CN115455721A - 一种并网三相逆变器控制参数整定方法及系统 - Google Patents
一种并网三相逆变器控制参数整定方法及系统 Download PDFInfo
- Publication number
- CN115455721A CN115455721A CN202211166822.8A CN202211166822A CN115455721A CN 115455721 A CN115455721 A CN 115455721A CN 202211166822 A CN202211166822 A CN 202211166822A CN 115455721 A CN115455721 A CN 115455721A
- Authority
- CN
- China
- Prior art keywords
- butterfly
- voltage
- current
- expressed
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005457 optimization Methods 0.000 claims abstract description 69
- 230000006870 function Effects 0.000 claims abstract description 47
- 230000010354 integration Effects 0.000 claims abstract description 16
- 230000003044 adaptive effect Effects 0.000 claims abstract description 10
- 238000006243 chemical reaction Methods 0.000 claims abstract description 6
- 230000001953 sensory effect Effects 0.000 claims description 19
- 239000003205 fragrance Substances 0.000 claims description 14
- 241000255777 Lepidoptera Species 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000000739 chaotic effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000000087 stabilizing effect Effects 0.000 claims description 3
- 230000000638 stimulation Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010248 power generation Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- 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
- H02M7/53—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 using devices of a triode or transistor type requiring continuous application of a control signal
- H02M7/537—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 using devices of a triode or transistor type requiring continuous application of a control signal using semiconductor devices only, e.g. single switched pulse inverters
- H02M7/5387—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 using devices of a triode or transistor type requiring continuous application of a control signal using semiconductor devices only, e.g. single switched pulse inverters in a bridge configuration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/40—Arrangements for reducing harmonics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种并网三相逆变器控制参数整定方法及系统，其方法包括：获取参考电压与实际电压的电压差，并将作为电压外环控制器的输入量，其输出外环控制器电流；获取负载电流与外环控制器电流的电流差，并将其输送给电流内环控制器；获取电流差的积分准则，负载的输出电压谐波畸变率和滤波器的功率损耗，并对其分别进行加权作为优化目标函数；通过改进蝴蝶优化算法对电压外环控制器和电流内环控制器进行参数整定，获取参数的最优值，以及获取优化目标函数的最小适应值；对电流内环控制器输出值进行空间矢量脉宽调制变换，输出控制信号；将控制信号输送给三相逆变桥，稳定实际电压。通过本发明能够保证反馈电压波形谐波含量少。
