CN116629184A - 一种逆变器系统的多目标优化方法 - Google Patents

一种逆变器系统的多目标优化方法 Download PDF

Info

Publication number
CN116629184A
CN116629184A CN202310904625.XA CN202310904625A CN116629184A CN 116629184 A CN116629184 A CN 116629184A CN 202310904625 A CN202310904625 A CN 202310904625A CN 116629184 A CN116629184 A CN 116629184A
Authority
CN
China
Prior art keywords
individual
individuals
population
common mode
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.)
Granted
Application number
CN202310904625.XA
Other languages
English (en)
Other versions
CN116629184B (zh
Inventor
王佳宁
王睿源
姚张浩
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202310904625.XA priority Critical patent/CN116629184B/zh
Publication of CN116629184A publication Critical patent/CN116629184A/zh
Application granted granted Critical
Publication of CN116629184B publication Critical patent/CN116629184B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/373—Design optimisation
    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Geometry (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Power Engineering (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供了一种逆变器系统的多目标优化方法，属于电力电子技术领域。该优化方法首先以效率、功率密度为目标函数，建立双目标优化模型；利用NSGA‑II算法求解双目标优化模型，得到优秀子代种群；利用前馈型人工神经网络检验子代种群中个体的共模噪声抑制是否达标；将达标的个体在上述双目标优化模型中求得效率‑功率密度解集；根据需要选择实施方案。本发明优化方法，不仅能快速得到所需优化目标的解集，避免计算时间过长的问题，而且能全面评价系统中不同目标的性能特别是共模噪声抑制情况，更符合实际，从而得到可行的逆变器系统设计方案。

