CN106300418A - 基于自适应差分进化算法的光伏逆变器控制参数的辨识方法 - Google Patents

Abstract

本发明公开了一种基于自适应差分进化算法的光伏逆变器控制参数的辨识方法，其特征是按如下步骤进行：1在光伏逆变器送出线路处设置扰动点以收集参数辨识所需的扰动数据；2对光伏逆变器的输入、输出采样序列进行野值的剔除和修正；3通过自适应差分进化算法分别对光伏逆变器d轴控制参数和q轴控制参数进行辨识。本发明能够快速、准确地获得光伏逆变器控制参数值，从而达到提高光伏模型精度的目的。

Description

基于自适应差分进化算法的光伏逆变器控制参数的辨识方法

技术领域

本发明涉及电力系统分析技术领域，更具体地说本发明涉及一种光伏逆变器控制参数的辨识方法。

背景技术

光伏电站以其清洁、可再生、基本不受地理条件限制的特点在中国得到迅速发展。光伏电站的逆变器作为关键元件，对光伏系统的暂态特性起着决定性作用，其模型控制参数的准确性在光伏电站建模及电力系统分析中显得尤为重要。由于光伏逆变器制造厂家提供的数学模型大都是已知内部结构的，但实际应用时，当光伏电站的运行状态不同时，光伏逆变器控制参数的取值并不完全相同。因此采用参数辨识的方法获取光伏逆变器的控制参数值是解决该问题的有效途径。

目前光伏逆变器控制参数的辨识方法可分为两类：第一种为状态空间平均法，主要是根据功率开关管的通断情况，列写各换流过程的状态方程，代入低频小信号扰动，通过拉普拉斯变换得出光伏逆变器的传递函数；第二种为最小二乘法，主要是使光伏逆变器控制参数的最可能值使得光伏电站的各项实际观测值和计算值之差的平方和最小；状态空间平均法需要光伏逆变器的结构、参数、微分方程、开关拓扑等信息，实施难度较大且不能描述光伏逆变器的高频现象；最小二乘法虽然原理简单，但其辨识精度不高。并且在实际的光伏电站中，在进行光伏逆变器控制参数辨识时，不能影响到系统的正常运行，必须采用系统的正常运行信号作为辨识输入信号，防止外加输入信号对系统产生严重干扰。

发明内容

本发明是为避免上述现有技术所存在的不足之处，提供一种基于自适应差分进化算法的光伏逆变器控制参数的辨识方法，以期能够快速准确地获得光伏逆变器控制参数值，从而达到提高模型精度的目的。

为了达到上述目的，本发明所采用的技术方案为：

本发明一种基于自适应差分进化算法的光伏逆变器控制参数的辨识方法，所述光伏逆变器是由并网逆变控制器进行控制，所述并网逆变控制器对所述光伏逆变器采用dq轴解耦的电压-无功外环、电流内环控制策略；所述电压-无功外环、电流内环控制策略包括8个控制参数，分别为：电压外环比例系数k_pu、电压外环积分系数k_iu、无功外环比例系数k_pq、无功外环积分系数k_iq、电流内环d轴比例系数k_pid、电流内环d轴积分系数k_iid、电流内环q轴比例系数k_piq、电流内环q轴积分系数k_iiq；所述控制参数的辨识方法是按如下步骤识别所述8个控制参数：

步骤1、对所述光伏逆变器的输入、输出进行采样：

步骤1.1、在所述光伏逆变器送出线路处设置一个扰动点，使得所述光伏逆变器交流侧电压跌至α范围内；α∈[0.9pu，0.95pu]；其中，pu为标幺值；

步骤1.2、对所述光伏逆变器的输入U_dcref-U_dc和Q_ref-Q、输出I_d和I_q进行等时间间距采样，共采样t个时间点，t≥7；由采样时间点形成的序列记为{Ts}＝{Ts₁,Ts₂,...,Ts_t}；Ts_t表示第t个采样时间点；U_dcref为光伏逆变器直流侧电压参考值，U_dc为光伏逆变器直流侧电压实际值，Q_ref为光伏逆变器无功功率的参考值，Q为光伏逆变器实际输出的无功功率；I_d为光伏逆变器输出电流的d轴分量，I_q为光伏逆变器输出电流的q轴分量；

所述光伏逆变器的输入U_dcref-U_dc和Q_ref-Q经过采样后所形成的序列分别记为{x₁}和{x₂}；

所述光伏逆变器的输出I_d和I_q经过采样后所形成的序列分别记为{y₁}和{y₂}；

步骤2、对光伏逆变器的输入序列{x₁}和{x₂}、输出序列{y₁}和{y₂}进行野值的剔除和修正：

步骤2.1、对序列{y₁}进行野值的剔除和修正：

步骤I、假设序列{y₁}＝{y₁₁,y₁₂,...,y_1t}，t为采样时间点数，利用式(1)由序列{y₁}生成序列

步骤II、初始化序列循环变量τ＝7；

步骤III、利用式(2)判断y_1τ是否若满足式(2)，若满足，则表明所述序列{y₁}中第τ个采样值y_1τ为野值，并执行步骤IV，若不满足，则将τ+1赋值给τ，并判断τ＞t是否成立，若成立，则表示完成对序列{y₁}进行野值的剔除和修正，否则，返回执行步骤III；

步骤IV、将所述序列{y₁}中第τ个采样值y_1τ剔除，并利用式(3)进行修正，得到修正后的第τ个采样值y′_1τ替代所剔除的第τ个采样值y_1τ：

$y_{1\mathrm{\τ}}^{\′}=\underset{a=\mathrm{\τ}-3}{\overset{\mathrm{\τ}-1}{\Σ}}\underset{b\≠a}{\overset{\mathrm{\τ}-1}{\underset{b=\mathrm{\τ}-3}{\mathrm{\Π}}}}\frac{{\mathrm{Ts}}_{\mathrm{\τ}}-{\mathrm{Ts}}_b}{{\mathrm{Ts}}_a-{\mathrm{Ts}}_b}{y}_{1a}---\left(3\right)$

式(3)中，Ts_a、Ts_b、Ts_τ分别为采样时间点序列{Ts}中第a个采样时间点、第b个采样时间点、第τ个采样时间点，y_1a为序列{y₁}的第a个采样值；

