一種基於混沌改進獵人獵物算法的並聯有源電力濾波器參數辨識方法
2024-04-12 18:41:05 1
1.本發明涉及電力技術領域，具體涉及一種基於混沌改進獵人獵物算法的並聯有源電力濾波器參數辨識方法。
背景技術：
2.微電網的概念是在21世紀初被正式提出的，作為近十來年出現的電網新型發展方向，對它的研究仍在不斷地進行中。如今由於微電網非線性負載投入的愈加頻繁，因而微網中的諧波問題更為常見。諧波會影響電力設備的正常運行，增大損耗，降低設備使用壽命，甚至還有可能發生諧振，導致儀器儀表出現異常指示，使得繼電保護裝置做出一些錯誤動作等等，對電網的安全和正常運行造成非常大的影響。由於電力電子裝置自身具有非線性負載的特性致使大量的諧波電流與無功電流進入電網中，大量的諧波汙染降低了電網的功率因數，增加了電力系統運行的負擔，超過一定標準的諧波含量將會嚴重威脅電氣設備的安全和穩定運行。因此，為了改善對微電網的電能質量，微電網諧波抑制這一研究內容有著重大的現實意義，並聯有源電力濾波器(sapf)可以有效地抑制諧波並實時補償無功功率，已成為最常用的電能質量治理設備之一。並聯有源電力濾波器在進行諧波補償工作時，直流側電容c兩端的電壓會產生變化，比如，系統工作運行過程中的損耗也會使直流側電壓值變小。這種電壓變大或變小的不穩定變化會影響sapf輸出合理的補償電流,導致最終諧波補償結果不理想。因此，對於sapf直流側電壓，需要使用某種方法來對它進行控制，使其穩定在某一參考值附近有利於保證諧波補償的精度。有源電力濾波器apf可以對電力電子裝置進行動態的諧波抑制，跟蹤、補償不斷變化的無功功率，因此在治理電網諧波方面得到了廣泛的應用。並聯有源電力濾波器的核心部件為控制系統，控制系統性能的好壞對有源電力濾波器的性能起著決定性的影響。
技術實現要素：
3.為解決現有的收斂速度較慢問題，本發明的目的在於提供一種基於混沌改進獵人獵物算法的並聯有源電力濾波器參數辨識方法，引進混沌改進獵人獵物算法對並聯有源電力濾波器模型進行參數辨識，由於獵人獵物算法能夠同時進行搜索和開發，與此同時在獵人獵物算法的基礎上引進了混沌算法，提高了算法遍歷性,大大地提高了全局最優解的收斂速度，對並聯有源電力濾波器模型參數辨識具有重大意義。
4.本發明具體採用以下技術方案：
5.一種基於混沌改進獵人獵物算法的並聯有源電力濾波器參數辨識方法，包括以下步驟：
6.step1：初始化獵人獵物群，將初始總體隨機設置為step1：初始化獵人獵物群，將初始總體隨機設置為然後將種群總體所有成員的目標函數計算為然後將種群總體所有成員的目標函數計算為最大迭代次
數為maxit，最大種群數量為npop；
7.step2：初始群體中每個成員的位置由下式在搜索空間中隨機生成；
8.xi＝rand(1，d).*(ub-lb)+lb
9.式中：xi是獵人或獵物的位置，lb是變量的下界，ub是變量的上界，d是變量的數量；
10.下式定義了搜索空間的下界和上界，算法中的變量上下限可能相同或不同：
11.lb＝{lb1，lb2，
···
，lbd}，ub＝{ub1，ub2，
···
，ubd}
12.step3：生成初始總體並確定每個成員的位置後，使用目標函數oi＝f(x)計算每個解的適應度值；
13.step4：獵人的搜索機制包括兩個步驟：探索模式和開發模式；搜索機制的數學模型：
14.x
ij
(t+1)＝x
ij
(t)+0.5[(2czp
pos(j)-x
ij
(t))+(2(1-c)zμ(j)-x
ij
(t))]
[0015]
式中：x
ij
(t)是當前獵人位置，x
ij
(t+1)是獵人下一次迭代位置，p
pos
是獵物位置，μ是所有位置的平均值，z是計算得出的自適應參數，c是探索模式和開發模式之間的平衡參數：
[0016][0017]
其中it是當前迭代次數；
[0018][0019]
其中和是[0,1]之間的隨機向量，p是索引值，r2是0到1之間的隨機數，idx是滿足等式要求的向量的索引值；
[0020]
step5：計算得出獵物p
pos
的位置，首先要計算出所有位置的平均值μ，然後計算每個獵物位置跟該平均值μ的距離；
[0021][0022]
再計算得出其歐幾裡得距離：
[0023][0024]
距離位置平均值最大的位置被視為獵物p
pos
：
[0025][0026]
根據狩獵場景推測，當獵人捕獲獵物時，位置在x(t)，獵物會死亡，而下一次，獵人會移動到新的獵物位置x(t+1)；所以考慮一種遞減機制,得到其目前搜索最好位置：
