一種基于pso算法的諧波抑制方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及微電網(wǎng)諧波抑制方法領(lǐng)域，更具體地，涉及一種基于PS0算法的諧波抑 制方法。
【背景技術(shù)】
[0002] 目前，優(yōu)化微網(wǎng)系統(tǒng)中LC濾波器參數(shù)的方法有很多，歸納起來可以分為兩類:一類 是常規(guī)優(yōu)化方法主要包括非線性規(guī)劃法、二次規(guī)劃方法、線性規(guī)劃法及內(nèi)點(diǎn)法等;另一類是 人工智能優(yōu)化算法，主要包括遺傳算法、模擬退火算法、禁忌搜索、粒子群優(yōu)化以及各種進(jìn) 化規(guī)劃方法。第一類方法最主要的優(yōu)點(diǎn)是計(jì)算迅速、收斂可靠，但需要某些假設(shè)條件，如連 續(xù)、可導(dǎo)及單峰等。在解決某些問題時(shí)，需要將整數(shù)變量視為連續(xù)變量參與優(yōu)化計(jì)算，得到 最優(yōu)解后再進(jìn)行歸整。對(duì)于大規(guī)模的實(shí)際系統(tǒng)，由歸整產(chǎn)生的誤差一般是不可接受的。第二 類方法中遺傳算法應(yīng)用最為廣泛，對(duì)優(yōu)化問題無可導(dǎo)和連續(xù)性要求，只需一個(gè)適應(yīng)性函數(shù) 或性能指標(biāo)，且具有全局收斂性，其主要缺點(diǎn)是"早熟收斂"問題和收斂速度難于滿足實(shí)時(shí) 控制的需要。粒子群優(yōu)化(Particle Swarm Optimization，PS0)算法作為一種新型的基于 群體智能計(jì)算方法，在解決經(jīng)典優(yōu)化算法難以求解的諸如不連續(xù)、不可微的非線性病態(tài)優(yōu) 化問題和組合優(yōu)化問題時(shí)顯示出了強(qiáng)大的優(yōu)勢(shì)。與其他進(jìn)化算法相比，它具有思想簡(jiǎn)單、容 易實(shí)現(xiàn)、可調(diào)參數(shù)較少和應(yīng)用效果明顯等優(yōu)點(diǎn)，因此在優(yōu)化微網(wǎng)系統(tǒng)濾波器參數(shù)中應(yīng)用中 比較廣泛。
[0003] 目前，PS0在微網(wǎng)系統(tǒng)優(yōu)化濾波器參數(shù)整定時(shí)，需要已知濾波器參數(shù)與目標(biāo)函數(shù)諧 波率之間的精確關(guān)系，所以要將微網(wǎng)系統(tǒng)轉(zhuǎn)化為狀態(tài)方程式或者是傳遞函數(shù)，然后運(yùn)行PS0 程序得到濾波參數(shù)最優(yōu)值。但是，在微網(wǎng)系統(tǒng)內(nèi)部結(jié)構(gòu)復(fù)雜的情況下，微網(wǎng)系統(tǒng)的狀態(tài)方程 式或者傳遞函數(shù)難以直接得到，這就需要花費(fèi)較多的時(shí)間用于計(jì)算微網(wǎng)系統(tǒng)的狀態(tài)方程式 或傳遞函數(shù)，從而增大計(jì)算量，甚至影響優(yōu)化效率。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明提供一種計(jì)算量小，效率較高的基于PS0算法的諧波抑制方法。
[0005] 為了達(dá)到上述技術(shù)效果，本發(fā)明的技術(shù)方案如下：
[0006] -種基于PS0算法的諧波抑制方法，包括以下步驟：
[0007] 1)、初始化參數(shù)；
[0008] 2)、初始化粒子(每個(gè)粒子代表問題的一個(gè)潛在解即濾波器中L、C的參數(shù))的位置、 速度，調(diào)用微網(wǎng)仿真系統(tǒng)程序f itness，以及初始化適應(yīng)度值Present;
[0009] 3)、對(duì)粒子位置和速度進(jìn)行更新；
[0010] 4)、調(diào)用微網(wǎng)仿真系統(tǒng)程序fitness，更新粒子適應(yīng)度值Present;
[0011] 5)、適應(yīng)度評(píng)價(jià)，更新個(gè)體歷史極值pbest;
[0012] 6)、更新全局極值gbest。
[0013] 進(jìn)一步地，步驟(1)包括：
[0014] 1-1)、確定PS0程序中的最大迭代次數(shù)、粒子數(shù)、維度數(shù)、學(xué)習(xí)因子及慣性權(quán)重的取 值；
[0015] 1-2)、確定需要優(yōu)化的參數(shù)的大致范圍。
