CN117492371B - 有源电力滤波器模型预测控制的优化方法、系统和设备 - Google Patents
有源电力滤波器模型预测控制的优化方法、系统和设备 Download PDFInfo
- Publication number
- CN117492371B CN117492371B CN202311843285.0A CN202311843285A CN117492371B CN 117492371 B CN117492371 B CN 117492371B CN 202311843285 A CN202311843285 A CN 202311843285A CN 117492371 B CN117492371 B CN 117492371B
- Authority
- CN
- China
- Prior art keywords
- generation
- active power
- power filter
- population
- offspring
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 230000002068 genetic effect Effects 0.000 claims abstract description 16
- 238000009396 hybridization Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 47
- 238000004590 computer program Methods 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002028 premature 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
- G05B13/048—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 using a predictor
-
- 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
-
- 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
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/01—Arrangements for reducing harmonics or ripples
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Abstract
本发明涉及模型预测技术领域，公开了一种有源电力滤波器模型预测控制权重因子的优化方法、系统、设备和介质。本发明对有源电力滤波器模型预测控制的成本函数中各个次要约束项的权重因子进行实数编码，将各个权重因子统一到标准取值区间；采用遗传算法构建以次要约束项的权重因子为优化变量的父代群体；从父代群体中选择第一代子代群体；对第一代子代群体杂交操作，得到第二代子代群体；对第二代子代群体进行进化迭代，当满足预定迭代条件时，将得到的基因型作为最优优化变量;提高了电流补偿的响应能力；避免模型预测控制结果陷入局部最优的情况，提高了控制器参数的整定效率。
Description
技术领域
本发明涉及模型预测技术领域，特别是涉及一种有源电力滤波器模型预测控制的优化方法、系统、设备和介质。
背景技术
在新型电力系统中，有源电力滤波器（active power filter，APF）可以有效地减少电力系统中的谐波和电磁干扰，提高电力质量和稳定性。目前有源电力滤波器常用的输出电流控制有：PI（proportional integral，PI）控制、滞环控制、重复控制、模型预测控制等。
其中，PI控制对直流或者低频信号的跟踪可以实现无静差，但对高频信号无法实现无静差跟踪。重复控制能够实现对电流的无静差跟踪，但其动态性能较差。滞环控制的响应速度快，可以对电流实时控制，但其性能受宽带影响较大。
模型预测控制（model predictive control，MPC）具有动态响应快、对非线性系统适应性强等特点，同时在APF输出电流的补偿上具有良好跟踪性能。在模型预测控制中，一个成本函数允许同时考虑多个控制目标，如电压、电流、转矩等。也可以实现对开关频率、中点电位、有功无功功率等附加要求的控制，能有效地解决多变量、多约束的控制问题。
在一个复杂的成本函数中，确定各项的权重因子需要考虑各权重的相互影响，每一项的权重因子的确定不仅决定着本项的控制目标，也会对其它项的控制性能造成影响。而目前成本函数的权重因子的整定，通常根据工程经验进行不断试凑，这样的操作步骤重复次数多、效率交底，且权重因子在整定后的性能也不是最优。所以，必须适当的设计各项权重因子。
发明内容
本发明的目的是解决现有技术中有源电力滤波器对电流补偿的响应能力不足，以及避免模型预测控制结果陷入局部最优的情况，提高权重因子的整定效率。
