CN108879758A - 一种基于协同演化的并网变流器谐波阻尼算法 - Google Patents

Abstract

本发明涉及一种基于协同演化的并网变流器谐波阻尼算法，适用于对含分布式电源接入的配网系统各节点电压谐波的协调优化治理。该算法包括以下步骤；建立含约束的协同演化算法优化模型；用协同演化算法来求解约束优化问题时,使用罚函数法处理约束条件；基于混合策略协同演化算法求解并网逆变器最优谐波电阻。本发明基于协同演化算法，动态调节逆变器等效谐波电阻大小，使得整个分布式配网系统节点谐波电压水平得到有效降低。

Description

一种基于协同演化的并网变流器谐波阻尼算法

技术领域

本发明涉及一种基于协同演化的并网变流器谐波阻尼算法，适用于对含分布式电源接入的配网系统各节点电压谐波的协调优化治理。

背景技术

分布式电源并网发电的大量渗透及非线性电力电子负载的接入给传统配电网带来了严重的谐波污染问题。谐波污染会影响电力系统装置乃至整个配网系统的正常运行，必须加以治理。传统的谐波治理装置分为两种：无源滤波器和有源滤波器，无源滤波器结构简单，但补偿特性受电网阻抗影响，运行时容易与系统发生谐振，且只能补偿固定的某几次谐波；有源滤波器基于电力电子技术，可以对接入点的谐波电流进行补偿，对于分布式配电网来说，往往会有多个谐波源，因此以谐波电流为补偿对象的治理效果会大打折扣，另外，由于造价高、功能单一，使其难以大范围内推广应用。分布式电源并网逆变器和有源滤波器具有类似的拓扑结构，通过改进并网逆变器的控制策略，不但可以减小它自身对电网电能质量的影响，而且还可以对配网系统中其他谐波污染源进行抑制，降低系统谐波治理的成本。考虑到以谐波电流为补偿对象的谐波治理策略在多谐波源系统中的局限性，有研究提出了以系统节点谐波电压为控制对象的谐波治理策略，通过控制并网逆变器的等效谐波电阻，使得并网点谐波电压得到降低。针对多并网逆变器的配网系统，如何协调控制各台逆变器等效谐波电阻大小，优化系统运行状态，目前还鲜有研究。

考虑到多谐波源配网系统的复杂性，传统优化方法难以得到满意结果。演化算法是一种模拟生物进化过程与机制求解问题的自适应智能优化算法，该算法对目标函数要求低、容易实现、稳定性好，适合于大规模、非线性、多峰多态函数的全局优化问题。协同演化算法是在传统演化算法的基础上发展起来的，将单一种群推广到两个或多个种群，进而建立个体或种群之间的竞争、合作关系，使之适应复杂系统的动态演化环境，以达到种群优化的目标。将协同演化算法应用到分布式配网系统谐波电压优化控制中，是一个可行的方向。

发明内容

针对上述现有方法存在的问题，本发明的目的在于提出一种多并网逆变器谐波阻尼协调控制算法，该算法基于协同演化算法，动态调节逆变器等效谐波电阻大小，使得整个分布式配网系统节点谐波电压水平得到有效降低。

为了实现上述目的，本发明所提出的方法是通过以下技术方案实现的：一种基于协同演化的并网变流器谐波阻尼算法，包括以下步骤；

S1：建立含约束的协同演化算法优化模型；

S2:用协同演化算法来求解约束优化问题时,使用罚函数法处理约束条件；

S3：基于混合策略协同演化算法求解并网逆变器最优谐波电阻。

进一步，步骤S1中建立含约束的协同演化算法优化模型的过程为；考虑一个具有N个节点的分布式配电网络，每个节点都有谐波电流源，全部谐波电流源中谐波次数组成集合H，以i表示节点编号，下标h表示集合H中的谐波次数，对于每次谐波h,节点注入谐波电流可表示为矢量：

