CN109782583A - 一种风电场pi控制器参数整定方法和装置 - Google Patents

Abstract

本发明提供了一种风电场PI控制器参数整定方法和装置，对风电场每个PI控制器的参数进行正交试验，得到每个参数的取值范围；基于所述取值范围对参数进行初始化；基于初始化后的参数采用粒子群优化算法确定参数的整定结果，通过本发明得到的优化效果和PI控制器性能均较好，大大加快了迭代收敛速度，且避免陷入局部极值的情况；本发明采用的混沌正交粒子群算法能够合理确定每个参数的寻优范围、寻优方向以及相应权重，同时提高初始值质量，有效减少迭代次数，不仅对风电场与电网之间公共连接点的端电压有更好的补偿效果，同时有效提高了基于双馈型异步风力发电机的输出特性。

Description

一种风电场PI控制器参数整定方法和装置

技术领域

本发明涉及新能源技术领域，具体涉及一种风电场PI控制器参数整定方法和装置。

背景技术

相比于传统的化石能源，风电作为一种清洁能源，因具有无污染无排放、绿色环保等优点而备受关注。双馈型异步风力发电机(Double-Fed Induction Generator，DFIG)是目前风电场的主流机型之一，双馈型异步风力发电机中的背靠背变换器控制系统由多个比例积分(proportional integral，PI)控制器构成，每个PI控制器参数对风电场的整体特性都有不同的影响。静止同步补偿器(Static Synchronous Compensator，STATCOM)作为无功补偿装置能有效改善风电场电网电压波动问题，目前一般风电场中均配备STATCOM，STATCOM控制系统中嵌入多个PI控制器，PI控制器参数的设计直接影响STATCOM的控制性能。从外部看，DFIG和STATCOM作为一个整体响应系统动态变化，为了获得良好的输出特性，需要考虑两者的多个PI控制器参数的优化整定方法。

现有技术中针对PI控制器参数的整定方法主要有调整试凑法、近似线性化法和智能优化算法。①调整试凑法虽然在实际工程中使用较多，但其计算复杂，需要对参数多次调整试凑，优化效果差；②近似线性化法是在控制系统确定的工作点处进行线性化处理，而当控制系统的运行状态发生变化或者遭遇大干扰故障时，PI控制器性能差，控制系统性能随之变差；③粒子群优化算法(Particle Swarm Optimization，PSO)作为智能优化算法之一，粒子群优化算法适用于多目标优化问题，且其具有参数少、程序简单易实现等优点，但也存在迭代收敛速度较慢，易陷入局部极值等缺点。

发明内容

为了克服上述现有技术中优化效果差、PI控制器性能差、迭代收敛速度较慢且易陷入局部极值的不足，本发明提供一种风电场PI控制器参数整定方法和装置，对每个PI控制器的参数进行正交试验，得到每个参数的取值范围；基于所述取值范围对参数进行初始化；基于初始化后的参数采用粒子群优化算法确定参数的整定结果，通过本发明得到的优化效果和PI控制器性能均较好，大大加快了迭代收敛速度，且避免陷入局部极值的情况。

为了实现上述发明目的，本发明采取如下技术方案：

一方面，本发明提供一种风电场PI控制器参数整定方法，包括：

对每个PI控制器的参数进行正交试验，得到每个参数的取值范围；

基于所述取值范围对参数进行初始化；

基于初始化后的参数采用粒子群优化算法确定参数的整定结果。

所述对风电场每个PI控制器的参数进行正交试验，包括：

采用正交优选法和正交优选趋势法对每个PI控制器的参数进行正交试验。

所述PI控制器的参数包括双馈型异步风力发电机的PI控制器参数和静止同步补偿器的PI控制器参数。

所述基于所述取值范围对参数进行初始化，包括：

采用混沌算法在参数的取值范围内生成随机向量；

计算双馈型异步风力发电机的权重因子以及双馈型异步风力发电机和静止同步补偿器之间的权重因子；

将随机向量中的参数作为粒子，并基于所述权重因子计算粒子的适应度函数值；

基于所述适应度函数值得到初始化后的参数、局部最优解和全局最优解。

所述双馈型异步风力发电机的权重因子以及双馈型异步风力发电机和静止同步补偿器之间的权重因子按下式计算：

式中，r₁为双馈型异步风力发电机的权重因子，r₂为双馈型异步风力发电机和静止同步补偿器之间的权重因子；U_dc.ITAE为双馈型异步风力发电机的直流母线电压，P_s.ITAE为双馈型异步风力发电机的有功功率，U_PCC.ITAE为风电场与电网之间公共连接点的电压；为正交试验时水平数i所对应的U_dc.ITAE的平均值，为正交试验时水平数i所对应的P_s.ITAE的平均值，为正交试验时水平数i所对应的U_PCC.ITAE的平均值；n为正交试验选取的水平数。

