阅读说明：本技术 一种基于人工蜂群算法结合最小二乘法的谐波检测方法 (Harmonic detection method based on combination of artificial bee colony algorithm and least square method ) 是由 聂晓华 胡方亮 万晓凤 余运俊 王淳 于 2020-03-24 设计创作，主要内容包括：本发明公开了一种基于人工蜂群算法结合最小二乘法的谐波检测方法,涉及电力技术领域,通过引入Tent混沌映射,解决人工蜂群算法易“早熟”的问题；在此基础上对Tent混沌映射改进,解决混沌映射自身小周期和不稳周期点的问题。提出的Tent混沌改进人工蜂群算法解决了人工蜂群算法易陷入局部最优点的问题,提高了算法的求解精度和收敛速度,算法的鲁棒性良好,将改进人工蜂群算法与最小二乘法结合,用融合后的算法对谐波信号进行检测,解决了最小二乘算法对初始值敏感,检测精度不佳等问题,实现了对负载电流中谐波的快速、有效、精确和稳定的检测,对有效治理谐波,提高电能质量具有重大参考价值。(The invention discloses a harmonic detection method based on combination of an artificial bee colony algorithm and a least square method, relates to the technical field of electric power, and solves the problem that the artificial bee colony algorithm is easy to be premature by introducing Tent chaotic mapping; on the basis, Tent chaotic mapping is improved, and the problems of small cycle and unstable cycle points of chaotic mapping are solved. The Tent chaos improved artificial bee colony algorithm solves the problem that the artificial bee colony algorithm is easy to fall into a local optimum point, improves the solving precision and the convergence speed of the algorithm, is good in robustness, combines the improved artificial bee colony algorithm with a least square method, detects harmonic signals by using the fused algorithm, solves the problems that the least square algorithm is sensitive to an initial value and poor in detection precision, achieves quick, effective, accurate and stable detection of harmonic waves in load current, and has great reference value for effectively governing the harmonic waves and improving the power quality.)

一种基于人工蜂群算法结合最小二乘法的谐波检测方法

技术领域

本发明涉及电力技术领域，具体涉及一种基于人工蜂群算法结合最小二乘法的谐波检测方法。

背景技术

由于非线性负载的增多，大量的谐波注入到电网系统。电网系统谐波已经严重影响电网的电能质量，如果不对电网中的谐波进行治理，这对于用户和供电方都将造成了不小的困扰甚至经济损失。谐波治理对于以高质量电能支持经济社会发展而言有着其重要的历史地位，其治理的重要性不言而喻。为进行谐波治理，首先需要对谐波进行检测，分析谐波的成分，对谐波成分进行检测。然后，根据谐波检测结果，再针对性的给出谐波治理方案。而目前对谐波的检测的传统算法存在着对初始值敏感、频谱泄漏、栅栏效应和频率混叠等问题。

发明内容

为解决现有技术问题，本发明通过在传统最小二乘法算法谐波检测方法基础上，利用Tent混沌改进人工蜂群(CABC)算法得到混沌改进人工蜂群算法(Chaotic ImproveArtificial Bee Colony,CIABC对最小二乘法算法的初始值进行寻优，解决了传统最小二乘法算法对初始值敏感的问题，大大提高了谐波检测的精确性和实时性，降低了稳态误差。

本发明具体采用以下技术方案：

一种基于人工蜂群算法结合最小二乘法的谐波检测方法，包括以下步骤：

S1：在标准人工蜂群算法的基础上，向人工蜂群算法中引入Tent混沌映射进行算法改进，提出一种混沌人工蜂群(Chaotic Artificial Bee Colony，CABC)算法；CABC算法在整个蜂群搜索到的最优食物源基础上产生混沌序列；

S2：在此CABC算法的基础上，引入改进后的Tent混沌映射，提出一种混沌改进人工蜂群算法(Chaotic Improve Artificial Bee Colony，CIABC)；

