CN116610029A - 基于鲸鱼算法的模糊pid控制的逆变器控制方法 - Google Patents
基于鲸鱼算法的模糊pid控制的逆变器控制方法 Download PDFInfo
- Publication number
- CN116610029A CN116610029A CN202310539041.7A CN202310539041A CN116610029A CN 116610029 A CN116610029 A CN 116610029A CN 202310539041 A CN202310539041 A CN 202310539041A CN 116610029 A CN116610029 A CN 116610029A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- whale
- optimal
- output
- control
- 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
- 241000283153 Cetacea Species 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 31
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000004088 simulation Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000006978 adaptation Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了基于鲸鱼算法的模糊PID控制的逆变器控制方法,包括搭建单相逆变系统仿真模型,在逆变系统仿真模型中采用模糊PID控制器对逆变器进行控制,确定模糊输入量和输出量,建立模糊集、论域和隶属度函数,设计模糊规则,确定模糊推理方法和解模糊方法;将模糊控制器的输入比例因子和输出比例因子作为优化对象,使用鲸鱼优化算法对模糊控制器的输入比例因子和输出比例因子进行自调节和优化,输出最优模糊控制规则,使用模糊控制规则在线调整PID控制器的参数,实现对逆变电源系统进行最优模糊PID控制。本发明使用模糊控制规则在线调整PID控制器的参数,实现对逆变电源系统进行最优模糊PID控制。
Description
技术领域
本发明属于电子电力控制领域,涉及一种基于鲸鱼算法的模糊PID控制的逆变器控制方法。
背景技术
当今社会,逆变器在工业、电力等领域得到广泛应用,已经成为了电力系统中不可或缺的一部分。并且随着新能源发电的兴起与发展,逆变器发挥的作用将会越来越重要。对于逆变器来说,控制环节是决定其输出电能质量好坏的重要环节,其控制参数对控制性能起着决定性作用,因此选择合适的控制策略至关重要。长期以来,PID技术由于结构简单,被广泛用于逆变电源控制电路中。然而,由于PID算法的线性化处理,会带来输出电压不稳、波动性大和动态响应速度迟缓,产生大量谐波等问题。除此之外,非线性负载的存在和负载变化的不确定性导致逆变电源运行参数的不确定性,在这种情况下,很难用确定的数学模型去描述逆变电源的动态参数,传统的依赖准确的数学模型进行控制的方法很难进行很好的控制。
因此,不依赖数学模型进行控制的方法迫切需要。模糊控制是基于人工经验来模仿人类控制活动的控制策略,可以忽略复杂的数学建模,通过模糊子集对所获得的信息构造隶属函数,并根据控制规则和推理规则进行模糊决策,从而实现对受控对象的有效控制。因此,模糊控制对系统参数变化和外部扰动不敏感,具有很强的鲁棒性,可以有效地控制逆变电源。加入模糊控制的系统往往鲁棒性高、动态性能好。但是,对于许多现有的模糊控制器,它们的控制规则基本上来自相关领域的专家经验,并且很容易受到专家主观性的影响。因此,模糊控制器的精度不是很精确。对于逆变器,它需要稳定、高精度、具有良好的动态性能和良好的负载适应性的控制策略控制,才能输出高质量的电压波形。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于鲸鱼算法的模糊PID控制的逆变器控制方法,引入鲸鱼优化算法对模糊控制器的输入比例因子和输出比例因子进行自调节和优化,生成最优模糊控制规则,并对逆变电源系统进行最优模糊PID控制,以提高模糊控制的精度和系统的控制性能,消除人工调试的主观性,控制逆变器输出波形更稳定,谐波含量更小。
本发明的技术方案为基于鲸鱼算法的模糊PID控制的逆变器控制方法,S10,搭建单相逆变系统仿真模型,在逆变系统仿真模型中采用模糊PID控制器对逆变器进行控制,确定模糊输入量和输出量,建立模糊集、论域和隶属度函数,设计模糊规则,确定模糊推理方法和解模糊方法;
