CN103886146A - 一种提高直流系统抑制换相失败能力的控制参数优化方法 - Google Patents

Abstract

本发明公开了一种提高直流系统抑制换相失败能力的控制参数优化方法，包括以下步骤：初始化后通过PSCAD和MATLAB之间的接口技术，建立接口模块一和接口模块二，接口模块一用于调用优化算法，实行算法的整体迭代功能，并且在每次仿真开始时，通过改进粒子群算法更新粒子位置即控制器参数返回给PSCAD；接口模块二用于每次仿真结束时，接收由PSCAD返回的粒子位置和优化目标函数，并更新全局最优粒子位置和个体最优位置；本发明通过PSCAD与MATLAB之间的接口技术，实现两者的联合调用，并利用了改进的粒子群算法搜寻最优控制参数，利用PSCAD中的多次运行功能，可实现多次软件之间的调用，从而实现控制参数的优化搜索。

Description

一种提高直流系统抑制换相失败能力的控制参数优化方法

技术领域

本发明涉及电力系统运行与控制技术领域，具体设计一种直流输电系统的抑制换相失败控制方法。

背景技术

随着交流输送容量的增大、线路距离的增长以及电网结构的复杂化，使得系统稳定、短路电流的限制、调压等问题日益突出，特别是在远距离输电时，为了提高稳定性与输送容量，需要花费较大的投资。而直流输电技术有交流输电不能取代之处，使得直流输电在电网中取得越来越多的应用，发展前景良好。

换相失败是直流输电系统逆变器最常见的一种故障，当逆变器联接于弱交流系统时换相失败更容易发生。影响换相失败的主要因素包括交流电压幅值的突然降低、直流电流突然升高、换相电压过零点相角的偏移等。目前抑制换相失败的手段主要是在检测到将要发生换相失败时，将触发角α减小，以增加换相裕度，减少换相失败的发生。而在直流输电控制系统极控制层中，也存在着各种基本控制策略：整流侧通常配有带α_min限制的定电流控制器；逆变侧通常备有定电压控制器、定电流控制器和定关断角γ角控制器。协调好两者之间的结合，将有利于提高直流输电系统抑制换相失败的能力。目前的优化技术都没有将实际模型的精确性与优化算法的高效性很好的结合起来，以实现直流控制系统的参数优化。

发明内容

发明目的：本发明的目的在于针对现有技术的不足，提供一种提高直流系统抑制换相失败能力的控制参数优化方法，通过PSCAD与MATLAB之间的接口技术，以直流电流与整定值之间的偏差值为优化目标，利用改进粒子群优化算法优化直流控制系统中定关断角控制和定电流控制中的控制参数，提高了系统抑制换相失败的能力。

技术方案：本发明提供了一种提高直流系统抑制换相失败能力的控制参数优化方法，如图1所示，包括以下步骤：

（1）初始化最大迭代次数、每次迭代保存的整流侧、逆变侧PI控制器参数和优化目标函数值、故障时刻及类型、改进粒子群优化算法的设定；

（2）通过PSCAD和MATLAB之间的接口技术，建立接口模块一和接口模块二，接口模块一用于调用优化算法，是算法的主体部分，实行算法的整体迭代功能，并且在每次仿真开始时，通过改进粒子群算法更新粒子位置即控制器参数返回给PSCAD；接口模块二用于每次仿真结束时，接收由PSCAD返回的粒子位置和优化目标函数，并更新全局最优粒子位置p_g和个体最优位置p_i；

（3）使能PSCAD与MATLAB接口模块一，根据算法更新粒子参数，并将粒子位置返回控制器参数给PSCAD；

（4）直流电流的大小关系着关断角的变化，以直流侧电流与直流电流整定值的差值为目标优化控制参数，以满足提高抑制换相失败能力的要求，目标优化控制指标函数如下：

$J_{\mathrm{ITAE}}={\∫}_0^{t_s}t\·e\left(t\right)\mathrm{dt}={\∫}_0^{t_s}t\·|I_{\mathrm{ord}}-I_d|\mathrm{dt}+{\∫}_0^{t_1}t\·|I_b-I_{\mathrm{ord}}|\mathrm{dt}$

