CN106950831B - 一种离线优化/在线切换的无功补偿方法 - Google Patents

一种离线优化/在线切换的无功补偿方法 Download PDF

Info

Publication number
CN106950831B
CN106950831B CN201710128040.8A CN201710128040A CN106950831B CN 106950831 B CN106950831 B CN 106950831B CN 201710128040 A CN201710128040 A CN 201710128040A CN 106950831 B CN106950831 B CN 106950831B
Authority
CN
China
Prior art keywords
chaotic
controller
control
particle
svc
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201710128040.8A
Other languages
English (en)
Other versions
CN106950831A (zh
Inventor
赵熙临
吴胧胧
明航
何晶晶
汤倩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei University of Technology
Original Assignee
Hubei University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN201710128040.8A priority Critical patent/CN106950831B/zh
Publication of CN106950831A publication Critical patent/CN106950831A/zh
Application granted granted Critical
Publication of CN106950831B publication Critical patent/CN106950831B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Electrical Variables (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开一种离线优化/在线切换的无功补偿方法，属于电力系统电能质量控制技术领域。所述无功补偿方法是在传统PI控制器基础上，采用混沌PSO算法与其相结合的控制策略，对PI控制器的参数进行离线优化调整，并在SVC系统控制中，针对不同负载状态，进行不同控制策略的选择的静止无功补偿控制方法。本发明的无功补偿方法可以提高动态无功补偿装置的响应速度和补偿效果，进而提高SVC系统的在线实施效率，以及系统的可行性与稳定性。

