CN104953621A - 下垂控制系数优化方法 - Google Patents

Abstract

本发明提供了一种下垂控制系数优化方法，本发明是在微电网控制模型和小信号动态模型的基础上，使用智能控制算法PSO-IHS(粒子群和声搜索算法的混合算法)来实现的。PSO-IHS混合算法能够有效跳出局部最优，快速寻找全局最优值，且该方法的鲁棒性较强。本发明采用PSO-IHS(粒子群和声搜索算法的混合算法)混合算法优化，能够得到下垂控制系数的最优值，是一种有效的下垂控制系数优化方法，使微电网更加稳定、高效运行。

Description

下垂控制系数优化方法

技术领域

本发明专利涉及微电网控制系统系统和智能控制领域，主要针对微电网中下垂控制的下垂系数优化问题来设计。

背景技术

随着微电网成为一些发达国家解决电力系统众多问题的一个重要辅助手段，微电网无论是并网运行还是独立运行，在维持电压幅值和频率稳定的同时实现功率的快速准确分配，以及在模式切换过程中保证扰动振荡在可接受的范围之内，是微电网协调控制问题的难点和重点，即微电网的协调控制问题就变得尤为重要。

根据即插即用与“对等”的控制思想和设计理念提出的电压幅值和频率下垂控制，使DG(分布式电源)只需要检测接入点的信息，通过调整自身输出电压的频率和幅值来控制输出的有功和无功功率，无需通讯环节，具有较高的可靠性和灵活性。但是微电网小信号动态模型只能得到控制参数的大概范围，而不能得到看至参数的最优值，所以对于下垂控制系数优化亟待提出一种有效的优化方法。

发明内容

本发明的目的在于提供一种下垂控制系数优化方法，能够得到下垂控制系数的最优值。

为解决上述问题，本发明提供一种下垂控制系数优化方法，包括：

建立微电网控制模型；

建立所述微电网控制模型的小信号动态模型，根据所述小信号动态模型得到下垂控制系数的取值范围；

以微电网四种运行模式下实际输出值与参考值之间的误差作为控制目标，建立微电网四种运行模式下的控制目标函数；

使用PSO-IHS混合算法对所述控制目标函数进行优化，其中，以下垂控制系数为优化变量，最终得到下垂控制系数的最优值。

进一步的，在上述方法中，建立微电网控制模型，包括：

采用下垂控制、电压电流双环控制微电网中分布式电源逆变器的方式建立微电网控制模型。

进一步的，在上述方法中，根据所述小信号动态模型得到下垂控制系数的取值范围，包括：

根据所述小信号动态模型并使用特征值和灵敏度法得到下垂控制系数的取值范围。

进一步的，在上述方法中，以微电网四种运行模式下实际输出值与参考值之间的误差作为控制目标，建立微电网四种运行模式下的控制目标函数，包括：

以微电网并网运行模式、并网与孤岛运行模式的切换、孤岛运行模式、重新并网四种运行模式下的有功功率、无功功率、电压幅值、频率的额定值与实际值之间的误差作为控制目标，建立微电网四种模式下的控制目标函数。

进一步的，在上述方法中，使用PSO-IHS混合算法对所述控制目标函数进行优化，包括：

步骤S41，初始化PSO-IHS算法的基本参数，包括和声记忆库的大小HMS、迭代次数NI和每迭代一次产生的新解个数M；

步骤S42，用粒子群算法迭代生成初始和声记忆库HM；

步骤S43，令m＝1，当前迭代次数为1；

步骤S44，使用产生新解的三种方法生成新的解向量；

步骤S45，令m＝m+1；

步骤S46，判断m是否小于M，若是，转到步骤S44，若否，转到步骤47；

步骤S47，在HMS+M个解向量中选取HMS个最优值更新HM；

步骤S48，判断当前迭代次数是否等于NI，若是迭代停止，输出HM中的最优值，若否，当前迭代次数加1后转到步骤S43。

与现有技术相比，本发明是在微电网控制模型和小信号动态模型的基础上，使用智能控制算法PSO-IHS(粒子群和声搜索算法的混合算法)来实现的。PSO-IHS混合算法能够有效跳出局部最优，快速寻找全局最优值，且该方法的鲁棒性较强。本发明专利采用PSO-IHS(粒子群和声搜索算法的混合算法)混合算法优化，能够得到下垂控制系数的最优值，是一种有效的下垂控制系数优化方法，使微电网更加稳定、高效运行。