相应的节点谐波电压可以表示为矢量：

式中，

不考虑分布式电源并网逆变器谐波导纳支路时，网络中的各次谐波导纳矩阵可表示为：

假设1-M个节点为并网逆变器接入点，其中M<＝N，当接入并网逆变器谐波导纳支路后，各次谐波下的节点导纳矩阵，将在式(3)中的导纳矩阵Y_h叠加增量对角矩阵：

ΔY_h＝diag＝{y_h1,y_h2...y_hi...y_hM,0...0} (4)

节点各次谐波电压矢量可求：

U_h＝(Y_h+ΔY_h)^-1I_h,h∈H (5)

每台并网逆变器的输出谐波电流I_Ihi可求：

I_Ihi＝U_hi y_hi,h∈H,i＝1...N (6)

这样，逆变器的电流和功率约束可以表示为：

并网逆变器的控制目标是整个系统电压谐波含量最小，对此，可列出下列含约束的协同演化算法优化模型：

st:

0≤y_hi≤y_{hi_max},h∈H,i＝1···M (12)

式(12)中，y_{hi_max}为每台逆变器每次谐波导纳限幅值。

进一步，步骤S2中采用如下的方法进行约束处理，比较准侧如下：

当两个解个体都是可行解时，适应值f(x)高的解为优；

当两个解之中有一个可行而另一个不可行时，则可行解个体为优；

如两个解个体都是不可行解时，则违反约束程度小的个体为优。

进一步，步骤S3中基于混合策略协同演化算法求解并网逆变器最优谐波电阻过程如下：

S31：纯策略集合即为{1,2,3,4}，分别代表Gaussian、Cauchy、Levy和

单点变异；

S32：初始化，过程如下；

(a)随机产生由μ个个体组成的初始种群，每个个体代表一个实值向量对每个是搜索空间的随机点，是 Gaussian变异的标准差，和有n个实值独立分量，中的元素代表M台并网逆变器在谐波次数集合H下的谐波导纳：

式中，i＝1,2,...,μ；

(b)对每个个体i，为混合策略向量分配初始的概率分布：

这里分别表示Gaussian、Cauchy、 Levy和单点变异的概率，实验初始值给定为(0.25,0.25,0.25,0.25)； S33：变异，过程如下；

t表示代数，根据个体i的概率分布从它的策略集中选择一个变异算子k，利用这个策略生成一个新的后代，其中，策略集包括下面的四个变异算子，每个父代个体i表示为其后代个体为

Gaussian变异:每个父代个体i按下面的公式产生一个后代i’：

这里N(0,1)表示标准Gaussian随机变量，对于一个给定的个体i,它是固定的；Nj(0,1)是每个分量j的标准Gaussian随机变量；控制参数的定义如下：

Cauchy变异:每个父代个体i按下面的公式产生一个后代i’:

这里δj表示标准Cauchy随机变量,不同的分量j产生不同的δj，控制参数τa和τb与Gaussian变异中的定义相同；

Levy变异：每个父代个体i按下面的公式产生一个后代i’：

这里Lj(β)是带比例参数β的Levy随机变量，比例参数β＝0.8，不同的分量j产生不同的Lj(β)值；

单点变异：这个变异中，在每次迭代中n个父代仅有一个分量变异，每个父代个体i按下面的步骤产生一个后代i，随机从{1...n}中选取一个分量j，根据下面的公式调整向量分量；

初值等于0.5yhi_max，如果为真，那么经过变异后，全部μ个后代就产生了，每个后代i’继承了其父代i的混合调制策略，即每个后代保存了用于变异的策略k,后代种群表示为I’(t)；

S34：μ个父代产生μ个子代，计算它们的适应度值，即式(8)；

S35：选择下一代种群：

如果每一代种群中的父代和后代联合种群中可行个体比例超过97％；

则基于比较准则，从父代和后代联合种群中选择最好的个体，同时从父代和后代联合种群中选择最好的不可行个体将它们加入到下一代种群；

如果每一代种群中的父代和后代联合种群中可行个体比例没有超过97％；则从父代和后代联合种群中选择可行的个体，同时从联合种群中选择最好的不可行个体直至达到种群数，将它们加入到下一代种群；