步骤2.2、同理，对序列{x₁}、{x₂}、{y₂}按步骤2.1进行野值的剔除和修正；

步骤3、通过自适应差分进化算法利用序列{x₁}、序列{y₁}对光伏逆变器d轴的控制参数k_pu、k_iu、k_pid、k_iid进行辨识：

步骤3.1、设定算法参数，包括：最大变异因子F_max、最小变异因子F_min、最大交叉概率CR_max、最小交叉概率CR_min、种群规模M、光伏逆变器d轴控制参数向量[k_pu,k_iu,k_pid,k_iid]的取值上界MaxX＝[k₁ ^U,k₂ ^U,k₃ ^U,k₄ ^U]，光伏逆变器d轴控制参数向量[k_pu,k_iu,k_pid,k_iid]的取值下界MinX＝[k₁ ^L,k₂ ^L,k₃ ^L,k₄ ^L]、收敛指标ξ、最大迭代次数G_max、代辨识参数个数C＝4；

步骤3.2、生成M行C列的初始种群矩阵X_M×C ⁰；

利用式(4)生成初始种群矩阵X_M×C ⁰中第s个个体X_s ⁰的第ρ个参数X_sρ ⁰，从而生成初始种群矩阵X_M×C ⁰中第s个个体X_s ⁰的C个参数，进而生成初始种群矩阵X_M×C ⁰的M个个体的C个参数；1≤ρ≤C；1≤s≤M；

X_sρ ⁰＝k_ρ ^L+(k_ρ ^U-k_ρ ^L)×rand(0,1) (4)

式(4)中，rand(0,1)为[0,1]之间生成的随机数；

步骤3.3、初始化迭代次数G＝1，令第G代种群矩阵X_M×C ^G为所述初始种群矩阵X_M×C ⁰；则第G代种群矩阵X_M×C ^G的第s个个体记为X_s ^G；

步骤3.4、当光伏逆变器d轴控制参数向量[k_pu,k_iu,k_pid,k_iid]取值为X_s ^G时，以序列{x₁}为输入，计算得到的I_d输出序列记为{y_xs1 ^G}；

步骤3.5、利用式(5)计算第G代种群矩阵X_M×C ^G的第s个个体X_s ^G的辨识输出误差J_xs ^G，从而获得第G代种群矩阵X_M×C ^G的M个个体的辨识输出误差；

${J_{xs}}^G=\underset{i=1}{\overset{t}{\Σ}}\frac{1}{2}{(y_{1i}-{y_{xs1i}}^G)}^2---\left(5\right)$

式(5)中，y_1i为序列{y₁}的第i个采样值；y_xs1i ^G为序列{y_xs1 ^G}的第i个采样值；

步骤3.6、从所述第G代种群矩阵X_M×C ^G的M个个体的辨识输出误差中分别选取最小值和最大值，记为J_xbest ^G和J_xbad ^G；将辨识输出误差的最小值J_xbest ^G所对应的个体记为X_best ^G；

步骤3.7、判断J_xbest ^G＜ξ是否成立，若成立，转到步骤3.17执行，若不成立，转到步骤3.8执行；

步骤3.8、从第G代种群矩阵X_M×C ^G中任意选择三个个体，记为X_p1 ^G、X_p2 ^G、X_p3 ^G，利用利用式(6)求取第G代种群矩阵X_M×C ^G的第s个个体X_s ^G的变异因子F_s ^G，从而求取第G代种群矩阵X_M×C ^G的M个个体的变异因子；其中1≤p1≤M，1≤p2≤M，1≤p3≤M，且p1≠p2≠p3≠s：

$F_s^G=\mathrm{\α}\[F_{min}+(F_{\max }-F_{min})\frac{(G_{max}-G)}{G_{\max }}\]+(1-\mathrm{\α})\[F_{\min }+(F_{max}-F_{min})\frac{{J_{xp2}}^G-{J_{xp1}}^G}{{J_{xp3}}^G-{J_{xp1}}^G}\]---\left(6\right)$

式(6)中，α为权重系数，0＜α＜1；J_xp1 ^G,J_xp2 ^G,J_xp3 ^G分别为所述个体X_p1 ^G、X_p2 ^G、X_p3 ^G的辨识输出误差；

步骤3.9、利用式(7)对第G代种群矩阵X_M×C ^G的第s个个体X_s ^G进行变异操作得到变异后的第s个个体H_s ^G，从而对第G代种群矩阵X_M×C ^G的M个个体进行变异操作，得到变异后的M个个体，并构成第G代变异矩阵H_M×C ^G＝[H₁ ^G,H₂ ^G,...,H_s ^G,...,H_M ^G]^T

H_s ^G＝X_p1 ^G+(X_p2 ^G-X_p3 ^G)×F_s ^G (7)

步骤3.10、对第G代的变异矩阵H_M×C ^G的第j列元素中的越界元素进行修正，所述越界元素是指小于k_j ^L或大于k_j ^U的元素，1≤j≤C，对小于k_j ^L的元素修正为k_j ^L，对大于k_j ^U的元素修正为k_j ^U，从而对第G代的变异矩阵H_M×C ^G的C列元素中的越界元素进行修正；

步骤3.11、利用式(8)求取第G代种群矩阵X_M×C ^G的第s个个体X_s ^G的交叉概率CR_s ^G，从而求取第G代种群矩阵X_M×C ^G的M个个体的交叉概率；

${{\mathrm{CR}}_s}^G={\mathrm{CR}}_{\min }+({\mathrm{CR}}_{max}-{\mathrm{CR}}_{min})\×\frac{{J_{xs}}^G-{J_{xbest}}^G}{{J_{xbad}}^G-{J_{xbest}}^G}---\left(8\right)$

步骤3.12、由第G代变异矩阵H_M×C ^G和第G代种群矩阵X_M×C ^G生成第G代交叉矩阵V_M×C ^G；

利用式(9)求取第G代交叉矩阵V_M×C ^G的第s个个体V_s ^G的第μ个参数V_sμ ^G，从而求取第G代交叉矩阵V_M×C ^G的第s个个体V_s ^G的C个参数，进而求取第G代交叉矩阵V_M×C ^G的M个个体的C个参数；1≤μ≤C；

