《基于免疫算法的逆变器无死区控制优化方法.pdf》由会员分享，可在线阅读，更多相关《基于免疫算法的逆变器无死区控制优化方法.pdf（16页珍藏版）》请在专利查询网上搜索。
1、(10)申请公布号 CN 102946208 A (43)申请公布日 2013.02.27 C N 1 0 2 9 4 6 2 0 8 A *CN102946208A* (21)申请号 201210497004.6 (22)申请日 2012.11.28 H02M 7/5387(2007.01) G06N 3/12(2006.01) (71)申请人武汉大学 地址 430072 湖北省武汉市武昌区珞珈山武 汉大学 (72)发明人袁佳歆 费雯丽 陈柏超 田翠华 魏亮亮 孙彬 (74)专利代理机构武汉科皓知识产权代理事务 所(特殊普通合伙) 42222 代理人鲁力 (54) 发明名称 基于免疫算法的逆。
2、变器无死区控制优化方法 (57) 摘要 本发明提出一种基于免疫算法的逆变器无死 区控制优化方法。本发明在分析各种减少或消除 死区影响方法的基础上，针对单相全桥逆变器提 出一种新的三电平死区消除方法。在不需要精确 的电流极性检测条件下，通过划分参考电流区域 确定开关序列，该发明可以实现在电流过零点附 近以及各区域之间无缝过渡的无死区控制。并借 助于免疫算法对满足死区消除方法的PWM控制序 列进行优化，提高逆变器输出波形质量。本发明所 产生的无死区最优PWM控制序列与常规控制策略 相比不仅能有效地消除死区影响，还能明显减小 逆变器输出波形的总谐波畸变率(THD)。 (51)Int.Cl. 权利要求。
3、书2页 说明书10页 附图3页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书 2 页 说明书 10 页 附图 3 页 1/2页 2 1.一种基于免疫算法的逆变器无死区控制优化方法，其特征在于，。 步骤1，设定迭代次数k，并根据编码操作产生初始群体，定义抗体是单相逆变器开关 模式对应的一组数字串，其染色体结构定义如下： Chrom=X 1 ,X 2 ,X 3 ,X N 其中X m (m=1,2,3N)即表示每个开关对应的开关序列，X m 在0,1，2三个值中取值，其 中，初始种群是在满足编码操作及无死区时间的约束条件情况下随机产生的； 步骤2，注射疫苗，即将作为治疗性疫。
4、苗的抗体加入步骤1产生的初始抗体种群中，与 随机生成的染色体，得到初始的抗体种群； 步骤3，对当前的抗体种群中每一条染色体计算亲和度，以及当前的种群中每一条染色 体的浓度； 步骤4，根据步骤3所得亲和度和浓度对当前的抗体种群中每一条抗体计算免疫选择 函数值，将免疫选择函数值低的抗体按概率从当前的抗体种群中去除； 步骤5，针对步骤4完成的抗体种群进行交叉操作，即以设定概率在某两个个体的交叉 点发生相互交换； 步骤6，针对步骤5完成抗体种群进行变异操作，即对抗体上的某一位或一些基因座上 的基因值按照设定的变异概率进行的突变； 步骤7，判断当前迭代次数k是否达到设定的最大迭代次数，是则进入步骤8，否。
5、则设当 前迭代次数k=k+1，返回到步骤3进行下一次迭代； 步骤8，对当前的抗体种群中每一条抗体计算亲和度，判断当前所得结果是否收敛，是 则进入步骤9，否则以当前的抗体种群作为治疗性疫苗的抗体，返回到步骤1重新生成加入 初始抗体种群进行迭代； 步骤9，对当前的抗体种群中每一条抗体计算免疫选择函数值，根据免疫选择函数值最 大的抗体得到消除死区影响的单相逆变器的整个周期中0/2部分或0部分的开关状 态控制序列。 2.根据权利要求1所述的基于免疫算法的逆变器无死区控制优化方法，其特征在于， 步骤1中，初始种群是在满足编码操作及无死区时间的约束条件情况下随机产生的，根据 电流区域划分，其约束条件为，在。
