CN110890768A - 一种低压交流微电网孤岛模式下的功率分配方法 - Google Patents

Abstract

一种低压交流微电网的功率分配方法，该方法基于传统的下垂控制，建立含有多个分布式电源并联的微电网结构，通过引入改进的粒子群算法，动态地调节下垂控制器中的下垂系数，实现对传统下垂控制的实时优化，进而使得微网中各分布式电源能够按照自身容量合理输出有功和无功功率，可以有效地提高有功和无功的分配精度，同时在不同工作工况下，保持电压和频率的稳定，有效地提高微电网的动态性能和暂态稳定性，具有科学合理，适用性强，控制准确等优点。

Description

一种低压交流微电网孤岛模式下的功率分配方法

技术领域

本发明涉及低压交流微电网技术领域，特别是涉及一种低压交流微电网在孤岛模式下的功率分配方法。

背景技术

在用电侧需求接近的情况下，分布式发电相比集中式发电具有传输损耗小，能源利用率高等优点。微电网是由分布式电源、用电负荷、配电设施、监控和保护装置等组成的小型发配用电系统，是发挥分布式发电效率的有效途径，具有重要的社会和经济意义。

微电网按结构可分为直流微电网、交流微电网和交直流混合微电网，具有孤岛和并网两种运行模式。微电网的控制方式分为主从控制和对等控制。与主从控制相比，由于模拟了同步发电机并网的外特性，对等控制模式中的下垂控制策略可以自动参与输出功率的分配，易于实现分布式电源的即插即用。

但是，由于线路阻抗和本地负荷的存在，每个分布式电源的本地信息(电压、功率)并不是处处相等，产生了下垂控制策略产生功率分配精度下降、母线电压跌落等一系列问题。因此，在微电网的研究中，必须对传统下垂控制进行改进，使得各个分布式电源的输出功率能够得到有效调节。

发明内容

本发明针对下垂控制策略产生功率分配精度下降、母线电压跌落等一系列问题，在面向低压交流微电网，在多个分布式电源并联的拓扑结构下，提出了一种孤岛微电网功率分配方法，通过引入改进的粒子群算法，在动态地调节下，垂控制器中的下垂系数，实现对传统下垂控制的实时优化，进而使得微网中各分布式电源能够按照自身容量合理输出有功和无功功率，同时维持了母线电压和系统频率的稳定，实现了含有多分布式电源并联的低压微电网孤岛模式下功率的均衡分配。

实现本发明的技术方案是：一种低压交流微电网孤岛模式下的功率分配方法，其特征是，按照容量均衡分配各分布式电源输出功率，同时维持母线电压和频率的稳定，它包括的内容有：

1)微电网模型与通信机制的建立：

建立的微电网模型与相应的通信机制包括：微电网基本控制模块、微电网改进下垂控制模块以及微电网系统通信模块，所述微电网基本控制模块包括直流电压源、三相电压源型逆变器、LC滤波器、线路电阻、电感、PCC母线和下垂控制模块，其中共有i个DG单元通过LC滤波器集成到微电网中，对于每个DG单元，后台电源由新能源发电或能量存储系统提供，设置一个具有固定直流电压的电压源通过逆变器连接至交流微网，公共连接点(Pointof common coupling，PCC)上连接有交流负载，并可通过断开断静态转换开关(STS)，切换孤岛和并网模式，为了能体现系统功率分配效果并尽可能简化系统，采用双DG并联运行的微电网结构，定义每个DG输出的有功和无功功率分别为P_i、Q_i；

每个DG输出的有功功率为：

每个DG输出的无功功率为：

其中：U_i为第i个DG输出电压的幅值；U_PCC为母线电压的幅值；δ_i为第i个DG输出电压和PCC电压相位之间的相位差，X_i为第i条支路的线路电感；

根据式(1)和(2)，有功功率P主要取决于电压相位差，无功功率Q主要取决于电压幅值，因此，DGi的下垂特性方程为：

f_i＝f^*-k_PP_i (3)

U_i＝U^*-k_QQ_i (4)

式中，f_i为第i个DG输出电压的频率，f^*为微网系统的参考频率，U_i为第i个DG输出电压的幅值，U^*为微网系统的参考电压，k_P为微网下垂控制中的频率下垂系数，k_Q为微网下垂控制中的电压下垂系数，P_i、Q_i分别为DGi输出的有功和无功功率；

