• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于ISSA的STATCOM模型參數(shù)解耦辨識研究

      2020-04-14 10:40:24王明超董佳圓李繼影高磊聶永輝
      東北電力大學(xué)學(xué)報 2020年1期
      關(guān)鍵詞:海鞘追隨者適應(yīng)度

      王明超,董佳圓,李繼影,高磊,聶永輝

      (1.東北電力大學(xué)電氣工程學(xué)院,吉林 吉林 132012;2.東北電力大學(xué)自動化工程學(xué)院,吉林 吉林 132012;3.中廣核新能源遼寧分公司,遼寧 沈陽 110000;4.中國電力科學(xué)研究院有限公司,北京 100192)

      柔性交流輸電技術(shù)(Flexible AC Transmission System,F(xiàn)ACTS)的出現(xiàn)為提升電網(wǎng)可靠性和經(jīng)濟(jì)性提供了新的技術(shù)手段[3].作為柔性交流輸電系統(tǒng)核心器件的靜止同步補(bǔ)償器,能夠很好的提高系統(tǒng)的運(yùn)行穩(wěn)定性以及電力系統(tǒng)的電壓質(zhì)量,并且STATCOM具有體積小、低電壓特性好、響應(yīng)速度快等一系列優(yōu)點(diǎn)[1-2].現(xiàn)階段通過混合仿真或者數(shù)字仿真對電網(wǎng)進(jìn)行分析,首先要保證仿真模型的準(zhǔn)確[4].文獻(xiàn)[5]使用“開關(guān)函數(shù)法”建立STATCOM模型,并在模型基礎(chǔ)上研究該裝置的各項性能.文獻(xiàn)[6]通過建立統(tǒng)一標(biāo)幺值模型,使STATCOM裝置級建模問題得到很好的解決.文獻(xiàn)[7]將能量方程和輸入輸出建模方法結(jié)合,得到STATCOM輸入輸出非線性方程模型,在此基礎(chǔ)上研究并分析該模型的動態(tài)行為.目前針對STATCOM絕大部分的研究主要集中在模型推導(dǎo)建立方面,而在獲取準(zhǔn)確模型參數(shù)、研究參數(shù)辨識方法方面卻較少.在汽輪機(jī)及其調(diào)速系統(tǒng)參數(shù)辨識中,文獻(xiàn)[9~10]使用遺傳算法、神經(jīng)網(wǎng)絡(luò)等智能算法,取得了較好的效果,但相應(yīng)存在智能算法迭代尋優(yōu)時間較長、部分參數(shù)辨識不精準(zhǔn)等問題.樽海鞘群算法(Salp Swarm Algorithm,SSA)是一種新穎的元啟發(fā)式算法[11],與現(xiàn)有其他智能算法相比較,該算法具有簡單易行,收斂速度快,計算量小等特點(diǎn)[12].鑒于目前對STATCOM模型參數(shù)辨識的研究較少,研究有效的基于樽海鞘群算法的STATCOM模型參數(shù)辨識方法具有重要意義.

      針對上述問題,本文在現(xiàn)有STATCOM模型基礎(chǔ)上,提出改進(jìn)樽海鞘群(ISSA)算法對STATCOM模型參數(shù)進(jìn)行辨識,針對STATCOM模型同時辨識多個參數(shù)辨識結(jié)果精度不高問題,提出一種STATCOM雙閉環(huán)控制模型的dq軸參數(shù)解耦辨識策略,建立dq軸解耦待辨識模型,對模型進(jìn)行分步辨識,仿真結(jié)果驗(yàn)證上述方法的準(zhǔn)確性.

      1 靜止同步補(bǔ)償器模型建立

      圖1 STATCOM主電路結(jié)構(gòu)

      IEEE將靜止同步補(bǔ)償器(STATCOM)定義為向電網(wǎng)提供可控的感性或容性電流從而發(fā)出或吸收無功功率的靜止電力設(shè)備,可將其看做無功功率電源,STATCOM裝置的基本電路結(jié)構(gòu)圖,如圖1所示.L為連接變壓器漏抗;R為裝置損耗[12].

      根據(jù)圖1得到STATCOM的KVL方程

      (1)

      式中:i=[iaibic]T,us=[usausbusc]T,uc=[ucaucbucc]T.

      (2)

      公式(2)轉(zhuǎn)換可寫成

      (3)

      其中:

      (4)

      (5)

      公式中:Id_ref、Iq_ref分別表示外環(huán)電壓控制輸出的有功電流及無功電流的參考值,結(jié)合公式(3)、公式(5)可得到STATCOM電壓電流雙閉環(huán)控制模型及相應(yīng)的狀態(tài)空間表達(dá)式,如圖2所示.