[0027]
kbest＝round(c
×
n)
[0028]
其中n是獵物數量，將獵物位置計算為：
[0029][0030]
在算法開始時，kbest即目前搜索最好位置數量的值就等於n，所以最後一個距離搜索獵物位置的平均值μ最遠的獵物，被獵人捕獲；
[0031]
step6：記錄保留種群中適應度最優的獵物；
[0032]
step7：假設最安全位置是最佳全局位置，獵物位置就需要得到更新，通過結合灰狼算法的獵物搜索公式，得到：
[0033]
x
ij
(t+1)＝0.5*(α
pos(j)-a*d
α
+β
pos(j)-a*d
β
)+α
levi
[0034]
式中，x
ij
(t+1)是下一次迭代的位置，α
pos(j)
，β
pos(j)
分別是獵人最優位置和次優位置，是獵物與獵人之間的距離，意味著進入全局搜索，意味著進入局部搜索，和分別是最優解和次優解並提高開發階段的性能，α
levi
是利用萊維飛行避免算法搜索陷入局部極值；
[0035]
β＝2*rand
[0036]
σu＝((γ(1+β)*sin(π*β/2))/(γ((1+β/2)*β*2
(0.5(β-1))
))
(1/β)
[0037]
u＝normrnd(0，σu)
[0038]
v＝normrnd(0，1)
[0039]
α
levi
＝0.01*u/|v|-β
*(hppos(i,j)-hppos(i,:))
[0040][0041][0042][0043][0044]
式中，參數β是0到2的隨機數，σu是滿足正態分布數u的上限，u、v均是滿足正態分布的數，γ是用伽馬函數對1+β生成的隨機分布變量，hppos(i,j)是獵人當前位置，hppos(i,:)是獵人前一時刻位置；
[0045]
step8：開發模式：為了選擇出獵人和獵物，結合上面的搜索公式，得出：
[0046][0047]
式中，r5是0到1之間的隨機數，ω是調節參數；
[0048]
step9：判斷是否滿足終止條件，若滿足則輸出最優解，結束程序；
[0049]
終止條件是適應度函數滿足要求：
[0050][0051]
其中，e1(t)是sapf直流側電壓u
dc
和參考電壓u
ref
之間的差值。
[0052]
反之，判斷全局最優解是否得到改善，若改善了，則重複步驟step2到step8；否則根據(1)式對常規變量cxi(t)進行映射變換，映射之後的混沌變量xi(t)處於[01]之間，運用(2)式對混沌變量xi(t)進行混沌映射得到xi(t+1)，再通過(3)式對混沌變量x
ij
(t+1)進行映射變換，得到下一次迭代中的常規變量cxi(t+1)，重複步驟step2到step8；
[0053]
[0054][0055][0056]
式中xk是前一時刻t所得到的混沌映射值。
[0057]
step10：根據step9求得的最優結果，結合sapf控制參數，求出並聯有源濾波器的直流側電壓控制環節的pi控制器參數kp和ki。
[0058]
進一步的，step10中是根據並聯有源電力濾波器中電壓變化特性曲線以及電路模型，採用pi控制器對直流側電壓進行控制，將直流側電壓實際值u
dc
和參考值u
def
相減得到所需的誤差信號δu
dc
，經過直流側pi控制器後，得到輸出電流信號δi
p
，再將此信號與參考電流檢測環節的電流基波正序有功分量疊加，就得到了參考電流指示信號，經過電流跟蹤環節驅動設備輸出一定大小的補償電流流入微電網系統，將交流測和直流側的能量互換，使得直流側電壓在參考電壓值附近維持穩定；數學表達式為：
[0059]
e1(t)＝δu
dc
＝u
ref-u
dc
[0060][0061]
進一步的，step10中是根據基爾霍夫定律，得到有源電力濾波器的電壓和電流關係式：
[0062][0063][0064][0065]
其中，u
ca
，u
cb
，u
cc
，i
ca
，i
cb
，i
cc
分別為有源電力濾波器的輸出電壓和補償電流。
[0066]
本發明的有益效果：
[0067]
通過本發明引進混沌改進獵人獵物算法對並聯有源電力濾波器模型進行參數辨識，由於混沌改進獵人獵物算法能夠同時進行局部搜索和全局搜索,其算法的收斂速度快,簡單易理解,可以普遍應用於函數優化問題,具有廣闊的應用前景。與此同時在獵人獵物算法的基礎上引進了混沌算法提高了算法遍歷性,大大地提高了全局最優解的收斂速度，對並聯有源電力濾波器模型參數辨識具有重大意義。
