CN117389160B - 一种遗传算法辅助的电力系统有限时间分散滑模控制方法 - Google Patents
一种遗传算法辅助的电力系统有限时间分散滑模控制方法 Download PDFInfo
- Publication number
- CN117389160B CN117389160B CN202311690285.1A CN202311690285A CN117389160B CN 117389160 B CN117389160 B CN 117389160B CN 202311690285 A CN202311690285 A CN 202311690285A CN 117389160 B CN117389160 B CN 117389160B
- Authority
- CN
- China
- Prior art keywords
- sliding mode
- matrix
- subsystem
- power system
- controller
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 43
- 230000002068 genetic effect Effects 0.000 title claims abstract description 31
- 239000006185 dispersion Substances 0.000 title claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 100
- 238000013461 design Methods 0.000 claims abstract description 15
- 238000004891 communication Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 12
- 239000002131 composite material Substances 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 230000033228 biological regulation Effects 0.000 claims description 2
- 230000004044 response Effects 0.000 description 9
- 238000012938 design process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000003287 optical effect Effects 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
本发明涉及一种遗传算法辅助的电力系统有限时间分散滑模控制方法，包括获取被控电力系统参数,根据电力系统模型得到连续系统参数矩阵；将连续时间系统状态方程离散化，得到离散时间系统参数矩阵；构建滑模控制器的系统模型，设计滑模控制器的矩阵不等式，并构建分散滑模控制器，获取GA遗传算法的种群初始化范围，应用GA遗传算法与LMI线性矩阵不等式结合的求解算法得到滑模控制器的增益矩阵K与滑模矩阵F；将得到的滑模控制器的增益矩阵K与F代入到分散滑模控制器中镇定系统。本发明通过有限时间滑模控制器设计方法将传统的LMI方法与GA结合，能够降低控制器设计中的保守性，同时相比传统滑模控制能够减小准滑动模态的带宽，有效提升系统性能。
Description
技术领域
本发明涉及电力系统控制技术领域，尤其涉及一种遗传算法辅助的电力系统有限时间分散滑模控制方法。
背景技术
电力系统是一个结构庞大复杂、组成部分互相关联的大规模系统, 其需要保持高度的稳定性和可靠性，传统的控制方法可能无法充分应对复杂的系统动态性质、外部扰动和设备故障，导致系统不稳定或发生故障。分散滑模控制作为一种强大的鲁棒控制方法，对外部扰动具有很强的抑制能力，同时可以减少通信和计算负担，提高系统性能。电力系统中电力负荷的快速波动对电力系统控制的快速响应控制能力提出了要求，而传统的控制方法很难做到规定时间内的快速响应控制。而有限时间稳定与传统的渐近稳定性不同，有限时间稳定性可以提供时间性能的保证，当电力系统中电力负荷变化时，快速响应特性可以帮助系统迅速调整发电机输出，以满足不断变化的负荷需求，确保电力供应的稳定性和可靠性。
在传统的滑模控制问题中，控制器设计的充分条件中又通常含有非线性项或存在非凸约束，因此通常要通过增加保守性的方法将这些非线性或非凸项转化为线性项，从而使用线性矩阵不等式Linear Matrix Inequality，LMI方法求解控制器参数。近几年，各种进化算法在非凸问题的求解优化上得到了广泛的应用，将进化算法与LMI方法结合进行控制器设计能够降低保守性，提高系统性能。
发明内容
针对现有技术的不足，本发明提供了一种遗传算法辅助的电力系统有限时间分散滑模控制方法，解决了传统集中式电力系统控制方法响应速度慢，对鲁棒性不足，计算量大、通信负担重的问题；以及滑模控制器设计过程中存在非线性、非凸约束的问题，该方法提出了一种有限时间分散滑模控制方法，并使用遗传算法Genetic Algorithm-GA结合线性矩阵不等式LMI求解算法进行控制器设计，以实现对电力系统强鲁棒、快速响应的控制效果，同时使用GA优化了滑模控制的性能。
