islanded inter-connected micro-grids
CN106950831B (zh) 一种离线优化/在线切换的无功补偿方法
CN104965981B (zh) 一种可逆变流岸电网侧控制器多参数优化方法
Hongfei et al. Optimal control virtual inertia of optical storage microgrid based on improved sailfish algorithm
Lee et al. Control techniques for power converters in photovoltaic hybrid energy storage system
Mohammadzadeh et al. Application of mixture of experts in machine learning-based controlling of DC-DC power electronics converter
CN114048576A (zh) 一种稳定电网输电断面潮流的储能系统智能化控制方法
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
Che et al. Research on battery charging and discharging control system based on RBF-PID
Vadi et al. Performance Enhancement of SMC Based Buck Converter under Variable Conditions by Particle Swarm Optimization Algorithm
Raj et al. WOA Based LFC of Interconnected Power System Incorporating UPFC
Aribowo et al. Optimal tuning fractional order PID based on marine predator algorithm for DC motor
CN116581770B (zh) 基于自适应神经网络的微网系统vsg双下垂控制方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210921