基于PSO-GSA算法的含DFIG互联系统AGC优化控制研究
AGC系统的优化
AGC系统的优化
AGC系统的优化可以从硬件的角度进行。
传统的AGC系统通常使用模拟电路实现，而现代的优化方法可以采用数字信号处理器（DSP）来实现AGC算法。
DSP具有较高的灵活性和可编程性，可以根据实际需求对AGC算法进行优化和改进，提高系统的准确性和鲁棒性。
AGC系统的优化还可以从算法的角度进行。
传统的AGC算法通常采用固定的增益控制策略，没有考虑到输入信号的动态变化。
现代的优化算法可以采用自适应增益控制策略，根据输入信号的实时特征来动态地调整增益。
这样可以更准确地跟踪输入信号的变化，提高系统的稳定性和准确性。
AGC系统的优化还可以考虑到系统的抗干扰性。
在实际应用中，AGC系统往往会受到各种干扰的影响，如背景噪声、多径传播等。
优化AGC系统可以采用滤波和抗干扰算法，抑制干扰信号对AGC系统的影响，提高系统的抗干扰性。
AGC系统的优化还可以结合其他信号处理技术来进行。
可以结合自适应滤波和信号压缩等技术，对输入信号进行预处理，进一步提高AGC系统的性能。
AGC系统的优化可以从硬件的角度和算法的角度进行。
通过采用先进的硬件和算法，可以提高AGC系统的稳定性、抗干扰性和准确性等方面的性能，从而提高系统的整体性能。
AGC系统的优化
AGC系统的优化AGC系统是自动发电控制系统，它负责监测电网负载情况，调整发电机的输出功率，以维持电网频率稳定。
在电力系统中，AGC系统的优化对于提高发电效率、减少系统压力、增强稳定性等方面具有巨大的意义。
本文将探讨AGC系统的优化方法和其带来的益处。
一、 AGC系统的作用AGC系统是电力系统中至关重要的一环。
它通过监测电网频率和负载情况，实时调节发电机的输出功率，以保持电网频率在合适的范围内。
这种自动调节的机制可以让电网在承受突发负荷的情况下，仍然保持稳定。
AGC系统也可以协调不同发电机的运行，保持系统的平衡和稳定。
二、 AGC系统的优化方法1. 优化控制算法AGC系统的核心是控制算法。
传统的PID控制算法对于一般情况下的频率调节可以胜任，但是在面对复杂多变的负荷情况时，传统的PID控制算法往往显得力不从心。
一种更为高级的控制算法就是必不可少的。
比如说模糊逻辑控制算法、神经网络控制算法等都可以应用于AGC系统中，以提高控制系统的响应速度和稳定性。
2. 增加测量装置AGC系统的优化还需要从测量装置上着手。
稳定的测量结果是优化控制算法的前提。
通过增加测量装置，提高测量精度，可以有效减小控制误差，提高AGC系统的控制精度。
3. 考虑发电成本除了维持电网频率的稳定外，AGC系统的优化还需要考虑发电成本。
尽量选择发电成本较低的发电机来满足负荷需求，可以减小系统的运行成本，提高发电效率。
4. 整体优化AGC系统的优化还需要考虑整个电力系统的运行状况。
与其他控制系统进行联动，比如自动发电厂模式控制、无功补偿控制等，可以实现整个电力系统的优化运行。
2. 减小电力系统压力优化的AGC系统可以更加及时准确地调节发电机的输出功率，使得电网频率更加稳定，减小了电力系统的压力。
3. 增强电力系统的稳定性通过整体优化，AGC系统可以与其他控制系统进行联动，使得整个电力系统更加稳定和平衡。
4. 提高电力系统的灵活性优化的AGC系统使得电力系统对于外部负荷变化更加灵活应对，可以保持系统平衡稳定的同时提高经济效益。
AGC系统的优化
AGC系统的优化AGC系统是用于自动控制发电机或调度发电机的系统，它主要用于调整发电机的输出功率，以维持电力系统的频率稳定。
AGC系统的优化对于提高电力系统的稳定性和可靠性具有重要意义。
本文将探讨AGC系统的优化策略，包括控制参数的优化、算法的优化和系统的优化。
一、控制参数的优化AGC系统的控制参数包括比例增益、积分时间、微分时间等，这些控制参数的选择对系统的性能具有重要影响。
控制参数的优化是指通过调整这些参数，使得系统的响应速度更快、稳定性更好。
在实际应用中，通常可以采用模拟仿真、试验分析等方法来找到最佳的控制参数。
首先要考虑的是比例增益的选择。
比例增益决定了系统对误差的敏感程度，通常情况下，比例增益越大，系统响应速度越快。
但是过大的比例增益可能会导致系统振荡，因此需要在速度和稳定性之间权衡，通过试验和分析找到最佳的比例增益。
通过对控制参数的优化，可以提高AGC系统的性能，使其在频率波动等突发情况下能够更快速、更稳定地调整发电机的输出功率，从而保障电力系统的稳定性和可靠性。
二、算法的优化除了控制参数的优化，AGC系统的算法也是至关重要的。
当前主要的AGC系统算法包括PID控制算法、模糊控制算法、神经网络控制算法等。
针对不同的电力系统特点和工况，需要选择合适的算法，并对算法进行优化。
首先是PID控制算法的优化。
PID控制算法是目前应用最广泛的AGC系统控制算法，其优化主要包括参数整定、控制策略优化等方面。
通过对PID控制器参数进行整定，可以提高系统的稳定性和响应速度；通过改进控制策略，可以使得系统在不同负荷和频率变化下都能够保持良好的性能。
其次是模糊控制算法的优化。
模糊控制算法在一定范围内具有较好的稳定性和抗干扰能力，但是其控制规则的设计和模糊集的划分对系统性能影响较大。
需要通过改进模糊控制规则和优化模糊集划分，使得系统能够更好地适应不同的工况和负荷变化。
最后是神经网络控制算法的优化。
神经网络控制算法具有较强的非线性建模和适应能力，但是其训练过程和网络结构设计对系统性能的影响较大。
自动发电控制(AGC)的结构分析和应用
自动发电控制（AGC）的结构分析和应用作者：祁杰赵斌来源：《科技风》2017年第06期摘要：自厂网分离、竞价上网后，AGC成为连接电网和电厂之间的桥梁，厂网之间的密切协作既保证了电网的稳定运行和负荷的灵活调度，又使电厂发电机组高效运转。
本文着重介绍AGC技术和AGC在电网和电厂的应用。
关键词：频率；AGC；CCS电力系统有功功率和频率自动控制系统称为自动发电控制（Automatic Generation Control）简称AGC。
AGC的目标：（1）保持区域间净交换功率在计划值。
（2）维持系统频率50Hz，并在允许的误差范围内。
（3）在保证区域间净交换功率和系统频率在计划值的条件下，以经济最优化原则安排机组处理，使系统更经济的运行。
1 AGC的结构AGC由能量管理系统（EMS）、远方终端单元和机组协调控制系统组成。
EMS通过远方终端单元（RTU），将控制信息传递给电厂机组协调控制系统（CCS），由CCS完成AGC对机组出力的调节。
AGC通过调节区域内各电厂发电机组的功率，使用电负荷变化和发电机组功率波动而形成的区域控制偏差（ACE）不断减小，直至为零的过程。
这个控制过程是一个多变量、串级调节闭环反馈控制系统。
其中，负荷分配器是串级调节系统的外回路控制器，即主控制器，承担系统调节的细调。
负荷分配器依据频率偏差、发电机出力和其它信号，按照一定的调节规律，分配各机组输出的有功功率。
负荷分配器设在区域电网调度处。
机组控制器是串级调节系统的内回路控制器，即辅控制器，承担系统调节的粗调。
根据负荷分配器设定的有功功率，使机组实发功率与设定有功功率一致。
机组控制器的功能由机组CCS实现。