S20,将模糊控制器的输入比例因子和输出比例因子作为优化对象,使用鲸鱼优化算法对模糊控制器的输入比例因子和输出比例因子进行自调节和优化,输出最优模糊控制规则,使用模糊控制规则在线调整PID控制器的参数,实现对逆变电源系统进行最优模糊PID控制。
优选地,所述S10中模糊PID控制器是一个两输入三输出的系统,输入量为误差e和误差的变化ec,输出量为PID参数的调整量ΔKp、ΔKi、ΔKd,分别为比例调节系数的调整量、积分调节系数的调整量和微分调节系数的调整量。
优选地,所述输入量和输出量的模糊状态论域分为7个等级,模糊控制器的模糊集为:{负大(NB)、负中(NM)、负小(NS)、零(ZO)、正小(NS)、正中(NM)、正大(NB)},输入量和输出量的隶属度函数都采用三角形隶属度函数trimf。
优选地,所述S10中对PID的比例调节系数Kp、积分调节系数Ki和微分调节系数Kd进行调整,控制参数的调节公式为:
其中,Kp0、Ki0和Kd0为PID控制器的初始值,Kp、Ki和Kd为模糊PID控制器输出的最终参数值。
优选地,所述S10中根据数据库中的专家经验以及e、ec和ΔKp、ΔKi、ΔKd的关系,建立推理规则,制定模糊规则表,模糊推理方法采用Mamdani模糊推理方法,解模糊化方法选用重心法。
优选地,所述S10中用simulink搭建逆变电源系统仿真模型,设计模糊PID控制器,采用单相全桥逆变器,搭建单极性调制模块、模糊PID控制模块。
优选地,所述S20中使用鲸鱼算法对模糊控制器的输入比例因子Ke、Kec和输出比例因子K1、K2、K3进行寻优,生成最优模糊控制规则,具体包括以下步骤:
S21,确定鲸鱼种群规模N,确定最大迭代数NC;
S22,设置被优化参数Ke、Kec、K1、K2、K3的寻优范围,根据确定的参数范围,随机生成鲸鱼种群位置,生成存放每个鲸鱼的适应值的矩阵和存放种群最优适应值的矩阵;
S23,构建适应度函数,采用绝对误差积分准则ITAE和总谐波失真THD的加权之和作为适应度函数;
S24,用初始化的鲸鱼位置作为模糊控制器的输入比例因子和输出比例因子,调用搭建好的simulink仿真模型,通过适应度函数计算每只鲸鱼的适应值,通过比较得到最优适应值fbest,找到最优鲸鱼的位置Xbest;
S25,设置迭代计数器i=1,开始迭代;
S26,根据鲸鱼优化算法设定的流程来判断鲸鱼接下来的行为从而选择性更新鲸鱼个体的位置;
S27,鲸鱼位置更新完后进行越界处理,对越界元素进行替换:对所有的鲸鱼个体再次进行适应度计算,与之前的最优适应值进行对比,若新值更小,更新最优适应值和最优鲸鱼位置;
S28,判断是否达到最大迭代次数,若满足则终止迭代,输出当前最优解,否则转到S25继续迭代。
优选地,所述S23中适应度函数,为:
其中,Ui表示输出电压基波幅值,Un表示输出电压n次谐波幅值,e(t)表示误差值,gITAE和gTHD分别为ITAE和THD的权重。
优选地,所述S25中,定义a是随着迭代次数的增加从2线性递减到0;A是收敛因子,为均匀分布在[-a,a]之间的随机数;C是摇摆因子,为均匀分布在[0,2]之间的随机数;r1、r2是[0,1]的随机数,计算公式为:
A=2a·r1-a
C=2·r2。
优选地,所述S26中,假设鲸鱼的种群规模为N,求解问题空间的维度为d,假定当代群体中的最优鲸鱼个体位置为可能出现的猎物位置,每只鲸鱼随机选择包围猎物机制或者气泡网包围猎物机制;
如果|A|≤1且p<0.5,鲸鱼种群采用包围捕食策略;此环节,鲸鱼向着最优位置的鲸鱼游动,鲸鱼与最优鲸鱼的距离计算公式、位置更新公式如下:
其中,表示t时刻该鲸鱼的位置,Dbest表示该鲸鱼与最优位置鲸鱼之间的距离,为t时刻最优鲸鱼的位置;
如果|A|>1且p<0.5,鲸鱼种群采用随机搜索策略;此环节,鲸鱼向着一条随机位置的鲸鱼游动,鲸鱼与最优鲸鱼的距离计算公式、位置更新公式如下:
其中,Drand表示该鲸鱼与随机鲸鱼之间的距离,为t时刻随机鲸鱼的位置;
如果p≥0.5,鲸鱼种群采用气泡网包围猎物策略;使用气泡网时,鲸鱼位置更新公式如下:
式中,b为螺旋形常数,取值为1;l为均匀分布在[-1,1]之间的随机数,这里的e是自然常数。
本发明至少具有如下有益效果:采用基于鲸鱼算法的模糊PID控制逆变器具有良好的稳态精度和动态性能,很好地实现对电压外环的控制,提高了系统的响应速度,使系统在非线性负载或是负载变化的情况下仍能实现良好的控制,并且输出电压、电流谐波含量很低。
附图说明
图1为本发明实施例的基于鲸鱼算法的模糊PID控制的逆变器控制方法的S20步骤流程图;
图2为本发明实施例的基于鲸鱼算法的模糊PID控制的逆变器控制方法的控制原理图;
图3为本发明一实施例的基于鲸鱼算法的模糊PID控制的逆变器控制方法的S20步骤流程图;