${V_{s\mathrm{\μ}}}^G=\left\{\begin{array}{c}{H_{s\mathrm{\μ}}}^G,rand(0,1)\≤{{\mathrm{CR}}_s}^G\\ {X_{s\mathrm{\μ}}}^G,rand(0,1)>{{\mathrm{CR}}_s}^G\end{array}\right.---\left(9\right)$

式(9)中，X_sμ ^G为第G代种群矩阵X_M×C ^G的第s个个体X_s ^G的第μ个参数；H_sμ ^G为第G代变异矩阵H_M×C ^G的第s个个体H_s ^G的第μ个参数；

步骤3.13、当光伏逆变器d轴控制参数向量[k_pu,k_iu,k_pid,k_iid]取值为V_s ^G时，以序列{x₁}为输入，计算得到的I_d输出序列记为{y_vs1 ^G}；

步骤3.14、利用式(10)计算第G代交叉矩阵V_M×C ^G的第s个个体V_s ^G的辨识输出误差J_vs ^G，从而获得第G代交叉矩阵V_M×C ^G的M个个体的辨识输出误差；

${J_{vs}}^G=\underset{\mathrm{\λ}=1}{\overset{t}{\Σ}}\frac{1}{2}{(y_{1\mathrm{\λ}}-{y_{vs1\mathrm{\λ}}}^G)}^2---\left(10\right)$

式(10)中，y_1λ为序列{y₁}的第λ个采样值；y_vs1λ ^G为序列{y_vs1 ^G}的第λ个采样值；

步骤3.15、由第G代交叉矩阵V_M×C ^G和第G代种群矩阵X_M×C ^G生成第G+1代种群矩阵X_M×C ^G+1；并利用式(11)求取第G+1代种群矩阵X_M×C ^G+1的第s个个体X_s ^G+1，从而求取第G+1代种群矩阵X_M×C ^G+1的M个个体；

${X_s}^{G+1}=\left\{\begin{array}{c}{V_s}^G,{J_{vs}}^G<{J_{xs}}^G\\ {X_s}^G,{J_{vs}}^G\&GreaterEqual;{J_{xs}}^G\end{array}\right.---\left(11\right)$

步骤3.16、判断G+1＝G_max是否成立，若成立表明种群矩阵已进化到最高代，转到步骤3.17执行，否则将G+1赋值给G返回步骤3.4执行；

步骤3.17、第G代种群矩阵X_M×C ^G的辨识输出误差的最小值J_xbest ^G所对应的个体X_best ^G即为最终辨识得到的光伏逆变器d轴控制参数向量[k_pu,k_iu,k_pid,k_iid]；

步骤4、同理，按照步骤3所述的自适应差分进化算法，利用序列{x₂}、序列{y₂}对光伏逆变器q轴的控制参数k_pq、k_iq、k_piq、k_iiq进行辨识，从而得到所述8个控制参数。

与已有技术相比，本发明的有益效果体现在：

1、本发明利用自适应差分进化算法辨识光伏逆变器的控制参数值，具有辨识精度高、收敛速度快的优点，从而能快速准确地建立光伏逆变器的模型，对光伏接入电网的运行分析具有重要意义。

2、本发明直接利用被辨识系统的正常运行信号U_dcref-U_dc和Q_ref-Q作为输入信号，有效防止了外加输入信号对系统的正常运行产生干扰。

3、本发明通过低阶多项式滑动拟合法对光伏逆变器的输入、输出采样序列中的野值进行剔除和修正，方法简单易行，使参数辨识的精度更高。

4、本发明针对光伏逆变器的dq轴解耦控制，提出d轴参数和q轴参数分开辨识的方法，避免了同时辨识所有参数造成的时间长、精度低的缺点。

5、本发明对传统差分进化算法中的变异因子F交叉概率CR采取自适应策略，改进后的差分进化算法可以在初期具有较强的全局搜索能力，提高了算法的辨识精度，在后期具有较强的局部搜索能力，提高了算法的收敛速度，能够增强算法在全局搜索能力和局部挖掘能力之间的平衡。

附图说明

图1为本发明所涉及的光伏发电系统结构图；

图2为本发明所涉及的并网逆变控制器的控制策略图；

图3为本发明所涉及的光伏逆变器控制参数辨识流程图。

具体实施方式

本实施例中，光伏电站结构如图1所示，并网逆变控制器的控制策略如图2所示，光伏逆变器是由并网逆变控制器进行控制，并网逆变控制器对光伏逆变器采用dq轴解耦的电压-无功外环、电流内环控制策略；电压-无功外环、电流内环控制策略包括8个控制参数，分别为：电压外环比例系数k_pu、电压外环积分系数k_iu、无功外环比例系数k_pq、无功外环积分系数k_iq、电流内环d轴比例系数k_pid、电流内环d轴积分系数k_iid、电流内环q轴比例系数k_piq、电流内环q轴积分系数k_iiq；

如图3所示，一种基于自适应差分进化算法的光伏逆变器控制参数的辨识方法是按如下步骤进行：

步骤1、对光伏逆变器的输入、输出进行采样：

步骤1.1、在光伏逆变器送出线路处设置一个扰动点，使得光伏逆变器交流侧电压跌至α范围内；α∈[0.9pu，0.95pu]；其中，pu为标幺值；

对光伏逆变器控制参数辨识时有“扰动程度越大，辨识结果的精度越高”的结论，在无外部扰动的环境下稳定运行的光伏逆变器，其运行数据对辨识没有什么帮助，因此，在对光伏逆变器的输入、输入进行采样时，设置了扰动，考虑到大扰动会严重影响光伏系统的安全稳定运行，本发明通过设置一个小扰动以收集参数辨识所需数据。

步骤1.2、对光伏逆变器的输入U_dcref-U_dc和Q_ref-Q、输出I_d和I_q进行等时间间距采样，共采样t个时间点，t≥7；由采样时间点形成的序列记为{Ts}＝{Ts₁,Ts₂,...,Ts_t}；Ts_t表示第t个采样时间点；U_dcref为光伏逆变器直流侧电压参考值，U_dc为光伏逆变器直流侧电压实际值，Q_ref为光伏逆变器无功功率的参考值，Q为光伏逆变器实际输出的无功功率；I_d为光伏逆变器输出电流的d轴分量，I_q为光伏逆变器输出电流的q轴分量；