式中，t为时间，e(t)为误差，包含了运行开始到故障前的稳定部分和故障及故障恢复时间内的直流电流误差值，并且考虑了故障前电流整定值与额定值之间误差，t_s为积分时间上限，t₁为故障发生前的时间，I_ord为逆变侧直流电流整定值，I_d为逆变侧直流电流，I_b为额定电流；

根据步骤（3）返回的控制器参数进行仿真，并计算上述指标函数；

（5）使能PSCAD与MATLAB接口模块二，记录仿真求得的指标函数，并将其与个体最优值和全局最优值进行比较，并更新上述两值；

（6）判断是否多次运行模块设定次数M，若满足，停止仿真，输出最优位置及最优适应值；否则，继续运行步骤（3）。

为了提高PSO算法的全局搜索能力和局部改良能力，步骤（1）所述改进粒子群优化算法包括以下3个策略：

①、惯性权重的改进：惯性权重的大小随粒子适应值的变化而更新，关系式如下式：

$w=\left\{\begin{array}{cc}{w}_{\min }+\frac{(w_{\max }-w_{\min })\·(f-f_{\mathrm{mix}})}{(f_{\mathrm{avg}}-f_{\min })},& f\≤f_{\mathrm{avg}}\\ w_{\max },& f>f_{\mathrm{avg}}\end{array}\right.$

式中，w_max和w_min分别为惯性权重w的最大值和最小值，f为当前粒子的适应值，f_min和f_avg分别为当前所有粒子的最小适应值和平均适应值；

②、粒子速度更新时采用广泛学习策略：在更新粒子速度时，采用下式

v_i ^k+1＝w·v_i ^k+c₁·r₁·(p_g-x_i ^k)+c₂·r₂·(p_bin(i)-x_i ^k)

$p_{\mathrm{bin}\left(i\right)}^d=\arg \left\{\max \right[\frac{\mathrm{fitness}\left(P_j\right)-\mathrm{fitness}\left(x_i\right)}{|p_{\mathrm{jd}}-x_{\mathrm{id}}|}\left]\right\}$

式中，k为迭代次数，j∈neighbor_i，neighbor_i表示粒子i的邻居构成的集合，w为惯性权重，x为粒子位置，v为各粒子速度，c₁和c₂为正的学习因子，r₁和r₂为0到1之间均匀分布的随机数，p_i为每个粒子的个体最优位置，p_g为全局最优粒子的位置，d为粒子位置的维数，

表示粒子i的每一维学习样本，fitness()表示该位置的指标函数值；

③、对全局最优位置p_g进行高斯变异：当全局最优值经过T代没有更新时，算法中通过高斯变异对全局最优位置p_g加以扰动，引导种群的寻优方向，扰动表达式如下：

$p_g^d=p_g^d\×(0.5+\mathrm{\σ})$

式中，

表示全局最优粒子的d维分量，σ表示随机产生的均值为0、方差为1的高斯分布；T根据实际优化对象选取。

有益效果：1、本发明以直流电流与电流整定值之间的偏差为目标，并完整考虑了故障前、故障时、故障后三个时间段的电流误差，确保系统在正常和故障状态下都能保持良好的性能；2、控制参数的传统优化方法大多基于模型的传递函数，对研究对象进行简化，不能完好的反映实际研究模型，本发明通过PSCAD与MATLAB之间的接口技术，实现两者的联合调用，并利用了改进的粒子群算法搜寻最优控制参数，结合了模型的准确性和算法的高效性的优点，保证模型准确程度和寻优的可靠性，利用PSCAD中的多次运行功能，可实现多次软件之间的调用，从而实现控制参数的优化搜索。

