一种柔性直流输电系统PID-ANFIS优化控制方法.pdf

第４３卷第１７期２０１５年９月１日电力系统保护与控制ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌＶｏ１．４３ＮＯ．１７Ｓｅｐ．１，２０１５一种柔性直流输电系统ＰＩＤ．ＡＮＦＩＳ优化控制方法杨天，霍琳琳（山东省电力公司威海供电公司，山东威海２６４２００）摘要：针对柔性直流输电系统（ＶｏｌｔａｇｅＳｏｕｒｃｅＣｏｎｖｅｒｔｅｒｂａｓｅｄＨｉｇｈ－ＶｏｌｔａｇｅＤｉｒｅｃｔ－Ｃｕｒｒｅｎｔ，ＶＳＣ．ＨＶＤｃ）双闭环控制中ＰＩ控制存在参数整定困难及控制器数量过多等问题，提出一种具有ＰＩＤ功能的自适应神经元模糊推理系统（ＡｄａｐｔｉｖｅＮｅｕｒｏ．ＦｕｚｚｙＩｎｆｅｒｅｎｃｅＳｙｓｔｅｍｗｉｔｈＰＩＤｆｕｎｃｔｉｏｎ，ＰＩＤ．ＡＮＴＩＳ）控制器用于该系统控制。其中，ＰＩＤ．ＡＮＦＩＳ控制器兼有神经网络控制、二阶模糊控制及ＰＩＤ功能；同时提出的基于三重合作粒子群算法（ＴｒｅｂｌｅＣｏｏｐｅｒａｔｉｖｅＰａｒｔｉｃｌｅＳｗａｒｍＯｐｔｉｍｉｚａｔｉｏｎ，ＴＣＰＳＯ）用于优化该控制器中神经网络参数。ＴＣＰＳＯ采用由降维合作、分组合作与记忆合作组成的三重合作策略，极大程度上提升了神经网络参数优化的精度。深入研究了ＴＣＰＳＯ优化ＰＩＤ．ＡＮＴＩＳ控制器参数的步骤。基于ＴＣＰＳＯ优化的ＰＩＤ．ＡＮＦＩＳ控制器能够实现ＶＳＣ．ＨＶＤＣ系统的直接功率控制效果。仿真结果表明该控制器具有控制速度快、超调量小、抗干扰能力强等优点，是ＶＳＣ．ＨＶＤＣ控制系统的一个可行方案。关键词：柔性直流输电；ＰＩＤ；自适应神经元模糊推理系统；三重合作粒子群算法；直接功率控制—ＡｃｏｎｔｒｏｌｍｅｔｈｏｄｏｆＰＩＤ－ＡＮＦＩＳｃｏｎｔｒｏｌｌｅｒｆｏｒＶＳＣ．－ＨＶＤＣ’ＹＡＮＧＩｉａｎ．ＨＵ０Ｌｉｎｌｉｎ（ＷｅｉｈａｉＥｌｅｃｔｒｉｃＰｏｗｅｒＣｏｍｐａｎｙ，ＳｔａｔｅＧｒｉｄＳｈａｎｄｏｎｇＥｌｅｃｔｒｉｃＰｏｗｅｒＣｏｍｐａｎｙ，Ｗｅｉｈａｉ２６４２００，Ｃｈｉｎａ）—Ａｂｓｔｒａｃｔ：ＤｕｅｔｏｔｈｅＰＩｃｏｎｔｒｏｌｓｙｓｔｅｍｆｏｒＶＳＣＨＶＤＣｈａｓｐｒｏｂｌｅｍｓｏｆｐａｒａｍｅｔｅｒｓｄｉｆｆｉｃｕｌｔｔｏｓｅｔ，ｔｏｏｍａｎｙｃｏｎｔｒｏｌｕｓｅｒｓ，ａｎｄＳＯｏｎ，ａｎｏｖｅｌｃｏｎｔｒｏｌｌｅｒｃｏｍｐｏｓｅｄｏｆＰＩＤｆｕｎｃｔｉｏｎａｎｄｍｕｌｔｉｐｌｅ－ｏｕｔｐｕｔＡＮＦＩＳ（ＰＩＤ－ＡＮＦＩＳ）ｉｓｐｒｅｓｅｎｔｅｄ，ｗｈｉｃｈｉｓｍａｄｅｕｐｏｆｎｅｕｒａｌｎｅｔｗｏｒｋ，ｔｗｏｏｒｄｅｒｆｕｚｚｙｃｏｎｔｒｏｌａｎｄＰＩＤｃｏｎｔｒｏ１．ＡｔｒｅｂｌｅｃｏｏｐｅｒａｔｉｖｅＰＳＯ（ＴＣＰＳＯ）ｉｓａｌｓｏ—’ｐｒｅｓｅｎｔｅｄｔｏｏｐｔｉｍｉｚｅＰＩＤＡＮＦＩＳｃｏｎｔｒｏｌｌｅｒＳｎｅｕｒａｌｐａｒａｍｅｔｅｒｓ．ＴＣＰＳＯｉｓｆｏｒｇｅｄｂｙｈａｒｍｏｎｉｚｉｎｇｔｈｅｇｒｏｕｐｉｎｇ—ｃｏｏｐｅｒａｔｉｏｎ，ｔｈｅｄｉｍｅｎｓｉｏｎｒｅｄｕｃｅｄｃｏｏｐｅｒａｔｉｏｎａｎｄｍｅｍｏｒｙｃｏｏｐｅｒａｔｉｏｎ，ｗｈｉｃｈｉｓａｂｌｅｔｏｉｍｐｒｏｖｅｔｈｅｐｒｅｃｉｓｉｏｎｏｆｏｐｔｉｍｉｚｉｎｇｎｅｕｒａｌｎｅｔｗｏｒｋｓ．ＴｈｉｓｐａｐｅｒｐｒｏｖｉｄｅｓｔｈｅｐｒｏｃｅｓｓｏｆＰＩＤ－ＡＮＦＩＳｐａｒａｍｅｔｅｒｓｔｒａｉｎｉｎｇｂｙＴＣＰＳＯ．Ｔｈｅｎ．ｔｈｅ—ＴＣＰＳＯｂａｓｅｄＰＩＤＡＮＦＩＳｃｏｎｔｒｏｌｌｅｒｐｅｒｆｏｒｍｓｔｈｅｆｕｎｃｔｉｏｎｏｆｄｉｒｅｃｔｐｏｗｅｒｃｏｎｔｒｏ１．Ｔｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｃｏｎｔｒｏｌｌｅｒｐｒｅｓｅｎｔｅｄｈａｓｓｉｇｎｉｆｉｃａｎｔａｄｖａｎｔａｇｅｓｏｆｆａｓｔｅｒｓｐｅｅｄ，ｓｍａｌｌｅｒｏｖｅｒｓｈｏｏｔａｎｄｂｅａｅｒｒｏｂｕｓｔｎｅｓｓｂｙｃｏｍｐａｒｉｎｇｔｏ—ＰＩａｎｄｉｔｉｓａｖｉａｂｌｅｃｈｏｉｃｅｆｏｒＶＳＣＨＶＤＣｃｏｎｔｒｏｌｓｙｓｔｅｍ．—Ｋｅｙｗｏｒｄｓ：ＶＳＣＨＶＤＣ；ＰＩＤ；ＡＮＦＩＳ；ＴＣＰＳＯ；ＤＰＣ中图分类号：ＴＭ７２文献标识码：Ａ—文章编号：１６７４－３４１５（２０１５）１７００２９－０９Ｏ引言—柔性直流输电系统（ｖｓｃＨＶＤＯ是一个非线性、强耦合系统，工程中一般采用双闭环ＰＩ控制，实现调节直流电压、交流电压、有功功率、无功功率等目标。