CN115118139B - 一种用于模块化多电平变换器的多任务处理方法及系统 - Google Patents
一种用于模块化多电平变换器的多任务处理方法及系统 Download PDFInfo
- Publication number
- CN115118139B CN115118139B CN202210627905.6A CN202210627905A CN115118139B CN 115118139 B CN115118139 B CN 115118139B CN 202210627905 A CN202210627905 A CN 202210627905A CN 115118139 B CN115118139 B CN 115118139B
- Authority
- CN
- China
- Prior art keywords
- factor
- individuals
- task
- population
- individual
- 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
- 238000000034 method Methods 0.000 title claims description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000002068 genetic effect Effects 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims description 11
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000003672 processing method Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 15
- 230000006978 adaptation Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 230000037410 cognitive enhancement Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 230000013011 mating Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- H02M1/00—Details of apparatus for conversion
- H02M1/12—Arrangements for reducing harmonics from ac input or output
-
- 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
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
- H02M1/08—Circuits specially adapted for the generation of control voltages for semiconductor devices incorporated in static converters
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Power Engineering (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种用于模块化多电平变换器的多任务处理方法及系统,首先获取不同调制比下的SHEPWM求解模型在进化任务框架下的求解公式;基于遗传算法,获取个体在所述求解任务上的因子代价、因子等级、标量适应度和技能因素;对种群中的所述个体进行初始化;根据多任务环境中的每个优化任务对每L个开关角组成的个体进行评估同时评估每个个体的因子代价,并根据所述因子代价计算种群的所述因子等级和所述技能因素;对所述种群进行迭代计算选出最优的适应度和对应的开关角个体。本发明在进化多任务框架下求解SHE‑PWM问题的非线性方程组并提出了新型的具有改进约束条件的双目标优化模型,提高了优化精度。
Description
技术领域
本发明涉及电气系统的控制技术领域,特别是涉及一种用于模块化多电平变换器的多任务处理方法及系统。
背景技术
为了实现对二氧化碳排放量的进一步控制,可再生能源发电将发挥越来越重要的作用。可再生能源发电的电能传输中,中、高压变换器被用于提高清洁电能传输质量以及传输效率。其中性能表现较好的就是MMC多电平变换器,它具有输出电压波形质量高、共模电压小、开关频率低等特点。然而,MMC多电平变换器低次谐波的存在会增加开关损耗、降低效率以及缩短系统寿命。因此,需要通过(2N+1)选择性谐波消除脉宽调制模型(SHEPWM)来降低开关频率以提高电能的传输质量及效率。