Description

一种逆变器系统的多目标优化方法
技术领域
本发明属于电力电子技术领域，涉及一种逆变器系统的多目标优化方法，尤其涉及一种基于NSGA-II算法和前馈型人工神经网络的逆变器系统的多目标优化方法。
背景技术
随着逆变器的装机量日益增长，如何优化其性能指标，获得更高的效率、功率密度并确保共模噪声抑制情况符合标准，已成为一个重要课题。然而，上述性能指标的优化往往是冲突的，一个目标得以优化的同时，另一个目标可能受到恶化。
在传统的逆变器优化设计方法中，各个目标的优化是相对孤立的，具体操作在较大程度上依赖于经验，这常常引起过设计或估值不准确的问题。此外，各个目标之间具有复杂的耦合关系，而常规的数值计算的方法所得的设计结果也难以达到理论最优。因此，我们需要结合多种算法的优势，快速化解各个优化目标之间的冲突，找到一组最优解。为此很多专家学者提出不同的解决方法：
黎浩庭等在《基于高斯混合分布的混合储能电动汽车DC-DC变换器的优化设计[J]》(电工电能新技术,2021,40(06):1-10)中，采用NSGA-II算法，基于高斯混合负载分布的变换器的损耗-成本进行了双目标优化。但是，该解决方法存在以下不足：
1)未考虑变换器的体积，而损耗的降低可以由电感体积的增大换取，电感体积过大又会导致系统设计困难；
2)未考虑高开关频率的情况，而开关管在高频工作状态下会产生较大的共模噪声。
题为“Artificial-Intelligence-Based Design for Circuit Parameters ofPower Converters”（IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS,2022,VOL69,NO.11.）（基于人工智能的电力变换器参数设计，IEEE工业电子学报,2022年第69卷第11期）的文章采用基因算法与人工神经网络对系统的开关频率-电感值-电容值进行优化，从而得到效率-体积-纹波系数的最优解。但是，该解决方法存在以下不足：
1)人工神经网络仅用于计算系统的开关频率-电感值-电容值，没有对个体共模噪声的幅值和频率进行预测；
2)在基因算法中，采用适应度函数的方法对个体进行优化，其收敛速度比NSGA-II中的非支配排序的方法要低，且不能按照个体的优劣将其分层，供使用者从最优的一层中任意选择。
发明内容
本发明所要解决的技术问题是现有电力电子变换器的多目标优化方法中缺乏系统复杂模型，以及计算耗时较长的缺陷。本发明针对上述缺陷，提出了一种逆变器系统的多目标优化方法，该方法在NSGA-II算法能按照个体的优劣将其分层且收敛速度快的基础上，引入前馈型人工神经网络检验共模噪声抑制情况，更加全面客观地评价了系统的性能，提高了最终计算结果的可行性，进一步加快了算法的收敛速度以缩短计算时间，能为后续的工程设计提供支持。
本发明的目的是这样实现的，本发明提供了一种逆变器系统的多目标优化方法，逆变器系统包括直流电压源、两个相同的支撑电容、逆变电路、滤波电感、滤波电容、共模电感和负载；其特征在于，包括以下步骤：
步骤1，设定逆变器系统中的支撑电容和滤波电容的损耗均忽略不计，以系统的效率f1、系统的功率密度f2为目标，建立双目标优化模型；
步骤2，首先设定子代种群规模N和个体i，i为个体序号；i=1,2,...,N；其中，每个个体i包括三个设计变量：逆变电路中功率器件的开关频率fswi，共模电感值Li，逆变电路输出电压的纹波系数γi；然后生成初始父代种群S0，从初始父代种群S0开始采用遗传算法NSGA-II进行kmax次迭代，并在迭代中采用前馈型人工神经网络检验子代种群中的每一个个体i的共模噪声抑制状态是否达标，最终得到一个由Y个最优个体m组成的最优种群，m=1,2,...,Y，Y≤N；
步骤3，将最优种群代入双目标优化模型求解，得到由Y个最优解Am组成的解集，其中，最优解Am为最优个体m对应的解，Am=[f1m,f2m]， f1m为最优个体m对应的系统的最优效率，f2m为最优个体m对应的系统的最优功率密度；
步骤4，输出解集，并根据需要，从解集中选取一个最优解作为最后的实施方案。
优选地，所述双目标优化模型的表达式为：
；
其中，PL为滤波电感和共模电感的总损耗，PT为逆变电路中功率器件的总损耗，P为系统的总功率，VL为滤波电感和共模电感的总体积，VC为两个支撑电容和一个滤波电容的总体积，VS为逆变电路中每个功率器件外部安装的散热器的总体积；
将逆变器系统记为系统，将系统的效率f1、系统的功率密度f2统称为优化目标fψ，ψ=1,2。
优选地，步骤2的实现过程如下：