6、电流下降的过零区域染色体基因编码只能为序列2，在电 流上升的过零区域染色体基因编码只能为序列1，在过渡区域，染色体基因编码只能为序列 0。 3.根据权利要求1所述的基于免疫算法的逆变器无死区控制优化方法，其特征在于， 所述步骤3中，亲和度由于需要综合考虑THD与开关损耗，亲和度的获取基于公式： 式中，x i 表示第i条抗体，I m (t)表示实际电流值，用I m (t)等效mt到(m+1)t这段 时间的实际电流平均值，I f (t)表示理想电流值。 4.根据权利要求3所述的基于免疫算法的逆变器无死区控制优化方法，其特征在于， 所述步骤3中，染色体的浓度的获取方法是：定义第i条抗体x i 和第j。
7、条抗体x j 为在空间 X中的两个矢量，它们通过函数f映射到空间Y中称为矢量f(x i )、f(x j )，因此矢量f(x i )、 权 利 要 求 书CN 102946208 A 2/2页 3 f(x j )在Y空间中的距离为： 则抗体x i 与其它抗体（包括本身）的空间距离总和，即与当前的抗体种群所有抗体的空 间距离总和为： 式中H为当前的抗体种群中抗体总数；因此将抗体浓度定义为： 5.根据权利要求1所述的基于免疫算法的逆变器无死区控制优化方法，其特征在于， 步骤4中，将免疫选择函数设为： 式中a、b为权重系数，且a+b1，得到所有抗体的选择函数值，设定阈值将免疫选 择函数值低的抗体按概率。
8、从当前的抗体种群中去除，即：对于第i个抗体，随机产生一个 取值范围在0,1之间的随机数 i ，如果则第i个抗体将遗传到下一代，如果 则第i个抗体将被遗弃，不遗传到下一代。 6.根据权利要求1所述的基于免疫算法的逆变器无死区控制优化方法，其特征在于， 所述步骤5中，交叉操作的具体操作是：若判定两条染色体某个基因位随机产生的概率大 于交叉率，则从该基因位开始，两条染色体的基因发生互换。 7.根据权利要求1所述的基于免疫算法的逆变器无死区控制优化方法，其特征在于， 所述步骤6中，变异操作的具体操作是：若判定染色体某个基因位随机产生的概率大于变 异率，若原序列为1，则随机突变为0或2；原序列为0，则随。
9、机突变为1或2；原序列为2，则 随机突变为1或0。 权 利 要 求 书CN 102946208 A 1/10页 4 基于免疫算法的逆变器无死区控制优化方法 技术领域 0001 本发明涉及逆变器数字化控制技术领域，尤其是涉及基于免疫算法的逆变器无死 区控制优化方法。 背景技术 0002 随着电力电子技术的发展，PWM电压源型逆变器（VSI）在变频调速、智能电网等现 代工业生产和居民生活中得到广泛的应用。从理论上来说采用PWM控制后逆变器输出波形 的谐波成份应该较高(集中在载波频率的整数倍周围)。但实际应用中，半导体开关器件具 有非理想的开关特性,使器件开通时间小于关断时间，容易造成同相桥臂互补的。
10、两个功率 器件开关发生直通短路故障，为避免这种情况，通常将信号延时导通或是提前关断即设置 死区。但死区的存在将使得输出电压和电流发生非线性畸变，且低次谐波增加，电机转矩产 生脉动及增加谐波损耗等，尤其是在电压低，开关频率高时影响更为严重。 0003 为了减小和消除死区的影响，很多专家、学者进行了大量研究，主要包括几个方 面：死区补偿，死区时间最小化，消除死区时间。死区补偿方法主要是对死区误差进 行电压补偿，或者调整的驱动脉冲信号PWM宽度而进行时间的补偿，使实际的开通时间与 理想导通时间相一致。2007年，Oliveira A.C.等提出通过改变开关频率与门极信号脉宽 来减少逆变器输出电压的畸。
11、变，但其计算量大。Urasaki N等提出的在线补偿方法可以消除 功率管开关时间以及功率管上压降的变动对死区补偿效果的影响，但其前提是电动机参数 必须准确。Kim S.Y等提出通过在基波指令电压矢量上叠加一个补偿矢量以抵消死区引起 的扰动电压矢量，但硬件检测电路带来了不可靠性、复杂性。何正义等通过在d-q坐标系下 计算电流大小，提出分别独立地改变三个桥臂各自的死区时间，目的是使由死区引起的扰 动电压矢量跟随电流矢量同步旋转，但最小死区允许时间是由器件自身决定且在运行中其 值也是个变量。Choi J.S等提出禁止给不必要的开关门极驱动信号的一种的死区时间最小 化的算法。当采用硬件对电流进行检测或。