所述粒子的适应度函数值按下式计算：

式中，J'为粒子的适应度函数值，为双馈型异步风力发电机有功功率的绝对误差乘以时间的积分，为双馈型异步风力发电机直流母线电压的绝对误差乘以时间的积分，为风电场与电网之间公共连接点电压的绝对误差乘以时间的积分。

所述基于初始化后的参数采用粒子群优化算法确定参数的整定结果，包括：

基于初始化后的参数，采用粒子群优化算法重新计算粒子的适应度函数值；

若粒子的当前适应度函数值小于局部最优解，则更新局部最优解以及粒子的位置和速度，否则不更新局部最优解，更新粒子的位置和速度；

若所有局部最优解组成的当前全局最优解小于历史全局最优解，则更新全局最优解以及粒子的位置和速度，否则不更新全局最优解，更新粒子的位置和速度；

判断循环次数是否达到预设的循环次数，若是则输出参数的整定结果，否则重新采用粒子群优化算法计算粒子的适应度函数值，直至循环次数达到预设的循环次数。

所述双馈型异步风力发电机的PI控制器参数包括双馈型风力发电机机组的网侧电压外环比例系数、网侧电压外环积分系数、网侧电流内环比例系数、网侧电流内环积分系数、定子有功功率外环比例系数、定子有功功率外环积分系数、转子侧电流内环比例系数和转子侧电流内环积分系数；

所述静止同步补偿器的PI控制器参数包括静止同步补偿器的电压外环比例系数、电压外环积分系数、电流内环比例系数和电流内环积分系数。

另一方面，本发明还提供一种风电场PI控制器参数整定装置，包括：

正交试验模块，用于对风电场每个PI控制器的参数进行正交试验，得到每个参数的取值范围；

初始化模块，用于基于所述取值范围对参数进行初始化；

确定模块，用于基于初始化后的参数采用粒子群优化算法确定参数的整定结果。

所述正交试验模块具体用于：

采用正交优选法和正交优选趋势法对每个PI控制器的参数进行正交试验；

所述PI控制器的参数包括双馈型异步风力发电机的PI控制器参数和静止同步补偿器的PI控制器参数。

所述初始化模块包括：

生成单元，用于采用混沌算法在参数的取值范围内生成随机向量；

第一计算模块，用于计算双馈型异步风力发电机的权重因子以及双馈型异步风力发电机和静止同步补偿器之间的权重因子；

第二计算单元，用于将随机向量中的参数作为粒子，并基于所述权重因子计算粒子的适应度函数值；

确定单元，用于基于所述适应度函数值得到初始化后的参数、局部最优解和全局最优解。

所述第一计算模块按下式计算双馈型异步风力发电机的权重因子以及双馈型异步风力发电机和静止同步补偿器之间的权重因子：

式中，r₁为双馈型异步风力发电机的权重因子，r₂为双馈型异步风力发电机和静止同步补偿器之间的权重因子；U_dc.ITAE为双馈型异步风力发电机的直流母线电压，P_s.ITAE为双馈型异步风力发电机的有功功率，U_PCC.ITAE为风电场与电网之间公共连接点的电压；为正交试验时水平数i所对应的U_dc.ITAE的平均值，为正交试验时水平数i所对应的P_s.ITAE的平均值，为正交试验时水平数i所对应的U_PCC.ITAE的平均值；n为正交试验选取的水平数。

所述第二计算单元按下式计算粒子的适应度函数值：

式中，J'为粒子的适应度函数值，为双馈型异步风力发电机有功功率的绝对误差乘以时间的积分，为双馈型异步风力发电机直流母线电压的绝对误差乘以时间的积分，为风电场与电网之间公共连接点电压的绝对误差乘以时间的积分。

