基于GSA和SVM算法的Z源逆变器驱动控制
王金玉 孟令琪 刘明
(1.东北石油大学电气信息工程学院 大庆163318; 2.中国石油天然气股份有限公司管道秦皇岛输油气分公司 066000)
摘要:根据引力搜索算法(GSA)和支持向量机(SVM)的结合来控制Z源逆变器,用于提高IM驱动系统的稳定性和性能从而提高感应电机的性能,且降低了总谐波失真(THD),消除了定子电流、转矩和转速的振荡周期。在Matlab/Simulink平台上实现了基于该算法的z源逆变器驱动系统,仿真结果证明了所提方法的可行性。
关键词:引力搜索算法;支持向量机;Z源逆变器;IM;
中图分类号:TM741 文献标识码:A 国家标准学科分类与代码:470.4024
Z-source inverter drive control based on GSA and SVM algorithm
Wang Jinyu Meng Lingqi
(1.School of Electrical Engineering and Information, Northeast Petroleum University. Daqing 163318,China;
2. Pipeline qinhuangdao oil and gas branch of petrochina co., LTD.066000,China)
Abstract: According to the gravitational search algorithm (GSA) and the combination of support vector machine (SVM) to control the Z-source inverter, which used to improve the stability and performance of IM drive system in order to improve the performance of induction motor, and reduce the total harmonic distortion (THD), eliminates the stator current, torque and rotational speed oscillation period. On the Matlab/Simulink platform, the z-source inverter drive system based on this algorithm is implemented, and the simulation results prove the feasibility of the proposed method.
Keywords: gravitational search algorithm; support vector machine; Z-source inverter; IM
1、 引言
传统感应电机驱动系统采用电压源逆变器(VSI)或电流源逆变器(CSI) 作为功率变换单元。[1]输出电压小于传统VSI的输入直流电压。[2]此外,在类似的桥上发射晶闸管是有限的,因为它短路了直流电源。[3]传统的电压源型变频调速系统中为降压型逆变器,输出电压低于电网电压,这对许多要求系统过载运行的场合很不利且系统本身不具备穿越电网电压跌落的能力,[4]通常增加一级Boost电路升压来承受电网电压跌落,但这样又提高了系统复杂度,增加了系统成本和体积。[5]Z源逆变器克服了常规VSI和CSI的不足,可以用来控制上述问题。[6]
2 系统分析
2.1、Z源逆变器控制方案
该算法的主要目标是提高基于Z源逆变器脉冲控制的IM驱动系统的稳定性和性能。为了控制Z源逆变器,本文介绍了PWM控制方案:降低开关损耗和识别优化的谐波表示。图1表示了所提方法中的控制方案。在这里,直流电源(vd)被实现为z源逆变器,将直流电压转换成所需的三相交流电压。该逆变器的结果用于IM操作。[7]该控制方案的输入参数来自IM速度(Wm)和IM的输入三相电流()。为了优化PI控制器的增益参数,利用实际IM速度(
)和参考速度(
)等输入参数,利用引力搜索算法(GSA)技术,对PI控制器的输出为参考正交轴电流(
);参考交轴电流(
)和实际交轴电流(
)更倾向于训练RNN。参考三相电流(
)是由RNN开发的。最后,通过实际和参考三相电流来开发控制脉冲。这些控制脉冲被用来操作绝缘栅双极晶体管逆变器。所提出的控制方法用于控制IGBT逆变器开关。本文提出的方法包含两种算法。基于GSA的增益优化和支持向量机(SVM)控制脉冲产生。
