CN115864402A - 一种基于混沌改进猎人猎物算法的并联有源电力滤波器参数辨识方法 - Google Patents

一种基于混沌改进猎人猎物算法的并联有源电力滤波器参数辨识方法 Download PDF

Info

Publication number
CN115864402A
CN115864402A CN202211509820.4A CN202211509820A CN115864402A CN 115864402 A CN115864402 A CN 115864402A CN 202211509820 A CN202211509820 A CN 202211509820A CN 115864402 A CN115864402 A CN 115864402A
Authority
CN
China
Prior art keywords
prey
hunter
current
algorithm
chaos
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
CN202211509820.4A
Other languages
English (en)
Inventor
聂晓华
杜帅帅
熊旺
王文聪
邱文浩
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 CN202211509820.4A priority Critical patent/CN115864402A/zh
Publication of CN115864402A publication Critical patent/CN115864402A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于混沌改进猎人猎物算法的并联有源电力滤波器参数辨识方法，涉及电力技术领域，引进混沌改进猎人猎物优化算法(CHPO算法)对并联有源电力滤波器进行参数辨识，由于猎人猎物优化算法能够同时进行搜索和开发，在猎物位置进行更新时,利用混沌改进猎人猎物算法对猎物进行搜索和开发,防止猎物丧失多性,易陷入局部最优解，与此同时在猎人猎物算法的基础上引进了混沌改进算法提高了算法遍历性,所提出的CHPO算法对解决单峰和多峰问题具有足够的探索和开发能力，与其他优化算法相比，CHPO算法的性能更优越，大大地提高了全局最优解的收敛速度，对并联有源电力滤波器参数辨识具有重大意义。

