基于改进粒子群算法的逆变器谐波优化的研究

发布时间：2017-09-04 05:06

  本文关键词：基于改进粒子群算法的逆变器谐波优化的研究

  更多相关文章： PWM调制 SHEPWM非线性超越方程组 智能算法 改进粒子群算法

【摘要】：进入二十一世纪以来,电力电子,微电子以及工业控制领域相关技术的不断突破,使PWM调制技术在各种电力电子逆变装置中得到越来越广泛的应用。随着非线性器件的发展,谐波危害也越发严重。逆变器就是一种谐波源。本文深入研究牛顿迭代法,遗传算法,尤其是改进粒子群算法在特定谐波消除技术中的应用。逆变器SPWM, SVPWM等传统的控制方式虽然在逆变装置得到广泛的应用,但是依然存在直流电压利用率低和开关管功耗大的限制。本文打破传统的PWM控制方式,依据改进粒子群算法研究特定谐波消除脉宽调制技术。首先本文对课题的研究背景进行探讨,分析了谐波产生的原因和可能造成的危害,然后介绍抑制谐波技术的现状。然后对单相逆变电路和几种常用的控制技术进行了分析和研究。在介绍SPWM和SVPWM两种控制方式理论的基础上,分析两种控制方式的应用场合和优缺,由此引出本文研究的SHEPWM控制技术。简要概述SHEPWM技术,依据周期信号傅里叶级数展开知识建立电压型逆变器输出相电压的数学模型。相电压的傅里叶级数展开式是建立SHEPWM方程组和分析谐波分布规律的有效依据。SHEPWM方程组是非线性超越方程组,涉及到逆变器输出相电压的基波和各次谐波与开关角关系,求解方程组就是求解开关角。介绍了牛顿迭代法和遗传算法的基本理论和计算SHEPWM方程组步骤。牛顿迭代法的求解过程依赖初始值的选取,遗传算法虽然不再严格依赖初值的选取,但是该算法也容易陷入局部最优。越来越多的群智能算法应用到SHEPWM方程组的求解中。粒子群算法是一种智能算法,该算法求解步骤简单,易于理解,求解过程不依赖初值的选取。通过对粒子群算法惯性权重,收缩因子等参数的合理改进,避免SHEPWM非线性超越方程组早熟收敛。依据牛顿迭代法,遗传算法和改进的粒子群算法,应用MATLAB对四分之一周期5个开关角的SHEPWM方程组计算。结果显示改进粒子群算法在迭代次数和谐波畸变率等参数的比较中更有优势,验证了改进粒子群算法对相电压输出波形谐波优化的有效性。最后,本文基于MATLAB/Simulink建立单相逆变器的仿真平台,利用改进粒子群算法求出的数据进行实验,结果验证了该算法的可行性。
【关键词】：PWM调制 SHEPWM非线性超越方程组 智能算法 改进粒子群算法
【学位授予单位】：昆明理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TM464;TP18
【目录】：

• 摘要5-6
• ABSTRACT6-13
• 第一章 绪论13-17
• 1.1 论文研究背景13
• 1.2 谐波的危害13-14
• 1.3 PWM谐波抑制技术的发展现状14-15
• 1.4 论文主要内容15-17
• 第二章 逆变器拓扑结构和控制技术17-25
• 2.1 逆变器的拓扑结构17-18
• 2.2 SPWM控制技术18-22
• 2.2.1 SPWM调制原理18
• 2.2.2 SPWM调制方法18-20
• 2.2.3 单极性调制和双极性调制20-22
• 2.3 SVPWM控制技术22-24
• 2.3.1 SVPWM的调制原理22-23
• 2.3.2 期望电压矢量的合成23-24
• 2.4 本章小结24-25
• 第三章 SHEPWM非线性方程组的建立及算法研究25-33
• 3.1 SHEPWM技术25-26
• 3.2 建立SHEPWM非线性方程组26-29
• 3.2.1 单极性PWM调制方式及其波形傅里叶分析26-27
• 3.2.2 双极性PWM调制方式及其波形傅里叶分析27-29
• 3.3 牛顿迭代法29-30
• 3.4 遗传算法30-32
• 3.5 本章小结32-33
• 第四章 基于改进粒子群算法的SHEPWM方程组求解33-41
• 4.1 粒子群算法的基本原理33-36
• 4.2 粒子群算法的两种模型36-37
• 4.3 改进粒子群算法37-38
• 4.3.1 引入惯性权重37
• 4.3.2 引入收缩因子37-38
• 4.4 基于粒子群优化的SHEPWM方程组求解38-39
• 4.4.1 SHEPWM方程组及目标函数38
• 4.4.2 计算步骤38-39
• 4.5 本章小结39-41
• 第五章 基于MATLAB的仿真分析41-59
• 5.1 基于牛顿迭代法的仿真分析41-44
• 5.2 基于遗传算法的仿真分析44-49
• 5.3 基于改进粒子群算法的仿真分析49-54
• 5.3.1 单极性SHEPWM仿真分析50-52
• 5.3.2 双极性SHEPWM仿真分析52-54
• 5.4 基于MATLAB的单相逆变器仿真分析54-57
• 5.4.1 单相全桥逆变电路的仿真模型54
• 5.4.2 Simulink的单极性实验分析54-56
• 5.4.3 Simulink的双极性实验分析56-57
• 5.5 本章小结57-59
• 第六章 总结和展望59-61
• 6.1 本文总结59
• 6.2 研究内容的展望59-61
• 致谢61-63
• 参考文献63-67
• 附录A 攻读硕士学位期间学术成果67