为了实现上述目的，第一方面，本发明提供一种有源电力滤波器模型预测控制的优化方法，所述方法包括：
对有源电力滤波器模型预测控制的成本函数中各个次要约束项的权重因子进行实数编码，将各个权重因子统一到标准取值区间；所述次要约束项包括两步电流预测项和开关频率约束项；
采用遗传算法构建以所述次要约束项的权重因子为优化变量的父代群体；
从所述父代群体中选择第一代子代群体；
对所述第一代子代群体杂交操作，得到第二代子代群体；
对所述第二代子代群体进行进化迭代，当满足预定迭代条件时，将得到的基因型作为最优优化变量。
进一步地，所述对有源电力滤波器模型预测控制的成本函数中各个次要约束项的权重因子进行实数编码，将各个权重因子统一到标准取值区间，包括：
所述有源电力滤波器模型预测控制的成本函数为：
其中，为三相电流值，/>为三相静止坐标系下α轴向的参考电流值，/>为三相静止坐标系下α轴向的预测电流值，/>为三相静止坐标系下β轴向的参考电流值，/>为三相静止坐标系下α轴向的预测电流值，k+1表示下一时刻，/>、/>分别为开关频率约束项和两步电流预测项的权重因子。
采用如下线性变换对各个次要约束项的权重因子进行实数编码：
其中，[a, b]为、/>的变化区间，/>为/>、/>从[a, b]区间对应到[0,1]区间上的实数，所述标准取值区间为[0,1]。
进一步地，所述采用遗传算法构建以所述次要约束项的权重因子为优化变量的父代群体，包括：
生成n组[0，1]区间上的均匀随机数，每组包含2个；
根据所述均匀随机数，通过线性变换得到各个优化变量；
根据如下公式得到对应的目标函数值：
其中，为目标函数值。
进一步地，所述从所述父代群体中选择第一代子代群体，包括：
根据所述目标函数值，对所述父代群体进行适应度评价，得到适应度值；其中，所述适应度值采用如下公式获得：
采用比例法从所述父代群体中选择第一代子代群体，其中，选择概率为：
进一步地，所述对所述第一代子代群体杂交操作，得到第二代自带群体，包括：
从所述第一代子代群体中随机选择一对父代个体和/>作为双亲，进行如下线性组合，产生一个子代个体：
其中，都是随机数；
通过随机选择n对父代个体作为双亲，产生n个子代个体，组成所述第二代子代群体。
进一步地，所述对所述第二代子代群体进行进化迭代，当满足预定迭代条件时，将得到的基因型作为最优优化变量，包括：
采用如下公式对所述第二代子代群体进行进化迭代：
其中，t表示进化到第t代，表示最大的进化代数，参数c决定对进化代数的依赖程度，/>表示为第i代子代个体；
所述预定迭代条件包括：
其中，函数的取值范围为/>。
进一步地，所述将得到的基因型作为最优优化变量，之后还包括：
根据所述最优优化变量对所述有源电力滤波器进行模型预测控制。
第二方面，本发明提供一种有源电力滤波器模型预测控制的优化系统，所述系统包括：
编码模块，用于对有源电力滤波器模型预测控制的成本函数中各个次要约束项的权重因子进行实数编码，将各个权重因子统一到标准取值区间；所述次要约束项包括两步电流预测项和开关频率约束项；
父代群体构建模块，用于采用遗传算法构建以所述次要约束项的权重因子为优化变量的父代群体；
选择模块，用于从所述父代群体中选择第一代子代群体；
杂交模块，用于对所述第一代子代群体杂交操作，得到第二代子代群体；
迭代模块，用于对所述第二代子代群体进行进化迭代，当满足预定迭代条件时，将得到的基因型作为最优优化变量。
第三方面，本发明提供一种计算机设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上所述的有源电力滤波器模型预测控制的优化方法。
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上所述的有源电力滤波器模型预测控制的优化方法。
本发明的有源电力滤波器模型预测控制的优化方法、系统、设备和介质，与现有技术相比，其有益效果在于：使用模型预测控制作为有源电力滤波器的电流内环，提高了电流补偿的响应能力；用基于实数编码的遗传算法对成本函数进行权重因子优化，避免模型预测控制结果陷入局部最优的情况，提高了控制器参数的整定效率。
附图说明
图1为本发明实施例提供的有源电力滤波器模型预测控制的优化方法的流程示意图；
图2为本发明实施例提供的有源电力滤波器模型预测控制的优化方法的执行过程
图3为本发明实施例提供的有源电力滤波器模型预测控制的优化系统的结构框图；
图4为本发明实施例提供的计算机设备的结构图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
需要说明的是，文中的步骤编号，仅为了方便具体实施例的解释，不作为限定步骤执行先后顺序的作用。本实施例提供的方法可以由相关的服务器执行，且下文均以服务器作为执行主体为例进行说明。
如图1所示，本发明实施例提供的有源电力滤波器模型预测控制的优化方法，包括步骤S11至S15:
步骤S11,对有源电力滤波器模型预测控制的成本函数中各个次要约束项的权重因子进行实数编码，将各个权重因子统一到标准取值区间；所述次要约束项包括两步电流预测项和开关频率约束项。