(2N+1)选择性谐波消除脉宽调制模型(SHEPWM)输出波形如图1所示,对前1/4周期对称的多电平SHEPWM输出电压波形利用傅里叶级数展开时其余弦分量为0且只含有奇数次谐波,又因为三相对称MMC拓扑的线电压输出波形不含有三及三的倍数,因此利用傅里叶级数及一系列复杂的数学处理方法将全周期的MMC拓扑输出的线电压输出波形vo展开为:
其中Vdc表示图2中的MMC半桥型子模块的直流侧电源电压,h表示第s个非三及三的倍数次的基数次谐波,即s=1,h=1;s=2,h=5;s=3,h=7,N表示模型设定的SHEPWM电平产生数,l为开关角的数量,θi是第i个开关角的弧度值,上述模型求解仍然十分困难,注意到cos(hθk)函数具有奇对称特性,因此利用优化角向量α简化上述模型,其中优化角αk与θk的关系变换为:
对于三相MMC,不需要控制三次谐波。因此控制基波幅值大小以及选择性消除低次谐波的问题可以转化为如下数学公式中寻找最优解的问题:
其中V1 *示基波设定的期望幅值幅度,设置为脉宽调制指数M的一半,Vk表示k次谐波的实际幅值,Li表示每个开关角的电平,同时设定相应的约束条件如下:优化角α应该大于0小于π;每个开关角的电平Li应该在[0,N]之间,其具体定义如所示;对于开关角θ中的任意两个元素,它们的值不应相同。
近些年来,人们采取多种优化算法以求更好、更快地解决SHE-PWM问题,这些方法可分为三类:代数方法(AMS)、数值方法(NMS)、元启发式算法(EAS)。AMS和NMS计算方法复杂且对初始位置敏感故不太受欢迎。目前,大多数的SHE-PWM模型求解都基于自然启发算法进行求解,而为了在广泛的调制指数(M)范围内获得足够的开关样本,需要用各种M值反复调用元启发式算法。这样反复调用元启发式算法是不明智的,其原因如下:如果子SHE-PWM模型求解时M值接近,则问题彼此相似,子问题之间可以相互借鉴经验减少问题求解的难度;同时,大量重复的调用EA算法也会大大增加计算负担。因此如何利用有效的计算性能、问题的相似性求解经验以快速求解不同调制比下的SHE-PWM模型一直是该领域的研究热点。
发明内容
为了克服现有技术的不足,本发明的目的是提供一种用于模块化多电平变换器的多任务处理方法及系统。
为实现上述目的,本发明提供了如下方案:
一种用于模块化多电平变换器的多任务处理方法,包括:
获取不同调制比下的SHEPWM求解模型在进化任务框架下的求解公式;所述求解公式为{X1,X2,···,XH}=argmin{F1(X),F2(X),···,FH(X)};其中,H为调制比的个数,Xi是第i个子SHEPWM问题最优开关角解,Fi为不同调制比下的子SHEPWM模型的求解任务的目标函数;
基于遗传算法,获取个体在所述求解任务上的因子代价、因子等级、标量适应度和技能因素;
对种群中的所述个体进行初始化;所述个体包括由l维随机变量组成的向量;l为优化角的个数;
根据多任务环境中的每个优化任务对每L个开关角组成的个体进行评估同时评估每个个体的因子代价,并根据所述因子代价计算种群的所述因子等级和所述技能因素;
对所述种群进行迭代计算,判断当前的迭代次数是否达到预设迭代阈值,若是,则选出最优的适应度和对应的开关角个体;
当迭代次数小于预设迭代阈值时,对所述个体变异交叉,得到后代个体、并对所述后代个体重复计算所述因子代价、将父代的个体与子代的个体的种群进行合并,并根据新的种群更新所述标量适应度、所述技能因素和所述因子等级,并对所述新的种群进行环境选择,记录每代最优的适应度值,并将当前的所述迭代次数的值增加1,返回所述判断当前的迭代次数是否达到预设迭代阈值。
优选地,所述因子代价的公式为:其中,λ为预设的惩罚因子,/>和fi j分别为个体pi在所述求解任务Tj上的约束违反总数和目标函数值。
优选地,所述因子等级ri j为个体按照因子代价升序排序之后种群列表里个体pi的索引。
优选地,所述标量适应度的公式为:
优选地,所述技能因素τi为个体在所有任务中表现出最高能力的任务的索引,所述技能因素τi的公式为τi=argminj∈{1,···,k}{ri j}。
一种用于模块化多电平变换器的多任务处理系统,其特征在于,包括:
第一获取模块,用于获取不同调制比下的SHEPWM求解模型在进化任务框架下的求解公式;所述求解公式为{X1,X2,···,XH}=argmin{F1(X),F2(X),···,FH(X)};其中,H为调制比的个数,Xi是第i个子SHEPWM问题最优开关角解,Fi为不同调制比下的子SHEPWM模型的求解任务的目标函数;
第二获取模块,用于基于遗传算法,获取个体在所述求解任务上的因子代价、因子等级、标量适应度和技能因素;
初始化模块,用于对种群中的所述个体进行初始化;所述个体包括由l维随机变量组成的向量;l为优化角的个数;
评估模块,用于根据多任务环境中的每个优化任务对每L个开关角组成的个体进行评估同时评估每个个体的因子代价,并根据所述因子代价计算种群的所述因子等级和所述技能因素;