所述确定模块具体用于：

基于初始化后的参数，采用粒子群优化算法重新计算粒子的适应度函数值；

若粒子的当前适应度函数值小于局部最优解，则更新局部最优解以及粒子的位置和速度，否则不更新局部最优解，更新粒子的位置和速度；

若所有局部最优解组成的当前全局最优解小于历史全局最优解，则更新全局最优解以及粒子的位置和速度，否则不更新全局最优解，更新粒子的位置和速度；

判断循环次数是否达到预设的循环次数，若是则输出参数的整定结果，否则重新采用粒子群优化算法计算粒子的适应度函数值，直至循环次数达到预设的循环次数。

所述双馈型异步风力发电机的PI控制器参数包括双馈型风力发电机机组的网侧电压外环比例系数、网侧电压外环积分系数、网侧电流内环比例系数、网侧电流内环积分系数、定子有功功率外环比例系数、定子有功功率外环积分系数、转子侧电流内环比例系数和转子侧电流内环积分系数；

所述静止同步补偿器的PI控制器参数包括静止同步补偿器的电压外环比例系数、电压外环积分系数、电流内环比例系数和电流内环积分系数。

与最接近的现有技术相比，本发明提供的技术方案具有以下有益效果：

本发明提供的风电场PI控制器参数整定方法中，对每个PI控制器的参数进行正交试验，得到每个参数的取值范围；基于所述取值范围对参数进行初始化；基于初始化后的参数采用粒子群优化算法确定参数的整定结果，通过本发明得到的优化效果和PI控制器性能均较好，大大加快了迭代收敛速度，且避免陷入局部极值的情况；

本发明采用的混沌正交粒子群算法能够合理确定每个参数的寻优范围、寻优方向以及相应权重，同时提高初始值质量，有效减少迭代次数；

本发明采用的混沌正交粒子群算法在不同工况下对双馈型异步风力发电机和静止同步补偿器的PI控制器参数均有良好的优化效果，优化后在系统发生电压波动时，保证静止同步补偿器正常响应的同时，控制器的响应速度和超调明显优于使用粒子群优化算法优化，不仅对风电场与电网之间公共连接点的端电压有更好的补偿效果，同时有效提高了基于双馈型异步风力发电机的输出特性。

附图说明

图1是本发明实施例中风电场PI控制器参数整定方法流程图；

图2是本发明实施例中风电场结构图；

图3是本发明实施例中使用传统的粒子群优化算法和混沌正交粒子群算法的适应度函数值变化曲线图；

图4是本发明实施例中固定工况下分别采用混沌正交粒子群算法和传统的粒子群优化算法优化参数后双馈型异步风力发电机的有功功率波形对比图；

图5是本发明实施例中固定工况下分别采用混沌正交粒子群算法和传统的粒子群优化算法优化参数后直流母线电压的波形对比图；

图6是本发明实施例中固定工况下分别采用混沌正交粒子群算法和传统的粒子群优化算法优化参数后公共连接点电压的波形对比图；

图7是本发明实施例中固定工况下分别采用混沌正交粒子群算法和传统的粒子群优化算法优化参数后双馈型异步风力发电机有功功率的波形对比图；

图8是本发明实施例中工况变化后采用混沌正交粒子群算法和传统的粒子群优化算法对控制器参数优化后双馈型异步风力发电机的有功功率的波形对比图；

图9是本发明实施例中工况变化后采用混沌正交粒子群算法和传统的粒子群优化算法对控制器参数优化后直流母线电压的波形对比图；

图10是本发明实施例中工况变化后采用混沌正交粒子群算法和传统的粒子群优化算法对控制器参数优化后公共连接点电压的波形对比图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

实施例1

本发明实施例1提供了一种风电场PI控制器参数整定方法，风电场包括风力发电控制系统和双馈型异步风力发电机DFIG，风力发电控制系统包括静止同步补偿器STATCOM，双馈型异步风力发电机和静止同步补偿器均包括多个PI控制器，本发明实施例1的具体流程图如图1所示，方法具体过程如下：

S101：对每个PI控制器的参数进行正交试验，得到每个参数的取值范围；

S102：基于取值范围对参数进行初始化；

S103：基于初始化后的参数采用粒子群优化算法确定参数的整定结果。

上述S101中，对每个PI控制器的参数进行正交试验，具体是采用正交优选法和正交优选趋势法对每个PI控制器的参数进行正交试验。本发明实施例1中正交试验所选取的参数为12个，每个参数合理选取7个状态，即水平数为7，其所对应的12个控制器的参数取值依次为5～11，310～490，0.5～1.1，2～8，1.5～4.5，0.3～0.9，0.3～0.9,5～11，0.3～0.9,2000～2600，0.5～1.1，150～210，进行正交试验并分析实验结果，判断各水平数变化时对参数的影响，得到每个参数的取值范围。