为解决上述技术问题，本发明提供了如下技术方案：一种遗传算法辅助的电力系统有限时间分散滑模控制方法，包括以下步骤：
S1、获取被控电力系统参数,根据电力系统模型得到连续时间系统参数矩阵；
S2、将连续时间系统的状态方程离散化，得到离散时间系统参数矩阵；
S3、构建滑模控制器的系统模型，设计滑模控制器的矩阵不等式，并通过传感器采集第个子系统的测量输出/>，输入通信网络获取第/>个控制器收到的系统输出/>，计算/>与第/>个子系统滑模矩阵/>的乘积获取第/>个子系统的滑模面/>，最终得到互联系统的复合滑模面/>；
S4、构建分散滑模控制器，将电力系统控制输入表示成第/>个子系统的控制器增益矩阵/>结合第/>个子系统的滑模面/>的模型；
S5、获取GA遗传算法的种群初始化范围，应用GA遗传算法与LMI线性矩阵不等式结合的求解算法得到滑模控制器的增益矩阵K与滑模矩阵F；
S6、将得到的滑模控制器的增益矩阵K与F代入到分散滑模控制器中镇定系统。
进一步地，在步骤S1中，具体过程包括以下步骤：
S11、获取被控多区域电力系统每个子区域的参数，，根据电力系统模型得到连续时间系统状态空间模型；
S12、对电力系统可能存在的外部扰动进行考察分析，估计外部扰动的上界从而得到和/>；
S13、对各区域之间未知的互联项进行估计，得到其对相邻子系统状态影响的上界从而得到。
进一步地，在步骤S2中，具体过程包括以下步骤：
S21、选择离散时间系统采样间隔为1秒；
S22、在MATLAB中使用c2d函数，离散化方法选择零阶保持方法；
S23、由离散化后的离散时间状态空间模型得到对应的等矩阵。
进一步地，在步骤S3中，所述通信网络由轮询Round-Robin ，RR协议调度。
进一步地，在步骤S3中，所述构建滑模控制的系统模型为：
；
其中：代表离散时间系统的第/>个采样时刻，/>为第/>个子系统的状态向量，/>为第/>个子系统的状态向量；/>为第/>个子系统的测量输出，为适当维数的实矩阵，/>为与第/>个子系统相邻的子系统的集合，为系统控制输入，/>为系统所受干扰，为未知的互联项；
所述通信网络获取第个控制器收到的系统输出/>为：
；
其中：，是Kronecker delta函数，当/>时为1，其他情况下为0，/>，，/>为第/>个子系统传感器的个数；需要说明的是，/>代表时刻/>第/>个子系统的更新矩阵，对第/>个子系统来说，随/>的变化，/>具有/>个不同的取值，分别代表了选中不同传感器节点，也就对应着相应传感器节点进行传输时的更新矩阵；
所述互联系统的复合滑模面表示为：
；
其中：为第/>个子系统的滑模面，/>为第/>个子系统的滑模矩阵，在本说明书中代表向量和矩阵的转置。
进一步地，在步骤S3中，所述设计滑模控制器的矩阵不等式表示为：
，
，
，
，
，
，/>，/>，
；
其中：，/>为放缩产生的未知的正标量，/>和/>为放缩产生的未知的正定矩阵，希腊字母/>为未知的正标量；/>，正定矩阵/>为给定的有限时间参数；/>为未知的正定矩阵，/>为适维的单位矩阵，/>，注意到/>与/>，/>都是未知的，因此/>是非线性的，无法使用LMI工具求解；当由GA先验的给出时，上述矩阵不等式组都为线性，可以使用LMI工具求解；对于任何向量/>，一个正定矩阵/>和一个正标量/>，下述矩阵不等式都成立：
；
即参数等均为应用此引理产生的系数。
进一步地，在步骤S4中，所述分散滑模控制器表示为：
；
其中：为第/>个子系统的控制器增益矩阵，，/>为给定的常数，/>为符号函数。
进一步地，所述步骤S5具体过程包括以下步骤：
S51、对滑模控制器带有非线性项的矩阵不等式应用Schur舒尔补引理，得到对应的线性矩阵不等式如下：
<0；
其中，，/>；
S52、对S51得到的线性矩阵不等式及其余线性矩阵不等式应用CCL-ConeComplementarity Linearization锥补线性化算法，得到一组控制器增益矩阵和滑模矩阵/>的可行解；
S53、GA遗传算法种群初始化时每个个体的初始化范围为，/>，其中，/>，/>，/>，/>为经验给出的比例系数；
S54、由S53得到的初始化范围随机生成初始种群；
S55、利用LMI工具为每个个体求解线性矩阵不等式组，若有解则计算对应的适应度函数值；若无解则为该个体的适应度值赋一个足够大的值；
S56、执行选择、交叉、变异、精英保留GA操作；
S57、若达到最大迭代次数则保存迭代过程中得到的最优个体增益矩阵K与滑模矩阵F，否则返回步骤S55。
借由上述技术方案，本发明提供了一种遗传算法辅助的电力系统有限时间分散滑模控制方法，至少具备以下有益效果：
（1）本发明将分散滑模控制应用于电力系统，相对于传统的PID控制方法能有效增加系统的鲁棒性，并且分散控制相对于传统的集中式控制也具有减少通信和计算负担的优势。此外，在分散滑模控制的基础上结合有限时间控制理论，设计出了可以保证有限时间性能的分散滑模控制器，增强了控制的快速响应能力。