2 AGC信号传递和电力系统调频从发电机组CCS到地区中调EMS的上行信号有9个：机组功率调节运行方式（就地/远方）、AGC允许、机组输出功率、机组最大出力限值、机组最小出力限值、机组当前升负荷速率（MW/min）、机组当前降负荷速率（MW/min）、机组指令增闭锁、机组指令减闭锁。
AGC系统的优化
AGC系统的优化AGC（Automatic Generation Control）系统是电力系统中用于自动调节发电机输出功率，以确保系统频率和电压稳定的重要控制系统。
AGC系统的优化是指通过改进控制算法、调整参数和优化系统配置，提高AGC系统的性能和稳定性，以满足电力系统对频率和电压的要求。
本文将从控制算法优化、参数调整和系统配置优化三个方面探讨AGC系统的优化。
控制算法优化是AGC系统优化的重要方面。
AGC系统的控制算法主要包括PID控制器、模糊控制器、模型预测控制器等。
传统的PID控制器简单易实现，但在应对电力系统的复杂变化时效果有限。
模糊控制器对于非线性系统的控制具有优势，但需要较复杂的规则库和推理系统。
而模型预测控制器则能够利用系统模型对未来的变化进行预测，从而更加精确地调节发电机输出功率。
在进行AGC系统优化时，可以考虑采用模型预测控制器来替代传统的PID控制器或模糊控制器，以提高系统的控制精度和鲁棒性。
还可以通过参数整定方法对控制算法进行优化，如经验整定法、优化算法等，以提高系统的动态响应速度和抗干扰能力。
参数调整是AGC系统优化的另一个重要方面。
AGC系统中的参数包括发电机的惯性常数、频率偏差系数、调节器增益等。
这些参数直接影响到系统的稳定性和性能。
在实际运行中，电力系统的负荷和电网情况都会发生变化，这就需要不断地对AGC系统的参数进行调整以适应系统的变化。
通常可以采用仿真优化、遗传算法、人工智能等方法对AGC系统的参数进行优化，以提高系统的调节精度和稳定性。
可以利用仿真软件对不同参数组合进行模拟，然后选择性能最优的参数组合作为优化结果应用到实际系统中。
还可以利用遗传算法等智能优化算法来搜索最优的参数组合，以提高系统的性能和稳定性。
系统配置优化是AGC系统优化的另一个重要方面。
AGC系统的配置包括控制环节的选择、测量点的设置、数据传输方式等。
合理的系统配置可以提高系统的响应速度和鲁棒性。
AGC系统的优化
AGC系统的优化AGC系统(Automatic Generation Control)是电力系统中的一个重要控制系统，它负责调节发电机输出功率，以保持系统频率和电压的稳定。
通过对AGC系统的优化，可以提高发电系统的稳定性和效率，降低调度运行成本，提升电网的可靠性和安全性。
下面将从AGC系统的工作原理、优化方法和实际应用等方面对AGC系统的优化进行详细介绍。
一、AGC系统的工作原理AGC系统是由一组控制器、传感器和执行器组成的闭环控制系统，其主要功能是根据系统的负荷需求和发电机输出功率的变化，调节发电机的输出功率，以维持系统频率和电压的稳定。
通常来说，AGC系统包括短期AGC和长期AGC两个部分。
短期AGC负责实时调节系统的频率和功率平衡，通常采用基于频率反馈的控制策略，根据系统频率的偏差来调节发电机的输出功率，以实现频率的稳定。
为了实现高效稳定的AGC系统，需要进行系统参数的优化和控制策略的设计，以确保系统频率和功率的稳定，并提高系统的稳定性和经济性。
二、AGC系统的优化方法1.参数优化参数优化是AGC系统优化的重要一步，其主要是指对系统控制参数的调整和优化，以提高控制系统的响应速度和稳定性。
常见的参数优化方法包括PID参数调整、滤波器设计和预测控制等。
PID参数调整是指根据系统的频率响应特性和控制要求来调整PID控制器的比例、积分和微分参数，以提高控制系统的稳定性和响应速度。
滤波器设计是指通过设计合适的滤波器来滤除系统频率的干扰和噪声，以提高控制系统的稳定性和抗干扰能力。
预测控制是指采用预测控制算法来预测系统负荷需求和发电机输出功率的变化，以提前调节发电机输出功率，实现系统频率和功率的稳定。
2.控制策略优化智能优化算法是指通过使用遗传算法、蚁群算法和粒子群算法等智能优化算法来调节AGC系统的控制参数和控制策略，以提高系统的稳定性和经济性。
基于多智能体系统的协同控制是指通过建立多个智能体来协同完成AGC系统的控制任务，以提高系统的稳定性和抗干扰能力。
关于AGC系统的控制优化研究
嵘 工案 捉棠
１ ８ ８
关于 ＡＧＣ系统 的控制优化研 究
彭 ０ ２ ０ ０）
摘 要 ：近年 来，我 国电 网建设加快 ，对 于发 电厂生产运 营提 出了更 高的要求 自 动控制发 电系统 Ａ Ｇ Ｃ 是 电厂重要 的项 目系统 ，为 了满足 电网 调度对 Ａ Ｇ Ｃ系统变 负荷速率要求 ，要积极调整和 改进 Ａ Ｇ Ｃ系统的协 调控制功能 ，提 高 Ａ Ｇ Ｃ系统运行 的安 全性 和稳定性。本文分析 了 Ａ Ｇ Ｃ系统控 制原理 ，阐述 了关于 Ａ Ｇ Ｃ系统 的控制优化 策略 。
时差控制在 标准限值 内。 ２ ． ４ 优化前馈方案 ，提 高系统调 节速率
Ａ Ｇ Ｃ系统主要 包括 三种控制 方式 ：功率频率联络线偏差控制 、定 基于Ａ Ｇ Ｃ系统的指令 手动模式 ，Ｄ Ｃ Ｓ系统 可获得 实时的负荷 变 交换功率控制和定频率控制 。Ａ Ｃ Ｅ表达式为 ：Ａ Ｃ Ｅ ＝ ． １ ０ Ｂ×Ａ ｆ＋ ａ ｐ ， 化量 ，根 据指令偏差 ，获得发 电机组 指令 前馈信息 ，从而改变锅炉燃 其中 ， 是频率偏 差，Ｈ ｚ ； 是联络线功率 偏差 ，Ｍ Ｗ； Ｂ是频率 响 料 量。对 于大惯性 、大 滞后的控制对象 ，利用 Ｐ Ｄ 调节器进行细调 ， 应系统 Ｍ Ｗ／ ０ ． １ Ｈ ｚ 。根据该公式 ， Ａ Ｇ Ｃ控 制模 式设置为功率频率偏差 用前馈 回路进 行粗调 ，尽量完善前馈 信号 ，一方面 ，根据发 电机组 的 控制模式 。 负荷指令 变化 ，适 当调节燃料调 节器 ，当额定 调节速率 大于 Ａ Ｇ Ｃ指
２ 关于 Ａ ＧＣ系统 的控 制优化策 略
关 键 词 ：Ａ Ｇ Ｃ系统 ；控 制 优 化 ；控 制 原 理
随着 我国电力系统 的快 速发展 ， Ａ Ｇ Ｃ系统被广泛的应用在发 电厂 ，
AGC系统的优化
AGC系统的优化AGC（Automatic Generation Control）系统是指自动发电控制系统，用于在电力系统中保持电网频率稳定。
AGC系统的优化是指通过改进AGC系统的设计和运行方法，以提高系统的响应速度、稳定性和经济性。
下面将从以下三个方面介绍AGC系统的优化措施。
优化AGC系统的控制算法是提高系统性能的重要手段之一。
现代AGC系统采用了先进的控制算法，如模糊控制、模型预测控制等。
这些算法能够根据电网负荷需求和发电机组运行情况，动态调整发电机组的出力，并实时监测电网频率，使其保持在设定的范围内。
通过优化控制算法，可以提高AGC系统的响应速度和稳定性，减小频率振荡和功率波动。
优化发电机组调度策略是提高AGC系统经济性的关键因素。
传统的发电机组调度策略通常是基于经验和规则，在一定程度上会导致发电成本的增加。
现代发电机组调度策略采用了先进的优化算法，可以根据电力市场的供求情况和电价波动，合理安排发电机组的出力，以最大限度地降低发电成本。
通过优化发电机组调度策略，可以提高AGC系统的经济性，降低电力系统的运行成本。
