CN104539221A - 光伏发电系统控制参数全局优化方法 - Google Patents

Abstract

本发明是一种光伏发电系统控制参数全局优化方法，所述方法包括：首先将所建立的光伏电站发电系统的微分-代数方程组在稳态值处线性化得到用于分析系统小干扰稳定性的状态矩阵；然后通过计算状态矩阵特征值、阻尼比以及参与因子，分析控制参数对系统小干扰稳定性影响，进而确定控制参数的合理变化范围；最后引入量化模型作为参数优化的目标函数并利用优化算法对光伏电站发电系统控制参数进行全局优化。本发明提出的方法针对系统小干扰稳定性建立了科学合理的量化标准，且解决了系统控制参数相互耦合难以单一优化的问题,利用本方法进行参数优化能够实现控制参数的全局最优，提高光伏电站发电系统的小干扰稳定性。

Description

光伏发电系统控制参数全局优化方法

技术领域

本发明涉及一种光伏发电系统控制参数全局优化方法。

背景技术

随着光伏发电技术的不断发展，其对传统电网的影响从简单的局部电压波动、谐波污染、输出功率不稳定等小范围影响扩大到对电力系统全局安全稳定、经济调度以及调峰调频等方面。目前，现有的研究主要集中在单个组件的模型建立和控制策略设计，在光伏发电与电力系统交互影响方面的研究还相对较少。因此，对大规模光伏接入电力系统的稳定性研究具有重要意义。

目前，针对大规模光伏接入电力系统稳定性影响方面的研究较少，主要集中在单一组件的模型建立与控制策略的设计，并没有建立完整的大规模光伏发电系统接入电力系统的全系统数学模型。传统方法建立的光伏单机无穷大系统小信号模型，利用特征值、特征值灵敏度分析的方法计算光伏发电系统的稳定边界，根据特征值轨迹图对其对应的控制器参数进行选择，通过主观反复试验、比较得到最优值，其对于提高系统稳定性具有重要的意义。但是传统设计方法未考虑各个控制器参数之间的耦合关系，仅根据控制参数变化对系统特征值轨迹的影响设计参数，难以获得全局最优参数且具有较大的随机性和盲目性，无法针对系统参数耦合的特征给出全局范围内的最优参数组合的问题。同时，由于该方法在参数选择过程中主要依靠认为主管判断，缺乏科学合理的量化标准。

因此，目前所建立的光伏发电系统小信号模型，不能研究光伏发电系统小干扰稳定性和低频震荡特征，也不能给出提高系统稳定性的控制器参数全局优化设计方法。

发明内容

本发明提供了一种光伏发电系统控制参数全局优化方法，以解决传统发电系统控制参数设计具有随机性，缺乏科学合理的量化设计标准，无法针对系统参数耦合的特征给出全局范围内的最优参数组合的问题。本发明在传统参数设计的基础上，通过引入量化模型作为参数优化的目标函数来反映不同参数组合的综合效益。同时，在控制参数全局优化中引入惯性权重粒子群优化算法，粒子群优化算法具有搜索速度快、效率高，算法简单，易于工程实现的优点，而惯性权重粒子群优化算法具有均衡全局和局部搜索能力，避免了传统粒子群算法陷入局部最优，利用该方法进行参数优化能够实现控制参数的全局最优，提高光伏电站发电系统的小干扰稳定性。