附图说明

图1为本发明流程图；

图2为PSCAD与MATLAB的接口原理图；

图3为具体实施例的控制参数优化实现图，(a)为整个优化结构，(b)、(c)分别为接口模块一和接口模块二；

图4为优化前后换相失败发生情况对比图。

具体实施方式

下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。

实施例：关断角γ决定于多个因素，其计算式为：

$\mathrm{\γ}=\arccos (\sqrt{2}{I}_d{X}_c/U_v+\cos \mathrm{\β})$

式中，I_d为直流电流，X_c为换相电抗，U_v为换流变压器交流系统侧电压直接折算到阀侧的电压，β为逆变侧逆变角；可见，直流电流的大小关系着关断角的变化，本方法以直流侧电流与直流电流整定值的差值为目标优化控制参数，以满足提高抑制换相失败能力的要求，目标优化控制指标函数如下：

$J_{\mathrm{ITAE}}={\∫}_0^{t_s}t\·e\left(t\right)\mathrm{dt}={\∫}_0^{t_s}t\·|I_{\mathrm{ord}}-I_d|\mathrm{dt}+{\∫}_0^{t_1}t\·|I_b-I_{\mathrm{ord}}|\mathrm{dt}$

以国际大电网会议直流输电标准测试系统(CIGRE HVDC Benchmark Model)为研究模型，加入已有的基于电压电流变化值的预测换相失败模块，并利用本方法基于附图2中的原理建立PSCAD-MATLAB接口模块，该模块通过PSCAD中Fortran文件DSDYN调用Fortran子程序，而这个Fortran子程序可以启动MATLAB数据引擎并使M文件在MATLAB里运行，运行结果将通过该数据引擎返回给Fortran子程序，从而实现PSCAD与MATLAB之间的数据传递与信息交换。按照上述步骤对整流侧定电流控制、逆变侧定电流控制以及逆变侧丁关断角控制中的PI参数进行优化。

整个优化过程实现图如附图3(a)，通过(a)中左侧的多次运行模块(Multiple_Run)实现控制参数的迭代寻优，右侧为国际大电网会议直流输电标准测试系统。优化中每次运行时间为18s，设置三相故障接地阻抗1H，开始时间为15s，故障持续时间为0.05s，图3(b)、(c)两模块分别在0s和17s使能。

在每次迭代过程开始时，图3(b)所示的模块一中的右侧使能信号触发模块发出使能信号Clk，图3(b)左侧PSCAD与MATLAB的接口模块将会调用算法程序，根据上述改进粒子群算法更新控制器参数（整流侧定电流控制参数Kp、Ki，逆变侧定电流控制参数Kp₂、Ki₂以及逆变侧丁关断角控制参数Kp₃、Ki₃）并将结果返回给PSCAD继续仿真;在17s时，图3(c)中触发模块发出触发信号Clk2，模块二使能，记录由PSCAD计算的目标优化控制指标函数fitness并保存，产生fit信号以供下次运行时模块一调用。判断信号Times是否发到最大迭代次数，若达到则输出最优解多；否则继续迭代寻优。经过上述迭代寻优得到优化后参数如下表：

表1优化前后参数比较

表中，K_p1、T_i1为逆变侧定电流控制器参数，K_p2、T_i2为逆变侧定关断角控制器参数，K_p3、T_i3为整流侧定电流控制器参数，J为目标优化控制指标函数值。

分别将优化后的控制参数和初始参数代入CIGRE标准测试系统，测验在逆变侧母线发生不同程度的单相接地故障时，优化前后系统发生换相失败的情况，对比见附图4。图4中，L（H）为故障接地阻抗，黑色表示优化前发生换相失败，灰色表示优化后发生换相失败，1表示未发生换相失败。由图可见，逆变侧交流母线单相接地故障情况下，发生换相失败的工况明显减少，优化后系统抑制换相失败能力上升，能够更为有效地抑制逆变器换相失败的发生。

综合上述实施例结果可知，本发明的参数优化方法综合考虑实际直流输电系统实际工况，提高了直流输电系统的抑制换相失败能力。

如上，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上作出各种变化。

Claims (2)