Description

一种基于混沌改进猎人猎物算法的并联有源电力滤波器参数 辨识方法
技术领域
本发明涉及电力技术领域，具体涉及一种基于混沌改进猎人猎物算法的并联有源电力滤波器参数辨识方法。
背景技术
微电网的概念是在21世纪初被正式提出的，作为近十来年出现的电网新型发展方向，对它的研究仍在不断地进行中。如今由于微电网非线性负载投入的愈加频繁，因而微网中的谐波问题更为常见。谐波会影响电力设备的正常运行，增大损耗，降低设备使用寿命，甚至还有可能发生谐振，导致仪器仪表出现异常指示，使得继电保护装置做出一些错误动作等等，对电网的安全和正常运行造成非常大的影响。由于电力电子装置自身具有非线性负载的特性致使大量的谐波电流与无功电流进入电网中，大量的谐波污染降低了电网的功率因数，增加了电力系统运行的负担，超过一定标准的谐波含量将会严重威胁电气设备的安全和稳定运行。因此，为了改善对微电网的电能质量，微电网谐波抑制这一研究内容有着重大的现实意义，并联有源电力滤波器(SAPF)可以有效地抑制谐波并实时补偿无功功率，已成为最常用的电能质量治理设备之一。并联有源电力滤波器在进行谐波补偿工作时，直流侧电容C两端的电压会产生变化，比如，系统工作运行过程中的损耗也会使直流侧电压值变小。这种电压变大或变小的不稳定变化会影响SAPF输出合理的补偿电流,导致最终谐波补偿结果不理想。因此，对于SAPF直流侧电压，需要使用某种方法来对它进行控制，使其稳定在某一参考值附近有利于保证谐波补偿的精度。有源电力滤波器APF可以对电力电子装置进行动态的谐波抑制，跟踪、补偿不断变化的无功功率，因此在治理电网谐波方面得到了广泛的应用。并联有源电力滤波器的核心部件为控制系统，控制系统性能的好坏对有源电力滤波器的性能起着决定性的影响。
发明内容
为解决现有的收敛速度较慢问题，本发明的目的在于提供一种基于混沌改进猎人猎物算法的并联有源电力滤波器参数辨识方法，引进混沌改进猎人猎物算法对并联有源电力滤波器模型进行参数辨识，由于猎人猎物算法能够同时进行搜索和开发，与此同时在猎人猎物算法的基础上引进了混沌算法，提高了算法遍历性,大大地提高了全局最优解的收敛速度，对并联有源电力滤波器模型参数辨识具有重大意义。
本发明具体采用以下技术方案：
一种基于混沌改进猎人猎物算法的并联有源电力滤波器参数辨识方法，包括以下步骤：
Step1：初始化猎人猎物群，将初始总体随机设置为
Figure BDA0003970252550000021
Figure BDA0003970252550000022
然后将种群总体所有成员的目标函数计算为/>
Figure BDA0003970252550000023
Figure BDA0003970252550000024
最大迭代次数为MaxIt，最大种群数量为nPop；
Step2：初始群体中每个成员的位置由下式在搜索空间中随机生成；
Xi＝Rand(1，d).*(ub-lb)+lb
式中：Xi是猎人或猎物的位置，lb是变量的下界，ub是变量的上界，d是变量的数量；
下式定义了搜索空间的下界和上界，算法中的变量上下限可能相同或不同：
lb＝{lb1，lb2，···，lbd}，ub＝{ub1，ub2，···，ubd}
Step3：生成初始总体并确定每个成员的位置后，使用目标函数Oi＝f(x)计算每个解的适应度值；
Step4：猎人的搜索机制包括两个步骤：探索模式和开发模式；搜索机制的数学模型：
xij(t+1)＝xij(t)+0.5[(2CZPpos(j)-xij(t))+(2(1-C)Zμ(j)-xij(t))]
式中：xij(t)是当前猎人位置，xij(t+1)是猎人下一次迭代位置，Ppos是猎物位置，μ是所有位置的平均值，Z是计算得出的自适应参数，C是探索模式和开发模式之间的平衡参数：
Figure BDA0003970252550000025
其中it是当前迭代次数；
Figure BDA0003970252550000026
其中
Figure BDA0003970252550000031
和/>
Figure BDA0003970252550000032
是[0,1]之间的随机向量，P是索引值，R2是0到1之间的随机数，IDX是满足等式要求的向量/>
Figure BDA0003970252550000033
的索引值；
Step5：计算得出猎物Ppos的位置，首先要计算出所有位置的平均值μ，然后计算每个猎物位置跟该平均值μ的距离；
Figure BDA0003970252550000034
再计算得出其欧几里得距离：
Figure BDA0003970252550000035
距离位置平均值最大的位置被视为猎物Ppos：
Figure BDA0003970252550000036
根据狩猎场景推测，当猎人捕获猎物时，位置在x(t)，猎物会死亡，而下一次，猎人会移动到新的猎物位置x(t+1)；所以考虑一种递减机制,得到其目前搜索最好位置：