Description
技术领域
本发明涉及电力技术领域，具体为一种并网三相逆变器控制参数整定方法及系统。
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，直接决定了新能源电站送出的电能能否可靠、高效地送入公用电网，同时也对电网的稳定性是否会受到新能源电站的负面影响有着很大关系。逆变器作为新能源发电与用户负载之间的接口，为负载提供安全可靠电能，保证负载稳定运行。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，合理选择控制参数至关重要。
并网逆变器的控制方式有很多种，传统的PI控制器，在选取控制器参数方面，参数的整定方法主要有传统参数整定方法和智能参数优化方法。其中传统参数整定方法有：Z-N法、临界比例度法、衰减曲线法等，这类方法都是根据工程经验公式进行近似整定，还需要在实际运行中最后调整和完善，整定精度不高，并且非常依赖操作者的经验。智能算法优化方法主要有：神经网络、模糊控制、遗传算法、粒子群优化算法等。粒子群优化算法是群体智能算法中最为经典的一种方法，但是存在容易陷入局部最优区域和收敛较慢的缺陷。QPR控制不仅可以消除PI控制器在电网频率下跟随正弦信号时的稳态误差，而且在电网频率发生一定偏移时，也能有效地抑制输出引起的谐波。随着工业控制精细化要求的逐渐提高，分数阶PIλ控制方法因其在控制精度以及控制范围上的优势而逐渐得到了广泛的应用。QPR控制与分数阶PIλ控制方法虽然具有非常优良的控制性能，但是其参数整定问题一直是影响其工作性能优良与否的最大因素。
在现有技术中，专利申请公布号为CN113541196A的发明专利，一种单相LC型并网逆变器分数阶控制方法，将分数阶PID控制器应用于单相LC逆变器控制策略中，通过并网逆变器有效地将新能源的电能转换为可接入电网的交流电，考虑电容和电感的分数阶特性，设计分数阶双闭环控制策略，实现对逆变器的有效控制。
发明内容
本发明所要解决的技术问题在于：解决因为电压QPR控制器和电流分数阶控制器因为控制参数不精准影响工作性能的问题。
为解决上述技术问题，本发明提供如下技术方案：
一种并网三相逆变器控制参数整定方法，包括以下步骤：
S100，获取参考电压与实际电压的电压差，并将所述电压差作为电压外环控制器的输入量，其所述电压外环控制器输出外环控制器电流；
S200，获取负载电流与所述外环控制器电流的电流差，并将所述电流差输送给电流内环控制器；
S300，获取所述电流差的积分准则，负载的输出电压谐波畸变率和滤波器的功率损耗，并对其分别进行加权作为优化目标函数；
S400，通过改进蝴蝶优化算法对所述电压外环控制器和所述电流内环控制器进行参数整定，获取所述参数的最优值，以及获取所述优化目标函数的最小适应值；
S500，对所述电流内环控制器输出值进行空间矢量脉宽调制变换，输出控制信号；
S600，将所述控制信号输送给三相逆变桥，稳定所述实际电压。
优点：在初始化过程中，采用折射对立学习机制，通过调整折射率减小入射光线角度，通过调整e值增加得折射光线长度可使折射对立解进一步靠近最优解，通过动态切换搜索策略以提高改进蝴蝶优化算法后期的收敛速度，使参数寻优精度更高，负载电压稳定效果更好，谐波补偿效果更佳。
在本发明的一实施例中，获取所述电流差的积分准则，通过以下公式：
式中，ITAE表示为电流差的积分准则，e(t')表示为电流差，t'表示为时间，取值范围为[0，T]；
获取所述负载的输出电压谐波畸变率，通过以下公式：
式中，THD表示为负载的输出电压谐波畸变率，uzon表示为负载输出电压各次谐波幅值，uzo1表示为负载输出电压基波幅值，n表示为谐波次数，取值范围为[2,∞]；
获取所述滤波器的功率损耗，通过以下公式：
式中，f表示为滤波器的功率损耗，R表示为负载侧的电阻，Udc表示为三相逆变桥直流侧电压，ω表示为角速度，C表示为滤波器中的电容。
在本发明的一实施例中，通过以下公式获取所述优化目标函数：
式中，F表示为优化目标，a'表示为电流差的积分准则的权重系数，b'表示为负载的输出电压谐波畸变率，c'表示为滤波器的功率损耗的权重系数。
在本发明的一实施例中，通过改进蝴蝶优化算法对所述电压外环控制器和所述电流内环控制器进行参数整定，获取所述参数的最优值，包括以下步骤：
S410，初始化蝴蝶位置，设定D维搜索空间，获取蝴蝶种群初始位置；
S420，根据蝴蝶个体香味的感官形态系数，获取其他蝴蝶感知到的香味强度函数，并在所述改进蝴蝶优化算法参数寻优过程中，获取迭代次数对应的感官形态系数；
S430，根据所述迭代次数，获取切换概率，根据所述切换概率，所述改进蝴蝶优化算法动态切换搜索策略，不断迭代待优化蝴蝶种群初始位置；
S440，若所述切换概率小于随机数，所述蝴蝶种群处于全局搜索阶段，则蝴蝶种群将以当前全局最优蝴蝶个体为目标向其移动，获取最优蝴蝶个体位置，并对最优蝴蝶种群位置进行更新；
S450，若所述切换概率大于所述随机数，所述蝴蝶群体处于局部搜索阶段，则所述蝴蝶种群将以随游走的方式移动，获取最优蝴蝶种群位置，并对蝴蝶个体最优位置进行更新；
S460，重复操作S420和S450，更新最优蝴蝶种群位置和最优蝴蝶个体位置，判断迭代次数是否满足终止条件，若满足，则输出最优解，若不满足，则继续进行寻优迭代；