图4为本发明实施例的基于鲸鱼算法的模糊PID控制的逆变器控制方法的迭代次数和适应度值波形图;
图5为本发明实施例的基于鲸鱼算法的模糊PID控制的逆变器控制方法的电流电压波形图;
图6为本发明实施例的基于鲸鱼算法的模糊PID控制的逆变器控制方法的电压谐波含量图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
相反,本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步,为了使公众对本发明有更好的了解,在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
S10,搭建单相逆变系统仿真模型,在逆变系统仿真模型中采用模糊PID控制器对逆变器进行控制,确定模糊输入量和输出量,建立模糊集、论域和隶属度函数,设计模糊规则,确定模糊推理方法和解模糊方法;
S20,将模糊控制器的输入比例因子和输出比例因子作为优化对象,使用鲸鱼优化算法对模糊控制器的输入比例因子和输出比例因子进行自调节和优化,输出最优模糊控制规则,使用模糊控制规则在线调整PID控制器的参数,实现对逆变电源系统进行最优模糊PID控制。
S10中模糊PID控制器是一个两输入三输出的系统,输入量为误差e和误差的变化ec,输出量为PID参数的调整量ΔKp、ΔKi、ΔKd,分别为比例调节系数的调整量、积分调节系数的调整量和微分调节系数的调整量。输入量和输出量的模糊状态论域分为7个等级,模糊控制器的模糊集为:{负大(NB)、负中(NM)、负小(NS)、零(ZO)、正小(NS)、正中(NM)、正大(NB)},输入量和输出量的隶属度函数都采用三角形隶属度函数trimf。
参见图2,为本发明方法的控制原理图,通过模糊控制器得到比例调节系数、积分调节系数和微分调节系数的调整量ΔKp、ΔKi和ΔKd,然后对PID的比例调节系数Kp、积分调节系数Ki和微分调节系数Kd进行调整,控制参数的调节公式为:
其中,Kp0、Ki0和Kd0为PID控制器的初始值,Kp、Ki和Kd为模糊PID控制器输出的最终参数值。
S10中根据数据库中的专家经验以及e、ec和ΔKp、ΔKi、ΔKd的关系,建立推理规则,制定模糊规则表,模糊规则由以下形式表示:
if(e is NB)and(ec is NB),then(ΔKp is PB)(ΔKi is NB)(ΔKd is PS);
if(e is NB)and(ec is NM),then(ΔKp is PB)(ΔKi is NB)(ΔKd is NS)…
模糊控制器的比例参数的模糊控制规则为:
模糊控制器的积分参数的模糊控制规则为:
模糊控制器的微分参数的模糊控制规则为:
模糊控制器模糊推理方法采用Mamdani模糊推理方法,解模糊化方法选用重心法,因为重心法可以对非常微小的输入变化做出响应,并且输出推理控制比较平缓,不会产生震荡现象。
S10中用simulink搭建逆变电源系统仿真模型,设计模糊PID控制器,采用单相全桥逆变器,搭建单极性调制模块、模糊PID控制模块。在本实例中,逆变电源系统的直流母线电压400V,输出滤波电感L=2.2mH,滤波电容C=20uF,输出电压有效值为220V,频率为50Hz,额定负载为9Ω,开关频率和采样频率均为10KHz。
参见图1,S20中使用鲸鱼算法对模糊控制器的输入比例因子Ke、Kec和输出比例因子K1、K2、K3进行寻优,生成最优模糊控制规则,具体包括以下步骤:
S21,确定鲸鱼种群规模N,确定最大迭代数NC;
S22,设置被优化参数Ke、Kec、K1、K2、K3的寻优范围,根据确定的参数范围,随机生成鲸鱼种群位置,生成存放每个鲸鱼的适应值的矩阵和存放种群最优适应值的矩阵;
S23,构建适应度函数,采用绝对误差积分准则ITAE和总谐波失真THD的加权之和作为适应度函数;
S24,用初始化的鲸鱼位置作为模糊控制器的输入比例因子和输出比例因子,调用搭建好的simulink仿真模型,通过适应度函数计算每只鲸鱼的适应值,通过比较得到最优适应值fbest,找到最优鲸鱼的位置Xbest;
S25,设置迭代计数器i=1,开始迭代;
S26,根据鲸鱼优化算法设定的流程来判断鲸鱼接下来的行为从而选择性更新鲸鱼个体的位置;
S27,鲸鱼位置更新完后进行越界处理,对越界元素进行替换:对所有的鲸鱼个体再次进行适应度计算,与之前的最优适应值进行对比,若新值更小,更新最优适应值和最优鲸鱼位置;
S28,判断是否达到最大迭代次数,若满足则终止迭代,输出当前最优解,否则转到S25继续迭代。
参见图3是鲸鱼算法优化两类因子的流程图,使用鲸鱼算法对模糊控制器的输入比例因子Ke、Kec和输出比例因子K1、K2、K3进行寻优,生成最优模糊控制规则。鲸鱼算法寻优过程中,主要有两个捕食机制(包围捕食,气泡网捕食),三种捕食策略,(随机搜索策略,包围捕食策略,气泡网包围策略)。
