[发明专利]一种基于蚁群模拟退火算法的MMC的PI参数优化方法

说明书

本发明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。

技术领域

本发明系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。

背景技术

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。

发明内容

为了解决背景技术所述的上述问题，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，本发明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。

本发明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，本发明包括以下步骤：

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K_p和积分K_i。

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。