上述S102中，基于所述取值范围对参数进行初始化，具体过程如下：

采用混沌算法在参数的取值范围内生成一个12维的随机向量，每维的数值都在0-1之间波动；并将随机向量的12个分量分到风电场的12个参数的取值范围上，同时产生这12个参数的初始位置；

计算双馈型异步风力发电机的权重因子以及双馈型异步风力发电机和静止同步补偿器之间的权重因子；

将随机向量中的参数作为粒子，并基于权重因子计算粒子的适应度函数值；

基于上述适应度函数值得到初始化后的参数、局部最优解和全局最优解，同时随机产生参数的初始速度，初始速度和初始位置用于后面粒子位置的更新。

上述双馈型异步风力发电机的权重因子以及双馈型异步风力发电机和静止同步补偿器之间的权重因子按下式计算：

式中，r₁为双馈型异步风力发电机的权重因子，r₂为双馈型异步风力发电机和静止同步补偿器之间的权重因子；U_dc.ITAE为双馈型异步风力发电机的直流母线电压，P_s.ITAE为双馈型异步风力发电机的有功功率，U_PCC.ITAE为风电场与电网之间公共连接点PCC的电压；为正交试验时水平数i所对应的U_dc.ITAE的平均值，为正交试验时水平数i所对应的P_s.ITAE的平均值，为正交试验时水平数i所对应的U_PCC.ITAE的平均值；n为正交试验选取的水平数，其中的和均通过对每个PI控制器的参数进行正交试验得到。

上述粒子的适应度函数值按下式计算：

式中，J'为粒子的适应度函数值，为双馈型异步风力发电机有功功率的ITAE指标，即绝对误差乘以时间的积分，为双馈型异步风力发电机直流母线电压的ITAE指标，即绝对误差乘以时间的积分，为风电场与电网之间公共连接点电压的ITAE指标，即绝对误差乘以时间的积分，且按下式确定：

式中，t为仿真时间，T为动态响应调节时间；上标*为理论参考值；U^* _dc.ITAE为双馈型异步风力发电机直流母线电压的理论参考值，P^* _s.ITAE为双馈型异步风力发电机有功功率的理论参考值；U^* _PCC.ITAE为风电场与电网之间公共连接点电压的理论参考值。

上述S103中，基于初始化后的参数确定参数的整定结果，包括：

基于初始化后的参数，采用粒子群优化算法重新计算粒子的适应度函数值；

若粒子的当前适应度函数值小于局部最优解，则更新局部最优解以及粒子的位置和速度，否则不更新局部最优解，更新粒子的位置和速度；

若所有局部最优解组成的当前全局最优解小于历史全局最优解，则更新全局最优解以及粒子的位置和速度，否则不更新全局最优解，更新粒子的位置和速度；

判断循环次数是否达到预设的循环次数，若是则输出全局最优解，即输出参数的整定结果，否则重新采用粒子群优化算法计算粒子的适应度函数值，直至循环次数达到预设的循环次数。

按下式更新粒子的位置和速度：

式中，v_id′为更新后的粒子速度，v_id为更新前的粒子速度；x_id′为更新后的粒子位置，x_id为更新前的粒子位置；ω为速度的惯性权重；c₁和c₂为惯性系数；p_id为局部最优解，p_gd为全局最优解；p₁和p₂为界于[0，1]之间的随机数；p为约束因子，其通常设为1。

本发明实施例中，PI控制器的参数包括双馈型异步风力发电机的PI控制器参数和静止同步补偿器的PI控制器参数。

双馈型异步风力发电机的PI控制器参数包括双馈型风力发电机机组的网侧电压外环比例系数、网侧电压外环积分系数、网侧电流内环比例系数、网侧电流内环积分系数、定子有功功率外环比例系数、定子有功功率外环积分系数、转子侧电流内环比例系数和转子侧电流内环积分系数；

静止同步补偿器的PI控制器参数包括静止同步补偿器的电压外环比例系数、电压外环积分系数、电流内环比例系数和电流内环积分系数。

本发明实施例1提供的基于混沌正交粒子群算法的风电场多PI控制器参数整定方法结合混沌算法和正交优选粒子群算法的优点，提高初始值质量的同时快速确定寻优范围和方向，有效减少迭代次数，考虑双馈型异步风力发电机有功功率、变频器直流电压，以及并网点电压偏差等多项优化指标，兼顾双馈型异步风力发电机的输出特性和静止同步补偿器对风电场的调节特性，提高风电场整体的动态性能，最后在传统的粒子群优化算法和两种不同工况下的仿真均可验证本发明实施例1提供的方法具有良好的优化效果。