S23中适应度函数,为:
其中,Ui表示输出电压基波幅值,Un表示输出电压n次谐波幅值,e(t)表示误差值,gITAE和gTHD分别为ITAE和THD的权重。
S25中,定义a是随着迭代次数的增加从2线性递减到0;A是收敛因子,为均匀分布在[-a,a]之间的随机数;C是摇摆因子,为均匀分布在[0,2]之间的随机数;r1、r2是[0,1]的随机数,计算公式为:
A=2a·r1-a
C=2·r2。
S26中,假设鲸鱼的种群规模为N,求解问题空间的维度为d,假定当代群体中的最优鲸鱼个体位置为可能出现的猎物位置,每只鲸鱼随机选择包围猎物机制或者气泡网包围猎物机制;
如果|A|≤1且p<0.5,鲸鱼种群采用包围捕食策略;此环节,鲸鱼向着最优位置的鲸鱼游动,鲸鱼与最优鲸鱼的距离计算公式、位置更新公式如下:
其中,表示t时刻该鲸鱼的位置,Dbest表示该鲸鱼与最优位置鲸鱼之间的距离,/>为t时刻最优鲸鱼的位置;
如果|A|>1且p<0.5,鲸鱼种群采用随机搜索策略;此环节,鲸鱼向着一条随机位置的鲸鱼游动,鲸鱼与最优鲸鱼的距离计算公式、位置更新公式如下:
其中,Drand表示该鲸鱼与随机鲸鱼之间的距离,为t时刻随机鲸鱼的位置;
如果p≥0.5,鲸鱼种群采用气泡网包围猎物策略;使用气泡网时,鲸鱼位置更新公式如下:
式中,b为螺旋形常数,取值为1;l为均匀分布在[-1,1]之间的随机数,这里的e是自然常数。
在本实例鲸鱼算法中,鲸鱼种群规模N=20,设置最大迭代数NC=20,gITAE和gTHD取值都是0.5。在本实例中,采用单极性调制的单相逆变器,输出电压与给定电压的做差,得到的误差以及误差的变化,经过模糊PID输出调节信号,控制逆变桥开关管的通断。在仿真模型中置入两个目标函数ITAE和THD,通过鲸鱼算法的调用取值计算,保证输出的谐波含量尽可能少。
采用本发明对单相逆变器进行控制,通过图4可以看出,在利用鲸鱼优化算法寻优迭代过程中,目标函数的值随迭代次数不断减小,最终收敛,且在迭代次数为10时就找到最优值,表明寻优速度快。通过图5可以看出,逆变器输出电压和电流波形稳定,符合对输出电压的要求。通过图6可以看出,单相逆变器输出电压谐波含量很小,为1.46%,远低于优化前,电能质量符合要求。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于鲸鱼算法的模糊PID控制的逆变器控制方法,其特征在于,包括:
S10,搭建单相逆变系统仿真模型,在逆变系统仿真模型中采用模糊PID控制器对逆变器进行控制,确定模糊输入量和输出量,建立模糊集、论域和隶属度函数,设计模糊规则,确定模糊推理方法和解模糊方法;
S20,将模糊控制器的输入比例因子和输出比例因子作为优化对象,使用鲸鱼优化算法对模糊控制器的输入比例因子和输出比例因子进行自调节和优化,输出最优模糊控制规则,使用模糊控制规则在线调整PID控制器的参数,实现对逆变电源系统进行最优模糊PID控制。
2.根据权利要求1所述的方法,其特征在于,所述S10中模糊PID控制器是一个两输入三输出的系统,输入量为误差e和误差的变化ec,输出量为PID参数的调整量ΔKp、ΔKi、ΔKd,分别为比例调节系数的调整量、积分调节系数的调整量和微分调节系数的调整量。
3.根据权利要求2所述的方法,其特征在于,所述输入量和输出量的模糊状态论域分为7个等级,模糊控制器的模糊集为:{负大(NB)、负中(NM)、负小(NS)、零(ZO)、正小(NS)、正中(NM)、正大(NB)},输入量和输出量的隶属度函数都采用三角形隶属度函数trimf。
4.根据权利要求2所述的方法,其特征在于,所述S10中对PID的比例调节系数Kp、积分调节系数Ki和微分调节系数Kd进行调整,控制参数的调节公式为:
其中,Kp0、Ki0和Kd0为PID控制器的初始值,Kp、Ki和Kd为模糊PID控制器输出的最终参数值。
5.根据权利要求2所述的方法,其特征在于,所述S10中根据数据库中的专家经验以及e、ec和ΔKp、ΔKi、ΔKd的关系,建立推理规则,制定模糊规则表,模糊推理方法采用Mamdani模糊推理方法,解模糊化方法选用重心法。
6.根据权利要求1所述的方法,其特征在于,所述S10中用simulink搭建逆变电源系统仿真模型,设计模糊PID控制器,采用单相全桥逆变器,搭建单极性调制模块、模糊PID控制模块。
7.根据权利要求1所述的方法,其特征在于,所述S20中使用鲸鱼算法对模糊控制器的输入比例因子Ke、Kec和输出比例因子K1、K2、K3进行寻优,生成最优模糊控制规则,具体包括以下步骤:
S21,确定鲸鱼种群规模N,确定最大迭代数NC;
S22,设置被优化参数Ke、Kec、K1、K2、K3的寻优范围,根据确定的参数范围,随机生成鲸鱼种群位置,生成存放每个鲸鱼的适应值的矩阵和存放种群最优适应值的矩阵;