附圖說明
[0068]
圖1為基於混沌改進獵人獵物算法的並聯有源電力濾波器參數辨識方法的流程圖；
[0069]
圖2為並聯有源電力濾波器模型示意圖；
[0070]
圖3為算法迭代精度示意圖。
[0071]
圖4為chpo和cicso精度對比圖。
[0072]
圖5為sapf輸出電壓，並聯有源電力濾波器補償電流及u
dc
波形示意圖。
[0073]
圖6為讀取的諧波源電流波形示意圖。
[0074]
圖7為負載端電壓，負載電流及諧波檢測電流波形示意圖。
具體實施方式
[0075]
下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述。
[0076]
如圖1-2所示，本發明的一個實施例公開了一種基於混沌改進獵人獵物算法的並聯有源電力濾波器參數辨識方法，包括以下步驟：
[0077]
step1：初始化獵人獵物群，將初始總體隨機設置為step1：初始化獵人獵物群，將初始總體隨機設置為然後將種群總體所有成員的目標函數計算為然後將種群總體所有成員的目標函數計算為最大迭代次數為maxit＝500，最大種群數量為npop＝30。
[0078]
step2：初始群體中每個成員的位置由下式在搜索空間中隨機生成；
[0079]
xi是獵人或獵物的位置，lb是變量的最小值(下界)，ub是變量的最大值(上界)，d是變量的數量(維度)。
[0080]
xi＝rand(1，d).*(ub-lb)+lb
[0081]
式中：xi是獵人或獵物的位置，lb是變量的最小值(下界)，ub是變量的最大值(上界)，d是變量的數量(維度)。
[0082]
下式定義了搜索空間的下界和上界，算法中的變量上下限可能相同或不同：
[0083]
lb＝{lb1，lb2，
···
，lbd}，ub＝{ub1，ub2，
···
，ubd}
[0084]
step3：生成初始總體並確定每個成員的位置後，使用目標函數計算每個解的適應度值。f(x)可以是最大值(效率、性能等)或最小值(成本、時間等)。
[0085]
step4：獵人的搜索機制包括兩個步驟：探索模式和開發模式。探索模式：探索是指算法傾向於高度隨機的行為，因此解決方案會發生顯著變化。解決方案的重大變化促使獵人進一步探索搜索空間，並發現其有希望的領域。獵人的搜索機制數學模型：
[0086]
x
ij
(t+1)＝x
ij
(t)+0.5[(2czp
pos(j)-x
ij
(t))+(2(1-c)zμ(j)-x
ij
(t))]
[0087]
式中：x
ij
(t)是當前獵人位置，x
ij
(t+1)是獵人下一次迭代位置，p
pos
是獵物位置，μ是所有位置的平均值，z是計算得出的自適應參數，c是探索模式和開發模式之間的平衡參數：
[0088][0089]
其中it是當前迭代次數。
[0090][0091]
其中和是[0,1]之間的隨機向量，p是索引值，r2是0到1之間的隨機數，idx是滿足等式要求的向量的索引值。
[0092]
step5：計算得出獵物p
pos
的位置，首先要計算出所有位置的平均值μ，然後計算每個獵物位置跟該平均值μ的距離；
[0093][0094]
再計算得出其歐幾裡得距離：
[0095][0096]
距離位置平均值最大的位置被視為獵物p
pos
：
[0097][0098]
如果每次迭代我們都考慮搜索位置與平均位置(μ)之間的最大距離，則該算法將具有延遲收斂性。根據狩獵場景推測，當我們的獵人捕獲獵物時(位置在x(t)，獵物會死亡，而下一次，獵人會移動到新的獵物位置x(t+1)。所以我們考慮一種遞減機制,得到其目前搜索最好位置：
[0099]
kbest＝round(c
×
n)
[0100]
其中n是獵物數量，根據這個我們可以將獵物位置計算為：
[0101][0102]
在算法開始時，kbest即目前搜索最好位置數量的值就等於n，所以最後一個距離搜索獵物位置的平均值μ最遠的獵物，被獵人捕獲。
[0103]
step6：記錄保留種群中適應度最優的獵物；
[0104]
step7：假設最安全位置是最佳全局位置，獵物位置就需要得到更新，通過結合灰狼算法的獵物搜索公式，得到：
[0105]
x
ij
(t+1)＝0.5*(α
pos(j)-a*d
α
+β
pos(j)-a*d
β
)+αlevi
[0106]
式中，x
ij
(t+1)是下一次迭代的位置，α