所述有源电力滤波器模型预测控制的成本函数为：
其中，为三相电流值，/>为三相静止坐标系下α轴向的参考电流值，/>为三相静止坐标系下α轴向的预测电流值，/>为三相静止坐标系下β轴向的参考电流值，/>为三相静止坐标系下α轴向的预测电流值，k+1表示下一时刻，/>、/>分别为开关频率约束项和两步电流预测项的权重因子。
采用如下线性变换对各个次要约束项的权重因子进行实数编码：
其中，[a, b]为、/>的变化区间，/>为/>、/>从[a, b]区间对应到[0,1]区间上的实数，在遗传算法中称/>为基因；所述标准取值区间为[0,1]。
用、/>作为次要项提高系统开关频率的可控性以及谐波电流跟踪的准确性。将经有源电力滤波器治理后的电网电流的总谐波畸变率作为优化目标，次要项的权重因子作为变量，用基于实数编码的遗传算法来优化次要项权重因子系数，使得治理后的电网电流总谐波畸变率尽量小。
其中，本实施例使用模型预测控制对有源电力滤波器进行输出电流控制，利用模型预测控制动态响应快、对非线性系统适应性强等特点，同时结合其在输出电流的补偿上的良好追踪性能，提高电流的响应能力。
有源电力滤波器的输出电压可以由开关器件状态组合给出，使用带有成本函数的模型预测控制评估每个预测开关选项的结果，并选择使成本函数最小化的开关状态。
在基于模型预测的控制策略中，一个成本函数中允许同时考虑多个控制目标，如电压、电流、转矩等。也可以实现对开关频率、中点电位、有功无功功率等附加要求的控制，能有效地解决多变量、多约束的控制问题。要在一个复杂的成本函数中，确定各项的权重因子需要考虑各权重的相互影响，每一项的权重因子的确定不仅决定着本项的控制目标，也会对其它项的控制性能造成影响。
本实施例中选择一些约束项作为主要项，为控制系统正常运行提供必要的约束，此外选取一些约束项作为次要项，辅助提高系统性能。
步骤S12，采用遗传算法构建以所述次要约束项的权重因子为优化变量的父代群体。
生成n组[0，1]区间上的均匀随机数，每组包含2个。
根据所述均匀随机数，通过线性变换得到各个优化变量。
根据如下公式得到对应的目标函数值：
其中，为目标函数值。
遗传算法可以在解空间内进行高效的全局搜索，不会因为初始值的不同导致结果出现巨大的差异，可以有效地避免陷入局部最大值，找不到全局最大值的情况。
本实施例将次要约束项的权重因子的权值优化问题转化为上述最小化问题，运用遗传算法进行求解，通过不断地“种群进化”，最终得到问题的最优解。
步骤S13，从所述父代群体中选择第一代子代群体。
根据所述目标函数值，对所述父代群体进行适应度评价，得到适应度值。目标函数值越小表示该个体的适应度值越高，目标函数值/>越大表示该个体的适应度值越低；其中，所述适应度值采用如下公式获得：
采用比例法从所述父代群体中选择第一代子代群体；适应度值越高，通过比例法被选中的概率越大。其中，选择概率为：
令，序列/>把/>区间分成n个子区间，在各区间与父代个体建立一一对应关系，将选择出的子代个体组成第一代子代群体/>。
比例选择方法的基本思想是，各个个体被选中的概率与其适应度大小成正比。在通过比例法选择第一代子代群体的操作中，越小，则对应/>的值越大、适应度值越大，在比例法选择中被选择的概率越大。
常用的比例选择方式有轮盘赌选择和繁殖池选择。
本实施例以轮盘赌选择为例，每个个体被选中的概率取决于该个体的相对适应度。本方法可以较好地保留适应度高的个体，使它们更有可能被选择进入下一代，有助于保持种群的多样性，避免过早陷入局部最优解。
步骤S14，对所述第一代子代群体杂交操作，得到第二代子代群体。
从所述第一代子代群体中随机选择一对父代个体和/>作为双亲，进行如下线性组合，产生一个子代个体：
其中，都是随机数。
通过随机选择n对父代个体作为双亲，产生n个子代个体，组成所述第二代子代群体。
通过两个父代个体随机交换信息，选取两个个体的部分基因产生新的个体，可以使得种群中的个体更加多样化，并将适应度高的基因更好的传递给下一代。
步骤S15，对所述第二代子代群体进行进化迭代，当满足预定迭代条件时，将得到的基因型作为最优优化变量。
采用如下公式对所述第二代子代群体进行进化迭代：
其中，t表示进化到第t代，表示最大的进化代数，参数c决定对进化代数的依赖程度，/>表示为第i代子代个体。
通过多轮不断的迭代，遗传算法在不断变化的群体中连续运行，群体差异逐渐减小，用户可以在任何时间点获取和使用当前最佳的解。
在算法运行到满足提前设定的迭代条件时，停止迭代并保留结果。在获取最优解的同时，也限制了算法消耗的运行时间和计算资源，避免产生多余的运算成本。本实施例预定的迭代条件为：
其中，函数的取值范围为/>。
随着迭代次数的增加，函数值会逐渐接近于0，这意味着群体内个体的差异逐渐减小，此时保留趋近于适应度函数值/>大的基因型。也即步骤S15中对第二代子代群体迭代到/>时，所得到的子代个体。
通过上述步骤，可以得到最优优化变量，也即是两步电流预测项和开关频率约束项两个次要约束项的权重因子的最优值。
