CN106816877A - 一种含光伏的配电网电压跌落检测补偿方法 - Google Patents

Abstract

本发明提供一种含光伏的配电网电压跌落检测补偿方法，利用UPQC实施，包括以下步骤：第一步，电压信号采集；第二步，采集信号调理；第三步，计算电压跌落补偿指令；第四步，采用多智能体混沌粒子群优化算法整定PI控制单元的控制参数；第五步，采用整定的最优PI控制参数生成并输出PWM控制信号；第六步，输出补偿电压，对配电网实施电压补偿。本发明通过采用多智能体混沌粒子群优化算法对UPQC的PI控制参数进行整定，确定并采用最优PI控制参数实施PI控制，对配电网实施电压补偿，可以提升UPQC实施电压跌落检测与补偿的精度与准确性，为利用UPQC对含光伏的配电网的电能质量治理提供了一种新方法。

Description

一种含光伏的配电网电压跌落检测补偿方法

技术领域

本发明涉及配电网电能质量检测与控制领域，具体涉及一种利用统一电能质量调节器对含光伏的配电网电压跌落进行检测和补偿的方法。

背景技术

以光伏为代表的新能源并网发电以及电网上日益增加的非线性负载，使得电网污染日趋严重，严重影响电网供电质量，面对配电网出现的新问题，传统的电能质量治理方法日益显得力不从心。统一电能质量调节器(Unified Power Quality Conditioner，简称UPQC)是一种集电压型补偿装置、电流型补偿装置和储能装置于一体，既可改善电网侧供电质量、又能防止负荷侧电流谐波污染电网，能够统一实现多重电能质量调节功能的电力电子装置，由于UPQC对配电网电能质量具有综合调节能力，近年来成为研究热点。如公开号为CN103066599A的中国专利文献公开了一种三相三线制混合型统一电网电能质量调节器；公开号为CN103427425A的中国专利文献公开了一种MMC型统一电能质量调节器的协调控制装置及方法。目前常见的统一电能质量调节器用于对传统的三相配电网电能质量调节具有较好的效果，但对于光伏并网的配电网而言，由于光伏等并网新能源随机性、间歇性等特点带来的配电网电压跌落等问题，目前利用统一电能质量调节器进行调节的效果不够理想，因而，探索利用UPQC对光伏并网的配电网包括电压跌落补偿在内的电能质量控制方法，显得十分必要。

Agent是能够感知所处环境中的环境信息、与其它Agent进行通信、产生推断和决策动作的具有智能思维与智能行为的个体。每个Agent通过感知环境，加强学习和交互信息来适应新环境。多Agent系统(MAS)是由若干个Agent组合而成的松散耦合的协作网络。Agent通过感知外界环境的变化主动产生推断，调整自己的状态和行为。并且，MAS通过Agent的自身学习以及与周边Agent间的竞争，协作体现整个系统的智能性，并集合了多个Agent的知识，利用交互机制提升系统的求解效率，完成对实际复杂问题的求解。但是MAS缺少统一的问题导向性，系统中的信息流传递一致性弱，因此其结构特性与交互机制只有在进化算法的帮助下才能最大地发挥作用。近年来，粒子群优化算法与MAS的结合已开始被用于电力系统相关问题优化。

粒子群优化算法是一种新兴的群智优化算法，相对于遗传算法、模拟退火等算法而言,粒子群更简单有效。混沌是非线性系统产生的复杂的不规则行为，但这种看似无规律的混沌运动却有着精巧的内在规律性，同时又具有随机性、遍历性、对初始条件敏感等特点。

混沌局部搜索在算法过程中不改变初始化时所具有的随机性本质，通过将搜索过程对应为混沌轨道的遍历过程，可使搜索过程具有避免陷入局部最小值的能力。

如何将多智能体混沌粒子群优化算法与UPQC有机结合，以提升UPQC对含光伏的配电网电压跌落进行检测和补偿性能，是本领域技术人员感兴趣的问题。

发明内容

本发明的目的是：提供一种利用统一电能质量调节器对含光伏的配电网电压跌落进行检测和补偿的方法，该方法通过在统一电能质量调节器中运用多智能体混沌粒子群优化算法整定统一电能质量调节器的PI控制参数，提高UPQC对含光伏的配电网电压跌落检测补偿性能。