迭代模块,用于对所述种群进行迭代计算,判断当前的迭代次数是否达到预设迭代阈值,若是,则选出最优的适应度和对应的开关角个体;若否,对所述个体变异交叉,得到后代个体、并对所述后代个体重复计算所述因子代价、将父代的个体与子代的个体的种群进行合并,并根据新的种群更新所述标量适应度、所述技能因素和所述因子等级,并对所述新的种群进行环境选择,记录每代最优的适应度值,并将当前的所述迭代次数的值增加1,返回所述判断当前的迭代次数是否达到预设迭代阈值。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种用于模块化多电平变换器的多任务处理方法及系统,首先获取不同调制比下的SHEPWM求解模型在进化任务框架下的求解公式;基于遗传算法,获取个体在所述求解任务上的因子代价、因子等级、标量适应度和技能因素;对种群中的所述个体进行初始化;所述个体包括由l维随机变量组成的向量;l为优化角的个数;根据多任务环境中的每个优化任务对每L个开关角组成的个体进行评估同时评估每个个体的因子代价,并根据所述因子代价计算种群的所述因子等级和所述技能因素;对所述种群进行迭代计算,判断当前的迭代次数是否达到预设迭代阈值,若是,则选出最优的适应度和对应的开关角个体;若否,对所述个体变异交叉,得到后代个体、并对所述后代个体重复计算所述因子代价、将父代的个体与子代的个体的种群进行合并,并根据新的种群更新所述标量适应度、所述技能因素和所述因子等级,并对所述新的种群进行环境选择,记录每代最优的适应度值,并将当前的所述迭代次数的值增加1,返回所述判断当前的迭代次数是否达到预设迭代阈值。本发明根据新型的具有改进约束条件的双目标优化模型在进化多任务框架下求解SHE-PWM问题的非线性方程组,提高了优化精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为前1/4周期对称的多电平SHEPWM输出电压波形;
图2为现有技术中的三相MMC转换器示意图
图3为本发明提供的实施例中的处理方法流程图;
图4为本发明提供的实施例中的处理流程图。
图5为本发明提供的实施例中的(2N+1)SHE-PWM控制模块示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种用于模块化多电平变换器的多任务处理方法及系统,在进化多任务框架下求解SHE-PWM问题的非线性方程组并提出了新型的具有改进约束条件的双目标优化模型,提高了优化精度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图3为本发明提供的实施例中的处理方法流程图,如图3所示,本发明提供了一种用于模块化多电平变换器的多任务处理方法,包括:
步骤100:获取不同调制比下的SHEPWM求解模型在进化任务框架下的求解公式;所述求解公式为{X1,X2,···,XH}=argmin{F1(X),F2(X),···,FH(X)};其中,H为调制比的个数,Xi是第i个子SHEPWM问题最优开关角解,Fi为不同调制比下的子SHEPWM模型的求解任务的目标函数;
步骤200:基于遗传算法,获取个体在所述求解任务上的因子代价、因子等级、标量适应度和技能因素;
步骤300:对种群中的所述个体进行初始化;所述个体包括由l维随机变量组成的向量;l为优化角的个数;
步骤400:根据多任务环境中的每个优化任务对每L个开关角组成的个体进行评估同时评估每个个体的因子代价,并根据所述因子代价计算种群的所述因子等级和所述技能因素;
步骤500:对所述种群进行迭代计算,判断当前的迭代次数是否达到预设迭代阈值,若是,则选出最优的适应度和对应的开关角个体;
当迭代次数小于预设迭代阈值时,对所述个体变异交叉,得到后代个体、并对所述后代个体重复计算所述因子代价、将父代的个体与子代的个体的种群进行合并,并根据新的种群更新所述标量适应度、所述技能因素和所述因子等级,并对所述新的种群进行环境选择,记录每代最优的适应度值,并将当前的所述迭代次数的值增加1,返回所述判断当前的迭代次数是否达到预设迭代阈值。
本实施例针对上述背景中SHE-PWM模型的求解,提出了一种崭新的将SHEPWM模型在进化任务框架方法下进行相应求解的模型,其详细的流程如下所示:
流程1:根据背景技术中SHEPWM问题的描述,可以将在不同调制比M下进行的SUBSHEPWM模型求解作为不同的子优化任务进行同时求解,这里假设有H个不同脉宽调制指数M的子SHEPWM最优化任务需要求解;Ti代表第i个子SHEPWM问题;因此SHEPWM求解模型在进化任务框架下方法可以定义为:
{X1,X2,···,XH}=argmin{F1(X),F2(X),···,FH(X)} (10)
其中Xi是第i个子SHEPWM问题最优开关角解,Fi是不同调制指数下子SHEPWM模型求解任务Ti的目标函数即背景技术中的(5)式。(整个模型是从(5)-(9)都是,(5)是目标函数值,(6)(7)是幅值与开关角度的关系(8)(9)则是约束条件)。