进一步地，本实施例在通过上述优化方法得到最优优化变量后，根据所述最优优化变量对所述有源电力滤波器进行模型预测控制。
本实施例使用模型预测控制对有源电力滤波器进行输出电流控制，利用模型预测控制动态响应快、对非线性系统适应性强等特点，同时结合其在输出电流的补偿上的良好追踪性能，提高电流的响应能力。
如图3所示，本发明实施例还提供了一种有源电力滤波器模型预测控制的优化系统，用于执行如上所述的有源电力滤波器模型预测控制的优化方法，所述系统包括：
编码模块21，用于对有源电力滤波器模型预测控制的成本函数中各个次要约束项的权重因子进行实数编码，将各个权重因子统一到标准取值区间；所述次要约束项包括两步电流预测项和开关频率约束项。
所述有源电力滤波器模型预测控制的成本函数为：
其中，为三相电流值，/>为三相静止坐标系下α轴向的参考电流值，/>为三相静止坐标系下α轴向的预测电流值，/>为三相静止坐标系下β轴向的参考电流值，/>为三相静止坐标系下α轴向的预测电流值，k+1表示下一时刻，/>、/>分别为开关频率约束项和两步电流预测项的权重因子。
采用如下线性变换对各个次要约束项的权重因子进行实数编码：
其中，[a, b]为、/>的变化区间，/>为/>、/>从[a, b]区间对应到[0,1]区间上的实数，所述标准取值区间为[0,1]。
父代群体构建模块22，用于采用遗传算法构建以所述次要约束项的权重因子为优化变量的父代群体。
生成n组[0，1]区间上的均匀随机数，每组包含2个。
根据所述均匀随机数，通过线性变换得到各个优化变量。
根据如下公式得到对应的目标函数值：
其中，为目标函数值。
选择模块23，用于从所述父代群体中选择第一代子代群体。
根据所述目标函数值，对所述父代群体进行适应度评价，得到适应度值。目标函数值越小表示该个体的适应度值越高，目标函数值/>越大表示该个体的适应度值越低；其中，所述适应度值采用如下公式获得：
采用比例法从所述父代群体中选择第一代子代群体；其中，选择概率为：
令，序列/>把/>区间分成n个子区间，在各区间与父代个体建立一一对应关系，将选择出的子代个体组成第一代子代群体/>。
杂交模块24，用于对所述第一代子代群体杂交操作，得到第二代子代群体。
从所述第一代子代群体中随机选择一对父代个体和/>作为双亲，进行如下线性组合，产生一个子代个体：
其中，都是随机数。
通过随机选择n对父代个体作为双亲，产生n个子代个体，组成所述第二代子代群体。
迭代模块25，用于对所述第二代子代群体进行进化迭代，当满足预定迭代条件时，将得到的基因型作为最优优化变量。
采用如下公式对所述第二代子代群体进行进化迭代：
其中，t表示进化到第t代，表示最大的进化代数，参数c决定对进化代数的依赖程度，/>表示为第i代子代个体。
所述预定迭代条件包括：
其中，函数的取值范围为/>。
随着迭代次数的增加，函数值逐渐接近于0，意味着群体内个体的差异逐渐减小，此时保留趋近于适应度函数值/>大的基因型。
本发明实施例提出的优化系统的技术特征和技术效果与本发明实施例提出的优化方法相同，在此不予赘述。上述优化系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各模块对应的操作。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上所述的有源电力滤波器模型预测控制的优化方法。
如图4所示，本发明实施例还提供了一种计算机设备，图为本发明提供的一种计算机设备的一个优选实施例的结构框图，所述计算机设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上所述的有源电力滤波器模型预测控制的优化方法。
优选地，所述计算机程序可以被分割成一个或多个模块/单元（如计算机程序1、计算机程序2、……），所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述计算机设备中的执行过程。
所述处理器可以是中央处理单元（Central Processing Unit，CPU），还可以是其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现成可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器也可以是任何常规的处理器，所述处理器是所述计算机设备的控制中心，利用各种接口和线路连接所述计算机设备的各个部分。
所述存储器主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡（SmartMedia Card，SMC）、安全数字（Secure Digital，SD）卡和闪存卡（Flash Card）等，或所述存储器也可以是其他易失性固态存储器件。
需要说明的是，上述计算机设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，图4结构框图仅仅是计算机设备的示例，并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。