步骤2.1，参数设置，包括：迭代次数k；k=0,1,...,kmax；kmax为最大迭代次数，初始化k=0；子代种群规模N和个体i，i为个体序号；i=1,2,...,N；其中，每个个体i包括三个设计变量：逆变电路中功率器件的开关频率fswi，共模电感值Li，逆变电路输出电压的纹波系数γi；
步骤2.2，从二进制编码、实数编码、树型编码和量子比特编码中任意选取一种，生成初始父代种群S0，其规模为N；
步骤2.3，基于步骤1建立的的双目标优化模型，从初始父代种群S0开始，采用遗传算法NSGA-II进行kmax次迭代，其中，第k次迭代的过程如下：
步骤2.3.1，采用遗传算法NSGA-II对当前父代种群Sk进行第k次迭代，得到第k代子代种群；
步骤2.3.2，基于前馈型人工神经网络，检验第k代子代种群中的每一个个体i的共模噪声抑制状态是否达标：若达标，将该个体i保留在第k代子代种群中，否则，将该个体i从第k代子代种群中剔除，即通过检验，得到一个剔除共模噪声抑制状态不达标个体的第k代子代种群；
所述前馈型人工神经网络包括幅值预测网络ANN1和频率预测网络ANN2，具体的检验过程如下：
对于个体i，定义4个关键点描述共模噪声频谱包络线，记4个关键点处的共模噪声预测幅值为Miδ、频率为Fiδ，δ为关键点的序号，δ=1,2,3,4；
设置幅值预测网络ANN1，其输入为[U0,fswi,Li,γi]，输出为[Mi1,Mi2,Mi3,Mi4]，其中，U0为直流电压源处的电压；
设置频率预测网络ANN2，其输入为[fswi,Li,γi]，输出为[Fi2,Fi3]；
设置阈值函数Siδ=f(Fiδ)，并给出四个关键点共模噪声达标的约束条件，具体的：若个体i的四个共模噪声幅值均满足Miδ＜Siδ，则个体i的共模噪声抑制状态为达标，否则不达标；
步骤2.3.3，比较迭代次数k和最大迭代次数kmax：
若k＜kmax，将步骤2.3.2中得到的剔除共模噪声抑制状态不达标个体的第k代子代种群作为下一代父代种群，并返回步骤2.3.1进行下一次迭代；
若k=kmax，将剔除共模噪声抑制状态不达标个体的第kmax代子代种群记为最优种群，并进入步骤3；
设最优种群的个体数为Y，并将其中任意一个个体记为最优个体m。
优选地，所述幅值预测网络ANN1为一个4输入4输出的3层网络结构模型，该3层网络结构自上而下依次为输入层、隐含层、输出层；所述频率预测网络ANN2为一个3输入2输出的3层网络结构模型，该3层网络结构自上而下依次为输入层、隐含层、输出层。
优选地，步骤2.3.1的实现过程如下：
(1)通过遗传操作算子，由当前父代种群Sk得到中间种群Pk，令合种群Zk=Sk∪Pk，并设合种群Zk中个体数为T，T≥N；
(2)对合种群Zk进行快速非支配排序，具体步骤如下：
根据步骤1中的双目标优化模型，任取合种群Zk中个体e的优化目标fe1和fe2，e=1,2,...,T；任取合种群中的个体j的优化目标fj1和fj2，j=1,2,...,T，若满足fe1≥fj1且fe2≥fj2且fe≠fj，则个体e支配个体j；若不满足，则个体e不支配个体j；若个体e不受合种群中其他任何个体支配，则称个体e为非支配个体；搜索合种群中所有非支配个体，并将这些非支配个体组成一个第一层个体集Q1；对于合种群中第一层个体集Q1以外的个体，继续进行搜索，从第一层个体集Q1以外的个体中搜索出所有非支配个体，得到第二层个体集Q2；以此类推，直到合种群中的所有个体都被划入某一层个体集；
设临界排序层为Qld，检验Q1中个体的数目是否大于或等于N，若是，则记Qld=Q1；否则，检验Q1、Q2中个体数目之和是否大于或等于N，若是，则记Qld=Q2；否则，检验Q1、Q2、Q3中个体数目之和是否大于或等于N，若是，则记Qld=Q3；否则，继续进行检验，直到存在Qld，使得Q1,Q2,...,Qld中个体数目之和大于或等于N；
(3)若Q1,Q2,...,Qld中个体数目之和等于N，则将Q1,Q2,...,Qld中的个体保留，并构成一个第k代子代种群；否则，保留Q1,Q2,...,Qld-1中的全部个体，并采用基于拥挤距离的方法，从Qld中选取部分个体保留，以构成一个个体数目之和等于N的第k代子代种群。
优选地，所述基于拥挤距离的方法为：
设个体i在目标ψ上的目标函数为fiψ,分别对fi1、fi2的数值进行降序排列；
设个体i在目标ψ上的拥挤距离为diψ，当i为1或i为N时， diψ=∞；当i为2,3,...,N-1时，计算式为：
；
取个体i的拥挤距离为di，其计算式为：
di=di1+di2；
根据所需的个体数目，优先保留拥挤距离di较大的个体，直到所得子代种群的规模恰好达到N。
与现有技术相比，本发明的有益效果为：