图1 算法控制流程框图
2.2 利用GSA获得PI控制器的参数优化
GSA旨在解决优化问题。基于人口的启发式算法是基于重力和质量相互作用的规律。[8]该算法由搜索器组成,通过引力相互作用。这些粒子被认为是对象,它们的性能是由它们的质量来衡量的。[9]重力导致了一种全球运动,所有物体都向其他物体移动,物体质量更大。[10]利用该算法对较重的质量进行了缓慢的运动,并给出了较好的解决方案。质量的位置表示问题的解,在这里,重力和惯性质量是由一个适应度函数决定的。该算法通过调整重力和惯性质量来导航,而每个质量给出一个单独的解决方案。每个质量都被最重的质量所吸引。因此,最重的质量是搜索空间中最优解。
本文利用GSA对IM的误差速度进行优化,使其最小化。为实现最小误差,最优地预测了PI控制器的比例()和积分(
)增益参数。在优化参数的基础上,对PI调优进行了准确的分析,并给出了参考交轴电流。GSA的详细过程描述如下。
过程1 随机初始化
随机初始化N个粒子的位置。在本文中,随机生成比例()和积分(
)增益参数的增益参数。
(1)
其中表示第i个粒子在第d维上的位置,而n是空间维度。
过程2 适应性进化和最佳适应度计算
为了最小化或最大化问题,通过评估迭代中所有代理的最佳和最差的适合性来执行适应性进化。
(2)
其中和
分别为比例和积分增益参数。
过程3、更新引力常数(G)
重力常数G由以下方程计算:
(3)
在开始时初始化和
,它们将随着时间的推移而减少,以控制搜索的准确性。T是系统迭代的次数。
过程4、大量粒子的计算
每个粒子的重力和惯性质量在迭代t中计算如下:
(4)
(5)
代表在t时刻第i个粒子的适应值的大小,
是第i粒子的惯性质量
过程5、计算加速度和惯性质量
根据牛顿第二定理,粒子i在第d维上t时刻的加速度计算为
(6)
作用于第i个粒子上的总的作用力计算为
(7)
其中Kbest 是一组质量比较大的粒子的数量,是一个随着时间增加而减少的线性函数,最后只有一个惯性质量最大的粒子作用其他的粒子。
(8)
其中是在第t时刻定义第j个粒子作用在第i个粒子上的引力大小。Rij(t)是第i个粒子和第j个粒子之间的欧氏得距离,G(t)是在t时刻的引力常数,而
是一个很小的常量。
过程6、更新粒子的速度和位置
在下一次迭代(t+1)中,粒子的速度和位置由下列方程计算:
(9)
(10)
过程7、返回到2循环迭代,直到达到循环次数或要求精度为止。
过程8、结束循环,输出结果。
首先随机初始化粒子的位置和速度,再计算各个粒子的适应度函数,以此计算粒子的惯性质量,求出惯性质量的最好值和最坏值。其次计算每个粒子在每一维上的引力,以求得引力加速度。最后更新粒子的位置和速度,以此循环,直到得到最后结果。
一旦上述过程完成,GSA给出了最佳增益参数,并将其应用到PI控制器中。PI控制器的输出为交轴电流(),控制器输出应用于SVM的输入。SVM可以通过参考和实际参考正交电流等输入来预测参考三相电流(
)。
2.3 SVM产生控制脉冲
SVM是一组相关的监督学习方法,用于分类和回归过程。它们属于一类广义线性分类器。在另一个术语中,支持向量机是一种从统计学习理论中产生的用于最大化预测精度的,而自动避免对数据的过度拟合的一种算法。SVM是在高维特征空间中利用线性函数的假设空间的一种系统,它将通过一种从统计学习理论中得到的学习偏差的优化理论来训练。[8]与复杂的神经网络相比,SVM在手写识别任务中更加精确。本文利用SVM对三相电流()的参考和实际参考正交电流进行了预测。输入层由参考正交轴电流(
)和实际交轴电流(
)组成。输出目标层包括三相参考电流(
)。将分配给SVM的输入作为
给定,然后输入数据D
(11)
其中是输入向量,
是类标签。
步骤1 逆变器的参数分别由参考交轴电流和实际交轴电流两部分组成。这些是从分离的目标类中选择的两个类。
步骤2 选择在公式12中给出的单独的目标类的决策函数。
(12)
W是m和n之间的超平面的法线,是m和n的偏移值,
是
和
之间的标量积,K(a,b)是核函数,
是非负拉格朗日乘子。
步骤3 代替核函数; K(a,b)值根据这个函数进行控制。核函数为线性、高斯、多项式和正切双曲。然后,将适当的函数应用于公式(11),其核函数描述如下:
线性核函数
(13)
高斯核函数
(14)
多项式核函数
(15)
切双曲核函数
(16)
其中是标准差p是多项式
步骤4 根据决策函数的符号函数对信号进行分类,用于设置阈值决策。符号函数说明如下:
(17)
对类决策函数进行了总结。的类决策函数为
(18)
其中o是类分类,的类决策函数是确定的。最后检查了
条件。
第5步 为了评估公式(19)所估计的训练误差,测试误差由公式(20)确定如下:
(19)
(20)
这个过程一直持续到训练和测试的缺陷被显著降低。SVM约束的选择完全取决于支持向量机的精度,它是实现选择合适值的最优性能的标志。一旦过程完成,支持向量机就准备好给参考三相电流。最后,将SVM输出转换为适当的控制脉冲。
3、仿真实验
本文利用GSA和SVM来控制系统的z源逆变器。该方法是在MATLAB/Simulink的工作平台上实现的。利用GSA控制z源逆变器的速度,并借助于电机的实际和参考转速。SVM用于预测VSI的控制脉冲。在上述过程的基础上,通过所提出的方法和现有的方法来生成控制信号。对该方法进行了测试,并对其性能进行了说明。系统的实现参数如表1所示。
表1 实现参数
类型 |
值 |
N |
20 |
最大迭代 |
100 |
维 |
1 |
|
20 |
引力常数 |
100 |
然后用所提方法对三相IM定子电流进行了评估。它清楚地表明瞬态周期很短,即,定子电流中的振荡消失。在转子转速的变化过程中,对升压输入下的电压和定子电流进行了分析,如图2所示。振荡时间后,定子电流在模拟时间结束时作出恒定响应。从图中我们可以看出,过射周期在0到0.5之间是受限的,所以不影响系统的性能。该技术的转矩、通量、定子id和iq电流分别如图3和4所示。
图2 转子速度和电压的性能分析
图3 转矩和通量的性能分析
图4 粒子id电流和iq电流的性能分析
在定子电流中使用不同技术的THD的数量是明确指定的。提出的方法定子电流为8.49%,因为定子电流包含了很长的振荡周期。基于上述考虑,利用驱动系统获得的速度响应和定子电流分析了所提方法的性能。通过评价,确定了该方法的有效性。根据Z源IM驱动系统的总体性能,对其有效性进行了评价。利用该控制器,与其他控制器相比,Z源IM驱动系统在较低的误差下实现了更好的速度响应。从以上的分析,GSA和SVM控制器的速度控制性能优于其他控制器。
4、结论
本文提出了一种基于GSA和SVM控制器的混合算法,以实现对Z源逆变器驱动系统的最优速度控制。根据GSA的增益优化和支持向量机(SVM)控制脉冲产生得出仿真结果表明,该方法成功地降低了定子电流的8.50%,消除了电机转矩和转速响应中的振荡,验证了其有效性。
参考文献
[1]蔡春伟,曲延滨,盛况.增强型Z源逆变器[J].中国电机工程学报,2011,31(S1):259-266.
[2]汤雨,谢少军,张超华.改进型Z源逆变器[J].中国电机工程学报,2009,29(30):28-34.
[3]苏宏升,林宏健,车玉龙.多种Z源逆变器的性能对比与应用背景分析[J].控制工程,2017,24(01):188-196.
[4]薛阳,阚东跃,时宇飞,郑蓉,郑梦秋,张明超.基于Z源逆变器的改进空间矢量脉宽调制算法研究[J].电机与控制应用,2016,43(09):14-19.
[5]李红新,周林,郭珂,战祥真,雷建.Z源逆变器最新进展及应用研究[J].电源技术,2013,37(03):504-508.
[6]何祥龙,赵莉华,牛中伟,傅伟.基于LCL滤波的三相并网Z源逆变器研究[J].电测与仪表,2015,52(06):55-60.
[7]R. K. Khadanga and J. K. Satapathy, A new hybrid GA–GSA algorithm for tuning damping controller parameters for a unified power flow controller, Int. J. Electr. Power Energy Syst. 73 (2015) 1060–1069.
[8]S. R. Inkollu and V. R. Kota, Optimal setting of FACTS devices for voltage stability improvement using PSO adaptive GSA hybrid algorithm, Int. J. Eng. Sci. Technol. 19(2016) 1166–1176.
[9]刘金明,谢秋菊,王雪,马铁民.基于GSA-SVM的畜禽舍废气监测缺失数据恢复方法[J].东北农业大学学报,2015,46(05):95-101.
[10]徐遥,王士同.引力搜索算法的改进[J].计算机工程与应用,2011,47(35):188-192.