优化AGC系统的通信协议和网络结构是保障系统可靠性和安全性的关键措施。
AGC系统需要实时收集和传输大量的数据，以及进行分布式控制和协同运行。
建立高速可靠的通信网络是保证AGC系统正常运行的重要条件。
优化AGC系统的通信协议和网络结构，可以提高数据传输的速度和可靠性，减少通信故障的发生，确保AGC系统的稳定运行。
通过优化AGC系统的控制算法、发电机组调度策略和通信协议，可以提高系统的响应速度、稳定性和经济性。
优化AGC系统是电力系统运行和管理的重要任务，能够保证电力系统的可靠供电，满足电力需求，并提高电网的负荷调节能力。
随着电力系统的发展和智能化水平的提高，AGC系统的优化将会成为电力系统运行和管理的重要方向。
AGC系统的优化
AGC系统的优化AGC系统的优化包括对系统的响应速度、稳定性、噪声和非线性失真的抑制，以及对系统的动态范围和功耗的优化等方面。
在本文中，我们将重点讨论AGC系统的优化方法，包括传统的控制理论方法和新兴的机器学习方法，以及它们在不同领域的应用。
AGC系统的优化需要充分理解系统的特性和性能要求。
对于无线通信系统来说，AGC系统需要在不同的信号强度条件下保持稳定的输出功率，以确保接收端能够正确解调信号。
在音频处理系统中，AGC系统需要保持音频信号的幅度范围在一定范围内，以避免信号过载或者太弱。
对于不同的应用场景，需要采用不同的优化方法。
传统的控制理论方法是优化AGC系统的重要手段之一。
PID控制器是一种经典的控制器设计方法，可以用于实现AGC系统的动态响应和稳定性。
通过调节PID控制器的参数，可以使系统的响应速度和稳定性达到最佳的平衡，从而实现AGC系统的优化。
在噪声和非线性失真抑制方面，滤波器设计和信号处理技术也可以发挥重要作用。
传统的控制理论方法在一些情况下可能存在一些局限性，比如对于复杂的非线性系统或者无法建模的系统。
在这些情况下，新兴的机器学习方法可以成为优化AGC系统的有力工具。
神经网络可以用于建模复杂的非线性系统，同时也可以实现针对系统动态范围和功耗的优化。
通过训练神经网络，可以实现AGC系统的自适应优化，从而提高系统的性能和适应性。
除了控制理论和机器学习方法之外，混合方法也可以成为AGC系统优化的一种选择。
模糊控制器结合PID控制器可以实现对系统的更精细调节，从而提高系统的性能。
在一些需要在线自适应调节的场景中，基于增强学习的方法也可以发挥重要作用。
在无线通信领域，AGC系统的优化还需要考虑到多径干扰、多用户干扰和信道衰落等因素，这就需要对AGC系统进行更加精细的优化。
基于信道状态信息（CSI）的优化方法可以根据信道的变化实时调节AGC系统，以提高系统的吞吐量和抗干扰能力。
在音频处理领域，AGC系统的优化也是非常重要的。
基于PSO算法的飞行控制参数优化与仿真
基于PSO算法的飞行控制参数优化与仿真邱亚男 梁晓庚 贾晓洪 王建琦（中国空空导弹研究院 河南洛阳 471009）摘要:针对自动驾驶仪控制器参数优化问题，提出一种基于PSO算法的导弹自动驾驶仪参数整定方法并对该方法所整定的控制器参数进行仿真验证。
该方法在自动驾驶仪俯仰通道simulink建模基础上，定义一个包含系统时域指标和频域指标项的适应度函数，根据控制系统对快速性和稳定性的要求，对各项指标进行适当加权，采用PSO 算法对自动驾驶仪进行优化设计,实现了自动驾驶仪的控制参数整定。
仿真实验表明了该算法用于控制参数优化的有效性和优越性,有一定工程应用价值。
关键词: 导航、制导与控制；PSO算法；飞行控制系统；参数整定中图分类号：TP273 文献标志码：AOptimization Design and Simulation of Aircraft Flight Control system Based on Particle Swarm AlgorithmsQIU Yanan, LIANG xiaoggeng, JIA Xiaohong, WANG Jianqi(China Airborne Missile Academy Henan LuoYang 471009)Abstract: In this paper, a parameter tuning method based on Particle Swarm Optimization which is used for optimizing the parameters of aircraft’s flight control system is proposed. To test the validity of this method, simulations on autopilot’s pitch flight control system are performed. Based on the simulink of Matlab, a model of the autopilot’s pitch flight control system is built. Then a fitness function containing terms of time and frequency response of the system is defined, the terms of time and frequency response is properly weighted according as the require of celerity and stability. The particle swarm optimization algorithm is used in the optimization of autopilot controllers so that automatic tuning of the autopilot controlling parameters can be achieved. Numerical simulations show that the algorithm is effective and has excellent performance. So the method in this paper is valuable for engineering application.Keywords: GNC, PSO, Aircraft Flight Control System,Parameter Tuning引言飞行控制参数的整定决定着飞行控制系统的控制品质。
混合PSO算法在AGC机组调配中的应用
ｓ （ ） — 一 ｉ ： ｇ
１ “ ＋ｅ
（） ８
利用 式 （ ）粒 子位 置更新 公 式变 为 ： ８，
ｆ， １如果 ｓｔ ｓ （ ） （ ＜ｉ ｖ ） ｇ
…
１， 他 ０其 情况
（
其 中 ，（） （ ，） 间 的 １ 随 机 数 ， Ｓ ｔ是 ０ １ 之 个 当前 速 度Ｖ 决 定 为 ０或 ｌ的概率 。例 如 ， 若 ＝ ， Ｐ ０则
位置 ， 在搜 索 空 间 中搜 寻最 优值 。假设 ｎ为 寻 优 空 间 的维数 ，Ｆ Ｐ … ， 表 示粒 子 ｉ Ｐ 【 Ｐ ｐ 曾经达 到 的 最好 位 置 ， ＝
置 ，ｉ Ｐ ＝