1.本发明综合考虑逆变器系统的效率f1、逆变器系统的功率密度f2及共模噪声抑制情况是否达标3个目标，更加全面客观地评价逆变器系统的性能，符合逆变器系统实际情况，同时避免了计算量过大的问题；
2.本发明结合遗传算法与前馈型人工神经网络，对于每一代种群，首先采用非支配排序遗传进行效率-功率密度的优化，然后采用人工神经网络检验共模噪声抑制是否达标，移除不达标的个体，并将达标的个体保留在子代种群中；这一机制保障所得个体的共模噪声抑制情况为达标，提高了最终计算结果在工程上的可行性，同时避免了对不符合要求的个体的计算过程，加速算法的收敛，缩短了计算时间；
3.本发明的优化目标结合连续变量（效率-功率密度）与离散变量（共模噪声抑制是否达标），最终提供了二维的解集，避免了多目标优化结果可视化性弱的问题。
附图说明
图1为本发明中逆变器系统的拓扑图；
图2为本发明优化方法的流程图；
图3为本发明实施例中幅值预测网络ANN1的结构示意图；
图4为本发明实施例中频率预测网络ANN2的结构示意图；
图5为本发明实施例中输出的由最优解Am组成的解集示意图。
具体实施方式
下面结合附图，对本发明进行详细的说明。
图1为本发明实施例中逆变器系统的拓扑图，由图1可见，本发明涉及的逆变器系统包括直流电压源、两个相同的支撑电容、逆变电路、三相电感、三相滤波电容和负载。所述两个相同的支撑电容串联组成一个支撑电容支路，该支撑电容支路并联在所述直流电压源的直流正母线和直流负母线之间，所述逆变电路的输入端与支撑电容支路并联、输出端接所述三相电感，所述三相电感的另一端接所述负载，所述三相滤波电容并联接在所述三相电感和所述负载之间。
在图1上，E为直流电压源，Cap1和Cap2为支撑电容，L02为滤波电感，L01为共模电感，C为滤波电容，LOAD为负载。
图2为本发明优化方法的流程图，由图2可见，所述优化方法包括以下步骤：
步骤1，建立逆变器系统的双目标优化模型
设定系统中的支撑电容和滤波电容的损耗均忽略不计，以系统的效率f1、系统的功率密度f2为目标，建立双目标优化模型，其表达式为：
；
其中，PL为滤波电感和共模电感的总损耗，PT为逆变电路中功率器件的总损耗，P为系统的总功率，VL为滤波电感和共模电感的总体积，VC为两个支撑电容和一个滤波电容的总体积，VS为逆变电路中每个功率器件外部安装的散热器的总体积；
将逆变器系统记为系统，将系统的效率f1、系统的功率密度f2统称为优化目标fψ，ψ=1,2。
在本实施例中，P=140千瓦， VC=7.5×10-4立方米，VS=2.4×10-3立方米。
步骤2，采用遗传算法NSGA-II和前馈型人工神经网络寻找满足精度要求的最优种群
首先设定子代种群规模N和个体i，i为个体序号；i=1,2,...,N；其中，每个个体i包括三个设计变量：逆变电路中功率器件的开关频率fswi，共模电感值Li，逆变电路输出电压的纹波系数γi；然后生成初始父代种群S0，从初始父代种群S0开始采用遗传算法NSGA-II进行kmax次迭代，并在迭代中采用前馈型人工神经网络检验子代种群中的每一个个体i的共模噪声抑制状态是否达标，最终得到一个由Y个最优个体m组成的最优种群，m=1,2,...,Y，Y≤N。
在本实施例中，步骤2的实现过程如下：
步骤2.1，参数设置，包括：迭代次数k；k=0,1,...,kmax；kmax为最大迭代次数，初始化k=0；子代种群规模N和个体i，i为个体序号；i=1,2,...,N；其中，每个个体i包括三个设计变量：逆变电路中功率器件的开关频率fswi，共模电感值Li，逆变电路输出电压的纹波系数γi。
步骤2.2，从二进制编码、实数编码、树型编码和量子比特编码中任意选取一种，生成初始父代种群S0，其规模为N。
步骤2.3，基于步骤1建立的的双目标优化模型，从初始父代种群S0开始，采用遗传算法NSGA-II进行kmax次迭代，其中，第k次迭代的过程如下：
步骤2.3.1，采用遗传算法NSGA-II对当前父代种群Sk进行第k次迭代，得到第k代子代种群；
步骤2.3.2，基于前馈型人工神经网络，检验第k代子代种群中的每一个个体i的共模噪声抑制状态是否达标：若达标，将该个体i保留在第k代子代种群中，否则，将该个体i从第k代子代种群中剔除，即通过检验，得到一个剔除共模噪声抑制状态不达标个体的第k代子代种群；
所述前馈型人工神经网络包括幅值预测网络ANN1和频率预测网络ANN2，具体的检验过程如下：
对于个体i，定义4个关键点描述共模噪声频谱包络线，记4个关键点处的共模噪声预测幅值为Miδ、频率为Fiδ，δ为关键点的序号，δ=1,2,3,4；