ＰＩ控制器结构简单，但存在控制参数整定困难、参数整定不能体现整体优化功能等缺点ＩｌＪ。文献［４】提出以有功功率测量值修正直流电压参考值的外环控制改进方法；文献［５］引入以相电流有效值为检测目标的外环功率限制器，故障时修正外环功率参考值生成规则，从而达到保护换流器的目的；文献［６】采用检测交流频率修正外环有功功率参考值生成规则的控制方法，保证了风电场有功功率的实时输出。以上三篇文献均引入新检测量修正ＰＩ控制外环参考值，增加了检测系统的复杂性。神经网络具有自适应学习能力，可直接根据样本进行有效学习，但不适于表达知识规则。文献［７．８】—提出采用基于ＰＩＤ神经网络（ＰＩＤ）作为ＶＳＣＨＶＤＣ直流电压外环控制的方案，其控制对象为解耦后直流电压传递函数，条件较为理想化。文献［９］采用模—糊神经网络控制ＶＳＣＨＶＤＣ，其控制输入量为直流电压及直流电流，为直流电网具有相同信息的电量，．３Ｏ．电力系统保护与控制而非多变量解耦控制系统。研究进展表明，常规神经网络用于ＶＳＣ．ＨＶＤＣ控制具有一定的可行性，然而当前文献并未提出完整的神经网络解耦控制方案。模糊理论可明确表达知识规则，但不具有自适应学习能力，稳态误差较大，需有专家经验才能得到满意的控制效果。自适应神经元模糊推理系统（ＡｄａｐｔｉｖｅＮｅｕｒｏ－ＦｕｚｚｙＩｎｆｅｒｅｎｃｅＳｙｓｔｅｍ，ＡＮＦＩＳ）ｐｈＳｕｇｅｎｏ模糊模型融合神经网络组成，兼有模糊控制与神经网络控制的优点，具有优于常规模糊控制器及常规神经网络控制器的性能；一些学者采用ＡＮＦＩＳ作为自动化领域非线性对象的控制器，取得良好效果ｌＪｕ。¨Ｊ。文献［１２］采用粒子群算法（ＰＳＯ）作为神经元白适应控制系统的反向算法，取得了良好抗扰动效果，表明智能优化算法能够提升神经网络性能。文献［１３］提出了分组合作粒子群算法（ＣＰＳＯ），其速度更新公式中随机采用其他子群的最优值作为交流信息；该算法被用于神经网络反向传播计算。文献［１４１提出了由ＰＳＯ算法融合其他机制的改进算法。以上算法寻优精度较标准ＰＳＯ算法均有略微提升。文献［１５】提出了布谷鸟算法，采用最优向量作为交流信息，将高维寻优分解为一维寻优，对高维函数优化精度较高，表明降维策略为高维优化的有效解决措施；然而布谷鸟算法机理较为复杂，运行时间较长，鲁棒性较差。本文提出一种基于三重合作粒子群算法（ＴｒｅｂｌｅＣｏｏｐｅｒａｔｉｖｅＰａｒｔｉｃｌｅＳｗａｒｍＯｐｔｉｍｉｚａｔｉｏｎ，ＴＣＰＳＯ）优化具有ＰＩＤ功能的自适应神经元模糊推理系统—（ＡｄａｐｔｉｖｅＮｅｕｒｏＦｕｚｚｙＩｎｆｅｒｅｎｃｅＳｙｓｔｅｍｗｉｔｈＰＩＤｆｕｎｃｔｉｏｎ。ＰＩＤ．ＡＮＦＩＳ）控制器，应用于ＶＳＣ．ＨＶＤＣ系统，以实现直接功率控制功能。ＰＩＤ．ＡＮＦＩＳ控制器的性能优于ＡＮＦＩＳ及ＰＩＤ控制。ＴＣＰＳＯ算法采用三重合作策略，对粒子牵引方向实现多样化，高维优化精度高，运行速度快，鲁棒性好。采用Ｍａｔｌａｂ仿真软件分别对ＡＮＦＩＳ、具有ＰＤ功能的ＡＮＦＩＳ———（ＰＤＡＮＦＩＳ）、ＰＩＤＡＮＦＩＳ及ＴＣＰＳＯ优化ＰＩＤＡＮＦＩＳ性能进行算例验证；然后将基于ＴＣＰＳＯ优化ＰＩＤ．ＡＮＦＩＳ控制器置入ＶＳＣ．ＨＶＤＣ系统，仿真结果验证了其可行性和有效性。１ＶＳＣ．ＨＶＤＣ及其ＰＩ控制数学模型柔性直流输电系统换流器砌坐标系下电压源换流器（ｖｓｃ）低频稳态数学模型如式（１）所示。‘学Ｕｄ－－＋誓一一（１）—ｃ＝ｆｄｃｆＬＰ＝１．５ｕｄ，Ｏ＝一１．５ｕｄ／ｑ式（１）中：为交流侧等效损耗电阻；为交流侧电抗器电感；Ｃ为直流电容；、Ｕ分别为交流侧电压的砌轴分量；、ｔ分别为交流侧电流的砌轴分‘量；为直流侧直流电压；ｌｄ为直流侧直流电流；ｃ为直流侧负载电流；Ｐ、Ｑ分别为输入有功功率与无功功率。—图１为ＶＳＣＨＶＤＣ系统整流侧双闭环ＰＩ控制，其功能为：外环实现有功功率及无功功率控制量、ｐ转换为内环电流参考值ｌｄ、ｌ的功能，即控制量ａ转换功能；内环实现由电流参考值、至触发电压值、的解耦与跟踪功能，等效于逆系统。ＶＳＣ．ＨＶＤＣ整流侧换流畔球器孵Ｏ。外环图１ＶＳＣ．ＨＶＤＣ整流侧换流器双闭环ＰＩ控制示意图Ｆｉｇ．１ＰＩｃｏｎｔｒｏｌｏｆＶＳＣ－ＨＶＤＣｒｅｃｔｉｆｉｅｒｃｏｎｖｅｒｔｅｒ２ＰＩＤ．ＡＮＦＩＳ控制原理ＡＮＦＩＳ控制器本质为非线性Ｔ－Ｓ模糊模型（Ｓｕｇｅｎｏ模糊模型），是一种对数值型输入、输出数据集自动生成模糊推理规则的方法Ｌｌ。