（2）本发明中的有限时间分散滑模控制器设计过程中考虑了从各采集电力系统状态的传感器到每个区域的分散滑模控制器之间的网络通信问题，证明了在通信网络处于RR协议调度时的系统有限时间稳定性。在由通信协议调度通信网络中的信息通信能避免数据冲突，节省通信资源。
（3）本发明中的有限时间滑模控制器设计方法将传统的LMI方法与GA结合，能够降低控制器设计中的保守性，同时有效提升系统性能；GA的引入能够很好的处理滑模控制器求解的充分条件中的非凸、非线性项，同时相比传统滑模控制能够减小准滑动模态的带宽，从而提高系统性能。解决了解决传统集中式电力系统控制方法响应速度慢，对鲁棒性不足，计算量大、通信负担重的问题；以及滑模控制器设计过程中存在非线性、非凸约束的问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例的流程示意图；
图2为本发明实施例的四区域电力系统框架示意图；
图3为本发明实施例的遗传算法的适应度值迭代曲线图；
图4为本发明实施例的四区域电力系统状态轨迹曲线图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图 和具体实施方式对本发明作进一步详细的说明。借此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
请参照图1 -图4，示出了本实施例的一种具体实施方式，本实施例通过有限时间分散滑模控制方法，并使用遗传算法Genetic Algorithm，GA结合线性矩阵不等式LMI进行控制器设计，以实现对电力系统强鲁棒、快速响应的控制效果，同时使用GA优化了滑模控制的性能。
请参照图1，本实施例提出了一种遗传算法辅助的电力系统有限时间分散滑模控制方法，该方法包括以下步骤：
S1、获取被控电力系统参数,根据电力系统模型得到连续时间系统参数矩阵；
作为步骤S1的优选实施方式，具体过程包括以下步骤：
S11、获取被控多区域电力系统每个子区域的参数，，根据电力系统模型得到连续时间系统状态空间模型；
其中，每个子区域连续时间系统状态空间的模型为：
；
；
；
其中：，/>为转子相对于定子上固定参考轴的角位移偏差，/>为旋转质量与标称值的速度偏差，/>为机械功率与标称值的偏差，为蒸汽阀位置与标称值的偏差，/>为系统的控制输入，/>为第/>个子系统的本地电力负荷，/>为系数矩阵，表示/>只对系统的/>状态分量有影响，/>为惯性常数，/>为速度调节，/>为负荷变化百分比与频率变化的比值，/>为原动机时间常数，/>为调速器时间常数，/>为区域/>和区域/>之间初始运行角度的功率角曲线斜率的功率角曲线的斜率；
S12、对电力系统可能存在的外部扰动进行考察分析，估计外部扰动的上界从而得到和/>；
S13、对各区域之间未知的互联项进行估计，得到其对相邻子系统状态影响的上界从而得到。
在本实施例中，更为具体的，对系统中不确定互联项的假设，第个子系统中不确定互联项满足：
；
其中：为已知的正标量；
对未知的匹配的外部扰动的假设，第个子系统中的未知的匹配的外部扰动满足：
；
其中：，/>是已知的参数；
在本实施例中，本发明通过对外部扰动和未知项的估计以及每个子区域的参数的设计，能够获得更为精准电力系统信息，有效增加系统的鲁棒性，提高电力系统的性能。
S2、将连续时间系统的状态方程离散化，得到离散时间系统参数矩阵；
作为步骤S2的优选实施方式，具体过程包括以下步骤：
S21、选择离散时间系统采样间隔为1秒；
S22、在MATLAB中使用c2d函数，离散化方法选择零阶保持方法；
S23、由离散化后的离散时间状态空间模型得到对应的等矩阵。
S3、构建滑模控制器的系统模型，设计滑模控制器的矩阵不等式，并通过传感器采集第个子系统的测量输出/>，输入通信网络获取第/>个控制器收到的系统输出/>，计算/>与第/>个子系统滑模矩阵/>的乘积获取第/>个子系统的滑模面/>，最终得到互联系统的复合滑模面/>；
在本实施例选用的四区域电力系统框架图如图2所示，该系统由四个子区域组成，其中第一个区域与第二个区域存在互联，第二个区域与第一、三个区域存在互联，第三个区域与第二、四个区域存在互联，第四个区域与第三个区域存在互联；在第个区域中存在/>个传感器采集该区域的系统输出，采集到的信息经由RR协议调度控制的通信网络传输到分散控制层的第/>个控制器中，第/>个控制器产生的控制信号作为控制输出传输给第/>个区域。
作为步骤S3的优选实施方式，所述通信网络由轮询Round-Robin ，RR协议调度。
作为步骤S3的优选实施方式，所述构建滑模控制的系统模型为：
；
其中：代表离散时间系统的第/>个采样时刻，/>为第/>个子系统的状态向量，/>为第/>个子系统的状态向量；/>为第/>个子系统的测量输出，为适当维数的实矩阵，/>为与第/>个子系统相邻的子系统的集合，为系统控制输入，/>为系统所受干扰，为未知的互联项；
所述通信网络获取第个控制器收到的系统输出/>为：
；
其中：，是Kronecker delta函数，当/>时为1，其他情况下为0，/>，，/>为第/>个子系统传感器的个数；需要说明的是，/>代表时刻/>第/>个子系统的更新矩阵，对第/>个子系统来说，随/>的变化，/>具有/>个不同的取值，分别代表了选中不同传感器节点，也就对应着相应传感器节点进行传输时的更新矩阵；