S3：通过CIABC算法优化未知参数，以算法输出的最优值作为RLS算法的初始值，利用RLS算法进行参数估计，由最终更新权值得到谐波的幅值和相位。

进一步的方案是，所述CABC算法实现步骤如下：

步骤1：在D维空间，给定迭代次数M，给定食物源总数S，每一只雇佣蜂对应一个食物源位置，雇佣蜂和观察蜂的个数相同，雇佣蜂在其领域位置产生新位置；所有的雇佣蜂将食物源位置信息共享给观察蜂；

食物源位置更新根据进行；

式中，表示初始化第i个蜜源所处位置的第j维值；i＝1，2，……，S，j＝1，2，……，D，分别为第j维对应的蜜源位置的最小值和最大值，R为0和1之间的随机数；

步骤2：观察蜂根据食物源质量来确定选择食物源，并记录所选择的最优食物源位置和适应度值；

对所选雇佣蜂和观察蜂位置进行邻域搜索，根据进行位置更新，式中t为迭代次数，代表迭代第t+1次时，新i产生的第个食物源第j维的位置值，代表迭代第t次时，第i个食物源第j维的位置值；k为随机指定的个体，且k≠1；r为[-1，1]范围内的随机数；

计算出新食物源的适应度值并比较，以食物源质量更优秀的蜜源位置代替原食物源位置。

步骤3：观察蜂每一次尝试新位置后都经过贪婪选择，尝试成功则更新位置，尝试失败则保持原位置，如果尝试失败的次数超过了预设的limit值时，可以认为此食物源质量低于开采阈值。若食物源位置保持不变，那么观察蜂本轮搜索任务结束。对应的雇佣蜂抛弃该食物源且不再记忆其位置；雇佣蜂变为侦察蜂开始随机搜索新食物源位置；

步骤4：记录当前最优解及位置，算法迭代次数达到最大M次，则算法结束，输出最优食物源的适应度值；若未达到最大迭代次数，则判断全局最优食物源是否得到更新；若更新，则重复步骤2到步骤3；否则根据对常规变量进行映射变换，得到混沌变量，介于[0，1]之间，再通过对进行映射得到混沌变量最后通过将混沌变量变换为常规变量再重复步骤2到步骤3。

进一步的方案是，S1中所述的引入Tent混沌映射进行算法改进，具体为通过

对Tent混沌映射进行改进，克服自身小周期和不稳定周期点。

进一步的方案是，步骤2中所述的计算出新食物源的适应度值并比较，以食物源质量更优秀的蜜源位置代替原食物源位置，其具体操作规为：

设f_i是非线性优化问题的目标函数，求解最大值时，适应度函数就是目标函数；求解最小值问题时，适应度函数为目标函数的变换形式，通过计算得到；

雇佣蜂通过比较适应度值选择更优质的蜜源，观察蜂选择食物源的规则为：

式中t＝1，2，……，M；F_i(t)为迭代第t次时第i个食物源的适应度值。

进一步的方案是，S3具体操作过程为：对谐波进行估计，首先对信号采样，采样频率满足奈奎斯特准则；采样系统的等效线性模型表示为：

Y'(k)＝H(k)·A+v(k),k＝1,2...,K，其中Y(k)为第k次的含噪声的信号测量值，A＝[A₁A₂……A_N]^T为幅值向量矩阵，v(k)为第k次采样的相加噪声，H(k)为系统结构矩阵的第k行；系统的结构矩阵表示为：

谐波检测问题被简化为搜索最优的φ_n使得Y(k)与Y(k)的差值趋于一个最小值，其中Y(k)＝H(k)·A，利用CIABC算法确定不同的相位信息φ_n，结合使用RLS算法进行幅值的估计。

本发明的有益效果：

本发明通过在传统最小二乘法算法谐波检测方法基础上，利用Tent混沌改进人工蜂群(CABC)算法得到混沌改进人工蜂群算法(Chaotic Improve Artificial Bee Colony,CIABC对最小二乘法算法的初始值进行寻优，解决了传统最小二乘法算法对初始值敏感的问题，大大提高了谐波检测的精确性和实时性，降低了稳态误差。