设置幅值预测网络ANN1，其输入为[U0,fswi,Li,γi]，输出为[Mi1,Mi2,Mi3,Mi4]，其中，U0为直流电压源处的电压，取1200伏；
设置频率预测网络ANN2，其输入为[fswi,Li,γi]，输出为[Fi2,Fi3]；
设置阈值函数Siδ=f(Fiδ)，并给出四个关键点共模噪声达标的约束条件，具体的：若个体i的四个共模噪声幅值均满足Miδ＜Siδ，则个体i的共模噪声抑制状态为达标，否则不达标。
图3为本发明实施例中幅值预测网络ANN1的结构示意图，图4为本发明实施例中频率预测网络ANN2的结构示意图。由图3和图4可见，在本实施例中，所述幅值预测网络ANN1为一个4输入4输出的3层网络结构模型，该3层网络结构自上而下依次为输入层、隐含层、输出层；所述频率预测网络ANN2为一个3输入2输出的3层网络结构模型，该3层网络结构自上而下依次为输入层、隐含层、输出层。
步骤2.3.3，比较迭代次数k和最大迭代次数kmax：
若k＜kmax，将步骤2.3.2中得到的剔除共模噪声抑制状态不达标个体的第k代子代种群作为下一代父代种群，并返回步骤2.3.1进行下一次迭代；
若k=kmax，将剔除共模噪声抑制状态不达标个体的第kmax代子代种群记为最优种群，并进入步骤3。
设最优种群的个体数为Y，并将其中任意一个个体记为最优个体m。
步骤3，将最优种群代入双目标优化模型求解，得到由Y个最优解Am组成的解集，其中，最优解Am为最优个体m对应的解，Am=[f1m,f2m]， f1m为最优个体m对应的系统的最优效率，f2m为最优个体m对应的系统的最优功率密度；
步骤4，输出解集，并根据需要，从解集中选取一个最优解作为最后的实施方案。
在本实施例中，步骤2.3.1的实现过程如下：
(1)通过遗传操作算子，由当前父代种群Sk得到中间种群Pk，令合种群Zk=Sk∪Pk，并设合种群Zk中个体数为T，T≥N；
所述的遗传操作算子包括选择操作、交叉操作和变异操作。所述选择操作是指更适用环境的个体更有机会遗传给下一代；所述交叉操作是指通过染色体的交叉组合，产生新的个体；所述变异操作是指从种群中任选一个个体，使该个体的一段编码变异，产生新的个体。
(2)对合种群Zk进行快速非支配排序，具体步骤如下：
根据步骤1中的双目标优化模型，任取合种群Zk中个体e的优化目标fe1和fe2，e=1,2,...,T；任取合种群中的个体j的优化目标fj1和fj2，j=1,2,...,T，若满足fe1≥fj1且fe2≥fj2且fe≠fj，则个体e支配个体j；若不满足，则个体e不支配个体j；若个体e不受合种群中其他任何个体支配，则称个体e为非支配个体；搜索合种群中所有非支配个体，并将这些非支配个体组成一个第一层个体集Q1；对于合种群中第一层个体集Q1以外的个体，继续进行搜索，从第一层个体集Q1以外的个体中搜索出所有非支配个体，得到第二层个体集Q2；以此类推，直到合种群中的所有个体都被划入某一层个体集；
设临界排序层为Qld，检验Q1中个体的数目是否大于或等于N，若是，则记Qld=Q1；否则，检验Q1、Q2中个体数目之和是否大于或等于N，若是，则记Qld=Q2；否则，检验Q1、Q2、Q3中个体数目之和是否大于或等于N，若是，则记Qld=Q3；否则，继续进行检验，直到存在Qld，使得Q1,Q2,...,Qld中个体数目之和大于或等于N；
(3)若Q1,Q2,...,Qld中个体数目之和等于N，则将Q1,Q2,...,Qld中的个体保留，并构成一个第k代子代种群；否则，保留Q1,Q2,...,Qld-1中的全部个体，并采用基于拥挤距离的方法，从Qld中选取部分个体保留，以构成一个个体数目之和等于N的第k代子代种群。
所述基于拥挤距离的方法为：
设个体i在目标ψ上的目标函数为fiψ,分别对fi1、fi2的数值进行降序排列；
设个体i在目标ψ上的拥挤距离为diψ，当i为1或i为N时， diψ=∞；当i为2,3,...,N-1时，计算式为：
；
取个体i的拥挤距离为di，其计算式为：
di=di1+di2；
根据所需的个体数目，优先保留拥挤距离di较大的个体，直到所得子代种群的规模恰好达到N。
在本实施例中，取最大迭代次数kmax=80，取子代种群规模N=100。
在第80次迭代时，因为迭代次数已足够大，而前面的迭代过程已经使个体优胜劣汰，因此本次迭代中没有任何个体因共模噪声抑制情况不达标而被剔除，最优种群的个体数Y=100。
图5为本发明实施例中输出的由最优解Am组成的解集示意图，横轴为最优效率f1m，单位为千瓦/立方分米，纵轴为最优功率密度f2m。最后，根据需要选取f1m及f2m都较为适中的最优解Am，即图5中部一点(22.99,0.9839)所对应的最优解，作为最后的实施方案。