多输出ＡＮＦＩＳ控制器具有与输出量数目相同个数的后件参数组，即后件参数组数与总输出个数相等；采用同一个前件网络产生的激励强度矩阵得到若干个总输出。其本质为多输出模糊神经网络，具有对非线性方程的无限逼近能力，理论上可实现两输入两输出系统的静态解耦【Ｊ７－１８］。本文提出的ＰＩＤ．ＡＮＦＩＳ控制器设计思路为：１）将误差、误差微分信号作为多输出ＡＮＦＩＳ控制器输入量，使之符合二阶模糊控制结构，成为具有ＰＤ功能的ＡＮＦＩＳ控制器（ＰＤ．ＡＮＦＩＳ）；２）将误差积分信号作为ＰＤ．ＡＮＦＩＳ的第三个输入量，即采用误差本—杨天，等一种柔性直流输电系统ＰＩＤＡＮＦＩＳ优化控制方法．３１．身、误差微分和误差积分信号作为输入量；利用神经网络的自适应能力调节三者关系，使之发挥ＰＩＤ—控制功能，成为具有ＰＩＤ功能的ＡＮＦＩＳ控制器（ＰＩＤ—ＡＮＦＩＳ）。ＰＩＤＡＮＦＩＳ控制器引入误差积分信号，进一步提升稳态误差控制能力。—ＰＩＤＡＮＦＩＳ控制系统原理如图２所示。ＡＮＦＩＳ图２ＰＩＤ．ＡＮＦＩＳ结构示意图Ｆｉｇ．２ＳｔｒｕｃｔｕｒｅｏｆＰＩＤ－ＡＮＦＩＳ图２中，Ｕ．、Ｕ，为控制器输出量，即被控对象的输入量。ｅｌ、ｅ２为控制器输入量，即被控对象输—出量的误差信号。本文采用ＰＩＤＡＮＦＩＳ控制器置入控制器的等效两端口网络，即完全撤销图１中双闭环ＰＩ控制系统，同时实现外环控制量的转换功能和内环的跟踪、解耦功能，即直接功率控制。—ＶＳＣＨＶＤＣ整流侧的给定量为、Ｑ，输出量为ｖ：、ｖ：；逆变侧的给定量为、Ｑ，输出量为ｖ：、ｖ：；控制系统如图３所示。ＰＱ图３ＶＳＣ．ＨＶＤＣ的ＰＩＤ．ＡＮＦＩＳ控制系统示意图——Ｆｉｇ．３ＰＩＤＡＮＴＩＳｃｏｎｔｒｏｌｓｙｓｔｅｍｏｆＶＳＣＨＶＤＣＰＩＤ．ＡＮＦＩＳ控制器包含神经网络结构，具有白适应调节参数功能，能够适应不同被控对象的控制要求。该控制器中亦包含模糊推理结构，具有处理已有被控对象知识的功能，能够缩短神经网络自适应调节所需时间。同时该控制器包含ＰＩＤ环节作为输入处理环节，使ＡＮＦＩＳ具有误差微分及误差积分信息的处理功能，进一步提升跟踪能力及稳态误差补偿能力。然而常规神经网络所采用的ＢＰ算法容易陷入局部最优，导致其控制性能不足。３三重合作粒子群算法（ＴＣＰＳＯ）原理３．１标准ＰＳＯ及全维搜索策略的早熟缺陷标准ＰＳＯ算法是一种模拟鸟群运动规律的智能优化算法，其速度和位置的更新公式为ｊｖ，ｔ＝十ｅｌＲ１（一ｐｆｔ）＋Ｃ２Ｒ２（一ｐ。ｆｔ），１ｔ＋Ｉ：ｐｏｐ；＋…式（２）中：ｔｅ［１，，ｍａｘｇｅｎ】为当前迭代次数，ｍａｘｇｅｎ∈…为最大迭代次数；ｉ『１，，ｓｉｚｅｐｏｐ１为种群中粒子的编码，ｓｉｚｅｐｏｐ为粒子个数；ｐｏｐ（ｐｏｐ；一，ｐｏｐ；ｆ）表示第次迭代时第ｉ个粒子的位置，Ｊ［）为解空间…的维数；ｖｔ＝（ｖｔ，１，）表示第ｆ次迭代时第ｉ个粒子的速度；表示第ｆ次迭代时第ｉ个粒子搜索过的最优位置，即粒子最优记忆；表示第ｔ次迭代时种群中最优粒子的位置，即全局最优；ｃ１、ｃ２为加速系数；尺】、Ｒ２为介于［０，１］之间的随机数；ｏＹ为第ｔ次迭代时的惯性因子。全维搜索策略指算法个体表示一个由各维元素组成的完整解，且每次迭代都同时更新各维元素的机制。全维搜索策略早熟的原理为：当某些元素向着理论最优值移动时，其他元素值远离了理论最优值；某次迭代中变好元素的比重大于变坏元素的比重即可认为该个体是一个全新的解。例如一个三维优化情况，适应度函数为ｆ＝（ｘ一日），其中ａ＝［２０，２０，２０］。对于。＝［０，２０，０］，可得到＝８００；对于＝［２０，０，２０】，可得到＝４００。此时就认为Ｘ２优于Ｘ１，粒子会更新位置，但第二维的有效信息就会丢失。常见算法均采用全维搜索模式，在高维函数寻优过程中容易陷入早熟。３．２降维合作策略降维合作策略指粒子的每个元素均具有适应度值，且粒子的元素每优化一维更新一次适应度值的机制，即逐维搜索。该策略将一个Ｄ维粒子种群分解为Ｄ个１维粒子种群；定义一个利用各维最优元素值构成的Ｄ维最优向量ｂｅｓｔ，以解决计算适应度值必须代入完整解的困境。ｂｅｓｔ的使用方法为：更新到第，个粒子群（对应原来的第，维）ｅｅ第ｉ个元素时，将ｂｅｓｔ的第ｉ个元素替换为当前元素值，进行适应度值计算；若得到较优适应度值，将该元素代替ｂｅｓｔ中的第ｉ个元素，形成新的ｂｅｓｔ用于下一次迭代。降维合作策略的原理如图４所示。一３２电力系统保护与控制／、第２维图４降维合作策略原理示意图Ｆｉｇ．４Ｃｏｏｐｅｒａｔｉｖｅｓｔｒａｔｅｇｙｏｆｒｅｄｕｃｉｎｇｄｉｍｅｎｓｉｏｎｓ３．