附图说明

图1为本发明实施例一种基于人工蜂群算法结合最小二乘法的谐波检测方法的流程图；

图2为本发明实施例中混沌改进人工蜂群算法的流程图；

图3为人工蜂群算法(ABC)结合最小二乘法(RLS)的混合算法在MTALAB仿真平台上对基波信号检测的波形图；

图4为混沌人工蜂群算法(CABC)结合最小二乘法(RLS)的混合算法在MTALAB仿真平台上对基波信号检测的波形图；

图5为混沌改进人工蜂群算法(CIABC)结合最小二乘法(RLS)的混合算法在MTALAB仿真平台上对基波信号检测的波形图；

图6为人工蜂群算法(ABC)结合最小二乘法(RLS)的混合算法使用实验平台数据在MTALAB软件上对多频率谐波信号检测的波形图；

图7为混沌人工蜂群算法(CABC)结合最小二乘法(RLS)的混合算法使用实验平台数据在MTALAB软件上对多频率谐波信号检测的波形图；

图8为混沌改进人工蜂群算法(CIABC)结合最小二乘法(RLS)的混合算法使用实验平台数据在MTALAB软件上对多频率谐波信号检测的波形图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

如图1-2所示，本发明的一个实施例公开了一种基于人工蜂群算法结合最小二乘法的谐波检测方法，包括以下步骤：

S1：在标准人工蜂群算法的基础上，向人工蜂群算法中引入Tent混沌映射进行算法改进，提出一种混沌人工蜂群(Chaotic Artificial Bee Colony，CABC)算法；CABC算法在整个蜂群搜索到的最优食物源基础上产生混沌序列；利用Tent混沌映射的遍历均匀特性，提高算法寻优速度，使算法更加高效；

S2：在此CABC算法的基础上，引入改进后的Tent混沌映射，提出一种混沌改进人工蜂群算法(Chaotic Improve Artificial Bee Colony，CIABC)；当算法连续两次迭代后，雇佣蜂位置未更新即引入混沌映射，仅仅更换limit判定其它步骤均不变。

S3：通过CIABC算法优化未知参数，以算法输出的最优值作为RLS算法的初始值，利用RLS算法进行参数估计，由最终更新权值得到谐波的幅值和相位。

在本实施例中，CABC算法实现步骤如下：

步骤1：在D维空间，给定迭代次数M，给定食物源总数S，每一只雇佣蜂对应一个食物源位置，雇佣蜂和观察蜂的个数相同，雇佣蜂在其领域位置产生新位置；所有的雇佣蜂将食物源位置信息共享给观察蜂；

食物源位置更新根据进行；

式中，表示初始化第i个蜜源所处位置的第j维值；i＝1，2，……，S，j＝1，2，……，D，分别为第j维对应的蜜源位置的最小值和最大值，R为0和1之间的随机数；

步骤2：观察蜂根据食物源质量来确定选择食物源，并记录所选择的最优食物源位置和适应度值；

对所选雇佣蜂和观察蜂位置进行邻域搜索，根据进行位置更新，式中t为迭代次数，代表迭代第t+1次时，新i产生的第个食物源第j维的位置值，代表迭代第t次时，第i个食物源第j维的位置值；k为随机指定的个体，且k≠1；r为[-1，1]范围内的随机数；

计算出新食物源的适应度值并比较，以食物源质量更优秀的蜜源位置代替原食物源位置。

步骤3：观察蜂每一次尝试新位置后都经过贪婪选择，尝试成功则更新位置，尝试失败则保持原位置，如果尝试失败的次数超过了预设的limit值时，可以认为此食物源质量低于开采阈值。若食物源位置保持不变，那么观察蜂本轮搜索任务结束。对应的雇佣蜂抛弃该食物源且不再记忆其位置；雇佣蜂变为侦察蜂开始随机搜索新食物源位置；