      圖2 STATCOM電壓電流雙環(huán)控制系統(tǒng)模型

      公式中:Vcd、Vcq為雙閉環(huán)控制輸出控制電壓dq軸分量;w為頻率;Vsd、Vsq為裝置接入點(diǎn)三相母線電壓的dq軸分量;Id、Iq為經(jīng)濾波電感后dq軸分量;Kp_id、Ki_id、Kp_iq、Ki_iq分別為電壓內(nèi)環(huán)控制的PI參數(shù);Id_ref、Iq_ref為電壓外環(huán)控制有功電流無功電流參考值;Kp_Vdc、Ki_Vdc、Kp_Vq、Ki_Vq分別為電壓外環(huán)控制PI參數(shù);L為線路電感;Vm、Vdc為接入點(diǎn)交流母線電壓和直流母線電壓;Vdc_ref為直流側(cè)參考電壓;V_ref為母線參考電壓.通過PWM調(diào)制得到IGBT的開關(guān)控制信號Sa、Sb、Sc.

      2 基本樽海鞘群算法

      樽海鞘群算法(Salp Swarm Algorithm,SSA)是一種模擬深海樽海鞘移動方式的群智能優(yōu)化算法[14].其基本思想是模擬樽海鞘的鏈狀移動方式,與其他群體不同的是,位于鏈前方的領(lǐng)導(dǎo)者以及跟隨其后的追隨者具有不同的位置更新公式,位于前端的樽海鞘位置更新只會影響到相鄰的樽海鞘位置,領(lǐng)導(dǎo)者對排在后面的樽海鞘的影響會逐層銳減,從而使位于鏈后方的樽海鞘保持良好的多樣性[15~17].SSA算法原理簡單,具有收斂速度快,計算量小等優(yōu)點(diǎn).

      整個樽海鞘群分為領(lǐng)導(dǎo)者與追隨者兩種類型,設(shè)置N×D維大小的歐式空間作為算法搜索空間,設(shè)搜索樽海鞘群粒子數(shù)量為N,一般情況下設(shè)置搜索粒子數(shù)為30~50之間,D為待辨識的參數(shù)個數(shù).空間中存在最優(yōu)值F=[F1F2…FD]T,樽海鞘位置可表示Xn=[Xn1Xn2…XnD]T.算法搜索的上下界限分別為ub=[ub1,ub2…ubn],lb=[lb1,lb2…lbn].利用公式(7)初始化樽海鞘群:

      XN×D=rand(N,D)×(ub-lb)+lb,

      (7)

      2.1 領(lǐng)導(dǎo)者更新公式

      領(lǐng)導(dǎo)者在樽海鞘群中位于鏈的首端,在算法迭代尋優(yōu)過程中負(fù)責(zé)隨機(jī)搜索食物位置,對應(yīng)的位置更新公式為

      (8)

      (9)

      公式中:T為算法最大迭代次數(shù);t為當(dāng)前算法迭代次數(shù);r2、r3為[0,1]隨機(jī)數(shù);r3為判斷得到的正負(fù)決定下次迭代所選用更新公式.

      2.2 追隨者位置更新

      追隨者運(yùn)動方向是跟隨鏈的移動,其本身不具備隨機(jī)搜索的能力,因此追隨者的位置更新公式為

      (10)

      (11)

      3 基于ISSA的STATCOM模型參數(shù)解耦辨識方法

      3.1 樽海鞘群算法的改進(jìn)

      由追隨者位置更新公式可知,追隨者在位置更新過程中只是單純的根據(jù)第j-1只樽海鞘的位置信息進(jìn)行自身位置迭代更新,沒有將自身位置與xj-1比較,沒有判斷xj-1是否優(yōu)于自身位置,該位置盲目更新方法使得算法的搜索能力受到一定程度的限制.因此,本文引入自適應(yīng)移動評估策略對原有算法追隨者位置更新方式進(jìn)行改進(jìn),解決上述問題.

      針對上述問題,提出如下改進(jìn)以解決追隨者盲目追隨問題,在進(jìn)行追隨者位置更新時,對第j只和第j-1只樽海鞘的適應(yīng)度值以及其對應(yīng)的位置進(jìn)行優(yōu)劣判斷,根據(jù)判斷結(jié)果決定第j只樽海鞘的位置更新方式,采用式:

      (12)

      實(shí)現(xiàn)這一過程,公式(12)中:c1為學(xué)習(xí)因子,隨迭代進(jìn)程其值發(fā)生變化,c1=(T-t)/T;t、T為當(dāng)前迭代次數(shù)以及最大迭代次數(shù).在算法迭代前期,c1的值較大,使得算法具有較強(qiáng)的搜索能力,能在大范圍內(nèi)搜索食物源;算法迭代后期,c1的取值較小,使得算法在小范圍內(nèi)做仔細(xì)搜索,大大提高算法辨識精度.