本发明实现其发明目的，所采用的技术方案是，一种光伏发电系统控制参数全局优化方法，其作法是：

步骤A：充分考虑光伏发电系统中的各个重要环节的详细模型，建立光伏电站发电系统的全系统小信号模型。具体做法为：

A1、利用多项式拟合的方法根据光伏电池工程实用模型建立光伏电池的线性拟合模型。

A2、建立光伏电站用逆变器在d-q轴坐标下的数学模型以及采用前馈解耦控制策略的逆变器控制系统数学模型。

A3、建立直流侧电容数学模型以及光伏发电系统与电网的连接模型。

A4、将根据A1～A3所构成的描述光伏发电系统的微分-代数方程组在稳态值附近进行线性化，得到用于分析光伏电站发电系统小干扰稳定性的全系统小信号模型。

步骤B：求取光伏发电系统状态矩阵特征值及参与因子，分析控制参数对系统小干扰稳定性影响，确定控制参数的合理变化范围。

B1、根据步骤A得到的全系统状态矩阵计算特征值和阻尼比，判断发电系统模态，分析光伏电站发电系统的小干扰稳定性。

B2、计算系统各个模态的参与因子以分析系统各状态变量与模态之间的关系，揭示振荡机理。

B3、绘制当K_Pi和P_Ii(i＝1～3)分别变化时系统的特征值轨迹，判断特征值的变化规律和系统稳定的情况下控制参数的变化范围。

步骤C:利用惯性权重粒子群优化算法对光伏发电系统控制参数进行全局优化。

C1、确定系统控制参数的全局优化目标函数。

C2、初始化种群。设定学习因子c₁、c₂,最大进化代数K_max，初始惯性权值ω_ini，最大迭代次数时的惯性权值ω_fin，在搜索空间随机产生粒子x₁,x₂,…，x_m，随机产生粒子速度v₁,v₂,…,v_m，记录历史最优位置pbest_i与历史最优值f_best.i和全局最优位置gbest_i与全局最优值f_gbest。

C3、更新粒子速度和位置。

C4、计算种群中各个粒子的适应值f(x_i)。

C5、比较粒子当前的适应值和自身历史最优值，更新历史最优位置pbest_i与历史最优值f_best.i。

C6、比较粒子当前的适应值和种群最优值，更新全局最优位置gbest_i与全局最优值f_gbest。

C7、检查迭代次数是否达到K_max，达到则计算结束，当前粒子位置为系统控制参数全局最优值，否则k＝k+1,返回步骤C3。

本申请实施例中提供的技术方案，具有如下技术优点：

本发明是一种光伏发电系统控制参数全局优化方法，将所建立的光伏电站发电系统的微分-代数方程组在稳态值处线性化得到用于分析系统小干扰稳定性的状态矩阵；通过计算状态矩阵特征值、阻尼比以及参与因子，分析控制参数对系统小干扰稳定性影响，进而确定控制参数的合理变化范围；引入量化模型作为参数优化的目标函数并利用惯性权重粒子群优化算法对光伏电站发电系统控制参数进行全局优化。本发明提出的方法针对系统小干扰稳定性建立了科学合理的量化标准，且解决了系统控制参数相互耦合难以单一优化的问题，该方法搜索速度快、效率高，算法简单，易于工程实现。与传统方法相比，利用本发明所提方法进行参数优化能够实现控制参数的全局最优，提高光伏电站发电系统的小干扰稳定性。

附图说明

图1是本申请实施例中光伏电站发电系统结构图。

图2是本申请实施例中三相SPWM光伏逆变器拓扑结构。

图3是本申请实施例中光伏逆变器控制系统框图。

具体实施方式

本发明提供了一种光伏发电系统控制参数全局优化方法，解决了传统光伏电站发电系统控制参数设计具有随机性，缺乏科学合理的量化设计标准，无法针对系统参数耦合的特征给出全局范围内的最优参数组合的问题。本发明在传统参数设计的基础上，通过引入量化模型作为参数优化的目标函数来反映不同参数组合的综合效益。同时，在控制参数全局优化中引入惯性权重粒子群优化算法，具有搜索速度快、效率高，算法简单，易于工程实现的优点，且具有均衡全局和局部搜索能力，避免了传统粒子群算法陷入局部最优，利用该方法进行参数优化能够实现控制参数的全局最优，提高光伏电站发电系统的小干扰稳定性。