Claims (6)

1.一种逆变器系统的多目标优化方法，逆变器系统包括直流电压源、两个相同的支撑电容、逆变电路、滤波电感、滤波电容、共模电感和负载；其特征在于，包括以下步骤：
步骤1，设定逆变器系统中的支撑电容和滤波电容的损耗均忽略不计，以系统的效率f1、系统的功率密度f2为目标，建立双目标优化模型；
步骤2，首先设定子代种群规模N和个体i，i为个体序号；i=1,2,...,N；其中，每个个体i包括三个设计变量：逆变电路中功率器件的开关频率fswi，共模电感值Li，逆变电路输出电压的纹波系数γi；然后生成初始父代种群S0，从初始父代种群S0开始采用遗传算法NSGA-II进行kmax次迭代，并在迭代中采用前馈型人工神经网络检验子代种群中的每一个个体i的共模噪声抑制状态是否达标，最终得到一个由Y个最优个体m组成的最优种群，m=1,2,...,Y，Y≤N；
步骤3，将最优种群代入双目标优化模型求解，得到由Y个最优解Am组成的解集，其中，最优解Am为最优个体m对应的解，Am=[f1m,f2m]， f1m为最优个体m对应的系统的最优效率，f2m为最优个体m对应的系统的最优功率密度；
步骤4，输出解集，并根据需要，从解集中选取一个最优解作为最后的实施方案。
2.根据权利要求1所述的一种逆变器系统的多目标优化方法，其特征在于，所述双目标优化模型的表达式为：
；其中，PL为滤波电感和共模电感的总损耗，PT为逆变电路中功率器件的总损耗，P为系统的总功率，VL为滤波电感和共模电感的总体积，VC为两个支撑电容和一个滤波电容的总体积，VS为逆变电路中每个功率器件外部安装的散热器的总体积；
将逆变器系统记为系统，将系统的效率f1、系统的功率密度f2统称为优化目标fψ，ψ=1,2。
3.根据权利要求2所述的一种逆变器系统的多目标优化方法，其特征在于，步骤2的实现过程如下：
步骤2.1，参数设置，包括：迭代次数k；k=0,1,...,kmax；kmax为最大迭代次数，初始化k=0；子代种群规模N和个体i，i为个体序号；i=1,2,...,N；其中，每个个体i包括三个设计变量：逆变电路中功率器件的开关频率fswi，共模电感值Li，逆变电路输出电压的纹波系数γi；
步骤2.2，从二进制编码、实数编码、树型编码和量子比特编码中任意选取一种，生成初始父代种群S0，其规模为N；
步骤2.3，基于步骤1建立的的双目标优化模型，从初始父代种群S0开始，采用遗传算法NSGA-II进行kmax次迭代，其中，第k次迭代的过程如下：
步骤2.3.1，采用遗传算法NSGA-II对当前父代种群Sk进行第k次迭代，得到第k代子代种群；
步骤2.3.2，基于前馈型人工神经网络，检验第k代子代种群中的每一个个体i的共模噪声抑制状态是否达标：若达标，将该个体i保留在第k代子代种群中，否则，将该个体i从第k代子代种群中剔除，即通过检验，得到一个剔除共模噪声抑制状态不达标个体的第k代子代种群；
所述前馈型人工神经网络包括幅值预测网络ANN1和频率预测网络ANN2，具体的检验过程如下：
对于个体i，定义4个关键点描述共模噪声频谱包络线，记4个关键点处的共模噪声预测幅值为Miδ、频率为Fiδ，δ为关键点的序号，δ=1,2,3,4；
设置幅值预测网络ANN1，其输入为[U0,fswi,Li,γi]，输出为[Mi1,Mi2,Mi3,Mi4]，其中，U0为直流电压源处的电压；
设置频率预测网络ANN2，其输入为[fswi,Li,γi]，输出为[Fi2,Fi3]；
设置阈值函数Siδ=f(Fiδ)，并给出四个关键点共模噪声达标的约束条件，具体的：若个体i的四个共模噪声幅值均满足Miδ＜Siδ，则个体i的共模噪声抑制状态为达标，否则不达标；
步骤2.3.3，比较迭代次数k和最大迭代次数kmax：