所述互联系统的复合滑模面表示为：
；
其中：为第/>个子系统的滑模面，/>为第/>个子系统的滑模矩阵，在本说明书中代表向量和矩阵的转置。更为具体的是，本实施例通过李雅普诺夫方程证明滑模控制系统的有限时间稳定性：
；
其中：为李雅普诺夫函数，/>，/>，和/>是未知的正定的矩阵，/>为互联系统子系统的个数；
通过李雅普诺夫方程证明滑模控制系统的状态轨迹可以在有限时间内到达指定的滑模面附近：
；
其中：为李雅普诺夫函数，/>，/>是正定的矩阵，/>为上文中定义的复合滑模面；
作为步骤S3的优选实施方式，在步骤S3中，所述设计滑模控制器的矩阵不等式表示为：
，
，
，
，
，
，/>，/>，
；
其中：，/>为放缩产生的未知的正标量，/>和/>为放缩产生的未知的正定矩阵，希腊字母/>为未知的正标量；/>，正定矩阵/>为给定的有限时间参数；/>为未知的正定矩阵，/>为适维的单位矩阵，/>，，注意到/>与/>，/>都是未知的，因此/>是非线性的，无法使用LMI工具求解；当由GA先验的给出时，上述矩阵不等式组都为线性，可以使用LMI工具求解；对于任何向量/>，一个正定矩阵/>和一个正标量/>，下述矩阵不等式都成立：
；
即参数等均为应用此引理产生的系数。
在本实施例中本发明将分散滑模控制应用于电力系统，相对于传统的PID控制方法能有效增加系统的鲁棒性，并且分散控制相对于传统的集中式控制也具有减少通信和计算负担的优势；此外，在分散滑模控制的基础上结合有限时间控制理论，设计出了可以保证有限时间性能的分散滑模控制器，增强了控制的快速响应能力。
S4、构建分散滑模控制器，将电力系统控制输入表示成第/>个子系统的控制器增益矩阵/>结合第/>个子系统的滑模面/>的模型；
作为步骤S4的优选实施方式，所述分散滑模控制器表示为：
；
其中：为第/>个子系统的控制器增益矩阵，，/>为给定的常数，/>为符号函数。
在本实施例中，本实施例中的有限时间分散滑模控制器设计过程中考虑了从各采集电力系统状态的传感器到每个区域的分散滑模控制器之间的网络通信问题，证明了在通信网络处于RR协议调度时的系统有限时间稳定性。在由通信协议调度通信网络中的信息通信能避免数据冲突，节省通信资源。
S5、获取GA遗传算法的种群初始化范围，应用GA遗传算法与LMI线性矩阵不等式结合的求解算法得到滑模控制器的增益矩阵K与滑模矩阵F；
作为步骤S5的优选实施方式，所述获取GA种群初始化范围，具体过程包括以下步骤：
S51、对滑模控制器带有非线性项的矩阵不等式应用Schur舒尔补引理，得到对应的线性矩阵不等式如下：
<0；
其中，，/>；
S52、对S51得到的线性矩阵不等式及其余线性矩阵不等式应用CCL-ConeComplementarity Linearization锥补线性化算法，得到一组控制器增益矩阵和滑模矩阵/>的可行解；
S53、GA遗传算法种群初始化时每个个体的初始化范围为，/>，其中，/>，/>，/>，/>为经验给出的比例系数；
作为步骤S5的优选实施方式，所述应用GA与LMI结合的求解算法得到控制器增益矩阵K与滑模矩阵F，具体过程包括以下步骤：
S54、由S53得到的初始化范围随机生成初始种群；
S55、利用LMI工具为每个个体求解线性矩阵不等式组，若有解则计算对应的适应度函数值；若无解则为该个体的适应度值赋一个足够大的值；
其中，GA的适应度函数表示为：
；
；
；
；
；
其中：代表了准滑动模态域的宽度，其值越小，滑模控制的性能越好，/>为第/>个子系统的准滑动模态域的宽度，/>，/>为“X”矩阵的最小特征值，为“X”矩阵的最大特征值，/>为/>时滑函数的值，/>是正定的矩阵；
S56、执行选择、交叉、变异、精英保留GA操作；
S57、若达到最大迭代次数则保存迭代过程中得到的最优个体增益矩阵K与滑模矩阵F，否则返回步骤S55。
在本实施例中，本发明中的有限时间滑模控制器设计方法将传统的LMI方法与GA结合，能够降低控制器设计中的保守性，同时有效提升系统性能；GA的引入能够很好的处理滑模控制器求解的充分条件中的非凸、非线性项，同时相比传统滑模控制能够减小准滑动模态的带宽，从而提高系统性能。
S6、将得到的滑模控制器的增益矩阵K与F代入到分散滑模控制器中镇定系统。
执行GA辅助有限时间分散滑模控制器设计算法中得到的适应度函数值，迭代曲线如图3所示，图中直线代表的是现有技术CCL锥补线性化算法直接求解得到的准滑动模态域的宽度，虚线代表的是GA遗传算法迭代过程中最优个体的准滑动模态域的宽度，可以看到经过十余次迭代后我方求解值便明显低于现有技术求解值。将优化后的有限时间分散滑模控制器应用于电力系统，系统的状态曲线如图4所示，图中四个子图描述了电力系统四个子区域的四个状态分量的状态轨迹图，四个状态分量的状态为转子相对于定子上固定参考轴的角位移偏差、旋转质量与标称值的速度偏差、机械功率与标称值的偏差、蒸汽阀位置与标称值的偏差；图中可以看到每个子区域的每个状态分量均能收敛，即在规定时间内（本实施例中为25秒）达到有限时间稳定的性能要求。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包括于本申请的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。
