设计了一种新颖的群灰狼优化算法(Gathered Grey Wolf Optimizer,GGWO),用于整定双馈感应电机(Doubly-fed Induction Generator,DFIG)的比例-积分控制器(Proportional-integral,PI)最优参数,从而实现变风速下的最大功率点跟踪(Maximum P...设计了一种新颖的群灰狼优化算法(Gathered Grey Wolf Optimizer,GGWO),用于整定双馈感应电机(Doubly-fed Induction Generator,DFIG)的比例-积分控制器(Proportional-integral,PI)最优参数,从而实现变风速下的最大功率点跟踪(Maximum Power Point Tracking,MPPT)并提高系统的故障穿越能力(Fault Ride-through,FRT)。GGWO在原始灰狼优化算法(Grey Wolf Optimizer,GWO)的基础上引入分组机制,将灰狼分为相互独立的合作狩猎组和随机侦察组。其中,随机侦察组中的灰狼负责进行广泛的全局搜索,而合作狩猎组的灰狼实现深度的局部探索。同时,设计狼群间的角色互换机制,可根据当前适应度函数,在下次迭代中对不同分工的狼进行角色互换,进而平衡全局搜索和局部探索的矛盾。通过阶跃风速、随机风速和电网电压跌落三个算例对GGWO的优化性能进行了研究。仿真结果表明,与遗传算法、粒子群算法、飞蛾扑火算法和GWO相比,所提算法具有更好的全局收敛性、MPPT精确性和FRT能力。展开更多
文摘设计了一种新颖的群灰狼优化算法(Gathered Grey Wolf Optimizer,GGWO),用于整定双馈感应电机(Doubly-fed Induction Generator,DFIG)的比例-积分控制器(Proportional-integral,PI)最优参数,从而实现变风速下的最大功率点跟踪(Maximum Power Point Tracking,MPPT)并提高系统的故障穿越能力(Fault Ride-through,FRT)。GGWO在原始灰狼优化算法(Grey Wolf Optimizer,GWO)的基础上引入分组机制,将灰狼分为相互独立的合作狩猎组和随机侦察组。其中,随机侦察组中的灰狼负责进行广泛的全局搜索,而合作狩猎组的灰狼实现深度的局部探索。同时,设计狼群间的角色互换机制,可根据当前适应度函数,在下次迭代中对不同分工的狼进行角色互换,进而平衡全局搜索和局部探索的矛盾。通过阶跃风速、随机风速和电网电压跌落三个算例对GGWO的优化性能进行了研究。仿真结果表明,与遗传算法、粒子群算法、飞蛾扑火算法和GWO相比,所提算法具有更好的全局收敛性、MPPT精确性和FRT能力。