      上述改動,在保留原有種群多樣性的基礎(chǔ)上,加快了算法的迭代收斂速度,大大減小了算法陷入局部最優(yōu)導(dǎo)致辨識結(jié)果精度較低的可能性.

      3.2 基于dq軸解耦的STATCOM模型參數(shù)辨識

      對STATCOM模型狀態(tài)公式(6)解析后發(fā)現(xiàn),Vcd中包含q軸的耦合項IqwL,Vcq中包含d軸的耦合項IdwL,兩式相互耦合,加大了辨識難度,為此通過引入濾波器方程,對模型做適當(dāng)簡化,減少方程輸入量,根據(jù)公式(6),內(nèi)環(huán)電流控制由如下形式表示為

      (13)

      外環(huán)電壓控制可以用如下形式

      (14)

      引入濾波器電路方程為

      (15)

      結(jié)合公式(15)和公式(13)可得

      (16)

      再將公式(14)帶入到公式(16)中,化簡可得到兩個相互獨(dú)立的方程:

      (17)

      圖3 靜止同步補(bǔ)償器dq軸解耦模型

      上式實(shí)現(xiàn)了dq軸的解耦,兩式相互獨(dú)立,不互相包含耦合項,dq軸實(shí)現(xiàn)了互相獨(dú)立,d軸待辨識參數(shù)包括Kp_Vdc,Ki_Vdc,Kp_id,Ki_id,L,q軸待辨識參數(shù)包括Kp_vq,Ki_vq,Kp_iq,Ki_iq,L,由公式(17)得到的dq軸待辨識模型如圖3所示.

      觀察圖3,參數(shù)L在dq軸均可進(jìn)行辨識,本文將參數(shù)L的辨識放在d軸中進(jìn)行,即首先辨識d軸五個參數(shù),q軸參數(shù)保持典型值,在得到d軸參數(shù)結(jié)果后,將L辨識結(jié)果固定,再辨識q軸四個參數(shù),最終得到模型全部9個參數(shù).

      3.3 基于ISSA算法的STATCOM模型dq軸參數(shù)辨識

      STATCOM模型參數(shù)辨識實(shí)質(zhì)就是通過優(yōu)化算法不斷產(chǎn)生滿足仿真需要的模型參數(shù),通過比較仿真輸出與實(shí)際系統(tǒng)輸出,調(diào)整參數(shù)搜索范圍與方向,最終使得兩者誤差達(dá)到一定精度,輸出模型辨識結(jié)果.設(shè)算法尋優(yōu)的適應(yīng)度函數(shù)為

      (18)

      公式中:e(k)為模型仿真輸出值與系統(tǒng)輸出實(shí)際值之間的誤差;n為數(shù)據(jù)長度.

      對于d軸模型,設(shè)置算法尋優(yōu)適應(yīng)度函數(shù)為

      (19)

      對于q軸模型,設(shè)置算法尋優(yōu)適應(yīng)度函數(shù)為

      (20)

      公式中:id,iq為測量實(shí)際系統(tǒng)輸出電流dq軸分量;id_cal,iq_cal為辨識后系統(tǒng)輸出dq軸分量.

      本文主要對STATCOM模型進(jìn)行整體參數(shù)辨識以及分dq軸分參數(shù)辨識,通過ISSA算法不斷產(chǎn)生隨機(jī)參數(shù)代入仿真模型,由公式(19)、公式(20)判斷輸出效果優(yōu)劣,利用ISSA算法調(diào)整模型辨識參數(shù),直到滿足算法迭代精度或者達(dá)到最大迭代次數(shù),最終得到STATCOM模型全部參數(shù)辨識結(jié)果.

      3.4 適用于STATCOM模型dq軸參數(shù)辨識的方法流程

      綜上本文所提出的方法,辨識流程具體如下:

      (1)首先辨識d軸參數(shù),根據(jù)圖3所示dq軸解耦模型辨識d軸參數(shù),待辨識參數(shù)為θ=[Kp_Vdc,Ki_Vdc,Kp_id,Ki_id,L],在1 s時對變量Vdc_ref施加0.05 pu持續(xù)階躍擾動,利用ISSA算法以及仿真輸出無功數(shù)據(jù)對d軸參數(shù)進(jìn)行辨識.