以上实施方式对本发明进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种遗传算法辅助的电力系统有限时间分散滑模控制方法，其特征在于，包括以下步骤：
S1、获取被控电力系统参数，根据电力系统模型得到连续时间系统参数矩阵；
S2、将连续时间系统的状态方程离散化，得到离散时间系统参数矩阵；
S3、构建滑模控制器的系统模型，设计滑模控制器的矩阵不等式，并通过传感器采集第个子系统的测量输出/>，输入通信网络获取第/>个控制器收到的系统输出/>，计算与第/>个子系统滑模矩阵/>的乘积获取第/>个子系统的滑模面，最终得到互联系统的复合滑模面/>；
其中，所述构建滑模控制器的系统模型为：
；
其中：代表离散时间系统的第/>个采样时刻，/>为第/>个子系统的状态向量，为第/>个子系统的状态向量；/>为第/>个子系统测量输出，/>，/>，/>，/>为适当维数的实矩阵，/>为与第/>个子系统相邻的子系统的集合，/>为系统控制输，为系统所受干扰，/>为未知的互联项；
通过通信网络获取第个控制器收到的系统输出/>为：
；
其中：，/>是Kroneckerdelta函数，当/>时为1，其他情况下为0，/>，，/>为第/>个子系统传感器的个数；/>代表/>时刻第/>个子系统的更新矩阵，对第/>个子系统来说，随/>的变化，/>具有/>个不同的取值，分别代表了选中不同传感器节点，也就对应着相应传感器节点进行传输时的更新矩阵；
所述互联系统的复合滑模面表示为：
；
其中：为第/>个子系统的滑模面，/>为第/>个子系统的滑模矩阵，/>代表向量和矩阵的转置；
S4、构建分散滑模控制器，将电力系统控制输入表示成第/>个子系统的控制器增益矩阵/>结合第/>个子系统的滑模面/>的模型；
S5、获取GA遗传算法的种群初始化范围，应用GA遗传算法与LMI线性矩阵不等式结合的求解算法得到滑模控制器的增益矩阵K与滑模矩阵F；其具体过程包括以下步骤：
S51、对滑模控制器带有非线性项的矩阵不等式应用Schur舒尔补引理，得到对应的线性矩阵不等式如下：
；
其中，，，/>，/>，，/>，/>，/>和/>为放缩产生的未知的正定矩阵，/>为给定的常数，/>，/>为放缩产生的未知的正标量，参数/>均为应用此引理产生的系数，/>和/>为给定的有限时间参数，/>和/>为估计外部扰动的上界，/>为相邻子系统状态影响的上界，/>为适维的单位矩阵；
S52、对S51得到的线性矩阵不等式及其余线性矩阵不等式应用CCL-ConeComplementarity Linearization锥补线性化算法，得到一组控制器增益矩阵和滑模矩阵/>的可行解；
S53、GA遗传算法种群初始化时每个个体的初始化范围为，，其中，/>，/>，/>，/>为经验给出的比例系数；
S54、由S53得到的初始化范围随机生成初始种群；
S55、利用LMI工具为每个个体求解线性矩阵不等式组，若有解则计算对应的适应度函数值；若无解则为个体的适应度值赋一个足够大的值；
S56、执行选择、交叉、变异、精英保留GA操作；
S57、若达到最大迭代次数则保存迭代过程中得到的最优个体增益矩阵K与滑模矩阵F，否则返回步骤S55；
S6、将得到的滑模控制器的增益矩阵K与F代入到分散滑模控制器中镇定系统。
2.根据权利要求1所述的一种遗传算法辅助的电力系统有限时间分散滑模控制方法，其特征在于：在步骤S1中，具体过程包括以下步骤：
S11、获取被控多区域电力系统每个子区域的参数，/>，其中，/>为惯性常数，/>为速度调节，/>为负荷变化百分比与频率变化的比值，/>为原动机时间常数，/>为调速器时间常数，/>为区域/>和区域/>之间初始运行角度的功率角曲线斜率的功率角曲线的斜率；根据电力系统模型得到连续时间系统状态空间模型；
S12、对电力系统可能存在的外部扰动进行考察分析，估计外部扰动的上界从而得到和/>；
S13、对各区域之间未知的互联项进行估计，得到其对相邻子系统状态影响的上界从而得到。
3.根据权利要求2所述的一种遗传算法辅助的电力系统有限时间分散滑模控制方法，其特征在于：在步骤S2中，具体过程包括以下步骤：
S21、选择离散时间系统采样间隔为1秒；
S22、在MATLAB中使用c2d函数，离散化方法选择零阶保持方法；
S23、由离散化后的离散时间状态空间模型得到对应的，/>，/>，/>矩阵；
其中，，/>，/>，。
4.根据权利要求1所述的一种遗传算法辅助的电力系统有限时间分散滑模控制方法，其特征在于：在步骤S3中，所述通信网络由轮询Round-Robin，RR协议调度。
5.根据权利要求1所述的一种遗传算法辅助的电力系统有限时间分散滑模控制方法，其特征在于：在步骤S3中，所述设计滑模控制器的矩阵不等式表示为：
，
，
，
，
，
，
，
，
其中：希腊字母为未知的正标量；/>，/>，/>，/>，正定矩阵/>为给定的有限时间参数；为正定的矩阵，/>为未知的正定矩阵，/>为适维的单位矩阵，注意到/>与/>，/>都是未知的，因此/>是非线性的，无法使用LMI工具求解；当由GA先验的给出时，上述矩阵不等式组都为线性，可以使用LMI工具求解；对于任何向量/>，/>，一个正定矩阵/>和一个正标量/>，下述矩阵不等式都成立：