流程2:多电平变换器(2N+1)SHEPWM模型的认知增强型多任务进化求解方法创造了一个多个SUB-SHEPWM模型求解任务组成的环境,进化出一个单一的个体群体(内含多个个体)来同时解决多个任务,其中每一个任务作为一个独特的文化因素来影响整个群体的进化。以下为下述步骤中求解方法中的重要概念的解释:
定义1(Factorial Cost):个体pi在任务Tj上的因子代价这里λ是一个惩罚因子,并且/>和fi j定义为个体pi在任务Tj上约束违反总数和目标函数值(目标函数值是(5)式,把开关角带入(5)式就可以求解出目标函数值,约束违反总数是看求解出的优化角(即个体)是否违反了上面提到的三个约束条件的数目,惩罚因子是人为设定的一个非常大的值)。
定义2(Factorial Rank):个体pi在任务Tj上的因子等级ri j定义为按照因子代价升序排序之后种群列表里pi的索引。
定义3(ScalarFitness):个体pi的标量适应度定义为/>
定义4(Skill Factor):个体pi的技能因素τi定义为个人在所有任务中表现出最高能力的任务的索引,即
优选地,所述因子代价的公式为:其中,λ为预设的惩罚因子,/>和fi j分别为个体pi在所述求解任务Tj上的约束违反总数和目标函数值。
优选地,所述因子等级ri j为个体按照因子代价升序排序之后种群列表里个体pi的索引。
优选地,所述标量适应度的公式为:
优选地,所述技能因素τi为个体在所有任务中表现出最高能力的任务的索引,所述技能因素τi的公式为
流程3:本发明中同时执行H个SUB-SHEPWM问题的求解,所有的SUB-SHEPWM模型求解任务的维数均和搜索空间的维数保持一致,即优化角的个数l。整体求解方法的流程图如图4所示,因此首先在种群初始化步骤(流程2中的参数和H*L个优化角)中,每个个体都被赋予了一个由l维随机变量组成的向量(其中每个变量都位于固定范围内(0,π))。
流程4:设定根据多任务环境中的每个优化任务对每个L个开关角组成的个体进行评估同时评估每个个体的因子代价,计算初始化种群的因素等级以及技能因素为其接下来种群的变异交叉以及选择性评价做好准备。
评估因子代价根据定义来评估,然后才可以进一步可以得出种群的因素等级和技能因素。其中技能因素在个体的变异交叉和选择性评价过程有重要作用。
MFEA的一个关键特征是,两个随机选择的亲本候选人必须满足一定的条件才能进行交叉。遵循的原则是个体更喜欢与那些相同的文化背景的交配。(MFEA里技能因素代表个体的文化背景。因此,如果他们拥有相同的技能因素,两个随机选择的父母候选人可以自由地进行交叉。相反,如果他们的技能因素不同,个体就会以一个人为规定的随机交配概率或其他突变方式进行交叉变异。如果对每个个体的每个任务都进行评估,显然计算量会很大。易知,一个个体很难在所有任务上都表现的出色,因此,理想情况下,可以只针对最有可能出色执行的任务对个人进行评估。根据求解出的父代的技能因素,子代只在其父代技能因素对应的任务上评估,从而达到减少计算量的目的。
流程5:根据先验知识设计SHEPWM模型在认知增强型多任务进化求解方法中的迭代次数generation(预设迭代阈值),当迭代次数小于generation时,进行个体变异交叉得到后代个体、然后对后代个体重复计算因子代价、将父代个体与子代个体种群进行合并,然后根据新的种群更新标量适应度、技能因素及因素等级,最后进行环境选择(选择性评价)同时记录每代最好的适应度值,重复上述步骤直到迭代次数达到设定的generation。
环境选择就是选择性评价的过程,根据上述求解出的子代的技能因素,对每个个体其对应的M值的子SHEPWM模型进行相应的求解(即某个特定M值的(5)式进行评估),然后不断重复这样的评估过程并把记录的每代最好的适应值放入一个矩阵中方便我们最后寻找,直到达到迭代次数达到我们的设定值,从中选出个体计算出的目标函数最小的即可。
在流程5之后,一个个体很难在所有任务上都表现得很出色,因此根据上述最终迭代出的个体以及记录的技能因素,只针对最有可能出色执行的任务对个人进行评估,通过这种方法大大减少评估的次数,同时选出针对不同SUB-SHEPWM问题求解得到的最优的开关角解,这些优化角对应的开关角的解就是符合设定基波幅值的精度为10%,低次谐波幅值为基波幅值的2%以内的幅值调制目标的相应最优的开关角的解。即完成了在进化任务框架下SHEPWM模型问题的求解。
本实施例还提供了一种用于模块化多电平变换器的多任务处理系统,其特征在于,包括:
第一获取模块,用于获取不同调制比下的SHEPWM求解模型在进化任务框架下的求解公式;所述求解公式为{X1,X2,···,XH}=argmin{F1(X),F2(X),···,FH(X)};其中,H为调制比的个数,Xi是第i个子SHEPWM问题最优开关角解,Fi为不同调制比下的子SHEPWM模型的求解任务的目标函数;
第二获取模块,用于基于遗传算法,获取个体在所述求解任务上的因子代价、因子等级、标量适应度和技能因素;