实施例2

基于同一发明构思，本发明实施例2还提供一种风电场PI控制器参数整定装置，风电场包括风力发电控制系统和双馈型异步风力发电机，风力发电控制系统包括静止同步补偿器，双馈型异步风力发电机和静止同步补偿器均包括多个PI控制器，本发明实施例2提供的装置包括正交试验模块、初始化模块和确定模块，下面对上述几个模块的功能进行详细说明：

正交试验模块，用于对每个PI控制器的参数进行正交试验，得到每个参数的取值范围；

初始化模块，用于基于所述取值范围对参数进行初始化；

确定模块，用于基于初始化后的参数采用粒子群优化算法确定参数的整定结果。

上述正交试验模块对每个PI控制器的参数进行正交试验，得到每个参数的取值范围，具体过程为：

采用正交优选法和正交优选趋势法对每个PI控制器的参数进行正交试验。

上述初始化模块基于取值范围对参数进行初始化，具体过程如下：

生成单元，用于采用混沌算法在参数的取值范围内生成随机向量；

第一计算单元，用于计算双馈型异步风力发电机的权重因子以及双馈型异步风力发电机和静止同步补偿器之间的权重因子

第二计算单元，用于将随机向量中的参数作为粒子，并基于权重因子计算粒子的适应度函数值；

确定单元，用于基于所述适应度函数值得到初始化后的参数、局部最优解和全局最优解。

第一计算单元按下式计算双馈型异步风力发电机的权重因子以及双馈型异步风力发电机和静止同步补偿器之间的权重因子：

式中，r₁为双馈型异步风力发电机的权重因子，r₂为双馈型异步风力发电机和静止同步补偿器之间的权重因子；U_dc.ITAE为双馈型异步风力发电机的直流母线电压，P_s.ITAE为双馈型异步风力发电机的有功功率，U_PCC.ITAE为风电场与电网之间公共连接点的电压；为正交试验时水平数i所对应的U_dc.ITAE的平均值，为正交试验时水平数i所对应的P_s.ITAE的平均值，为正交试验时水平数i所对应的U_PCC.ITAE的平均值；n为正交试验选取的水平数。

上述第二计算单元按下式计算粒子的适应度函数值：

式中，J'为粒子的适应度函数值，为双馈型异步风力发电机有功功率的绝对误差乘以时间的积分，为双馈型异步风力发电机直流母线电压的绝对误差乘以时间的积分，为风电场与电网之间公共连接点电压的绝对误差乘以时间的积分。

上述确定模块基于初始化后的参数确定参数的整定结果，具体过程如下：

基于初始化后的参数，采用粒子群优化算法重新计算粒子的适应度函数值；

若粒子的当前适应度函数值小于局部最优解，则更新局部最优解以及粒子的位置和速度，否则不更新局部最优解，更新粒子的位置和速度；

若所有局部最优解组成的当前全局最优解小于历史全局最优解，则更新全局最优解以及粒子的位置和速度，否则不更新全局最优解，更新粒子的位置和速度；

判断循环次数是否达到预设的循环次数，若是则输出参数的整定结果，否则重新采用粒子群优化算法计算粒子的适应度函数值，直至循环次数达到预设的循环次数。

上述PI控制器的参数包括双馈型异步风力发电机的PI控制器参数和静止同步补偿器的PI控制器参数。

双馈型异步风力发电机的PI控制器参数包括双馈型风力发电机机组的网侧电压外环比例系数、网侧电压外环积分系数、网侧电流内环比例系数、网侧电流内环积分系数、定子有功功率外环比例系数、定子有功功率外环积分系数、转子侧电流内环比例系数和转子侧电流内环积分系数；

