CN105790315A - 一种基于粒子群算法的储能变流下垂控制方法 - Google Patents

Abstract

本发明公开了一种基于粒子群算法的储能变流下垂控制方法，属于新能源技术领域，步骤包括：步骤一、建立微网的数学模型，给出光照强度，得出有功出力；步骤二、确定储能电池发出的有功和无功功率；步骤三、建立无功规划的数学模型，包括目标函数、约束方程；步骤四、获取系统信息，包括节点参数，支路参数；步骤五、种群信息的设置；步骤六、潮流计算，得到适应度值和当前个体最优及领域最优；步骤七、将优化的参数带入到下垂控制中。本发明通过粒子群算法与下垂控制相结合的方法，解决了系统寻优效率，优化参数等问题，具有增加系统稳定性的效果，减少有功损耗。

Description

一种基于粒子群算法的储能变流下垂控制方法

技术领域

本发明属于新能源技术领域，涉及光伏发电稳定性方向，具体涉及一种基于粒子群算法的储能变流下垂控制方法。

背景技术

随时社会的发展和人们生活水平的不断提高，人们日常的能源需求也越来越大。而传统化石燃料的日益枯竭和环境污染的形势越发严峻，对新能源的开发使用是必然趋势。光伏发电作为新能源的一种，具有安全、不污染环境、无噪声、使用寿命长等特点，在全世界得到快速发展。

近几年，我国也建立了很多大规模光伏电站试验示范基地。但光伏发电是间断性的，发电量易受到天气、环境和光伏阵列自身因素影响。随着光伏发电站的规模不断变大，当光伏发电并入大电网时，其具有的间断性威胁着大电网系统的稳定和安全。

对于上述问题，有学者开始研究基于粒子群算法的储能变流的控制方法，来解决光伏发电间断性和不稳定性给大电网带来的负面影响。准确的控制参数，有利于协调电力系统的电能调配，减少电力系统运行成本，并且可以将太阳能资源更好的为人类服务。因此，基于粒子群算法的储能变流的控制方法具有重要的意义。

发明内容

根据以上现有技术的不足，本发明所要解决的技术问题是提出一种基于粒子群算法的储能变流下垂控制方法，通过粒子群算法与下垂控制相结合的方法，解决了系统寻优效率、优化参数等问题，具有增加系统稳定性的效果，减少有功损耗。

为了解决上述技术问题，本发明采用的技术方案为：一种基于粒子群算法的储能变流下垂控制方法，所述方法步骤包括：步骤一、建立微网的数学模型，给出光照强度，得出有功出力；步骤二、确定储能电池发出的有功和无功功率；步骤三、建立无功规划的数学模型，包括目标函数、约束方程；步骤四、获取系统信息，包括节点参数，支路参数；步骤五、种群信息的设置；步骤六、潮流计算，得到适应度值和当前个体最优及领域最优；步骤七、将优化的参数带入到下垂控制中。

上述方法中，所述步骤三中无功规划数学模型的建立条件是：在满足系统运行约束和发电机组运行约束的前提下，系统有功网损最小、电压质量最好和静态电压稳定裕度最大，其中的静态电压稳定性指标采用常规收敛潮流雅可比矩阵的最小奇异值来度量。所述步骤三中，无功规划数学模型的建立包括：输入配电网初始信息，设定粒子群规模N，惯性权重系数ω，加速系数c，迭代次数t参数。所述步骤三中，无功优化数学模型中的约束方程公式为：

其中P，Q，U_i分别为节点处注入的有功功率、无功功率和电压；G_ij，B_ij,θ_ij分别电导、电纳和相角差；n为系统的节点总数，i，j为节点。

所述步骤六中，潮流计算的具体步骤包括：根据适应值取前m个优秀粒子，采用粒子群算法得到最优粒子，同时利用MAS系统采用粒子群算法寻优更新粒子；进行潮流计算，得到当前最优解及领域最优解；判断计算结果是否满足结束条件，如果不满足结束条件重复步骤六，如果满足结束条件则进行步骤七。

本发明有益效果是:本发明所述的一种基于粒子群算法的储能变流下垂控制方法，控制方法简单，参数结果准确性高，对光伏储能控制的效率有明显提高。

附图说明

下面对本说明书附图所表达的内容及图中的标记作简要说明：

图1是本发明的具体实施方式的工作流程图。

具体实施方式

下面对照附图，通过对实施例的描述，本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等，作进一步详细的说明，以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。