综上，本发明实施例提供的有源电力滤波器模型预测控制的优化方法、系统、设备和介质，其用模型预测控制作为有源电力滤波器的电流内环，提高了电流补偿的响应能力；采用基于实数编码的遗传算法对成本函数的次要项的权重因子进行优化，避免模型预测控制结果陷入局部最优的情况，提高了控制器参数的整定效率。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通计数人员来说，在不脱离本发明计数原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。
Claims (9)
1.一种有源电力滤波器模型预测控制的优化方法，其特征在于，所述方法包括：
对有源电力滤波器模型预测控制的成本函数中各个次要约束项的权重因子进行实数编码，将各个权重因子统一到标准取值区间；所述次要约束项包括两步电流预测项和开关频率约束项；
所述有源电力滤波器模型预测控制的成本函数为：
其中，为三相电流值，/>为三相静止坐标系下α轴向的参考电流值，/>为三相静止坐标系下α轴向的预测电流值，/>为三相静止坐标系下β轴向的参考电流值，/>为三相静止坐标系下α轴向的预测电流值，k+1表示下一时刻，/>、/>分别为开关频率约束项和两步电流预测项的权重因子；
所述对各个次要约束项的权重因子进行实数编码采用如下线性变换：
其中，[a, b]为、/>的变化区间，/>为/>、/>从[a, b]区间对应到[0,1]区间上的实数，所述标准取值区间为[0,1]；
采用遗传算法构建以所述次要约束项的权重因子为优化变量的父代群体；
从所述父代群体中选择第一代子代群体；
对所述第一代子代群体杂交操作，得到第二代子代群体；
对所述第二代子代群体进行进化迭代，当满足预定迭代条件时，将得到的基因型作为最优优化变量。
2.根据权利要求1所述的有源电力滤波器模型预测控制的优化方法，其特征在于，所述采用遗传算法构建以所述次要约束项的权重因子为优化变量的父代群体，包括：
生成n组[0，1]区间上的均匀随机数，每组包含2个；
根据所述均匀随机数，通过线性变换得到各个优化变量；
根据如下公式得到对应的目标函数值：
其中，为目标函数值。
3.根据权利要求2所述的有源电力滤波器模型预测控制的优化方法，其特征在于，所述从所述父代群体中选择第一代子代群体，包括：
根据所述目标函数值，对所述父代群体进行适应度评价，得到适应度值；其中，所述适应度值采用如下公式获得：
采用比例法从所述父代群体中选择第一代子代群体，其中，选择概率为：
。
4.根据权利要求3所述的有源电力滤波器模型预测控制的优化方法，其特征在于，所述对所述第一代子代群体杂交操作，得到第二代自带群体，包括：
从所述第一代子代群体中随机选择一对父代个体和/>作为双亲，进行如下线性组合，产生一个子代个体：
其中，都是随机数；
通过随机选择n对父代个体作为双亲，产生n个子代个体，组成所述第二代子代群体。
5.根据权利要求4所述的有源电力滤波器模型预测控制的优化方法，其特征在于，所述对所述第二代子代群体进行进化迭代，当满足预定迭代条件时，将得到的基因型作为最优优化变量，包括：
采用如下公式对所述第二代子代群体进行进化迭代：
其中，t表示进化到第t代，表示最大的进化代数，参数c决定对进化代数的依赖程度，/>表示为第i代子代个体；
所述预定迭代条件包括：
其中，函数的取值范围为/>。
6.根据权利要求1所述的有源电力滤波器模型预测控制的优化方法，其特征在于，所述将得到的基因型作为最优优化变量，之后还包括：
根据所述最优优化变量对所述有源电力滤波器进行模型预测控制。
7.一种有源电力滤波器模型预测控制的优化系统，其特征在于，所述系统包括：
编码模块，用于对有源电力滤波器模型预测控制的成本函数中各个次要约束项的权重因子进行实数编码，将各个权重因子统一到标准取值区间；所述次要约束项包括两步电流预测项和开关频率约束项；
所述有源电力滤波器模型预测控制的成本函数为：
其中，为三相电流值，/>为三相静止坐标系下α轴向的参考电流值，/>为三相静止坐标系下α轴向的预测电流值，/>为三相静止坐标系下β轴向的参考电流值，/>为三相静止坐标系下α轴向的预测电流值，k+1表示下一时刻，/>、/>分别为开关频率约束项和两步电流预测项的权重因子；
所述对各个次要约束项的权重因子进行实数编码采用如下线性变换：
其中，[a, b]为、/>的变化区间，/>为/>、/>从[a, b]区间对应到[0,1]区间上的实数，所述标准取值区间为[0,1]；
父代群体构建模块，用于采用遗传算法构建以所述次要约束项的权重因子为优化变量的父代群体；
选择模块，用于从所述父代群体中选择第一代子代群体；
杂交模块，用于对所述第一代子代群体杂交操作，得到第二代子代群体；
迭代模块，用于对所述第二代子代群体进行进化迭代，当满足预定迭代条件时，将得到的基因型作为最优优化变量。