kbest＝round(C×N)
其中N是猎物数量，将猎物位置计算为：
Figure BDA0003970252550000037
在算法开始时，kbest即目前搜索最好位置数量的值就等于N，所以最后一个距离搜索猎物位置的平均值μ最远的猎物，被猎人捕获；
Step6：记录保留种群中适应度最优的猎物；
Step7：假设最安全位置是最佳全局位置，猎物位置就需要得到更新，通过结合灰狼算法的猎物搜索公式，得到：
xij(t+1)＝0.5*(αpos(j)-A*Dα+βpos(j)-A*Dβ)+αlevi
式中，xij(t+1)是下一次迭代的位置，αpos(j)，βpos(j)分别是猎人最优位置和次优位置，
Figure BDA0003970252550000038
是猎物与猎人之间的距离，/>
Figure BDA0003970252550000039
意味着进入全局搜索，/>
Figure BDA00039702525500000310
意味着进入局部搜索，
Figure BDA00039702525500000311
和/>
Figure BDA00039702525500000312
分别是最优解和次优解并提高开发阶段的性能，αlevi是利用莱维飞行避免算法搜索陷入局部极值；
β＝2*rand()
σu＝((γ(1+β)*sin(π*β/2))/(γ((1+β/2)*β*2(0.5(β-1))))(1/β)
u＝normrnd(0，σu)
v＝normrnd(0，1)
αlevi＝0.01*u/|v|-β*(HPpos(i,j)-HPpos(i,:))
Figure BDA0003970252550000041
Figure BDA0003970252550000042
Figure BDA0003970252550000043
Figure BDA0003970252550000044
式中，参数β是0到2的随机数，σu是满足正态分布数u的上限，u、v均是满足正态分布的数，γ是用伽马函数对1+β生成的随机分布变量，HPpos(i,j)是猎人当前位置，HPpos(i,:)是猎人前一时刻位置；
Step8：开发模式：为了选择出猎人和猎物，结合上面的搜索公式，得出：
Figure BDA0003970252550000045
式中，R5是0到1之间的随机数，ω是调节参数；
Step9：判断是否满足终止条件，若满足则输出最优解，结束程序；
终止条件是适应度函数满足要求：
Figure BDA0003970252550000046
其中，e1(t)是SAPF直流侧电压Udc和参考电压Uref之间的差值。
反之，判断全局最优解是否得到改善，若改善了，则重复步骤Step2到Step8；否则根据(1)式对常规变量Cxi(t)进行映射变换，映射之后的混沌变量xi(t)处于[01]之间，运用(2)式对混沌变量xi(t)进行混沌映射得到xi(t+1)，再通过(3)式对混沌变量xi j(t+1)进行映射变换，得到下一次迭代中的常规变量Cxi(t+1)，重复步骤Step2到Step8；
Figure BDA0003970252550000051
/>
Figure BDA0003970252550000052
Figure BDA0003970252550000053
式中xk是前一时刻t所得到的混沌映射值。
Step10：根据step9求得的最优结果，结合SAPF控制参数，求出并联有源滤波器的直流侧电压控制环节的PI控制器参数Kp和Ki。
进一步的，Step10中是根据并联有源电力滤波器中电压变化特性曲线以及电路模型，采用PI控制器对直流侧电压进行控制，将直流侧电压实际值Udc和参考值Udef相减得到所需的误差信号ΔUdc，经过直流侧PI控制器后，得到输出电流信号Δip，再将此信号与参考电流检测环节的电流基波正序有功分量叠加，就得到了参考电流指示信号，经过电流跟踪环节驱动设备输出一定大小的补偿电流流入微电网系统，将交流测和直流侧的能量互换，使得直流侧电压在参考电压值附近维持稳定；数学表达式为：
e1(t)＝ΔUdc＝Uref-Udc
Figure BDA0003970252550000054
进一步的，Step10中是根据基尔霍夫定律，得到有源电力滤波器的电压和电流关系式：
Figure BDA0003970252550000055
Figure BDA0003970252550000056
Figure BDA0003970252550000057
其中，uca，ucb，ucc，ica，icb，icc分别为有源电力滤波器的输出电压和补偿电流。
本发明的有益效果：