。
6.根据权利要求1所述的一种遗传算法辅助的电力系统有限时间分散滑模控制方法，其特征在于：在步骤S4中，所述分散滑模控制器表示为：
；
其中：为第/>个子系统的控制器增益矩阵，，/>为给定的常数，/>为符号函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311690285.1A CN117389160B (zh) | 2023-12-11 | 2023-12-11 | 一种遗传算法辅助的电力系统有限时间分散滑模控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311690285.1A CN117389160B (zh) | 2023-12-11 | 2023-12-11 | 一种遗传算法辅助的电力系统有限时间分散滑模控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117389160A CN117389160A (zh) | 2024-01-12 |
| CN117389160B true CN117389160B (zh) | 2024-02-27 |
Family
ID=89472515
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311690285.1A Active CN117389160B (zh) | 2023-12-11 | 2023-12-11 | 一种遗传算法辅助的电力系统有限时间分散滑模控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117389160B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118655766A (zh) * | 2024-08-19 | 2024-09-17 | 安徽大学 | 一种考虑网络混合攻击的进化算法辅助安全pid控制器设计方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1318438A2 (en) * | 2001-12-06 | 2003-06-11 | Honda Giken Kogyo Kabushiki Kaisha | A plant controller for frequency-shaping response-designating control having a filtering function |
| CN102403719A (zh) * | 2011-11-22 | 2012-04-04 | 上海电力学院 | 非匹配不确定电力系统的滑模负荷频率控制器设计方法 |
| WO2014064349A1 (fr) * | 2012-10-25 | 2014-05-01 | IFP Energies Nouvelles | Procédé d'utilisation d'un système de stockage d'énergie électrique |
| CN104504456A (zh) * | 2014-12-02 | 2015-04-08 | 国家电网公司 | 一种应用概率分布鲁棒优化的输电系统规划方法 |
| CN106374461A (zh) * | 2016-09-29 | 2017-02-01 | 重庆大学 | 多区域互联电力系统基于事件触发负荷频率控制的方法 |
| EP3518369A1 (de) * | 2018-01-30 | 2019-07-31 | Siemens Aktiengesellschaft | Verfahren und regelvorrichtung zur regelung eines elektrischen leistungstransfers sowie stromnetz |
| CN110518573A (zh) * | 2019-07-29 | 2019-11-29 | 浙江工业大学 | 一种基于自适应事件触发滑模控制的多区域电网系统设计方法 |
| CN111220842A (zh) * | 2020-01-16 | 2020-06-02 | 华南理工大学 | 电压暂降扰动事件发现与定位方法、装置、设备及介质 |
| CN113013901A (zh) * | 2021-04-21 | 2021-06-22 | 华北电力大学（保定） | 一种电力系统负荷频率控制稳定分析和控制器设计方法 |
| CN114336795A (zh) * | 2022-01-18 | 2022-04-12 | 华南理工大学 | 一种适用于交直流混联电网谐波状态的综合优化配置方法 |