静止同步补偿器的PI控制器参数包括静止同步补偿器的电压外环比例系数、电压外环积分系数、电流内环比例系数和电流内环积分系数。

实施例3

本发明实施例3提供一种风电场PI控制器参数整定方法，风电场包括风力发电控制系统和双馈型异步风力发电机，风力发电控制系统包括静止同步补偿器，双馈型异步风力发电机和静止同步补偿器均包括多个PI控制器。风电场结构图如图2所示，图2中，U_PCC为公共连接点的电压，L为连接电抗器的等效电感，R为连接电抗器的等效电阻，STATCOM为静止同步补偿器，DFIG为双馈型异步风力发电机，GSC为网侧变换器，RSC为转子侧变换器，双馈型异步风力发电机部分包括处于相同工况下的6×1.667MW双馈型异步风力发电机。

其中每台双馈型异步风力发电机的定子电阻和转子电阻分别为0.023pu和0.016pu，定子漏感和转子漏感分别为0.18pu和0.16pu，励磁电感为2.9pu，转动惯量为0.83pu，电网频率为50Hz。静止同步补偿器直流侧电容为0.01μf，连接电抗器的等效电感为0.8mH。假设在t＝0.15s的时候风电场发生故障，风电场电压下降到0.9pu，此时风电场与电网之间的公共连接点电压产生跌落，静止同步补偿器出力参与电压调节，双馈型异步风力发电机的有功功率和直流母线电压受到影响发生波动，故障持续0.1s，在t＝0.25s时切除故障。

整个方法分为两个部分，具体如下：

一)在固定工况下采用本发明实施例3提出的混沌正交粒子群算法优化双馈型异步风力发电机以及静止同步补偿器各自的PI控制器的参数和仅采用传统的粒子群优化算法优化时，对风电场的输出特性以及风电场与电网之间的公共连接点的电压波动进行比较

利用正交优选法和正交优选趋势法对每个PI控制器的参数进行正交试验，得到权重因子r₁＝67.176和r₂＝2.387，并得到参数的取值范围[U_p，L_p]，其中上限U_p＝[60,700,10,20,10,5,3,60,0,8,2600,0,9,250]，下限L_p＝[0,100,0,0,0,0,0.1,3,0,2400,0,110]。

利用混沌运动的随机性、遍历性和规律性的特点，对这12个参数产生的大量初始群体使用混沌算法初始化，根据适应度函数值择优选取初始值再开始迭代以提高初始值的质量，有效提高了求解效率。优化过程中，使用传统的粒子群优化算法和混沌正交粒子群算法的适应度函数值变化曲线如图3所示。分析图3可知，设定最大迭代次数为20次时，与传统的粒子群优化算法相比，混沌正交粒子群算法收敛速度更快，有效提高了求解效率。

使用适应度函数得到的控制器参数的最终结果为[K_p1,K_i1,K_p2,K_i2,K_p3,K_i3,K_p4,K_i4,K_p5,K_i5,K_p6,K_i6]＝[49.67,587.09,7.68,0.43,1.37,2.36,0.57,3,0.55,2460,0.87,197]。

图4和图5分别为固定工况下，对风电场采用混沌正交粒子群算法和传统的粒子群优化算法这两种不同的算法优化参数后，双馈型异步风力发电机的有功功率和直流母线电压的波形对比。分析图4和图5可知，与传统的粒子群优化算法相比，采用混沌正交粒子群算法优化静止同步补偿器和双馈型异步风力发电机的PI控制器参数，能够改善和提高双馈型异步风力发电机的输出特性，在发生电压下降到0.9pu的扰动时，双馈型异步风力发电机定子有功功率和直流母线电压的超调降低，波动略有减弱。验证了混沌正交粒子群算法能有效增强系统的抗扰动性，提升其动态性能。

图6为固定工况下，使用混沌正交粒子群算法和传统的粒子群优化算法这两种不同的算法优化后公共连接点电压的波形对比，图7为固定工况下，使用混沌正交粒子群算法和传统的粒子群优化算法这两种不同的算法优化后双馈型异步风力发电机有功功率的波形对比图。从图6和图7可以看出，采用混沌正交粒子群算法和传统的粒子群优化算法，静止同步补偿器均能正常响应，在故障期间快速地提供无功支撑。但采用混沌正交粒子群算法优化参数时，PI控制器的响应速度和超调明显优于传统的粒子群优化算法，对公共连接点的电压有更好的补偿效果，表明使用混沌正交粒子群算法优化参数后的风电场动态性能更好。

二、在工况发生变动的情况下，采用本发明实施例3提出的混沌正交粒子群算法优化双馈型异步风力发电机以及静止同步补偿器各自的PI控制器参数和仅采用传统粒子群优化算法优化时，对风电场的输出特性以及公共连接点的电压波动进行比较