通过本发明引进混沌改进猎人猎物算法对并联有源电力滤波器模型进行参数辨识，由于混沌改进猎人猎物算法能够同时进行局部搜索和全局搜索,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。与此同时在猎人猎物算法的基础上引进了混沌算法提高了算法遍历性,大大地提高了全局最优解的收敛速度，对并联有源电力滤波器模型参数辨识具有重大意义。
附图说明
图1为基于混沌改进猎人猎物算法的并联有源电力滤波器参数辨识方法的流程图；
图2为并联有源电力滤波器模型示意图；
图3为算法迭代精度示意图。
图4为CHPO和CICSO精度对比图。
图5为SAPF输出电压，并联有源电力滤波器补偿电流及Udc波形示意图。
图6为读取的谐波源电流波形示意图。
图7为负载端电压，负载电流及谐波检测电流波形示意图。
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。
如图1-2所示，本发明的一个实施例公开了一种基于混沌改进猎人猎物算法的并联有源电力滤波器参数辨识方法，包括以下步骤：
Step1：初始化猎人猎物群，将初始总体随机设置为
Figure BDA0003970252550000061
Figure BDA0003970252550000062
然后将种群总体所有成员的目标函数计算为/>
Figure BDA0003970252550000063
Figure BDA0003970252550000064
最大迭代次数为MaxIt＝500，最大种群数量为nPop＝30。
Step2：初始群体中每个成员的位置由下式在搜索空间中随机生成；
Xi是猎人或猎物的位置，lb是变量的最小值(下界)，ub是变量的最大值(上界)，d是变量的数量(维度)。
Xi＝Rand(1，d).*(ub-lb)+lb
式中：Xi是猎人或猎物的位置，lb是变量的最小值(下界)，ub是变量的最大值(上界)，d是变量的数量(维度)。
下式定义了搜索空间的下界和上界，算法中的变量上下限可能相同或不同：
lb＝{lb1，lb2，···，lbd}，ub＝{ub1，ub2，···，ubd}
Step3：生成初始总体并确定每个成员的位置后，使用目标函数
Figure BDA0003970252550000071
计算每个解的适应度值。F(x)可以是最大值(效率、性能等)或最小值(成本、时间等)。
Step4：猎人的搜索机制包括两个步骤：探索模式和开发模式。探索模式：探索是指算法倾向于高度随机的行为，因此解决方案会发生显著变化。解决方案的重大变化促使猎人进一步探索搜索空间，并发现其有希望的领域。猎人的搜索机制数学模型：
xij(t+1)＝xij(t)+0.5[(2CZPpos(j)-xij(t))+(2(1-C)Zμ(j)-xij(t))]
式中：xij(t)是当前猎人位置，xij(t+1)是猎人下一次迭代位置，Ppos是猎物位置，μ是所有位置的平均值，Z是计算得出的自适应参数，C是探索模式和开发模式之间的平衡参数：
Figure BDA0003970252550000072
其中it是当前迭代次数。
Figure BDA0003970252550000073
其中
Figure BDA0003970252550000074
和/>
Figure BDA0003970252550000075
是[0,1]之间的随机向量，P是索引值，R2是0到1之间的随机数，IDX是满足等式要求的向量/>
Figure BDA0003970252550000076
的索引值。
Step5：计算得出猎物Ppos的位置，首先要计算出所有位置的平均值μ，然后计算每个猎物位置跟该平均值μ的距离；
Figure BDA0003970252550000077
再计算得出其欧几里得距离：
Figure BDA0003970252550000078
距离位置平均值最大的位置被视为猎物Ppos：
Figure BDA0003970252550000079
如果每次迭代我们都考虑搜索位置与平均位置(μ)之间的最大距离，则该算法将具有延迟收敛性。根据狩猎场景推测，当我们的猎人捕获猎物时(位置在x(t)，猎物会死亡，而下一次，猎人会移动到新的猎物位置x(t+1)。所以我们考虑一种递减机制,得到其目前搜索最好位置：
kbest＝round(C×N)
其中N是猎物数量，根据这个我们可以将猎物位置计算为：
Figure BDA0003970252550000081
在算法开始时，kbest即目前搜索最好位置数量的值就等于N，所以最后一个距离搜索猎物位置的平均值μ最远的猎物，被猎人捕获。
Step6：记录保留种群中适应度最优的猎物；
Step7：假设最安全位置是最佳全局位置，猎物位置就需要得到更新，通过结合灰狼算法的猎物搜索公式，得到：
xij(t+1)＝0.5*(αpos(j)-A*Dα+βpos(j)-A*Dβ)+αlevi
式中，xij(t+1)是下一次迭代的位置，αpos(j)，βpos(j)分别是猎人最优位置和次优位置，