| EP4112908A1 (en) * | 2021-06-30 | 2023-01-04 | ANSALDO ENERGIA S.p.A. | Method of controlling a gas turbine power plant and gas turbine power plant |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR3110257A1 (fr) * | 2020-05-12 | 2021-11-19 | Institut National De Recherche En Informatique Et En Automatique (Inria) | Utilisation de l’homogénéité généralisée pour améliorer une commande PID |
-
2023
- 2023-12-11 CN CN202311690285.1A patent/CN117389160B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1318438A2 (en) * | 2001-12-06 | 2003-06-11 | Honda Giken Kogyo Kabushiki Kaisha | A plant controller for frequency-shaping response-designating control having a filtering function |
| CN102403719A (zh) * | 2011-11-22 | 2012-04-04 | 上海电力学院 | 非匹配不确定电力系统的滑模负荷频率控制器设计方法 |
| WO2014064349A1 (fr) * | 2012-10-25 | 2014-05-01 | IFP Energies Nouvelles | Procédé d'utilisation d'un système de stockage d'énergie électrique |
| CN104504456A (zh) * | 2014-12-02 | 2015-04-08 | 国家电网公司 | 一种应用概率分布鲁棒优化的输电系统规划方法 |
| CN106374461A (zh) * | 2016-09-29 | 2017-02-01 | 重庆大学 | 多区域互联电力系统基于事件触发负荷频率控制的方法 |
| EP3518369A1 (de) * | 2018-01-30 | 2019-07-31 | Siemens Aktiengesellschaft | Verfahren und regelvorrichtung zur regelung eines elektrischen leistungstransfers sowie stromnetz |
| CN110518573A (zh) * | 2019-07-29 | 2019-11-29 | 浙江工业大学 | 一种基于自适应事件触发滑模控制的多区域电网系统设计方法 |
| CN111220842A (zh) * | 2020-01-16 | 2020-06-02 | 华南理工大学 | 电压暂降扰动事件发现与定位方法、装置、设备及介质 |
| CN113013901A (zh) * | 2021-04-21 | 2021-06-22 | 华北电力大学（保定） | 一种电力系统负荷频率控制稳定分析和控制器设计方法 |
| EP4112908A1 (en) * | 2021-06-30 | 2023-01-04 | ANSALDO ENERGIA S.p.A. | Method of controlling a gas turbine power plant and gas turbine power plant |
| CN114336795A (zh) * | 2022-01-18 | 2022-04-12 | 华南理工大学 | 一种适用于交直流混联电网谐波状态的综合优化配置方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于MMC-UPFC无源性滑模变结构控制的电网不平衡治理策略;柯顺超;朱淼;陈阳;郑常宝;胡存刚;;高电压技术;46(03);全文 * |
| 基于云神经网络自适应逆系统的电力系统负荷频率控制;吴忠强;张伟;李峰;杜春奇;;电力自动化设备;37(11);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117389160A (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117389160B (zh) | 一种遗传算法辅助的电力系统有限时间分散滑模控制方法 | |
| Mobayen | A novel global sliding mode control based on exponential reaching law for a class of underactuated systems with external disturbances | |
| JP3556956B2 (ja) | システム識別装置および方法 | |
| Moradi | A genetic-multivariable fractional order PID control to multi-input multi-output processes | |