（ｉ １ ＝ ．。若 ０ 则 Ｐ ｘ＝ ） ０５ Ｘｔ ）０５ ￣ ＝ ， （ｚ １ ＜ ．。若 ＞ ， Ｐ ０则 （ ＝ ） ０５且 Ｐ ｘ ＝ ） １ Ｐ ｘ＝ ） １＞ ． （ ０ ＝ 一 （ １ 。这 样 用 ５函数
∑
Ｊ ＝ｌ
～
（） ３
＇＝ ． ｗ～一 ，
ｇ 一
ｇ
（ ７）
式 中 ：ｊ Ａ Ｃ机 组 的调 节 速 率 ， ｖ为 Ｇ ＭＷ／ ｉ ； Ｇ ｍ ｎ Ａ ｃ
为 系统所 需 的 Ａ Ｃ调 节速 率 ， Ｇ ＭＷ／ ｎ ｍｉ。
式 中 ： 一 为初 始 惯性 权重 ； 为 最后 惯 性权 重 ； ｗ Ｗ 为 当前 迭代 次 数 ； 为 总 的迭代 次 数 。ｗ 可 以取 一
２１ 基 本 Ｐ Ｏ算法 的 离散 化 ．２ ． Ｓ
在 采 用粒 子 群 优化 算 法 求解 Ａ Ｃ机 组 最 佳 调 Ｇ
２ 混合 Ｐ Ｏ算法在 Ａ Ｓ ＧＣ机组调配中的
实现
２ １ 混 合 Ｐ Ｏ算 法 。 Ｓ
基于PSO-GA混合算法的移动采集节点路径优化研究
基于PSO-GA混合算法的移动采集节点路径优化研究徐丽萍【摘要】无线传感网中的移动采集节点路径规划问题可看成是时变的旅行商问题,属于NP-hard问题.以最大化移动采集节点的数据采集效率为目标,利用基于PSO-GA混合算法对无线传感网中移动采集节点的数据采集路径进行优化,在粒子群算法中引入遗传算法中的交叉操作和变异操作.实验仿真并与模拟退火算法进行比较,结果表明,PSO-GA混合算法可有效地优化移动采集节点的路径,与模拟退火算法相比,收敛速度更快,优化效果更好.【期刊名称】《韶关学院学报》【年(卷),期】2019(040)003【总页数】5页(P10-14)【关键词】无线传感网;数据采集;路径规划;PSO-GA混合算法【作者】徐丽萍【作者单位】安徽三联学院电子电气工程学院,安徽合肥230009【正文语种】中文【中图分类】TP393.1;TP212.9在无线传感网中，传统的数据采集策略是采用多级跳的方式，但这种方式并不完美.一是多级跳的方式让靠近固定sink节点的静态传感器承担了较大的通信负载，容易形成能量空洞；二是在大规模随机部署的无线传感网中，因地理环境等因素的影响，较难实现自组织成为全联通网络，传统的多级跳的方式无法解决这种稀疏的非连通无线网中的数据采集问题.随着机器人技术的发展，在无线传感网中使用具有移动能力的节点采集数据成为了可能.在无线传感网中引入移动节点不但可减小静态传感器节点的通信负载，延长无线传感网的生存时间，还可解决稀疏的非连通网络数据采集问题.近年来，学者们对具有移动节点的无线传感网中的路径规划问题做了很多研究.2012年任条娟等人利用节点的度值构建了sink节点移动路径［1］.陈友荣等人考虑多个斯诺克节点的移动，根据网格潜能值确定sink节点的锚点，获得sink节点的最短移动路径［2］.俸皓等人为通信范围建模为圆形区域的无线传感网提出了一种基于萤火虫算法的移动sink节点路径规划方法［3］.朱正伟等人将移动sink节点的路径规划问题看成是一个带邻域的旅行商问题，提出了混合免疫粒子群算法来求解该问题［4］.Ma M等人引入移动采集节点，移动采集节点从静态sink节点出发，遍历每个传感器节点，收集传感器采集到的数据并带回sink节点，建立了基于最短路径的移动采集节点路径优化模型［5］.俸皓等人利用多移动采集节点进行数据采集的方式，提出了一种基于多移动节点的多目标数据采集策略，设计了混合遗传算法来求解多个移动节点的规划路径［6］.针对具有单移动采集节点的无线传感网络的数据采集问题，笔者以最大化移动采集节点的数据采集效率为目标，基于PSO-GA混合算法对移动采集节点的数据采集路径进行优化，并通过实验仿真证明了数据采集策略的有效性.1 问题描述假定二维平面部署了n个静态传感器节点（位置固定）用于感知周围数据，一个位置固定的sink节点，每个静态传感器节点采集到的数据都会被暂存到节点的缓存区内，若在移动采集节点到达之前，缓存区的数据量已经达到存储上限，则通过多级跳的方式传回sink节点.移动采集节点从sink节点出发，依次访问各个静态传感器节点，接收静态传感器缓存中的数据，再回到sink节点，形成一条回路.假设：静态传感器节点向移动采集节点传送数据的速率均为r，缓存区存储采集数据量的上限为C.移动采集节点的移动速率为v，数组s表示路径，s（k）表示第k 个访问的节点，移动采集节点到达第k个节点的时间表示为ts(k)，移动采集节点从sink节点出发时路径上第k个静态传感器节点缓存区中的数据量表示为Gs(k)，路径上第k个静态传感器节点采集数据的速率表示为Rs(k)，路径上第k个静态传感器节点缓存中的数据量表示为：其中：即从sink节点出发到到达第k个静态传感器节点路径上需要的时间与跟前k-1个静态传感器进行数据传送所需的时间之和.移动采集节点的采集效率可以表示为数据采集量与数据采集路径总长度的比值.故目标函数可以表示为：2 基于PSO-GA混合算法的求解方法2.1 算法构造GA算法和PSO算法都是经典的智能优化算法，PSO-GA混合算法克服了单一PSO算法易陷入局部最优点的缺点，改善了单一GA算法收敛精度低的问题，相比单一算法而言具有更好的全局稳定寻优的能力，提高了算法的性能［7］，在求解NP-hard问题中得到了广泛地应用［8-10］.无线传感网中的移动采集节点路径规划问题可以看成是时变的旅行商问题，属于NP-hard问题.针对单移动采集节点的路径规划问题，文中基于PSO-GA混合算法进行求解.GA算法和PSO算法混合方式有多种，笔者采用的是将GA算法中的交叉操作和变异操作嵌入到PSO算法中，粒子同个体极值及群体极值进行交叉操作产生新粒子，使个体（群体）极值的优良基因可被很好的继承，而变异操作可以使粒子个体通过微调得到新个体，保证了群体的多样性.2.1.1 个体编码粒子个体编码采用整数编码的方式，每个粒子代表一条路径，若有n个静态传感器，则静态传感器节点编号从1开始到n，sink节点编号为0.如果需要遍历的静态传感器节点数为10，则个体编码为{0，2，5，7，8，9，10，1，4，3，6}，表示从 sink 节点 0 出发，遍历所有静态传感器节点，回到 sink 节点 0，其中个体编码长度为n+1.2.1.2 适应度值粒子适应度值表示为采集的数据总量与遍历路径长度之间的比值，计算公式为：其中，每个静态传感器节点缓存中的数据量ds(k)是随着时间不断变化的，移动采集节点访问静态传感器节点的顺序不同，到达静态传感器节点的时刻不同，需要传送的数据量ds(k)大小也不同.故每个静态传感器节点缓存中的数据量由公式（1）和公式（2）递归计算得出.2.1.3 交叉操作粒子个体通过与粒子个体极值以及粒子群体极值交叉来更新.具体操作如下：随机产生两个位置a1、a2，取个体（或者群体）极值pg的基因片段cross={pga1….pga2}.依次找出粒子中跟基因片段cross重复的节点编号并删除.将基因片段cross复制到粒子中的后a2-a1+1位中.例如：原粒子（0，2，5，7，8，9，10，1，4，3，6），个体极值（0，3，4，6，2，5，9，10，1，8，7）.随机生成的位置为a1=3，a2=5，则基因片段cross={4，6，2}.依次删除粒子中跟基因片段相同的节点编号，则粒子变为（0，5，7，8，9，10，1，3）.