光伏逆变器的输入U_dcref-U_dc和Q_ref-Q经过采样后所形成的序列分别记为{x₁}和{x₂}；

光伏逆变器的输出I_d和I_q经过采样后所形成的序列分别记为{y₁}和{y₂}；

对光伏电站而言，为了进行光伏逆变器控制参数的辨识而中断光伏电站的正常运行，会造成极大的损失，必须进行在线辨识。对于在线辨识而言，要直接利用被辨识系统的正常运行信号作为输入信号，防止外加输入信号对系统的正常运行产生严重干扰。本发明U_dcref-U_dc和Q_ref-Q的采样作为输入信号，这两项均为光伏逆变器的正常运行信号。

步骤2、对光伏逆变器的输入序列{x₁}和{x₂}、输出序列{y₁}和{y₂}进行野值的剔除和修正：

在试验过程中，由于外界干扰和仪器偶然跳动，可能使测量结果出现很不合理的跳动，称为野值。如果不将野值剔除，可能导致辨识结果不正确。但如果仅仅将野值剔除，会造成序列{Ts}、{x₁}、{x₂}、{y₁}、{y₂}长度的不匹配，给接下来的参数辨识带来困难，需要根据一定的准则剔除野值并加以补正。

步骤2.1、对序列{y₁}进行野值的剔除和修正：

步骤I、假设序列{y₁}＝{y₁₁,y₁₂,...,y_1t}，t为采样时间点数，利用式(1)由序列{y₁}生成序列

为避免后面的野值逆传而将正常值误判为野值，不能以平均值作为数学期望，只能采用前推差分算法，一般采用式(1)的七点二阶算式是合适的。

步骤II、初始化序列循环变量τ＝7；

步骤III、利用式(2)判断y_1τ是否若满足式(2)，若满足，则表明序列{y₁}中第τ个采样值y_1τ为野值，并执行步骤IV，若不满足，则将τ+1赋值给τ，并判断τ＞t是否成立，若成立，则表示完成对序列{y₁}进行野值的剔除和修正，否则，返回执行步骤III；

步骤IV、将序列{y₁}中第τ个采样值y_1τ剔除，并利用式(3)进行修正，得到修正后的第τ个采样值y′_1τ替代所剔除的第τ个采样值y_1τ：

$y_{1\mathrm{\&tau;}}^{\&prime;}=\underset{a=\mathrm{\&tau;}-3}{\overset{\mathrm{\&tau;}-1}{\&Sigma;}}\underset{b\&NotEqual;a}{\overset{\mathrm{\&tau;}-1}{\underset{b=\mathrm{\&tau;}-3}{\mathrm{\&Pi;}}}}\frac{{\mathrm{Ts}}_{\mathrm{\&tau;}}-{\mathrm{Ts}}_b}{{\mathrm{Ts}}_a-{\mathrm{Ts}}_b}{y}_{1a}---\left(3\right)$

式(3)中，Ts_a、Ts_b、Ts_τ分别为采样时间点序列{Ts}中第a个采样时间点、第b个采样时间点、第τ个采样时间点，y_1a为序列{y₁}的第a个采样值；

步骤2.2、按步骤2.1对序列{x₁}、{x₂}、{y₂}同样进行野值的剔除和修正。

本发明通过低阶多项式滑动拟合法判断并剔除光伏逆变器输入、输出采样序列中的野值，并通过拉格朗日插值公式进行野值的修正，方法简单易行，且能提高参数辨识的精度。

步骤3、通过自适应差分进化算法利用序列{x₁}、序列{y₁}对光伏逆变器d轴的控制参数k_pu、k_iu、k_pid、k_iid进行辨识：

光伏逆变器控制参数辨识可分为d轴的控制参数独立辨识和q轴的控制参数独立辨识，这是由并网逆变控制器的dq轴解耦控制决定的，为使本领域技术人员更好理解本发明，简单对原理做一下铺垫。光伏逆变器控制策略如图2所示，为保持直流侧电压的稳定，采用电压-无功(UQ)控制，以直流电压-无功作为外环控制，电流作为内环控制，由图2知电流内环控制方程为：

$\left\{\begin{array}{c}{U}_{sd}=(k_{pid}+\frac{k_{iid}}{s})(I_{dref}-I_d)-{\mathrm{\&omega;L}}_s{I}_q+U_d\\ U_{sq}=(k_{piq}+\frac{k_{iiq}}{s})(I_{qref}-I_q)+{\mathrm{\&omega;L}}_s{I}_d+U_q\end{array}\right.$

电压-无功外环控制方程为：

$\left\{\begin{array}{c}{I}_{dref}=(k_{pu}+\frac{k_{iu}}{s})(U_{dcref}-U_{dc})\\ I_{qref}=(k_{pq}+\frac{k_{iq}}{s})(Q_{ref}-Q)\end{array}\right.$

结合图1中LC滤波电路方程：

$\left\{\begin{array}{c}{U}_{sd}={\mathrm{sL}}_s{I}_d-{\mathrm{\&omega;L}}_s{I}_q+U_d\\ U_{sq}={\mathrm{sL}}_s{I}_q+{\mathrm{\&omega;L}}_s{I}_d+U_q\end{array}\right.$

可以得到d轴的传递函数为：

$\frac{I_d}{U_{dcref}-U_{dc}}=\frac{s^2{k}_{pid}{k}_{pu}+s(k_{pid}{k}_{iu}+k_{iid}{k}_{pu})+k_{iid}{k}_{iu}}{s^3{L}_s+s^2{k}_{pid}+{\mathrm{sk}}_{iid}}$

q轴的传递函数为：

$\frac{I_q}{Q_{ref}-Q}=\frac{s^2{k}_{piq}{k}_{pq}+s(k_{pidq}{k}_{iq}+k_{iiq}{k}_{pq})+k_{iiq}{k}_{iq}}{s^3{L}_s+s^2{k}_{piq}+{\mathrm{sk}}_{iiq}}$

由此可见k_pu、k_iu、k_pid、k_iid四个参数仅在d轴传递函数出现，输入为U_dcref-U_dc，输出为I_d；k_pq、k_iq、k_piq、k_iiq四个参数仅在q轴传递函数出现，输入为Q_ref-Q，输出为I_q；实现了dq轴解耦控制，因此光伏逆变器控制参数辨识可独立分成d轴和q轴辨识两部分。

