Paper Title (use style: paper title)

Size: px

Start display at page:

Download "Paper Title (use style: paper title)"

周井
7 years ago
Views:

1 基于遗传算法的逆变器最优控制方法研究汤闰广州供电局有限公司, 广东广州摘要 : 随着电力电子技术和分布式发电技术的发展, 逆变器控制问题变得越来越重要本文提出一种基于遗传算法的逆变控制技术, 利用遗传算法使用比例选择算子来确定群体中各个个体遗传到下一代群体中的数量, 采用谐波总畸变率对适应度函数进行选择使用 Matlab 进行仿真, 参照滞环比较和定时比较两种逆变控制方法, 理论上验证了遗传算法在逆变控制上的正确性和优越性, 同时仿真算例也验证了理论的正确性关键词 : 遗传算法 ; 逆变器 The Research of Control Based on Genetic Algorithm for Inverter Run Tang Guangzhou Power Supply Bureau Co. LTD, Guangzhou , China diyige @163.com Abstract: With the development of power electronics technology and distributed power generation technology, inverter control issue has become more and more important. An inverter control technology based on genetic algorithm is proposed in this paper. This technology applies genetic algorithms to determine the number of genes passed from the individuals to the next generation and choose the fitness function. By Matlab simulation and reference to hysteresis comparison and timer comparison, the correctness and superiority of genetic algorithm are theoretically verified; in the meantime, the simulation example validates the correctness of the theory. Keywords: Inverter; Genetic Algorithm 引言随着我国经济的高速发展, 以及我国能源问题的越来越突出, 以太阳能风能潮汐能地热能等清洁能源为主的分布式发电并网技术成为了智能电网发展的一个重要内容要实现分布式发电技术并入电网运行就必须要运用电力电子技术中的整流和逆变技术 [1-4] 把直流电变成交流电称为逆变当交流侧接在电网上, 即交流侧有电源时, 称为有源逆变 ; 当交流侧直接和负载连接时, 称为无源逆变本文讨论的逆变主要是接纯电感负载的无源逆变逆变器的主要性能指标通常包含波形质量, 逆变效率, 电磁干扰 EMI (Electro Magnetic Interference) 及电磁兼容 EMC (Electro Magnetic Compatibility), 额定容量, 功率密度和可靠性本论文研究的主要式波形质量中的谐波含有率 THD (Total Harmonic Distortion) 和开关损耗 [5-8] PWM (Pulse Width Modulation) 控制就是对脉冲的宽度进行调制的技术, 即通过对一系列脉冲的宽度进行调制, 来等效地获得所需要波形 ( 含形状和幅值 ) 在采样控制理论中有一个重要的结论 : 冲量相等而形状不同的窄脉冲加在具有惯性的环节上时, 其效果基本相同冲量即指窄脉冲的面积这里所说的效果基本相同, 是指环节的输出响应波形基本相同如果把各输出波形用傅里叶变换分析, 则其低频段非常接近, 仅在高频段略有差异上述原理可以称之为面积等效原理, 它是 PWM 控制技术的重要理论基础 [9-1] 本文采用的就是基于遗传算法的逆变器 PWM 最优控制技术 [1] PWM 跟踪控制技术是把希望输出的电流或电压波形作为指令信号, 把实际电流或电压波形作为反馈信号, 通过两者的瞬时值比较来决定逆变电路各功率开关器件的通断, 使实际的输出跟踪指令信号的变化 [13-16] 跟踪控制法中常用的有滞环比较方式, 三角波比较方

LTD, Guangzhou 510900, China diyigeemail@163.