本申请实施中的技术方案为解决上述技术问题。为了更好的理解上述技术方案，下面结合实施例对本发明作进一步的详细说明，但本发明的实施方式不限于此。

实施例：

在实施例中，提供了一种光伏发电系统控制参数全局优化方法，所述方法包括：

步骤A：建立反映光伏电站发电系统各个重要环节的全系统小信号模型。

图1为典型的光伏电站发电系统结构图，图中，为直流母线电容；U_dc为直流电容电压；U_k为变换器交流侧输出电压；L_f为输出滤波器电感；U_g、δ_g为节点g的电压幅值和相位；I_g为输出电流；X_T为折算至高压侧的变压器电抗；R_line、X_line为输电线路单位长度的电阻和电抗；R_grid、X_grid为负载电网的等效电阻和电抗；b为无穷大母线，即该母线上的电压幅值、相角和频率恒定，不随负荷功率变化而变化，其中电压幅值为10.5kV，初相角为0^。。图1中，DC/AC表示交直流转换。

从图1中可以看出，光伏电站发电系统主要包括光伏电池组件、储能电容、逆变器及其控制系统、滤波器，经过升压变压器和输电线路接入电网中。本例在充分考虑光伏电站发电系统中各个重要的环节的详细数学模型，建立适用于系统小干扰稳定性的全系统小信号模型，具体步骤为：

A1、利用多项式拟合的方法根据光伏电池工程实用模型建立光伏电池的线性拟合模型。

$\left\{\begin{array}{c}I=I_{\mathrm{sc}}[1-C_1\left(e^{U/C_2{U}_{\mathrm{oc}}-1}\right)]\\ T=T_{\mathrm{air}}+\mathrm{kS}\\ I_{\mathrm{sc}}=I_{\mathrm{scref}}[1+a(T-T_{\mathrm{ref}})]\·S/S_{\mathrm{ref}}\\ U_{\mathrm{oc}}=U_{\mathrm{ocref}}[1-c(T-T_{\mathrm{ref}})]\·(\mathrm{\ρ}\·S+\mathrm{\σ})\\ I_m=I_{\mathrm{mref}}[1+a(T-T_{\mathrm{ref}})]\·S/S_{\mathrm{ref}}\\ U_m=U_{\mathrm{mref}}[1-c(T-T_{\mathrm{ref}})]\·(\mathrm{\ρ}\·S+\mathrm{\σ})\\ C_1=(1-I_{\mathrm{mref}}/I_{\mathrm{scref}})e^{-U_{\mathrm{mref}}/\left(C_2{U}_{\mathrm{oref}}\right)}\\ C_2=(U_{\mathrm{mref}}/U_{\mathrm{ocref}}-1)/\ln [e+b(S/S-1)]\end{array}\right.$

上式中，I表示光伏电池的输出电流，T表示在非标准条件下光伏电池的温度，I_sc和U_oc分别为光伏电池的短路电流和开路电压，I_m和U_m分别为最大功率点时的电流和电压，S为地面的日照常数，k为温度系数，T_air为空气温度，e为自然对数底数，a、b、c为补偿系数，ρ和σ为线性拟合参数，C₁、C₂为两个常数,其中下标有ref为该变量的参考值。

对于光伏电站的数学模型，其开路电压、短路电流、最大工作点电压、最大工作点电流U_{oc_AR}、I_{sc_AR}、U_{m_AR}、I_{m_AR}分别为

$\left\{\begin{array}{c}{I}_{\mathrm{sc}\_\mathrm{AR}}=N_{\mathrm{se}}\·I_{\mathrm{sc}}\\ I_{m\_\mathrm{AR}}=N_{\mathrm{se}}\·I_m\\ U_{m\_\mathrm{AR}}=N_{\mathrm{sh}}\·U_m\\ U_{\mathrm{oc}\_\mathrm{AR}}=N_{\mathrm{sh}}\·U_{\mathrm{oc}}\end{array}\right.$

