一种基于蚁群模拟退火算法的MMC的PI参数优化方法技术

本发明专利技术公开了一种基于蚁群模拟退火算法的模块化多电平换流器（MMC）的PI参数优化方法，该方法包括：根据MMC系统的环流波形输出确定PI参数的整定范围，提出改进的蚁群算法，对传统蚁群算法的信息素更新规则进行了改进，然后在改进的蚁群算法中引入模拟退火算法的退火机制，建立蚁群模拟退火算法，最后以绝对误差积分准则为目标函数对MMC系统参数进行优化。本发明专利技术将蚁群算法和模拟退火算法进行了有效的融合，通过对蚁群算法的信息素更新规则的改进，把搜索的最优解作为模拟退火算法的当前解，提高了MMC中PI参数的优化效果，使桥臂波形质量和抑制环流得到了有效改善。

【技术实现步骤摘要】
一种基于蚁群模拟退火算法的MMC的PI参数优化方法
本专利技术系MMC系统中PI参数的优化范畴，尤其涉及一种基于蚁群模拟退火算法的MMC系统中PI参数的优化方法。
技术介绍
MMC(模块化多电平换流器)拓扑主要以半桥子模块为基本功率单元，采用模块级联的方式构成三相六桥臂，MMC因其自身的模块化拓扑，简化了换流器的容量拓展和冗余设计，具有谐波次数低、无需换相电压、可拓展性强等优点，使其备受国内外学者的重视。在MMC的控制中，应用最广泛的控制器是PI控制器，其作用是使误差朝需要的越来越小的方向逼近，以达到MMC控制要求的控制精度。其具有结构简单、调整方便等优点。其中比例Kp成比例的反应控制系统的偏差信号，偏差一旦生成，控制器立即产生控制作用，以减少偏差。积分环节Ki主要用于消除静态差。蚁群算法是模拟大自然中蚂蚁觅食过程而提出的一种仿生算法。它是蚂蚁在觅食的过程中，最终能够找到食物源和巢穴之间的最短距离。蚁群算法和其他的启发式算法相比，具有比较好的鲁棒性,并且对于起始路线要求不高的优点。但是传统的蚁群算法是根据信息素的浓度来选择路径，由于算法中正反馈效应的存在，会导致算法很容易陷入局部最优解，出现早熟现象。模拟退火算法是基于固体退火原理的一种基于概率的算法，模拟退火算法是由加温过程，等温过程和冷却过程三部分组成的。算法设定初温对应于加温过程，算法的Metropolis抽样过程对应于等温过程，控制参数的下降对应于冷却过程。模拟退火算法以一定的概率接收较差的解，可以有效地改善蚁群算法的早熟现象，但收敛速度较慢。
技术实现思路
为了解决
技术介绍
所述的上述问题，克服现有的蚁群算法易使MMC的PI参数值陷入局部最优值的技术缺陷，本专利技术提供一种基于蚁群模拟退火算法的MMC的PI参数优化，使优化后的参数改善了MMC的相间环流。本专利技术采用的技术手段如下：一种基于蚁群模拟退火算法的MMC(模块化多电平换流器)的PI参数优化方法，将MMC的PI参数寻优问题转换为旅行商问题，所述旅行商问题即TSP为：旅行商寻找最短路径遍历给定的c个城市且不重复并最终回到原点。为省略禁忌表，问题简化：两城市间有多条路径，旅行商按固定单向顺序遍历所有共c个城市，寻求最短路径。所述方法在Matlab/simulink环境下编写m函数代码并搭建simulink模型完成的进一步说，本专利技术包括以下步骤：S1、初始化操作。设置以下参数：PI参数整定范围、蚂蚁数量A、信息素常系数Q、残留系数ρ、城市之间路径个数path、初始温度T0、降温速率q、终止温度Tend、单变量编码长度为M、优化的问题维数为N,且城市个数c＝MN。S2、将蚁群算法的单次遍历的各城市的路径解码为比例Kp和积分Ki。S3、运行simulink模型，选取误差绝对值乘时间平方积分ITAE2准则作为算法的目标函数，计算ITAE2并记录对应的最优路径和ITAE2值W1。S4、将S3中的最佳路径随机产生一个扰动生成新路径，记录并对新路径解码，运行simulink模型，得到新路径的ITAE2值W2。S5、计算ΔE＝W2-W1,如果ΔE<0,则接收W2作为解的当前解；否则计算W2的接受概率P,决定是否接受W2。S6、更新信息素浓度，降温。S7、如果满足终止条件Stop，则输出当前解W1为最优解，结束程序。否则重复S2至S6。进一步地，步骤S1的具体确定PI参数变量如下：确定PI控制器待优化的PI参数变量为[KP,Ki]，优化参数变量上限Hlimits＝[Kpmax,Kimax]，优化参数变量下限Llimits＝[Kpmin,Kimin]，Kpmax为P参数的最大值，Kimax为I参数的最大值，Kpmin为P参数的最小值，Kimin为I参数的最小值。进一步地，步骤S2的具体步骤如下：S21、第k只蚂蚁从城市i转移到下一个城市选择第j条路径的状态转移公式如下:式中：τip(t)是在第t次迭代过程从城市i到下一个城市的第p条路径的信息素浓度。S22、蚂蚁k完成某次遍历的轨迹标号为{Dk1,Dk2,Dk3…Dkc}。在该遍历中对应的解：Xi＝(XiH-XiL)Ei+XiL。Dki为蚂蚁k从城市i到下一城市所选择的路径编号，i＝1,2,3…c。Dki的取值0～10。Ei为变量Xi的归一化数值，变量Xi即MMC的PI参数的解码值，XiH和XiL分别是变量Xi取值范围的上下限。进一步地，所述步骤S3的ITAE2公式为：式中，z为求和项数，n为项数上限，s为时间变量，Δs为求和时间小区间，e(s)为实际值与参考值之差：即MMC环流的实际值与参考值之差。进一步地，所述步骤S5中，如果新解为劣解，此时不会立即舍弃，而是再进行概率判断：首先在区间[0,1]产生一个均匀分布的随机数ε，若ε＜p，则这种转移会被接受，否则被舍弃，进入下一步，接收概率p为：式中：T为温度，且T＝T0q，进一步地，步骤S6的具体步骤如下：S61、第k只蚂蚁所走过的路径中信息素按照下式更新：式中：为第t次遍历中，蚂蚁k从城市i到下一城市的第j条路径上的信息素浓度。为更新后的信息素浓度:即第t+1次遍历中，蚂蚁k从城市i到下一城市的第j条路径上的信息素浓度。为蚂蚁k在第t次遍历过程中，蚂蚁k从城市i到下一城市的第j条路径上留下的信息素浓度的增量：其中Lk为蚂蚁k在第t次遍历的路径总长度。为第t次遍历所有蚂蚁搜索过程中最优蚂蚁留下的信息素浓度增量。S62、降温T＝T0q。本专利技术的有益效果是本专利技术将蚁群算法和模拟退火算法进行了有效的融合，通过对蚁群算法的信息素更新规则的改进，把搜索的最优解作为模拟退火算法的当前解，提高了MMC中PI参数的优化效果，使桥臂波形质量和抑制环流得到了有效改善。本专利技术的MMC的PI参数优化方法克服了单个蚁群算法存在的的弊端，即蚁群算法易于陷入局部最优值的技术缺陷，实现了蚁群和模拟退火算法的优势互补，提高了最佳PI参数值的搜索效率和避免了陷入局部最优值，使优化后的参数改善了MMC的相间环流。附图说明图1为本实施例中所采用的拓扑结构的示意图。图2为本专利技术的MMC电容电压均衡控制图。图3为本专利技术的基于蚁群模拟退火算法的MMC的PI参数优化的流程示意图。图4是基于蚁群算法优化的PI参数的环流波形。图5是本专利技术中基于蚁群模拟退火算法优化的PI参数的环流波形。具体实施方式现在结合附图对本专利技术作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本专利技术的基本结构，因此其仅显示与本专利技术有关的构成。本实施例中所采用的拓扑结构由图1所示，该拓扑结构由三相六桥臂组成，每桥臂级联4个子模块SM，L＝0.03H为桥臂电感，R＝20Ω为负载等效电阻，LR＝0.0本文档来自技高网...