Description

一种离线优化/在线切换的无功补偿方法
技术领域
本发明属于电力系统电能质量控制技术领域，特别涉及一种离线优化/在线切换的静止无功补偿方法。
背景技术
近年来，随着静止型动态无功补偿装置(Static Var Compensator，SVC)应用技术的发展，其控制技术逐渐成为业界关注的焦点。众多学者也提出了很多SVC控制方法：基于瞬时无功功率理论的pq算法和dq同步旋转坐标变换法、传统比例-积分PI控制方法、基于BP神经网络的PID参数自整定的SVC控制、基于直接反馈线性化(Direct FeedbackLinearization，DFL)控制。基于瞬时无功功率理论的pq算法和dq同步旋转坐标变换法利用SVC晶闸管触发角的分相控制，实现对三相不平衡负载无功补偿，但其属于开环控制效果及鲁棒性不佳；传统比例-积分PI控制方法系统易于实现，但其控制性能和精度难以达到更高要求；基于BP神经网络的PID参数自整定的SVC控制虽然能够保证控制系统的稳定性，但该算法在线计算量大，易形成局部极小解而无法获取全局最优解；基于直接反馈线性化(Direct Feedback Linearization，DFL)控制为得到等效的反馈线性系统，消除了系统的固有非线性特性，导致控制效果的降低。
粒子群优化算法(Particle Swarm Optimization，PSO)最早是由Knenedy博士和Eberhart博士于1995年提出的是一种基于群体的优化算法，其起源于对一个简单社会模型的仿真。研究者发现鸟群在飞行过程中经常会突然改变方向、散开、聚集，其行为通常不可预测，但其整体总能保持一致性，个体与个体间也保持着最适宜的距离。在PSO算法中假设每一个待优化问题的潜在解都是寻优空间中的一个没有体积没有质量的飞行的粒子，所有的粒子都有一个根据待优化的目标函数来决定的适应度值(fitness value)，各个粒子还有一个速度来控制它们飞行的方向和距离。PSO初始化为一群随机粒子，然后粒子群根据对个体和群体的飞行经验的综合分析来动态调整速度的值，在解空间中进行搜索，通过多次迭代搜索寻找到最优解。在每次迭代寻优中，粒子通过跟踪两个“极值”来对自己进行不断更新。第一个“极值”就是粒子本身所搜索到的最优解，称为个体极值pbest，而另一个“极值”是整个粒子群目前找到的最优解即全局极值gbest。PSO的优势在于简单易行、收敛速度较快、优化效率高、非常适合用来做工程研究。因此，PSO近年已经形成了一个研究热点，目前已广泛应用于函数优化、神经网络训练、模式分类、模糊控制等领域。但是在应用的过程当中，发现粒子群算法也有随机搜索算法比较普遍的缺点，其容易早熟、后期搜索速度慢且搜索精度不高等问题，特别是在复杂系统中，其在线计算的效率问题是一个急需解决的问题。所以采用混沌PSO离线优化机制，既解决了标准PSO算法的缺陷，又保障控制器参数的最优化，从而提高其在无功补偿控制过程中的控制性能。
发明内容
本发明的目的是：对负载的无功功率进行补偿，以维持系统的稳定经济运行，改善供电质量。传统的SVC控制是基于电压偏差的PI控制方法。该算法简单，系统易于实现，但其控制性能和精度难以达到更高要求。究其原因，主要问题存在于PI控制器控制过程中各参数无法根据系统状态进行自我调整，因而其控制性能无法达到最优。在传统PI基础上，采用混沌PSO与其相结合的控制策略，对PI控制器的参数进行离线优化调整，并在SVC系统控制中，针对不同负载状态，进行不同控制策略的选择，以此达到提高动态无功补偿装置的响应速度和补偿效果的目的。
为解决上述技术问题，本发明采用的技术方案是：一种离线优化/在线切换的无功补偿方法，其特征在于，所述方法是在传统PI控制器基础上，采用混沌PSO算法与其相结合的控制策略，对PI控制器的参数进行离线优化调整，并在SVC系统控制中，针对不同负载状态，进行不同控制策略的选择的静止无功补偿控制方法。
