CN115951577A - 一种基于混沌猎食者优化的动力系统参数优化方法 - Google Patents

Abstract

本发明涉及一种基于混沌猎食者优化的动力系统参数优化方法，计算产生随机的变量参数，根据变量参数值对应的功率W_i，并找出最优功率值W_max，过混沌机制更新随机参数，采用基于维度学习狩猎法DLH生成一个R半径范围内的、由变量参数值构成的领域矩阵，即一个新的变量参数集合构成的领域矩阵，并更新由此产生的新参数；如果W_new大于W_max,则把W_new的值赋给W_max，迭代完成输出DSPRO系统的最优功率值W_max。本发明极大提高了MPPT对DSPRO系统控制的实时性和精确性要求，与基于HPO算法的MPPT控制方法相比有明显的改进。

Description

一种基于混沌猎食者优化的动力系统参数优化方法

技术领域

本发明属于最大功率跟踪控制算法，涉及一种基于混沌猎食者优化的动力系统参数优化方法。

背景技术

最大功率跟踪控制(MPPT)的传统方法是考虑了动态变化的增量质量阻力方法以及扰动和观测的方法,但是这两种方法都会经过一定的振荡和响应时间才能达到平衡，因而会产生较大的功率损失。现已有的对动态可再生能源双级压力反渗透模型(DSPRO)的最大功率密度跟踪控制的研究很少，且对最佳运行参数的设置优化精度不够，为了提高DSPRO系统的实时性，使系统能在变化的环境条件下进行实时调整，当前的研究更加关注对MPPT控制算法的开发和改进。在工程上，元启发式算法对控制方法的优化有独特优势，尤其是在处理未知空间中计算量大且复杂的导数问题时，优化算法能够有效避免经典MPPT算法局部最优和稳态振荡问题。基于反馈控制的实时控制方法并没有充分考虑到DSPRO系统复杂的动态运行环境。通过解析解来实现最大功率点追踪对于复杂的动态系统较为困难，而工程实践已经证明，利用元启发式算法可以使系统在不同的运行环境中以稳定、快速、有效的方式获得最大功率。在工程中常有应用的元启发算法包括粒子群算法(PSO)、灰狼优化算法(GWO)、蜻蜓算法(DA)、鲸鱼优化算法(WOA)、蝗虫优化方法(GOA)、亨利气体溶解度优化(HGSO)、猎食者优化算法(HPO)，其中HPO相对来说，在寻找最优解时有着比较高的收敛速度，以及较好的局部寻优能力，但其不易平衡探索及开发这两个阶段，容易陷入局部最优解，从而使得收敛性较差，全局寻优能力很差，难以满足DSPRO系统的实时性需求。现提出的混沌机制(CLS)意味着复杂系统行为的不可预测性，而映射意味着使用函数将算法中的混沌行为与某些参数映射相关联。由于混沌的遍历性和非重复性，与基本上依赖概率的随机搜索相比，它可以以更高的速度执行全局搜索，而维度学习狩猎(DLH)具有较强的原始搜索能力，能够平衡搜索和开发阶段之间的内部变化，避免陷入局部最优解，且能够构建一个信息共享的领域，提高求解的精确性。

猎食者优化算法的特点在于模拟动物猎食的过程，通过猎物的位置更新，捕食者也会调整自己的位置(其中，位置指对应的变量参数值，解为功率密度)，猎物认为的安全位置就是捕食者认为的最佳位置，而在其他元启发式算法中只考虑一个系数位置，所以其局部寻优能力较强，且容易陷入局部最优解。而CLS和DLH相对较强的全局随机搜索能力能够精确地找到全局最优解。可见，基于猎食者优化的MPPT控制方法的性能还有提升的空间。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于混沌猎食者优化的动力系统参数优化方法，对猎食者算法进行改造。通过结合其他提高方法的优点来提高算法的性能，进而使MPPT控制方法在DSPRO系统的应用中获得更好的动态性能。引入混沌机制和维度学习狩猎法可以提高算法的运行精度。

技术方案

一种基于混沌猎食者优化的动力系统参数优化方法，其特征在于步骤如下：

步骤1：初始化动力系统参数变量，即压力和进口流量；通过下式计算产生随机的变量参数：

x_i＝lb_i+rand×(ub_i-lb_i)；rand∈[0,1]