如图1所示，一种基于粒子群算法的储能变流下垂控制方法，方法步骤包括：

步骤一、建立微网的数学模型，给出光照强度，得出有功出力，光照强度值输入微网数学模型中，通过数学模型计算输出有功功力，微网数学模型用于协调电力系统的电能调配，连接电力系统，方便调用电力系统的有关数据，成功建立模型。

粒子通过下面两个式子来更新自己的速度和位置。

$V_{id}^{k+1}={\mathrm{\ωV}}_{id}^k+C_{1rand}({\mathrm{pBest}}_{id}^k-X_{id}^k)+C_{2rand}({\mathrm{gBest}}_{id}^k-X_{id}^k)$

$X_{id}^{k+1}=X_{id}^k+V_{id}^{k+1}$

式中,代表速度位置，ω代表惯性权重，C_1rand代表第一个加速度因子，C_2rand代表第二个加速度因子，g代表功率参数，X为粒子位置。

步骤二、确定储能电池发出的有功和无功功率。电力系统的工作中，会进行数据的统计，设置功率计算单元进行储能电池功率计算，包括有功功率和无功功率，计算得出的功率数据保存在数据库中方便模型调用，对无功功率进行数据优化。

步骤三、建立无功规划的数学模型，包括目标函数、约束方程。确定储能电池发出的有功和无功功率后，建立无功规划数学模型，包括目标函数、约束方程，输入配电网初始信息，设定粒子群规模N，惯性权重系数ω，加速系数c，迭代次数t等参数。

无功规划的数学模型的建立条件还包括，在电网有功潮流给定的情况下，多目标无功优化数学模型(即无功规划的数学模型，对无功功率进行优化)是在满足系统运行约束和发电机组运行约束的前提下，将系统有功网损P_loss最小、电压质量最好(即电压的偏移量dV最小)和静态电压稳定裕度SMV最大为目标，其中的静态电压稳定性指标采用常规收敛潮流雅可比矩阵的最小奇异值δ_min来度量。在满足无功规划的建立条件后，输入配电网初始信息，建立无功规划的数学模型。

粒子群中的线性递减惯性权重ω的公式如下：

式中，T_max和T分别代表种群的最大迭代次数和当前迭代次数；ω_start和ω_end分别代表初始迭代权重和终止迭代权重。

在无功优化数学模型中，等式约束条件就是功率约束方程。表达式如下：

$\begin{array}{c}P=U_i\underset{j\∈i}{\Σ}(G_{ij}{\mathrm{cos\θ}}_{ij}+B_{ij}{\mathrm{sin\θ}}_{ij})\\ Q=U_i\underset{j\∈i}{\Σ}(G_{ij}{\mathrm{sin\θ}}_{ij}-B_{ij}{\mathrm{cos\θ}}_{ij})\end{array},(i=1,\mathrm{2...},n)$

其中P，Q，U_i分别为节点处注入的有功功率、无功功率和电压；G_ij，B_ij,θ_ij分别为电导、电纳和相角差；n为系统的节点总数；i,j代表两个节点。

系统中总的有功功率损耗为：

$P_{loss}=\underset{i\∈n}{\Σ}{U}_i\underset{j\∈i}{\Σ}{U}_j(G_{ij}{\mathrm{cos\θ}}_{ij}+B_{ij}{\mathrm{sin\θ}}_{ij})=\underset{j\∈i}{\overset{i\∈n}{\Σ}}{G}_{ij}(U_i^2+U_j^2-2U_i{U}_j{\mathrm{cos\θ}}_{ij})$

步骤四、获取系统信息，包括节点参数、支路参数。获取电力系统的信息参数，包括节点参数、支路参数输入到模型中进行模型训练。

步骤五、设置种群信息。结合步骤三中的种群设置信息，模型训练结果信息完善种群信息的设置。

式中ω线性减小，k、k_max分别是当前迭代次数和最大迭代次数。当ω设置为线性下降时，在搜索开始时能够比较快的确定最优解的大致位置，而随着ω的逐渐减小，粒子的速度也会变慢。指最优值。

首先初始化系统参数，产生一个种群，设定种群的规模，优化次数，粒子位置及速度初始值以及上下限值范围，加权因子的初始值及上下限值，惯性权值的初始值及最大、最小值等。其中粒子位置及速度均为维空间，分别代表比例系数、积分系数，并且要将参数限定在一个系统稳定的合理范围内，这样可以减少寻粒子寻优的盲目性，同时也可以避免参数因超出系统稳定区域的限值而使系统不稳定。依据设定的系统超调小、上升时间短等性能为目标，本发明采用上式作为被控对象的评价函数，求出粒子的适应度值，然后评价粒子优劣。将粒子个体极值与粒子当前适应度函数值比较，若个体极值大于当前适应度函数值，则当前适应度函数值为当前最优值，比较粒子当前的适应度函数值与整个种群的最优值，如果比种群最优值小，则当前适应度函数值为最优解。

