欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2020110163284
申请人: 广西大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2023-12-11
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法,其特征在于,该方法提出编码方法和优化方法,即基于量子位概率幅的种群编码方法和迁移平行多层蒙特卡罗优化方法,同时提出双馈风机转子侧控制器比例积分微分参数的优化框架;协同的基于量子位概率幅的种群编码‑迁移平行多层蒙特卡罗优化方法作用于双馈风机转子侧控制器比例积分微分参数优化;所提优化框架的优化目标是优化双馈风机转子侧比例积分微分参数使得其体现控制器控制性能的适应度函数最小;所提优化框架的优化目标是通过优化双馈风机转子侧控制器比例积分微分参数来提高控制器的控制性能;该方法在使用过程中的步骤为:(1)提出双馈风机转子侧控制器比例积分微分参数优化框架,同时提出一个体现控制器控制性能的适应度函数:

式中,Qs和Qsref分别为输出端检测到的无功功率和某风速下无功功率的给定值;ωr和ωrref分别为转子转速的测量值和某风速下转子转速的给定值;case=1表示的是风速发生突变的风况;case=2表示的式风速随时间逐渐变换的风况;case=3指的是电网电压突然降落的情况;其限制条件为:其中,4组比例积分微分参数需要被优化,分别为kPii、kIii和kDii;T是运行时间;us为电网电压;Qs为无功功率;v1为风速;

(2)将提出的量子位概率幅的种群编码方法用于生成蒙特卡罗随机点,然后计算适应度函数值;量子位的状态表示为|ψ>=α|0>+β|1>,其中α和β都称之为量子位概率幅,且α和β

2 2 T

满足一个归一化条件α+β=1;量子位概率幅的向量表达形式为[cosθ sinθ] ;基于量子位概率幅生成的蒙特卡罗随机点的编码方案为:式中,ak和bk分别为变量xk的下限和上限;θjk=2π·r,r指的是0到1之间的蒙特卡罗随机数;其中j=1,2,…,m,m指的是种群规模的大小;其中k=1,2,…n,n指的是空间中的维T数;种群中个体的第k个量子位为[cosθjk sinθjk] ;其中 和 也称为基于量子位概率幅生成的蒙特卡罗随机点,还称为随机取得的两组比例积分微分参数;

(3)进一步执行提的迁移平行多层蒙特卡罗优化方法,其中分别包括粗略搜索层的执行、粗略搜索模型库的生成、迁移搜索层的执行和精确搜索层的执行;其中粗略搜索模型库的生成是利用粗略搜索层的样本通过迁移学习来生成的;迁移学习旨在利用有标签的源领域 的样本、特征来学习无标签目标区域 的知识;迁移平行多层蒙特卡罗优化方法中的搜索层数为M,粗略搜索层数为M1=k1·M,迁移学习搜索层为M2=k2·M,精确搜索层为M3=k3·M,其中k1+k2+k3=1;迁移平行多层蒙特卡罗优化方法中的全局搜索能力参数为u、y1和y2,局部搜索能力参数为o;

(4)将协同的基于量子位概率幅的种群编码方法‑迁移平行多层蒙特卡罗优化方法作用于双馈风机转子侧控制器比例积分微分参数优化框架中。

2.如权利要求1所述的一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法,其特征在于,所述步骤(2)中提出的基于量子位概率幅的种群编码方法用于生成蒙特卡罗随机点;基于量子位概率幅的种群编码方法在种群数量不变的情况下使得搜索空间翻倍、提高全局搜索能力。

3.如权利要求1所述的一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法,其特征在于,所述步骤(3)中提出的迁移平行多层蒙特卡罗优化方法;迁移平行多层蒙特卡罗优化方法包括粗略搜索层、粗略搜索模型库的生成阶段、迁移搜索层和精确搜索层;其粗略搜索层共分为M1层;粗略搜索层的搜索步骤如下:步骤1:在粗略搜索层的第一层中,在双馈风机转子侧控制器比例积分微分参数所定义的空间内取m个蒙特卡罗随机点,将其带入适应度函数中计算,得到对适应度值fj进行从小到大得排序,取前u个适应度函数值以及获得这u个适应度函数值的点,即 在这u个点中,除了取得适应度函数值为最小的点外在其它的点的周围分别取一个小区域;