在实际情况中，各种不确定的自然因素或人为因素可能导致系统固定的等效电气参数发生变化，从而影响控制器的性能。为了验证本发明实施例3提供混沌正交粒子群算法具有较好的参数协调性能和适应性，将给定的电气参数静止同步补偿器连接电抗器的等效电感0.8mH改为1.6mH。其余仿真条件与固定工况下完全相同。图8-10为工况变化后采用混沌正交粒子群算法和传统的粒子群优化算法对控制器参数优化后，双馈型异步风力发电机的有功功率、直流母线电压的波形和公共连接点电压的波形对比。

分析图8-10可以看出，当静止同步补偿器工况发生变化后，采用传统的粒子群优化算法优化控制器参数时，优化效果不好，公共连接点电压波动较大，风电场输出超调变大，响应时间长。采用混沌正交粒子群算法能够降低公共连接点电压的超调，缩短调节时间，有效减弱双馈型异步风力发电机有功功率和直流侧电压的波动，提高系统的抗扰动性，维持风电场良好的动态性能。

为了描述的方便，以上所述装置的各部分以功能分为各种模块或单元分别描述。当然，在实施本申请时可以把各模块或单元的功能在同一个或多个软件或硬件中实现。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

Claims (14)

1.一种风电场PI控制器参数整定方法，其特征在于，包括：

对风电场每个PI控制器的参数进行正交试验，得到每个参数的取值范围；

基于所述取值范围对参数进行初始化；

基于初始化后的参数采用粒子群优化算法确定参数的整定结果。

2.根据权利要求1所述的风电场PI控制器参数整定方法，其特征在于，所述对风电场每个PI控制器的参数进行正交试验，包括：

采用正交优选法和正交优选趋势法对每个PI控制器的参数进行正交试验；

所述PI控制器的参数包括双馈型异步风力发电机的PI控制器参数和静止同步补偿器的PI控制器参数。

3.根据权利要求2所述的风电场PI控制器参数整定方法，其特征在于，所述基于所述取值范围对参数进行初始化，包括：

采用混沌算法在参数的取值范围内生成随机向量；

计算双馈型异步风力发电机的权重因子以及双馈型异步风力发电机和静止同步补偿器之间的权重因子；

将随机向量中的参数作为粒子，并基于所述权重因子计算粒子的适应度函数值；

基于所述适应度函数值得到初始化后的参数、局部最优解和全局最优解。

4.根据权利要求3所述的风电场PI控制器参数整定方法，其特征在于，所述双馈型异步风力发电机的权重因子以及双馈型异步风力发电机和静止同步补偿器之间的权重因子按下式计算：

式中，r₁为双馈型异步风力发电机的权重因子，r₂为双馈型异步风力发电机和静止同步补偿器之间的权重因子；U_dc.ITAE为双馈型异步风力发电机的直流母线电压，P_s.ITAE为双馈型异步风力发电机的有功功率，U_PCC.ITAE为风电场与电网之间公共连接点的电压；为正交试验时水平数i所对应的U_dc.ITAE的平均值，为正交试验时水平数i所对应的P_s.ITAE的平均值，为正交试验时水平数i所对应的U_PCC.ITAE的平均值；n为正交试验选取的水平数。

5.根据权利要求4所述的风电场PI控制器参数整定方法，其特征在于，所述粒子的适应度函数值按下式计算：

式中，J'为粒子的适应度函数值，为双馈型异步风力发电机有功功率的绝对误差乘以时间的积分，为双馈型异步风力发电机直流母线电压的绝对误差乘以时间的积分，为风电场与电网之间公共连接点电压的绝对误差乘以时间的积分。

6.根据权利要求3所述的风电场PI控制器参数整定方法，其特征在于，所述基于初始化后的参数采用粒子群优化算法确定参数的整定结果，包括：

基于初始化后的参数，采用粒子群优化算法重新计算粒子的适应度函数值；

若粒子的当前适应度函数值小于局部最优解，则更新局部最优解以及粒子的位置和速度，否则不更新局部最优解，更新粒子的位置和速度；

若所有局部最优解组成的当前全局最优解小于历史全局最优解，则更新全局最优解以及粒子的位置和速度，否则不更新全局最优解，更新粒子的位置和速度；

判断循环次数是否达到预设的循环次数，若是则输出参数的整定结果，否则重新采用粒子群优化算法计算粒子的适应度函数值，直至循环次数达到预设的循环次数。

7.根据权利要求2所述的风电场PI控制器参数整定方法，其特征在于，所述双馈型异步风力发电机的PI控制器参数包括双馈型风力发电机机组的网侧电压外环比例系数、网侧电压外环积分系数、网侧电流内环比例系数、网侧电流内环积分系数、定子有功功率外环比例系数、定子有功功率外环积分系数、转子侧电流内环比例系数和转子侧电流内环积分系数；