| Tassa et al. | Least squares solutions of the HJB equation with neural network value-function approximators | |
| WO2022057457A1 (zh) | 配电网电压的区域协调控制方法、装置与电子设备 | |
| Chen et al. | Adaptive nonlinear sliding mode control of mechanical servo system with LuGre friction compensation | |
| JP7090734B2 (ja) | 制御システム、制御方法及び記憶媒体 | |
| Baker | A learning-boosted quasi-newton method for ac optimal power flow | |
| Ghosh et al. | Iterative learning control for nonlinear nonminimum phase plants | |
| Zou et al. | Finite-time adaptive interval type-2 fuzzy tracking control for Mecanum-wheel mobile robots | |
| Berkel et al. | An event-triggered cooperation approach for robust distributed model predictive control | |
| Lu et al. | Fault estimation and fault-tolerant control of Markovian jump system with mixed mode-dependent time-varying delays via the adaptive observer approach | |
| Li et al. | Multimodel-based power-level control with state-feedback and observer for load-follow PWR core | |
| Feng et al. | Damping with varying regularization in optimal decentralized control | |
| Nagamune et al. | Parameter reduction in estimated model sets for robust control | |
| Roy et al. | Advanced heavy water reactor control with the aid of adaptive second-order sliding mode controller | |
| Elloumi et al. | Decentralized optimal controller design for multimachine power systems using successive approximation approach | |
| Eqra et al. | A novel adaptive multi-critic based separated-states neuro-fuzzy controller: Architecture and application to chaos control | |
| Witczak et al. | A robust predictive actuator fault-tolerant control scheme for Takagi-Sugeno fuzzy systems | |
| Maraba et al. | Speed control of an asynchronous motor using pid neural network | |
| Muñoz-Vázquez et al. | Fractional PD-I λ D μ Error Manifolds for Robust Tracking Control of Robotic Manipulators | |
| Ben Hariz et al. | Robust fixed low-order controller for uncertain decoupled MIMO systems | |
| Jin et al. | Multiplier-based observer design for large-scale lipschitz systems | |
| Kim et al. | Robustness analysis of linear periodic time-varying systems subject to structured uncertainty |
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 |