資源描述：
《基于NSGA-Ⅱ算法的PSS多目標優(yōu)化設計》由會員上傳分享，免費在線閱讀，更多相關內容在學術論文-天天文庫。
1、第36卷第4期四川電力技術Vo1．36。No．42013年8月SichuanElectricPowerTechnologyAug．。2013基于NSGA一11算法的PSS多目標優(yōu)化設計張利?？捣e濤，劉芽，劉偉波(1．西南交通大學電氣工程學院，四川成都610031；2．鄂爾多斯市東勝區(qū)大規(guī)模儲能技術研究所暨中國科學院工程熱物理研究所東勝分所，內蒙古鄂爾多斯017000)摘要：電力系統(tǒng)穩(wěn)定器(PSS)能夠很好地抑制電力系統(tǒng)低頻振蕩，其參數(shù)的整定尤為重要。一般處理方法是將系統(tǒng)狀態(tài)矩陣特征值實部和阻尼比分別加權轉換成單目標問題，進而用優(yōu)化算法對PSS控制器參數(shù)進行優(yōu)化，而權重的
2、選取對參數(shù)影響極大。以特征值實部和阻尼比作為兩個目標，用NSGA—II多目標進化算法優(yōu)化處理，最后與傳統(tǒng)的遺傳算法相比較。仿真結果表明，采用NSGA一Ⅱ算法設計的PSS控制器，可以有效地阻尼電力系統(tǒng)低頻振蕩。關鍵詞：低頻振動；PSS；特征值；阻尼比；NSGA—II算法Abstract：Powersystemstabilizer(PSS)Callinhibitthelow一~equencyoscillationwellandtheselectionofitsparametersisparticularlyimportant．Generally，boththerealpar
3、tanddampingratiooftheeigenvalueofthesystemstatematrixareweightedandthenitistransformedintoasingleobjectiveproblemtodesignthecontrollerparametersofPSSusingoptimizationalgo—rithm，buttheparametersareinfluencedgreatlybytheselectionoftheweight．Therealpartanddampingratiooftheeigenval—Hearecons
4、ideredastwoobjectivestooptimizetheparametersusingNSGA—IImulti—objectiveevolutionaryalgorithm．Com—paringwiththetraditionalmethods，thesimulationresultsshowthatthePSScontrollerdesignedbyNSGA—IIalgorithmcandampthelow一~equencyoscillationofpowersystemeffectively．Keywords：low一~equencyoscillatio
5、n；powersystemstabilizer(PSS)；eigenvalue；dampingratio；NSGA—IIalgorithm中圖分類號：TM712文獻標志碼：A文章編號：1003—6954(2013)04—0055—04以得到一組控制器設計方案，設計者根據自己的設0引言計偏好，選擇合適的參數(shù)即可。這里所用的NSGA一Ⅱ(non—dominatedsortingingeneticalgorithms)工程經驗表明，大型電力系統(tǒng)區(qū)域互聯(lián)在帶來算法就是多目標進化算法中效果非常好的一種。求優(yōu)越性的同時，隨之也會產生很多問題。低頻振蕩取了帶PSS控制器的單機無窮大系
6、統(tǒng)狀態(tài)矩陣，基便是其中頗為常見而危害也較大的一種?。適當于狀態(tài)矩陣的特征值的實部和阻尼比提出了設計目地調整電力系統(tǒng)穩(wěn)定器(powersystemstabilizer，標，然后用NSGA—I1算法對其進行優(yōu)化，并將所得ess)一直是一個研究熱點。經過多年的發(fā)展，神經結果與傳統(tǒng)遺傳算法的結果進行了比較。網絡、模糊控制等現(xiàn)代控制技術已被采用來設計PSS控制器。目前PSS控制器優(yōu)化設計方法中大多1NSGA一11算法概述是每次設計僅考慮一個指標，然而考察控制系統(tǒng)的性能指標有很多種，控制器設計的目標是使這多項NSGA算法是一種基于Pareto最優(yōu)解的遺傳算目標達到一個最佳的折衷J。
7、傳統(tǒng)優(yōu)化算法大多法，是一種非常有效的多目標進化算法；NAGA算法是將多目標問題加權轉化為單目標問題進行優(yōu)化，的選擇、交叉和變異算子和基本遺傳算法類似，主要但是各個目標函數(shù)往往沒有共同的度量標準，加權區(qū)別在于：NSGA算法在選擇算子執(zhí)行之前根據個求解帶有很大的主觀性；因此，有必要引入高效實用體的支配關系對其進行了分層J。的多目標優(yōu)化算法。NSGA算法利用適應度共享函數(shù)保持了種群的多目標進化算法能很好地找到Pareto前沿，通多樣性，但實際應用發(fā)現(xiàn)還是存在不足，主要體過選擇合適的設計目標，利用多目標進化算法就可現(xiàn)在：①計算復雜度較高，為0(，