12、是计算时,存在引入A/D转换的误差以及检测的 滞后,并由于存在PWM的开关噪声和零电流的钳位现象,使得在电流检测中出现多个过零 点的现象，难以准确获取电流极性，所以死区补偿与最小死区时间方法只是在一定程度上 减少死区效应影响，但不能完全消除。消除死区时间是在分析设置死区的三要素条件基础 上，提出不设置死区的控制策略，其原理是：电流在正负半周内，实际上同一桥臂只有一个 功率器件与并联二极管导通电流，所以可以禁止实际不导通电流的功率器件驱动信号，让 其一直处于关断状态，则上下开关之间不用再设置死区，实现无死区控制，但该方法需要准 确获取每个开关的状态检测情况以及电流极性。L.H.Chen等提出通过。
13、判断功率管并联二极 管是否导通来检测电流方向而引入了电流检测硬件电路，并且Lin Y.K后提出了不需要为 检测电路提供单独的独立电源，但是这两种方法引入检测回路，同时也将会产生经济型和 可靠性等方面的缺点。此外，这种死区消除方法并不适应于多个电流过零点的情况。当电 流在零点附近时其电流方向将发生快速频繁的变换，且数字信号的采样延时或计算延时这 样更易造成驱动信号的缺失，所以不能可靠有效地消除死区的影响。杨波等提出采用常规 说 明 书CN 102946208 A 2/10页 5 无死区控制与过零区域死区补偿的两种方法的结合，该方法可以有效的消除死区影响，但 是上述死区时间控制的方法都是基于两电平。
14、PWM控制策略。 发明内容 0004 本发明主要是解决现有技术所存在的技术问题；提供了一种有效的解决了消除逆 变器死区影响的过零点的问题，且不需要非常精确的电流极性检测装置的基于免疫算法的 逆变器无死区控制优化方法。 0005 本发明还有一目的是解决现有技术所存在的技术问题；提供了一种能够使逆变器 开关器件开关状态的过渡更加平滑，实现了各区域之间无缝过渡的无死区控制的基于免疫 算法的逆变器无死区控制优化方法。 0006 本发明再有一目的是解决现有技术所存在的技术问题；提供了一种明显减少逆变 器输出波形总谐波畸变率，提高了输出波形质量的基于免疫算法的逆变器无死区控制优化 方法。 0007 本发明。
15、最后有一目的是解决现有技术所存在的技术问题；提供了一种能够最大限 度地减少开关损耗，且由于开关动作次数平均分配则可以提高器件的利用率和延长使用周 期的基于免疫算法的逆变器无死区控制优化方法。 0008 本发明的上述技术问题主要是通过下述技术方案得以解决的： 0009 一种基于免疫算法的逆变器无死区控制优化方法，其特征在于，。 0010 步骤1，设定迭代次数k，并根据编码操作产生初始群体，定义抗体是单相逆变器 开关模式对应的一组数字串，其染色体结构可以定义如下： 0011 Chrom=X 1 ,X 2 ,X 3 ,X N 0012 其中X m (m=1,2,3N)即表示每个开关对应的开关序列，X。
16、 m 在0,1，2三个值中取 值，其中，初始种群是在满足编码操作及无死区时间的约束条件情况下随机产生的； 0013 步骤2，注射疫苗，即将作为治疗性疫苗的抗体加入步骤1产生的初始抗体种群 中，与随机生成的染色体，得到初始的抗体种群； 0014 步骤3，对当前的抗体种群中每一条染色体计算亲和度，以及当前的种群中每一条 染色体的浓度； 0015 步骤4，根据步骤3所得亲和度和浓度对当前的抗体种群中每一条抗体计算免疫 选择函数值，将免疫选择函数值低的抗体按概率从当前的抗体种群中去除； 0016 步骤5，针对步骤4完成的抗体种群进行交叉操作，即以设定概率在某两个个体的 交叉点发生相互交换； 0017 。