步骤3.1、设定算法参数，包括：最大变异因子F_max、最小变异因子F_min、最大交叉概率CR_max、最小交叉概率CR_min、种群规模M、光伏逆变器d轴控制参数向量[k_pu,k_iu,k_pid,k_iid]的取值上界MaxX＝[k₁ ^U,k₂ ^U,k₃ ^U,k₄ ^U]，光伏逆变器d轴控制参数向量[k_pu,k_iu,k_pid,k_iid]的取值下界MinX＝[k₁ ^L,k₂ ^L,k₃ ^L,k₄ ^L]、收敛指标ξ、最大迭代次数G_max、代辨识参数个数C＝4；

种群规模M的取值一般介于5C与10C之间(C为代辨识参数个数)，M越大，获得全局最优解概率越大，但计算时间也更长。同传统的差分进化算法不同，本发明中个体的变异因子和交叉概率不是固定不变的，而是采取一种自适应策略，增强了算法在全局与局部搜索能力的平衡。

步骤3.2、生成M行C列的初始种群矩阵X_M×C ⁰。利用式(4)生成初始种群矩阵X_M×C ⁰中第s个个体X_s ⁰的第ρ个参数X_sρ ⁰，从而生成初始种群矩阵X_M×C ⁰中第s个个体X_s ⁰的C个参数，从而生成初始种群矩阵X_M×C ⁰的M个个体的C个参数；1≤ρ≤C；1≤s≤M；

X_sρ ⁰＝k_ρ ^L+(k_ρ ^U-k_ρ ^L)×rand(0,1) (4)

式(4)中，rand(0,1)为[0,1]之间生成的随机数；

步骤3.3、初始化迭代次数G＝1，令第G代种群矩阵X_M×C ^G为初始种群矩阵X_M×C ⁰；则第G代种群矩阵X_M×C ^G的第s个个体记为X_s ^G；

步骤3.4、当光伏逆变器d轴控制参数向量[k_pu,k_iu,k_pid,k_iid]取值为X_s ^G时，以序列{x₁}为输入，计算得到的I_d输出序列记为{y_xs1 ^G}；

步骤3.5、利用式(5)计算第G代种群矩阵X_M×C ^G的第s个个体X_s ^G的辨识输出误差J_xs ^G，从而获得第G代种群矩阵X_M×C ^G的M个个体的辨识输出误差；

${J_{xs}}^G=\underset{i=1}{\overset{t}{\&Sigma;}}\frac{1}{2}{(y_{1i}-{y_{xs1i}}^G)}^2---\left(5\right)$

式(5)中，y_1i为序列{y₁}的第i个采样值；y_xs1i ^G为序列{y_xs1 ^G}的第i个采样值；

步骤3.6、从第G代种群矩阵X_M×C ^G的M个个体的辨识输出误差中分别选取最小值和最大值，记为J_xbest ^G和J_xbad ^G；将辨识输出误差的最小值J_xbest ^G所对应的个体记为X_best ^G；

步骤3.7、判断J_xbest ^G＜ξ是否成立，若成立，转到步骤3.17执行，若不成立，转到步骤3.8执行；

步骤3.8、从第G代种群矩阵X_M×C ^G中任意选择三个个体，记为X_p1 ^G、X_p2 ^G、X_p3 ^G，利用利用式(6)求取第G代种群矩阵X_M×C ^G的第s个个体X_s ^G的变异因子F_s ^G，从而求取第G代种群矩阵X_M×C ^G的M个个体的变异因子；其中1≤p1≤M，1≤p2≤M，1≤p3≤M，且p1≠p2≠p3≠s：

${F_s}^G=\mathrm{\&alpha;}\&lsqb;F_{min}+(F_{\max }-F_{min})\frac{(G_{max}-G)}{G_{\max }}\&rsqb;+(1-\mathrm{\&alpha;})\&lsqb;F_{\min }+(F_{max}-F_{min})\frac{{J_{xp2}}^G-{J_{xp1}}^G}{{J_{xp3}}^G-{J_{xp1}}^G}\&rsqb;---\left(6\right)$

式(6)中，α为权重系数，0＜α＜1；J_xp1 ^G,J_xp2 ^G,J_xp3 ^G分别为所述个体X_p1 ^G、X_p2 ^G、X_p3 ^G的辨识输出误差；

变异因子F较小时，种群差异减小，算法容易陷入局部极值；变异因子F较大时，算法虽然容易跳出局部极值，但是收敛速度会变慢。因此希望在种群进化初期算法具有较强的全局搜索能力即较大的F值，提高算法的辨识精度，在种群进化后期算法具有较强的局部搜索能力即较小的F值，提高算法的收敛速度。同时考虑到如果进行变异操作的两个个体X_p2和X_p3在搜索空间中离的较近，则F应取较大的值，以利于全局搜索，否则变异因子太小而起不到变异的作用；如果X_p2和X_p3在搜索空间中离的较远，F应取较小的值，以利于局部搜索，防止变异因子太大导致超出参数的搜索范围。综合考虑，变异因子F的自适应策略采取如式(6)所示。

步骤3.9、利用式(7)对第G代种群矩阵X_M×C ^G的第s个个体X_s ^G进行变异操作得到变异后的第s个个体H_s ^G，从而对第G代种群矩阵X_M×C ^G的M个个体进行变异操作，得到变异后的M个个体，并构成第G代变异矩阵H_M×C ^G＝[H₁ ^G,H₂ ^G,...,H_s ^G,...,H_M ^G]^T

H_s ^G＝X_p1 ^G+(X_p2 ^G-X_p3 ^G)×F_s ^G (7)

式(7)中X_p2 ^G-X_p3 ^G为差异化向量，是差分进化算法的关键。

步骤3.10、对第G代的变异矩阵H_M×C ^G的第j列元素中的越界元素进行修正，越界元素是指小于k_j ^L或大于k_j ^U的元素，1≤j≤C，对小于k_j ^L的元素修正为k_j ^L，对大于k_j ^U的元素修正为k_j ^U，从而对第G代的变异矩阵H_M×C ^G的C列元素中的越界元素进行修正；

步骤3.11、利用式(8)求取第G代种群矩阵X_M×C ^G的第s个个体X_s ^G的交叉概率CR_s ^G，从而求取第G代种群矩阵X_M×C ^G的M个个体的交叉概率；

