【技术实现步骤摘要】
本专利技术涉及模型预测，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。
技术介绍
1、在新型电力系统中，有源电力滤波器（activepowerfilter，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（proportionalintegral，pi）控制、滞环控制、重复控制、模型预测控制等。
2、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。
3、模型预测控制（modelpredictivecontrol，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。
4、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。
技术实现思路
1、本专利技术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。
2、为了实现上述目的，第一方面，本专利技术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：
3、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；
4、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；
5、从所述父代群体中选择第一代子代群体；
6、对所述第一代子代群体杂交操作，得到第二代子代群体；
7、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、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：
9、所述有源电力滤波器模型预测控制的成本函数为：
10、
11、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。
12、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：
13、
14、
15、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]。
16、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：
17、生成n组[0，1]区间上的均匀随机数，每组包含2个；
18、根据所述均匀随机数，通过线性变换得到各个优化变量；
19、根据如下公式得到对应的目标函数值：
20、
21、其中，为目标函数值。
22、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：
23、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：
24、
25、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：
26、
27、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：
28、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：
29、
30、其中，都是随机数；
31、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。
32、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：
33、采用如下公式对所述第二代子代群体进行进化迭代：
34、
35、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；
36、所述预定迭代条件包括：
37、
38、其中，函数的取值范围为。
39、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：
40、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。
41、第二方面，本专利技术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：
42、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；
43、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；
44、选择模块，用于从所述父代群体中选择第一代子代群体；
45、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；
46、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。
47、第三方面，本专利技术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。
48、第四方面，本专利技术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。
49、本专利技术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。
本文档来自技高网...【技术保护点】
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：
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：
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：
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，所述从所述父代群体中选择第一代子代群体，包括：
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，所述对所述第一代子代群体杂交操作，得到第二代自带群体，包括：
6.根据权利要求5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：
7.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
8.一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：
9.一种计算机设备，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7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。
10.一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7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。
...【技术特征摘要】
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：
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：
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：
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，所述从所述父代群体中选择第一代子代群体，包括：
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，所述对所述第一代子代群体杂交操作，得到第二代自带群体，包括：
6.根据权利要求5所述的有源电力滤波器模型预测控制的优化方法...
【专利技术属性】
技术研发人员：李俊，杨杰，茆华风，吴亚楠，卢晶，田贇祥，刘楠，王鹏飞，胡江杰，茆智伟，
申请(专利权)人：中国科学院合肥物质科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。