17、步骤6，针对步骤5完成抗体种群进行变异操作，即对抗体上的某一位或一些基因 座上的基因值按照设定的变异概率进行的突变； 0018 步骤7，判断当前迭代次数k是否达到设定的最大迭代次数，是则进入步骤8，否则 设当前迭代次数k=k+1，返回到步骤3进行下一次迭代； 0019 步骤8，对当前的抗体种群中每一条抗体计算亲和度，判断当前所得结果是否收 敛，是则进入步骤9，否则以当前的抗体种群作为治疗性疫苗的抗体，返回到步骤1重新生 成加入初始抗体种群进行迭代； 0020 步骤9，对当前的抗体种群中每一条抗体计算免疫选择函数值，根据免疫选择函数 说 明 书CN 102946208 A 3/10页 6 值最大。
18、的抗体得到消除死区影响的单相逆变器的整个周期中0/2部分或0部分的开 关状态控制序列。 0021 在上述的基于免疫算法的逆变器无死区控制优化方法，所述步骤1中，初始种群 是在满足编码操作及无死区时间的约束条件情况下随机产生的，根据电流区域划分，其约 束条件为，在电流下降的过零区域染色体基因编码只能为序列“2”，在电流上升的过零区域 染色体基因编码只能为序列“1”，在过渡区域，染色体基因编码只能为序列“0”。 0022 在上述的基于免疫算法的逆变器无死区控制优化方法，所述步骤3中，亲和度由 于需要综合考虑THD与开关损耗，亲和度的获取基于公式： 0023 0024 式中，xi表示第i条抗体，I 。
19、m (t)表示实际电流值，用I m (t)等效mt到(m+1)t 这段时间的实际电流平均值，I f (t)表示理想电流值。 0025 在上述的基于免疫算法的逆变器无死区控制优化方法，所述步骤3中，染色体的 浓度的获取方法是：定义第i条抗体x i 和第j条抗体x j 为在空间X中的两个矢量，它们通 过函数f映射到空间Y中称为矢量f(x i )、f(x j )，因此矢量f(x i )、f(x j )在Y空间中的距离 为： 0026 0027 则抗体x i 与其它抗体（包括本身）的空间距离总和，即与当前的抗体种群所有抗体 的空间距离总和为： 0028 0029 式中H为当前的抗体种群中抗体总数；因此。
20、将抗体浓度定义为： 0030 0031 在上述的基于免疫算法的逆变器无死区控制优化方法，步骤4中，将免疫选择函 数设为： 0032 0033 式中a、b为权重系数，且a+b1，得到所有抗体的选择函数值，设定阈值将免疫 选择函数值低的抗体按概率从当前的抗体种群中去除，即：对于第i个抗体，随机产生一个 取值范围在0,1之间的随机数 i ，如果则第i个抗体将遗传到下一代，如果 则第i个抗体将被遗弃，不遗传到下一代。 0034 在上述的基于免疫算法的逆变器无死区控制优化方法，所述步骤5中，交叉操作 的具体操作是：若判定两条染色体某个基因位随机产生的概率大于交叉率，则从该基因位 开始，两条染色体的基因发。
21、生互换。 0035 在上述的基于免疫算法的逆变器无死区控制优化方法，所述步骤6中，变异操作 说 明 书CN 102946208 A 4/10页 7 的具体操作是：若判定染色体某个基因位随机产生的概率大于变异率，若原序列为“1”，则 随机突变为“0”或“2”；原序列为“0”，则随机突变为“1”或“2”；原序列为“2”，则随机突变 为“1”或“0”。 0036 因此，本发明具有如下优点：1.本发明采用通过划分参考电流区域来确定开关序 列的方法，有效的解决了消除逆变器死区影响的过零点的问题，且不需要非常精确的电流 极性检测装置；2.本发明采用三电平控制策略，使逆变器开关器件开关状态的过渡更加平 滑，。
22、实现了各区域之间无缝过渡的无死区控制；3.本发明所提出的逆变器无死区控制方法 通过免疫算法优化开关波形，明显减少逆变器输出波形总谐波畸变率，提高了输出波形质 量；4.由于本发明所提出的逆变器无死区控制优化方法在一个周期内每个开关都只工作 一段时间，其他时间不动作，最大限度地减少开关损耗，且由于开关动作次数平均分配则可 以提高器件的利用率和延长使用周期。 附图说明 0037 附图1是现有技术中的单相逆变器主电路示意图。 0038 附图2是现有技术中的等效的桥臂分解单元结构示意图。 0039 附图3是本发明实施例的参考电流区域分布示意图。 0040 附图4是传统常规两电平PWM控制信号、常规无死区。