式中，N_sh为并联电池单体数，N_se为串联电池单体数。

A2、建立光伏电站用逆变器在d-q轴坐标下的数学模型以及采用前馈解耦控制策略的逆变器控制系统数学模型，其中d-q轴坐标是两相旋转坐标系中的坐标轴。

如图2所示，给出了三相SPWM光伏逆变器的一种拓扑结构，图2中U_dc表示直流电容电压，C_dc表示直流滤波电容，u_ak、u_bk、u_ck分别表示变换器交流侧输出的a、b、c三相电压，L_f表示输出滤波器电感，i_ag、i_bg、i_cg分别表示变换器交流侧输出的a、b、c三相电流，u_ag、u_bg、u_cg分别表示节电g的a、b、c三相电压。

根据图2所示的三相SPWM光伏逆变器拓扑结构，建立d-q坐标系下的光伏逆变器数学模型为：

$\left\{\begin{array}{c}{L}_f{\mathrm{di}}_{\mathrm{dg}}/\mathrm{dt}={\mathrm{\ω}}_B(u_{\mathrm{dk}}-u_{\mathrm{dg}}+\mathrm{\ω}{L}_f{i}_{\mathrm{qg}})\\ L_f{\mathrm{di}}_{\mathrm{qg}}/\mathrm{dt}={\mathrm{\ω}}_B(u_{\mathrm{qk}}-u_{\mathrm{qg}}-\mathrm{\ω}{L}_f{i}_{\mathrm{dg}})\end{array}\right.$

式中，ω_B为电力系统角频率基准值，L_f表示输出滤波器电感，i_dg,i_qg分别表示变换器交流侧输出电流i_g在d-q坐标系下的d轴和q轴分量，u_dk,u_qk分别表示变换器交流侧输出电压u_k在d-q坐标系下的d轴和q轴分量，u_dg,u_qg分别表示节点g处电压u_g在d-q坐标系下的d轴和q轴分量。t为有名值，单位为s；本例中的物理量无特殊说明均为标幺值。

图3给出一种光伏逆变器的典型控制框图。图3中，左边虚线框内表示电压/电流控制器，右边虚线框内表示电压源换流器数学模型。

根据图3所示的光伏逆变器控制框图，采用直流母线电压外环、电流内环的控制策略，建立光伏逆变器控制系统的数学模型为：

$\left\{\begin{array}{c}{U}_{\mathrm{dc}}^{*}=U_m=U_{\mathrm{mref}}[1-c(T-T_{\mathrm{ref}})]\·\ln [e+b(S/S_{\mathrm{ref}}-1)]\\ {\mathrm{dx}}_1/\mathrm{dt}=U_{\mathrm{dc}}^{*}-U_{\mathrm{dc}}\\ i_{\mathrm{dg}}^{*}=K_{P1}(U_{\mathrm{dc}}^{*}-U_{\mathrm{dc}})+K_{I1}{x}_1\\ {\mathrm{dx}}_2/\mathrm{dt}=i_{\mathrm{dg}}^{*}-i_{\mathrm{dg}}\\ u_{\mathrm{dk}}^{*}=K_{P2}(i_{\mathrm{dg}}^{*}-i_{\mathrm{dg}})+K_{I2}{x}_2-\mathrm{\ω}{L}_f{i}_{\mathrm{dg}}+u_{\mathrm{dg}}\\ u_{\mathrm{dg}}^{*}=0\\ {\mathrm{dx}}_3/\mathrm{dt}=i_{\mathrm{qg}}^{*}-i_{\mathrm{qg}}\\ u_{\mathrm{qk}}^{*}=K_{P3}(i_{\mathrm{dg}}^{*}-i_{\mathrm{dg}})\end{array}\right.$

式中，x₁、x₂、x₃均为自定义的状态变量；K_P1、K_P2、K_P3分别为直流母线电压外环、有功和无功电流内环的控制器比例参数；K_I1、K_I2、K_I3分别为直流母线电压外环、有功和无功电流内环的控制器积分参数，单位为s^-1(s为复频域单位)。各个标有*上标的变量表示该变量的参考值。