S470，根据输出最优解，获取所述电压外环控制器和所述电流内环控制器的最优参数值。
在本发明的一实施例中，所述获取蝴蝶种群初始位置，包括以下步骤：
随机生成蝴蝶位置；
其中，
x0i＝lb×(ud-lb)×rand()；
式中，x0i表示为蝴蝶群体中第i中蝴蝶的位置，i＝1,2,3,…N，N表示为蝴蝶种群的总数量，ud表示为搜索空间的上界，lb表示为搜索空间的下届，rand() 表示为由rand函数在(0，1)区间生成的随机数；
在初始化的过程中，采用折射对立学习机制，在横坐标和纵坐标的焦点为搜索范围[a，b]的中心点，获取入射角和折射角的正玄函数；
其中，
sinα＝[(a+b)/2-x]/l；
sinβ＝[x'-(a+b)/2]/l*；
式中，sin表示为正玄函数，α表示为入射角，β表示为折射角，x表示为原始解，x'表示为折射对立解，l表示为入射光线的长度，l*表示为折射光线的长度；
根据所述入射角和所述折射角的正玄函数，获取折射率；
其中，
式中，η表示为折射率；
根据所述入射光线的长度、所述折射光线的长度和所述折射率，获取所述折射率对立解；
其中，令e＝l/l*，e无任何意义；
x'＝(a+b)/2+{[a+b]/2-x}/en＝η；
将所述折射率对立解带入随机生成的蝴蝶位置，所述获取蝴蝶种群初始位置；
其中，
x'i＝a+b-x0i；
式中，x'i表示为蝴蝶种群初始位置。
在本发明的一实施例中，所述获取其他蝴蝶感知到的香味强度函数，通过以下公式获取：
式中，f(x)表示为香味强度函数,c0表示为感官形态系数，c0的初值为0.01， I表示为刺激强度，
表示为强度系数，其取值范围为[0，1]；
所述获取迭代次数对应的感官形态系数，通过以下公式：
citer-1＝citer×[0.025/(citer×itermax)]；
式中，iter表示为迭代次数，itermax表示为最大迭代次数，Citer表示为第 iter次迭代对应的感官形态系数，Citer-1表示为第iter-1次迭代对应的感官形态系数。
在本发明的一实施例中，所述切换概率通过以下公式获取：
式中，Pd表示为切换概率。
在本发明的一实施例中，所述蝴蝶种群处于全局搜索阶段时：
所述最优蝴蝶个体位置，通过以下公式获取：
式中，f*表示为当前全局最优解，fi表示为第i个蝴蝶个体产生香味的感知强度；
表示为更新后第i+1只蝴蝶个体位置，xi iter表示为第i只蝴蝶个体位置；
所述改进蝴蝶优化算法采用Cubic混沌映射对所述最优蝴蝶种群位置进行更新，其通过以下公式更新：
xi+1＝ρ×xi×(1-xi 2)；
式中，xi+1表示为更新后第i+1个蝴蝶种群位置，xi表示为第i个蝴蝶种群位置，ρ表示为控制参数。
在本发明的一实施例中，所述蝴蝶群体处于局部搜索阶段时：
所述最优蝴蝶种群位置，通过以下公式获取：
xi+1＝xi+(rand()2×xj-xk)×fi；
式中，xj、xk为随机选择的两个蝴蝶个体；
所述改进蝴蝶优化算法采用自适应t分布对最优蝴蝶个体位置进行更新，其通过以下公式更新：
式中，t(iter)表示为以迭代次数为参数自由度的自适应t分布。
本发明还提供一种并网三相逆变器控制参数整定系统，包括：
三相电压模块，用于输出所述实际电压；
第一减法模块，用于获取参考电压与所述实际电压的电压差；
电压外环控制器，用于将所述电压差作为输入量，并输出外环控制器电流；
滤波器模块，用于输出负载电流；
第二减法模块，用于获取所述负载电流与所述外环控制器电流的电流差；
电流内环控制器，用于将所述电流差作为输入量；
目标函数模块，用于获取所述电流差的积分准则，负载的输出电压谐波畸变率和所述滤波器模块的功率损耗，并对其分别进行加权作为优化目标函数；
改进蝴蝶优化算法模块，用于对所述电压外环控制器和所述电流内环控制器进行参数整定，获取所述参数的最优值，以及获取所述优化目标函数的最小适应值；
变换模块，用于将获取的所述电流内环控制器的输出值变换，输出控制信号；
三相逆变桥，用于获取所述控制信号，稳定所述实际电压。
与现有技术相比，本发明的有益效果是：通过本发明的改进蝴蝶优化算法进行参数整定，通过采用折射对立学习机制，获取在蝴蝶种群初始位置，并根据切换概率，动态切换搜索策略，使逆变器负载电压稳定性更好，恩补偿过后的负载电压和电流的谐波畸变率值更小，得提高了谐波的补偿的有效性和实时性，降低稳态误差，并验证了改进蝴蝶优化算法整定并网三相逆变器控制参数的可行性。
附图说明
图1为本发明实施例的一种并网三相逆变器控制参数整定方法流程图。
图2为本发明实施例的获取所述参数的最优值的流程图。
图3为本发明实施例的获取所述获取蝴蝶种群初始位置的流程图。
图4为本发明实施例的改进蝴蝶优化算法与传统蝴蝶优化算法迭代对比示意图。
图5为本发明实施例的改进蝴蝶优化算法后的并网逆变器负载电压波形示意图。
图6为本发明实施例的改进蝴蝶优化算法后的并网逆变器负载电流波形示意图。
图7为本发明实施例的传统蝴蝶优化算法的并网逆变器负载电流波形示意图。
图8为本发明实施例的改进蝴蝶优化算法的并网逆变器负载电流谐波分析图。
图9为本发明实施例的传统蝴蝶优化算法的并网逆变器负载电流谐波分析图。
图10为本发明实施例的一种并网三相逆变器控制参数整定系统示意图。
具体实施方式
为便于本领域技术人员理解本发明技术方案，现结合说明书附图对本发明技术方案做进一步的说明。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