将基因片段cross复制到粒子的后3位中，则生成的新粒子为（0，5，7，8，9，10，1，3，4，6，2）.由于移动采集节点是从sink节点出发的，所以可行解的第一个元素的值一定是sink节点编号0，所以ai的取值范围应为1＜ai≤n+1.2.1.4 变异操作随机产生两个位置号a1、a2，1＜ai≤n+1，将粒子中a1、a2，两个位置上的静态传感器节点编号进行交换，产生新粒子个体.2.1.5 粒子更新规则若新的粒子优于旧粒子，则更新粒子，否则保持原来的粒子不变.2.2 算法步骤Step 1：控制参数的设置：设置粒子群的规模Nmax及迭代次数N.Step 2：按2.1.2的方法构造初始解.Step 3：按2.1.3的方法，个体与个体极值交叉产生新个体，计算个体的适应度值并按粒子更新规则更新粒子.Step 4：按2.1.3的方法，个体与群体极值交叉产生新个体，计算个体的适应度值并按粒子更新规则更新粒子.Step 5：按2.1.4的方法对个体进行变异操作产生新的个体，计算个体的适应度值并按粒子更新规则更新粒子.Step 6：更新当前个体最优值及群体最优值.Step 7：如果当前迭代次数 n＜N，转 Step 3，否则，退出.3 实验仿真为方便验证可靠性，在文献6提供的公开数据集作为算法的测试用例，取sink节点坐标值为（500，500），取20个静态节点，坐标值及其初始数据量见表1，静态传感器节点向移动采集节点发送数据的速率r取20 kb/s.表1 静态节点坐标节点编号坐标1 Ri/（kb/s）8 17 3（450，900）25 17 13 （850，700）4 20 4（100，200）27 19 14 （980，50）2 19 5（650，750）11 20 15 （470，700）27 10 6（560，560）2 12 16 （100，600）4 17 7 （100，500）27 12 17 （420，20）15 17 8（520，540）25 18 18 （400，750）4 17 9（800，700）0 19 19 （200，50）12 19 10 （300，100）5 17 20 （800，480）2 17（50，950）2 （590，480）Gi/kb 24 5 Ri/（kb/s）18 19节点编号11 12坐标（750，150）（360，900）Gi/kb 25 23设置迭代次数N为133，及粒子群的规模Nmax为1 000.静态传感器节点的缓存存储数据上限C取2 Mb，移动采集节点移动速度v取3 m/s.连续运行10次得到的数据见表2.表2 运行结果次数 PSO-GA 求得的目标值/（kb/s）1 6.23 2 5.37 SA 求得的目标值/（kb/s）4.06 3.67 3 5.21 4.96 4 6.79 4.77 5 5.22 4.43 6 6.50 5.76 7 5.63 4.63 8 6.06 5.59 9 5.49 5.47 10 5.25 4.79连续运行10次中优化结果最好的一次，寻得近似最优路径见图1，路径为：1→3→7→16→19→4→13→2→17→8→5→20→11→18→15→12→21→10→14→6→9.其采集数据量与路径长度的比值为 6.79，算法优化过程见图2，程序运行时间为10.487 s.图1 PSO-GA混合算法规划的路径图2 PSO-GA混合算法优化过程模拟退火算法（SA）是一种随机搜索方法，已被理论和实际应用验证是一种全局最优算法，适合求解大规模组合优化问题，在旅行商问题的求解中得到的广泛使用［11-12］.为方便与模拟退火算法进行比较，同一个测试用例也使用模拟退火算法进行求解.初始温度取1 000，终止温度取0.001，降温速率取0.95，运行10次，求得数据见表2，其中优化结果最好的一次，寻得近似最优路径见图3，路径为：1→2→13→4→16→19→6→10→14→9→3→21→15→12→18→11→5→20→8→17→7，求得采集数据量与路径长度的比值为5.75，算法优化过程见图4，程序运行时间为10.822 s.图3 模拟退火算法规划的路径图4 模拟退火算法优化过程通过表2可以看出，PSO-GA混合算法寻得的近似最优路径的目标值（采集数据量与路径长度的比值）最低为5.21 kb/s，最高为6.79 kb/s，平均值为5.77 kb/s.模拟退火算法寻得的近似最优路径的目标值最低为3.67 kb/s，最高为5.76 kb/s，平均值为4.84 kb/s.可见文中基于PSO-GA混合算法设计的移动采集节点的路径规划方法寻优比较稳定，寻得的近似最优解更接近最优解.通过图2和图4对比，可以看出PSO-GA混合算法比模拟退火算法收敛速度快.4 结语针对具有单移动采集节点的无线传感网中的数据采集路径规划问题，笔者利用PSO-GA混合算法进行了求解，实验仿真证明PSO-GA混合算法全局寻优能力稳定，寻得的近似最优路径可以有效地提高移动采集节点的数据采集效率.且与模拟退火算法相比，收敛速度快，寻得的近似最优解更佳.针对具有单移动采集节点无线传感网设计数据采集策略的方法，对具有多个移动采集节点的无线传感网也有借鉴意义，下一步可尝试将该算法应用于求解具有多移动采集节点的无线传感网中的数据采集路径规划问题.参考文献：【相关文献】［1］任条娟，杨海波，陈友荣.Sink节点移动的无线传感网生存时间优化算法［J］.传感技术学报，2012（5）：683-690.［2］陈友荣，周骏华，尉理哲，等.基于网格的移动无线传感网生存时间优化算法［J］.电子与信息学报，2014（10）：2370-2378.［3］俸皓，罗蕾，王勇，等.基于萤火虫算法的无线传感网络移动sink节点路径规划方法［J］.微电子学与计算机，2016（5）：47-51.［4］朱正伟，郭晓，刁小敏.基于混合免疫粒子群算法的WSN移动sink路径研究［J］.微电子学与计算机，2018（5）：89-94.［5］Ma M，Yang Y Y，Zhao M.Tour planning for mobile data-gathering mechanisms in wireless sensor networks［J］.IEEE Trans on Vehicular Technology，2013（4）：1472-1483.［6］俸皓，罗蕾，王勇，等.无线传感网中基于时变多旅行商和遗传算法的多目标数据采集策略［J］.通信学报，2017（3）：112-123.［7］李红亚，彭昱忠，邓楚燕，等.GA 与 PSO 的混合研究综述［J］.计算机工程与应用，2018（2）：20-28.［8］俞靓亮，王万良，介婧.基于混合粒子群优化算法的旅行商问题求解［J］.计算机工程，2010（11）：183-184.［9］张勇，陈玲，徐小龙，等.基于 PSO-GA 混合算法时间优化的旅行商问题研究［J］.计算机应用研究，2015（12）：3613-3617.［10］张浩为，谢军伟，张昭建，等.基于混合遗传-粒子群算法的相控阵雷达调度方法［J］.系统工程与电子技术，2017（9）：1985-1991.［11］佘智勇，庄健敏，翟旭平.基于改进的TSP模型和模拟退火算法路径规划研究［J］.工业控制计算机，2018（2）：56-57.［12］何庆，吴意乐，徐同伟.改进遗传模拟退火算法在 TSP 优化中的应用［J］.控制与决策，2018（2）：219-225.。