其中，x_i是指参数值，lb_i是参数的下界，ub_i是参数的上界，rand表示范围为0到1的随机数；

步骤2：计算变量参数值对应的功率W_i，并找出最优功率值W_max：

W_i＝ΔP_iΔQ_i

其中：ΔP_i、ΔQ_i分别是施加给水的压力，即反渗透压力ΔP_i和水的渗透流量ΔQ_i；

采用下式更新平衡参数C和递减机制参数K_best：

K_best＝round(C×N)

其中：round为函数名；t是当前迭代次数，T_max是最大迭代次数，N是指参数值数量；

步骤3：过混沌机制更新随机参数

利用混沌机制计算适应参数Z：

其中，ζ_i+1＝4ζ_i×(1-ζ_i)；ζ_i和

是迭代中的混沌和混沌向量的值；R₁、R₂、R₃和

R₅是[0,1]内的随机参数，α_index是状态参数；

当随机数

小于β，更新变量参数值：

x_i,j(t+1)＝x_i,j(t)+0.5[(2CZP_pos(j)-x_i,j(t))+(2(1-C)Zμ_(j)-x_i,j(t))]

当随机数

大于β，更新变量参数值：

x_i,j(t+1)＝T_pos(j)+CZcos(2πR₄)×(T_pos(j)-x_i,j(t))

其中，P_pos(j)是局部最优功率对应的参数值，μ是所有参数的平均值，R₄是[0.1]内的随机值，T_pos(j)是系统最大功率对应的参数值；

步骤4：采用基于维度学习狩猎法DLH生成一个R半径范围内的、由变量参数值构成的领域矩阵，即一个新的变量参数集合构成的领域矩阵，并更新由此产生的新参数：

x_i-DLH,j(t+1)＝x_i,d(t)+rand*(x_n,d(t)-x_r,d(t))

其中：x_i-DLH,j(t+1)和x_i,d(t)分别表示可替换的变量参数和当前参数值，x_n,d(t)表示领域矩阵内的变量参数值，x_r,d(t)是指变量参数范围内的随机选择的值

步骤5：比较步骤3和步骤4更新的参数值对应的功率值(x_i,j(t+1)和x_i-DLH,j(t+1))，以最高的功率W_new与W_max进行比较，如果W_new大于W_max,则把W_new的值赋给W_max，否则返回步骤2，计算下一个X_new对应的W_new；

步骤6：当所有更新的参数值已全部计算，但未达到最大迭代次数T_max，若不满足则返回步骤3，进行更新C和K_best下一次迭代；若达到最大迭代次数T_max，则输出DSPRO系统的最优功率值W_max。

所述初始混沌值ζ_i在[0,1]中随机生成的且ζ_i≠0.25，0.5，0.75，1。

所述β＝0.01。

有益效果

本发明提出的一种基于混沌猎食者优化的动力系统参数优化方法，计算产生随机的变量参数，根据变量参数值对应的功率W_i，并找出最优功率值W_max，过混沌机制更新随机参数，采用基于维度学习狩猎法DLH生成一个R半径范围内的、由变量参数值构成的领域矩阵，即一个新的变量参数集合构成的领域矩阵，并更新由此产生的新参数；如果W_new大于W_max,则把W_new的值赋给W_max，迭代完成输出DSPRO系统的最优功率值W_max。本发明极大提高了MPPT对DSPRO系统控制的实时性和精确性要求，与基于HPO算法的MPPT控制方法相比有明显的改进。

在DSPRO系统中对于现有的技术，基于经典HPO算法的MPPT控制技术对于DSPRO系统的最优功率的优化，易于陷入局部最优，存在一定的改进空间。所提出的方法通过加强全局随机搜索能力，平衡了HPO算法的探测过程和开发过程，提高了算法的精确性和全局搜索能力，大大提高了求解质量，比原来的算法更加有效。