请参阅图1所示，本发明提供一种并网三相逆变器控制参数整定方法，包括以下步骤：
S100，获取参考电压与实际电压的电压差，并将所述电压差作为电压外环控制器的输入量，其所述电压外环控制器输出外环控制器电流。
S200，获取负载电流与所述外环控制器电流的电流差，并将所述电流差输送给电流内环控制器。
S300，获取所述电流差的积分准则，负载的输出电压谐波畸变率和滤波器的功率损耗，并对其分别进行加权作为优化目标函数。
其中，获取所述电流差的积分准则，通过以下公式：
式中，ITAE表示为电流差的积分准则，e(t')表示为电流差，t′表示为时间，取值范围为[0，T]。
获取所述负载的输出电压谐波畸变率，通过以下公式：
式中，THD表示为负载的输出电压谐波畸变率，uzon表示为负载输出电压各次谐波幅值，uzo1表示为负载输出电压基波幅值，n表示为谐波次数，取值范围为[2,∞]。
获取所述滤波器的功率损耗，通过以下公式：
式中，f表示为滤波器的功率损耗，R表示为负载侧的电阻，Udc表示为三相逆变桥直流侧电压，ω表示为角速度，C表示为滤波器中的电容。
通过以下公式获取所述优化目标函数：
式中，F表示为优化目标，a'表示为电流差的积分准则的权重系数，b'表示为负载的输出电压谐波畸变率，c'表示为滤波器的功率损耗的权重系数。
a'+b'+c'＝1，其权重系数的比例根据实际应用调整。
通过改进蝴蝶优化算法对控制参数寻优，过在可选范围内找到使目标函数最小。
S400，通过改进蝴蝶优化算法对所述电压外环控制器和所述电流内环控制器进行参数整定，获取所述参数的最优值，以及获取所述优化目标函数的最小适应值。
请参阅图1至图3所示，在本发明的一实施例中，在本实施例中，对电压外环控制器即外环QPR控制器的参数Kp、Kr和Wc进行整定，对电流内环控制器即内环分数阶PIλ控制器的参数Kp1、Ki1和λ进行整定，通过找到这些参数的最优值，并分别赋给对应的控制器模型，得到目标函数最小值，即最优适应度值。
在步骤S400中，通过改进蝴蝶优化算法对所述电压外环控制器和所述电流内环控制器进行参数整定，获取所述参数的最优值，包括以下步骤：
S410，初始化蝴蝶位置，设定D维搜索空间，获取蝴蝶种群初始位置。
其中，所述获取蝴蝶种群初始位置，包括以下步骤：
S411，随机生成蝴蝶位置。
其中，随机生成蝴蝶位置为以下公式：
x0i＝lb×(ud-lb)×rand()；
式中，x0i表示为蝴蝶群体中第i中蝴蝶的位置，i＝1,2,3,…N，N表示为蝴蝶种群的总数量，ud表示为搜索空间的上界，lb表示为搜索空间的下届，rand() 表示为由rand函数在(0，1)区间生成的随机数；
S412，在初始化的过程中，采用折射对立学习机制，在横坐标和纵坐标的焦点为搜索范围[a，b]的中心点，获取入射角和折射角的正玄函数。
其中，入射角的正玄将函数通过以下公式获取：
sinα＝[(a+b)/2-x]/l；
折射角的正玄将函数通过以下公式获取：
sinβ＝[x'-(a+b)/2]/l*；
式中，sin表示为正玄函数，α表示为入射角，β表示为折射角，x表示为原始解，x'表示为折射对立解，l表示为入射光线的长度，l*表示为折射光线的长度。
S413，根据所述入射角和所述折射角的正玄函数，获取折射率；
其中，折射率通过以下公式获取：
式中，η表示为折射率。
在初始化过程中，采用折射对立学习机制，折射对立学习机制是在对立学习的基础上融合光线折射原理搜索全局最优解，令入射光线和和折射光线的长度，入射角和折射角，在横坐标轴x与纵坐标轴y的交点为搜索范围[a,b] 的中心点上，获取其正玄函数。
S414，根据所述入射光线的长度、所述折射光线的长度和所述折射率，获取所述折射率对立解；
其中，令e＝l/l*，e无任何必表示意义，仅为一个比值，所述折射率对立解通过以下公式获取：
x'＝(a+b)/2+{[a+b]/2-x}/en＝η；
S415，将所述折射率对立解带入随机生成的蝴蝶位置，所述获取蝴蝶种群初始位置；
其中，取蝴蝶种群初始位置通过以下公式获取：
x'i＝a+b-x0i；
式中，x′i表示为蝴蝶种群初始位置。通过调整折射率减小入射光线角度可使折射对立解进一步靠近最优解，通过调整e值增加得折射光线长度可使折射对立解进一步靠近最优解。
S420，根据蝴蝶个体香味的感官形态系数，获取其他蝴蝶感知到的香味强度函数，并在所述改进蝴蝶优化算法参数寻优过程中，获取迭代次数对应的感官形态系数。
蝴蝶群体中，每一只蝴蝶都有自己独特的感觉和个体感知能力。蝴蝶个体所产生得香味得感知强度，其香味被其他蝴蝶感知到。
其中，所述获取其他蝴蝶感知到的香味强度函数，通过以下公式获取：
式中，f(x)表示为香味强度函数,c0表示为感官形态系数，c0表示为感官系数的初值，在本实施例中为0.01，I表示为刺激强度，
表示为强度系数，其取值范围为[0，1]。
所述获取迭代次数对应的感官形态系数，通过以下公式：
citer-1＝citer×[0.025/(citer×itermax)]；
式中，iter表示为迭代次数，itermax表示为最大迭代次数，Citer表示为第 iter次迭代对应的感官形态系数，Citer-1表示为第iter-1次迭代对应的感官形态系数。
S430，根据所述迭代次数，获取切换概率，根据所述切换概率，所述改进蝴蝶优化算法动态切换搜索策略，不断迭代待优化蝴蝶种群初始位置。
改进蝴蝶优化算法动态切换搜索策略，搜索策略包括全局搜索和局部搜索，改进蝴蝶优化算法根据切换概率，动态切换搜索策略，以提高改进蝴蝶优化算法后期的收敛速度。