３分组合作策略分组合作策略指采用若干子群搜索解空间，且速度更新公式中随机采用其他子群最优值尸Ａ（）作为寻优方向的机制。该策略同时保留个体自己子群的最优位置尸Ａ作为寻优方向之一。分组合作粒子群算法（ＣＰＳＯ）的速度更新公式如下：Ｖ，ｔ＋＝ｔ＋ｃ１Ｒ１（一ｐ）＋ｃ２２（一ｐ０ｔ）（３）∈…式（３）中：ｋｌ１，，ｍｌ，ｋ为子群编码，ｍ为子群的数量；，为介于『ｌ，ｍ］之间的一个随机整数，用于选择不同子群的最优值，以达到交流信息的目标；，表示第ｆ次迭代时随机采用的其他子群最优粒子；ｐｏｐｉ＇￣表示第ｆ次迭代时第ｋ个子群的第ｉ个粒子的位置；ｖ表示第ｆ次迭代时第ｋ个子群的第ｉ个粒子的速度；表示第ｆ次迭代时第ｋ个子群的最优粒子。３．４三重合作策略及ＴＣＰＳＯ原理本文提出的三重合作策略由降维合作、分组合作与记忆合作组成。其中记忆合作指标准ＰＳＯ速度更新公式中采用个体最优值记忆项作为寻优方向之一的机制。该策略的核心是多层分组机制与多方向寻优机制。多层分组指将一个Ｊ［）维种群划分为ｍ个Ｄ维子群，然后在每个Ｄ维子群内部逐维划分为Ｄ个１维子群进行逐维寻优的机制。该机制使种群中每一个元素均可单独寻优；等效于ｍｘＤ个１维子群合作寻优，也等效于融合分组合作与降维分组合作策略。多方向寻优机制指得是速度更新公式中寻优方向的多样化，其各个方向对应于多层分组机制中的各个最优值。ＴＣＰＳＯ算法中第ｆ次迭代时第ｋ个Ｄ维子群中第个１维子群的第ｉ个元素ｔ，其速度更新公式中的寻优方向包括：全局最优值的对应第维元素、本子群最优值的对应元素ｐｔ、随机其他子群最优值的对应元素ｐｔ，和本元素的历史最优值。速度更新公式如下：Ｖｔ＋＝ｏＪ４＋０．５Ｒ（一ｐｔ）＋‘‘。５即（４）０．５Ｒ３（一ＰＯＰ￣ｋ）＋ｏ．ｓＲ４（Ｐｇ扯一ｐ）式（４）中，为了平衡各个牵引方向的比例且不过度增大速度值，将各个寻优方向的加速系数全部取为０．５（对应３．１节中的加速系数）。Ｒ】、Ｒ２、Ｒ３、Ｒ４为介于［０，１］之问的随机数。多方向寻优提供更强的多样性，有利于避免早熟且提升精度。本节所提ＴＣＰＳＯ算法具有良好的高维优化能力，可用于神经网络反向传播计算，代替ＢＰ算法，以提升神经网络性能。４基于ＴＣＰＳＯ优化ＰＩＤ－ＡＮＦＩＳ控制器的原理本文中ＰＩＤ．ＡＮＦＩＳ控制器的神经网络参数总数不少１００个，采用全维搜索算法难以有效优化［之。】；故采用本文的ＴＣＰＳＯ算法作为反向传播算法，其—验证结果见５．２节。ＴＣＰＳＯ算法训练ＰＩＤＡＮＦＩＳ控制器的具体步骤归纳如下：—（１１随机初始化ＰＩＤＡＮＦＩＳ控制器的参数。（２）初始化ＴＣＰＳＯ算法的基本参数。将控制器参数赋予粒子位置的初值ｐｏｐ；确定群体规模ｓｉｚｅｐｏｐ、迭代次数ｍａｘｇｅｎ、解空问维数Ｄ和Ｄ维子群数量ｍ；随机初始化粒子速度随机初始化最优向量ｂｅｓｔ；在ｂｅｓｔ中代入当前元素，计算元素适应度值。记录个体最优元素ＰＧ、Ｊ［）维子群最优粒子尸Ａ及全局最优粒子。（３）给定阶跃输入或载入训练样本，运行一次ＰＩＤＡＮＦＩＳ控制系统，更新ｂｅｓｔ、ＰＰＡ及。（４）循环迭代开始；更新元素的速度与位置。（５）用更新得到的元素代入ｂｅｓｔ，将得到的新ｂｅｓｔ赋值给ＰＩＤ．ＡＮＦＩＳ控制器运行一次，计算ＭＳＥ作为该元素的适应度值。（６）更新ｂｅｓｔ、Ｐｃ、ＰＡ及尸Ｚ。（７）返回第（４）步，进入新的迭代过程，直至达到设定循环次数ｍａｘｇｅｎ；最后获得控制器最优参数。—ＴＣＰＳＯ算法优化ＰＩＤＡＮＦＩＳ控制器参数的流程如图５所示。—杨天，等一种柔性直流输电系统ＰＩＤＡＮＦＩＳ优化控制方法．３３．初始化ＰＩＤ．ＡＮＦＩＳ基本参数初始化ＴＣＰＳＯ基本参数，将ＰＩＤ．ＡＮＦＩＳ参数对应于粒予位置给定阶跃输入／载入训练样本，系统运行饮初始化适应度值更新速度和位置，即更新ＰＩＤ．ＡＮＦＩＳ参数ＰＩＤ．ＡＮＦＩＳ控制器运行，计算系统输出，更新适应度值———一（）图５ＴＣＰＳＯ算法ＰＩＤ．ＡＮＦＩＳ控制器参数的流程图—Ｆｉｇ．５ＰｒｏｃｅｓｓｏｆＰＩＤＡＮＦＩＳｐａｒａｍｅｔｅｒｓｔｒａｉｎｅｄｂｙＴＣＰＳＯ５算例分析及仿真验证—５．１ＰＩＤＡＮＦＩＳ控制器性能提升的验证为了验证本文提出的ＰＩＤ．ＡＮＦＩＳ控制器对于ＡＮＦＩＳ控制器稳态误差的补偿及动态性能提升效果，选取阶跃信号＝１、ｒＥ＝０．４作为输入信号，并选取式（５）的二阶强耦合延迟非线性系统作为被—控对象进行ＰＩＤＡＮＦＩＳ、ＡＮＦＩＳ对比仿真。设训练次数为５Ｏ次，仿真结果如图６所示。（）＝。．