A3、建立直流侧电容数学模型以及光伏发电系统与电网的连接模型。

根据平衡功率的原则，以图1所示参考方向为准，建立直流母线电容的数学模型为：

$\frac{C_{\mathrm{dc}}{U}_{\mathrm{dc}}}{{\mathrm{\ω}}_B}\frac{{\mathrm{dU}}_{\mathrm{oc}}}{\mathrm{dt}}=U_{\mathrm{dc}}I-u_{\mathrm{dg}}{i}_{\mathrm{dg}}$

式中，I为光伏电站的输出电流，为直流母线电容，U_dc为直流电容电压。

将图1中的升压变压器、输电线路和电网的等效电阻等效至高压侧为其中R代表电阻值，X代表电抗值，建立光伏发电系统与电网之间的连接模型为：

$\left\{\begin{array}{c}{i}_{\mathrm{dg}}=\frac{K(X\sin {\mathrm{\δ}}_g-R\cos {\mathrm{\δ}}_g)+K^2{\mathrm{Ru}}_{\mathrm{dg}}}{R^2+X^2}\\ i_{\mathrm{qg}}=\frac{K(X\cos {\mathrm{\δ}}_g+R\sin {\mathrm{\δ}}_g)-K^2{\mathrm{Xu}}_{\mathrm{dg}}}{R^2+X^2}\end{array}\right.$

式中，K为升压变压器的变比。

A4、将根据A1～A3所构成的描述光伏发电系统的微分-代数方程组在稳态值附近进行线性化，得到用于分析光伏电站发电系统小干扰稳定性的全系统状态矩阵为：

dΔx/dt＝AΔx

Δx＝[Δx₁Δx₂Δx₃Δx₄Δx₅Δx₆]^T

$A=\left[\begin{array}{cccccc}0& 0& 0& 0& 0& -1\\ l_{21}& 0& 0& -1& 0& l_{26}\\ 0& 0& 0& 0& -1& 0\\ l_{41}& l_{42}& 0& l_{44}& 0& l_{46}\\ 0& 0& l_{53}& 0& l_{55}& 0\\ 0& 0& 0& l_{64}& l_{64}& l_{66}\end{array}\right]$

其中，l₂₁＝K_I1；l₂₆＝-K_P1；l₄₁＝ω_BK_I1K_P2/L_f；l₄₂＝ω_BK_I2/L_f；l₄₄＝-ω_BK_P2/L_f；l₄₆＝-ω_BK_P1K_P2/L_f；l₅₃＝ω_BK_I3/L_f；l₅₅＝-ω_BK_P3/L_f；

$\begin{array}{c}{l}_{64}=\frac{{\mathrm{\ω}}_B{i}_{\mathrm{dg}\left(0\right)}}{K^2{C}_{\mathrm{dc}}{U}_{\mathrm{dc}\left(0\right)}}\frac{(R^2+X^2)i_{\mathrm{dg}\left(0\right)}-K^2{\mathrm{RU}}_{\mathrm{dg}\left(0\right)}}{{\mathrm{Ri}}_{\mathrm{dg}\left(0\right)}-{\mathrm{Xi}}_{\mathrm{qg}\left(0\right)}-K^2{u}_{\mathrm{dg}\left(0\right)}}-\frac{{\mathrm{\ω}}_B{u}_{\mathrm{dg}\left(0\right)}}{C_{\mathrm{dc}}{U}_{\mathrm{dc}\left(0\right)}}\\ l_{65}=\frac{{\mathrm{\ω}}_B{i}_{\mathrm{dg}\left(0\right)}}{K^2{C}_{\mathrm{dc}}{U}_{\mathrm{dc}\left(0\right)}}-\frac{(R^2+X^2)i_{\mathrm{dg}\left(0\right)}+K^{2}X{u}_{\mathrm{dg}\left(0\right)}}{{\mathrm{Ri}}_{\mathrm{dg}\left(0\right)}-{\mathrm{Xi}}_{\mathrm{qg}\left(0\right)}-K^2{u}_{\mathrm{dg}\left(0\right)}}\\ l_{66}=\frac{{\mathrm{\ω}}_B{u}_{\mathrm{dg}\left(0\right)}{i}_{\mathrm{dg}\left(0\right)}}{C_{\mathrm{dc}}{U}_{\mathrm{dc}\left(0\right)}^2}-\frac{{\mathrm{\ω}}_B{C}_1{I}_{\mathrm{sc}\left(0\right)}{e}^{U_{\mathrm{dc}\left(0\right)}/\left(C_2{U}_{\mathrm{oc}\left(0\right)}\right)}}{C_{\mathrm{dc}}{C}_2{U}_{\mathrm{oc}\left(0\right)}}\end{array}$