23、PWM控制信号与本发明实施 例的PWM控制信号示意图。 0041 附图5是现有技术中的免疫算法流程图。 0042 附图6是本发明实施例的交叉操作示意图。 0043 附图7是本发明实施例的变异操作示意图。 0044 附图8是本发明实施例的倒位操作示意图。 具体实施方式 0045 下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。 0046 实施例： 0047 本发明技术方案可采用计算机软件技术实现自动运行流程，以下结合附图和实施 例详细说明本发明技术方案。 0048 附图1为电压型单相逆变器具体结构，图中E是直流侧电压，并联稳压电容C 1 、C 2 。 L是纯电感，R是电阻，当R。
24、0时表示逆变器输出端接阻感负载，当R=0时，表示逆变器输 出端接纯电感负载。开关器件IGBT（绝缘栅双极型晶体管）V 1 V 4 均为单极性二值逻辑开 关，导通时1，关断时为0，VD 1 VD 4 为反并联续流二极管。U 0 表示逆变器输出电压，i表示 逆变器输出电流，其箭头所指方向为参考电流正方向。 0049 如附图1所示，本文采用三电平模式消除死区。当开关V 1 、V 4 导通且V 2 、V 3 关断 (或是VD 1 、VD 4 导通)，逆变器输出电压为U 0 E；当V 2 、V 3 导通且V 1 、V 4 关断时(或是VD 2 、 VD 3 导通)，输出电压为U 0 -E；当V 1 、V。
25、D 3 导通(或是V 2 、VD 4 导通)输出电压为U 0 0。故 将逆变器的开关序列X m 记为： 说 明 书CN 102946208 A 5/10页 8 0050 0051 附图2所示为将一相桥臂分解为两个相互关联的单元。当i0且V 1 导通时，电流 i经V 1 流过；V 1 关断时，电流i经续流二极管VD 2 续流；因此这两种情况下V 2 都无需导通。 同理，当i0时，有可能出现开关序列X m =1(U 0 =E)、X m =2(U 0 -E)或 X m =0(U 0 0)。但当电流在上升阶段时(b区域)，为消除死区影响，本文采取的开关控制序 列只允许出现X m =1或X m =0，不。
26、可能出现X m =2；相似分析在电流下降时（c区域），也不可能出 现X m =1，如果出现X m =2状态也是其相对应于续流二极管VD 2 与VD 4 相互配合，而不是常规的 开关V 2 与V 3 动作。另外，在开关控制序列当中X m =0在不同区域中对应的开关状态都是不一 样的，例如在c区域中，其X m =0是V 4 与VD 2 导通，而b区域中，其X m =0是V 1 与VD 3 导通。采 取该措施有以下几个优点： 0059 （1）可以平均分配开关开断情况，这样既可以较少开关动作次数，同时可以延长开 说 明 书CN 102946208 A 7/10页 10 关的寿命，并减小开关损耗; 00。
27、60 （2）可以使开关平滑过渡，如电流从“b区域-过渡点-c区域-d区域-e区域-过 渡点-f区域-a区域”的过渡，可通过以下过程实现:1(V 1 ,V 4 )-0(V 1 ,VD 3 )-2(VD 2 ,VD 3 ) -2(V 2 ,V 3 )-0(V 2 ,VD 4 )-1(VD 1 ,VD 4 )-1(V 1 ,V 4 )。可以看出，开关转换都是间接通过续流 二极管无缝过渡的； 0061 （3）电流波动较小即输出波形质量较优。 0062 2.过渡区域序列 0063 如附图4所示，当电流由区域b过渡c时，参照表1，此时开关状态出现的序列只可 能是1或是0，对应电流趋势相比于上一个状态的电流。