附图说明

图1是本发明一实施例的下垂控制系数优化方法的流程图；

图2是本发明一优选的实施例的下垂控制系数优化方法的流程图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明提供一种下垂控制系数优化方法，包括：

步骤S1，建立微电网控制模型，优选的，可采用下垂控制、电压电流双环控制微电网中分布式电源逆变器的方式建立微电网控制模型，以便实现功率的快速准确分配；

步骤S2，建立所述微电网控制模型的小信号动态模型，根据所述小信号动态模型得到下垂控制系数的取值范围；优选的，可根据所述小信号动态模型并使用特征值和灵敏度法得到下垂控制系数的取值范围；

步骤S3，以微电网四种运行模式下的实际输出值与参考值之间的误差作为控制目标，建立微电网四种运行模式下的控制目标函数，优选的，可以微电网并网运行模式(y1)、并网预孤岛运行模式的切换(y2)、孤岛运行模式(y3)、重新并网(y4)四种运行模式下的有功功率、无功功率、电压幅值、频率的额定值与实际值之间的误差作为控制目标，建立微电网四种模式下的控制目标函数；

步骤S4，使用PSO-IHS混合算法对所述控制目标函数进行优化，其中，以下垂控制系数的取值范围为优化变量，最终得到下垂控制系数的最优值。具体的，如图1所示，微电网控制模型采用功率下垂控制、电压电流双环控制，然后建立微电网控制模型的小信号动态模型，在动态模型的基础上采用特征值法和灵敏度法得到下垂控制系数的取值范围；然后以微电网并网运行模式(y1)、并网预孤岛运行模式的切换(y2)、孤岛运行模式(y3)、重新并网(y4)四种运行模式下的有功功率、无功功率、电压幅值、频率的额定值与实际值之间的误差作为控制目标，建立微电网控制目标函数；最后再采用PSO-IHS混合算法来优化控制目标函数，得到下垂控制系数的最优值。

如图2所示，本发明的下垂控制系数优化方法一优选的实施例中，步骤S4，使用PSO-IHS混合算法对所述控制目标函数进行优化，包括：

步骤S41，初始化PSO-IHS算法的基本参数，包括和声记忆库的大小HMS、迭代次数NI和每迭代一次产生的新解个数M；具体的，建立优化问题的目标函数和约束条件后，需要初始化PSO-IHS算法的基本参数：和声记忆库大小HMS，变量个数N和各变量解空间，记忆保留概率HMCR，音调调节概率PAR的取值范围(PAR_min，PAR_max)，微调概率扰动量bw的取值范围(bw_min，bw_max)，最大迭代次数NI，每迭代一次产生的新解个数M；PSO算法的初始参数：惯性权重ω，加速度常数c1、c2，迭代次数MNI，粒子数为HMS；

步骤S42，用粒子群算法迭代生成初始和声记忆库HM；具体的，和声记忆库HM初始化：经过PSO算法迭代生成HMS个解向量放入HM中，迭代更新公式为：

$\left\{\begin{array}{c}{v}^{t+1}={\mathrm{\ωv}}^t+c_1{r}_1({\mathrm{Xj}}^t-x^t)+c_2{r}_2({\mathrm{Xg}}^t-x^t)\\ x^{t+1}=x^t+v^{t+1}\end{array}\right.$