      (2)設(shè)置算法參數(shù),設(shè)樽海鞘群規(guī)模大小為N,更新迭代次數(shù)為k,最大迭代次數(shù)為G,設(shè)置搜索上下限分別為ub,lb,并初始化樽海鞘群,規(guī)模大小為N×D.

      (3)根據(jù)公式(19)、公式(20),計算初始化后的種群適應(yīng)度值,并將其按大小進(jìn)行排序,選定食物位置(最優(yōu)值)為對應(yīng)排在首位的樽海鞘位置.

      圖4 STATCOM模型dq軸辨識的總體流程

      圖5 各算法迭代收斂曲線對比

      (4)根據(jù)步驟3的排序,將排在首位的樽海鞘設(shè)為領(lǐng)導(dǎo)者,根據(jù)公式(8)進(jìn)行位置更新;其他剩余樽海鞘設(shè)為追隨者,根據(jù)公式(11)、公式(12)進(jìn)行位置更新.

      (5)計算更新后的群體的適應(yīng)度值.將其與食物位置進(jìn)行比較,選取最優(yōu)值作為新的食物位置.

      (6)對更新后的食物位置進(jìn)行最優(yōu)值判斷,若該位置達(dá)到理論最優(yōu)值,則將其對應(yīng)的辨識參數(shù)組作為d軸待辨識結(jié)果,否則轉(zhuǎn)到步驟4,判斷是否達(dá)到最大迭代次數(shù),是,則輸出結(jié)果,否,轉(zhuǎn)到步驟4).

      (7)將L固定為d軸辨識結(jié)果,辨識q軸參數(shù),ISSA算法辨識步驟同上述步驟2~步驟6.

      (8)經(jīng)兩次辨識得到模型全部辨識結(jié)果,并根據(jù)輸出曲線擬合成都驗(yàn)證辨識結(jié)果的準(zhǔn)確性.

      綜合上述步驟得到靜止同步補(bǔ)償器控制模型dq軸解耦參數(shù)辨識的總體流程如圖4所示.

      4 仿真算例分析

      在MATLAB中搭建兩機(jī)系統(tǒng).設(shè)置待辨識參數(shù)典型值為Kp_vq=5,Ki_vq=100,Kp_Vdc=0.000 1,Ki_Vdc=0.02,Kp_iq=0.3,Ki_iq=10,L=0.22 mH,Kp_id=0.3,Ki_id=10,設(shè)置系統(tǒng)在1s時發(fā)生階躍擾動,大小為0.05 pu,得到相應(yīng)辨識數(shù)據(jù),利用辨識智能算法得到辨識.

      首先對STATCOM模型參數(shù)進(jìn)行整體辨識,為驗(yàn)證改進(jìn)樽海鞘算法(ISSA)在辨識參數(shù)方面的可行性和優(yōu)越性.本文利用基本SSA算法、改進(jìn)SSA算法(ISSA)、基本粒子群算法(PSO)以及差分算法(DE)對模型進(jìn)行辨識,智能辨識算法迭代次數(shù)為20次,分別對各算法得到的平均適應(yīng)度值以及各參數(shù)辨識結(jié)果平均值對比.上述各算法分別獨(dú)立運(yùn)行20次,種群規(guī)模N設(shè)為30,算法迭代尋優(yōu)區(qū)間設(shè)置為典型值[-30%,+30%].各算法迭代尋優(yōu)曲線以及相應(yīng)的辨識結(jié)果如表1、圖5所示.

      表1 四種算法整體辨識結(jié)果對比

      通過比較表1各算法收斂迭代平均適應(yīng)度值可得,本文提出的ISSA算法平均適應(yīng)度值最低為0.037 0,說明該算法辨識結(jié)果較其他算法精度最高,由圖5各算法收斂迭代曲線可更直觀發(fā)現(xiàn),ISSA較其他算法收斂速度更快,在STATCOM模型參數(shù)辨識方面具有更大的優(yōu)勢.通過圖5可知,PSO算法在整個迭代過程中收斂速度較慢,算法運(yùn)行時間較長,得到的辨識結(jié)果相較其他算法精度較低;DE算法在迭代尋優(yōu)中容易陷入局部極值,從而導(dǎo)致辨識結(jié)果精度有限;ISSA和SSA算法得到的適應(yīng)度值均遠(yuǎn)遠(yuǎn)低于PSO以及DE算法,辨識結(jié)果精度更高,并且算法收斂速度更快,相較于SSA算法,ISSA收斂速度更快,性能更優(yōu)越.通過圖6算法辨識結(jié)果擬合輸出對比曲線可得到:ISSA算法辨識結(jié)果曲線相對于其他算法與典型值曲線的曲線擬合效果更好.綜上所述,本文提出的ISSA算法相較其他智能算法在STATCOM模型參數(shù)辨識方面更加優(yōu)越性.