本发明的技术方案是：本发明的含光伏的配电网电压跌落检测补偿方法，利用UPQC实施，所述的UPQC包括用于采集电网电压和负载电压的信号采集模块、用于调理信号采集模块所采集电压信号的信号调理模块、用于接收信号调理模块发送的采样电压信号并进行处理和控制的微处理器、用于执行微处理器所发控制指令并对配电网实施电压跌落补偿的驱动电路模块，包括以下步骤：

第一步，电压信号采集：UPQC的信号采集模块采集配电网三相母线电压u_sa,u_sb,u_sc和负载三相电压u_a,u_b,u_c并发送给UPQC的信号调理模块；

第二步，采集信号调理：信号调理模块将信号采集模块发送的配电网三相母线电压u_sa,u_sb,u_sc和负载三相电压u_a,u_b,u_c调理后发送给微处理器；

第三步，计算电压跌落补偿指令：微处理器将三相负载电压u_a,u_b,u_c经park变换、低通滤波和park逆变换后输出的电压信号与配电网三相母线电压u_sa,u_sb,u_sc相减，得到电压跌落补偿指令u_ac,u_bc,u_cc；

第四步，整定PI控制单元的控制参数：

微处理器内置表达式如式(1)的PI控制单元，

式中，e(t)为PI控制单元的输入，e(t)即电压跌落补偿指令u_ac,u_bc,u_cc；u(t)为PI控制单元的输出；k_p为PI控制单元的比例增益；T_i为积分时间常数，k_i为PI控制单元的积分增益；令k_i＝k_p/T_i；

PI控制单元采用多智能体混沌粒子群优化算法整定k_p，k_i，具体算法步骤如下：

①构造多Agent系统格子环境：每个Agent配备8个周边邻居粒子共同构成能够交互通信的局部环境，在该多Agent系统格子环境下初始化设置粒子群数为100，最大允许迭代次数＝100，惯性权值ω＝0.63，学习因子c＝1.28；并初始化粒子在解空间中的位置和速度；

②计算每个粒子的适应值：粒子的适应值计算采用如式(2)所示的目标函数J：

式中，w₁,w₂,w₃,w₄为权值，w₁,w₂,w₃取值范围为(1，10),w₄取值范围为(100，300)；e(t)为电压跌落补偿指令；u(t)为PI控制单元输出；t_u为上升时间,t_u取值为5ms；y(t)为三相负载电压u_a,u_b,u_c，ey(t)＝y(t)-y(t-1)为三相负载电压变化量；

③各Agentα分别与8个周边邻居进行竞争与合作，并采用式(3)的适应值函数更新各自适应值：

式中，函数变量α_i∈(-5.12,5.12)，n为维数，取值为10；

④更新各个Agent粒子在解空间中的位置和速度：

根据如下PSO迭代式进行迭代：

式中，ω为惯性权值，值为0.6，参数D表示D维，i＝1,2,…M,M为全体粒子的总数，r₁和r₂为[0,1]范围内的随机数，c₁和c₂分别为自学习因子和社会学习因子，c₁和c₂均取值1.28，为粒子i的第n次迭代速度，为粒子i第n次的迭代位置，p_iD为粒子i的历史最优记录，p_gD为当前群体最优值；

⑤计算各个粒子的适应值，选取群体中性能最好的20％的粒子，对其进行混沌局部搜索，并更新各个粒子的个体极值和群里的全部极值；

⑥若算法满足优化结束条件，搜索停止，输出最优解；否则，转向步骤⑦；

⑦根据下式收缩搜索区域：

式中，x_giD为当前个体i极值的第D维变量值，x_miniD为个体i极小值，x_maxiD为个体i极大值，随机数r在区间(-1，1)内；

⑧在收缩后的空间内随机产生群体中剩余的80％粒子，转向步骤②，重新计算适应值，即目标函数值J；

微处理器通过多智能体混沌粒子群算法迭代，不断更新个体极值与全局极值，得到使得目标函数值J最小的一组PI控制参数(k_p，k_i)，微处理器确定该组PI控制参数(k_p，k_i)为最优化的参数；