1.一种提高直流系统抑制换相失败能力的控制参数优化方法，其特征在于：包括以下步骤：

（1）初始化最大迭代次数、每次迭代保存的整流侧、逆变侧PI控制器参数和优化目标函数值、故障时刻及类型、改进粒子群优化算法的设定；

（2）通过PSCAD和MATLAB之间的接口技术，建立接口模块一和接口模块二，接口模块一用于调用优化算法，实行算法的整体迭代功能，并且在每次仿真开始时，通过改进粒子群算法更新粒子位置即控制器参数返回给PSCAD；接口模块二用于每次仿真结束时，接收由PSCAD返回的粒子位置和优化目标函数，并更新全局最优粒子位置p_g和个体最优位置p_i；

（3）使能PSCAD与MATLAB接口模块一，根据算法更新粒子参数，并将粒子位置返回控制器参数给PSCAD；

（4）直流电流的大小关系着关断角的变化，以直流侧电流与直流电流整定值的差值为目标优化控制参数，以满足提高抑制换相失败能力的要求，目标优化控制指标函数如下：

$J_{\mathrm{ITAE}}={\∫}_0^{t_s}t\·e\left(t\right)\mathrm{dt}={\∫}_0^{t_s}t\·|I_{\mathrm{ord}}-I_d|\mathrm{dt}+{\∫}_0^{t_1}t\·|I_b-I_{\mathrm{ord}}|\mathrm{dt}$

式中，t为时间，e(t)为误差，包含了运行开始到故障前的稳定部分和故障及故障恢复时间内的直流电流误差值，并且考虑了故障前电流整定值与额定值之间误差，t_s为积分时间上限，t₁为故障发生前的时间，I_ord为逆变侧直流电流整定值，I_d为逆变侧直流电流，I_b为额定电流；

根据步骤（3）返回的控制器参数进行仿真，并计算上述指标函数；

（5）使能PSCAD与MATLAB接口模块二，记录仿真求得的指标函数，并将其与个体最优值和全局最优值进行比较，并更新上述两值；

（6）判断是否多次运行模块设定次数M，若满足，停止仿真，输出最优位置及最优适应值；否则，继续运行步骤（3）。

2.根据权利要求1所述的提高直流系统抑制换相失败能力的控制参数优化方法，其特征在于：步骤（1）所述改进粒子群优化算法包括以下3个策略：

①、惯性权重的改进：惯性权重的大小随粒子适应值的变化而更新，关系式如下式：

$w=\left\{\begin{array}{cc}{w}_{\min }+\frac{(w_{\max }-w_{\min })\·(f-f_{\mathrm{mix}})}{(f_{\mathrm{avg}}-f_{\min })},& f\≤f_{\mathrm{avg}}\\ w_{\max },& f>f_{\mathrm{avg}}\end{array}\right.$

式中，w_max和w_min分别为惯性权重w的最大值和最小值，f为当前粒子的适应值，f_min和f_avg分别为当前所有粒子的最小适应值和平均适应值；

②、粒子速度更新时采用广泛学习策略：在更新粒子速度时，采用下式

v_i ^k+1＝w·v_i ^k+c₁·r₁·(p_g-x_i ^k)+c₂·r₂·(p_bin(i)-x_i ^k)

$p_{\mathrm{bin}\left(i\right)}^d=\arg \left\{\max \right[\frac{\mathrm{fitness}\left(P_j\right)-\mathrm{fitness}\left(x_i\right)}{|p_{\mathrm{jd}}-x_{\mathrm{id}}|}\left]\right\}$

式中，k为迭代次数，j∈neighbor_i，neighbor_i表示粒子i的邻居构成的集合，w为惯性权重，x为粒子位置，v为各粒子速度，c₁和c₂为正的学习因子，r₁和r₂为0到1之间均匀分布的随机数，p_i为每个粒子的个体最优位置，p_g为全局最优粒子的位置，d为粒子位置的维数，

表示粒子i的每一维学习样本，fitness()表示该位置的指标函数值；

③、对全局最优位置p_g进行高斯变异：当全局最优值经过T代没有更新时，算法中通过高斯变异对全局最优位置p_g加以扰动，引导种群的寻优方向，扰动表达式如下：

$p_g^d=p_g^d\×(0.5+\mathrm{\σ})$

式中，

表示全局最优粒子的d维分量，σ表示随机产生的均值为0、方差为1的高斯分布；T根据实际优化对象选取。

Images