2 式, 定时比较方式和遗传算法遗传算法由于跟踪控制实时性好, 响应快, 输出波形精度高在工程实际中经常被采用 1 遗传算法的基本原理 1.1 遗传算法简介遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法遗传算法从一组随机产生的初始解开始搜索过程, 种群中的每一个个体是问题解空间中的一个解, 称为染色体染色体由一串基因位组成衡量一个染色体好坏的标准取决于该染色体的适应度大小, 适应值越大则表明染色体越好, 染色体在后续的迭代中不断的用适应值高的代替适应值低的染色体, 这样不断进化的过程称为遗传在迭代过程中, 新一代染色体是通过前一代染色体交叉或者变异运算形成的形成新一代染色体后, 根据适应值大小部分后代得以保留, 淘汰部分后代, 从而保持种群大小是常数适应值高的染色体被保留的概率较高, 这样经过若干代后, 算法收敛于最好的染色体, 它很可能是问题的最优解或次优解下面以一个具体的例子来说明遗传算法的基本原理对于一个函数最大值的优化问题一般可描述为下列数学规划模型 : max f( x) st.. X R (1) R U 式中, X = [ x1, x,..., x ] T n 为决策变量, f( X) 为目标函数是式 (1) 为约束条件,U 是基本空间,R 是 U 的一个子集满足约束条件的解 X 称为可行解, 集合 R 表示由所有满足约束条件的解所组合成的一个集合, 叫做可行解集合遗传算法中, 将 n 维决策向量 X = [ x1, x,..., x ] T n 用 n 个记号 Xi ( i = 1,,..., n) 所组成的符号串 X 来表示 : X= XX 1... X [ 1,,..., ] T n X= x x xn 把每一个 X i 看作一个遗传基因, 它的所有可能取值称为等位基因, 这样, X 就可以看作是由 n 个遗传基因所组成的一个染色体一般情况下, 染色体的长度 n 是固定的, 但对一些问题 n 也可以是变化的根据不同的情况, 这里的等位基因可以是一组整数, 也可以是某一范围内的实数值, 或者是纯粹的一个记号最简单的等位基因是由 0 和 1 这两个整数组成的, 相应的染色体就可表示为一个二进制符号串这种编码所形成的排列形式 X 是个体的基因型, 与它对应的 X 值是个体的表现型通常个体的表现型和其基因型是一一对应的, 但有时也允许基因型和表现型是多对一的关系染色体 X 也称为个体 X, 对于每一个个体 X, 要按照一定的规则确定出其适应度个体的适应度与其对应的个体表现型 X 的目标函数值相关联,X 越接近于目标函数的最优点, 其适应度越大 ; 反之, 其适应度越小遗传算法中, 决策变量 X 组成了问题的解空间对问题最优解的搜索是通过对染色体 X 的搜索过程来进行的, 从而由所有的染色体 X 就组成了问题的搜索空间生物的进化是以集团为主体的与此相对应, 遗传算法的运算对象是由 M 个个体所组成的集合, 称为群体与生物一代的自然进化过程相类似, 遗传算法的运算过程也是一个反复迭代的过程, 第 t 代群体记做 P(t), 经过一代遗传和进化后, 得到第 t+1 代群体, 它们也是由多个个体组成的集合, 记做 P(t+1) 这个群体不断地经过遗传和进化操作, 并且每次都按照优胜劣汰的规则将适应度较高的个体更多地遗传到下一代, 这样最终在群体 * 中将会的到一个优良的个体 X, 它所对应的表现型 X 将达到或接近与问题的最优解 X 1. 遗传算法的计算过程图 1 所示为遗传算法的运算全过程示意图由上图可以看出, 使用上述三种遗传算子 ( 选择算子交叉算子变异算子 ) 的遗传算法的主要运算过程如下所述

这样不断进化的过程称为遗传在迭代过程中, 新一代染色体是通过前一代染色体交叉或者变异运算形成的形成新一代染色体后, 根据适应值大小部分后代得以保留, 淘汰部分后代, 从而保持种群大小是常数适应值高的染色体被保留的概率较高, 这样经过若干代后, 算法收敛于最好的染色体, 它很可能是问题的最优解或次优解下面以一个具体的例子来说明遗传算法的基本原理

3 P(0); 步骤一 : 初始化设置进化代数计算器 t 0 ; 设置最大进化代数 T; 随机生成 M 个个体作为初始群体步骤二 : 个体评价计算群体 P(t) 中各个个体的适应度 ; 步骤三 : 选择运算将选择算子作用于群体 ; 步骤四 : 交叉运算将交叉算子作用于群体 ; 步骤五 : 变异运算将变异算子作用于群体群体 P(t) 经过选择交叉变异运算之后得到下一代群体 P(t+1); 步骤六 : 终止条件判断若 t T 则 : t t + 1, 转到步骤二, 若 t>t, 则以进化过程中所得到的具有最大适应度的个体作为最优解输出, 终止计算 [8] 遗传算法在单相逆变器最优控制策略图 1 遗传算法的运算过程示意图本文以图所示的单相全桥逆变电路为例, 对其最优开关状态进行研究电路由电容器电感器全控型开关器件 Vl-V4 和反并联二极管 VD1-VD4 组成当开关 V1,V4(VD1,VD4) 导通,V,V3(VD,VD3) 关断时, 逆变器输出电压为 u 0 =E, 电感电流 i 增大 ; 当开关 V,V3(VD,VD3) 导通,V1,V4(VD1,VD4) 关断时, 逆变器输出电压为 u 0 =-E, 电感电流 i 减小开关函数表示状态变量的形式 : 1, 开关导通 V1 V4, 关断负载输出电压为 V V 3, E x m = 0, 开关导通 V V3, 关断负载输出电压为 V1 V 4, E