初始化模块,用于对种群中的所述个体进行初始化;所述个体包括由l维随机变量组成的向量;l为优化角的个数;
评估模块,用于根据多任务环境中的每个优化任务对每L个开关角组成的个体进行评估同时评估每个个体的因子代价,并根据所述因子代价计算种群的所述因子等级和所述技能因素;
迭代模块,用于对所述种群进行迭代计算,判断当前的迭代次数是否达到预设迭代阈值,若是,则选出最优的适应度和对应的开关角个体;若否,对所述个体变异交叉,得到后代个体、并对所述后代个体重复计算所述因子代价、将父代的个体与子代的个体的种群进行合并,并根据新的种群更新所述标量适应度、所述技能因素和所述因子等级,并对所述新的种群进行环境选择,记录每代最优的适应度值,并将当前的所述迭代次数的值增加1,返回所述判断当前的迭代次数是否达到预设迭代阈值。
本实施例结合Matlab2020a与笔记本电脑对Co-EMT算法进行数值和仿真实验,为了比较多电平变换器(2N+1)特定谐波消除幅值调制的认知增强型多任务进化优化方法(Co-EMT)相对于DE、ACO、TLBO、BA、PSO、GA以及GPS方法的优劣性,利用Intel Core i7-10750H CPU@2.6GHz,16G RAM,以及Matlab 2020a进行仿真实验。通过求解一组M值从0.01到1.0的100个子SHE-PWM问题,对所有上述算法的性能进行了一组评估。所有算法在每个子SHE-PWM问题上均独立重复30次实验,且所有竞争算法的最大函数求值次数设置为100000,由于Co-EMT算法一次性求解所有问题,因此最大函数求值次数设置为5000000相当于每个子SHE-PWM问题最大函数求值次数为50000,仅为竞争算法次数的一半,其他相关参数均通过不断的试验进行相应的设置。
利用Matlab对各个子SHE-PWM问题进行求解的结果之间算法性能的对比,从结果上表明,Co-EMT算法比传统的算法所获得的最佳适应值更小,其次依次是GPS、BA、PSO、GA、TLBO、DE和ACO算法,且Co-EMT的最小适应值大约小于GPS约两个数量级。Co-EMT算法在各个电平级别均明显优于其他算法,而且Co-EMT在100%运行的情况下,获得的适应值小于100,这意味着Co-EMT总能找到可行解。Co-EMT总能维持THD值在1%以下。Co-EMT方法获得的基波质量明显优于其他方法所得到的基波质量。
表1给出了所有方法在Matlab2020a上仿真的针对每个SHE-PWM问题上的平均计算时间,可以看出Co-EMT比其他方法具有更高的计算效率。为了进一步验证上述数值结果,采用Simulink对结果进行验证,相关的MMC参数通过不断试验调试得出最佳的参数进行相应的设置。无论ARM子模块的数量和调制指数如何,THD和基波内容都得到了很好的控制。
表1
Levels | Co-EMT | DE | ACO | TLBO | BA | PSO | GA | GPS |
7 | 3.60 | 10.14 | 14.84 | 7.71 | 7.30 | 6.74 | 14.90 | 13.77 |
9 | 3.79 | 10.13 | 14.82 | 7.67 | 7.24 | 6.73 | 14.86 | 13.24 |
11 | 3.83 | 10.13 | 14.79 | 7.62 | 7.24 | 6.71 | 14.84 | 13.45 |
本实施例中,SHE-PWM控制模块组成如图5所示,实验平台由控制板直流电源和MMC高压直流电源供电。该试验方案中,使用PC机用于下载Co-EMT算法的程序到控制板上,同时利用DL 850E示波器编码器用于记录线路电压信号波形。实验方案中控制板采用德州仪器公司的TMS320F28335DSP将所有的开关角存储在一个查询表中,同时采用C语言实现闭环环流控制、电容电压平衡和过流/电压保护。采用Altera公司CoreEP3C16 FPGA利用Verilog语言编程进行脉宽调制、门控信号控制、过压过流保护等功能,还可以用信号处理板来采集和滤波电容电压、桥臂电流。无论调制指数M如何变化,THD的值均得到了有效抑制,这与仿真结果相符合,同时基波分量的幅值也得到了有效控制,实验效果表现良好,因此利用Co-EMT进化算法提升了不同调制指数下MMC多电平变换器开关角的求解速度与效率,可以利用有限的计算资源达到更好的计算效果。
本发明的有益效果如下:
(1)本发明首次尝试在进化多任务框架下求解SHE-PWM问题的非线性方程组并提出了新型的具有改进约束条件的双目标优化模型。
(2)传统的进化多任务方法只能解决2到3个任务的问题,而本发明中的Co-EMT方法成功处理了100个任务的多任务问题。
(3)本发明提供的Co-EMT方法在目标函数适应度、THD值、基本幅值质量和计算效率等方面均优于其他著名的元启发式算法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种用于模块化多电平变换器的多任务处理方法,其特征在于,包括:
获取不同调制比下的SHEPWM求解模型在进化任务框架下的求解公式;所述求解公式为{X1,X2,···,XH}=arg min{F1(X),F2(X),···,FH(X)};其中,H为调制比的个数,Xi是第i个子SHEPWM问题最优开关角解,Fi为不同调制比下的子SHEPWM模型的求解任务的目标函数;
基于遗传算法,获取个体在所述求解任务上的因子代价、因子等级、标量适应度和技能因素;
对种群中的所述个体进行初始化;所述个体包括由l维随机变量组成的向量;l为优化角的个数;
根据多任务环境中的每个优化任务对每L个开关角组成的个体进行评估同时评估每个个体的因子代价,并根据所述因子代价计算种群的所述因子等级和所述技能因素;
对所述种群进行迭代计算,判断当前的迭代次数是否达到预设迭代阈值,若是,则选出最优的适应度和对应的开关角个体;
当迭代次数小于预设迭代阈值时,对所述个体变异交叉,得到后代个体、并对所述后代个体重复计算所述因子代价、将父代的个体与子代的个体的种群进行合并,并根据新的种群更新所述标量适应度、所述技能因素和所述因子等级,并对所述新的种群进行环境选择,记录每代最优的适应度值,并将当前的所述迭代次数的值增加1,返回所述判断当前的迭代次数是否达到预设迭代阈值。
2.根据权利要求1所述的用于模块化多电平变换器的多任务处理方法,其特征在于,所述因子代价的公式为:其中,λ为预设的惩罚因子,/>和fi j分别为个体pi在所述求解任务Tj上的约束违反总数和目标函数值。
3.根据权利要求1所述的用于模块化多电平变换器的多任务处理方法,其特征在于,所述因子等级ri j为个体按照因子代价升序排序之后种群列表里个体pi的索引。
4.根据权利要求3所述的用于模块化多电平变换器的多任务处理方法,其特征在于,所述标量适应度的公式为:
5.根据权利要求3所述的用于模块化多电平变换器的多任务处理方法,其特征在于,所述技能因素τi为个体在所有任务中表现出最高能力的任务的索引,所述技能因素τi的公式为τi=arg minj∈{1,···,k}{ri j}。
6.一种用于模块化多电平变换器的多任务处理系统,其特征在于,包括:
第一获取模块,用于获取不同调制比下的SHEPWM求解模型在进化任务框架下的求解公式;所述求解公式为{X1,X2,···,XH}=arg min{F1(X),F2(X),···,FH(X)};其中,H为调制比的个数,Xi是第i个子SHEPWM问题最优开关角解,Fi为不同调制比下的子SHEPWM模型的求解任务的目标函数;
第二获取模块,用于基于遗传算法,获取个体在所述求解任务上的因子代价、因子等级、标量适应度和技能因素;
初始化模块,用于对种群中的所述个体进行初始化;所述个体包括由l维随机变量组成的向量;l为优化角的个数;
评估模块,用于根据多任务环境中的每个优化任务对每L个开关角组成的个体进行评估同时评估每个个体的因子代价,并根据所述因子代价计算种群的所述因子等级和所述技能因素;
迭代模块,用于对所述种群进行迭代计算,判断当前的迭代次数是否达到预设迭代阈值,若是,则选出最优的适应度和对应的开关角个体;若否,对所述个体变异交叉,得到后代个体、并对所述后代个体重复计算所述因子代价、将父代的个体与子代的个体的种群进行合并,并根据新的种群更新所述标量适应度、所述技能因素和所述因子等级,并对所述新的种群进行环境选择,记录每代最优的适应度值,并将当前的所述迭代次数的值增加1,返回所述判断当前的迭代次数是否达到预设迭代阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210627905.6A CN115118139B (zh) | 2022-06-06 | 2022-06-06 | 一种用于模块化多电平变换器的多任务处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210627905.6A CN115118139B (zh) | 2022-06-06 | 2022-06-06 | 一种用于模块化多电平变换器的多任务处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115118139A CN115118139A (zh) | 2022-09-27 |
CN115118139B true CN115118139B (zh) | 2024-04-16 |
Family
ID=83326083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210627905.6A Active CN115118139B (zh) | 2022-06-06 | 2022-06-06 | 一种用于模块化多电平变换器的多任务处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115118139B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101594045A (zh) * | 2009-07-06 | 2009-12-02 | 中国电力科学研究院 | 一种模块化多电平换流器的特定消谐方法 |
