CN103530440A - 基于粒子群优化算法的微网谐波抑制方法 - Google Patents

Abstract

基于PSO优化算法的微网谐波抑制方法，包括以下步骤：初始化参数；初始化粒子（每个粒子代表问题的一个潜在解即滤波器中L、C的参数）的位置、速度，调用微网仿真系统程序fitness，以及初始化适应度值Present；对粒子位置和速度进行更新；调用微网仿真系统程序fitness，更新粒子适应度值Present；适应度评价，更新个体历史极值pbest；更新全局极值gbest。

Description

基于粒子群优化算法的微网谐波抑制方法

技术领域

本发明项目涉及一种微网谐波抑制方法，特别是一种基于粒子群优化(Particle Swarm Optimization,PSO)算法的微网谐波抑制方法。

背景技术

微电网是新能源应用的一种新型结构形式，有着十分重要的作用。在微网中由于逆变器等电力电子设备运行而产生的非线性负荷，即常说的“谐波”，对逆变器等电力电子设备的正常运行有着严重影响，同时，谐波电流会令设备的温度持续提高，直接影响到设备的使用寿命。目前微网谐波抑制的方法有很多，总的来说分为三类，第一类为谐波本质抑制技术，包括主动方式（制造出只产生很小谐波的逆变器）和被动方式（在波源附近安装滤波器）；第二类为瞬时无功理论的应用，理论并不成熟；第三类为智能神经网络与谐波抑制的融合，当谐波量变化过大时，效果并不理想。在第一类谐波本质抑制技术中，安装滤波器的手段最为常见，也最为有效，其技术相对成熟，适合普遍应用。其中，无源滤波器（LC滤波器）具有结构简单、成本低廉、运行可靠性较高、运行费用较低等优点，至今仍是被广泛应用的谐波治理方法。

目前，优化微网系统中LC滤波器参数的方法有很多，归纳起来可以分为两类：一类是常规优化方法主要包括非线性规划法、二次规划方法、线性规划法及内点法等；另一类是人工智能优化算法，主要包括遗传算法、模拟退火算法、禁忌搜索、粒子群优化以及各种进化规划方法。第一类方法最主要的优点是计算迅速、收敛可靠，但需要某些假设条件，如连续、可导及单峰等。在解决某些问题时，需要将整数变量视为连续变量参与优化计算，得到最优解后再进行归整。对于大规模的实际系统，由归整产生的误差一般是不可接受的。第二类方法中遗传算法应用最为广泛，对优化问题无可导和连续性要求，只需一个适应性函数或性能指标，且具有全局收敛性，其主要缺点是“早熟收敛”问题和收敛速度难于满足实时控制的需要。粒子群优化(Particle Swarm Optimization,PSO)算法作为一种新型的基于群体智能计算方法，在解决经典优化算法难以求解的诸如不连续、不可微的非线性病态优化问题和组合优化问题时显示出了强大的优势。与其他进化算法相比

，它具有思想简单、容易实现、可调参数较少和应用效果明显等优点，因此在优化微网系统滤波器参数中应用中比较广泛。

目前，PSO在微网系统优化滤波器参数整定时，需要已知滤波器参数与目标函数谐波率之间的精确关系，所以要将微网系统转化为状态方程式或者是传递函数，然后运行PSO程序得到滤波参数最优值。但是，在微网系统内部结构复杂的情况下，微网系统的状态方程式或者传递函数难以直接得到，这就需要花费较多的时间用于计算微网系统的状态方程式或传递函数，从而增大计算量，甚至影响优化效率。

发明内容

针对现有PSO优化微网系统滤波参数时需将微网系统转化为状态方程式或者传递函数，从而导致的计算复杂、效率受影响等问题，本发明提供一种计算量小，效率较高的基于PSO算法优化微网系统滤波参数的方法。基于PSO优化算法的微网谐波抑制方法流程图如图1所示。