所述静止同步补偿器的PI控制器参数包括静止同步补偿器的电压外环比例系数、电压外环积分系数、电流内环比例系数和电流内环积分系数。

8.一种风电场PI控制器参数整定装置，其特征在于，包括：

正交试验模块，用于对风电场每个PI控制器的参数进行正交试验，得到每个参数的取值范围；

初始化模块，用于基于所述取值范围对参数进行初始化；

确定模块，用于基于初始化后的参数确定参数的整定结果。

9.根据权利要求8所述的风电场PI控制器参数整定装置，其特征在于，所述正交试验模块具体用于：

采用正交优选法和正交优选趋势法对每个PI控制器的参数进行正交试验。

10.所述PI控制器的参数包括双馈型异步风力发电机的PI控制器参数和静止同步补偿器的PI控制器参数。根据权利要求8所述的风电场PI控制器参数整定装置，其特征在于，所述初始化模块包括：

生成单元，用于采用混沌算法在参数的取值范围内生成随机向量；

第一计算模块，用于计算双馈型异步风力发电机的权重因子以及双馈型异步风力发电机和静止同步补偿器之间的权重因子；

第二计算单元，用于将随机向量中的参数作为粒子，并基于所述权重因子计算粒子的适应度函数值；

确定单元，用于基于所述适应度函数值得到初始化后的参数、局部最优解和全局最优解。

11.根据权利要求10所述的风电场PI控制器参数整定装置，其特征在于，所述第一计算单元按下式计算双馈型异步风力发电机的权重因子以及双馈型异步风力发电机和静止同步补偿器之间的权重因子：

式中，r₁为双馈型异步风力发电机的权重因子，r₂为双馈型异步风力发电机和静止同步补偿器之间的权重因子；U_dc.ITAE为双馈型异步风力发电机的直流母线电压，P_s.ITAE为双馈型异步风力发电机的有功功率，U_PCC.ITAE为风电场与电网之间公共连接点的电压；为正交试验时水平数i所对应的U_dc.ITAE的平均值，为正交试验时水平数i所对应的P_s.ITAE的平均值，为正交试验时水平数i所对应的U_PCC.ITAE的平均值；n为正交试验选取的水平数。

12.根据权利要求11所述的风电场PI控制器参数整定装置，其特征在于，所述第二计算单元按下式计算粒子的适应度函数值：

式中，J'为粒子的适应度函数值，为双馈型异步风力发电机有功功率的绝对误差乘以时间的积分，为双馈型异步风力发电机直流母线电压的绝对误差乘以时间的积分，为风电场与电网之间公共连接点电压的绝对误差乘以时间的积分。

13.根据权利要求10所述的风电场PI控制器参数整定装置，其特征在于，所述确定模块具体用于：

基于初始化后的参数，采用粒子群优化算法重新计算粒子的适应度函数值；

若粒子的当前适应度函数值小于局部最优解，则更新局部最优解以及粒子的位置和速度，否则不更新局部最优解，更新粒子的位置和速度；

若所有局部最优解组成的当前全局最优解小于历史全局最优解，则更新全局最优解以及粒子的位置和速度，否则不更新全局最优解，更新粒子的位置和速度；

判断循环次数是否达到预设的循环次数，若是则输出参数的整定结果，否则重新采用粒子群优化算法计算粒子的适应度函数值，直至循环次数达到预设的循环次数。

14.根据权利要求9所述的风电场PI控制器参数整定装置，其特征在于，所述双馈型异步风力发电机的PI控制器参数包括双馈型风力发电机机组的网侧电压外环比例系数、网侧电压外环积分系数、网侧电流内环比例系数、网侧电流内环积分系数、定子有功功率外环比例系数、定子有功功率外环积分系数、转子侧电流内环比例系数和转子侧电流内环积分系数；

所述静止同步补偿器的PI控制器参数包括静止同步补偿器的电压外环比例系数、电压外环积分系数、电流内环比例系数和电流内环积分系数。