所述切换概率通过以下公式获取：
式中，Pd表示为切换概率。
S440，若所述切换概率小于随机数，所述蝴蝶种群处于全局搜索阶段，则蝴蝶种群将以当前全局最优蝴蝶个体为目标向其移动，获取最优蝴蝶个体位置，并对最优蝴蝶种群位置进行更新。
所述蝴蝶种群处于全局搜索阶段时，所述最优蝴蝶个体位置，通过以下公式获取：
式中，f*表示为当前全局最优解，fi表示为第i个蝴蝶个体产生香味的感知强度；
表示为更新后第i+1只蝴蝶个体位置，xi iter表示为第i只蝴蝶个体位置。
所述改进蝴蝶优化算法采用Cubic混沌映射对所述最优蝴蝶种群位置进行更新，其通过以下公式更新：
xi+1＝ρ×xi×(1-xi 2)；
式中，xi+1表示为更新后第i+1个蝴蝶种群位置，xi表示为第i个蝴蝶种群位置，ρ表示为控制参数。
S450，若所述切换概率大于所述随机数，所述蝴蝶群体处于局部搜索阶段，则所述蝴蝶种群将以随游走的方式移动，获取最优蝴蝶种群位置，并对蝴蝶个体最优位置进行更新。
所述蝴蝶群体处于局部搜索阶段时，所述最优蝴蝶种群位置，通过以下公式获取：
xi+1＝xi+(rand()2×xj-xk)×fi；
式中，xj、xk为随机选择的两个蝴蝶个体。
所述改进蝴蝶优化算法采用自适应t分布对最优蝴蝶个体位置进行更新，其通过以下公式更新：
式中，t(iter)表示为以迭代次数为参数自由度的自适应t分布。
S460，重复操作S420和S450，更新最优蝴蝶种群位置和最优蝴蝶个体位置，判断迭代次数是否满足终止条件，若满足，则输出最优解，若不满足，则继续进行寻优迭代。
S470，根据输出最优解，获取所述电压外环控制器和所述电流内环控制器的最优参数值。
S500，对所述电流内环控制器输出值进行空间矢量脉宽调制变换，输出控制信号。
S600，将所述控制信号输送给三相逆变桥，稳定所述实际电压。
请参阅图4至图9所示，在本发明的一实施例中，将改进蝴蝶优化算法和传统蝴蝶优化算法作对比，其的蝴蝶群群体大小取值为100，维数D设置为6，最大的迭代次数为20，控制参数ρ取固定值0.8，激励指数为0.1。其改进蝴蝶优化算法中，搜索空间的上界ud＝[30000 10000 5 3000 3000 1]，搜索空间的下届lb＝[0 0 1.5 0 0 0]，其效果对比如图所示，改进蝴蝶优化算法相比传统蝴蝶优化算法收敛速度更快、寻优精度更高，负载电压稳定效果更好，谐波补偿效果更佳。
请参阅图10所示，本发明还提供一种并网三相逆变器控制参数整定系统，包括：三相逆变桥100、滤波器200、负载300、三相电压模块400、锁相环 PLL、第一坐标变换模块510和第二坐标变换模块520。其中，三相逆变桥100 的输出端与滤波器200的输入端通信连接连接，滤波器200的输出端与负载 300的输入端通信连接，负载300的输出端与三相电压模块400的输入端通信连接，三相电压模块400的输出端与锁相环PLL的输入端通信连接，锁相环 PLL的输出端与第一坐标变换模块510的输入端连接，第一坐标变换模块510 的输出端输出实际电压u0，第二坐标变换模块520输入端与滤波器200的输出端通信连接，其第二坐标变换模块520的输出端输出负载电流iL，Udc为三相逆变桥直流侧电压。其中，锁相环PLL用于输出电压与输入电压保持固定的相位差值，其第一坐标变换模块510和第二坐标变换模块520为了将三相电路中的电流和电压的三相坐标，转换为两相坐标。
请参阅图10所示，在本发明的一实施例中，并网三相逆变器控制参数整定系统还包括第一减法模块610、电压外环控制器620、第二减法模块630、电流内环控制器640、目标函数模块650、改进蝴蝶优化算法模块660和变换模块670。其中，三相电压模块400用于输出实际电压u0，其在本实施例中，输出实际电压u0为经过锁相环PLL和第一坐标变换模块510处理过后的电压，第一减法模块610用于获取参考电压uref与所述实际电压u0的电压差，电压外环控制器620用于将所述电压差作为输入量，并输出外环控制器电流iref。第二减法模块630用于获取负载电流iL与外环控制器电流iref的电流差，其中，负载电流iL为滤波器200输出电流经过第二坐标变换模块520处理后的输出端的输出电流。电流内环控制器640用于将所述电流差作为输入量，目标函数模块650用于获取所述电流差的积分准则，负载的输出电压谐波畸变率和滤波器200的功率损耗，并对其分别进行加权作为优化目标函数。改进蝴蝶优化算法模块660用于对电压外环控制器620和电流内环控制器640进行参数整定，获取所述参数的最优值，以及获取所述优化目标函数的最小适应值，变换模块670用于将获取的电流内环控制器640的输出值变换，输出控制信号g，三相逆变桥100用于获取所述控制信号g，稳定所述实际电压。其中，变换模块670为通过SVPWM转化后的控制信号g，控制三相逆变桥100中 IDBT管的开关状态，其三相逆变桥100的输出侧的电压，经过滤波器200滤波后，输出负载侧电压波形，其所述的负载侧电压在本实施例中，可以理解为实际电压u0，通过控制实际电压u0，将其稳定在给定的参考电压uref，使得实际电压u0能更好跟踪参考电压uref，同时保证实际电压u0波形谐波含量少，使实际电压u0接近参考电压uref。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
以上所述实施例仅表示发明的实施方式，本发明的保护范围不仅局限于上述实施例，对于本领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明保护范围。