第五步，生成并输出PWM控制信号：微处理器采用第四步确定的最优PI控制参数(k_p，k_i)实施PI控制，调制生成PWM信号并输出给驱动电路模块；

第六步，输出补偿电压：驱动电路模块接收微处理器发送的PWM控制信号，相应输出补偿电压，对配电网实施电压补偿。

本发明具有积极的效果：本发明的含光伏的配电网电压跌落检测补偿方法，其通过采用多智能体混沌粒子群优化算法对UPQC的PI控制参数进行整定，确定并采用最优PI控制参数实施PI控制，对配电网实施电压补偿；该方法结合了多智能体系统中个体间的竞争和合作机制，在保持粒子群算法结构简单的基础上利用了混沌思想，克服了粒子群算法容易陷入局部最优的缺点，改善了全局寻优能力，具有更高的计算精度和鲁棒性；本发明的方法可以提升统一电能质量调节器实施电压跌落检测与补偿的精度与准确性，为利用统一电能质量调节器对含光伏的配电网的电能质量治理提供了一种新方法。

附图说明

图1为本发明实施例中所采用的UPQC的结构示意图，图中还示意性地显示了UPQC与含光伏的配电网的电连接关系；

图2为本发明实施例中所采用的UPQC中实施电压跌落检测补偿的硬件结构示意框图，图中还示意性地显示了其与配电网的电连接关系；

图3为本发明实施例中所采用的UPQC实施电压跌落检测补偿过程中采用的基于dq变换的电压补偿指令获取方法的示意图；

图4为本发明实施例中所采用的UPQC实施电压跌落检测与补偿的原理框图。

上述附图中的附图标记如下：

串联滤波单元1，并联滤波单元2，供电单元3。

具体实施方式

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。

(实施例1)

本实施例的含光伏的配电网电压跌落检测补偿方法，通过现有的统一电能质量调节器(以下简称UPQC)实施，通过采用多智能体混沌粒子群优化算法整定PI控制参数，提高UPQC对含光伏的配电网电压跌落检测补偿性能，对含光伏的配电网电压跌落进行有效的检测和补偿。

如图1所示，含光伏的配电网系统由市电配网、并网光伏和非线性负载组成，配电网具有配电母线；前述采用的UPQC主要包括串联滤波单元1、并联滤波单元2和供电单元3，UPQC接入光伏并网的配电网的方式如图2所示。供电单元3主要由光伏阵列和与其连接的蓄电池装置组成，用于提供UPQC自身工作电源。

参见图2，该UPQC参与电压跌落补偿的具体功能模块包括用于采集电网电压和负载电压的信号采集模块、用于调理信号采集模块所采集电压信号的信号调理模块、用于接收信号调理模块发送的采样电压信号并进行处理和控制的微处理器、用于执行微处理器所发控制指令并对配电网实施电压跌落补偿的驱动电路模块，以及用于提供工作电源的供电单元3。本实施例中，微处理器优选采用TMS320F28335型号的DSP。

本实施例的含光伏的配电网电压跌落检测补偿方法，其所采用的统一电能质量调节器在对含光伏的配电网进行电压跌落检测与补偿过程中，首先由信号采集模块采集电网电压，负载电压，经过信号调理模块对采集信号进行调理扣输入微处理器，在微处理器里采用基于多智能体混沌粒子群优化方法算法整定PI控制参数，该算法将粒子群的群搜索特征和智能体(Agent)的智能搜索特征相结合，增强粒子群算法(PSO)内部信息的多样性和传递性，完善群内部信息反馈结构，提高了粒子的智能性和群体的寻优速度。同时，MAS-CPSO(多智能体混沌粒子群)利用混沌局部搜索算法(CLS)在解空间中的随机性、遍历性和内在规律性强化算法在整个解空间中的寻优能力，克服基本PSO算法易陷入局部最优的缺点，通过利用多智能体混沌粒子群优化方法算法，优化统一电能质量调节器对配电网电压跌落检测补偿的PI控制参数,改善UPQC电压跌落检测补偿性能。