基于PSO-GSA优化的井下加权质心人员定位算法
基于PSO-GSA优化的井下加权质心人员定位算法谢国民;刘叶;付华;刘明【期刊名称】《计算机应用研究》【年(卷),期】2017(34)3【摘要】In a complex environment of underground localization,focusing on received signal strength indicator(RSSI) in underground personnel positioning accuracy is low and the problem of dynamic tracing parameters change.Therefore,using an improved gravitational search algorithm (GSA) for the weighted centroid localization that based on RSSI.Utilizing the log distance path loss model got the distance between the beacon nodes and unknown nodes,and then through the weighted centroid localization algorithm performed the unknown node positioning.Finally,the improved GSA-PSO optimized the preliminary location results and parameters.Experimental results show the proposed method can improve both the positioning accuracy effectively and the adaptive ability of changeful environment.%针对煤矿复杂环境中,接收信号强度指示的人员定位精度较低,难以动态跟踪参数变化的问题,提出一种利用改进的引力搜索算法应用于加权质心定位中进行井下人员定位的方法.先采用对数距离路径损耗模型得到信标节点到未知节点的距离,然后通过加权质心定位算法对未知节点进行定位,最后利用粒子群万有引力混合算法对相关参数和估计的位置信息进行优化.实验结果表明,该方法能够增强对环境变化的自适应能力,更有效地提高了定位精度.【总页数】4页(P710-713)【作者】谢国民;刘叶;付华;刘明【作者单位】辽宁工程技术大学电气与控制工程学院,辽宁葫芦岛125105;辽宁工程技术大学电气与控制工程学院,辽宁葫芦岛125105;辽宁工程技术大学电气与控制工程学院,辽宁葫芦岛125105;朝阳师范高等专科学校数计系,辽宁朝阳122000【正文语种】中文【中图分类】TP391.4;TP301.6【相关文献】1.基于改进型加权质心算法的井下人员定位 [J], 杨鹃;韩雪松2.基于煤矿井下WSN的RSSI加权质心定位算法研究 [J], 董君;李吉彪3.基于改进加权质心算法的煤矿井下人员定位系统设计 [J], 卢宇帅4.改进RSSI加权质心算法在井下人员定位中的应用研究 [J], 朱光5.基于改进加权质心的井下定位算法研究 [J], 莫树培;陈明因版权原因，仅展示原文概要，查看原文内容请购买。
AGC系统的优化
AGC系统的优化AGC系统是自动增益控制系统，一般用于调整信号强度，保证信号恒定并保持信号质量。
AGC系统的优化是指采用有效的算法和技术，以最大程度地提高AGC系统的性能，从而优化系统实现的目标。
本文将讨论AGC系统的优化技术和算法。
首先，AGC系统的优化需要通过控制增益以确保输出信号在整个动态范围内保持恒定。
正常情况下，在检测到输入信号超过阈值后，AGC系统将增加增益，从而使输出信号恒定。
因此，AGC系统的优化是确保调整增益的方式是正确的。
其次，AGC系统的优化需要考虑信噪比（SNR）的影响。
SNR是输入信号和噪声之间的比率。
增加增益会导致信噪比降低，从而影响信号质量。
因此，AGC系统的优化需要在保持信号恒定的同时，尽量保持信噪比。
第三，AGC系统的优化需要考虑系统的动态范围。
动态范围是指输入信号的最大和最小值之间的范围。
要最大化系统的动态范围，我们需要对AGC系统进行优化，以确保系统处于最佳增益下并且对输入信号的变化做出快速响应。
第四，AGC系统的优化需要考虑系统的稳定性。
系统的稳定性是指系统在输入信号变化时，保持输出信号稳定的能力。
稳定性包括抗干扰和抗失真能力。
要提高AGC系统的稳定性，我们需要采用适当的控制方法和算法，并通过测试和模拟评估这些方法和算法的效果。
最后，AGC系统的优化需要考虑系统的成本。
成本是指实现AGC系统所需的资源，包括硬件、软件和人力资源。
要降低成本，我们需要优化系统的设计和实现，以提高系统的效率和可靠性。
特别是，AGC系统的优化可以通过以下技术和算法实现：1. 合理的控制算法和策略AGC的实现通常依赖于控制系统算法和策略。
常见的策略包括比例、积分和微分（PID）、Sliding mode control (SMC)、Adaptive control等。
适当的控制算法和策略可以提高系统性能和稳定性。
2. 增益平滑增益平滑是指在AGC系统中添加一些时间平滑的技术，以在增益变化时减少干扰。
AGC系统的优化
AGC系统的优化AGC系统的设计与实现是一个复杂的过程，需要综合考虑多种因素。
下面将介绍AGC系统的优化方法，以提高系统的性能和稳定性。
优化AGC系统的关键是确定合适的增益控制算法。
常用的增益控制算法有固定增益、自适应增益和动态增益控制等。
自适应增益控制算法是相对较好的选择，它可以根据信号的强弱自动调整增益。
在设计自适应增益控制算法时，需要考虑到信号的统计特性和实时性能要求，以便在不同的场景下实现合适的增益调整。
优化AGC系统的一个重要方面是减小系统的抖动和误差。
AGC系统中的抖动和误差会导致接收信号的质量下降，因此需要通过合适的方法来减小它们。
一个常用的方法是使用合适的滤波器来平滑输入信号，以降低噪声的影响和减小输出误差。
优化AGC系统还需要注意输入信号的参考水平的选取。
参考水平的选取应综合考虑到信号的强度范围和系统的输入动态范围，以保证增益调整的准确性和稳定性。
通常情况下，参考水平的选取要根据具体的应用场景进行调整，以适应不同的输入信号特性和动态范围。
优化AGC系统还需要考虑到系统的实时性能要求。
在实际应用中，信号的增益调整需要在有限的时间内完成，以保证实时性能。
AGC系统的设计和实现需要考虑到计算复杂度和延迟等因素，以确保系统能够满足实时性能的要求。
优化AGC系统还可以考虑使用硬件加速和并行计算等技术来提高系统的性能和效率。
硬件加速可以通过专门的硬件模块来实现信号处理和增益调整，从而减小系统的计算负载和减小延迟。
并行计算可以利用多个处理单元同时处理信号，以提高系统的响应速度和增益调整的准确性。
AGC系统的优化方法包括确定合适的增益控制算法、减小系统的抖动和误差、选取合适的参考水平、考虑实时性能要求以及使用硬件加速和并行计算等技术。