步骤六、潮流计算，得到适应度值和当前个体最优及领域最优。首先，根据适应值取前m个优秀粒子，采用粒子群算法得到最优粒子，同时利用MAS(Multi-agent)系统采用粒子群算法寻优更新粒子。然后，潮流计算，得到当前最优解及领域最优解。继续判断计算结果是否满足结束条件，如果不满足结束条件重复步骤六，如果满足结束条件则进行步骤七。

步骤七、将优化的参数带入到下垂控制中。将所述用粒子群优化的无功参数带入到微网储能变流下垂控制中，提高系统效率和稳定性。

PSO(ParticleSwarmOptimization，粒子群优化算法)的配电网重构和DG(DistributeGeneration，分布式发电)注入功率的综合优化算法，采用PSO和BPSO相结合的方式，对转换开关状态和DG注入功率2种控制变量同时进行优化。配电网重构和DG注入功率综合优化中，包括2类控制变量：离散变量，如转换开关状态S_w；连续变量，如DG注入功率。为同时处理两类变量，对DG注入功率采用基本PSO进行优化。

Multi-agent系统(MAS)是由多个松散耦合的、粗粒度的、具有感知能力、问题求解能力、能够与系统中其他Agent通信交互的Agent组成的网络结构。这些Agent在物理上或逻辑上是分散的，其行为是自治的，它们通过协商、协调和协作，完成复杂的控制任务或解决复杂的问题。

本具体实施方式的工作原理：建立微网的数学模型，给出光照强度，得出有功出力；确定储能电池发出的有功和无功功率；建立无功规划的数学模型，包括目标函数、约束方程；获取系统信息，包括节点参数，支路参数；种群信息的设置；潮流计算，得到适应度值和当前个体最优及领域最优；将优化的参数带入到下垂控制中，从而可以保持微网更加稳定运行。

上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。本发明的保护范围应该以权利要求书所限定的保护范围为准。

Claims (5)

1.一种基于粒子群算法的储能变流下垂控制方法，其特征在于：所述方法步骤包括：

步骤一、建立微网数学模型，给出光照强度，得出有功出力；

步骤二、确定储能电池发出的有功功率和无功功率；

步骤三、建立无功规划的数学模型，包括目标函数、约束方程；

步骤四、获取系统信息，包括节点参数、支路参数；

步骤五、种群信息的设置；

步骤六、潮流计算，得到适应度值和当前个体最优及领域最优；

步骤七、将优化的参数带入到下垂控制中。

2.根据权利要求1所述的基于粒子群算法的储能变流下垂控制方法，其特征在于：所述步骤三中无功规划数学模型的建立条件是：在满足系统运行约束和发电机组运行约束的前提下，系统有功网损最小、电压质量最好和静态电压稳定裕度最大，其中的静态电压稳定性指标采用常规收敛潮流雅可比矩阵的最小奇异值来度量。

3.根据权利要求1所述的基于粒子群算法的储能变流下垂控制方法，其特征在于：所述步骤三中，无功规划数学模型的建立包括：输入配电网初始信息，设定粒子群规模N，惯性权重系数ω，加速系数c，迭代次数t参数。

4.根据权利要求1所述的基于粒子群算法的储能变流下垂控制方法，其特征在于：所述步骤三中，无功优化数学模型中的约束方程公式为：

$\begin{array}{c}P=U_i\underset{j\∈i}{\Σ}(G_{ij}{\mathrm{cos\θ}}_{ij}+B_{ij}{\mathrm{sin\θ}}_{ij})\\ Q=U_i\underset{j\∈i}{\Σ}(G_{ij}{\mathrm{sin\θ}}_{ij}-B_{ij}{\mathrm{cos\θ}}_{ij})\end{array},(i=1,\mathrm{2...},n)$

其中P，Q，U_i分别为节点处注入的有功功率、无功功率和电压；G_ij，B_ij,θ_ij分别电导、电纳和相角差；n为系统的节点总数，i，j为节点。

5.根据权利要求1所述的基于粒子群算法的储能变流下垂控制方法，其特征在于：所述步骤六中，潮流计算的具体步骤包括：根据适应值取前m个优秀粒子，采用粒子群算法得到最优粒子，同时利用MAS系统采用粒子群算法寻优更新粒子；进行潮流计算，得到当前最优解及领域最优解；判断计算结果是否满足结束条件，如果不满足结束条件重复步骤六，如果满足结束条件则进行步骤七。