优选地，所述的离线优化/在线切换的无功补偿方法，其特征在于，所述方法的主要思想是将SVC安装点处线电压测量值与系统参考电压设定值作差送入控制器中，再经过限幅环节得到系统所需导纳Bref，Bref经过有理插值函数模块得到作用于SVC装置中晶闸管的触发角α，α通过触发电路产生触发脉冲作用于SVC装置，接着SVC装置产生系统所需无功功率作用于主电路，主电路的电压随之发生改变，改变后的电压再通过反馈环节送至控制器计算，直到电网的实际电压与参考电压达到一致为止。
优选地，所述的离线优化/在线切换的无功补偿方法，其特征在于，采用混沌PSO算法优化PI控制器参数的详细步骤如下：
(1)混沌初始化粒子群中N个粒子的速度；随机产生一个2维且各分量值均在0-1之间的混沌矢量Z1＝(Z11,Z12)，以Z1为初始值由映射模型
Figure BDA0001239092510000031
计算得N个矢量Z1,Z2,...,Zn；再由公式xij＝aj+(bj-aj)zij，(i＝1,2,...,N；j＝1,2)将混沌变量Zi(i＝1,2,...,N)的各分量变换到无功补偿问题的允许解空间，其中aj,bj为无功补偿优化变量约束上下限；
(2)将N个矢量xi代入Simulink模型中，计算评价函数值，并将个体的历史最优位置设为局部最优值pbest，群体中历史最优位置设为全局最优值gbest；
(3)判断是否满足while循环条件，若满足条件，则对每个粒子i的第1、2维的速度和位置分别按照式(1)和式(2)进行更新；若不满足条件，则输出全局最优gbest，
Figure BDA0001239092510000032
Figure BDA0001239092510000033
式中：c为收缩因子、ω为惯性权重因子、c1,c2为学习因子；
(4)计算粒子的适应度函数值，如果该粒子当前的适应度函数值比其局部最优更好，则将当前位置设为其局部最优，如果该粒子当前的适应度函数值比全局最优更好，则将当前位置设为其全局最优；
(5)对每一代粒子全局最优值xg＝(xi1,xi2)进行混沌优化，将全局最优值通过公式zij＝(xij-aj)/(bj-aj)进行映射，对xi1,xi2通过映射模型分别进行M次迭代，生成一个混沌序列z＝(z1,z2,...,zm)，将混沌序列通过xij＝aj+(bj-aj)zij逆映射回无功补偿问题的允许解空间，通过上面的变换能够产生混沌变量的可行解的序列xg＝(xg1,...,xg2)，计算可行解序列中每个可行解矢量的适应值，并且保留适应值最优时对应的可行解矢量，记作
Figure BDA0001239092510000041
从当前粒子群中随机选择一个粒子，并用
Figure BDA0001239092510000042
的位置矢量来代替选出的粒子位置矢量；
(6)判断是否满足结束条件，若不满足条件则跳至步骤(2)；若满足则输出全局最优gbest并结束程序。
优选地，所述的离线优化/在线切换的无功补偿方法，其特征在于，所述方法将负载状态进行划分，针对不同状态负载进行混沌PSO算法优化PI控制器参数设计，进而对SVC系统控制过程中选择不同控制策略。
本发明的有益效果是：本发明提出的静止无功补偿控制方法，有效解决电力系统与电能质量关联的无功补偿问题。具体表现为设计了非线性PI控制器，解决了SVC控制过程中初期响应过大问题；针对传统优化算法在线整定PI参数计算量过大，不利于在线实施的缺陷，通过混沌PSO对PI参数离线优化，提高无功补偿控制过程中的实施效率；根据控制过程负荷状态不同进行控制器切换，提高了控制系统的可行性与稳定性。
附图说明
图1是SVC系统架构图。
图2是SVC电压闭环控制系统结构图。
图3是基于混沌PSO优化的非线性PI控制框图。
图4是混沌PSO离线优化PI参数控制流程框图。
图5是SVC系统的功率因数波形图。
图6是SVC安装点处三相线电压响应曲线。
图7是基于混沌PSO优化的SVC安装点处三相线电压响应曲线。
图8是基于混沌PSO优化的SVC系统的功率因数波形图。
具体实施方式
为了更好地理解本发明，下面结合实施例进一步阐明本发明的内容，但本发明的内容不仅仅局限于下面的实施例。本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样在本申请所列权利要求书限定范围之内。