Figure BDA0003970252550000082
是猎物与猎人之间的距离，/>
Figure BDA0003970252550000083
意味着进入全局搜索，/>
Figure BDA0003970252550000084
意味着进入局部搜索，/>
Figure BDA0003970252550000085
和/>
Figure BDA0003970252550000086
分别是最优解和次优解并提高开发阶段的性能，αlevi是利用莱维飞行避免算法搜索陷入局部极值；
β＝2*rand()
σu＝((γ(1+β)*sin(π*β/2))/(γ((1+β/2)*β*2(0.5(β-1))))(1/β)
u＝normrnd(0，σu)
v＝normrnd(0，1)
αlevi＝0.01*u/v-β*(HPpos(i,j)-HPpos(i,:))
Figure BDA0003970252550000087
Figure BDA0003970252550000088
Figure BDA0003970252550000089
Figure BDA0003970252550000091
式中，参数β是0到2的随机数，σu是满足正态分布数u的上限，u、v均是满足正态分布的数，γ是用伽马函数对1+β生成的随机分布变量，HPpos(i,j)是猎人当前位置，HPpos(i,:)是猎人前一时刻位置；
Step8：开发模式：为了选择出猎人和猎物，结合上面的搜索公式，得出：
Figure BDA0003970252550000092
式中，R5是0到1之间的随机数，ω是调节参数；Step9：判断是否满足终止条件，若满足则输出最优解，结束程序；终止条件是适应度函数满足要求：
Figure BDA0003970252550000093
其中，e1(t)是SAPF直流侧电压Udc和参考电压Uref之间的差值。
反之，判断全局最优解是否得到改善，若改善了，则重复步骤Step2到Step8；否则根据(1)式对常规变量Cxi(t)进行映射变换，映射之后的混沌变量xi(t)处于[01]之间，运用(2)式对混沌变量xi(t)进行混沌映射得到xi(t+1)，再通过(3)式对混沌变量xi j(t+1)进行映射变换，得到下一次迭代中的常规变量Cxi(t+1)，重复步骤Step2到Step8；
Figure BDA0003970252550000094
Figure BDA0003970252550000095
Figure BDA0003970252550000096
式中xk是前一时刻t所得到的混沌映射值。
进一步的，Step9中所述的混沌映射为Tent混沌映射。Tent映射又被称为帐篷映射，是分段线性的一维映射，与Logistic相比，其具有均匀的功率谱密度、概率密度和理想的相关特性，更快的迭代速度，数学表达式为
xn+1＝a-1-a|xn|，a∈(1，2)
式中，xn是第n次随机分布的数；
当a≤1时，Tent混沌映射处于稳定状态；当a>1时，处于混沌状态；当a＝2时，为中心Tent映射，其数学表达式为
Figure BDA0003970252550000101
Step10：根据step9求得的最优位置结果Kp和Ki，分别求出电路模型中Udc，Uref，ΔUdc，以便得出输出电流信号Δip，再将此信号与参考电流检测环节的电流基波正序有功分量叠加，就得到了参考电流指示信号，经过电流跟踪环节驱动设备输出一定大小的补偿电流流入微电网系统，将交流测和直流侧的能量互换，使得直流侧电压在参考电压值附近维持稳定，数学表达式为：
e1(t)＝ΔUdc＝Uref-Udc
Figure BDA0003970252550000102
/>
进一步的，Step10中是根据基尔霍夫定律，得到有源电力滤波器的电压和电流关系式：
Figure BDA0003970252550000103
Figure BDA0003970252550000104
Figure BDA0003970252550000105
其中，uca，ucb，ucc，ica，icb，icc分别为有源电力滤波器的输出电压和补偿电流。
从图3中可以看出当迭代次数在170次左右时，算法已经找寻到最优值，通过图4可以看出混沌改进猎人猎物优化算法(CHPO算法)比混沌改进猫群算法(CICSO算法)具有更快的收敛速度，更高的精度以及不会陷入局部最优的优点，可以清楚得到CHPO算法对SAPF的参数辨识效果更好，可以使SAPF有更好的提高电能质量的效果。
图5上图是有源电力滤波器输出电压uca，ucb，ucc，中间是SAPF输出的补偿电流Iapf，下面的是Udc，图6是检测到的谐波电流Is，图7上图是负载端的电压，中间是负载电流，下图是检测的谐波电流。
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 (3)