8.一种计算机设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如权利要求1至6中任一项所述的有源电力滤波器模型预测控制的优化方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1至6中任一项所述的有源电力滤波器模型预测控制的优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311843285.0A CN117492371B (zh) | 2023-12-29 | 2023-12-29 | 有源电力滤波器模型预测控制的优化方法、系统和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311843285.0A CN117492371B (zh) | 2023-12-29 | 2023-12-29 | 有源电力滤波器模型预测控制的优化方法、系统和设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117492371A CN117492371A (zh) | 2024-02-02 |
| CN117492371B true CN117492371B (zh) | 2024-04-02 |
Family
ID=89681459
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311843285.0A Active CN117492371B (zh) | 2023-12-29 | 2023-12-29 | 有源电力滤波器模型预测控制的优化方法、系统和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117492371B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102916429A (zh) * | 2012-11-09 | 2013-02-06 | 中南大学 | 混合有源电力滤波器的多目标优化方法 |
| US9473042B1 (en) * | 2014-03-17 | 2016-10-18 | Board Of Regents, The University Of Texas System | Grid active power filters using cascaded multilevel inverters with switching angle control |
| CN106786581A (zh) * | 2016-12-20 | 2017-05-31 | 国网冀北电力有限公司秦皇岛供电公司 | 一种有源滤波器优化配置方法 |
| CN108107724A (zh) * | 2017-12-05 | 2018-06-01 | 燕山大学 | 基于遗传算法的模型预测控制参数在线优化方法 |
| CN111416539A (zh) * | 2020-04-24 | 2020-07-14 | 山东大学 | 一种针对三电平并网变流器的模型预测控制方法及系统 |
| CN113067334A (zh) * | 2021-03-26 | 2021-07-02 | 河海大学 | 基于神经网络的有源电力滤波器非线性预测控制方法 |
| CN113783202A (zh) * | 2021-08-30 | 2021-12-10 | 江苏师范大学 | 一种低运算量的三电平四桥臂有源电力滤波器fcs-mpc控制方法 |
| CN114336660A (zh) * | 2021-12-27 | 2022-04-12 | 江苏师范大学 | 一种基于功角的upqc直接电流预测控制方法 |
| CN115603322A (zh) * | 2022-10-18 | 2023-01-13 | 中国矿业大学（Cn） | 一种基于无差拍外环控制的串联有源电力滤波器有限集模型预测控制方法 |
| CN115864402A (zh) * | 2022-11-29 | 2023-03-28 | 南昌大学 | 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 |
| CN116707319A (zh) * | 2023-08-08 | 2023-09-05 | 四川大学 | 一种抑制母线电压波动的脉冲电源及其控制方法 |
| CN117134354A (zh) * | 2022-11-28 | 2023-11-28 | 浙江大学嘉兴研究院 | 并联型有源滤波器基于遗传算法的重复pi控制方法及模型 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2978122A1 (en) * | 2014-07-22 | 2016-01-27 | ABB Technology AG | Model predictive control of a modular multilevel converter |