通过这些优化方法，可以提高AGC系统的性能和稳定性，使其能够在不同的应用场景下实现准确和稳定的增益调整。
AGC系统的优化
AGC系统的优化AGC（自动增益控制）系统是一种广泛应用于广播、电视和通信系统中的自动控制系统，其主要功能是保持信号的恒定功率和恒定水平，以确保最佳的接收和传输质量。
在实际应用中，AGC系统的性能往往会受到很多因素的影响，如噪声、失真、延迟等，因此需要对其进行优化，以实现更好的性能。
优化AGC系统的方法有很多，以下是一些常用的方法：1.选择合适的控制算法AGC系统的控制算法是决定其性能的关键因素之一。
目前有很多不同的控制算法可供选择，如比例积分控制（PI）、传统PID控制、自适应控制等。
不同的算法具有不同的性能特点，需要根据实际应用场景进行选择。
2.优化控制参数控制参数对于AGC系统的性能也有很大的影响。
通过对控制参数的分析和调整，可以达到更好的控制效果。
例如，通过调整PID控制器的比例、积分和微分系数，可以实现更快的响应速度、更小的稳态误差和更好的抗干扰性能。
3.使用滤波器来降低噪声在AGC系统中，信号中经常带有噪声，这会影响其控制效果。
使用滤波器可以有效地降低噪声的影响，提高控制精度。
常见的滤波器包括低通滤波器、带阻滤波器、带通滤波器等。
4.减少延迟AGC系统中的延迟会对其性能产生非常大的影响。
通过减少每一级的延迟，可以提高系统的响应速度和稳定性。
例如，可以采用更高速度的元件替换现有的元件，或者通过并联多个级别来减少延迟。
5.软件优化在现代AGC系统中，软件也占据了非常重要的地位。
通过对软件的优化，可以提高系统的性能和稳定性。
常见的优化方法包括代码优化、指令集优化、算法优化等。
同时，采用更先进的处理器和编程工具也可以提高软件的质量和效率。
总之，优化AGC系统是一个复杂而漫长的过程。
需要对系统进行全面的分析和评估，找出其存在的问题和瓶颈，然后针对性地采取相应的措施来进行优化。
只有通过不断的优化和改进，才能够实现最佳的性能和效果。
基于改进PSO
基于改进PSO⁃GSA算法的快速开关型电网故障限流器优化配置王博;马莉;王国东【期刊名称】《高压电器》【年(卷),期】2020(56)6【摘要】针对快速开关型故障限流器(fast switch fault current limiter,FSFCL)在电网中布点和容量优化问题,提出一种基于改进PSO-GSA算法的FSFCL全局优化配置模型。
首先分析了FSFCL的基本原理,采用基于支路阻抗的灵敏度法缩小搜索空间;将限流效果及限流器成本作为优化目标,构造适应度函数;然后利用粒子群算法改进万有引力搜索算法(PSO-GSA)并对该混合算法进一步改进,制定算法优化流程。
同时,由于依据人工经验在直接选择最终配置方案时可能会达不到最佳的效果,通过建立方案评价模型,依据相对熵原理确定各指标组合权重,再利用加权逼近理想点排序法(technique for order by similarity to an idea solution,TOPSIS)对方案进行排序,选取了最终配置方案。
文中的方案评价模型可避免仅凭人工经验选择安装FSFCL线路的盲目性,有效地降低了电网规划成本。
最后采用IEEE39节点系统算例仿真验证了该全局优化配置模型和方案评价模型的有效性。
【总页数】8页(P189-196)【关键词】快速开关型故障限流器;改进PSO-GSA算法;优化配置;组合权重;加权TOPSISI法【作者】王博;马莉;王国东【作者单位】武汉大学电气与自动化学院;国网宁夏电力有限公司电力科学研究院;国网宁夏电力有限公司检修公司【正文语种】中文【中图分类】TP3【相关文献】1.基于PSO的故障限流器优化配置2.基于快速开关的节能型故障限流器3.基于PSO的专用配电网限流电抗器优化配置4.兼顾技术经济性的永磁偏置型故障限流器优化配置算法5.基于快速开关的串联谐振型故障限流器的仿真因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于PSO-GSA算法的含DFIG互联系统AGC优化控制研究张俊武;王德林;陈斌;刘柳;潘志豪;康积涛【摘要】传统双馈感应风力发电机(DFIG)的解耦控制使其无法响应电网的频率变化.随着风电渗透率的不断提高,电网调频压力不断增大,有必要对含DFIG互联系统AGC优化控制进行研究.首先建立了将风电作为“负的负荷”的两区域AGC模型,通过引入改进的虚拟惯性控制使DFIG具有更好的频率响应的能力.同时以快速消除系统区域控制偏差和风机转速偏差为目的,采用PSO-GSA算法对控制区PID控制器和DFIG转速控制单元PI控制器参数进行优化.仿真结果表明,单个区域受负荷扰动时,风电参与调频时能提供更多的有功功率支撑以减小同步机调频出力,能有效缓解同步机调频压力.PSO-GSA算法较PSO和GSA迭代速度快且适应度值更好,基于PSO-GSA参数优化后的控制器对系统区域频率偏差、联络线功率变化和区域控制偏差信号的超调量和调节时间都有明显改善,增强了系统的稳定性.【期刊名称】《电力系统保护与控制》【年(卷),期】2018(046)013【总页数】7页(P48-54)【关键词】互联系统;DFIG;AGC;PSO-GSA;频率响应【作者】张俊武;王德林;陈斌;刘柳;潘志豪;康积涛【作者单位】西南交通大学电气工程学院,四川成都610031;西南交通大学电气工程学院,四川成都610031;西南交通大学电气工程学院,四川成都610031;西南交通大学电气工程学院,四川成都610031;西南交通大学电气工程学院,四川成都610031;西南交通大学电气工程学院,四川成都610031【正文语种】中文2016年11月，国家能源局印发的《风电发展“十三五”规划》指出，到2020年底，我国风电累计并网装机容量确保达到2.1亿kW以上，年发电量达到4 200亿kWh，约占全国总发电量的6%。
这表明，风能将成为未来可再生能源的主要来源。
传统双馈机组(Doubly-fed Induction Generator, DFIG)的解耦控制使其无法响应电网的频率变化，为减弱风电并网给电力系统带来的冲击，保证电力系统安全稳定运行，国内外学者针对风电机组参与调频的控制方法问题做了大量研究，取得了非常丰硕的成果。
文献[1-3]综述了风电并网给系统带来的影响和风电参与系统调频DFIG内部控制方法。
文献[4-6]在DFIG中加入虚拟惯性控制环节，通过电网频率变化调节风功率跟踪曲线，释放风电机组“隐藏”动能，使DFIG能够快速响应系统频率变化，增大了电网的惯性。
文献[7-9]综合利用桨矩角控制和次优功率运行方式的策略使DFIG参与系统二次调频，实现了风电机组对电网频率的动态支持。
区域之间自动发电控制(Automatic Generation Control, AGC)的作用主要是通过控制区域控制偏差(Area Control Error, ACE)来调整发电出力。
国内外对于AGC的研究主要集中在两区域非再热式火电互联和多区域水火互联系统，对存在风电的联调系统研究较少。
近年来，风力发电得到迅猛的发展，因此有必要对其进一步研究。
此外，将优化算法运用到动态模型进行优化的研究屡见不鲜。
文献[10-12]采用粒子群算法和改进的粒子群算法对互联系统PI控制器参数进行优化，改善了系统动态响应能力。