${{\mathrm{CR}}_s}^G={\mathrm{CR}}_{\min }+({\mathrm{CR}}_{max}-{\mathrm{CR}}_{min})\&times;\frac{{J_{xs}}^G-{J_{xbest}}^G}{{J_{xbad}}^G-{J_{xbest}}^G}---\left(8\right)$

式(8)即为本发明对各个个体的交叉概率采取自适应策略，对辨识误差指标较大的个体取较大的CR,使得该个体被淘汰的机会增大；辨识误差指标较小的个体取较小的CR,使该个体进入下一代的机会增大。因此改进后的差分进化算法可以在种群进化初期具有较强的全局搜索能力，提高算法的辨识精度，在种群进化后期具有较强的局部搜索能力，提高算法的收敛速度。

步骤3.12、由第G代变异矩阵H_M×C ^G和第G代种群矩阵X_M×C ^G生成第G代交叉矩阵V_M×C ^G。利用式(9)求取第G代交叉矩阵V_M×C ^G的第s个个体V_s ^G的第μ个参数V_sμ ^G，进而求取第G代交叉矩阵V_M×C ^G的第s个个体V_s ^G的C个参数，进而求取第G代交叉矩阵V_M×C ^G的M个个体的C个参数；1≤μ≤C；

${V_{s\mathrm{\&mu;}}}^G=\left\{\begin{array}{c}{H_{s\mathrm{\&mu;}}}^G,rand(0,1)\&le;{{\mathrm{CR}}_s}^G\\ {X_{s\mathrm{\&mu;}}}^G,rand(0,1)>{{\mathrm{CR}}_s}^G\end{array}\right.---\left(9\right)$

式(9)中，X_sμ ^G为第G代种群矩阵X_M×C ^G的第s个个体X_s ^G的第μ个参数；H_sμ ^G为第G代变异矩阵H_M×C ^G的第s个个体H_s ^G的第μ个参数；

步骤3.13、当光伏逆变器d轴控制参数向量[k_pu,k_iu,k_pid,k_iid]取值为V_s ^G时，以序列{x₁}为输入，计算得到的I_d输出序列记为{y_vs1 ^G}；

步骤3.14、利用式(10)计算第G代交叉矩阵V_M×C ^G的第s个个体V_s ^G的辨识输出误差J_vs ^G，从而获得第G代交叉矩阵V_M×C ^G的M个个体的辨识输出误差；

${J_{vs}}^G=\underset{\mathrm{\&lambda;}=1}{\overset{t}{\&Sigma;}}\frac{1}{2}{(y_{1\mathrm{\&lambda;}}-{y_{vs1\mathrm{\&lambda;}}}^G)}^2---\left(10\right)$

式(10)中，y_1λ为序列{y₁}的第λ个采样值；y_vs1λ ^G为序列{y_vs1 ^G}的第λ个采样值；

步骤3.15、由第G代交叉矩阵V_M×C ^G和第G代种群矩阵X_M×C ^G生成第G+1代种群矩阵X_M×C ^G+1，利用式(11)求取第G+1代种群矩阵X_M×C ^G+1的第s个个体X_s ^G+1，从而求取第G+1代种群矩阵X_M×C ^G+1的M个个体；

${X_s}^{G+1}=\left\{\begin{array}{c}{V_s}^G,{J_{vs}}^G<{J_{xs}}^G\\ {X_s}^G,{J_{vs}}^G\&GreaterEqual;{J_{xs}}^G\end{array}\right.---\left(11\right)$

在选择操作上，差分进化算法采用贪婪搜索策略，取辨识输出误差更小的个体进入下一代。

步骤3.16、判断G+1＝G_max是否成立，若成立表明种群矩阵已进化到最高代，转到步骤3.17执行，否则将G+1赋值给G返回步骤3.4执行；

步骤3.17、第G代种群矩阵X_M×C ^G的辨识输出误差的最小值J_xbest ^G所对应的个体X_best ^G即为最终辨识得到的光伏逆变器d轴控制参数向量[k_pu,k_iu,k_pid,k_iid]；

步骤4、同理，按照步骤3的自适应差分进化算法，利用序列{x₂}、序列{y₂}对光伏逆变器q轴的控制参数k_pq、k_iq、k_piq、k_iiq进行辨识，从而得到8个控制参数。

Claims (1)

1.一种基于自适应差分进化算法的光伏逆变器控制参数的辨识方法，其特征是，所述光伏逆变器是由并网逆变控制器进行控制，所述并网逆变控制器对所述光伏逆变器采用dq轴解耦的电压-无功外环、电流内环控制策略；所述电压-无功外环、电流内环控制策略包括8个控制参数，分别为：电压外环比例系数k_pu、电压外环积分系数k_iu、无功外环比例系数k_pq、无功外环积分系数k_iq、电流内环d轴比例系数k_pid、电流内环d轴积分系数k_iid、电流内环q轴比例系数k_piq、电流内环q轴积分系数k_iiq；所述控制参数的辨识方法是按如下步骤识别所述8个控制参数：

步骤1、对所述光伏逆变器的输入、输出进行采样：

步骤1.1、在所述光伏逆变器送出线路处设置一个扰动点，使得所述光伏逆变器交流侧电压跌至α范围内；α∈[0.9pu，0.95pu]；其中，pu为标幺值；

步骤1.2、对所述光伏逆变器的输入U_dcref-U_dc和Q_ref-Q、输出I_d和I_q进行等时间间距采样，共采样t个时间点，t≥7；由采样时间点形成的序列记为{Ts}＝{Ts₁,Ts₂,...,Ts_t}；Ts_t表示第t个采样时间点；U_dcref为光伏逆变器直流侧电压参考值，U_dc为光伏逆变器直流侧电压实际值，Q_ref为光伏逆变器无功功率的参考值，Q为光伏逆变器实际输出的无功功率；I_d为光伏逆变器输出电流的d轴分量，I_q为光伏逆变器输出电流的q轴分量；