参见图3和图4，本实施例的含光伏的配电网电压跌落检测补偿方法，具体步骤如下：

第一步，电压信号采集：

UPQC的信号采集模块采集配电网三相母线电压u_sa,u_sb,u_sc(图4中标记为U_s)和负载三相电压u_a,u_b,u_c(图4中标记为U_l)并发送给UPQC的信号调理模块。

第二步，采集信号调理：

信号调理模块将信号采集模块发送的配电网三相母线电压u_sa,u_sb,u_sc和负载三相电压u_a,u_b,u_c调理成微处理器能够接受的信号后，发送给微处理器。

第三步，计算电压跌落补偿指令：

微处理器将接收的三相负载电压u_a,u_b,u_c进行abc/dq park变换得到u_d,u_q，再经由截止频率为50HZ的低通滤波器LPF滤波,得到电压低频分量接着将进行dq/abc park逆变换，输出的电压信号与配电网三相母线电压u_sa,u_sb,u_sc相减，得到电压跌落补偿指令u_ac,u_bc,u_cc。

第四步，整定PI控制单元的控制参数：

微处理器内置PI控制单元，电压跌落补偿指令u_ac,u_bc,u_cc即为PI控制单元的输入e(t)，PI控制单元的输出为u(t)，PI控制单元的表达式如式(1)：

式中，k_p为PI控制单元参数，T_i为积分时间常数，令k_i＝k_p/T_i，通过对PI控制单元两个参数k_p和k_i进行整定优化，提高PI控制效果。

PI控制单元采用多智能体混沌粒子群优化算法(MAS-CPSO)整定k_p，k_i，具体算法步骤如下：

①构造多Agent(智能体)系统格子环境，每个Agent配备8个周边邻居粒子，它们共同构成能够交互通信的局部环境，在该多Agent系统格子环境下初始化设置粒子群数为100，最大允许迭代次数＝100，惯性权值ω＝0.63、学习因子c＝1.28；并初始化粒子在解空间中的位置和速度；

②计算每个粒子的适应值：粒子的适应值采用目标函数J，把多个性能指标的加权之和的最小值作为优化的目标，使得输出响应性能较好，表达式如式(2)：

式中，w₁,w₂,w₃,w₄为权值，w₁,w₂,w₃取值范围为(1，10),w₄取值范围为(100，300)，取值满足w₄＞＞w₁，e(t)为电压跌落补偿指令，u(t)为PI控制单元输出，t_u为上升时间，取值为5ms；y(t)为负载三相电压u_a,u_b,u_c(也即图4中标记的U_l)，ey(t)＝y(t)-y(t-1)为负载三相电压变化量；

通过多智能体混沌粒子群算法迭代，不断更新个体极值与全局极值，得出一组参数(k_p，k_i)，使得目标函数值J最小,达到系统全局最优点，获得高精度的解。

③各Agent分别与8个周边邻居进行竞争与合作，并更新各自适应值。具体方法是：Agentα的适应值函数取式(3)：

其中函数变量α_i∈(-5.12,5.12)，n为维数，取值为10。

Agentα的目的是在满足系统运行条件的情况下，利用环境信息与其它Agent通信并做出相应动作，尽可能减小这个适应值。假设Agentβ在Agentα的8个邻居中拥有最小的适应值，且β＝[β₁,β₂,…,β_n]是其在优化问题解空间中的位置，若Agentα满足：f(α)≤f(β)，则定义为优质粒子，否则为劣质粒子。

根据行动策略公式f(α)≤f(β)，粒子α'_k＝β_k+rand(-1,1)(β_k-α_k)，(4)k＝1,2,…,n，式中函数rand(-1,1)是(-1,1)区间内的随机数。若f(α)≤f(β)，则定义为优质粒子，否则为劣质粒子。如果Agentα是一个优质粒子，它在解空间的位置保持不变，反之，Agentα在解空间的位置根据α'_k＝β_k+rand(-1,1)(β_k-α_k)进行调整，若α'_k>x_kmax，则设定a'_k＝x_kmax，若α'_k<x_kmin，则设定a'_k＝x_kmin，x_kmin，x_kmax是优化问题可行解空间的上下限值。