S23,构建适应度函数,采用绝对误差积分准则ITAE和总谐波失真THD的加权之和作为适应度函数;
S24,用初始化的鲸鱼位置作为模糊控制器的输入比例因子和输出比例因子,调用搭建好的simulink仿真模型,通过适应度函数计算每只鲸鱼的适应值,通过比较得到最优适应值fbest,找到最优鲸鱼的位置Xbest;
S25,设置迭代计数器i=1,开始迭代;
S26,根据鲸鱼优化算法设定的流程来判断鲸鱼接下来的行为从而选择性更新鲸鱼个体的位置;
S27,鲸鱼位置更新完后进行越界处理,对越界元素进行替换:对所有的鲸鱼个体再次进行适应度计算,与之前的最优适应值进行对比,若新值更小,更新最优适应值和最优鲸鱼位置;
S28,判断是否达到最大迭代次数,若满足则终止迭代,输出当前最优解,否则转到S25继续迭代。
8.根据权利要求7所述的方法,其特征在于,所述S23中适应度函数,为:
其中,Ui表示输出电压基波幅值,Un表示输出电压n次谐波幅值,e(t)表示误差值,gITAE和gTHD分别为ITAE和THD的权重。
9.根据权利要求7所述的方法,其特征在于,所述S25中,定义a是随着迭代次数的增加从2线性递减到0;A是收敛因子,为均匀分布在[-a,a]之间的随机数;C是摇摆因子,为均匀分布在[0,2]之间的随机数;r1、r2是[0,1]的随机数,计算公式为:
A=2a·r1-a
C=2·r2。
10.根据权利要求9所述的方法,其特征在于,所述S26中,假设鲸鱼的种群规模为N,求解问题空间的维度为d,假定当代群体中的最优鲸鱼个体位置为可能出现的猎物位置,每只鲸鱼随机选择包围猎物机制或者气泡网包围猎物机制;
如果|A|≤1且p<0.5,鲸鱼种群采用包围捕食策略;此环节,鲸鱼向着最优位置的鲸鱼游动,鲸鱼与最优鲸鱼的距离计算公式、位置更新公式如下:
其中,表示t时刻该鲸鱼的位置,Dbest表示该鲸鱼与最优位置鲸鱼之间的距离,/>为t时刻最优鲸鱼的位置;
如果|A|>1且p<0.5,鲸鱼种群采用随机搜索策略;此环节,鲸鱼向着一条随机位置的鲸鱼游动,鲸鱼与最优鲸鱼的距离计算公式、位置更新公式如下:
其中,Drand表示该鲸鱼与随机鲸鱼之间的距离,为t时刻随机鲸鱼的位置;
如果p≥0.5,鲸鱼种群采用气泡网包围猎物策略;使用气泡网时,鲸鱼位置更新公式如下:
式中,b为螺旋形常数,取值为1;l为均匀分布在[-1,1]之间的随机数,这里的e是自然常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310539041.7A CN116610029A (zh) | 2023-05-15 | 2023-05-15 | 基于鲸鱼算法的模糊pid控制的逆变器控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310539041.7A CN116610029A (zh) | 2023-05-15 | 2023-05-15 | 基于鲸鱼算法的模糊pid控制的逆变器控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116610029A true CN116610029A (zh) | 2023-08-18 |
Family
ID=87682883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310539041.7A Pending CN116610029A (zh) | 2023-05-15 | 2023-05-15 | 基于鲸鱼算法的模糊pid控制的逆变器控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116610029A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117784852A (zh) * | 2024-02-28 | 2024-03-29 | 山东工商学院 | 一种基于鱼鳞仿生优化算法的多模态传感器温度控制方法 |
-
2023
- 2023-05-15 CN CN202310539041.7A patent/CN116610029A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117784852A (zh) * | 2024-02-28 | 2024-03-29 | 山东工商学院 | 一种基于鱼鳞仿生优化算法的多模态传感器温度控制方法 |
