本发明专利技术针对智能电力系统中多谐波源相互影响，谐波可能出现相互叠加、抵消或衰减等现象，严重威胁配电网的安全稳定经济运行。公开一种改进的自适应模糊粒子群算法对多谐波源存在的配电网进行谐波抑制的研究，改进的算法采用自适应的惯性系数对惯性权重系数进行调整，在粒子群算法的速度和位置更新过程中以所有粒子的个体最优的加权平均值代替全局最优值，考虑所有个体对群体活动的导向性来调整粒子的速度和位置，并对粒子位置的更新进行模糊控制，这样可以有效地避免算法陷入局部最优。仿真结果表明，该算法能在给定的电网范围内统一优化有源和无源滤波装置的安装地点及相应的参数,减小系统的损耗，达到有效抑制谐波的目的。
【技术实现步骤摘要】
【专利摘要】本专利技术针对智能电力系统中多谐波源相互影响，谐波可能出现相互叠加、抵消或衰减等现象，严重威胁配电网的安全稳定经济运行。公开一种改进的自适应模糊粒子群算法对多谐波源存在的配电网进行谐波抑制的研究，改进的算法采用自适应的惯性系数对惯性权重系数进行调整，在粒子群算法的速度和位置更新过程中以所有粒子的个体最优的加权平均值代替全局最优值，考虑所有个体对群体活动的导向性来调整粒子的速度和位置，并对粒子位置的更新进行模糊控制，这样可以有效地避免算法陷入局部最优。仿真结果表明，该算法能在给定的电网范围内统一优化有源和无源滤波装置的安装地点及相应的参数,减小系统的损耗，达到有效抑制谐波的目的。【专利说明】多谐波源相互影响的配电网滤波装置优化配置
本专利技术涉及配电网范围内统一优化有源和无源滤波装置的安装地点及相应的参数，减小系统的损耗，将电压、功率因数等保持在规定的范围内。
技术介绍
智能电网中许多类型电源(风能、太阳能等多种能源输入和内燃机、储能系统等多种能源转换单元等)运行不确定性强，具有间隙性、复杂性、多样性、不稳定性的特点，其电能质量特征与传统电力系统有很大差异，越来越多的分布式电源和电能质量调节装置渗透在配电系统基础设施中，使传统电网中单相潮流面临双向潮流的问题，且造成谐波之间相互影响；当多个谐波源同时作用时，由于谐波的频率，幅值，相位不同，以及谐波在传输过程中所受的影响，使得智能电网内部谐波非常复杂，带来严重的谐波污染，特别是多逆变器装置存在交互耦合影响等情况，将造成谐波放大，其负面效应是电能质量的下降，同时严重影响着供、用电设备的安全经济运行且造成了巨大的经济损失；在用户或电网中装设滤波器是抑制谐波的一种有效措施，可减少和控制注入电网的谐波电流和补偿无功损耗，以使配电网中各节点的谐波电压满足相应的谐波标准为了适应谐波源与网络参数的随机变化，考虑两种滤波器的综合优化配置是目前电能质量工程抑制谐波措施的趋势；受实际电网运行复杂性的影响，安装一个APF很难满足整个网络的谐波约束，可以考虑多个APF的优化配置问题；与其他传统算法相比粒子群算法具有操作简单、依赖的经验参数少、速度快且寻优能力强等优点，但其存在后期收敛速度慢，寻优精度低且易陷入局部最优的不足；模糊理论是研究不确定问题的有效数学工具，具有较好的灵活性和较强的适应能力，本文对滤波器的多目标函数优化进行了分析，应用模糊理论，提出一种改进的自适应模糊粒子群优化算法来对这一复杂的多目标优化问题进行求解。
技术实现思路
粒子群算法以其操作简单、收敛速度快等优点在进行多目标优化问题上应用较广，但当算法中惯性权重系数较大时，粒子由于缺乏对最优解的精细搜索而可能产生搜索精度不高的不良后果；通过采用自适应的惯性系数对惯性权重系数进行调整，较大的惯性权重值有利于跳出局部最优，适应于对搜索空间进行大范围开发；较小惯性权重值可提高算法的精度并利于算法局部收敛，适合小范围开发；通常PSO算法在迭代过程中仅依靠最优值而没有充分利用其他粒子的信息，在问题较为复杂时，算法很容易陷入局部最优。为了避免这种情况的发生，在粒子群算法的速度和位置更新过程中以所有粒子的个体最优的加权平均值代替全局最优值，考虑所有个体对群体活动的导向性来调整粒子的速度和位置；标准粒子群算法中仅规定了粒子速度的限值，却没有对粒子位置限值进行确定，使得算法易陷入局部最优；通过对位置的更新进行模糊控制可以有效地避免陷入局部最优。 其有益效果是: 1)该算法具有避免粒子群陷入局部最优，对惯性权重进行自适应控制能；2)在给定的配电系统内统一优化有源和无源滤波装置的安装地点及相应的参数，减小系统的损耗，将电网电压电流畸变率控制在国家规定限值内，在保证配电网安全稳定运行的情况下，达到滤波装置初投资费用最小的目的；3)大大减小了所需变流器的数量和容量，达到较好的滤波效果和乐观的经济效益，具有实际应用价值；下面结合附图对本专利技术作进一步说明。 【专利附图】【附图说明】图1是算法流程图。 