      圖6 0.05 pu擾動下輸入電壓對比

      通過分析表1數(shù)據(jù)以及圖6輸出曲線對比,本文提出的ISSA算法在STATCOM模型參數(shù)辨識方面相對其他智能算法具有更好的優(yōu)越性.但通過對表1各參數(shù)辨識結(jié)果分析發(fā)現(xiàn),即使算法辨識結(jié)果擬合曲線與原系統(tǒng)輸出曲線擬合效果很好,但部分辨識結(jié)果仍存在誤差較大的問題.

      對此,在利用ISSA算法基礎(chǔ)上,采用本文所提出的dq軸解耦辨識策略對STATCOM模型參數(shù)進(jìn)行分步辨識.首先辨識d軸參數(shù),然后固定d軸參數(shù)為已知,辨識q軸參數(shù),最終得到仿真模型全部參數(shù),算法設(shè)置如下:在1 s時對系統(tǒng)施加0.05 pu階躍擾動,使用ISSA算法對模型進(jìn)行參數(shù)辨識,算法獨(dú)立運(yùn)行計算50次,ISSA算法迭代尋優(yōu)曲線以及相應(yīng)的辨識結(jié)果如表2、圖7、圖8所示.

      表2 dq軸參數(shù)辨識結(jié)果

      圖7 dq軸模型參數(shù)辨識收斂曲線

      由表2可得,d軸q軸待辨識參數(shù)誤差均較小,所有參數(shù)誤差都在5%以內(nèi),使用該方法得到的參數(shù)精確度更高,由圖7可得,使用ISSA算法分dq軸對模型進(jìn)行辨識,ISSA算法收斂速度很快,收斂精度高,由圖8可得分dq軸辨識結(jié)果輸出曲線與典型值輸出曲線基本吻合,從而驗(yàn)證本方法的有效性.

      圖8 STATCOM輸出電壓對比

      5 結(jié) 論

      本文以STATCOM模型控制器為研究對象,采用改進(jìn)樽海鞘群算法對模型參數(shù)進(jìn)行辨識,并提出一種模型參數(shù)解耦辨識策略,得到結(jié)論如下:

      (1)提出一種改進(jìn)樽海鞘群算法對STATCOM模型參數(shù)進(jìn)行辨識,仿真結(jié)果表明該算法收斂速度更快,辨識結(jié)果精度很高.

      (2)為提高STATCOM參數(shù)辨識精度,針對模型結(jié)構(gòu)耦合導(dǎo)致辨識誤差較大問題,通過對控制模型狀態(tài)空間表達(dá)式進(jìn)行化簡,提出基于ISSA算法的dq軸解耦參數(shù)辨識策略,將整體辨識過程拆分為分dq軸兩路辨識,大大提高了參數(shù)辨識精度,仿真算例證明所提方法的有效性和準(zhǔn)確性.

      猜你喜歡
      海鞘追隨者適應(yīng)度
      打賭你猜不出這可愛的“鬼臉娃娃”是啥!
      做一名紅色記憶的追隨者
      井岡教育(2022年2期)2022-10-14 03:11:52
      改進(jìn)的自適應(yīng)復(fù)制、交叉和突變遺傳算法
      牛的“追隨者”
      幼兒100(2022年23期)2022-06-10 03:33:30
      它吃掉自己的“腦子”
      改進(jìn)樽海鞘群優(yōu)化K-means算法的圖像分割
      包裝工程(2022年9期)2022-05-14 01:16:22
      污損性海鞘的生態(tài)特點(diǎn)研究展望
      基于空調(diào)導(dǎo)風(fēng)板成型工藝的Kriging模型適應(yīng)度研究
      中國塑料(2016年11期)2016-04-16 05:26:02
      追隨者
      愛你(2014年13期)2014-08-09 09:58:48
      少數(shù)民族大學(xué)生文化適應(yīng)度調(diào)查
      海城市| 乐东| 雷州市| 綦江县| 连州市| 苗栗市| 四子王旗| 桓台县| 建阳市| 万源市| 剑阁县| 改则县| 靖远县| 抚松县| 濮阳市| 孝昌县| 封丘县| 南召县| 汤阴县| 民县| 泸定县| 长丰县| 新巴尔虎左旗| 阿拉善盟| 雷州市| 浮山县| 沙湾县| 钟山县| 明光市| 互助| 县级市| 沂南县| 根河市| 达州市| 青河县| 定州市| 巴南区| 三江| 郴州市| 定兴县| 宁南县|