28、值分别是增大与保持不变。但 是如果过渡点出现1时，电流值是处于上升阶段，电流此时将进入c区域，根据表1所示， c区域对应开关系列只能是2或是0。又根据电流的对称性，其开关序列为2，对应 电流为下降趋势。当电流从上升的最大值至下降阶段其电流误差相对较大。但当过渡点为 0时，电流保持上一个状态时的值，电流将进入c区域，其开关序列为0，其电流值仍然 保持，相对于上升与下降之间的误差，过渡点为0的误差相对较小。因此，对于区域之间 的过渡点时其开关序列为0。 0064 3.过零区域序列 0065 本发明通过参考电流值大小划分区域（本文以电流i5%I max 为过零区域的临界 值,其中I max 为电流最。
29、大值），针对过零点时采取死区补偿方案。 0066 以过零区域d为例，在常规过零区域有可能出现序列22，如果出现22时， 对于常规无死区控制策略，其功率器件以及二极管状态分别为：V 3 与V 4 均关断，此时是通过 二极管VD 2 与VD 3 续流，但是，由于此时电流很小有可能电感产生的反相电势不足以达到二 极管的门槛电压（V F ）即： 0067 U o E+2V F 0068 此时电流将发生截流，电流波形也将发生畸变。为了防止类似这些情况，本发明提 出利用死区时间补偿方案，即2的开关状态将发生变化，也就是将原来的二极管VD 2 与VD 3 导通转换为V 2 与V 3 导通，并且在转变的前期开。
30、关状态不允许出现0（即VD 2 与V 4 导通）， 这样即可避免V 3 与V 4 同时动作。此方法相当于当在电流过零时将给开关V 2 、V 3 足够的准 备时间，其导通时间是由开关器件及其电路自身所决定的。当二极管不足以导通的情况下 电流也将经过V 2 与V 3 形成回路，使得电流值快速下降为0，电压值仍然不变，从而输出波形 不会发生畸变。通过对过零区域序列变换，过零区域a,即电流处于上升阶段时，开关序列 只可能是“1”，过零区域d，即电流处于下降阶段时，开关序列只可能是“2”。逆变器开关序 列对应器件开关状态如表1所示，即电流在从a-b-c-d-e-f-a都是无缝过渡，功率器件开关 不会发生。
31、直通短路现象。同时，由于过零区域的划定使得电流极性装置不需要过于精确。 0069 本发明通过对参考电流划分不同的区域，综合考虑过零点、过渡点和开关利用率 等一系列与死区相关的问题，并通过免疫算法计算且优化三电平PWM序列，实现开关平滑 过渡、有效的消除死区影响、降低输出波形THD。 0070 免疫算法（Immune Algorithm,IA）是模拟生物界自然选择和遗传机理而开发出的 一种自适应全局寻优算法。它是由状态空间中的状态矢量经过一定的编码映射到遗传空 间，构成基因型数据序列，若干数据序列组成群体，同时将目标函数值转换为适应度函数， 说 明 书CN 102946208 A 10 8/10。
32、页 11 用来评价数据串的优劣。通过对当前群体施加选择、交叉变异等操作，产生新一代群体。经 过多代进化，在理论上它能以概率1达到局部最优解。其中IA有一个重要特征是它能够处 理线性与非线性问题，这也是它能够对电压源逆变器进行优化的依据。如前所述，消除死区 时间的方法在于与传统的门极驱动控制信号有所不同。在本发明中，免疫算法（IA）被用来 优化消除开关死区时间的PWM控制序列。附图5即为免疫算法的流程图，包括根据编码操 作产生初始群体、注射疫苗，然后迭代执行计算亲和度、计算浓度、免疫选择、交叉操作、变 异操作、倒位操作、添加操作、判断新一代个体是否满足要求，直到满足要求后结束迭代。 0071 为。
33、便于实施参考起见，本实施例的具体流程说明如下： 0072 步骤1，根据编码操作产生初始群体，编码是IA解决实际问题的第一步。抗体是指 单相逆变器开关模式对应的一组数字串，其染色体结构可以定义如下： 0073 Chrom=X 0 ,X 1 ,X 2 ,X N-1 0074 其中X m (m=0,1,2N-1)即表示每个开关对应的开关序列，X m 在0,1,2三个值中取 值。 0075 初始种群是在满足编码操作及无死区时间的约束条件情况下随机产生的。 0076 步骤2，注射疫苗，即将作为治疗性疫苗的抗体加入初始抗体种群，与随机生成的 染色体，得到初始的抗体种群。 0077 常规无死区PWM控制或者。