【技术保护点】
1.一种基于蚁群模拟退火算法的MMC的PI参数优化方法，其特征在于，将MMC的PI参数寻优问题转换为旅行商问题，所述旅行商问题即TSP为：旅行商寻找最短路径遍历给定的c个城市且不重复并最终回到原点，寻求最短路径。/n

【技术特征摘要】
1.一种基于蚁群模拟退火算法的MMC的PI参数优化方法，其特征在于，将MMC的PI参数寻优问题转换为旅行商问题，所述旅行商问题即TSP为：旅行商寻找最短路径遍历给定的c个城市且不重复并最终回到原点，寻求最短路径。


2.采用步骤1所述一种基于蚁群模拟退火算法的MMC的PI参数优化方法，其特征在于，设定两城市间有多条路径，旅行商按固定单向顺序遍历所有共c个城市，依次省略禁忌表，寻求最短路径。


3.采用步骤1所述一种基于蚁群模拟退火算法的MMC的PI参数优化方法，其特征在于，包括以下步骤：
步骤S1、初始化操作；
步骤S2、将蚁群算法的单次遍历的路径解码为比例Kp和积分Ki；
步骤S3、设定目标函数，获得对应的最优路径和对应的ITAE2值W1；ITAE2准则为误差绝对值乘时间平方积分，
步骤S4、将步骤S3中的最佳路径随机产生一个扰动生成新路径，记录并对新路径解码，得到新路径的ITAE2值W2；
步骤S5、计算ΔE＝W2-W1,
如果ΔE<0,则接收W2作为解的当前解；
否则计算W2的接受概率P,决定是否接受W2；
步骤S6、更新信息素浓度，降温；
步骤S7、如果满足终止条件Stop，则输出当前解W1为最优解，结束程序；否则重复S2至S6。


4.根据权利要求3所述的一种基于蚁群模拟退火算法的MMC的PI参数优化方法，其特征在于，步骤S3中，所述算法的目标函数ITAE2为：



其中，z为求和项数，n为项数上限，s为时间变量，Δs为求和时间小区间；e(s)为MMC环流的实际值与参考值之差。


5.根据权利要求3所述的一种基于蚁群模拟退火算法的MMC的PI参数优化方法，其特征在于，步骤S6中，所述信息素更新规则：
第k只蚂蚁所走过的路径中信息素按照下式更新：



式中：为第t次遍历中，蚂蚁k从城市i到下一城市的第j条路径上的信息素浓度；

为更新后的信息素浓度:即第t+1次遍历中，蚂蚁k从城市i到下一城市的第j条路径上的信息素浓度；

为蚂蚁k在第t次遍历过程中，蚂蚁k从城市i到下一城市的第j条路径上留下的信息素浓度的增量：其中Lk为蚂蚁k在第t次遍历的路径总长度，Q为信息素常系数；

为第t次遍历所有蚂蚁搜索过程...

【专利技术属性】
技术研发人员：陈波，朱坤，黄凯成，沈道贤，肖洒，储昭碧，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽;34