本发明的具体贡献如下：

(1).基于猎食者优化算法以及其他性能优秀的提高方法，提出一种提高的猎食者优化算法(CHPO)，以增强DSPRO系统中MPPT控制方法的动态性能。

(2)我们将HPO优化以获得最大的DSPRO功率，并将优化结果与优化前的DSPRO工艺进行比较和分析。

附图说明

图1：改进HPO算法流程

具体实施方式

现结合实施例、附图对本发明作进一步描述：

对于DSPRO系统，传统的HPO方法精确度不高，往往陷入局部最优解。新改进的HPO方法能够有效地提高全局搜索能力，避免局部最优解的产生。由传统的HPO方法改进的CHPO方法流程如图1所示(i是指变量参数数量，t是当前迭代次数，T_max是最大迭代次数)：

(1)输入参数；初始化变量，即压力和进口流量。通过计算产生随机的变量参数：

x_i＝lb_i+rand×(ub_i-lb_i)；rand∈[0,1]   (1)

其中，x_i是指参数值，lb_i是参数的下界，ub_i是参数的上界，rand表示范围为0到1的随机数。

(2)计算变量参数值对应的功率W_i找出最优功率值W_max，并用下列式子更新平衡参数C和递减机制参数K_best

W_i＝ΔP_iΔQ_i   (2)

K_best＝round(C×N)  (4)

其中，ΔP_i、ΔQ_i分别是施加给水的压力，即反渗透压力和水的渗透流量。round为函数名。

(3)通过混沌机制更新随机参数

并利用混沌机制计算适应参数Z：

其中，ζ_i+1＝4ζ_i×(1-ζ_i)；ζ_i和

是迭代中的混沌和混沌向量的值。此外，初始混沌值ζ_i在[0,1]中随机生成的且ζ_i≠0.25，0.5，0.75，1。R₁、R₂、R₃和

R₅是[0,1]内的随机参数。α_index是状态参数。

通过随机数

是否小于β(β＝0.01)，分成两种情况更新变量参数：

如果小于β则更新变量参数值，

x_i,j(t+1)＝x_i,j(t)+0.5[(2CZP_pos(j)-x_i,j(t))+(2(1-C)Zμ_(j)-x_i,j(t))+  (10)

如果大于β则更新变量参数值。

x_i,j(t+1)＝T_pos(j)+CZcos(2πR₄)×(T_pos(j)-x_i,j(t))                (11)

其中，P_pos(j)是局部最优功率对应的参数值，μ是所有参数的平均值，R₄是[0.1]内的随机值，T_pos(j)是系统最大功率对应的参数值。

(4)通过基于维度学习狩猎法(DLH)生成一个一定半径范围内的由变量参数值构成的领域矩阵，并更新由此产生的新参数：

x_i-DLH,j(t+1)＝x_i,d(t)+rand*(x_n,d(t)-x_r,d(t))     (12)

其中，x_i-DLH,j(t+1)和x_i,d(t)分别表示可替换的变量参数和当前参数值，x_n,d(t)表示领域矩阵内的变量参数值，x_r,d(t)是指变量参数范围内的随机选择的值。

(5)通过比较第(3)和(4)更新的参数值对应的功率值(x_i,j(t+1)和x_i-DLH,j(t+1))，选出较高的功率W_new，将W_new和W_max进行比较，如果W_new大于W_max,则把W_new的值赋给W_max，否则返回下一次计算。

(6)如果所有更新的参数值已全部计算，则需要判断是否达到最大迭代次数T_max，若不满足则返回下一次迭代；若满足则输出DSPRO系统的最优功率值W_max。

具体实施例中：

各算法参数设置：为保证试验的公平性，首先需要确定各算法针对该问题最佳的参数设置。

表1列出来三种方法在优化提取液流量和压差下的平均功率密度。首先OP1是在固定液压下进行优化汲取液，由功率值可以看出，改进后的HPO方法得到的功率密度更大，性能由于传统方法以及优化前的HPO方法；OP2是固定汲取液流量下优化液压。可见在最佳液压下的系统功率密度比其他方法有着显著的提高，同时最佳压力也比较精确；OP3是同时优化液压和汲取液流量。通过OP3与OP1、OP2的比较可以看出，在最佳参数下的系统功率密度相比于单个优化参数情况下功率密度有着明显的提高，