| US10459472B2 (en) * | 2015-12-07 | 2019-10-29 | Hamilton Sundstrand Corporation | Model predictive control optimization for power electronics |
| CN112737444B (zh) * | 2021-01-12 | 2022-06-24 | 东南大学 | 交替执行采样与控制程序的双三相永磁同步电机控制方法 |
-
2023
- 2023-12-29 CN CN202311843285.0A patent/CN117492371B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102916429A (zh) * | 2012-11-09 | 2013-02-06 | 中南大学 | 混合有源电力滤波器的多目标优化方法 |
| US9473042B1 (en) * | 2014-03-17 | 2016-10-18 | Board Of Regents, The University Of Texas System | Grid active power filters using cascaded multilevel inverters with switching angle control |
| CN106786581A (zh) * | 2016-12-20 | 2017-05-31 | 国网冀北电力有限公司秦皇岛供电公司 | 一种有源滤波器优化配置方法 |
| CN108107724A (zh) * | 2017-12-05 | 2018-06-01 | 燕山大学 | 基于遗传算法的模型预测控制参数在线优化方法 |
| CN111416539A (zh) * | 2020-04-24 | 2020-07-14 | 山东大学 | 一种针对三电平并网变流器的模型预测控制方法及系统 |
| CN113067334A (zh) * | 2021-03-26 | 2021-07-02 | 河海大学 | 基于神经网络的有源电力滤波器非线性预测控制方法 |
| CN113783202A (zh) * | 2021-08-30 | 2021-12-10 | 江苏师范大学 | 一种低运算量的三电平四桥臂有源电力滤波器fcs-mpc控制方法 |
| CN114336660A (zh) * | 2021-12-27 | 2022-04-12 | 江苏师范大学 | 一种基于功角的upqc直接电流预测控制方法 |
| CN115603322A (zh) * | 2022-10-18 | 2023-01-13 | 中国矿业大学（Cn） | 一种基于无差拍外环控制的串联有源电力滤波器有限集模型预测控制方法 |
| CN117134354A (zh) * | 2022-11-28 | 2023-11-28 | 浙江大学嘉兴研究院 | 并联型有源滤波器基于遗传算法的重复pi控制方法及模型 |
| CN115864402A (zh) * | 2022-11-29 | 2023-03-28 | 南昌大学 | 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 |
| CN116707319A (zh) * | 2023-08-08 | 2023-09-05 | 四川大学 | 一种抑制母线电压波动的脉冲电源及其控制方法 |
Non-Patent Citations (2)
| Title |
|---|
| PSO优化的链式APF在外超导电源中的应用;文博;程思明;;电气传动;20141231(12);正文全文 * |
| 基于模型预测控制的有源电力滤波器开关损耗优化设计;尚姝钰;陈豪;姜素霞;吕恒志;陶涛;崔光照;;轻工学报;20170331(02);正文全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117492371A (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zou et al. | Novel global harmony search algorithm for unconstrained problems | |
| Menhas et al. | Comparative performance analysis of various binary coded PSO algorithms in multivariable PID controller design | |
| Li et al. | Composite particle swarm optimizer with historical memory for function optimization | |