CN104270023A (zh) * | 2014-06-23 | 2015-01-07 | 中国矿业大学(北京) | 一种多电平逆变器的谐波优化调制方法 |
CN105868490A (zh) * | 2016-04-12 | 2016-08-17 | 温州大学 | 模块化多电平变换器多目标特定谐波抑制脉宽调制方法 |
CN108667284A (zh) * | 2018-05-21 | 2018-10-16 | 武汉科技大学 | 一种模块化多电平换流器环流抑制方法 |
CN111709526A (zh) * | 2020-05-19 | 2020-09-25 | 西安理工大学 | 一种基于多因子迁移学习的多模多目标演化算法 |
CN111832158A (zh) * | 2020-06-22 | 2020-10-27 | 中国石油大学(华东) | 一种基于改进粒子群算法的多电平逆变器谐波抑制优化策略 |
AU2021101990A4 (en) * | 2021-04-16 | 2021-06-03 | Chitrakala, G. DR | Inventive optimization tactics to diminish harmonic distortion in component count waned normally bypassed cascaded sources multilevel inverter |
-
2022
- 2022-06-06 CN CN202210627905.6A patent/CN115118139B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101594045A (zh) * | 2009-07-06 | 2009-12-02 | 中国电力科学研究院 | 一种模块化多电平换流器的特定消谐方法 |
CN104270023A (zh) * | 2014-06-23 | 2015-01-07 | 中国矿业大学(北京) | 一种多电平逆变器的谐波优化调制方法 |
CN105868490A (zh) * | 2016-04-12 | 2016-08-17 | 温州大学 | 模块化多电平变换器多目标特定谐波抑制脉宽调制方法 |
CN108667284A (zh) * | 2018-05-21 | 2018-10-16 | 武汉科技大学 | 一种模块化多电平换流器环流抑制方法 |
CN111709526A (zh) * | 2020-05-19 | 2020-09-25 | 西安理工大学 | 一种基于多因子迁移学习的多模多目标演化算法 |
CN111832158A (zh) * | 2020-06-22 | 2020-10-27 | 中国石油大学(华东) | 一种基于改进粒子群算法的多电平逆变器谐波抑制优化策略 |
AU2021101990A4 (en) * | 2021-04-16 | 2021-06-03 | Chitrakala, G. DR | Inventive optimization tactics to diminish harmonic distortion in component count waned normally bypassed cascaded sources multilevel inverter |
Non-Patent Citations (1)
Title |
---|
Pu,HY,et al.Efficient(2N+1)selective harmonic elimination in modular multilevel converters using an evolutionary many-tasking approach with prior knowledge.《APPLIED SOFT COMPUTING》.2023, * |
Also Published As
Publication number | Publication date |
---|---|
CN115118139A (zh) | 2022-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A novel hybrid forecasting system of wind speed based on a newly developed multi-objective sine cosine algorithm | |
Rizk-Allah et al. | Chaos-opposition-enhanced slime mould algorithm for minimizing the cost of energy for the wind turbines on high-altitude sites | |