９（一・）＋暑兰｛＋０．２ｕ（一１）＋０．５ｕ（一２）＋０．３Ｙ２ｒ（ｋ－。２１）．ｕｚ（ｋ－２）．（５）ｙ２（）＝０．２ｙ１（七一２）＋＋Ｉ一）十ｌ０．４ｕ（ｋ一２）＋０．２ｕ（ｋ一１）＋０．３ｙｌ（ｋ一１）——ＰＩＤ．Ａ一—十一一ＡＮＦＩＳ０１０２０３０４０５０迭代次数（ａ）第１通道的给定值与输出量ＪｆｌＰＩＤ．ＡＮＦＩＳＩＡＮＦＩＳ０１０２０３Ｏ４Ｏ５Ｏ迭代次数（ｂ）控制第２通道的给定值与输出糍图６解耦控制的波形图Ｆｉｇ．６Ｄｅｃｏｕｐｌｉｎｇｃｏｎｔｒｏｌ—由图６（ａ）可知，ＰＩＤＡＮＦＩＳ作用下，输出量Ｙ１在约１１个采样点达到稳定，对于给定值的稳态误差在０．０２范围内；ＡＮＴＩＳ作用下，输出量Ｙ１在约２０个采样点达到稳定，稳态误差在０．０８范围内。由图６（ｂ）可知，ＰＩＤ．ＡＮＦＩＳ作用下，输出量Ｙ２在约１４个采样点达到稳定，对于给定值２的稳态误差在０．０２范围内；ＡＮＦＩＳ作用下，输出量），２在约２０个采样点达到稳定，稳态误差在０．０８范围内。同时可知，ＰＩＤ．ＡＮＦＩＳ作用下的超调量几乎为零，优于ＡＮＦＩＳ。分析可知，ＡＮＦＩＳ属于一阶模糊控制器，可实现非线性系统的静态解耦控制；其性能依赖于神经网络固有的动态能力，其快速跟踪能力、稳态误差控制能力均不足。引入误差微分、误差积分环节的—ＰＩＤＡＮＦＩＳ改善了ＡＮＦＩＳ的缺陷，达到设计目标。５．２ＴＣＰＳＯ优化ＰＩＤ．ＡＮＦＩＳ控制器效果的验证—本节采用ＴＣＰＳＯ、ＣＰＳＯ算法对ＰＩＤＡＮＦＩＳ进行参数训练，同时采用基于ＢＰ算法的ＰＩＤ．ＡＮＦＩＳ进行参数训练；最后将三种算法的训练结果进行对—比。训练样本为ＰＩ控制ＶＳＣＨＶＤＣ的启动与各种故障情况的数据记录。本文所用到的ＰＩＤ．ＡＮＦＩＳ模糊规则数为６，神经网络输入量个数为６，计算得到其前件参数个数为７２，后件参数个数为８４，参数总数为１５６。本文的学习样本个数为４０５１。两种算法的总粒子个数均为１００，ＴＣＰＳＯ算法的１５６维子群个数为１０。三种训练算法误差曲线如图７所示。由图７（ａ）可见，ＢＰ算法优化的迭代次数在２０次左右稳定，所需时间较长；２３次迭代出现的误差增大现象可说明ＢＰ算法的寻优方向具有随机性；ＢＰ算法的最终精度仅为０．１６３２。由图７（ｂ１可见，ＴＣＰＳＯ优化ＰＩＤ．ＡＮＦＩＳ的精度较高，为０．０７３２，ＣＰＳＯ优化ＰＩＤ．ＡＮＦＩＳ的精度为０．０７４６。可知ＴＣＰＳＯ５４３２１Ｏｏ电力系统保护与控制０．１９。５１０。．．１１８８。５０。．．Ｉｌ７７５。０．１６５采丁１００迭代次数用ＢＰ算法训练ＰＩＤ．ＡＮＦ１Ｓ￣］误差Ｏ・Ｏ８５０．０８０。、迭：Ｐ代ＳＯ次数ｇ＇￣ＴＣＰＳＯ￣—ＩＤ．ＡＮ误差ｆｂ、分别采用ｃＰｓＯ、’１练Ｐ。Ａ¨”。忧图７ＰＩＤ．ＡＮＦＩＳ控制器的训练误差—“Ｆｉｇ．７ＥｒｒｏｒｏｆＰＩＤＡＮＦＩＳｔｒａｉｎｉｇ算法是一种更为有效的神经网络训练算法。５．３ＶＳＣ控制系统仿真验证＿太节信真的被控对象采用ＳＩＭＵＬＩＮＫｄｅ．Ｔ－ｉ－ｉ／ｑ．ｍ？ｖＳＣ－ＨｖＤＣ输电系统模型，参数如表１所示，并以系统容量基准值２００ＭＶＡ、线电压基准值１００ｋＶ、直流电压基准值２ｏｏｋＶ实施标幺化。Ｔａｂｌｅ１ＶＳＣ－ＨＶＤＣｐａｒａｍｅｔｅｒｓ＿黼采喾釜柔木肿变侧采田本薯●１接毕ＶＱＰＩＤＡＮＦ用直接功率控制，以一ｌ与¨州比验，无功功搴嚣芸蜀Ｑ０２Ｐｒ＿ｃｊ为１ｐ－ｕ－，无功功率参考值为一・’旧ｔｆｓ（ａ１整流侧输出的有功功率波形ｆｂ１整流侧输出的无功功率波形ｔ／ｓ（ｃ）逆变侧输出的赢流电压波形暑薹箍嚣譬Ｈ啪无凳；ＰＩＤＡＮＴＩＳ．’控制的无功功率超调重牧，Ｊ、刀’杨天，等一种柔性直流输电系统ＰＩＤ．ＡＮＦＩＳ优化控制方法．３５．启动时间为０．２Ｓ。由图８（ｃ）可知，逆变侧ＰＩ控制的直流电压超调量为６０％，启动时间为０．５Ｓ，启动过—程中存在小幅度震荡；ＰＩＤＡＮＴＩＳ控制的超调量为５％，启动时间为０．２Ｓ。由图８（ｄ）可知，ＰＩ控制的逆变侧无功功率超调量为６５％，启动时间为０．５ｓ；ＰＩＤ．ＡＮＦＩＳ控制的超调量为４０％，启动时间小于０．２Ｓ。综上，ＰＩＤ．ＡＮＦＩＳ控制器比ＰＩ的启动速度快，超调量小，性能更强。（２）设整流侧交流电网在１．５Ｓ发生单相接地故障，经过０．１５Ｓ后故障切除，各个参考值保持不变，验证故障控制过程；仿真波形如图９所示。由图９（ａ）可知，整流侧ＰＩ控制的有功功率波动—幅度为０．０７Ｐ．Ｕ．，稳定时间为０．２５ｓ；ＰＩＤＡＮＦＩＳ控制的有功功率波动幅度为０．