基于PSO优化算法的微网谐波抑制方法，包括以下步骤：

1）、初始化参数；

2）、初始化粒子（每个粒子代表问题的一个潜在解即滤波器中L、C的参数）的位置、速度，调用微网仿真系统程序fitness，以及初始化适应度值Present；

3）、对粒子位置和速度进行更新；

4）、调用微网仿真系统程序fitness，更新粒子适应度值Present；

5）、适应度评价，更新个体历史极值pbest；

6）、更新全局极值gbest。

进一步，步骤（1）包括：

1-1）、确定PSO程序中的最大迭代次数、粒子数、维度数、学习因子及惯性权重的取值；

1-2）、确定需要优化的参数的大致范围。

进一步，步骤（2）初始化粒子的位置、速度，调用微网仿真系统程序fitness，以及初始化适应值的具体步骤如下：

2-1）、初始化粒子当前位置；

2-2）、初始化粒子当前速度；

2-3）、调用微网仿真系统程序fitness；

2-4）、根据初始化位置计算适应度值Present；

2-5）、记每个粒子的历史最优值为pbest；

2-6）、记全局最优值为gbest。

进一步，步骤（2-3）中微网仿真系统程序fitness的编写的具体步骤如下：

A1）、通过open_system函数可以打开微网仿真系统；

A2）、通过set_param函数将微网simulink仿真系统中需要优化的LC滤波器中L和C的参数值分别设为变量，记为l和c；

A3）、通过sim函数运行微网仿真系统；

A4）、根据要优化的滤波器参数确定作为检验参数优劣标准的目标函数即微网谐波率，编程写出目标函数微网谐波率，同样设置为一个变量记为THD；

进一步，步骤（3）包括：

3-1）、确定迭代次数是否到达上限，若到达上限，则整个优化过程结束；若没有到达上限，则跳转至步骤（3-2）；

3-2）、根据公式（1）得粒子速度更新：

$v_i^{k+1}={\mathrm{wv}}_i^k+c_1{r}_1(x_i^{*}-x_i^k)+c_2{r}_1(x^{*}-x_i^k)---\left(1\right)$

根据公式（2）得粒子位置更新：

$k_i^{k+1}=x_i^k+v_i^{k+1}---\left(2\right)$

其中i＝1,2,...,N是粒子个数，

是粒子在第k次迭代中的速度，

是粒子i在第k次迭代中的位置，

是粒子i在第k次迭代中的个体最优位置，也记为pbest；x^*是粒子i在第k次迭代中的全局最优位置，也记为gbest；r1和r2为均匀分布于[0,1]之间的随机数，c1和c2为加速因子，ω为惯性因子。进一步，步骤（4）包括：

4-1）、再次调用微网仿真系统程序fitness；

4-2）、更新粒子适应度值present。

进一步，步骤（5）包括：

5-1）、根据条件判断粒子当前适应值present是否优于历史最优值pbest，若present优于pbest则跳转至步骤（5-2），若不优于则跳转至步骤（6）；

5-2）、用present的值代替pbest中的值，作为当前粒子最优值。

进一步，步骤（6）包括：

6-1）、看算法是否满足结束条件，若不满足则跳转至步骤（3-1），若满足则跳转至步骤（6-2）；

6-2）、更新全局极值gbest，并输出gbest和LC滤波器的最优参数值。

本发明的技术构思是：在用PSO程序优化微网系统滤波器参数时，本发明只需已知要优化的滤波器参数和作为目标函数的微网谐波率，直接编写微网仿真系统程序fitness，流程图如图2所示，即首先用open_system函数打开微网仿真系统，并用set_param函数设定需优化的LC滤波器参数为变量，然后用sim函数来控制微网仿真系统的运行，最后用程序编写得到目标函数微网谐波率。在微网仿真系统程序fitness编写完成后，利用PSO程序调用微网仿真系统程序fitness。PSO程序每得到一次滤波器参数值，微网系统便运行一次得到目标函数的值。这是个不断寻优不断仿真的过程，在实际应用中可以根据具体的运行状况进一步完善程序。

本发明的优点是：在用PSO优化微网系统滤波器参数时，不必再将微网系统转化为状态方程式或者是传递函数，亦不必已知需优化的滤波器参数和目标函数微网谐波率之间的确切关系，而是只需知道微网系统要进行优化的滤波器参数和作为评价参数优劣的目标函数即可。因此，本发明能够有效降低计算量，提高PSO优化微网系统滤波器参数效率，从而达到有效抑制微网谐波的效果。