S36：按如下方法更新子代混合策略概率：

根据约束比较规则，如果个体来自于子代种群，采用的变异纯策略为k,k ∈{1,2,3,4}，要加强这个纯策略：

式中，0＜γ＜1用来调整混合策略的概率分布，γ＝1/3；

如果个体来自于父代种群，采用的变异纯策略为k,k∈{1,2,3,4}，要减

弱这个纯策略：

S37：重复步骤S33到S36，直至满足终止条件。

本发明具有以下优点和效果：

1、只需进行算法上的改造，即可使得并网变流器具有谐波抑制功能，提高传统并网变流器的利用率，降低电网谐波治理成本；

2、基于电流谐波补偿的传统有源滤波器只能针对谐波源进行集中补偿，本发明基于谐波阻尼算法，可以进行分散式谐波控制，非常适用于分布式并网逆变器；

3、采用混合策略的协同演化算法对逆变器最优谐波阻抗进行快速搜索，可以在保证逆变器正常运行情况下，使得电网系统整体谐波电压水平达到最优。

附图说明

图1是谐波阻尼协同演化算法控制流程图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本专利的限制。

实施例1：

一种基于协同演化的并网变流器谐波阻尼算法，包括以下步骤；

S1：建立含约束的协同演化算法优化模型；

S2:用协同演化算法来求解约束优化问题时,使用罚函数法处理约束条件；

S3：基于混合策略协同演化算法求解并网逆变器最优谐波电阻。

步骤S1中建立含约束的协同演化算法优化模型的过程为；考虑一个具有N 个节点的分布式配电网络，每个节点都有谐波电流源，全部谐波电流源中谐波次数组成集合H，以i表示节点编号，下标h表示集合H中的谐波次数，对于每次谐波h,节点注入谐波电流可表示为矢量：

相应的节点谐波电压可以表示为矢量：

式中，

不考虑分布式电源并网逆变器谐波导纳支路时，网络中的各次谐波导纳矩阵可表示为：

假设1-M个节点为并网逆变器接入点，其中M<＝N，当接入并网逆变器谐波导纳支路后，各次谐波下的节点导纳矩阵，将在式(3)中的导纳矩阵Y_h叠加增量对角矩阵：

ΔY_h＝diag＝{y_h1,y_h2...y_hi...y_hM,0...0} (4)

节点各次谐波电压矢量可求：

U_h＝(Y_h+ΔY_h)^-1I_h,h∈H (5)

每台并网逆变器的输出谐波电流I_Ihi可求：

I_Ihi＝U_hi y_hi,h∈H,i＝1...N (6)

这样，逆变器的电流和功率约束可以表示为：

并网逆变器的控制目标是整个系统电压谐波含量最小，对此，可列出下列含约束的协同演化算法优化模型：

st:

0≤y_hi≤y_{hi_max},h∈H,i＝1...M (12)

式(12)中，y_{hi_max}为每台逆变器每次谐波导纳限幅值。

步骤S2中用协同演化算法来求解约束优化问题时,使用最多的处理约束条件的方法是罚函数法。一般的罚函数法普遍存在一个缺点，即加上罚因子和罚函数项后生成的目标函数的最优解依赖于罚因子的选择。为避免罚函数法选择因子存在的缺陷，这里采用如下的方法进行约束处理，比较准侧如下：

当两个解个体都是可行解时，适应值f(x)高的解为优；

当两个解之中有一个可行而另一个不可行时，则可行解个体为优；

如两个解个体都是不可行解时，则违反约束程度小的个体为优。

如图1所示，基于混合策协同演化算法求解并网逆变器最优谐波电阻过程如下：

S31：纯策略集合即为{1,2,3,4}，分别代表Gaussian、Cauchy、Levy和单点变异；

S32：初始化，过程如下；

(a)随机产生由μ个个体组成的初始种群，每个个体代表一个实值向量对每个是搜索空间的随机点，是Gaussian 变异的标准差，和有n个实值独立分量，中的元素代表M台并网逆变器在谐波次数集合H下的谐波导纳：