34、常规三电平控制等策略得到的开关序列都是广泛使用 的较优的逆变器控制序列，首次执行步骤2时把这些常规的控制序列作为治疗性疫苗注入 到初始抗体种群中，作为初始抗体种群的一部分。本发明实施例的初始抗体种群中染色体 数H=500，具体实施时本领域技术人员可以自行设定初始抗体种群规模。通过注射疫苗，可 以减少免疫算法的收敛时间和并提高免疫算法的效率。 0078 步骤3，计算亲和度，包括对当前的抗体种群中每一条染色体计算亲和度。 0079 本实施例中，免疫算法优化的目的是在消除死区的影响的基础上减少输出波形 的THD。由于直接把输出谐波含量作为目标来量化计算比较困难，但逆变器输出波形与标 准正弦波的拟合程。
35、度决定了其THD的大小，因此可以把二者的误差作为来计算输出波形 的质量。由于电流波形的对称性，其具体由负载决定，为了提高免疫算法的收敛性与效率 性，可以计算部分周期最后扩展为一个完整的全周期。将逆变器输出电流波形整个周期的 1/4(纯电感负载)或1/2（阻感负载）平均划分成N等份（周期T=0.02s），则每个小段时间 为： 0080 或 0081 负载电流的表达式为： 0082 0083 其中： 0084 0085 N表示每个抗体上的基因数，m表示抗体上的基因编号（m0,1,2N-1），X m 表示 该基因位上对应的开关模式，R、L分别表示负载电阻、电感。 0086 通过负载电流表达式可以计算。
36、得到每过t时间后的离散电流值，再由计算亲和 说 明 书CN 102946208 A 11 9/10页 12 度的公式可以计算得到所有抗体所对应的亲和度值。抗体的亲和度值越大，说明该抗体越 好，抗体的亲和度值越小，说明该抗体越差。实施例计算亲和度的公式为： 0087 0088 式中，x i 表示第i条抗体，I m (t)表示实际电流值，用I m (t)等效mt到(m+1)t 这段时间的实际电流平均值，I f (t)表示理想电流值。 0089 步骤4，计算浓度，包括对当前的种群中每一条染色体按以下方式计算浓度： 0090 令空间X是当前的抗体种群所有抗体的集合，空间Y是当前的抗体种群中每个抗 体作。
37、用后对应的结果的集合，在本实施例中，即代表流过电感的实际电流值，设第i条抗体 x i 和第j条抗体x j 为在空间X中的两个矢量，它们通过函数f映射到空间Y中称为矢量 f(x i )、f(x j )，因此矢量f(x i )、f(x j )在Y空间中的距离为 0091 0092 则抗体x i 与其它抗体（包括本身）的空间距离总和，即与当前的抗体种群所有抗体 的空间距离总和为： 0093 0094 式中H为当前的抗体种群中抗体总数。 0095 因此实施例将抗体浓度定义为： 0096 0097 步骤5，免疫选择，包括根据步骤3所得亲和度和步骤4所得浓度对当前的抗体种 群中每一条抗体计算免疫选择函数值。
38、，将免疫选择函数值低的抗体按概率从当前的抗体种 群中去除。 0098 实施例将免疫选择函数设为： 0099 0100 式中a、b为权重系数，且a+b1，具体实施时，本领域技术人员可根据对亲和度 和浓度影响的具体考虑设定取值。该实施例中，ab0.5。 0101 由上式可以计算所有抗体的选择函数值，本领域技术人员可根据具体情况设计阈 值将免疫选择函数值低的抗体按概率从当前的抗体种群中去除。实施例采用的方式为：对 于第i个抗体，随机产生一个取值范围在0,1之间的随机数 i ，如果则第i个 抗体将遗传到下一代，如果则第i个抗体将被遗弃，不遗传到下一代。需要注意 的是，被遗弃的抗体也将不会再进行交叉、变。