Claims (10)
1.一种并网三相逆变器控制参数整定方法，其特征在于，包括以下步骤：
S100，获取参考电压与实际电压的电压差，并将所述电压差作为电压外环控制器的输入量，其所述电压外环控制器输出外环控制器电流；
S200，获取负载电流与所述外环控制器电流的电流差，并将所述电流差输送给电流内环控制器；
S300，获取所述电流差的积分准则，负载的输出电压谐波畸变率和滤波器的功率损耗，并对其分别进行加权作为优化目标函数；
S400，通过改进蝴蝶优化算法对所述电压外环控制器和所述电流内环控制器进行参数整定，获取所述参数的最优值，以及获取所述优化目标函数的最小适应值；
S500，对所述电流内环控制器输出值进行空间矢量脉宽调制变换，输出控制信号；
S600，将所述控制信号输送给三相逆变桥，稳定所述实际电压。
2.根据权利要求1所述的并网三相逆变器控制参数整定方法，其特征在于，获取所述电流差的积分准则，通过以下公式：
式中，ITAE表示为电流差的积分准则，e(t')表示为电流差，t'表示为时间，取值范围为[0，T]；
获取所述负载的输出电压谐波畸变率，通过以下公式：
式中，THD表示为负载的输出电压谐波畸变率，uzon表示为负载输出电压各次谐波幅值，uzo1表示为负载输出电压基波幅值，n表示为谐波次数，取值范围为[2,∞]；
获取所述滤波器的功率损耗，通过以下公式：
式中，f表示为滤波器的功率损耗，R表示为负载侧的电阻，Udc表示为三相逆变桥直流侧电压，ω表示为角速度，C表示为滤波器中的电容。
3.根据权利要求2所述的并网三相逆变器控制参数整定方法，其特征在于，通过以下公式获取所述优化目标函数：
式中，F表示为优化目标，a'表示为电流差的积分准则的权重系数，b'表示为负载的输出电压谐波畸变率，c'表示为滤波器的功率损耗的权重系数。
4.根据权利要求1所述的并网三相逆变器控制参数整定方法，其特征在于，通过改进蝴蝶优化算法对所述电压外环控制器和所述电流内环控制器进行参数整定，获取所述参数的最优值，包括以下步骤：
S410，初始化蝴蝶位置，设定D维搜索空间，获取蝴蝶种群初始位置；
S420，根据蝴蝶个体香味的感官形态系数，获取其他蝴蝶感知到的香味强度函数，并在所述改进蝴蝶优化算法参数寻优过程中，获取迭代次数对应的感官形态系数；
S430，根据所述迭代次数，获取切换概率，根据所述切换概率，所述改进蝴蝶优化算法动态切换搜索策略，不断迭代待优化蝴蝶种群初始位置；
S440，若所述切换概率小于随机数，所述蝴蝶种群处于全局搜索阶段，则蝴蝶种群将以当前全局最优蝴蝶个体为目标向其移动，获取最优蝴蝶个体位置，并对最优蝴蝶种群位置进行更新；
S450，若所述切换概率大于所述随机数，所述蝴蝶群体处于局部搜索阶段，则所述蝴蝶种群将以随游走的方式移动，获取最优蝴蝶种群位置，并对蝴蝶个体最优位置进行更新；
S460，重复操作S420和S450，更新最优蝴蝶种群位置和最优蝴蝶个体位置，判断迭代次数是否满足终止条件，若满足，则输出最优解，若不满足，则继续进行寻优迭代；
S470，根据输出最优解，获取所述电压外环控制器和所述电流内环控制器的最优参数值。
5.根据权利要求4所述的并网三相逆变器控制参数整定方法，其特征在于，所述获取蝴蝶种群初始位置，包括以下步骤：
随机生成蝴蝶位置；
其中，
x0i＝lb×(ud-lb)×rand()；
式中，x0i表示为蝴蝶群体中第i中蝴蝶的位置，i＝1,2,3,…N，N表示为蝴蝶种群的总数量，ud表示为搜索空间的上界，lb表示为搜索空间的下届，rand()表示为由rand函数在(0，1)区间生成的随机数；
在初始化的过程中，采用折射对立学习机制，在横坐标和纵坐标的焦点为搜索范围[a，b]的中心点，获取入射角和折射角的正玄函数；
其中，
sinα＝[(a+b)/2-x]/l；
sinβ＝[x'-(a+b)/2]/l*；
式中，sin表示为正玄函数，α表示为入射角，β表示为折射角，x表示为原始解，x'表示为折射对立解，l表示为入射光线的长度，l*表示为折射光线的长度；
根据所述入射角和所述折射角的正玄函数，获取折射率；
其中，
式中，η表示为折射率；
根据所述入射光线的长度、所述折射光线的长度和所述折射率，获取所述折射率对立解；
其中，令e＝l/l*，e无任何意义；
x'＝(a+b)/2+{[a+b]/2-x}/en＝η；
将所述折射率对立解带入随机生成的蝴蝶位置，所述获取蝴蝶种群初始位置；
其中，
x'i＝a+b-x0i；
式中，x'i表示为蝴蝶种群初始位置。
6.根据权利要求4所述的并网三相逆变器控制参数整定方法，其特征在于，所述获取其他蝴蝶感知到的香味强度函数，通过以下公式获取：
式中，f(x)表示为香味强度函数,c0表示为感官形态系数，c0的初值为0.01，I表示为刺激强度，表示为强度系数，其取值范围为[0，1]；
所述获取迭代次数对应的感官形态系数，通过以下公式：
citer-1＝citer×[0.025/(citer×itermax)]；
式中，iter表示为迭代次数，itermax表示为最大迭代次数，Citer表示为第iter次迭代对应的感官形态系数，Citer-1表示为第iter-1次迭代对应的感官形态系数。
7.根据权利要求6所述的并网三相逆变器控制参数整定方法，其特征在于，所述切换概率通过以下公式获取：
式中，Pd表示为切换概率。
8.根据权利要求7所述的并网三相逆变器控制参数整定方法，其特征在于，所述蝴蝶种群处于全局搜索阶段时：