文献[13]通过竞争算法对含DFIG两区域系统中的PI控制器参数进行优化，使DFIG参与调频时系统频率响应能力提高，但对风机的模拟过于简单，不能完全反映风机特性，有待进一步改善。
文献[14]仿真对比了遗传算法GA、蚂蚁群算法ACO和万有引力搜索法(Gravitational Search Algorithm, GSA)的优化能力，证明采用GSA时对系统超调量、调节时间、特征值和振荡的改善效果明显。
文献[15]运用ITAE目标函数对DFIG参与两区域互联系统参数进行优化，使AGC系统性能更佳，但其中用到的具体优化方法并未提及。
本文在Matlab/Simulink中建立了含DFIG两区域AGC模型，通过引入改进的虚拟惯性控制改善DFIG的响应能力，采用PSO-GSA算法进行参数优化，系统受负荷扰动时，DFIG缓解同步机的调频压力，同时使系统频率动态得以改善。
最后的仿真验证了本文方法的正确性和有效性。
互联系统AGC通过控制ACE信号逐渐趋于零来调整发电机出力，保证整个系统发电机的出力和负荷平衡。
在给定联络线交换功率的前提下，系统的负荷频率控制器对系统的频率和联络线功率进行同时控制。
将风电机组作为“负的负荷”纳入两区域互联系统，通过分析各环节的传递函数得到计及风电的两区域互联电力系统AGC模型如图1所示。
其中，额定频率为50 Hz，调速器时间常数Tg1=Tg2=0.08 s，非再热式汽轮机时间常数Tt1=Tt2=0.4 s，负荷阻尼系数Tp1=Tp2=20 s，Kp1=Kp2=120 Hz/p.u.，调速器调节常数R1=R2=2.4，T12=0.086 6(标幺值)。
ACE1、ACE2分别区域1、2的区域控制偏差；Df1、Df2分别区域1、2的频率偏差；DPL1、DPL2分别区域1、2的负荷扰动，设其为阶跃变化。
在该模块中，PID控制器传递函数为式中，Kpi、Kii、Kdi分别为比例、积分、微分增益。
频率控制器采用联络线功率频率偏差(TBC-TBC)，两区域的区域控制偏差信号为式中：B1、B2为控制区的频率响应系数； DPt为联络线实际交换功率和计划交换功率偏差； Df为频率偏差。
通常情况下，DFIG由于其解耦控制不具备频率响应能力，风电的接入增加了电网频率的波动，为了减小风电所带来功率的波动性，通过附加虚拟惯性控制使DFIG 出力随频率变化而变化。
现有研究普遍根据系统实时频率偏差及其变化率得到附加环节，当频率发生变化时，释放转子动能，提供有功功率支撑。
为了使DFIG更大限度且更稳定地向系统提供有功功率，更好地改善系统频率响应特性，本文将附加环节加以改进，将原有下垂控制中系统频率偏差Df改进为系统频率偏差最大值Dfmax，作为虚拟惯性控制的输入。
图2为本文所用的附加频率响应模块。
其中：Pncref为某风速下风机功率输出的减载功率； DPm为风力发电机输出的机械功率；DPf为DFIG惯性响应环节增加出力；DPr为风机下垂控制出力响应；DPw为风机转速控制器输出功率；DPnc为DFIG响应频率变化惯性控制实际输出的额外功率。
在该模块中，风力发电机的传递函数用一阶传递函数表示，如式(3)。
式中，Twt为风力发电机的时间常数，其值取0.2 s。
改进的下垂控制表示为式中：Rw为风力发电机调差系数；Kpf为下垂系数。
因为虚拟惯性控制需快速响应系统频率变化率并提供有功功率支撑，因此需另外附加频率变化率响应环节，表示为式中，Kdf为频率的微分权重系数。
此时，风力发电机机械惯量方程为式中，Hw为风力发电机惯性时间常数，取值为3 s。
因此，根据转速偏差可得DFIG的额外出力为式中：e为DFIG给定转速与实际转速的偏差；e=wref-w；Kwp和Kwi为PI控制器比例和积分系数。
那么，DFIG出力总和为由于DFIG的引入，采用算法对系统参数进行优化时目标函数不仅要使ACE尽快恢复至零，同时需引入风机转子偏差信号并使其尽快恢复至零，因此，将目标函数表示为式中：区域控制偏差信号ACE1、ACE2表达式见式(2)；转速偏差信号表达式见式(7)。
GSA是基于物理学中的万有引力定律而产生的一种智能优化算法。
该算法将一系列在搜索空间中运动的粒子看成是多目标问题的潜在解，不同的粒子在万有引力的作用下相互作用，质量较大的粒子能够占据全搜索空间的最优位置，从而求出优化问题的最优解。
牛顿万有引力定律数学表达式为式中：F为粒子间的引力；G为引力常数；M1、M2为两个粒子的惯性质量；R为粒子间的欧式距离。
假设一个d维搜索空间中粒子的总数为N，则粒子i的位置为式中，xd i为粒子i在第d维的位置。
在t时刻粒子j在第d维空间对粒子i的引力为式中：Fd ij(t)为粒子j对粒子i的引力；Maj(t)为作用物体的惯性质量；Mpi(t)为被作用物体的惯性质量；Rij(t)为粒子i与粒子j之间的欧氏距离；G(t)为t时刻的引力常数。
粒子i于t时刻的惯性质量Mij(t)表示为式中：fiti(t)表示粒子i于t时刻的适应值；best(t)和worst(t)分别表示t时刻的最优解和最劣解，对于最小值问题表示为在t时刻作用在第d维空间粒子i上的作用力总和为每一个粒子根据其加速度在每次迭代过程中都会更新速度和位置，更新公式为式中：vd i(t)、xd i(t)、ad i(t)分别表示粒子i于t时刻在d维空间的速度、位置、加速度；randj为[0,1]的随机数；Fd i(t)为粒子i于t时刻在d维空间所有力的大小；Mi(t)为表示粒子i于t时刻的惯性质量。
根据上述GSA原理，在迭代过程中不断地更新每个粒子的位置和速度，直到全局最优解best(t)达到预设精度或者达到预设次数，算法终止。
从粒子惯性质量的修正、粒子的精英保留策略以及粒子的全局记忆能力出发，针对GSA算法的加速机制和全局搜索策略做相应改进，可得到结合PSO算法和GSA算法优点的PSO-GSA算法。
1) 惯性质量的修正在GSA算法中，每个粒子的惯性质量由粒子所在位置所求得的适应值决定。
粒子的惯性质量越大越容易吸引其他粒子向其移动，该粒子所代表的优化问题的解越接近搜索空间中的最优解。
本文中对每一个粒子设定一个相应的权值，使惯性质量大的粒子在算法的下一次迭代过程中拥有更大的惯性质量，而惯性质量小的粒子在下一次迭代过程中其惯性质量变小。
数学表达式为式中：wi(t)为每个粒子惯性质量相应的权值；Nmax、Nmin为权值的最大值和最小值；Mmax、Mmin为惯性质量的最大值和最小值。
改进后的每个粒子的惯性质量计算公式为2) 粒子的精英保留策略GSA算法中为了使搜索和求解达到平衡，提高算法的求解速度，应当在迭代过程中逐步减少式(16)中粒子的数目。
因此本文在算法的每一步迭代过程中，仅考虑一部分惯性质量较大的粒子对其他粒子的作用。
假设搜索空间中惯性质量比较大起吸引作用的粒子数量为Kbest，它是一个时间函数。
初始化Kbest为K0，随着迭代进行，Kbest逐渐变小。
到迭代最后仅剩下少数粒子吸引其他粒子。
因此将式(16)修改为3) 粒子的全局记忆能力GSA和PSO两种元启发式智能优化算法均是通过粒子在空间内的移动寻求最优解。
引力搜索算法仅利用当前位置的影响来更新位置，并没有考虑粒子的记忆能力。
在PSO算法中，不但考虑了粒子自身的位置，也考虑了粒子间的群体信息交流。