表1.基于CHPO算法的MPPT控制方法在优化提取液流量和压差下提取的平均功率密度

本文提出的最大功率跟踪控制方法在DSPRO系统的各种工况下进行了广泛的测试，并将运行结果与传统算法和优化前HPO的MPPT控制方法进行了比较分析，验证了其可靠性。在三种情况下都获得了DSPRO系统的最大的平均功率密度，相比传统算法的MPPT控制方法得到了一定程度上的提升。实验结果表明，基于CHPO算法的MPPT在所有环境条件下都能达到最优性能，并且收敛到最优参数值，优于其他算法，使得MPPT更加实时准确跟踪DSPRO可再生能源系统的最大功率。使DSPRO系统能在变化的环境条件下进行实时调整。结果表明，CHPO具有全局寻优能力，具有较高的寻优精度和全局搜索能力，极大提高了MPPT对DSPRO系统控制的实时性和精确性要求，与基于HPO算法的MPPT控制方法相比有明显的改进。

Claims (3)

1.一种基于混沌猎食者优化的动力系统参数优化方法，其特征在于步骤如下：

步骤1：初始化动力系统参数变量，即压力和进口流量；通过下式计算产生随机的变量参数：

x_i＝lb_i+rand×(ub_i-lb_i)；rand∈[0,1]

其中，x_i是指参数值，lb_i是参数的下界，ub_i是参数的上界，rand表示范围为0到1的随机数；

步骤2：计算变量参数值对应的功率W_i，并找出最优功率值W_max：

W_i＝ΔP_iΔQ_i

其中：ΔP_i、ΔQ_i分别是施加给水的压力，即反渗透压力ΔP_i和水的渗透流量ΔQ_i；

采用下式更新平衡参数C和递减机制参数K_best：

K_best＝round(C×N)

其中：round为函数名；t是当前迭代次数，T_max是最大迭代次数，N是指参数值数量；

步骤3：过混沌机制更新随机参数

利用混沌机制计算适应参数Z：

其中，ζ_i+1＝4ζ_i×(1-ζ_i)；ζ_i和

是迭代中的混沌和混沌向量的值；R₁、R₂、R₃和

R₅是[0,1]内的随机参数，α_index是状态参数；

当随机数

小于β，更新变量参数值：

x_i,j(t+1)＝x_i,j(t)+0.5[(2CZP_pos(j)-x_i,j(t))+(2(1-C)Zμ_(j)-x_i,j(t))]

当随机数

大于β，更新变量参数值：

x_i,j(t+1)＝T_pos(j)+CZcos(2πR₄)×(T_pos(j)-x_i,j(t))

其中，P_pos(j)是局部最优功率对应的参数值，μ是所有参数的平均值，R₄是[0.1]内的随机值，T_pos(j)是系统最大功率对应的参数值；

步骤4：采用基于维度学习狩猎法DLH生成一个R半径范围内的、由变量参数值构成的领域矩阵，即一个新的变量参数集合构成的领域矩阵，并更新由此产生的新参数：

x_i-DLH,j(t+1)＝x_i,d(t)+rand*(x_n,d(t)-x_r,d(t))

其中：x_i-DLH,j(t+1)和x_i,d(t)分别表示可替换的变量参数和当前参数值，x_n,d(t)表示领域矩阵内的变量参数值，x_r,d(t)是指变量参数范围内的随机选择的值

步骤5：比较步骤3和步骤4更新的参数值对应的功率值(x_i,j(t+1)和x_i-DLH,j(t+1))，以最高的功率W_new与W_max进行比较，如果W_new大于W_max,则把W_new的值赋给W_max，否则返回步骤2，计算下一个X_new对应的W_new；

步骤6：当所有更新的参数值已全部计算，但未达到最大迭代次数T_max，若不满足则返回步骤3，进行更新C和K_best下一次迭代；若达到最大迭代次数T_max，则输出DSPRO系统的最优功率值W_max。

2.根据权利要求1所述基于混沌猎食者优化的动力系统参数优化方法，其特征在于：所述初始混沌值ζ_i在[0,1]中随机生成的且ζ_i≠0.25，0.5，0.75，1。

3.根据权利要求1所述基于混沌猎食者优化的动力系统参数优化方法，其特征在于：所述β＝0.01。

Images