p
os(j)，β
pos(j)
分別是獵人最優位置和次優位置，是獵物與獵人之間的距離，意味著進入全局搜索，意味著進入局部搜索，和分別是最優解和次優解並提高開發階段的性能，α
levi
是利用萊維飛行避免算法搜索陷入局部極值；
[0107]
β＝2*rand
[0108]
σu＝((γ(1+β)*sin(π*β/2))/(γ((1+β/2)*β*2
(0.5(β-1))
))
(1/β)
[0109]
u＝normrnd(0，σu)
[0110]
v＝normrnd(0，1)
[0111]
α
levi
＝0.01*u/v-β
*(hppos(i,j)-hppos(i,:))
[0112][0113][0114][0115][0116]
式中，參數β是0到2的隨機數，σu是滿足正態分布數u的上限，u、v均是滿足正態分布的數，γ是用伽馬函數對1+β生成的隨機分布變量，hppos(i,j)是獵人當前位置，hppos
(i,:)是獵人前一時刻位置；
[0117]
step8：開發模式：為了選擇出獵人和獵物，結合上面的搜索公式，得出：
[0118][0119]
式中，r5是0到1之間的隨機數，ω是調節參數；step9：判斷是否滿足終止條件，若滿足則輸出最優解，結束程序；終止條件是適應度函數滿足要求：
[0120][0121]
其中，e1(t)是sapf直流側電壓u
dc
和參考電壓u
ref
之間的差值。
[0122]
反之，判斷全局最優解是否得到改善，若改善了，則重複步驟step2到step8；否則根據(1)式對常規變量cxi(t)進行映射變換，映射之後的混沌變量xi(t)處於[01]之間，運用(2)式對混沌變量xi(t)進行混沌映射得到xi(t+1)，再通過(3)式對混沌變量x
ij
(t+1)進行映射變換，得到下一次迭代中的常規變量cxi(t+1)，重複步驟step2到step8；
[0123][0124][0125][0126]
式中xk是前一時刻t所得到的混沌映射值。
[0127]
進一步的，step9中所述的混沌映射為tent混沌映射。tent映射又被稱為帳篷映射，是分段線性的一維映射，與logistic相比，其具有均勻的功率譜密度、概率密度和理想的相關特性，更快的迭代速度，數學表達式為
[0128]
x
n+1
＝a-1-a|xn|，a∈(1，2)
[0129]
式中，xn是第n次隨機分布的數；
[0130]
當a≤1時，tent混沌映射處於穩定狀態；當a》1時，處於混沌狀態；當a＝2時，為中心tent映射，其數學表達式為
[0131][0132]
step10：根據step9求得的最優位置結果kp和ki，分別求出電路模型中u
dc
，u
ref
，δu
dc
，以便得出輸出電流信號δi
p
，再將此信號與參考電流檢測環節的電流基波正序有功分量疊加，就得到了參考電流指示信號，經過電流跟蹤環節驅動設備輸出一定大小的補償電流流入微電網系統，將交流測和直流側的能量互換，使得直流側電壓在參考電壓值附近維持穩定，數學表達式為：
[0133]
e1(t)＝δu
dc
＝u
ref-u
dc
[0134]
[0135]
進一步的，step10中是根據基爾霍夫定律，得到有源電力濾波器的電壓和電流關係式：
[0136][0137][0138][0139]
其中，u
ca
，u
cb
，u
cc
，i
ca
，i
cb
，i
cc
分別為有源電力濾波器的輸出電壓和補償電流。
[0140]
從圖3中可以看出當迭代次數在170次左右時，算法已經找尋到最優值，通過圖4可以看出混沌改進獵人獵物優化算法(chpo算法)比混沌改進貓群算法(cicso算法)具有更快的收斂速度，更高的精度以及不會陷入局部最優的優點，可以清楚得到chpo算法對sapf的參數辨識效果更好，可以使sapf有更好的提高電能質量的效果。
[0141]
圖5上圖是有源電力濾波器輸出電壓u
ca
，u
cb
，u
cc
，中間是sapf輸出的補償電流i
apf
，下面的是u
dc
，圖6是檢測到的諧波電流is，圖7上圖是負載端的電壓，中間是負載電流，下圖是檢測的諧波電流。
[0142]
最後說明的是，以上僅對本發明具體實施例進行詳細描述說明。但本發明並不限制於以上描述具體實施例。本領域的技術人員對本發明進行的等同修改和替代也都在本發明的範疇之中。因此，在不脫離本發明的精神和範圍下所作的均等變換和修改，都涵蓋在本發明範圍內。