０５ｐ．ｕ．左右，稳定时问为０．２Ｓ。由图９（ｂ）可知，整流侧ＰＩ控制的无功功率波动幅度为０．２ｐ．ｕ．左右，稳定时问为０．２Ｓ；ｔ（ａ１整流侧输出的有功功率波形ｔ／ｓｆｂ１整流侧输出的无功功率波形ｔ／ｓ（ｃ）逆变侧输出的直流电压波形ｆｄ）逆变侧输出的无功功率波形图９故障控制波形Ｆｉｇ．９ＦａｕｌｔｃｏｎｔｒｏｌｗａｖｅＰＩＤ．ＡＮＦＩＳ控制的无功功率波动幅度为０．０１Ｐ＿ｕ＿，稳定时间小于０．２Ｓ。由图９（ｃ１可知，逆变侧ＰＩ控制的直流电压波动幅度为０．０８Ｐ－ｕ．，稳定时间为０．２Ｓ，且运行过程中存在小幅震荡；ＰＩＤ．ＡＮＦＩＳ控制的直流电压波动幅度小于０．０６Ｐ＿ｕ＿，稳定时间小于０．２Ｓ。由图９（ｄ）可知，逆变侧ＰＩ控制的无功功率波动幅度为０．０３Ｐ．Ｕ．，稳定时间为０．４Ｓ；ＰＩＤ．ＡＮＦＩＳ控制的无功功率波动幅度小于０．０１Ｐ．ｕ．，稳定时间小于０．２Ｓ。综上，ＰＩＤ．ＡＮＦＩＳ控制的单相接地短路故障控制能力（即故障抗扰性能）优于ＰＩ控制。—以上采用ＰＩ控制训练样本的ＰＩＤＡＮＦＩＳ表现出了优于ＰＩ的性能，其原因在于：１）训练样本记录了ＰＩ控制下ＶＳＣ的启动与各种故障的输出量，具有丰富的信息；２）ＴＣＰＳＯ算法具有强大的高维优化能力，可以加强ＰＩＤ．ＡＮＦＩＳ所内置的神经网络提取样本信息的能力；３）在训练过程中，ＰＩＤ．ＡＮＦＩＳ提取了ＰＩ控制过程中成功情况的信息及不成功情况中的合理信息，并且分布记录于神经网络中，因而相当于包含若干个最完美的ＰＩ控制器，能够根据运行状态瞬时切换；４）在控制过程中，ＰＩＤ．ＡＮＦＩＳ包含的ＰＩＤ输入处理环节，能够修正神经网络控制误差，且保证不低于ＰＩ控制的精度。６结论本文对常规ＡＮＦＩＳ控制器和ＰＳＯ算法进行有效改进，提出了基于ＴＣＰＳＯ优化ＰＩＤ．ＡＮＦＩＳ控制器。ＰＩＤ．ＡＮＦＩＳ控制器融合二阶模糊控制、神经网络及ＰＩＤ的优点，实现了多变量解耦控制与直接功率控制；ＴＣＰＳＯ算法采用融合了降维合作、分组合作及记忆合作的三重合作策略，实现了高维函数寻—优精度的提升。最后对ＶＳＣＨＶＤＣ系统启动控制、故障控制在三种仿真条件下进行仿真，仿真结果验一３６一电力系统保护与控制证了本文所提方法的可行性和有效性。［７３李爽，王志新，王国强．基于改进粒子群算法的参考文献ＰＩＤＮＮ控制器在ＶＳＣ－ＨＶＤＣ中的应用［Ｊ］．中国电［１］侯兆然．基于虚拟磁链定向的ＰｗＭ整流器控制方法机工程学报，２０１３，３３（３）：１４－２１．［５］［６］研究［Ｊ］．电力系统保护与控制，２０１４，４２（２１）：１０５．１０９．Ｈ０ＵＺｈａｏｒａｎ．ＲｅｓｅａｒｃｈｏｎｃｏｎｔｒｏｌｍｅｔｈｏｄｏｆＰＷＭｒｅｃｔｉｆｉｅｒｂａｓｅｄｏｎｖｉｒｔｕａｌｆｌｕｘｏｒｉｅｎｔａｔｉｏｎ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１４，４２（２１）：１０５－１０９．［２］宋国兵，冉孟兵，靳幸福，等．利用零模电流的ＶＳＣ．ＨＶＤＣ输电线路单端量保护原理研究［Ｊ］．电力系统保护与控制，２０１４，４２（１５）：１－７．ＳＯＮＧＧｕｏｂｉｎｇ，ＲＡＮＭｅｎｇｂｉｎｇ，ＪＩＮＸｉｎｇｆｕ，ｅｔａ１．Ａ—ｎｏｖｅｌｐｒｏｔｅｃｔｉｏｎｍｅｔｈｏｄｆｏｒＶＳＣＨＶＤＣｔｒａｎｓｍｉｓｓｉｏｎ——ｌｉｎｅｓｕｓｉｎｇｓｉｎｇｌｅｅｎｄｚｅｒｏｍｏｄｅｃｕｒｒｅｎｔ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１４，４２（１５）：１－７．［３］李爽，王志新，吴杰．采用基频零序分量注入的ＭＭＣ换流器故障容错控制研究［Ｊ］．电力系统保护与控制，２０１４，４２（１７）：１－７．ＬＩＳｈｕａｎｇ，ＷＡＮＧＺｈｉｘｉｎ，ＷＵＪｉｅ．Ｓｔｕｄｙｏｎ—ｆａｕｌｔｔｏｌｅｒａｎｔｏｐｅｒａｔｉｏｎｃｏｎｔｒｏｌｓｔｒａｔｅｇｙｏｆｍｏｄｕｌａｒｍｕｌｔｉｌｅｖｅｌｃｏｎｖｅｒｔｅｒｓｉｎｊｅｃｔｅｄｗｉｔｈｆｕｎｄａｍｅｎｔａｌ－ｆｒｅｑｕｅｎｃｙｚｅｒｏ－ｓｅｑｕｅｎｃｅｖｏｌｔａｇｅｃｏｍｐｏｎｅｎｔ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１４，４２（１７）：１－７．［４］陈海荣，张静，屠卿瑞．电网电压不平衡时电压源换流器型直流输电的负序电压补偿控ＳｆＪ［Ｊ］．高电压技术，２０１１，３７（１１）：２３６３－２３６９．