| Hassan et al. | Operational framework for recent advances in backtracking search optimisation algorithm: A systematic review and performance evaluation | |
| Zou et al. | A modified differential evolution algorithm for unconstrained optimization problems | |
| Saad et al. | PID controller tuning using evolutionary algorithms | |
| Liu et al. | An adaptive online parameter control algorithm for particle swarm optimization based on reinforcement learning | |
| Mahdi et al. | A quantum‐inspired particle swarm optimization approach for environmental/economic power dispatch problem using cubic criterion function | |
| Zainuddin et al. | A review of crossover methods and problem representation of genetic algorithm in recent engineering applications | |
| Zhang et al. | An iterative multi-objective particle swarm optimization-based control vector parameterization for state constrained chemical and biochemical engineering problems | |
| CN112803434A (zh) | 有源配电网的无功优化方法、装置、设备和存储介质 | |
| CN113821983A (zh) | 基于代理模型的工程设计优化方法、装置及电子设备 | |
| Graf et al. | Distributed reinforcement learning with ADMM-RL | |
| Du et al. | A genetic simulated annealing algorithm to optimize the small-world network generating process | |
| Lu et al. | Adaptive online data-driven closed-loop parameter control strategy for swarm intelligence algorithm | |
| Fan et al. | A novel multi-objective PSO algorithm based on completion-checking | |
| CN117492371B (zh) | 有源电力滤波器模型预测控制的优化方法、系统和设备 | |
| Xue et al. | Enterprise information system structure optimization based on time property with improved immune genetic algorithm and binary tree | |
| CN110113815B (zh) | 一种改进的基于iwo的无线传感器网络定位方法 | |
| CN115544869A (zh) | 一种高功率微波源多目标优化方法、系统、设备及介质 | |
| Li et al. | Evolutionary Experience-Driven Particle Swarm Optimization with Dynamic Searching | |
| CN112183843B (zh) | 一种基于混合智能算法的火电厂负荷优化分配方法 | |
| CN110555742A (zh) | 一种发电商代理报价的生成方法与系统 | |
| Li et al. | Model-informed generative adversarial network (mi-gan) for learning optimal power flow | |
| Kathirvel et al. | Hybrid imperialistic competitive algorithm incorporated with hopfield neural network for robust 3 satisfiability logic programming |
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 |