附图说明

图1基于PSO优化算法的微网谐波抑制方法流程图

图2微网仿真系统程序fitness流程图

图3PSO算法优化微网系统中滤波器的参数结构图

图4并网到孤岛PSO优化和按经验值法得到的负载输出端电压对比图

图5孤岛到并网PSO优化和按经验值法得到的负载输出端电压对比图

具体实施方式

1、项目实施方式

基于PSO优化算法的微网谐波抑制方法，包括以下步骤：

1）、初始化参数；

1-1）、确定PSO程序中的最大迭代次数、粒子数（每个粒子代表问题的一个潜在解）、维度数、学习因子及惯性权重的取值；

1-2）、确定需要优化的参数的大致范围。

2）、初始化粒子的位置、速度，调用微网仿真系统程序fitness，以及初始化适应值；

2-1）、初始化粒子当前位置；

2-2）、初始化粒子当前速度；

2-3）、调用微网仿真系统程序fitness；

微网仿真系统程序fitness的编写的具体步骤如下：

A1）、通过open_system函数可以打开微网仿真系统；

A2）、通过set_param函数将微网simulink仿真系统中需要优化的LC滤波器中L和C的参数值设置成变量，分别记为l和c；

A3）、通过sim函数运行微网仿真系统；

A4）、根据要优化的滤波器参数确定作为检验参数优劣标准的目标函数即微网谐波率，编程写出目标函数微网谐波率，同样设置为一个变量记为THD；

2-4）、根据初始化位置计算适应度值Present；

2-5）、记每个粒子的历史最优值为pbest；

2-6）、记全局最优值为gbest。

3）、对粒子位置和速度进行更新；

3-1）、确定迭代次数是否到达上限，若到达上限，则整个优化过程结束；若没有到达上限，则跳转至步骤（3-2）；

3-2）、根据公式（1）得粒子速度更新：

$v_i^{k+1}={\mathrm{wv}}_i^k+c_1{r}_1(x_i^{*}-x_i^k)+c_2{r}_1(x^{*}-x_i^k)---\left(1\right)$

根据公式（2）得粒子位置更新：

$k_i^{k+1}=x_i^k+v_i^{k+1}---\left(2\right)$

其中i＝1,2,...,N是粒子个数，

是粒子在第k次迭代中的速度，

是粒子i在第k次迭代中的位置，

是粒子i在第k次迭代中的个体最优位置，也记为pbest；x^*是粒子i在第k次迭代中的全局最优位置，也记为gbest；r1和r2为均匀分布于[0,1]之间的随机数，c1和c2为加速因子，ω为惯性因子。

4）、调用微网仿真系统程序fitness，更新粒子适应度值Present；

4-1）、再次调用微网仿真系统程序fitness；

4-2）、更新粒子适应度值present。

5）、适应度评价，更新个体历史极值pbest；

5-1）、根据条件判断粒子当前适应值present是否优于历史最优值pbest，若present优于pbest则跳转至步骤（5-2），若不优于则跳转至步骤（6）；

5-2）、用present的值代替pbest中的值，作为当前粒子最优值。

6）、更新全局极值gbest；

6-1）、看算法是否满足结束条件，若不满足则跳转至步骤（3-1），若满足则跳转至步骤（6-2）；

6-2）、更新全局极值gbest，并输出gbest和LC滤波器的最优参数值。

2、案例分析

微网仿真系统包括两个直流微源，一个大电网，PSO优化微网系统中滤波器的参数结构图如图3所示。利用该仿真系统验证本发明的可行性，并与采用经验值法得到的LC滤波器参数进行比较，证明本发明在由并网到孤岛和孤岛到并网两种不同情况下，它可以有效地优化微网系统中LC滤波器的参数，降低微网负载端输出电压的谐波率。

A)、案例1

初始时微网并网运行，仿真时间为0.1s，两个微源和大电网一起给负载供电，其中一个微源在0.05s时与负载断开，另一个微源一直为负载提供电能，大电网在0.07s时断开，微网进入孤岛运行状态。按照经验值法得到L取值为0.000014，C取值为0.0075，谐波率为0.0606。PSO优化L、C参数后，L取值为0.0000103，C取值为0.0098，谐波率为0.0469。PSO优化滤波器参数所得A、B、C三相波形与经验值法得到滤波器参数所得A、B、C三相波形仿真结果对比图如图4所示。

B)、案例2

初始时微网孤岛运行，仿真时间为0.1s，一个微源给负载供电，在0.05s时接入另一个微源一起给负载提供电能，大电网在0.07s时接入，微网进入并网运行状态。按照经验值法得到L取值为0.000017，C取值为0.006，谐波率为0.0517。PSO优化L、C参数后，L取值为0.000011，C取值为0.009，谐波率为0.0322。PSO优化滤波器参数所得A、B、C三相波形与经验值法得到滤波器参数所得A、B、C三相波形仿真结果对比图如图5所示。