步骤4：记录当前最优解及位置，算法迭代次数达到最大M次，则算法结束，输出最优食物源的适应度值；若未达到最大迭代次数，则判断全局最优食物源是否得到更新；若更新，则重复步骤2到步骤3；否则根据对常规变量进行映射变换，得到混沌变量，介于[0，1]之间，再通过对进行映射得到混沌变量最后通过将混沌变量变换为常规变量再重复步骤2到步骤3。

在本实施例中，Tent混沌映射自身也存在小周期和不稳周期点的问题，例如，在点(0.2,0.4,0.6,0.8)，帐篷映射产生混沌吸引子；在点(0.25,0.5,0.75)混沌映射都将迭代到不动电0[66-67]，通过

对Tent混沌映射进行改进，克服自身小周期和不稳定周期点。

Tent混沌映射又称帐篷映射，因其图像类似帐篷而得名，在数学中是指一种分段的线性映射。映射本身具有均匀的功率谱密度、概率密度和理想的相关特性，更快的迭代速度，数学表达式为：x_n+1＝a-1-a|x_n|,a∈(1,2)；

当a≤1时，Tent混映射处于稳定状态；

当a＞1时，Tent混沌映射处于混沌状态；

当a＝2时，为中心Tent映射，数学表达式为：

在本实施例中，步骤2中的计算出新食物源的适应度值并比较，以食物源质量更优秀的蜜源位置代替原食物源位置，其具体操作规为：

设f_i是非线性优化问题的目标函数，求解最大值时，适应度函数就是目标函数；求解最小值问题时，适应度函数为目标函数的变换形式，通过计算得到；

雇佣蜂通过比较适应度值选择更优质的蜜源，观察蜂选择食物源的规则为：

式中t＝1，2，……，M；F_i(t)为迭代第t次时第i个食物源的适应度值。

在本实施例中，S3具体操作过程为：对谐波进行估计，首先对信号采样，采样频率满足奈奎斯特准则；采样系统的等效线性模型表示为：

Y'(k)＝H(k)·A+v(k),k＝1,2...,K，其中Y(k)为第k次的含噪声的信号测量值，A＝[A₁A₂……A_N]^T为幅值向量矩阵，v(k)为第k次采样的相加噪声，H(k)为系统结构矩阵的第k行；系统的结构矩阵表示为：

谐波检测问题被简化为搜索最优的φ_n使得Y(k)与Y(k)的差值趋于一个最小值，其中Y(k)＝H(k)·A，利用CIABC算法确定不同的相位信息φ_n，结合使用RLS算法进行幅值的估计，如A＝[H^T(k)·H(k)]^-1H^T(k)Y'(k)通过最小化性能函数E来达到目的，针对每只蜂，性能函数E_i表示为：最后，平均估计误差为

本实施例在MTALAB仿真平台上对基波信号检测的负载电压信号为：

y(t)＝0.95sin(100πt-2.02)+0.09sin(500πt+82.1)+0.043sin(700πt+7.9)+0.03sin(1100πt-147.1)+0.033sin(1300πt+162.6)

本实施算例中使用实验平台数据在MTALAB软件上对多频率谐波信号检测的负载电压信号为：电压基波有效值220V且3次谐波含量为10％、5次谐波含量为8％和7次谐波含量5％的交流电压信号。

CIABC和RLS混合算法的蜂群参数设置为：蜂群规模为32，迭代次数20，进行50次寻优。

采用本发明的混沌改进人工蜂群算法(CIABC)最小二乘法(RLS)的混合算法对谐波进行检测并与人工蜂群算法(ABC)结合最小二乘法(RLS)的混合算法、混沌人工蜂群算法(CABC)结合最小二乘法(RLS)的混合算法的两种混合算法谐波检测进行对比，通过图3、4、5和图6、7、8所示的实验结果对比可知，本发明对谐波的检测精度高，算法收敛速度快。与两外两种混合算法对比优势十分明显。

最后说明的是，以上仅对本发明具体实施例进行详细描述说明。但本发明并不限制于以上描述具体实施例。本领域的技术人员对本发明进行的等同修改和替代也都在本发明的范畴之中。因此，在不脱离本发明的精神和范围下所作的均等变换和修改，都涵盖在本发明范围内。