[0016] 進(jìn)一步地，步驟(2)初始化粒子的位置、速度，調(diào)用微網(wǎng)仿真系統(tǒng)程序fitness，以 及初始化適應(yīng)值的具體步驟如下：
[0017] 2-1)、初始化粒子當(dāng)前位置；
[0018] 2-2)、初始化粒子當(dāng)前速度；
[0019] 2-3)、調(diào)用微網(wǎng)仿真系統(tǒng)程序fitness;
[0020] 2-4)、根據(jù)初始化位置計(jì)算適應(yīng)度值Present;
[0021 ] 2-5)、記每個(gè)粒子的歷史最優(yōu)值為pbest;
[0022] 2-6)、記全局最優(yōu)值為gbest。
[0023] 進(jìn)一步地，步驟(2-3)中微網(wǎng)仿真系統(tǒng)程序fitness的編寫的具體步驟如下：
[0024] A1)、通過open_system函數(shù)可以打開微網(wǎng)仿真系統(tǒng)；
[0025] A2)、通過set_param函數(shù)將微網(wǎng)simulink仿真系統(tǒng)中需要優(yōu)化的LC濾波器中1^和0 的參數(shù)值分別設(shè)為變量，記為1和c;
[0026] A3 )、通過s im函數(shù)運(yùn)行微網(wǎng)仿真系統(tǒng)；
[0027] A4)、根據(jù)要優(yōu)化的濾波器參數(shù)確定作為檢驗(yàn)參數(shù)優(yōu)劣標(biāo)準(zhǔn)的目標(biāo)函數(shù)即微網(wǎng)諧 波率，編程寫出目標(biāo)函數(shù)微網(wǎng)諧波率，同樣設(shè)置為一個(gè)變量記為THD。
[0028] 進(jìn)一步地，步驟(3)包括：
[0029] 3-1)、確定迭代次數(shù)是否到達(dá)上限，若到達(dá)上限，則整個(gè)優(yōu)化過程結(jié)束;若沒有到 達(dá)上限，則跳轉(zhuǎn)至步驟(3-2);
[0030] 3-2)、根據(jù)下式得粒子速度更新：
[0031 ] vf+1 - wv^ + e,/j(xf -xf ) + c2：/j(ji：* -X^)
[0032] 根據(jù)上式得粒子位置更新：
[0033] x^1 =Χ·
[0034] 其中i = l，2，...，Ν是粒子個(gè)數(shù)，是粒子在第k次迭代中的速度，是粒子i在第k次迭 代中的位置，是粒子i在第k次迭代中的個(gè)體最優(yōu)位置，也記為pbest; X*是粒子i在第k次迭 代中的全局最優(yōu)位置，也記為gbest;rl和r2為均勾分布于[0,1]之間的隨機(jī)數(shù)，cl和c2為加 速因子，ω為慣性因子。
[0035] 進(jìn)一步地，步驟(4)包括：
[0036] 4-1)、再次調(diào)用微網(wǎng)仿真系統(tǒng)程序fitness;
[0037] 4-2)、更新粒子適應(yīng)度值present。
[0038] 進(jìn)一步地，步驟(5)包括：
[0039] 5-1 )、根據(jù)條件判斷粒子當(dāng)前適應(yīng)值present是否優(yōu)于歷史最優(yōu)值pbest，若 present優(yōu)于pbest則跳轉(zhuǎn)至步驟(5-2)，若不優(yōu)于則跳轉(zhuǎn)至步驟(6);
[0040] 5-2)、用present的值代替pbest中的值，作為當(dāng)前粒子最優(yōu)值。
[0041] 進(jìn)一步地，步驟(6)包括：
[0042] 6-1)、看算法是否滿足結(jié)束條件，若不滿足則跳轉(zhuǎn)至步驟(3-1)，若滿足則跳轉(zhuǎn)至 步驟(6-2);
[0043] 6-2)、更新全局極值gbest，并輸出gbest和LC濾波器的最優(yōu)參數(shù)值。
[0044]本發(fā)明的技術(shù)構(gòu)思是:在用PS0程序優(yōu)化微網(wǎng)系統(tǒng)濾波器參數(shù)時(shí)，本發(fā)明只需已知 要優(yōu)化的濾波器參數(shù)和作為目標(biāo)函數(shù)的微網(wǎng)諧波率，直接編寫微網(wǎng)仿真系統(tǒng)程序fitness， 流程圖如圖2所示，即首先用open_system函數(shù)打開微網(wǎng)仿真系統(tǒng)，并用set_param函數(shù)設(shè)定 需優(yōu)化的LC濾波器參數(shù)為變量，然后用sim函數(shù)來控制微網(wǎng)仿真系統(tǒng)的運(yùn)行，最后用程序編 寫得到目標(biāo)函數(shù)微網(wǎng)諧波率。在微網(wǎng)仿真系統(tǒng)程序fitness編寫完成后，利用PS0程序調(diào)用 微網(wǎng)仿真系統(tǒng)程序fitnes^PSO程序每得到一次濾波器參數(shù)值，微網(wǎng)系統(tǒng)便運(yùn)行一次得到 目標(biāo)函數(shù)的值。這是個(gè)不斷尋優(yōu)不斷仿真的過程，在實(shí)際應(yīng)用中可以根據(jù)具體的運(yùn)行狀況 進(jìn)一步完善程序。