所述最优蝴蝶个体位置，通过以下公式获取：
式中，f*表示为当前全局最优解，fi表示为第i个蝴蝶个体产生香味的感知强度；
表示为更新后第i+1只蝴蝶个体位置，
表示为第i只蝴蝶个体位置；
所述改进蝴蝶优化算法采用Cubic混沌映射对所述最优蝴蝶种群位置进行更新，其通过以下公式更新：
xi+1＝ρ×xi×(1-xi 2)；
式中，xi+1表示为更新后第i+1个蝴蝶种群位置，xi表示为第i个蝴蝶种群位置，ρ表示为控制参数。
9.根据权利要求8所述的并网三相逆变器控制参数整定方法，其特征在于，所述蝴蝶群体处于局部搜索阶段时：
所述最优蝴蝶种群位置，通过以下公式获取：
xi+1＝xi+(rand()2×xj-xk)×fi；
式中，xj、xk为随机选择的两个蝴蝶个体；
所述改进蝴蝶优化算法采用自适应t分布对最优蝴蝶个体位置进行更新，其通过以下公式更新：
式中，t(iter)表示为以迭代次数为参数自由度的自适应t分布。
10.一种并网三相逆变器控制参数整定系统，其特征在于，包括：
三相电压模块，用于输出所述实际电压；
第一减法模块，用于获取参考电压与所述实际电压的电压差；
电压外环控制器，用于将所述电压差作为输入量，并输出外环控制器电流；
滤波器模块，用于输出负载电流；
第二减法模块，用于获取所述负载电流与所述外环控制器电流的电流差；
电流内环控制器，用于将所述电流差作为输入量；
目标函数模块，用于获取所述电流差的积分准则，负载的输出电压谐波畸变率和所述滤波器模块的功率损耗，并对其分别进行加权作为优化目标函数；
改进蝴蝶优化算法模块，用于对所述电压外环控制器和所述电流内环控制器进行参数整定，获取所述参数的最优值，以及获取所述优化目标函数的最小适应值；
变换模块，用于将获取的所述电流内环控制器的输出值变换，输出控制信号；
三相逆变桥，用于获取所述控制信号，稳定所述实际电压。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211166822.8A CN115455721A (zh) | 2022-09-23 | 2022-09-23 | 一种并网三相逆变器控制参数整定方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211166822.8A CN115455721A (zh) | 2022-09-23 | 2022-09-23 | 一种并网三相逆变器控制参数整定方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115455721A true CN115455721A (zh) | 2022-12-09 |
Family
ID=84307218
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211166822.8A Pending CN115455721A (zh) | 2022-09-23 | 2022-09-23 | 一种并网三相逆变器控制参数整定方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115455721A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160020628A1 (en) * | 2014-07-17 | 2016-01-21 | Nec Laboratories America, Inc. | Modular multilevel converter for hybrid energy storage |
| CN106655247A (zh) * | 2016-10-19 | 2017-05-10 | 哈尔滨理工大学 | 一种LCCL型光伏并网逆变器dq轴解耦控制设计方法 |
| CN112290534A (zh) * | 2020-09-18 | 2021-01-29 | 国网新疆电力有限公司经济技术研究院 | 一种电力系统稳定器参数优化方法及系统 |
| CN112448697A (zh) * | 2020-10-30 | 2021-03-05 | 合肥工业大学 | 一种基于量子粒子群算法的有源滤波器优化方法及系统 |
| CN113552891A (zh) * | 2021-08-27 | 2021-10-26 | 金陵科技学院 | 一种基于改进的蝴蝶优化算法的机器人多目标路径规划 |
| CN113690926A (zh) * | 2021-07-09 | 2021-11-23 | 南昌大学 | 一种改进烟花算法优化单相逆变器控制参数整定方法 |
| CN114995579A (zh) * | 2022-06-17 | 2022-09-02 | 河海大学 | 融入记忆和自然选择的改进蝴蝶算法实现z源光伏mppt方法 |
-
2022
- 2022-09-23 CN CN202211166822.8A patent/CN115455721A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160020628A1 (en) * | 2014-07-17 | 2016-01-21 | Nec Laboratories America, Inc. | Modular multilevel converter for hybrid energy storage |