式中下标有(0)的变量表示为该标量的初值，L_f为输出滤波器电感，C_dc为直流母线电容，U_dc为直流电容电压。

步骤B：求取光伏发电系统状态矩阵特征值及参与因子，分析控制参数对系统小干扰稳定性影响，确定控制参数的合理变化范围。

B1、根据步骤A所求的6阶状态矩阵计算光伏发电系统状态矩阵特征值λ₁,λ₂,…,λ₆，进一步求各个特征值的振荡频率和阻尼比继而判断系统的小干扰稳定性以及模态。其中σ表示特征值的实部，ω表示特征值的虚部。

B2、计算状态矩阵的左特征向量v和右特征向量u，继而求得系统的参与因子p_ki＝v_ki·u_ki。式中v_ki，u_ki中下标k和i表示第i个特征值向量中第k个值，p_ki代表第k个控制参数对第i个特征值的影响。

B3、分别求取PI控制器中的比例系数K_Pi(i＝1,2,3)和积分系数K_Ii(i＝1,2,3)在经验值范围内变化时状态矩阵的所有特征值，进而绘制出状态矩阵的特征值轨迹，确定K_Pi、K_Ii(_i＝1,2,3)的合理变化范围以保证系统稳定。

步骤C:引入量化模型作为参数优化的目标函数并利用惯性权重粒子群优化算法对光伏电站发电系统控制参数进行全局优化。

C1、确定系统控制参数的全局优化目标函数为：

$\max \left\{U\right\}=\underset{i=1}{\overset{6}{\mathrm{\Σ}}}{w}_i\·{\left[\mathrm{Re}\left({\mathrm{\λ}}_i\right)\right]}^2-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{p}_i\·{\left[\mathrm{Im}\left({\mathrm{\λ}}_i\right)\right]}^2$

其中，max{U}表示对目标函数U求最大值，λ_i为6阶系统的第i个特征值，Re(λ_i)、Im(λ_i)分别为λ_i的实部和虚部，w_i和p_i分别为λ_i实部的权重因子和虚部的惩罚因子。惩罚因子是用罚函数法解决条件最优化问题时，建立的新的目标函数中乘在约束条件函数前的常数。

C2、初始化种群。设定学习因子c₁、c₂,最大进化代数K_max，初始惯性权值ω_ini，最大迭代次数时的惯性权值ω_fin，在搜索空间随机产生粒子x₁,x₂,…，x_m，随机产生粒子速度v₁,v₂,…,v_m，记录历史最优位置pbest_i与历史最优值f_best.i和全局最优位置gbest_i与全局最优值f_gbest.i。

C3、按照下式更新粒子速度和位置。

新一代粒子速度为：

v_id(k+1)＝ω(k)·v_id(k)+c₁·r₁(p_id(k)-x_id(k))+c₂·r₂(p_gd(k)-x_id(k))