本发明所采用的技术方案是：基于混沌PSO算法进行控制器参数优化，控制过程中根据负荷情况进行控制器切换的静止无功补偿控制方法。其主要思想是将SVC安装点处线电压测量值与系统参考电压设定值作差送入控制器中，再经过限幅环节得到系统所需导纳Bref，Bref经过有理插值函数模块得到作用于SVC装置中晶闸管的触发角α，α通过触发电路产生触发脉冲作用于SVC装置，接着SVC装置产生系统所需无功功率作用于主电路，主电路的电压随之发生改变，改变后的电压再通过反馈环节送至控制器计算，直到电网的实际电压与参考电压达到一致为止。该控制方法的核心是控制器的设计，由于SVC系统具备的非线性，控制的快速性与稳定性之间的矛盾难以平衡，设计了由非线性函数与传统PI控制器级联构成的非线性PI控制器；但PI控制器控制过程中各参数无法根据系统状态进行自我调整，在传统PI基础上，采用混沌PSO与其相结合的控制策略，对PI控制器的参数进行离线优化调整；并在SVC系统控制中，针对不同负载状态，进行不同控制策略的选择。
本发明选取固定电容器组(Fixed Capacitor，FC)+晶闸管控制电抗器(ThyristorControlled Reactor，TCR)型SVC装置，通过MATLAB软件构建无功补偿仿真模型来验证本发明的内容。SVC系统架构图如图1所示。图1中：FC采用星型连接，TCR采用三角形连接，TCR只能提供感性的无功功率，但在实际运行中负载所需的无功功率可能是感性或容性负载形式。因此TCR与FC并联使用，有助于SVC提供合适的无功补偿。
在负荷补偿中，通常采用以恒电压作为控制目的的闭环控制方式。SVC电压闭环控制系统结构图如图2所示。图2中“控制器”为混沌PSO离线优化PI参数控制模块，Urms表示SVC安装点处线电压，Uref表示系统参考线电压设定值。误差信号△U＝Uref-Urms用于计算补偿电纳Bref。触发电路环节根据触发角信号产生触发脉冲送至主电路，主电路的电压随之发生改变，改变后的电压再通过反馈环节送至控制器计算，直到电网的实际电压与参考电压达到一致为止。
在SVC控制器研究初期，由于传统PI控制策略简单且易于实现，引起广泛关注。但由于SVC系统具备的非线性，控制的快速性与稳定性之间的矛盾难以平衡。因此，针对该问题，设计了由非线性函数与传统PI控制器级联构成的非线性PI控制器，并利用混沌PSO优化算法对PI控制器参数进行离线调整。基于混沌PSO优化的非线性PI控制框图如图3所示。从图3可以看出，误差e作为非线性函数k(e)的输入。传统PI控制器的输入则表现为函数k(e)的输出与误差e的乘积形式。本发明选取非线性增益函数形式如下，
k(e)＝k0+k1[1-sech(k2e)] (3)
式中，e为给定值与实际值的误差，k0、k1、k2为正数系数。
混沌PSO离线优化PI参数控制流程框图如图4示。图4中：在确定最大循环次数和最小适应值之后，混沌PSO优化算法计算粒子的适应值来判断是否进行迭代，即进行粒子速度以及位置的更新，接着判断是否满足终止条件，若是则跳出循环。
具体地，混沌PSO离线优化PI控制器参数步骤如下：
(1)混沌初始化粒子群中N个粒子的速度。随机产生一个2维且各分量值均在0-1之间的混沌矢量Z1＝(Z11,Z12)，以Z1为初始值由映射模型
Figure BDA0001239092510000061
计算得N个矢量Z1,Z2,...,Zn。再由公式xij＝aj+(bj-aj)zij，(i＝1,2,...,N；j＝1,2)将混沌变量Zi(i＝1,2,...,N)的各分量变换到无功补偿问题的允许解空间，其中aj,bj为无功补偿优化变量约束上下限；
(2)将N个矢量xi代入Simulink模型中，计算评价函数值，并将个体的历史最优位置设为局部最优值pbest，群体中历史最优位置设为全局最优值gbest；
(3)判断是否满足while循环条件，若满足条件，则对每个粒子i的第1、2维的速度和位置分别按照式(1)和式(2)进行更新；若不满足条件，则输出全局最优gbest，
Figure BDA0001239092510000062