CN117784852B (zh) * | 2024-02-28 | 2024-05-14 | 山东工商学院 | 一种基于鱼鳞仿生优化算法的多模态传感器温度控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Arya | Automatic generation control of two-area electrical power systems via optimal fuzzy classical controller | |
Chaturvedi et al. | Adaptive polar fuzzy logic based load frequency controller | |
Kong et al. | An effective nonlinear multivariable HMPC for USC power plant incorporating NFN-based modeling | |
CN114362196B (zh) | 一种多时间尺度主动配电网电压控制方法 | |
CN116610029A (zh) | 基于鲸鱼算法的模糊pid控制的逆变器控制方法 | |
CN110531614B (zh) | 新颖的无刷直流电机模糊神经网络pi控制器 | |
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 | |
CN111258211A (zh) | 一种基于模糊神经元pid的微电网频率控制系统及方法 | |
Zhao et al. | Self-Tuning of PID parameters based on adaptive genetic algorithm | |
CN115313403A (zh) | 一种基于深度强化学习算法的实时电压调控方法 | |
Tavakoli et al. | A self‐constructing Lyapunov neural network controller to track global maximum power point in PV systems | |
CN105207220B (zh) | 一种基于渐进学习的分级电压调控方法 | |
Abegaz et al. | Smart control of automatic voltage regulators using K-means clustering | |
Mao et al. | Simulation of liquid level cascade control system based on genetic Fuzzy PID | |
CN115912367A (zh) | 一种基于深度强化学习的电力系统运行方式智能生成方法 | |
Yu et al. | A reinforcement learning approach to power system stabilizer | |
Gu et al. | Steady state hierarchical optimizing control for large-scale industrial processes with fuzzy parameters | |
CN113741169A (zh) | 一种恒电位仪的控制方法和系统 | |
CN113270867A (zh) | 一种薄弱电网潮流无解自动调整方法 | |
CN113110033A (zh) | 一种基于模糊pid算法ashp集热控制系统 | |
Wu et al. | Stable fuzzy neural tracking control of a class of unknown nonlinear systems based on fuzzy hierarchy error approach | |
Liu et al. | Fuzzy-PID control for arc furnace electrode regulator system based on Genetic Algorithm | |
Shrivastava et al. | DESIGN OF GREY FUZZY PID CONTROLLER FOR POWER SYSTEM CONTROL: ITS ON-LINE RULE TUNING | |
Li et al. | Automatic generation control strategy based on deep forest | |
Chaturvedi et al. | Adaptive polar fuzzy load frequency controller for nonlinear multi-area power system |
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 |