【具体实施方式】一个D维的搜索空间，由m个粒子组成的种群X:x;....v…第i个粒子的位置为 {^.^^、…,'/,当前速度为丨^^^^…匕^在每次迭代中’粒子个体搜索到的 r ι: - t■UJ *J I f ι - r* -r>t.最好位置为?Ji f称为个体最优记作pBest ;群体中所有粒子搜索到的最好位置为A — I J、:”-.Pgn f称为全局最优，记作GBest。粒子根据式(I)和式(2 )来分别更新自己的速度和位置: L V + i) = Hi',/ + cy WIi/,{Pu(/)- A；(i(f)) + Cjmtd2((i) - Xlj(--)(I) xJn =i 二 1，2,…，M(2)t为迭代次数；Cl和C2为学习因子，randi和rand2是区间内均匀分布的随机数；#为惯性权重。粒子的速度限定在[_vmax，VmaJ之间采用自适应的惯性系数对惯性权重系数进行调整: w( I ) = [2 /(I + eAtn,nm ).1 Vr0(3)式中:λ是调节#变化速度的正系数，?为当前迭代次数，/为w(t)的上限，tmax为最大迭代次数；较大#值有利于跳出局部最优，适应于对搜索空间进行大范围开发；较小#值可提高算法的精度并利于算法局部收敛，适合小范围开发所有粒子的个体最优加权平均值表示为: m.Σ {?(4)!.:1 是权重向量，反应了第i个粒子的贡献程度且满足++ I,粒子的位置更新的公式 f >; 变为: Λ) ^ ( / -1 I ( / I i IS ^nifN I".?.,| ?(5)标准粒子群算法中仅规定了粒子速度的限值，却没有对粒子位置限值进行确定，使得算法易陷入局部最优；本文对位置的更新进行模糊控制可以有效地避免陷入局部最优，对公式5进行模糊控制得出:= (6) 【权利要求】1.改进自适应模糊粒子群算法，是将典型粒子群算法的惯性系数进行自适应控制，在粒子群算法的速度和位置更新过程中以所有粒子的个体最优的加权平均值代替全局最优值，考虑所有个体对群体活动的导向性来调整粒子的速度和位置，并对粒子位置的更新进行模糊控制，这样可以有效地避免算法陷入局部最优； 针对算法中惯性权重系数较大时，粒子由于缺乏对最优解的精细搜索而可能产生搜索精度不高的不良后果，采用自适应的惯性系数对惯性权重系数进行调整:限，为最大迭代次数，较大ω值有利于跳出局部最优,适应于对搜索空间进行大范围开发较小ω值可提高算法的精度并利于算法局部收敛，适合小范围开发； 所有粒子的个体最优加权平均值表示为6是权重向量，反应了第i个粒子的贡献程度且满足!广,^粒子的位置更新的公式变对位置的更新进行模糊控制可以有效地避免陷入局部最优，对上式公式进行模糊控制得出:其中，μι为S形隶属函数,T为一给定阀值,与密切相关,a, c为常数；当&1时，μ2取1，在这个时候，粒子位置的变化是比较大的；当t>T时，粒子的改变就会放慢，到达一定迭代次数时粒子的变化又能加快些，可以有效地避免陷入局部最优。【文档编号】G06F17/50GK104133922SQ2013本文档来自技高网...
【技术保护点】
改进自适应模糊粒子群算法，是将典型粒子群算法的惯性系数进行自适应控制，在粒子群算法的速度和位置更新过程中以所有粒子的个体最优的加权平均值代替全局最优值，考虑所有个体对群体活动的导向性来调整粒子的速度和位置，并对粒子位置的更新进行模糊控制，这样可以有效地避免算法陷入局部最优；针对算法中惯性权重系数较大时，粒子由于缺乏对最优解的精细搜索而可能产生搜索精度不高的不良后果，采用自适应的惯性系数对惯性权重系数进行调整：式中：λ是调节ω变化速度的正系数，t为当前迭代次数，w0为w(t)的上限，为最大迭代次数，较大ω值有利于跳出局部最优，适应于对搜索空间进行大范围开发较小ω值可提高算法的精度并利于算法局部收敛,适合小范围开发；所有粒子的个体最优加权平均值表示为：是权重向量，反应了第i个粒子的贡献程度且满足，粒子的位置更新的公式变为：对位置的更新进行模糊控制可以有效地避免陷入局部最优，对上式公式进行模糊控制得出：其中，为S形隶属函数，T为一给定阀值，与密切相关，a,c为常数；当时，取1，在这个时候，粒子位置的变化是比较大的；当t>T时，粒子的改变就会放慢，到达一定迭代次数时粒子的变化又能加快些，可以有效地避免陷入局部最优。...
【技术特征摘要】
【专利技术属性】
技术研发人员：夏向阳，王欢，程莎莎，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：湖南;43
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。