若k＜kmax，将步骤2.3.2中得到的剔除共模噪声抑制状态不达标个体的第k代子代种群作为下一代父代种群，并返回步骤2.3.1进行下一次迭代；
若k=kmax，将剔除共模噪声抑制状态不达标个体的第kmax代子代种群记为最优种群，并进入步骤3；
设最优种群的个体数为Y，并将其中任意一个个体记为最优个体m。
4.根据权利要求3所述的一种逆变器系统的多目标优化方法，其特征在于，所述幅值预测网络ANN1为一个4输入4输出的3层网络结构模型，该3层网络结构自上而下依次为输入层、隐含层、输出层；所述频率预测网络ANN2为一个3输入2输出的3层网络结构模型，该3层网络结构自上而下依次为输入层、隐含层、输出层。
5.根据权利要求3所述的一种逆变器系统的多目标优化方法，其特征在于，步骤2.3.1的实现过程如下：
(1)通过遗传操作算子，由当前父代种群Sk得到中间种群Pk，令合种群Zk=Sk∪Pk，并设合种群Zk中个体数为T，T≥N；
(2)对合种群Zk进行快速非支配排序，具体步骤如下：
根据步骤1中的双目标优化模型，任取合种群Zk中个体e的优化目标fe1和fe2，e=1,2,...,T；任取合种群中的个体j的优化目标fj1和fj2，j=1,2,...,T，若满足fe1≥fj1且fe2≥fj2且fe≠fj，则个体e支配个体j；若不满足，则个体e不支配个体j；若个体e不受合种群中其他任何个体支配，则称个体e为非支配个体；搜索合种群中所有非支配个体，并将这些非支配个体组成一个第一层个体集Q1；对于合种群中第一层个体集Q1以外的个体，继续进行搜索，从第一层个体集Q1以外的个体中搜索出所有非支配个体，得到第二层个体集Q2；以此类推，直到合种群中的所有个体都被划入某一层个体集；
设临界排序层为Qld，检验Q1中个体的数目是否大于或等于N，若是，则记Qld=Q1；否则，检验Q1、Q2中个体数目之和是否大于或等于N，若是，则记Qld=Q2；否则，检验Q1、Q2、Q3中个体数目之和是否大于或等于N，若是，则记Qld=Q3；否则，继续进行检验，直到存在Qld，使得Q1,Q2,...,Qld中个体数目之和大于或等于N；
(3)若Q1,Q2,...,Qld中个体数目之和等于N，则将Q1,Q2,...,Qld中的个体保留，并构成一个第k代子代种群；否则，保留Q1,Q2,...,Qld-1中的全部个体，并采用基于拥挤距离的方法，从Qld中选取部分个体保留，以构成一个个体数目之和等于N的第k代子代种群。
6.根据权利要求5所述的一种逆变器系统的多目标优化方法，其特征在于，所述基于拥挤距离的方法为：
设个体i在目标ψ上的目标函数为fiψ,分别对fi1、fi2的数值进行降序排列；
设个体i在目标ψ上的拥挤距离为diψ，当i为1或i为N时， diψ=∞；当i为2,3,...,N-1时，计算式为：
；取个体i的拥挤距离为di，其计算式为：
di=di1+di2；
根据所需的个体数目，优先保留拥挤距离di较大的个体，直到所得子代种群的规模恰好达到N。
CN202310904625.XA 2023-07-24 2023-07-24 一种逆变器系统的多目标优化方法 Active CN116629184B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310904625.XA CN116629184B (zh) 2023-07-24 2023-07-24 一种逆变器系统的多目标优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310904625.XA CN116629184B (zh) 2023-07-24 2023-07-24 一种逆变器系统的多目标优化方法