[0045] 與現(xiàn)有技術(shù)相比，本發(fā)明技術(shù)方案的有益效果是：
[0046] 在用PS0優(yōu)化微網(wǎng)系統(tǒng)濾波器參數(shù)時(shí)，不必再將微網(wǎng)系統(tǒng)轉(zhuǎn)化為狀態(tài)方程式或者 是傳遞函數(shù)，亦不必已知需優(yōu)化的濾波器參數(shù)和目標(biāo)函數(shù)微網(wǎng)諧波率之間的確切關(guān)系，而 是只需知道微網(wǎng)系統(tǒng)要進(jìn)行優(yōu)化的濾波器參數(shù)和作為評(píng)價(jià)參數(shù)優(yōu)劣的目標(biāo)函數(shù)即可。因 此，本發(fā)明能夠有效降低計(jì)算量，提高PS0優(yōu)化微網(wǎng)系統(tǒng)濾波器參數(shù)效率，從而達(dá)到有效抑 制微網(wǎng)諧波的效果。
【附圖說明】
[0047]圖1基于PS0優(yōu)化算法的微網(wǎng)諧波抑制方法流程圖；
[0048]圖2微網(wǎng)仿真系統(tǒng)程序fitness流程圖；
[0049]圖3 PS0算法優(yōu)化微網(wǎng)系統(tǒng)中濾波器的參數(shù)結(jié)構(gòu)圖；
[0050]圖4并網(wǎng)到孤島PS0優(yōu)化和按經(jīng)驗(yàn)值法得到的負(fù)載輸出端電壓對(duì)比圖；
[0051 ]圖5孤島到并網(wǎng)PS0優(yōu)化和按經(jīng)驗(yàn)值法得到的負(fù)載輸出端電壓對(duì)比圖。
【具體實(shí)施方式】
[0052] 附圖僅用于示例性說明，不能理解為對(duì)本專利的限制；
[0053] 為了更好說明本實(shí)施例，附圖某些部件會(huì)有省略、放大或縮小，并不代表實(shí)際產(chǎn)品 的尺寸；
[0054] 對(duì)于本領(lǐng)域技術(shù)人員來說，附圖中某些公知結(jié)構(gòu)及其說明可能省略是可以理解 的。
[0055] 下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明的技術(shù)方案做進(jìn)一步的說明。
[0056] 實(shí)施例1
[0057] 如圖1-2所示，一種基于PS0算法的諧波抑制方法，包括以下步驟：
[0058] 1)、初始化參數(shù)；
[0059] 2)、初始化粒子(每個(gè)粒子代表問題的一個(gè)潛在解即濾波器中L、C的參數(shù))的位置、 速度，調(diào)用微網(wǎng)仿真系統(tǒng)程序f itness，以及初始化適應(yīng)度值Present;
[0060] 3)、對(duì)粒子位置和速度進(jìn)行更新；
[0061 ] 4)、調(diào)用微網(wǎng)仿真系統(tǒng)程序fitness，更新粒子適應(yīng)度值Present;
[0062] 5)、適應(yīng)度評(píng)價(jià)，更新個(gè)體歷史極值pbest;
[0063] 6)、更新全局極值gbest。
[0064] 步驟(1)包括：
[0065] 1-1)、確定PS0程序中的最大迭代次數(shù)、粒子數(shù)、維度數(shù)、學(xué)習(xí)因子及慣性權(quán)重的取 值；
[0066] 1-2)、確定需要優(yōu)化的參數(shù)的大致范圍。
[0067] 步驟(2)初始化粒子的位置、速度，調(diào)用微網(wǎng)仿真系統(tǒng)程序fitness，以及初始化適 應(yīng)值的具體步驟如下：
[0068] 2-1)、初始化粒子當(dāng)前位置；
[0069] 2-2)、初始化粒子當(dāng)前速度；
[0070] 2-3)、調(diào)用微網(wǎng)仿真系統(tǒng)程序fitness;
[0071 ] 2-4)、根據(jù)初始化位置計(jì)算適應(yīng)度值Present;
[0072] 2-5)、記每個(gè)粒子的歷史最優(yōu)值為pbe