【相似文献】

中国期刊全文数据库 前10条

1 全芙蓉;;粒子群算法的理论分析与研究[J];硅谷;2010年23期

2 吴军;李为吉;;改进的粒子群算法及在结构优化中的应用[J];陕西理工学院学报(自然科学版);2006年04期

3 段海涛;刘永忠;冯霄;;水系统优化的粒子群算法分析[J];华北电力大学学报(自然科学版);2007年02期

4 王伟;;混合粒子群算法及其优化效率评价[J];中国水运(学术版);2007年06期

5 付宜利;封海波;孙建勋;李荣;马玉林;;机电产品管路自动敷设的粒子群算法[J];机械工程学报;2007年11期

6 蒋荣华;王厚军;龙兵;;基于离散粒子群算法的测试选择[J];电子测量与仪器学报;2008年02期

7 周苗;陈义保;刘加光;;一种新的协同多目标粒子群算法[J];山东理工大学学报(自然科学版);2008年05期

8 姚峰;杨卫东;张明;;改进粒子群算法及其在热连轧负荷分配中的应用[J];北京科技大学学报;2009年08期

9 张大兴;贾建援;张爱梅;郭永献;;基于粒子群算法的三轴跟瞄装置跟踪策略研究[J];仪器仪表学报;2009年09期

10 王丽萍;江波;邱飞岳;;基于决策偏好的多目标粒子群算法及其应用[J];计算机集成制造系统;2010年01期

中国重要会议论文全文数据库 前10条

1 朱童;李小凡;鲁明文;;位置加权的改进粒子群算法[A];中国科学院地质与地球物理研究所第11届（2011年度）学术年会论文集(上)[C];2012年

2 陈定;何炳发;;一种新的二进制粒子群算法在稀疏阵列综合中的应用[A];2009年全国天线年会论文集（上）[C];2009年

3 陈龙祥;蔡国平;;基于粒子群算法的时滞动力学系统的时滞辨识[A];第十二届全国非线性振动暨第九届全国非线性动力学和运动稳定性学术会议论文集[C];2009年

4 于颖;李永生;於孝春;;新型离散粒子群算法在波纹管优化设计中的应用[A];第十一届全国膨胀节学术会议膨胀节设计、制造和应用技术论文选集[C];2010年

5 刘卓倩;顾幸生;;一种基于信息熵的改进粒子群算法[A];系统仿真技术及其应用（第7卷）——'2005系统仿真技术及其应用学术交流会论文选编[C];2005年

6 熊伟丽;徐保国;;粒子群算法在支持向量机参数选择优化中的应用研究[A];2007中国控制与决策学术年会论文集[C];2007年

7 方卫华;徐兰玉;陈允平;;改进粒子群算法在大坝力学参数分区反演中的应用[A];2012年中国水力发电工程学会大坝安全监测专委会年会暨学术交流会论文集[C];2012年

8 熊伟丽;徐保国;;单个粒子收敛中心随机摄动的粒子群算法[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

9 马向阳;陈琦;;以粒子群算法求解买卖双方存货主从对策[A];第十二届中国管理科学学术年会论文集[C];2010年

10 赵磊;;基于粒子群算法求解多目标函数优化问题[A];第二十一届中国（天津）’2007IT、网络、信息技术、电子、仪器仪表创新学术会议论文集[C];2007年

中国博士学位论文全文数据库 前10条

1 王芳;粒子群算法的研究[D];西南大学;2006年

2 安镇宙;家庭粒子群算法及其奇偶性与收敛性分析[D];云南大学;2012年

3 刘建华;粒子群算法的基本理论及其改进研究[D];中南大学;2009年

4 黄平;粒子群算法改进及其在电力系统的应用[D];华南理工大学;2012年

5 胡成玉;面向动态环境的粒子群算法研究[D];华中科技大学;2010年

6 张静;基于混合离散粒子群算法的柔性作业车间调度问题研究[D];浙江工业大学;2014年

7 张宝;粒子群算法及其在卫星舱布局中的应用研究[D];大连理工大学;2007年

8 刘宏达;粒子群算法的研究及其在船舶工程中的应用[D];哈尔滨工程大学;2008年

9 杨轻云;约束满足问题与调度问题中离散粒子群算法研究[D];吉林大学;2006年

10 冯琳;改进多目标粒子群算法的研究及其在电弧炉供电曲线优化中的应用[D];东北大学;2013年

中国硕士学位论文全文数据库 前10条

1 张忠伟;结构优化中粒子群算法的研究与应用[D];大连理工大学;2009年

2 李强;基于改进粒子群算法的艾萨炉配料优化[D];昆明理工大学;2015年

3 付晓艳;基于粒子群算法的自调节隶属函数模糊控制器设计[D];河北联合大学;2014年

4 余汉森;粒子群算法的自适应变异研究[D];南京信息工程大学;2015年

5 梁计锋;基于改进粒子群算法的交通控制算法研究[D];长安大学;2015年

6 杨伟;基于粒子群算法的氧乐果合成过程建模研究[D];郑州大学;2015年

7 李程;基于粒子群算法的AS/RS优化调度方法研究[D];陕西科技大学;2015年

8 樊伟健;基于混合混沌粒子群算法求解变循环发动机数学模型问题[D];山东大学;2015年

9 陈百霞;考虑风电场并网的电力系统无功优化[D];山东大学;2015年

10 戴玉倩;基于混合动态粒子群算法的软件测试数据自动生成研究[D];江西理工大学;2015年

，

本文编号：789492