39、异、倒位等操作，直接被淘汰。 0102 步骤6，交叉操作，交叉操作是以某一概率在某两个个体的交叉点发生相互交换的 过程，通过交叉操作可以产生新的抗体且有可能改善的抗体。若判定两条染色体某个基因 位随机产生的概率大于交叉率，则从该基因位开始，两条染色体的基因发生互换。附图6所 说 明 书CN 102946208 A 12 10/10页 13 示为交叉操作示意图。其中，Chorm A、Chorm B分别表示染色体A、B开关序列。 0103 步骤7，变异操作，变异运算是对抗体上的某一位或一些基因座上的基因值按照一 定变异概率进行的突变，这样的突变可以进一步提高种群多样性。若判定染色体某个基因 位随机。
40、产生的概率大于变异率，若原序列为“1”，则突变为“0”或“2”；原序列为“0”，则突 变为“1”或“2”；原序列为“2”，则突变为“1”或“0”。附图7为变异操作示意图。其中， ChormA表示染色体A开关序列。 0104 步骤8，倒位操作，一般负载大部分由电感或是电容等组合而成，而这些器件都具 有储能作用，所以其不仅跟当前状态有关，而且也需要考虑先前的状态，倒位为作为染色体 变异的一个附加操作，是先随机选中个体的某一位基因，按倒位概率将其和后一位基因相 互颠倒位置，生成一个新染色体。通过倒位操作可以产生新的染色体，附图8所示为倒位操 作示意图。其中，Chorm A表示染色体A开关序列。 01。
41、05 步骤9，判断当前迭代次数k是否达到设定的最大迭代次数，是则进入步骤10，否 则设当前迭代次数k=k+1，返回到步骤3进行下一次迭代。 0106 从免疫算法的流程图可知，对于一个种群要先进行免疫选择，通过免疫选择后遗 留下来的抗体再逐次进行交叉操作、变异操作、倒位操作（包含一般倒位操作和微倒位操 作），是否发生交叉、变异或倒位依赖于产生的随机数是否小于交叉率、变异率、倒位率。如 果以上操作步骤完成，表明IA完成了一次迭代运算，如图5，每一次迭代完成，返回到步骤3 进行下一次迭代，当迭代次数达到设定的最大迭代次数时，免疫算法终止。本实施例中最大 迭代次数可设为2000次，具体实施时本领域技术。
42、人员可自行根据情况设定。 0107 步骤10，对当前的抗体种群中每一条抗体计算亲和度，判断当前所得结果是否收 敛，是则进入步骤11，否则以当前的抗体种群作为治疗性疫苗的抗体，返回到步骤1重新生 成加入初始抗体种群进行迭代。 0108 本步骤亲和度计算方式与参照步骤3亲和度计算公式。若经过2000次迭代后，每 次执行步骤10所得亲和度稳定地趋近一个值，即当前所得结果收敛。如果结果已经收敛， 表明IA求解逆变器最优开关控制序列问题的算法已经完成，如果结果不收敛，则需要把本 次结果作为新的疫苗，返回步骤2重复免疫计算的过程，直到结果收敛为止。一般，首次执 行免疫算法后如果结果不收敛，再通过一次免疫计。
43、算，结果即可收敛。 0109 步骤11，对当前的抗体种群中每一条抗体计算免疫选择函数值，根据免疫选择函 数值最大的抗体得到消除死区影响的单相逆变器的整个周期中0/2部分（纯电感负载） 或0部分（阻感负载）的开关状态控制序列。 0110 免疫算法完成后，得到最终的抗体种群，通过对各个抗体的免疫选择函数的计算， 可以选择出该种群中最优的抗体，该抗体就是解决实际问题的最优解。此时免疫选择函数 的计算与步骤5一致，计算中涉及的亲和度和浓度计算也和步骤3、步骤4一致，因为步骤 10已经计算亲和度，本步骤计算免疫选择函数时可以直接利用步骤10的计算结果。 0111 本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领 域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替 代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。 说 明 书CN 102946208 A 13 1/3页 14 图1 图2 图3 说 明 书 附 图CN 102946208 A 14 2/3页 15 图4 图5 说 明 书 附 图CN 102946208 A 15 3/3页 16 图6 图7 图8 说 明 书 附 图CN 102946208 A 16 。