其中，惯性权重ω(k)＝(ω_ini-ω_fin)(K_max-k)/K_max+ω_fin

上式中，k表示迭代数，c₁,c₂为学习因子，其中c₁用来调节粒子往自身历史最优位置方向移动的步长，c₂用来调节粒子往全局历史最优位置方向移动的步长。r₁,r₂为[0,1]之间的随机数。p_id表示第i个粒子迄今为止搜索到的最优位置下的第d个坐标分量。p_gd表示整个粒子群迄今为止搜索到的最优位置下的第d个坐标分量。

新一代粒子位置为：

x_id(k+1)＝x_id(k)+v_id(k+1) ,1≤i≤n,1≤d≤D

式中，D表示D维的搜索空间，n表示总粒子数。

C4、将各个粒子的当前位置带入目标函数U中，计算种群中各个粒子的适应值f(x_i)。

C5、比较粒子当前的适应值和自身历史最优值，更新历史最优位置pbest_i与历史最优值f_best.i。

如果f_pbest.i优于f(x_i)，即f_pbest.i>f(x_i)，则历史最优位置pbest_i与历史最优值f_best.i均不变,否则，令f_pbest,i＝f(x_i)且pbest_i＝x(i)。

C6、比较粒子当前的适应值和种群最优值，更新全局最优位置gbest_i与全局最优值f_gbest。

如果f_gbest优于f(x_i),，即f_gbest.i>f(x_i)则全局最优位置gbest_i与全局最优值f_gbest均不变,否则，令f_gbest＝f(x_i)且gbest＝x(i)。

C7、检查迭代次数是否达到K_max，达到则计算结束，当前粒子位置为系统控制参数全局最优值，否则k＝k+1,返回步骤C3。

下面，根据上述实施步骤对光伏发电系统控制参数进行参数的全局优化。

实施例系统参数如下表所示：

令光伏发电系统的未优化控制参数为：K_P1＝0.5、K_P2＝0.9、K_P3＝0.9、K_I1＝50s^-1、K_P2＝90s^-1、K_P3＝90s^-1。计算可得系统特征值、阻尼比与参与因子如下表所示：

令惯性权重粒子群优化算法参数为：m＝10、K_max＝100、ω_ini＝0.9、ω_fin＝0.4、w_i＝1、p_i＝1。计算可得全局最优的参数组合以及系统特征值如下表所示：

控制变量	KP1	KP2	KP3	KI1	KI1	KI1
							数值	0.45	1.00	0.91	14.52	47.62	43.33

上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：

本发明是一种光伏发电系统控制参数全局优化方法，包括下述步骤，步骤A：建立光伏电站发电系统的全系统小信号模型和系统状态矩阵。步骤B：求取光伏发电系统状态矩阵特征值及参与因子，分析控制参数对系统小干扰稳定性影响，确定控制参数的合理变化范围。步骤C：引入量化模型作为参数优化的目标函数并利用智能优化算法对光伏发电系统控制参数进行全局优化。本发明提出的方法针对系统小干扰稳定性建立了科学合理的量化标准，且解决了系统控制参数相互耦合难以单一优化的问题，该方法搜索速度快、效率高，算法简单，易于工程实现。与传统方法相比，利用本发明所提方法进行参数优化能够实现控制参数的全局最优，提高光伏电站发电系统的小干扰稳定性。

Claims (5)