Figure BDA0001239092510000063
式中：c为收缩因子、ω为惯性权重因子、c1,c2为学习因子；
(4)计算粒子的适应度函数值，如果该粒子当前的适应度函数值比其局部最优更好，则将当前位置设为其局部最优，如果该粒子当前的适应度函数值比全局最优更好，则将当前位置设为其全局最优；
(5)对每一代粒子全局最优值xg＝(xi1,xi2)进行混沌优化，将全局最优值通过公式zij＝(xij-aj)/(bj-aj)进行映射，对xi1,xi2通过映射模型分别进行M次迭代，生成一个混沌序列z＝(z1,z2,...,zm)，将混沌序列通过xij＝aj+(bj-aj)zij逆映射回无功补偿问题的允许解空间，通过上面的变换能够产生混沌变量的可行解的序列xg＝(xg1,...,xg2)，计算可行解序列中每个可行解矢量的适应值，并且保留适应值最优时对应的可行解矢量，记作
Figure BDA0001239092510000071
从当前粒子群中随机选择一个粒子，并用
Figure BDA0001239092510000072
的位置矢量来代替选出的粒子位置矢量。
(6)判断是否满足结束条件，若不满足条件则跳至步骤(2)；若满足则输出全局最优gbest并结束程序。
为了验证本发明所设计的SVC控制器在电压稳定控制方面的效果，利用matlab建立SVC系统仿真模型。首先针对常规PI控制器、切换模式非线性PI控制器控制效果进行仿真比较。仿真验证过程中，系统采用相电压为220v电源,设置线路寄生电抗为LS＝0.649mH。负载由三相RLC负载代替，其参数设置为100kw有功和86kVar感性无功。不失一般性，在不平衡负载的设置过程中，设定在0.8s时突加缺失B相的负载,其中有功50kw，感性无功70kVar，在1.6s时将不平衡负载剔除。零时刻时，PI控制器的参数选择为kp＝0.0005，ki＝0.02，当不平衡负载剔除时，为了达到更优控制性能，选择不同控制方式，此时PI控制器的参数选择为kp＝0.003，ki＝0.02。
以SVC安装点处三相线电压响应曲线为控制目标，在传统PI、切换模式非线性PI的控制下，SVC系统的功率因数波形如图5所示。从图5明显看出，当负载由不平衡变为平衡时，采用传统PI控制调节时间为0.8s，切换模式非线性PI控制的调节时间为0.3s，功率因数提升至0.98。
SVC安装点处三相线电压响应曲线如图6所示。从图6可以看出，在触发角作用基础上，0时刻将TCR+FC型SVC和平衡负载投入到电网中，传统PI控制经过0.8s未达到稳定值，切换模式非线性PI控制经过0.5s达到稳定值；同样，在0.8s时加入不平衡负载以及1.6s时剔除不平衡负载，切换模式非线性PI控制比传统PI控制的调节时间明显减小；但当负载由不平衡变为平衡时，切换模式非线性PI控制下有很大超调及震荡。
针对该问题，本发明采用混沌PSO对不同负载状态进行优化控制。混沌PSO优化第一段0-0.8s平衡负载时，最优PI参数为kp＝0.0005，ki＝0.02；混沌PSO优化第二段0.8-1.6s不平衡负载时，最优PI参数为kp＝0.002，ki＝0.082；混沌PSO优化第三段1.6-1.65s不平衡负载剔除时，最优PI参数为kp＝0.003，ki＝0.0542；当不平衡负载剔除后，系统变为平衡负载，选取PI参数为kp＝0.0005，ki＝0.02。
在与上述相同仿真环境下，将每一段PI值代入仿真模型，基于混沌PSO优化的SVC安装点处三相线电压响应曲线如图7所示。从图7可以看出，不平衡负载剔除后，系统的超调量和震荡次数明显减少。
基于混沌PSO优化的SVC系统的功率因数波形图如图8所示。从图8可以看出，不平衡负载剔除后，功率因数经过0.2s达到0.98。仿真结果表明，所提出的控制策略不仅能快速跟踪系统参考电压的设定值，而且能够有效抑制系统超调。
最后应当说明的是，以上内容仅用以说明本发明的技术方案，而非对本发明保护范围的限制，本领域的普通技术人员对本发明的技术方案进行的简单修改或者等同替换，均不脱离本发明技术方案的实质和范围。