所述光伏逆变器的输入U_dcref-U_dc和Q_ref-Q经过采样后所形成的序列分别记为{x₁}和{x₂}；

所述光伏逆变器的输出I_d和I_q经过采样后所形成的序列分别记为{y₁}和{y₂}；

步骤2、对光伏逆变器的输入序列{x₁}和{x₂}、输出序列{y₁}和{y₂}进行野值的剔除和修正：

步骤2.1、对序列{y₁}进行野值的剔除和修正：

步骤I、假设序列{y₁}＝{y₁₁,y₁₂,...,y_1t}，t为采样时间点数，利用式(1)由序列{y₁}生成序列

$\left\{\begin{array}{c}\widehat{y_{11}}=(32y_{11}+15y_{12}+3y_{13}-4y_{14}-6y_{15}-3y_{16}+5y_{17})/42\\ \widehat{y_{12}}=(5y_{11}+4y_{12}+3y_{13}+2y_{14}+y_{15}-y_{17})/14\\ \widehat{y_{13}}=(y_{11}+3y_{12}+4y_{13}+4y_{14}+3y_{15}+y_{16}-2y_{17})/14\\ \widehat{y_{14}}=(-2y_{11}+3y_{12}+6y_{13}+7y_{14}+6y_{15}+3y_{16}-2y_{17})/21\\ \widehat{y_{15}}=(-2y_{11}+y_{12}+3y_{13}+4y_{14}+4y_{15}+3y_{16}+y_{17})/14\\ \widehat{y_{16}}=(-y_{11}+y_{13}+2y_{14}+3y_{15}+4y_{16}+5y_{17})/14\\ \widehat{y_{1T}}=(5y_{1T-6}-3y_{1T-5}-6y_{1T-4}-4y_{1T-3}+3y_{1T-2}+15y_{1T-1}+32y_{1T})/42,7\&le;T\&le;t\end{array}\right.---\left(1\right)$

步骤II、初始化序列循环变量τ＝7；

步骤III、利用式(2)判断y_1τ是否若满足式(2)，若满足，则表明所述序列{y₁}中第τ个采样值y_1τ为野值，并执行步骤IV，若不满足，则将τ+1赋值给τ，并判断τ＞t是否成立，若成立，则表示完成对序列{y₁}进行野值的剔除和修正，否则，返回执行步骤III；

$y_{1\mathrm{\&tau;}}-{\hat{y}}_{1\mathrm{\&tau;}}>2.2\sqrt{\frac{\underset{k=\mathrm{\&tau;}-6}{\overset{\mathrm{\&tau;}}{\mathrm{\&Sigma;}}}{(y_{1k}-\widehat{y_{1k}})}^2}{6}}---\left(2\right)$

步骤IV、将所述序列{y₁}中第τ个采样值y_1τ剔除，并利用式(3)进行修正，得到修正后的第τ个采样值y′_1τ替代所剔除的第τ个采样值y_1τ：

$y_{1\mathrm{\&tau;}}^{\&prime;}=\underset{a=\mathrm{\&tau;}-3}{\overset{\mathrm{\&tau;}-1}{\mathrm{\&Sigma;}}}\underset{b\&NotEqual;a}{\overset{\mathrm{\&tau;}-1}{\underset{b=\mathrm{\&tau;}-3}{\mathrm{\&Pi;}}}}\frac{{\mathrm{Ts}}_{\mathrm{\&tau;}}-{\mathrm{Ts}}_b}{{\mathrm{Ts}}_a-{\mathrm{Ts}}_b}{y}_{1a}---\left(3\right)$

式(3)中，Ts_a、Ts_b、Ts_τ分别为采样时间点序列{Ts}中第a个采样时间点、第b个采样时间点、第τ个采样时间点，y_1a为序列{y₁}的第a个采样值；

步骤2.2、同理，对序列{x₁}、{x₂}、{y₂}按步骤2.1进行野值的剔除和修正；

步骤3、通过自适应差分进化算法利用序列{x₁}、序列{y₁}对光伏逆变器d轴的控制参数k_pu、k_iu、k_pid、k_iid进行辨识：

步骤3.1、设定算法参数，包括：最大变异因子F_max、最小变异因子F_min、最大交叉概率CR_max、最小交叉概率CR_min、种群规模M、光伏逆变器d轴控制参数向量[k_pu,k_iu,k_pid,k_iid]的取值上界MaxX＝[k₁ ^U,k₂ ^U,k₃ ^U,k₄ ^U]，光伏逆变器d轴控制参数向量[k_pu,k_iu,k_pid,k_iid]的取值下界MinX＝[k₁ ^L,k₂ ^L,k₃ ^L,k₄ ^L]、收敛指标ξ、最大迭代次数G_max、代辨识参数个数C＝4；

步骤3.2、生成M行C列的初始种群矩阵X_M×C ⁰；

利用式(4)生成初始种群矩阵X_M×C ⁰中第s个个体X_s ⁰的第ρ个参数X_sρ ⁰，从而生成初始种群矩阵X_M×C ⁰中第s个个体X_s ⁰的C个参数，进而生成初始种群矩阵X_M×C ⁰的M个个体的C个参数；1≤ρ≤C；1≤s≤M；

X_sρ ⁰＝k_ρ ^L+(k_ρ ^U-k_ρ ^L)×rand(0,1) (4)

式(4)中，rand(0,1)为[0,1]之间生成的随机数；

步骤3.3、初始化迭代次数G＝1，令第G代种群矩阵X_M×C ^G为所述初始种群矩阵X_M×C ⁰；则第G代种群矩阵X_M×C ^G的第s个个体记为X_s ^G；

步骤3.4、当光伏逆变器d轴控制参数向量[k_pu,k_iu,k_pid,k_iid]取值为X_s ^G时，以序列{x₁}为输入，计算得到的I_d输出序列记为{y_xs1 ^G}；

步骤3.5、利用式(5)计算第G代种群矩阵X_M×C ^G的第s个个体X_s ^G的辨识输出误差J_xs ^G，从而获得第G代种群矩阵X_M×C ^G的M个个体的辨识输出误差；

${J_{xs}}^G=\underset{i=1}{\overset{t}{\mathrm{\&Sigma;}}}\frac{1}{2}{(y_{1i}-{y_{xs1i}}^G)}^2---\left(5\right)$

式(5)中，y_1i为序列{y₁}的第i个采样值；y_xs1i ^G为序列{y_xs1 ^G}的第i个采样值；

步骤3.6、从所述第G代种群矩阵X_M×C ^G的M个个体的辨识输出误差中分别选取最小值和最大值，记为J_xbest ^G和J_xbad ^G；将辨识输出误差的最小值J_xbest ^G所对应的个体记为X_best ^G；