式中，Xj、Xg分别为粒子的局部最优位置和全局最优位置；

步骤S43，令m＝1，当前迭代次数为1；

步骤S44，使用产生新解的三种方法生成新的解向量；具体的，每迭代一次，

生成M个新解，在每次迭代时IHS的参数动态变化，变化公式为：

$\left\{\begin{array}{c}PAR={\mathrm{PAR}}_{\min }+({\mathrm{PAR}}_{\max }-{\mathrm{PAR}}_{\min })*ni/NI\\ b\mathrm{\ω}=b\mathrm{\ω}\exp \[\log ({\mathrm{b\ω}}_{\min }/{\mathrm{b\ω}}_{\max })*ni/NI\]\end{array}\right.$

每步迭代均会生成m个新解，每个新解生成过程代码可如下：

步骤S45，令m＝m+1；

步骤S46，判断m是否小于M，若是，转到步骤S44，若否，转到步骤47；

步骤S47，在HMS+M个解向量中选取HMS个最优值更新HM；在此，更新和声记忆库HM：在(HMS+M)个解向量中选取HMS个最优值放入HM中代替先前的HM；

步骤S48，判断当前迭代次数是否等于NI，若是迭代停止，输出HM中的最优值，若否，当前迭代次数加1后转到步骤S43。在此，当迭代次数达到最大迭代次数NI时，则迭代停止，输出最优解；若未达到NI，则重复步骤S43。

综上所述，本发明是在微电网控制模型和小信号动态模型的基础上，使用智能控制算法PSO-IHS(粒子群和声搜索算法的混合算法)来实现的。PSO-IHS混合算法能够有效跳出局部最优，快速寻找全局最优值，且该方法的鲁棒性较强。本发明专利采用PSO-IHS(粒子群和声搜索算法的混合算法)混合算法优化，能够得到下垂控制系数的最优值，是一种有效的下垂控制系数优化方法，使微电网更加稳定、高效运行。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

显然，本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (5)

1.一种下垂控制系数优化方法，其特征在于，包括：

建立微电网控制模型；

建立所述微电网控制模型的小信号动态模型，根据所述小信号动态模型得到下垂控制系数的取值范围；

以微电网四种运行模式下实际输出值与参考值之间的误差作为控制目标，建立微电网四种运行模式下的控制目标函数；

使用PSO-IHS混合算法对所述控制目标函数进行优化，其中，以下垂控制系数的取值范围为优化变量，最终得到下垂控制系数的最优值。

2.如权利要求1所述的下垂控制系数优化方法，其特征在于，建立微电网控制模型，包括：

采用下垂控制、电压电流双环控制微电网中分布式电源逆变器的方式建立微电网控制模型。

3.如权利要求1所述的下垂控制系数优化方法，其特征在于，根据所述小信号动态模型得到下垂控制系数的取值范围，包括：

根据所述小信号动态模型并使用特征值和灵敏度法得到下垂控制系数的取值范围。

4.如权利要求1所述的下垂控制系数优化方法，其特征在于，以微电网四种运行模式下实际输出值与参考值之间的误差作为控制目标，建立微电网四种运行模式下的控制目标函数，包括：

以微电网并网运行模式、并网与孤岛运行模式的切换、孤岛运行模式、重新并网四种运行模式下的有功功率、无功功率、电压幅值、频率的额定值与实际值之间的误差作为控制目标，建立微电网四种模式下的控制目标函数。

5.如权利要求1至4任一项所述的下垂控制系数优化方法，其特征在于，使用PSO-IHS混合算法对所述控制目标函数进行优化，包括：

步骤S41，初始化PSO-IHS算法的基本参数，包括和声记忆库的大小HMS、迭代次数NI和每迭代一次产生的新解个数M；

步骤S42，用粒子群算法迭代生成初始和声记忆库HM；

步骤S43，令m＝1，当前迭代次数为1；

步骤S44，使用产生新解的三种方法生成新的解向量；

步骤S45，令m＝m+1；

步骤S46，判断m是否小于M，若是，转到步骤S44，若否，转到步骤47；

步骤S47，在HMS+M个解向量中选取HMS个最优值更新HM；

步骤S48，判断当前迭代次数是否等于NI，若是迭代停止，输出HM中的最优值，若否，当前迭代次数加1后转到步骤S43。