Claims (2)

1.一种离线优化/在线切换的无功补偿方法，其特征在于，所述方法是在传统PI控制器基础上，采用混沌PSO算法与其相结合的控制策略，对PI控制器的参数进行离线优化调整，并在SVC系统的静止无功补偿控制中，针对不同负载状态，进行不同控制策略的选择；
采用混沌PSO算法优化PI控制器参数的步骤如下：
(1)混沌初始化粒子群中N个粒子的速度；随机产生一个2维且各分量值均在0-1之间的混沌矢量Z1＝(Z11,Z12)，以Z1为初始值由映射模型
Figure FDA0002316486810000011
计算得N个矢量Z1,Z2,...,Zn；再由公式xij＝aj+(bj-aj)zij，将混沌变量Zi的各分量变换到无功补偿问题的允许解空间，其中i＝1,2,...,N；j＝1,2；aj,bj为无功补偿优化变量约束上下限；
(2)将N个矢量xi代入Simulink模型中，计算评价函数值，并将个体的历史最优位置设为局部最优值pbest，群体中历史最优位置设为全局最优值gbest；
(3)判断是否满足while循环条件，若满足条件，则对每个粒子i的第1、2维的速度和位置分别按照式(1)和式(2)进行更新；若不满足条件，则输出全局最优gbest，
Figure FDA0002316486810000012
Figure FDA0002316486810000013
式中：c为收缩因子、ω为惯性权重因子、c1,c2为学习因子；
(4)计算粒子的适应度函数值，如果该粒子当前的适应度函数值比其局部最优更好，则将当前位置设为其局部最优，如果该粒子当前的适应度函数值比全局最优更好，则将当前位置设为其全局最优；
(5)对每一代粒子全局最优值xg＝(xi1,xi2)进行混沌优化，将全局最优值通过公式zij＝(xij-aj)/(bj-aj)进行映射，对xi1,xi2通过映射模型分别进行M次迭代，生成一个混沌序列z＝(z1,z2,...,zm)，将混沌序列通过xij＝aj+(bj-aj)zij逆映射回无功补偿问题的允许解空间，通过上面的变换能够产生混沌变量的可行解的序列xg＝(xg1,...,xg2)，计算可行解序列中每个可行解矢量的适应值，并且保留适应值最优时对应的可行解矢量，记作
Figure FDA0002316486810000021
从当前粒子群中随机选择一个粒子，并用
Figure FDA0002316486810000022
的位置矢量来代替选出的粒子位置矢量；
(6)判断是否满足结束条件，若不满足条件则跳至步骤(2)；若满足则输出全局最优gbest并结束程序。
2.根据权利要求1所述的离线优化/在线切换的无功补偿方法，其特征在于，所述方法的主要思想是将SVC安装点处线电压测量值与系统参考电压设定值作差送入控制器中，再经过限幅环节得到系统所需导纳Bref，Bref经过有理插值函数模块得到作用于SVC装置中晶闸管的触发角α，α通过触发电路产生触发脉冲作用于SVC装置，接着SVC装置产生系统所需无功功率作用于主电路，主电路的电压随之发生改变，改变后的电压再通过反馈环节送至控制器计算，直到电网的实际电压与参考电压达到一致为止。
CN201710128040.8A 2017-03-06 2017-03-06 一种离线优化/在线切换的无功补偿方法 Expired - Fee Related CN106950831B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710128040.8A CN106950831B (zh) 2017-03-06 2017-03-06 一种离线优化/在线切换的无功补偿方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710128040.8A CN106950831B (zh) 2017-03-06 2017-03-06 一种离线优化/在线切换的无功补偿方法