遗传算法的运算过程示意图本文以图所示的单相全桥逆变电路为例, 对其最优开关状态进行研究电路由电容器电感器全控型开关器件 Vl-V4 和反并联二极管 VD1-VD4 组成当开关 V1,V4(VD1,VD4) 导通,V,V3(VD,VD3) 关断时, 逆变器输出电压为 u 0 =E, 电感电流 i 增大 ;

4 图单相全桥纯电感逆变电路根据上述理论, 把开关状态编码成 (1,0) 两种状态变量, 因而可以采用二进制对整个的开关状态进行编码如果将数字化逆变器 PWM 控制序列看成是由 N 个等间隔的不同控制状态所组成序列, 那么遗传算法所处理的染色体长度为 N, 每一时刻逆变器状态为单个基因一般来说遗传算法以个体适应度大小来确定该个体被遗传到下一代群体中的概率个体适应度越大, 该个体遗传到下一代的概率也越大 ; 反之, 该个体遗传到下一代的概率就越小基本遗传算法使用比例选择算子来确定群体中各个个体遗传到下一代群体中的数量 3 针对 THD 的适应度函数选择为了衡量逆变波形的好坏, 抑制谐波的含量, 采用了 THD 谐波总畸变率来选择适应度函数 THD 即谐波总畸变率, 谐波含量与基波分量的比值的百分数 [17-0] THD U U H = 100% () U 1 其中, U H = U, I n= n H In n= = 在纯电感单相全桥逆变电路中, 如图用分段函数描述逆变器电流输出值, 为了使计算程序简便, 以 1/4 周期为研究对象其余部分以这 1/4 周期对称得到将 t=(0,π/) 这 1/4 电气周期 n 等分, 每小段时间为 t = T / n, 即每个开关状态变量作用时间那么第 m 个时间段内输出电流函数为 : E Im( t) = Im 1 ( m t) + km ( t m t) m = 0,1,, n L 其中, 1 开关状态变量为 1 k m = 1 开关状态变量为 0 I t = Asin π ft, 评价函数为 : 参考电流波形为幅值变化的正弦函数 : f ( ) ( ) n ( f + 1) t itness ( i ) = 1/ f ( ) f ( ) F x I t I t dt f = 0 f t F itness 值越大, 表明实际输出波形与参考波形亲和度越大, 其波形畸变率越小为了简化计算程序, 本文采用面积法进行计算, 即利用目标波形和参考波形的每个时间区间的面积差总和进行比较面积差总和越小的说明其与参考波形越接近, 相应的它的 THD 值也就越小面积法在计算过程中分为两种情况, 其具体情况如下 : 图 3-1 图

其中, U H = U, I n= n H In n= = 在纯电感单相全桥逆变电路中, 如图用分段函数描述逆变器电流输出值, 为了使计算程序简便, 以 1/4 周期为研究对象其余部分以这 1/4 周期对称得到将 t=(0,π/) 这 1/4 电气周期 n 等分, 每小段时间为 t = T / n, 即每个开关状态变量作用时间那么第 m 个时间段内输出电流函数为 : E Im( t)