1.一种基于混沌改进猎人猎物算法的并联有源电力滤波器参数辨识方法，其特征在于：包括以下步骤：
Step1：初始化猎人猎物群，将初始总体随机设置为
Figure FDA0003970252540000011
Figure FDA0003970252540000012
然后将种群总体所有成员的目标函数计算为/>
Figure FDA0003970252540000013
Figure FDA0003970252540000014
最大迭代次数为MaxIt，最大种群数量为nPop；
Step2：初始群体中每个成员的位置由下式在搜索空间中随机生成；
Xi＝Rand(1，d).*(ub-lb)+lb
式中：Xi是猎人或猎物的位置，lb是变量的下界，ub是变量的上界，d是变量的数量；
下式定义了搜索空间的下界和上界，算法中的变量上下限可能相同或不同：
lb＝{lb1，lb2，···，lbd}，ub＝{ub1，ub2，···，ubd}
Step3：生成初始总体并确定每个成员的位置后，使用目标函数
Figure FDA0003970252540000015
计算每个解的适应度值；
Step4：猎人的搜索机制包括两个步骤：探索模式和开发模式；搜索机制的数学模型：
xij(t+1)＝xij(t)+0.5[(2CZPpos(j)-xij(t))+(2(1-C)Zμ(j)-xij(t))]
式中：xij(t)是当前猎人位置，xij(t+1)是猎人下一次迭代位置，Ppos是猎物位置，μ是所有位置的平均值，Z是计算得出的自适应参数，C是探索模式和开发模式之间的平衡参数：
Figure FDA0003970252540000016
其中it是当前迭代次数；
Figure FDA0003970252540000017
其中
Figure FDA0003970252540000018
和/>
Figure FDA0003970252540000019
是[0,1]之间的随机向量，P是索引值，R2是0到1之间的随机数，IDX是满足等式要求的向量/>
Figure FDA00039702525400000110
的索引值；
Step5：计算得出猎物Ppos的位置，首先要计算出所有位置的平均值μ，然后计算每个猎物位置跟该平均值μ的距离；
Figure FDA0003970252540000021
再计算得出其欧几里得距离：
Figure FDA0003970252540000022
距离位置平均值最大的位置被视为猎物Ppos：
Figure FDA0003970252540000023
根据狩猎场景推测，当猎人捕获猎物时，位置在x(t)，猎物会死亡，而下一次，猎人会移动到新的猎物位置x(t+1)；所以考虑一种递减机制,得到其目前搜索最好位置：
kbest＝round(C×N)
其中N是猎物数量，将猎物位置计算为：
Figure FDA0003970252540000024
在算法开始时，kbest即目前搜索最好位置数量的值就等于N，所以最后一个距离搜索猎物位置的平均值μ最远的猎物，被猎人捕获；
Step6：记录保留种群中适应度最优的猎物；
Step7：假设最安全位置是最佳全局位置，猎物位置就需要得到更新，通过结合灰狼算法的猎物搜索公式，得到：
xij(t+1)＝0.5*(αpos(j)-A*Dα+βpos(j)-A*Dβ)+αlevi
式中，xij(t+1)是下一次迭代的位置，αpos(j)，βpos(j)分别是猎人最优位置和次优位置，
Figure FDA0003970252540000025
是猎物与猎人之间的距离，/>
Figure FDA0003970252540000026
意味着进入全局搜索，/>
Figure FDA0003970252540000027
意味着进入局部搜索，/>
Figure FDA0003970252540000028
和
Figure FDA0003970252540000029
分别是最优解和次优解并提高开发阶段的性能，αlevi是利用莱维飞行避免算法搜索陷入局部极值；
β＝2*rand()
σu＝((γ(1+β)*sin(π*β/2))/(γ((1+β/2)*β*2(0.5(β-1))))(1/β)
u＝normrnd(0，σu)
v＝normrnd(0，1)
αlevi＝0.01*u/v-β*(HPpos(i,j)-HPpos(i,:))
Figure FDA0003970252540000031
Figure FDA0003970252540000032
Figure FDA0003970252540000033
Figure FDA0003970252540000034
式中，参数β是0到2的随机数，σu是满足正态分布数u的上限，u、v均是满足正态分布的数，γ是用伽马函数对1+β生成的随机分布变量，HPpos(i,j)是猎人当前位置，HPpos(i,:)是猎人前一时刻位置；
Step8：开发模式：为了选择出猎人和猎物，结合上面的搜索公式，得出：
Figure FDA0003970252540000035
式中，R5是0到1之间的随机数，ω是调节参数；
Step9：判断是否满足终止条件，若满足则输出最优解，结束程序；
终止条件是适应度函数满足要求：
Figure FDA0003970252540000036
其中，e1(t)是SAPF直流侧电压Udc和参考电压Uref之间的差值；
反之，判断全局最优解是否得到改善，若改善了，则重复步骤Step2到Step8；否则根据(1)式对常规变量Cxi(t)进行映射变换，映射之后的混沌变量xi(t)处于[01]之间，运用(2)式对混沌变量xi(t)进行混沌映射得到xi(t+1)，再通过(3)式对混沌变量xi j(t+1)进行映射变换，得到下一次迭代中的常规变量Cxi(t+1)，重复步骤Step2到Step8；
Figure FDA0003970252540000037
Figure FDA0003970252540000038
Figure FDA0003970252540000039
式中xk是前一时刻t所得到的混沌映射值；
Step10：根据step9求得的最优结果，结合SAPF控制参数，求出并联有源滤波器的直流侧电压控制环节的PI控制器参数Kp和Ki。
2.根据权利要求1所述的一种基于混沌改进猎人猎物算法的并联有源电力滤波器参数辨识方法，其特征在于：
Step10中是根据并联有源电力滤波器中电压变化特性曲线以及电路模型，采用PI控制器对直流侧电压进行控制，将直流侧电压实际值Udc和参考值Udef相减得到所需的误差信号ΔUdc，经过直流侧PI控制器后，得到输出电流信号Δip，再将此信号与参考电流检测环节的电流基波正序有功分量叠加，就得到了参考电流指示信号，经过电流跟踪环节驱动设备输出一定大小的补偿电流流入微电网系统，将交流测和直流侧的能量互换，使得直流侧电压在参考电压值附近维持稳定；数学表达式为：
e1(t)＝ΔUdc＝Uref-Udc
Figure FDA0003970252540000041
3.根据权利要求1所述的一种基于混沌改进猎人猎物算法的并联有源电力滤波器参数辨识方法，其特征在于：
Step10中是根据基尔霍夫定律，得到有源电力滤波器的电压和电流关系式：
Figure FDA0003970252540000042
Figure FDA0003970252540000043
Figure FDA0003970252540000044
其中，uca，ucb，ucc，ica，icb，icc分别为有源电力滤波器的输出电压和补偿电流。
CN202211509820.4A 2022-11-29 2022-11-29 一种基于混沌改进猎人猎物算法的并联有源电力滤波器参数辨识方法 Pending CN115864402A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211509820.4A CN115864402A (zh) 2022-11-29 2022-11-29 一种基于混沌改进猎人猎物算法的并联有源电力滤波器参数辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211509820.4A CN115864402A (zh) 2022-11-29 2022-11-29 一种基于混沌改进猎人猎物算法的并联有源电力滤波器参数辨识方法