Joshi et al. | An improved TLBO based economic dispatch of power generation through distributed energy resources considering environmental constraints | |
CN111612125B (zh) | 一种面向在线学习的新型htm时间池方法及其系统 | |
CN109242136A (zh) | 一种微电网风电功率混沌遗传-bp神经网络预测方法 | |
Sun et al. | Wrapper feature selection based on lightning attachment procedure optimization and support vector machine for intrusion detection | |
CN107203811A (zh) | 一种基于改进qpso算法的rbf神经网络优化方法 | |
CN112803434A (zh) | 有源配电网的无功优化方法、装置、设备和存储介质 | |
Li et al. | Dual-stage hybrid learning particle swarm optimization algorithm for global optimization problems | |
CN115118139B (zh) | 一种用于模块化多电平变换器的多任务处理方法及系统 | |
Zhang et al. | A modified random forest based on kappa measure and binary artificial bee colony algorithm | |
Goh et al. | Hybrid SDS and WPT-IBBO-DNM based model for ultra-short term photovoltaic prediction | |
Brafman et al. | Probabilistic programs as an action description language | |
CN116882838A (zh) | 一种基于Stacking集成策略的短期电压稳定性评估方法 | |
CN116566061A (zh) | 一种并网逆变器系统稳定性在线监测方法及系统 | |
CN115936926A (zh) | 一种基于smote-gbdt的不平衡窃电数据分类方法、装置、计算机设备和存储介质 | |
Mohammadi et al. | An evolutionary tuning technique for type-2 fuzzy logic controller | |
Madeiro et al. | Gradient-based algorithms for the automatic construction of fuzzy cognitive maps | |
Matteucci | ELeaRNT: Evolutionary learning of rich neural network topologies | |
Kong3d et al. | Parallel Seagull Optimization Algorithm for Application in Distribution Network Reactive power optimization | |
Virto et al. | Approximate Solutions of Complex Influence Diagrams through MCMC Methods. | |
Wang et al. | Online load-loss risk assessment based on stacking ensemble learning for power systems | |
Khoa et al. | Training multilayer neural network by global chaos optimization algorithms | |
Chen et al. | Application of Multi-objective Gaussian Water Cycle Algorithm in Optimal Power Flow Problems | |
Yang et al. | The modeling of time series based fuzzy cognitive maps and its application in the furnace temperature prediction |
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 |