Publications (2)

Publication Number Publication Date
CN106950831A CN106950831A (zh) 2017-07-14
CN106950831B true CN106950831B (zh) 2020-06-16

Family

ID=59466754

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710128040.8A Expired - Fee Related CN106950831B (zh) 2017-03-06 2017-03-06 一种离线优化/在线切换的无功补偿方法

Country Status (1)

Country Link
CN (1) CN106950831B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107732974B (zh) * 2017-11-27 2023-07-25 广东工业大学 一种低压光伏发电系统及其方法
CN109066710B (zh) * 2018-07-13 2022-05-27 国网安徽省电力有限公司滁州供电公司 一种多目标无功优化方法、装置、计算机设备及存储介质
CN110161849A (zh) * 2019-04-22 2019-08-23 华能澜沧江水电股份有限公司 一种基于改进粒子群的svc功率振荡阻尼控制器参数优化方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0643947A (ja) * 1992-07-27 1994-02-18 Tohoku Electric Power Co Inc 電圧無効電力制御装置
US9354641B2 (en) * 2013-03-15 2016-05-31 Dominion Resources, Inc. Electric power system control with planning of energy demand and energy efficiency using AMI-based data analysis

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3707087B2 (ja) * 1994-12-21 2005-10-19 石川島播磨重工業株式会社 排気再燃型コンバインドサイクルプラントにおける再熱器出側蒸気温度制御装置
CN102129482B (zh) * 2010-01-13 2013-04-10 电子科技大学 一种基于混沌离散粒子群优化的片上网络映射方法
JP5683000B2 (ja) * 2010-09-30 2015-03-11 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ Ｐｉｄ制御器の構成方法、プログラム及びシステム
CN103220253B (zh) * 2013-05-14 2016-02-10 河海大学常州校区 基于混沌映射和粒子群优化算法的ofdm符号同步方法
CN103972908A (zh) * 2014-05-23 2014-08-06 国家电网公司 一种基于自适应混沌粒子群算法的多目标无功优化方法
CN104090490B (zh) * 2014-07-04 2018-11-02 北京工业大学 一种基于混沌粒子群优化算法的输入整形器闭环控制方法
CN106169109A (zh) * 2016-08-17 2016-11-30 国网江西省电力公司柘林水电厂 一种基于混沌差分粒子群算法的水电站优化调度方法
CN106447024A (zh) * 2016-08-31 2017-02-22 上海电机学院 一种基于混沌反向学习的粒子群改进算法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0643947A (ja) * 1992-07-27 1994-02-18 Tohoku Electric Power Co Inc 電圧無効電力制御装置
US9354641B2 (en) * 2013-03-15 2016-05-31 Dominion Resources, Inc. Electric power system control with planning of energy demand and energy efficiency using AMI-based data analysis

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"基于PSO的配电网静止同步补偿器PI控制器整定";薛艳红等;《广西大学学报》;20120430;第37卷(第2期);正文第354-359页 *
"基于混沌粒子群算法的PI控制器参数在线整定";钱苗旺;《微特电机》;20120331;正文第1-3节 *

Also Published As

Publication number Publication date
CN106950831A (zh) 2017-07-14

Similar Documents

Publication Publication Date Title
Qian et al. Neural-network-based terminal sliding mode control for frequency stabilization of renewable power systems
Dali et al. A new robust control scheme: Application for MPP tracking of a PMSG-based variable-speed wind turbine
CN106950831B (zh) 一种离线优化/在线切换的无功补偿方法
Swain et al. Design of static synchronous series compensator based damping controller employing real coded genetic algorithm
CN111030141A (zh) 一种基于一致性算法的源-荷协同分布式优化调控方法
Geng et al. Robust pitch controller for output power levelling of variable-speed variable-pitch wind turbine generator systems
CN115912405A (zh) 一种用于复杂振荡环境下虚拟同步发电机自适应控制策略
Dong et al. Output control method of microgrid VSI control network based on dynamic matrix control algorithm
CN113471989A (zh) 基于灰狼优化法的微电网智能二次频率控制方法
Pathak et al. Fractional‐order nonlinear PID controller based maximum power extraction method for a direct‐driven wind energy system
Wu et al. Mitigating subsynchronous oscillation using model-free adaptive control of DFIGs
Zheng et al. Deep reinforcement learning based active disturbance rejection load frequency control of multi-area interconnected power systems with renewable energy
Pain et al. Multiobjective optimization of load frequency control using PSO
CN106712057A (zh) 电力系统稳定器与静止无功补偿器的协调优化方法
Umrao et al. Load frequency control using polar fuzzy controller
CN103457274A (zh) 多模型模糊神经网络pi控制器的statcom电流控制方法
Sun et al. Nonlinear adaptive backstepping controller design for static VAR compensator
Bana et al. Adaptive vector control of grid-tied vsc using multilayer perceptron-recurrent neural network
WO2023088124A1 (zh) 基于模型预测虚拟同步机的逆变器频率自适应控制方法
Abood et al. Modeling of SVC controller based on adaptive PID controller using neural networks
Xu et al. Design of three-stage start-up optimal strategy based on fuzzy fractional-order proportion integration differentiation controller of pumped storage unit under low water head
Xia et al. Frequency regulation strategy for AC–DC system during black start
Ratrey et al. A Review on wind power generation using neural and fuzzy logic
Mohamed et al. Enhanced Non-linear PID-Based on Virtual Inertia Control to Enhance the Frequency Stability of a Hybrid Power System
CN117200260B (zh) 一种抑制电力系统低频振荡的方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200616

Termination date: 20210306