Publications (1)

Publication Number Publication Date
CN115864402A true CN115864402A (zh) 2023-03-28

Family

ID=85667639

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211509820.4A Pending CN115864402A (zh) 2022-11-29 2022-11-29 一种基于混沌改进猎人猎物算法的并联有源电力滤波器参数辨识方法

Country Status (1)

Country Link
CN (1) CN115864402A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117492371A (zh) * 2023-12-29 2024-02-02 中国科学院合肥物质科学研究院 有源电力滤波器模型预测控制的优化方法、系统和设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117492371A (zh) * 2023-12-29 2024-02-02 中国科学院合肥物质科学研究院 有源电力滤波器模型预测控制的优化方法、系统和设备
CN117492371B (zh) * 2023-12-29 2024-04-02 中国科学院合肥物质科学研究院 有源电力滤波器模型预测控制的优化方法、系统和设备

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
CN115864402A (zh) 一种基于混沌改进猎人猎物算法的并联有源电力滤波器参数辨识方法
CN108390393B (zh) 配电网多目标无功优化方法及终端设备
CN110021940B (zh) 一种基于改进粒子群算法的电容器优化配置方法
CN110311451B (zh) 梯次电池的充放电的控制方法、系统、设备和存储介质
CN114142781B (zh) 一种前置滤波器永磁同步电机电流环pi参数整定方法
CN113422375A (zh) 一种混合储能系统平抑风电功率波动的双层协调控制方法
CN110867856A (zh) 考虑vsc系统谐波稳定条件下的lcl滤波器参数优化方法
CN108667284A (zh) 一种模块化多电平换流器环流抑制方法
Guo et al. Two‐stage optimal MPC for hybrid energy storage operation to enable smooth wind power integration
CN108181617B (zh) 一种基于张量积模型变换的非线性调频系统的滤波方法
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
CN114389282A (zh) 一种基于仿射的不确定性模态分析方法
Krishna et al. Fractional order fuzzy logic based upqc for improvement of power quality in distribution power system
CN111651878B (zh) 计及态势评估的大电网静态电压稳定优化决策方法及系统
Xu et al. A hybrid energy storage strategy based on multivariable fuzzy coordinated control of photovoltaic grid‐connected power fluctuations
Sarasvathy et al. Comparison of sine, hysteresis, SVPWM and predictive PWM techniques for shunt active power filter
CN115864403B (zh) 基于交直流配电系统交互作用的控制方法、装置、设备
Zhou et al. Model predictive control with fractional-order delay compensation for fast sampling systems
CN110518625B (zh) 一种可变学习率bp-pid控制的并网逆变器直流分量抑制方法
CN112838657B (zh) 充电系统的控制方法、装置和终端设备
Abo-Khalil Current injection-based DC-link capacitance estimation using support vector regression
CN115276439A (zh) 适应弱电网阻抗变化的lcl型并网逆变器谐振抑制方法
Wang et al. Multi-objective optimization design of passive filter based on particle swarm optimization
Wu et al. AHS_BP algorithm and application in traffic parameters 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