上述案例中，通过图4中PSO优化滤波器参数所得A、B、C三相波形与经验值法得到滤波器参数所得A、B、C三相波形对比，可发现本发明方法优化微网滤波器参数后能够使负载端输出电压谐波率从6.06%降低到4.69%，有效降低微网从并网到孤岛切换过程中的负载端输出电压谐波率；同样，通过图5中PSO优化滤波器参数所得A、B、C三相波形与经验值法得到滤波器参数所得A、B、C三相波形对比，可发现本发明方法优化微网滤波器参数后能够使负载端输出电压谐波率从5.17%降低到3.22%，有效降低微网从孤岛到并网切换过程中的负载端输出电压谐波率。所以，无论微网是从并网到孤岛切换还是孤岛到并网切换，本发明方法对于优化微网系统滤波器参数、降低负载输出端电压谐波率均是有效可行的。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (8)

1.基于PSO优化算法的微网谐波抑制方法，包括以下步骤： 

1）、初始化参数； 

2）、初始化粒子（每个粒子代表问题的一个潜在解即滤波器中L、C的参数）的位置、速度，调用微网仿真系统程序fitness，以及初始化适应度值Present； 

3）、对粒子位置和速度进行更新； 

4）、调用微网仿真系统程序fitness，更新粒子适应度值Present； 

5）、适应度评价，更新个体历史极值pbest； 

6）、更新全局极值gbest。 

2.如权利要求1所述的方法，其特征在于：步骤（1）包括： 

1-1）、确定PSO程序中的最大迭代次数、粒子数、维度数、学习因子及惯性权重的取值； 

1-2）、确定需要优化的参数的大致范围。 

3.如权利要求2所述的方法，其特征在于：步骤（2）初始化粒子的位置、速度，调用微网仿真系统程序fitness，以及初始化适应值的具体步骤如下： 

2-1）、初始化粒子当前位置； 

2-2）、初始化粒子当前速度； 

2-3）、调用微网仿真系统程序fitness； 

2-4）、根据初始化位置计算适应度值Present； 

2-5）、记每个粒子的历史最优值为pbest； 

2-6）、记全局最优值为gbest。 

4.如权利要求3所述的方法，其特征在于：步骤（2-3）中微网仿真系统程序fitness的编写的具体步骤如下： 

A1）、通过open_system函数可以打开微网仿真系统； 

A2）、通过set_param函数将微网simulink仿真系统中需要优化的LC滤波器中L和C的参数值分别设为变量，记为l和c； 

A3）、通过sim函数运行微网仿真系统； 

A4）、根据要优化的滤波器参数确定作为检验参数优劣标准的目标函数即微网谐波率，编程写出目标函数微网谐波率，同样设置为一个变量记为THD。 

5.如权利要求4所述的方法，其特征在于：步骤（3）包括： 

3-1）、确定迭代次数是否到达上限，若到达上限，则整个优化过程结束；若没有到达上限，则跳转至步骤（3-2）； 

3-2）、根据公式（1）得粒子速度更新： 

根据公式（2）得粒子位置更新： 

其中i＝1,2,...,N是粒子个数，

是粒子在第k次迭代中的速度，

是粒子i在第k次迭代中的位置，

是粒子i在第k次迭代中的个体最优位置，也记为pbest；x^*是粒子i在第k次迭代中的全局最优位置，也记为gbest；r1和r2为均匀分布于[0,1]之间的随机数，c1和c2为加速因子，ω为惯性因子。 

6.如权利要求5所述的方法，其特征在于：步骤（4）包括： 

4-1）、再次调用微网仿真系统程序fitness； 

4-2）、更新粒子适应度值present。 

7.如权利要求6所述的方法，其特征在于：步骤（5）包括： 

5-1）、根据条件判断粒子当前适应值present是否优于历史最优值pbest，若present优于pbest则跳转至步骤（5-2），若不优于则跳转至步骤（6）； 

5-2）、用present的值代替pbest中的值，作为当前粒子最优值。 

8.如权利要求7所述的方法，其特征在于：，步骤（6）包括： 

6-1）、看算法是否满足结束条件，若不满足则跳转至步骤（3-1），若满足则跳转至步骤（6-2）； 

6-2）、更新全局极值gbest，并输出gbest和LC滤波器的最优参数值。 

Images