ＣＨＥＮＨａｉｒｏｎｇ，ＺＨＡＮＧＪｉｎｇ，ＴＵＱｉｎｇｒｕｉ．ＮｅｇａｔｉｖｅｖｏｌｔａｇｅｃｏｍｐｅｎｓａｔｉｎｇｃｏｎｔｒｏｌｏｆｖｏｌｔａｇｅｓｏｕｒｃｅｃｏｎｖｅｒｔｅｒｂａｓｅｄＨＶＤＣｓｙｓｔｅｍｕｎｄｅｒｕｎｂａｌａｎｃｅｄｇｒｉｄｃｏｎｄｉｔｉｏｎｓ［Ｊ］—ＨｉｇｈＶｏｌｔａｇｅＥｎｇｉｎｅｅｒｉｎｇ，２０１１，３７（１１）：２３６３２３６９．管敏渊，徐政，潘武略，等．电网故障时模块化多电平换流器型高压直流输电系统的分析与控制［Ｊ］．高电压技术，—２０１３，３９（５）：１２３８１２４５．ＧＵＡＮＭｉｎｙｕａｎ，ＸＵＺｈｅｎｇ，ＰＡＮＷｕｌｔｉｅ，ｅｔａ１．ＡｎａｌｙｓｉｓａｎｄｃｏｎｔｒｏｌｏｆｍｏｄｕｌａｒｍｕｌｔｉｌｅｖｅｌｃｏｎｖｅｒｔｏｒｂａｓｅｄＨＶＤＣｔｒａｎｓｍｉｓｓｉｏｎｓｙｓｔｅｍｓｄｕｒｉｎｇｇｒｉｄｆａｕｌｔｓ［Ｊ］．Ｈｉｇｈ—ＶｏｌｔａｇｅＥｎｇｉｎｅｅｒｉｎｇ，２０１３，３９（５）：１２３８１２４５．范心明，管霖，夏成军，等．风电场交直流混合输电并网中ＶＳＣ．ＨＶＤＣ的控制［Ｊ］．中国电机工程学报，２０１４，—３４（２８）：４７８１４７９０．ＦＡＮＸｉｎｍｉｎｇ，ＧＵＡＮＬｉｎ，ＸＩＡＣｈｅｎｇｊｕｎ，ｅｔａ１．ＣｏｎｔｒｏｌｏｆＶＳＣ－ＨＶＤＣｉｎＡＣ／ＤＣｈｙｂｒｉｄｔｒａｎｓｍｉｓｓｉｏｎｗｉｔｈｗｉｎｄｆａｒｍｓｉｎｔｅｇｒａｔｅｄ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，２０１４，３４（２８）：４７８１－４７９０．ＬＩＳｈｕａｎｇ，ＷＡＮＧＺｈｉｘｉｎ，ＷＡＮＧＧｕｏｑｉａｎｇ．—ＡｐｐｌｉｃａｔｉｏｎｏｆａｎｉｍｐｒｏｖｅｄＰＳＯｂａｓｅｄＰＩＤｎｅｕｒａｌｎｅｔｗｏｒｋｃｏｎｔｒｏｌｌｅｒｆｏｒＶＳＣ－ＨＶＤＣ［Ｊ］．Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ—ＣＳＥＥ，２０１３，３３（３）：１４２１．—［８］王国强，王志新．粒子群与ＰＩＤＮＮ控制器在ＶＳＣＨＶＤＣ中的应用［Ｊ］．中国电机工程学报，２０１１，３１（３）：８．１３．ＷＡＮＧＧｕｏｑｉａｎｇ，ＷＡＮＧＺｈｉｘｉｎ．ＡｐｐｌｉｃａｔｉｏｎｏｆＰＳＯａｎｄＰＩＤＮＮｃｏｎｔｒｏｌｌｅｒｆｏｒＶＳＣ・ＨＶＤＣ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，２０１１，３１（３）：８－１３．［９］张海燕．ＶＳＣＨＶＤＣ输电系统的模糊神经网络控制［Ｊ］．—电测与仪表，２０１０，４７（５３５）：３４４１．ＺＨＡＮＧＨａｉｙａｎ．ＦｕｚｚｙｎｅｕｒａｌｎｅｔｗｏｒｋｃｏｎｔｒｏｌｌｅｒｆｏｒＶＳＣ－ＨＶＤＣｔｒａｎｓｍｉｓｓｉｏｎｓｙｓｔｅｍ［Ｊ］．ＥｌｅｃｔｒｉｃａｌＭｅａｓｕｒｅｍｅｎｔ＆Ｉｎｓｔｒｕｍｅｎｔ，２０１０，４７（５３５）：３４－４１．［１Ｏ］陈杰，陈冉，陈佳伟，等．机组的模糊一单神经元ＰＩＤ控制［Ｊ］＿中国电机工程学报，２０１１，３１（２７）：８８－９７．ＣＨＥＮＪｉｅ，ＣＨＥＮＲａｎ，ＣＨＥＮＪｉａｗｅｉ，ｅｔａ１．Ｆｕｚｚｙｓｉｎｇｌｅ－－ｎｅｕｒｏｎＰＩＤｃｏｎｔｒｏｌｏｆｖａｒｉａｂｌｅ・・ｓｐｅｅｄｗｉｎｄｔｕｒｂｉｎｅｓ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，２０１１，３１（２７）：８８．９７．［１１］张钧，李小鹏，何正友．采用自适应神经模糊推理系统的配电网故障分类方法［Ｊ】．中国电机工程学报，—２０１０．３０（２５）：８７９３．ＺＨＡＮＧＪｕｎ，ＬＩＸｉａｏｐｅｎｇ，ＨＥＺｈｅｎｇｙｏｕ．Ｆａｕｌｔｃｌａｓｓｉｆｉｃａｔｉｏｎｔｅｃｈｎｉｑｕｅｆｏｒｐｏｗｅｒｄｉｓｔｒｉｂｕｔｉｏｎｎｅｔｗｏｒｋｕｓｉｎｇａｄａｐｔｉｖｅｎｅｔｗｏｒｋｂａｓｅｄｆｕｚｚｙｉｎｆｅｒｅｎｃｅｓｙｓｔｅｍ［Ｊ］．—ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，２０１０，３０（２５）：８７９３．［１２］代睿，曹龙汉，何俊强，等．基于微粒群算法的无刷直流电机单神经元自适应控制［Ｊ］．电工技术学报，２０１１，２６（４）：５７－７０．ＤＡＩＲｕｉ，ＣＡＯＬｏｎｇｈａｎ，ＨＥＪｕｎｑｉａｎｇ，ｅｔａ１．ＰａｒｔｉｃｌｅｓｗａＦＩＴＩｏｐｔｉｍｉｚａｔｉｏｎｂａｓｅｄｓｉｎｇｌｅｎｅｕｒｏｎａｄａｐｔｉｖｅｃｏｎｔｒｏｌｆｏｒｂｒｕｓｈｌｅｓｓＤＣｍｏｔｏｒ［Ｊ］．