1.一种光伏发电系统控制参数全局优化方法，其特征在于，包括下述步骤

步骤A：建立光伏电站发电系统的全系统小信号模型和系统状态矩阵；

步骤B：求取光伏发电系统状态矩阵特征值及参与因子，分析控制参数对系统小干扰稳定性影响，确定控制参数的合理变化范围；

步骤C：引入量化模型作为参数优化的目标函数并利用智能优化算法对光伏发电系统控制参数进行全局优化。

2.如权利要求1所述的光伏发电系统控制参数全局优化方法，其特征在于，所述步骤A具体为：

A1、利用多项式拟合的方法根据光伏电池工程实用模型建立光伏电池的线性拟合模型；

A2、建立光伏电站用逆变器在d-q轴坐标下的数学模型以及采用前馈解耦控制策略的逆变器控制系统数学模型，其中d-q轴坐标是两相旋转坐标系中的坐标轴；

A3、建立直流侧电容数学模型以及光伏发电系统与电网的连接模型；

A4、将根据A1～A3所构成的描述光伏发电系统的微分-代数方程组在稳态值附近进行线性化，得到用于分析光伏电站发电系统小干扰稳定性的全系统状态矩阵。

3.如权利要求2所述的光伏发电系统控制参数全局优化方法，其特征在于，所述步骤B具体为：

B1、根据步骤A所求的状态矩阵计算光伏发电系统状态矩阵特征值，进一步求各个特征值的振荡频率和阻尼比，继而判断系统的小干扰稳定性以及模态；

B2、计算状态矩阵的左特征向量和右特征向量，继而求得系统的参与因子；

B3、分别求取PI控制器中的比例系数和积分系数变化时状态矩阵的所有特征值，进而绘制出状态矩阵的特征值轨迹，确定比例系数和积分系数的合理变化范围。

4.如权利要求2所述的光伏发电系统控制参数全局优化方法，其特征在于，所述步骤C具体为：

C1、确定系统控制参数的全局优化目标函数；

C2、初始化种群；

C3、按照下式更新粒子速度和位置：

新一代粒子速度为：

v_id(k+1)＝ω(k)·v_id(k)+c₁·r₁(p_id(k)-x_id(k))+c₂·r₂(p_gd(k)-x_id(k))

其中，惯性权重ω(k)＝(ω_ini-ω_inf)(K_max-k)/K_max+ω_inf

上式中，k表示迭代数，c₁,c₂为学习因子，其中c₁用来调节粒子往自身历史最优位置方向移动的步长，c₂用来调节粒子往全局历史最优位置方向移动的步长。r₁,r₂为[0,1]之间的随机数。p_id表示第i个粒子迄今为止搜索到的最优位置下的第d个坐标分量。p_gd表示整个粒子群迄今为止搜索到的最优位置下的第d个坐标分量；

新一代粒子位置为：

x_id(k+1)＝x_id(k)+v_id(k+1),1≤i≤n,1≤d≤D

式中，D表示D维的搜索空间，n表示总粒子数；

C4、将各个粒子的当前位置带入目标函数中，计算种群中各个粒子的适应值f(x_i)；

C5、比较粒子当前的适应值和自身历史最优值，更新历史最优位置pbest_i与历史最优值f_best.i；

如果f_pbest.i优于f(x_i)，即f_pbest.i>f(x_i)，则历史最优位置pbest_i与历史最优值f_best.i均不变,否则，令f_pbest,i＝f(x_i)且pbest_i＝x(i)；

C6、比较粒子当前的适应值和种群最优值，更新全局最优位置gbest_i与全局最优值f_gbest；

如果f_gbest优于f(x_i),，即f_gbest.i>f(x_i)则全局最优位置gbest_i与全局最优值f_gbest均不变,否则，令f_gbest＝f(x_i)且gbest＝x(i)；

C7、检查迭代次数是否达到K_max，达到则计算结束，当前粒子位置为系统控制参数全局最优值，否则k＝k+1,返回步骤C3。

5.如权利要求4所述的光伏发电系统控制参数全局优化方法，其特征在于，所述步骤C1中全局优化目标函数

$\max \left\{U\right\}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_i\·{\left[\mathrm{Re}\left({\mathrm{\λ}}_i\right)\right]}^2-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{p}_i\·{\left[\mathrm{Im}\left({\mathrm{\λ}}_i\right)\right]}^2$

其中，max{U}表示对目标函数U求最大值，λ_i为6阶系统的第i个特征值，Re(λ_i)、Im(λ_i)分别为λ_i的实部和虚部，w_i和p_i分别为λ_i实部的权重因子和虚部的惩罚因子。