5 图 4-1 图 4- 图 3-1 和图 3- 是一种情况, 它们是目标波形与参考波形交叉, 计算时用相似三角形的方法解 : L1 + L Si = 0.5* * tt L1+ L 图 4-1 和图 4- 是另一种情况, 它们是目标波形全在参考波形一侧, 计算式近似用梯形面积解 : L1+ L Si = * tt 因此, 适应度函数就是 : 适应度函数越大, 表明面积差总和越小, 其波形越接近, 因此波形就越优 f = N 1 i= 1 上述过程中, 我们固定了 E,w 和 L, 实际中也是这种情况现在我们改变它们的值以求得最优的波形 di di E E = L = dt dt L 由以上公式可知 : 当 E/wL=Acos(wt) 时, 即 E/wL 能随时间变化余弦变化时, 所得到的波形能够紧密的跟随目标电流波形, 这样的谐波成分就越低但是, 对于一个逆变器,E 和 L 是固定的, 是无法改变的, 这就必然导致所得到的波形和目标电流波形不是完全相同, 必然存在谐波由此,E/(wL) 值的不同对 THD 有影响另外, 当 N 不同时, THD 也不同 4 算例仿真固定 E/wL=1 改变 N 值仿真 : 步骤一 : 利用 VC 的遗传算法工具包得到最优序列 (1) 初始化 : 设定染色体长度 N, 最大迭代次数 MaxGeneration(000), 每一代的个数 Popsize(100), 交换率为 0.5, 变异率为 0.003, 倒位率为 0.00, 设定了 E L 的值和 tt () 初始群体随机生成 : 随机产生 100 个长度为 N 的初始结构数据 (3) 计算程序 : 若 iq*sin(314*j*tt)>dianliu[j] 且 dianliu[j+1]=dianliu[j]+tt*e/l 否则 dianliu[j+1]=dianliu[j]- tt*e/l 得到一个较优解注入到初始群体中使得算法能收敛到最优解 (4) 计算函数值 : 若是染色体某位为 1, 则 dianliu[j+1]=dianliu[j]+tt*e/l 若是染色体某位为 0, 则 dianliu[j+1]=dianliu[j]-tt*e/l 计算面积差, 得到适应度函数运算 (5) 计算每个个体的适应度 : 了解每个个体的适应度即优劣性, 以便下一步骤 (6) 遗传算法选择, 交叉, 变异操作 (7) 终止条件判定 : 当迭代到 000 代时, 以进化过程中所得到的具有最大适应度个体为最优解输出, 终止 S i

di E E = L = dt dt L 由以上公式可知 : 当 E/wL=Acos(wt) 时, 即 E/wL 能随时间变化余弦变化时, 所得到的波形能够紧密的跟随目标电流波形, 这样的谐波成分就越低但是, 对于一个逆变器,E 和 L 是固定的, 是无法改变的, 这就必然导致所得到的波形和目标电流波形不是完全相同, 必然存在谐波由此,E/(wL) 值的不同对 THD 有影响另外, 当

6 由以上步骤可得到逆变器 1/4 个周期的最优控制序列, 再由 VC 将此 1/4 周期的序列对称变换为全周期的最优序列步骤二 : 利用 Matlab 中的 simulink 工具包对最有序列进行仿真将 VC 输出的最优序列输入 Matlab 的仿真程序中, 然后 Matlab 将输出逆变的最优波形以及波形的 THD 值步骤三 : 改变 N 的值使得 N=50, 重复上述步骤图 5 就是 E/wL=1 时,N=100 时遗传算法最有序列仿真波形及结果 : 图 5 遗传算法 THD=1.17% 图 6 定时比较 THD=.6%

Matlab 将输出逆变的最优波形以及波形的 THD 值步骤三 : 改变 N 的值使得 N=50, 重复上述步骤图 5 就是

7 图 7 滞环比较 THD=1.57% 从以上三个图和数据可以看出, 在同样情况下, 即把一个周期分成 400 个区间, 定时比较控制方法得到的波形在这三种方法中效果最差, 而遗传算法控制方法在这三种方法种效果最优由此可以体现了遗传算法的优越性在三个波形中都可以看到在波峰和波谷区域附近尖刺最集中, 这时由于采用了 1/4 周期作为计算时, 节省了计算, 但也不可避免的遗漏了或重复了波峰波谷的点这时需要改进的地方 5 结语遗传算法应用于逆变器中是一个内涵丰富且较新颖的课题, 随着大量分布式发电的普及使用, 以及特高压的高速发展, 电网中必然存在着大量的整流和逆变技术为了提高电网中电能质量, 减少电网中的谐波, 使波形达到最优, 就必须要一种新型的逆变控制方法产生, 遗传算法就是这种必然的新生产物本文简单的介绍了逆变器的控制方法和遗传算法控制的基本原理, 并把遗传算法应用到了逆变器的控制领域, 使之产生的序列来控制逆变器的开关状态并通过 Matlab 仿真检验其原理的正确性, 而且还把滞环比较和定时比较两种控制方法作为参照, 研究表明, 遗传算法应用于逆变领域有着良好的前景, 遗传算法对自动控制信号领域有着天生的优越性因此, 随着遗传算法在逆变领域研究的深入, 遗传算法将在以后的逆变控制方向发挥巨大的作用参考文献 [1] 王兆安, 黄俊. 电力电子技术 [M]. 北京 : 机械工业出版社, [] 张文修, 梁怡. 遗传算法的数学基础 [M]. 西安 : 西安交通大学出版社, [3] 玄光男, 程润伟. 遗传算法与工程设计 [M]. 北京 : 科学出版社, [4] Holland J H. Genetic algorithms and classifier system: foundations and their applications. Proceeding of the Second International conference on Genetic Algorithms, 1987: [5] De Jong K A. An Analysis of the Behavior of a loss of Genetic Adaptive Systems. Ph.D Dissertation, University of Michigan, No , [6] Goldberg D E. Genetic Algorithms in Search, Optimization and Machine Learning, Addison-Wesley, [7] 袁佳歆. 基于免疫遗传算法的逆变器 PWM 最优控制研究 [D]. 武汉 : 武汉大学, [8] 袁佳歆, 陈柏超, 田翠华, 等. 基于免疫遗传算法的逆变器控制 [J]. 中国电机工程学报, 006, 6(5): [9] 陈道炼. DC-AC 逆变技术及其应用 [M]. 北京 : 机械工业出版社, [10] 李爱文, 张承慧. 现代逆变技术及其应用 [M]. 北京 : 科学出版社, [11] 袁佳歆, 陈柏超, 贾嘉斌. 基于遗传算法的逆变器控制规律 [J]. 电力系统自动化, 004, 8(4):