式中，i＝1,2,...,μ；

(b)对每个个体i，为混合策略向量分配初始的概率分布：

这里分别表示Gaussian、Cauchy、 Levy和单点变异的概率，实验初始值给定为(0.25,0.25,0.25,0.25)；

S33：变异，过程如下；

t表示代数，根据个体i的概率分布从它的策略集中选择一个变异算子k，利用这个策略生成一个新的后代，其中，策略集包括下面的四个变异算子，每个父代个体i表示为其后代个体为

Gaussian变异:每个父代个体i按下面的公式产生一个后代i’：

这里N(0,1)表示标准Gaussian随机变量，对于一个给定的个体i,它是固定的；Nj(0,1)是每个分量j的标准Gaussian随机变量；控制参数的定义如下：

Cauchy变异:每个父代个体i按下面的公式产生一个后代i’:

这里δj表示标准Cauchy随机变量,不同的分量j产生不同的δj，控制参数τa和τb与Gaussian变异中的定义相同；

Levy变异：每个父代个体i按下面的公式产生一个后代i’：

这里Lj(β)是带比例参数β的Levy随机变量，比例参数β＝0.8，不同的分量j产生不同的Lj(β)值；

单点变异：这个变异中，在每次迭代中n个父代仅有一个分量变异，每个父代个体i按下面的步骤产生一个后代i，随机从{1...n}中选取一个分量j，根据下面的公式调整向量分量；

初值等于0.5yhi_max，如果为真，那么经过变异后，全部μ个后代就产生了，每个后代i’继承了其父代i的混合调制策略，即每个后代保存了用于变异的策略k,后代种群表示为I’(t)；

S34：μ个父代产生μ个子代，计算它们的适应度值，即式(8)；

S35：选择下一代种群：

如果每一代种群中的父代和后代联合种群中可行个体比例超过97％；

则基于比较准则，从父代和后代联合种群中选择最好的个体，同时从父代和后代联合种群中选择最好的不可行个体将它们加入到下一代种群；

如果每一代种群中的父代和后代联合种群中可行个体比例没有超过97％；

则从父代和后代联合种群中选择可行的个体，同时从联合种群中选择最好的不可行个体直至达到种群数，将它们加入到下一代种群；

S36：按如下方法更新子代混合策略概率：

根据约束比较规则，如果个体来自于子代种群，采用的变异纯策略为k,k ∈{1,2,3,4}，要加强这个纯策略：

式中，0＜γ＜1用来调整混合策略的概率分布，γ＝1/3；

如果个体来自于父代种群，采用的变异纯策略为k,k∈{1,2,3,4}，要减弱这个纯策略：

S37：重复步骤S33到S36，直至满足终止条件。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (4)

1.一种基于协同演化的并网变流器谐波阻尼算法，其特征在于，包括以下步骤；

S1：建立含约束的协同演化算法优化模型；

S2:用协同演化算法来求解约束优化问题时,使用罚函数法处理约束条件；

S3：基于混合策略协同演化算法求解并网逆变器最优谐波电阻。

2.根据权利要求1所述的一种基于协同演化的并网变流器谐波阻尼算法，其特征在于，步骤S1中建立含约束的协同演化算法优化模型的过程为；考虑一个具有N个节点的分布式配电网络，每个节点都有谐波电流源，全部谐波电流源中谐波次数组成集合H，以i表示节点编号，下标h表示集合H中的谐波次数，对于每次谐波h,节点注入谐波电流可表示为矢量：

相应的节点谐波电压可以表示为矢量：

式中，

不考虑分布式电源并网逆变器谐波导纳支路时，网络中的各次谐波导纳矩阵可表示为：

假设1-M个节点为并网逆变器接入点，其中M<＝N，当接入并网逆变器谐波导纳支路后，各次谐波下的节点导纳矩阵，将在式(3)中的导纳矩阵Y_h叠加增量对角矩阵：

ΔY_h＝diag＝{y_h1,y_h2...y_hi...y_hM,0...0} (4)

节点各次谐波电压矢量可求：

U_h＝(Y_h+ΔY_h)^-1I_h,h∈H (5)

每台并网逆变器的输出谐波电流I_Ihi可求：

I_Ihi＝U_hi y_hi,h∈H,i＝1...N (6)