Publications (2)

Publication Number Publication Date
CN116629184A true CN116629184A (zh) 2023-08-22
CN116629184B CN116629184B (zh) 2023-09-29

Family

ID=87617422

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310904625.XA Active CN116629184B (zh) 2023-07-24 2023-07-24 一种逆变器系统的多目标优化方法

Country Status (1)

Country Link
CN (1) CN116629184B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112084706A (zh) * 2020-09-02 2020-12-15 合肥工业大学 一种基于nsga-ii的电容模块组件配置多目标优化方法
CN112968474A (zh) * 2021-03-30 2021-06-15 合肥工业大学 光伏离网逆变器系统的多目标寻优方法
US11070056B1 (en) * 2020-03-13 2021-07-20 Dalian University Of Technology Short-term interval prediction method for photovoltaic power output
CN115021325A (zh) * 2022-06-22 2022-09-06 合肥工业大学 基于ddpg算法的光伏逆变器多目标优化方法
US20230196114A1 (en) * 2021-03-15 2023-06-22 Hohai University Method for optimizing reservoir operation for multiple objectives based on graph convolutional neural network and nsga-ii algorithm

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11070056B1 (en) * 2020-03-13 2021-07-20 Dalian University Of Technology Short-term interval prediction method for photovoltaic power output
CN112084706A (zh) * 2020-09-02 2020-12-15 合肥工业大学 一种基于nsga-ii的电容模块组件配置多目标优化方法
US20230196114A1 (en) * 2021-03-15 2023-06-22 Hohai University Method for optimizing reservoir operation for multiple objectives based on graph convolutional neural network and nsga-ii algorithm
CN112968474A (zh) * 2021-03-30 2021-06-15 合肥工业大学 光伏离网逆变器系统的多目标寻优方法
CN115021325A (zh) * 2022-06-22 2022-09-06 合肥工业大学 基于ddpg算法的光伏逆变器多目标优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙威;修晓青;肖海伟;张璜;郭光朝;: "退役动力电池梯次利用的容量优化配置", 电器与能效管理技术, no. 19, pages 77 - 81 *
黄少雄;王璨;孔庆竹;马金辉;张金金;: "含短期预测的光伏配电网智能调压策略", 热力发电, no. 07, pages 25 - 31 *

Also Published As

Publication number Publication date
CN116629184B (zh) 2023-09-29

Similar Documents

Publication Publication Date Title
Montoya et al. Numerical methods for power flow analysis in DC networks: State of the art, methods and challenges
CN110350605B (zh) 一种多阶段交直流混联配电网直流升级改造的规划方法
CN110334862B (zh) 考虑恢复时间的电力系统分区优化算法
CN115021325B (zh) 基于ddpg算法的光伏逆变器多目标优化方法
Chang et al. Fuzzy logic and immune-based algorithm for placement and sizing of shunt capacitor banks in a distorted power network
CN105868490A (zh) 模块化多电平变换器多目标特定谐波抑制脉宽调制方法
CN104484517A (zh) 一种mmc桥臂电抗器参数优化方法
CN117057228A (zh) 一种基于深度强化学习的逆变器多目标优化方法
CN106877359A (zh) 基于二层规划考虑电压稳定性的交直流系统无功优化方法
CN116629184B (zh) 一种逆变器系统的多目标优化方法
Sahoo et al. A modified least mean square technique for harmonic elimination
CN111697607B (zh) 一种多端柔性直流输电受端电网接入方法及系统
CN117060447A (zh) 一种基于自迭代变分模态vmd的风电场站混合储能配置方法
CN106301056B (zh) 用于兆瓦级三相逆变系统的多目标优化svpwm方法
CN115544869A (zh) 一种高功率微波源多目标优化方法、系统、设备及介质
CN112734590B (zh) 基于内点法和变领域搜索的动态规划法的二阶段区域电网无功优化方法
Tang et al. Distribution network reconfiguration based on back propagation neural networks
CN112909982A (zh) 一种考虑换流器功率传输裕度的直流配电网优化重构方法
CN111864782A (zh) 柔性直流配电网的mmc控制系统中的pi参数优化方法及其系统
CN117408206B (zh) 一种基于帕累托优化的电声换能器宽带阻抗匹配设计方法
CN117526426B (zh) 一种交直流配电网两阶段分布式优化方法及系统
CN112818493B (zh) 一种新能源并网装备一体化设计方法及装备
CN112909952B (zh) 一种舰船直流综合电力推进系统环网交直流混合潮流计算方法
CN115864404A (zh) 一种基于伪量测的配电网潮流计算方法及系统
Yi et al. Automatic Parameter Optimization Based on High-Efficiency Simulation Model of Regional Energy Router

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