步骤3.7、判断J_xbest ^G＜ξ是否成立，若成立，转到步骤3.17执行，若不成立，转到步骤3.8执行；

步骤3.8、从第G代种群矩阵X_M×C ^G中任意选择三个个体，记为X_p1 ^G、X_p2 ^G、X_p3 ^G，利用利用式(6)求取第G代种群矩阵X_M×C ^G的第s个个体X_s ^G的变异因子F_s ^G，从而求取第G代种群矩阵X_M×C ^G的M个个体的变异因子；其中1≤p1≤M，1≤p2≤M，1≤p3≤M，且p1≠p2≠p3≠s：

${F_s}^G=\mathrm{\&alpha;}\&lsqb;F_{min}+(F_{\max }-F_{min})\frac{(G_{max}-G)}{G_{\max }}\&rsqb;+(1-\mathrm{\&alpha;})\&lsqb;F_{min}+(F_{max}-F_{min})\frac{{J_{xp2}}^G-{J_{xp1}}^G}{{J_{xp3}}^G-{J_{xp1}}^G}\&rsqb;---\left(6\right)$

式(6)中，α为权重系数，0＜α＜1；J_xp1 ^G,J_xp2 ^G,J_xp3 ^G分别为所述个体X_p1 ^G、X_p2 ^G、X_p3 ^G的辨识输出误差；

步骤3.9、利用式(7)对第G代种群矩阵X_M×C ^G的第s个个体X_s ^G进行变异操作得到变异后的第s个个体H_s ^G，从而对第G代种群矩阵X_M×C ^G的M个个体进行变异操作，得到变异后的M个个体，并构成第G代变异矩阵H_M×C ^G＝[H₁ ^G,H₂ ^G,...,H_s ^G,...,H_M ^G]^T

H_s ^G＝X_p1 ^G+(X_p2 ^G-X_p3 ^G)×F_s ^G (7)

步骤3.10、对第G代的变异矩阵H_M×C ^G的第j列元素中的越界元素进行修正，所述越界元素是指小于k_j ^L或大于k_j ^U的元素，1≤j≤C，对小于k_j ^L的元素修正为k_j ^L，对大于k_j ^U的元素修正为k_j ^U，从而对第G代的变异矩阵H_M×C ^G的C列元素中的越界元素进行修正；

步骤3.11、利用式(8)求取第G代种群矩阵X_M×C ^G的第s个个体X_s ^G的交叉概率CR_s ^G，从而求取第G代种群矩阵X_M×C ^G的M个个体的交叉概率；

${{\mathrm{CR}}_s}^G={\mathrm{CR}}_{min}+({\mathrm{CR}}_{max}-{\mathrm{CR}}_{min})\&times;\frac{{J_{xs}}^G-{J_{xbest}}^G}{{J_{xbad}}^G-{J_{xbest}}^G}---\left(8\right)$

步骤3.12、由第G代变异矩阵H_M×C ^G和第G代种群矩阵X_M×C ^G生成第G代交叉矩阵V_M×C ^G；

利用式(9)求取第G代交叉矩阵V_M×C ^G的第s个个体V_s ^G的第μ个参数V_sμ ^G，从而求取第G代交叉矩阵V_M×C ^G的第s个个体V_s ^G的C个参数，进而求取第G代交叉矩阵V_M×C ^G的M个个体的C个参数；1≤μ≤C；

${V_{s\mathrm{\&mu;}}}^G=\left\{\begin{array}{c}{H_{s\mathrm{\&mu;}}}^G,rand(0,1)\&le;{{\mathrm{CR}}_s}^G\\ {X_{s\mathrm{\&mu;}}}^G,rand(0,1)>{{\mathrm{CR}}_s}^G\end{array}\right.---\left(9\right)$

式(9)中，X_sμ ^G为第G代种群矩阵X_M×C ^G的第s个个体X_s ^G的第μ个参数；H_sμ ^G为第G代变异矩阵H_M×C ^G的第s个个体H_s ^G的第μ个参数；

步骤3.13、当光伏逆变器d轴控制参数向量[k_pu,k_iu,k_pid,k_iid]取值为V_s ^G时，以序列{x₁}为输入，计算得到的I_d输出序列记为{y_vs1 ^G}；

步骤3.14、利用式(10)计算第G代交叉矩阵V_M×C ^G的第s个个体V_s ^G的辨识输出误差J_vs ^G，从而获得第G代交叉矩阵V_M×C ^G的M个个体的辨识输出误差；

${J_{vs}}^G=\underset{\mathrm{\&lambda;}=1}{\overset{t}{\mathrm{\&Sigma;}}}\frac{1}{2}{(y_{1\mathrm{\&lambda;}}-{y_{vs1\mathrm{\&lambda;}}}^G)}^2---\left(10\right)$

式(10)中，y_1λ为序列{y₁}的第λ个采样值；y_vs1λ ^G为序列{y_vs1 ^G}的第λ个采样值；

步骤3.15、由第G代交叉矩阵V_M×C ^G和第G代种群矩阵X_M×C ^G生成第G+1代种群矩阵X_M×C ^G+1；并利用式(11)求取第G+1代种群矩阵X_M×C ^G+1的第s个个体X_s ^G+1，从而求取第G+1代种群矩阵X_M×C ^G+1的M个个体；

${X_s}^{G+1}=\left\{\begin{array}{c}{V_s}^G,{J_{vs}}^G<{J_{xs}}^G\\ {X_s}^G,{J_{vs}}^G\&GreaterEqual;{J_{xs}}^G\end{array}\right.---\left(11\right)$

步骤3.16、判断G+1＝G_max是否成立，若成立表明种群矩阵已进化到最高代，转到步骤3.17执行，否则将G+1赋值给G返回步骤3.4执行；

步骤3.17、第G代种群矩阵X_M×C ^G的辨识输出误差的最小值J_xbest ^G所对应的个体X_best ^G即为最终辨识得到的光伏逆变器d轴控制参数向量[k_pu,k_iu,k_pid,k_iid]；

步骤4、同理，按照步骤3所述的自适应差分进化算法，利用序列{x₂}、序列{y₂}对光伏逆变器q轴的控制参数k_pq、k_iq、k_piq、k_iiq进行辨识，从而得到所述8个控制参数。