这样，逆变器的电流和功率约束可以表示为：

并网逆变器的控制目标是整个系统电压谐波含量最小，对此，可列出下列含约束的协同演化算法优化模型：

st:

0≤y_hi≤y_{hi_max},h∈H,i＝1…M (12)

式(12)中，y_{hi_max}为每台逆变器每次谐波导纳限幅值。

3.根据权利要求1所述的一种基于协同演化的并网变流器谐波阻尼算法，其特征在于，步骤S2中采用如下的方法进行约束处理，比较准侧如下：

当两个解个体都是可行解时，适应值f(x)高的解为优；

当两个解之中有一个可行而另一个不可行时，则可行解个体为优；

如两个解个体都是不可行解时，则违反约束程度小的个体为优。

4.根据权利要求2所述的一种基于协同演化的并网变流器谐波阻尼算法，其特征在于，步骤S3中基于混合策略协同演化算法求解并网逆变器最优谐波电阻过程如下：

S31：纯策略集合即为{1,2,3,4}，分别代表Gaussian、Cauchy、Levy和单点变异；

S32：初始化，过程如下；

(a)随机产生由μ个个体组成的初始种群，每个个体代表一个实值向量对i＝1,2,...,μ，每个是搜索空间的随机点，是Gaussian变异的标准差，和有n个实值独立分量，中的元素代表M台并网逆变器在谐波次数集合H下的谐波导纳：

式中，i＝1,2,...,μ；

(b)对每个个体i，为混合策略向量分配初始的概率分布：

这里分别表示Gaussian、Cauchy、Levy和单点变异的概率，实验初始值给定为(0.25,0.25,0.25,0.25)；

S33：变异，过程如下；

t表示代数，根据个体i的概率分布从它的策略集中选择一个变异算子k，利用这个策略生成一个新的后代，其中，策略集包括下面的四个变异算子，每个父代个体i表示为其后代个体为

Gaussian变异:每个父代个体i按下面的公式产生一个后代i’：

这里N(0,1)表示标准Gaussian随机变量，对于一个给定的个体i,它是固定的；Nj(0,1)是每个分量j的标准Gaussian随机变量；控制参数的定义如下：

Cauchy变异:每个父代个体i按下面的公式产生一个后代i’:

这里δj表示标准Cauchy随机变量,不同的分量j产生不同的δj，控制参数τa和τb与Gaussian变异中的定义相同；

Levy变异：每个父代个体i按下面的公式产生一个后代i’：

这里Lj(β)是带比例参数β的Levy随机变量，比例参数β＝0.8，不同的分量j产生不同的Lj(β)值；

单点变异：这个变异中，在每次迭代中n个父代仅有一个分量变异，每个父代个体i按下面的步骤产生一个后代i，随机从{1...n}中选取一个分量j，根据下面的公式调整向量分量；

初值等于0.5yhi_max，如果为真，那么经过变异后，全部μ个后代就产生了，每个后代i’继承了其父代i的混合调制策略，即每个后代保存了用于变异的策略k,后代种群表示为I’(t)；

S34：μ个父代产生μ个子代，计算它们的适应度值，即式(8)；

S35：选择下一代种群：

如果每一代种群中的父代和后代联合种群中可行个体比例超过97％；

则基于比较准则，从父代和后代联合种群中选择最好的个体，同时从父代和后代联合种群中选择最好的不可行个体将它们加入到下一代种群；

如果每一代种群中的父代和后代联合种群中可行个体比例没有超过97％；

则从父代和后代联合种群中选择可行的个体，同时从联合种群中选择最好的不可行个体直至达到种群数，将它们加入到下一代种群；

S36：按如下方法更新子代混合策略概率：

根据约束比较规则，如果个体来自于子代种群，采用的变异纯策略为k,k∈{1,2,3,4}，要加强这个纯策略：

式中，0＜γ＜1用来调整混合策略的概率分布，γ＝1/3；

如果个体来自于父代种群，采用的变异纯策略为k,k∈{1,2,3,4}，要减弱这个纯策略：

S37：重复步骤S33到S36，直至满足终止条件。