④更新各个Agent粒子在解空间中的位置和速度。

根据如下PSO迭代式进行迭代：

其中，ω为惯性权值，值为0.63，参数D表示D维，i＝1,2,…M,M为全体粒子的总数，r₁和r₂为[0,1]范围内的随机数，c₁和c₂分别为自学习因子和社会学习因子，取值1.28，为粒子i的第n次迭代速度，为粒子i第n次的迭代位置，p_iD为粒子i的历史最优记录；p_gD为当前群体最优值。

⑤计算各个粒子的适应值，选取群体中性能最好的20％的粒子，对其进行混沌局部搜索，并更新各个粒子的个体极值和群里的全部极值。

⑥若算法满足优化结束条件，搜索停止，输出最优解；否则，转向步骤⑦。

⑦根据下式收缩搜索区域：

式中，x_giD为当前个体i极值的第D维变量值，x_miniD为个体i极小值，x_maxiD为个体i极大值，随机数r在区间(-1，1)内；

⑧在收缩后的空间内随机产生群体中剩余的80％粒子，转向步骤②，重新计算适应值，即目标函数值J。

微处理器通过多智能体混沌粒子群算法迭代，不断更新个体极值与全局极值，当达到系统全局最优点也即使得目标函数值J最小时，对应的参数(k_p，k_i)为最优化的参数，采用该组参数(k_p，k_i)，使得PI控制输出响应性能最佳。

第五步，生成并输出PWM控制信号：

微处理器根据第四步确定的PI控制参数(k_p，k_i)，实施PI控制，调制生成PWM信号并输出给驱动电路模块。

第六步，输出补偿电压：

驱动电路模块接收微处理器发送的PWM控制信号，相应输出补偿电压，对配电网实施电压补偿。

由前述可以看出，本实施例的含光伏的配电网电压跌落检测补偿方法，其通过采用多智能体混沌粒子群优化算法对PI控制单元的控制参数进行整定，该方法结合了多智能体系统中个体间的竞争和合作机制，在保持粒子群算法结构简单的基础上利用了混沌思想，克服了粒子群算法容易陷入局部最优的缺点，改善了全局寻优能力，具有更高的计算精度和鲁棒性，将此方法应用于统一电能质量调节器，可以提升统一电能质量调节器电压跌落检测与补偿的精度与准确性，为利用统一电能质量调节器对含光伏的配电网的电能质量治理提供了一种新方法。

以上实施例是对本发明的具体实施方式的说明，而非对本发明的限制，有关技术领域的技术人员在不脱离本发明的精神和范围的情况下，还可以做出各种变换和变化而得到相对应的等同的技术方案，因此所有等同的技术方案均应该归入本发明的专利保护范围。

Claims (1)

1.一种含光伏的配电网电压跌落检测补偿方法，利用UPQC实施，所述的UPQC包括用于采集电网电压和负载电压的信号采集模块、用于调理信号采集模块所采集电压信号的信号调理模块、用于接收信号调理模块发送的采样电压信号并进行处理和控制的微处理器、用于执行微处理器所发控制指令并对配电网实施电压跌落补偿的驱动电路模块，其特征在于，包括以下步骤：

第一步，电压信号采集：UPQC的信号采集模块采集配电网三相母线电压u_sa,u_sb,u_sc和负载三相电压u_a,u_b,u_c并发送给UPQC的信号调理模块；

第二步，采集信号调理：信号调理模块将信号采集模块发送的配电网三相母线电压u_sa,u_sb,u_sc和负载三相电压u_a,u_b,u_c调理后发送给微处理器；

第三步，计算电压跌落补偿指令：微处理器将三相负载电压u_a,u_b,u_c经park变换、低通滤波和park逆变换后输出的电压信号与配电网三相母线电压u_sa,u_sb,u_sc相减，得到电压跌落补偿指令u_ac,u_bc,u_cc；

第四步，整定PI控制单元的控制参数：

微处理器内置表达式如式(1)的PI控制单元：

$u\left(t\right)=k_p\&lsqb;e\left(t\right)+\frac{1}{T_i}{\&Integral;}_0^{t}e\left(t\right)dt\&rsqb;---\left(1\right)$

式中，e(t)为PI控制单元的输入，e(t)即电压跌落补偿指令u_ac,u_bc,u_cc；u(t)为PI控制单元的输出；k_p为PI控制单元的比例增益；T_i为积分时间常数，k_i为PI控制单元的积分增益；令k_i＝k_p/T_i；