| CN106655247A (zh) * | 2016-10-19 | 2017-05-10 | 哈尔滨理工大学 | 一种LCCL型光伏并网逆变器dq轴解耦控制设计方法 |
| CN112290534A (zh) * | 2020-09-18 | 2021-01-29 | 国网新疆电力有限公司经济技术研究院 | 一种电力系统稳定器参数优化方法及系统 |
| CN112448697A (zh) * | 2020-10-30 | 2021-03-05 | 合肥工业大学 | 一种基于量子粒子群算法的有源滤波器优化方法及系统 |
| CN113690926A (zh) * | 2021-07-09 | 2021-11-23 | 南昌大学 | 一种改进烟花算法优化单相逆变器控制参数整定方法 |
| CN113552891A (zh) * | 2021-08-27 | 2021-10-26 | 金陵科技学院 | 一种基于改进的蝴蝶优化算法的机器人多目标路径规划 |
| CN114995579A (zh) * | 2022-06-17 | 2022-09-02 | 河海大学 | 融入记忆和自然选择的改进蝴蝶算法实现z源光伏mppt方法 |
Non-Patent Citations (4)
| Title |
|---|
| 吴亮灯: "基于改进蝴蝶优化算法的多阈值图像分割" * |
| 汪敏: "非线性策略和不同混沌映射改进的蝴蝶优化算法" * |
| 郑旭彬等: "一种新型并网逆变器LCL滤波器参数优化策略" * |
| 高文欣等: "柯西变异和自适应权重优化的蝴蝶算法" * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103346676B (zh) | Cz硅单晶炉用高频开关电源的控制系统及控制方法 | |
| CN113363963B (zh) | 一种改进麻雀搜索算法优化三相sapf直流侧控制方法 | |
| WO2019159504A1 (ja) | 電力変換器の制御装置 | |
| 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 | |
| CN109103884A (zh) | 基于元认知模糊神经网络的有源电力滤波器反演控制方法 | |
| CN113410864A (zh) | 一种基于改进人工蜂群算法的三相逆变器控制方法 | |
| CN111740575A (zh) | 一种基于最速下降法的逆变器模型参数自适应辨识方法 | |
| CN109861226B (zh) | 一种综合优化谐波稳定性和阻尼损耗的lcl滤波器设计方法 | |
| CN115455721A (zh) | 一种并网三相逆变器控制参数整定方法及系统 | |
| Negi et al. | Grid-connected photovoltaic system stability enhancement using ant lion optimized model reference adaptive control strategy | |
| CN110646518A (zh) | 一种超声换能器的输出控制方法及相关设备 | |
| CN113541170A (zh) | 燃料电池应急电源并网逆变控制方法及系统 | |
| 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 | |
| CN116610029A (zh) | 基于鲸鱼算法的模糊pid控制的逆变器控制方法 | |
| CN109390948B (zh) | 一种低电压治理设备的模糊无模型自适应控制方法 | |
| 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 | |
| CN116581770B (zh) | 基于自适应神经网络的微网系统vsg双下垂控制方法 | |
| CN115542725A (zh) | 一种数字化开关电源的自适应调节方法 | |
| CN113962181B (zh) | 构网型电压源换流器双环控制参数优化设计方法 | |
| CN113690944B (zh) | 一种用于逆变器的预测型离散复变量谐振控制方法 | |
| Sahoo et al. | Optimal design and implementation of fuzzy fractional order PID controller for AGC study | |
| Syed et al. | A genetic algorithm optimized fuzzy logic controller for shunt active power filter | |
| Li et al. | WOA–PSO of fractional-order PID control for arc plasma power supply inverter modules | |
| Nagaraj et al. | Soft computing-based optimum design of PID controller for a position control of DC motor | |
| CN118367809A (zh) | 基于ifisa的三相逆变器控制参数的整定方法及系统 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20221209 |