一种基于改进BBO算法的SVC次同步阻尼控制器设计方法

摘要

本发明公开了一种基于改进BBO算法的SVC次同步阻尼控制器设计方法。通过引入余弦迁移模型、早熟判断机制、变尺度混沌变异策略以及排重操作的改进生物地理学优化算法（improvedbiogeography-basedoptimizationalgorithm，IBBO），并基于该算法结合静止无功补偿器（staticvarcompensator，SVC）抑制次同步振荡（subsynchronousoscillation，SSO）的机理，对次同步阻尼控制器进行优化设计。经本方法设计的SVC次同步阻尼控制器能较好地提高机组扭振的模态阻尼，可有效抑制SSO，进而保证机组和电网的安全稳定运行。

主权项

1.一种基于改进BBO算法的SVC次同步阻尼控制器设计方法，其特征在于：包含下列步骤；步骤1、将次同步阻尼控制器的设计问题转化为非线性约束优化问题；$\left\{\begin{array}{c}\max f=\frac{1}{n}\times \left|\right|R|{|}_1\\ s·t·R={({\eta }_1,{\eta }_2,···,{\eta }_i,···,{\eta }_n)}^T\\ i=\mathrm{1,2},···,n\\ \left|\right|R|{|}_1=\underset{i=1}{\overset{n}{\Sigma }}{\eta }_i\\ {\eta }_i>0\\ \left|G_i\right|\le G_{\mathrm{mk}}\\ \begin{array}{cc}0\le T_{\mathrm{ai}}\le T_{\mathrm{mk}}& 0\le T_{\mathrm{bi}}\le T_{\mathrm{mk}}\end{array}\end{array}\right.$式中，n表示次同步模态数目；η_i为第i个模态的最差阻尼值；f为评价SVC-SSDC控制效果的性能函数；||R||₁为向量R的1范数；G_mk为增益G_k绝对值的上限；T_mk为时间常数T_k的上限值；G_i、T_ai、T_bi是次同步阻尼控制器的控制参数，G_i为增益，T_ai和T_bi为时间常数；步骤2、初始化次同步阻尼控制器的控制参数G_i、T_ai、T_bi，将各模态的参数G_i、T_ai和T_bi作为每个栖息地的适宜度向量，在G_i、T_ai和T_bi的搜索范围内随机生成满足约束条件的初始种群W；步骤3、计算栖息地适宜度指数，即评价SVC-SSDC控制效果的性能函数f并排序，保存个体最优解f_best，判断其是否满足结束条件，若满足，则输出控制参数，程序结束；否则，继续步骤3；步骤4、建立余弦迁移模型，计算栖息地的物种数量S、迁入率λ(S)及迁出率μ(S)；$\lambda \left(S\right)=\frac{I}{2}(\cos \left(\frac{\mathrm{S\pi }}{S_m}\right)+1)$$\mu \left(S\right)=\frac{E}{2}(-\cos \left(\frac{\mathrm{S\pi }}{S_m}\right)+1)$其中，I为迁入率λ（S)的最大值，S_m为物种的迁入率为0时的物种数量，E为迁出率的最大值；步骤5、迁移操作，形成新的种群W₁，重新计算栖息地的适宜度指数，更新最优解f_best1；步骤6、计算种群的平均适宜度方差σ²，根据早熟判断机制判断是否陷入局部最优，若是则继续步骤7；否则转到步骤8；${\sigma }^2=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{\left(\frac{f_i-f_{\mathrm{Avg}}}{\tilde{f}}\right)}^2$式中，f_Avg为种群目前的平均适宜度，为归一化定标因子，f_Avg和的表达式分别为：$f_{\mathrm{Avg}}=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{f}_i$$\tilde{f}=\left\{\begin{array}{c}\max \left\{\right|f_i-f_{\mathrm{Avg}}\left|\right\},\max \left\{\right|f_i-f_{\mathrm{Avg}}\left|\right\}>1\\ 1,\mathrm{others}\end{array}\right.$其中，N为种群的个体数，f_i为第i个栖息地的适宜度；步骤7、计算变异率M（S），进行变尺度混沌局部优化的变异操作；M（S）＝M_max(1-P_s/P_m)式中，M_max为最大突变率，P_s为栖息地具有物种数量为S的概率，P_m为P_s的最大值，其中，将λ(S)和μ(S)分别简化计为λ_s、μ_s，P_s定义如下：$P_s=\left\{\begin{array}{cc}-({\lambda }_s+{\mu }_s)\times P_s+{\mu }_{s+1}{P}_{s+1}& S=0\\ -({\lambda }_s+{\mu }_s)\times P_s+{\lambda }_{s-1}{P}_{s-1}+{\mu }_{s+1}{P}_{s+1}& 1\le S\le S_m-1\\ -({\lambda }_S+{\mu }_S)\times P_S+{\lambda }_{s-1}{P}_s-1& S=S_m\end{array}\right.;$步骤8、执行排重操作，当适宜度向量X_i＝X_j，对向量X_j进行变异操作以得到新的适宜度向量X_k，并用X_k代替X_j，更新种群的最优解f_best2；步骤9、判断是否满足最大迭代次数，若满足，则输出控制参数，程序结束；否则，转到步骤2。