PI控制单元采用多智能体混沌粒子群优化算法整定k_p，k_i，具体算法步骤如下：

①构造多Agent系统格子环境：每个Agent配备8个周边邻居粒子共同构成能够交互通信的局部环境，在该多Agent系统格子环境下初始化设置粒子群数为100，最大允许迭代次数＝100，惯性权值ω＝0.63，学习因子c＝1.28；并初始化粒子在解空间中的位置和速度；

②计算每个粒子的适应值：粒子的适应值计算采用如式(2)所示的目标函数J：

$J={\&Integral;}_0^{\mathrm{\&infin;}}\left(w_1\right|e\left(t\right)|+w_2{\&lsqb;u\left(t\right)\&rsqb;}^2+w_4|ey\left(t\right)\left|\right)+w_3{t}_u---\left(2\right)$

式中，w₁,w₂,w₃,w₄为权值，w₁,w₂,w₃取值范围为(1，10),w₄取值范围为(100，300)；e(t)为电压跌落补偿指令；u(t)为PI控制单元输出；t_u为上升时间,t_u取值为5ms；y(t)为三相负载电压u_a,u_b,u_c，ey(t)＝y(t)-y(t-1)为三相负载电压变化量；

③各Agentα分别与8个周边邻居进行竞争与合作，并采用式(3)的适应值函数更新各自适应值：

$f\left(\mathrm{\&alpha;}\right)=\underset{i=1}{\overset{n}{\&Sigma;}}({\mathrm{\&alpha;}}_i-10cos(2{\mathrm{\&pi;\&alpha;}}_i)+10)---\left(3\right)$

式中，函数变量α_i∈(-5.12,5.12)，n为维数，取值为10；

④更新各个Agent粒子在解空间中的位置和速度：

根据如下PSO迭代式进行迭代：

$v_{iD}^{n+1}={\mathrm{\&omega;v}}_{iD}^n+c_1{r}_1(p_{iD}-x_{iD}^n)+c_2{r}_2(p_{gD}-x_{iD}^n)---\left(5\right)$

$x_{iD}^{n+1}=x_{iD}^n+v_{iD}^{n+1},---\left(6\right)$

式中，ω为惯性权值，值为0.63，参数D表示D维，i＝1,2,…M,M为全体粒子的总数，r₁和r₂为[0,1]范围内的随机数，c₁和c₂分别为自学习因子和社会学习因子，c₁和c₂均取值1.28，为粒子i的第n次迭代速度，为粒子i第n次的迭代位置，p_iD为粒子i的历史最优记录，p_gD为当前群体最优值；

⑤计算各个粒子的适应值，选取群体中性能最好的20％的粒子，对其进行混沌局部搜索，并更新各个粒子的个体极值和群里的全部极值；

⑥若算法满足优化结束条件，搜索停止，输出最优解；否则，转向步骤⑦；

⑦根据下式收缩搜索区域：

$\begin{array}{c}{x}_{\min iD}=\max (x_{\min iD},x_{giD}-r\&CenterDot;(x_{\max iD}-x_{\min iD}))\\ x_{\max iD}=\min (x_{\max iD},x_{giD}+r\&CenterDot;(x_{\max iD}-x_{\min iD}))\end{array}---\left(7\right)$

式中，x_giD为当前个体i极值的第D维变量值，x_{min iD}为个体i极小值，x_{max iD}为个体i极大值，随机数r在区间(-1，1)内；

⑧在收缩后的空间内随机产生群体中剩余的80％粒子，转向步骤②，重新计算适应值，即目标函数值J；

微处理器通过多智能体混沌粒子群算法迭代，不断更新个体极值与全局极值，得到使得目标函数值J最小的一组PI控制参数(k_p，k_i)，微处理器确定该组PI控制参数(k_p，k_i)为最优化的参数；

第五步，生成并输出PWM控制信号：微处理器采用第四步确定的最优PI控制参数(k_p，k_i)实施PI控制，调制生成PWM信号并输出给驱动电路模块；

第六步，输出补偿电压：驱动电路模块接收微处理器发送的PWM控制信号，相应输出补偿电压，对配电网实施电压补偿。