遗传算法应用于逆变器中是一个内涵丰富且较新颖的课题, 随着大量分布式发电的普及使用, 以及特高压的高速发展, 电网中必然存在着大量的整流和逆变技术为了提高电网中电能质量, 减少电网中的谐波, 使波形达到最优, 就必须要一种新型的逆变控制方法产生, 遗传算法就是这种必然的新生产物本文简单的介绍了逆变器的控制方法和遗传算法控制的基本原理, 并把遗传算法应用到了逆变器的控制领域,

8 [1] 徐志刚, 陈柏超, 袁佳歆. 基于遗传算法的三相逆变器最优控制研究 [J]. 现代电力, 007, 4(): [13] 郝江涛, 刘念, 幸晋渝, 等. 电力系统中间谐波的来源及危害 [J]. 四川电力技术, 005, 5-8. [14] 陈慈萱. 电气工程基础 ( 上 )[M]. 北京 : 中国电力出版社, [15] 袁佳歆. 基于免疫遗传算法的定频三电平逆变器最优控制的控制 [J]. 电工技术学报, 006, 006(03): [16] Chen LH, Peng F Z. Dead-time elimination for voltage source inverters[j]. IEEE Transactions on Power Electronics, 008, 3(): [17] 张瑾, 齐铂金, 张少如. 三相 DC/AC 变换器死区效应分析与精确补偿 [J]. 北京航空航天大学学报, 009.1, 35(1): [18] Murai Y, Watanabe T, Iwasaki H. Waveform distortion and correction circuit for PWM inverters with switching lag-times[j]. IEEE Transactions on Industrial Applications, 1987, 3(5): [19] 张敏, 刘孙贤. 基于 DSP 的静止无功发生器的控制器 [J]. 电气应用, 005, 4(9): [0] 章云, 谢莉萍, 熊红艳. DSP 控制器及其应用 [M]. 北京 : 机械工业出版社, 作者简介汤闰 (1987-), 男, 汉族, 学士学位, 助理工程师, 研究方向为电力系统运行与控制, diyige @163.com

[17] 张瑾, 齐铂金, 张少如. 三相 DC/AC 变换器死区效应分析与精确补偿 [J]. 北京航空航天大学学报, 009.1, 35(1): 1477-148. [18] Murai Y, Watanabe T, Iwasaki H.

第 5 卷第 9 期 3 9 年月电力电容器与无功补偿 &+ 1 ) + ; & ).& &+ 1 & / ) 5 93 & 9 67893: + 99: 单相谐波补偿电流对直流侧电压和电流纹波的影响分析!"#$%&'!"#$%&' '& ( ')&+,& '(-./01 &

第 5 卷第 9 期 3 9 年月电力电容器与无功补偿 &+ 1 ) + ; & ).& &+ 1 & / ) 5 93 & 9 *67893: + 99: 单相谐波补偿电流对直流侧电压和电流纹波的影响分析!#$%&'!#$%&' '& ( ')*&+,& '(-./01 & 第 5 卷第 9 期 3 9 年月电力电容器与无功补偿 &+ 1)+ ; &).& &+ 1&/) 593 & 9 *67893:+99: 单相谐波补偿电流对直流侧电压和电流纹波的影响分析!#$%&'!#$%&''&(')*&+,& '(-./01&+ -2 3456-78&9:;'& &'