ＴｒａｎｓａｃｔｉｏｎｓｏｆＣｈｉｎａＥｌｅｃｔｒｏｔｅｃｈｎｉｃａｌＳｏｃｉｅｔｙ，２０１１，２６（４）：５７－７０．［１３］朴海国，王志新，张华强．基于合作粒子群算法的ＰＩＤ神经网络非线性控制系统［Ｊ】．控制理论与应用，２００９，—２６（１２）：１３１７１３２４．ＰＩＡＯＨａｉｇｕｏ，ＷＡＮＧＺｈｉｘｉｎ，ＺＨＡＮＧＨｕａｑｉａｎｇ．ＮｏｎｌｉｎｅａｒｃｏｎｔｒｏｌｓｙｓｔｅｍｏｆＰＩＤｎｅｕｒａｌｎｅｔｗｏｒｋｂａｓｅｄｏｎｃｏｏｐｅｒａｔｅｄｐａｒｔｉｃｌｅｓｗａｒｎｑｏｐｔｉｍｉｚａｔｉｏｎ（ＰＳ０）【ＪＪ．Ｃｏｎｔｒｏｌ杨天，等一种柔性直流输电系统ＰＩＤ．ＡＮＦＩＳ优化控制方法－３７一［１４］［１５］［１６］［１７］—Ｔｈｅｏｒｙ＆Ａｐｐｌｉｃａｔｉｏｎ，２００９，２６（１２）：１３１７１３２４．林蔚天．改进的粒子群优化算法研究及其若干应用［Ｄ】．上海：华东理工大学，２０１３．ＬＩＮＷｅｉｔｉａｎ．ＲｅｓｅａｒｃｈｏｆｉｍｐｒｏｖｅｄｐａｒｔｉｃｌｅｓｗａＩ１ＴＩｏｐｔｉｍｉｚｍｉｏｎａｎｄｉｔｓａｐｐｌｉｃａｔｉｏｎｓ［Ｄ］．Ｓｈａｎｇｈａｉ：ＥａｓｔＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，２０１３．王李进，尹义龙，钟一文．逐维改进的布谷鸟搜索算—法［Ｊ］．软件学报，２０１３，２４（１１）：２６８７２６９８．ＷＡＮＧＬｉｊｉｎ，Ｙ１ＮＹｉｌｏｎｇ，ＺＨＯＮＧＹｉｗｅｎ．Ｃｕｃｋｏｏｓｅａｒｃｈａｌｇｏｒｉｔｈｍｗｉｔｈｄｉｍｅｎｓｉｏｎｂｙｄｉｍｅｎｓｉｏｎｉｍｐｒｏｖｅｍｅｎｔ［Ｊ］．ＪｏｕｒｎａｌｏｆＳｏｆｔｗａｒｅ，２０１３，２４（１１）：２６８７．２６９８．徐丽娜．神经网络控制【Ｍ］．北京：电子工业出版社，２００９：７３．９１．李兰芳，杨洪耕，郭卫明，等．基于Ｔｓ模糊推理和李亚普诺夫理论的有源电力滤波器控制［Ｊ］．电网技术，２０１２，３６（１１）：１６５－１７１．ＬＩＬａｎｆａｎｇ，ＹＡＮＧＨｏｎｇｇｅｎｇ，ＧＵＯＷｅｉｍｉｎｇ，ｅｔａ１．—ＴａｋａｇｉＳｕｇｅｎｏｆｕｚｚｙｃｏｎｔｒｏｌａｎｄＬｙａｐｕｎｏｖ－ｆｕｎｃｔｉｏｎｂａｓｅｄｓｔａｂｉｌｉｔｙｃｏｎｔｒｏｌｏｆａｃｔｉｖｅｐｏｗｅｒｆｉｌｔｅｒ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＴｅｃｈｎｏｌｏｇｙ，２０１２，３６（１１）：１６５－１７１．［１８］平玉环，李宗耀，孙剑．模糊神经网络在解耦控制中—的研究［Ｊ］．控制工程，２００９，１６（４）：４６１４６３．ＰＩＮＧＹｕｈｕａｎ，ＬＩＺｏｎｇｙａｏ，ＳＵＮＪｉａｎ．Ａｐｐｌｉｃａｔｉｏｎｏｆｆｕｚｚｙｎｅｕｒａｌｎｅｔｗｏｒｋｔｏｄｅｃｏｕｐｌｉｎｇｃｏｎｔｒｏｌ［Ｊ］．Ｃｏｎｔｒｏｌ—ＥｎｇｉｎｅｅｒｉｎｇｏｆＣｈｉｎａ，２００９，１６（４）：４６１４６３．—［１９］马修元，段钰锋，刘猛，等．基于ＰＳＯＢＰ神经网络的水焦浆管道压降预测［Ｊ］．中国电机工程学报，２０１２，３２（５）：５４－６０．ＭＡＸｉｕｙｕａｎ，ＤＵＡＮＹｕ￣ｎｇ，ＬＩＵＭｅｎｇ，ｅｔａ１．Ｐｒｅｄｉｃｔｉｏｎｏｆｐｒｅｓｓｕｒｅｄｒｏｐｏｆｃｏｋｅｗａｔｅｒｓｌｕｒｒｙｆｌｏｗｉｎｇ—ｉｎｐｉｐｅｌｉｎｅｂｙＳＯＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，２０１２，３２（５）：５４－６０．［２Ｏ］吴虎胜，张凤鸣，吴庐山．一种新的群体智能算法一一狼群算法［Ｊ］．系统工程与电子技术，２０１３，３５（１１）：２４３０．２４３８．Ⅵ，ＵＨｕｓｈｅｎｇ，ＺＨＡＮＧＦｅｎｇｍｉｎｇ，ＷＵＬｕｓｈａｎ．Ｎｅｗ—ｓｗａｒｍｉｎｔｅｌｌｉｇｅｎｃｅａｌｇｏｒｉｔｈｍｗｏｌｆｐａｃｋａｌｇｏｒｉｔｈｍ［Ｊ］．ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＥｌｅｃｔｒｏｎｉｃｓ，２０１３，３５（１１）：２４３０．２４３８．收稿日期：２０１４－１卜１４；—修回Ｂ期：２０１５－０１２６作者简介：杨天（１９８９一），男，通信作者，硕士，研究方向为柔—性直流输电系统分析与控制；Ｅｍａｉｌ：ｃａｔｈａｙｗａｒｒｉｏｒ＠１６３．ｃｏｍ霍琳琳（１９８９一），女，研究方向为电力系统分析、运行与控制。（编辑魏小丽）