步骤2:在这u个点中,在取得适应度函数值为次最小的点的小区域内,取m个蒙特卡罗随机点,将其带入适应度函数中计算,得到 对适应度值f'j进行从小到大得排序,取前y1个适应度函数值以及获得这y1个适应度函数值的点,即

步骤3:在这u个点中,在除了取得适应度函数值为最小和次最小的点外的其它小区域内,分别取m个蒙特卡罗随机点,将其带入适应度函数中计算,得到对每个区域的适应度值f”ij分别进行从小到大得排序,分别取前y2个适应度函数值以及获得y2这个适应度函数值的点,即步骤4:在这y1+(u‑2)·y2个点的周围分别取一个小区域,然后在这些小区域中分别取m个蒙特卡罗随机点,将其带入适应度函数中计算,得到 分别取这y1+(u‑2)·y2个区域内的最小适应度值及其获得该适应度值的点

步骤5:当步骤4的执行次数小于o次时,继续执行步骤4;否则直接比较f”'kk的大小,然后保留最小的适应度值及其获得该最小适应度值的点;获得该最小适应度值的点即为粗略搜索层第一层优化到的比例积分微分参数;

步骤6:在步骤1中的u个适应度值中,取其最小的适应度值及其获得该适应度值的点;

在这个点的周围重新定义一个小区域,这个小区域和步骤1中以利用比例积分微分参数所形成的空间相似;是通过缩小比例积分微分参数的上下限,形成一个新的小空间,这个小空间即为重新定义的小区域;重新定义小区域后,跳转至步骤1,执行步骤1~5,得到第二层优化到的比例积分微分参数;依次类推得到粗略搜索层的M1个比例积分微分参数;

在进行迁移搜索层的搜索之前,需要进行粗略搜索模型库的迁移学习;粗略搜索模型库的生成是通过粗略搜索层中一个步骤接着一个步骤的样本和一层接着一层的样本与学习系统相结合完成的;在迁移搜索层阶段,其优化步骤同粗略搜索层有着相同的优化过程;

其区别在于在取到基于量子位概率幅的蒙特卡罗随机点后,直接带入粗略搜索模型库,即输出迁移搜索层的优化结果;这个迁移搜索层削减掉数值模拟的时间,且按照粗略搜索层的搜索规律快速的给出迁移搜索层的优化结果;在精确搜索层阶段,其优化步骤如同粗略搜索层一致,不再使用粗略搜索模型库,重在局部搜索;通过迁移搜索层,获得使适应度函数尽可能小比例积分微分参数值;在迁移搜索层所获得的比例积分微分参数值的周围重新定义一个小区域,且再增加局部搜索参数o的大小,然后跳转至粗略搜索层的步骤1进行循环搜索,最后获得经精确搜索层优化后的比例积分微分参数,即在精确搜索层阶段优化到使适应度函数尽可能最小的点;迁移平行多层蒙特卡罗优化方法的目标是减少优化时间且获得工业实用的双馈风机转子侧控制器比例积分微分参数。

4.如权利要求1所述的一种量子迁移平行多层蒙特卡罗双馈风机参数优化方法,其特征在于,所述步骤(4)中协同的基于量子位概率幅的种群编码方法‑迁移平行多层蒙特卡罗优化方法作用于双馈风机转子侧控制器比例积分微分参数优化框架中;优化框架借助量子位概率幅的种群编码方式提高种群的多样性,在粗略搜索层给迁移学习提供足够历史样本点;迁移学习作用于粗略搜索中的历史样本点生成粗略搜索模型库;迁移搜索层极快地缩短优化时间且获得控制性能良好的比例积分微分参数;精确搜索层在迁移学习搜索层所获得的比例积分微分参数的周围进行精确搜索,最后优化得到工业实用的双馈风机转子侧比例积分微分参数;优化后的比例积分微分参数提高控制器的控制性能。