微电网改进下垂控制模块用于生成下垂系数，中央控制器将信息输入到本地逆变器后，本地控制器中的偏差计算模块会生成每个变量的偏差值，并将其直接输入到IPSO模块中；然后，IPSO进入新的优化周期并分析控制变量的偏差信息，使用FIS调整算法参数后，计算相应的适应度函数，更新粒子以完成第一个循环，并根据判断条件确定下一次更新；最后，将获得的二维极值k_P和k_Q实时输入到下垂控制模块中，并更新原始下垂系数；

微电网系统通信模块用于不同DG之间传输全局和局部信息、以及IPSO模块和下垂控制模块可实现不同信息之间的实时交互，为了简化控制器的结构，减少计算量，提高控制效率，利用中央控制器接收局部信息，包括每个DG单元的瞬时功率，电压信息，并定期发送，将其输入到本地逆变器后，本地控制器中的偏差计算模块会生成每个变量的偏差值，并将其直接输入到IPSO模块中，在IPSO更新间隔期间，信号参考值保持恒定，当本地控制器接收到更新后的中央控制器发送的信号偏差时，为新一轮的优化过程的开始，中央控制器继续计算功率参考，并定期发送该值，当通信信号由于干扰而丢失时，如果负载需求不变，则功率分配将保持不变，一旦负载发生变化，它将导致微电网中的参考电压和功率发生偏差，由下垂控制进行电压补偿；

2)基于改进粒子群算法的功率分配方法的建立：

为提高PSO的搜索速度和准确性，通过模糊推理系统(Fuzzy inference system，FIS)动态调整学习因子c₁、c₂和惯性权重ω来改进基本PSO，通过计算算法的性能指标，粒子的多样性，粒子寻优误差以及迭代次数作为调整算法参数的基础，所述动态调整学习因子c₁、c₂和惯性权重ω在算法每次迭代中都会动态变化，进而提高算法的寻优精度和收敛速度，有利于实现下垂控制对功率的精准调节，

为了测量算法的迭代次数，将当前迭代次数与每个粒子的最大迭代次数之比作为迭代系数，定义为Iteration；该值在0到1之间，当算法最初运行时，Iteration接近0；迭代次数增加，Iteration增加并逐渐接近1，计算公式为：

其中，CurrentIteration为粒子当前迭代次数，Maximum ofIteration为粒子迭代总数；

粒子的多样性定义为Diversity，该值体现了粒子的分散程度，当粒子彼此靠近时，Diversity较小，而当颗粒分离时，Diversity较大，因此Diversity是每个粒子与最佳粒子之间的欧几里得距离的平均值，计算公式为：

其中，Diversity为粒子的相似度，n_s为粒子总数，x_ij(t)为第j维第i个粒子的位置，

为第j维粒子的平均值；

算法的误差系数定义为Error，它是通过每个粒子与最佳粒子的适应度差的平均值来测量的，当算法的收敛效果较好时，粒子逼近全局最优解，Error较大，反之，Error较小，计算公式为：

其中，F(x_i)为粒子x_i的适应度，n_s为粒子总数；

在设计模糊系统时，将式(5)、式(6)、式(7)得到的三个测量值视为模糊系统的输入，由于模糊系统的输入具有从0到1(0％到100％)的值的定义范围，因此需要对分集和误差进行归一化以满足定义的范围，式(8)和(9)分别显示了如何对Diversity和Error进行归一化，

式(8)显示了Diversity归一化过程，第一个条件是最大欧几里得距离等于最小欧几里得距离，这意味着粒子恰好在同一位置，粒子的多样性为0，第二个条件处理具有不同欧几里得距离的情况；

式(9)显示了Error的归一化过程，其中，F为算法的适应度函数，F_min和F_max分别为算法的最大和最小适应度，第一个条件表明，当最小适应度等于最大适应度时，由于粒子彼此靠近，因此Error将为1，第二个条件是应对适用性不同的情况；

该系统具有3输入、3输出和27条规则，输入为迭代系数Iteration，粒子相似度Diversity_n和误差系数Error_n，输出为粒子群算法的学习因子c₁、c₂和惯性权重ω，采用Mamdani型系统，三角隶属度函数，根据输入输出量的论域设置，通过设计模糊系统隶属度函数和表模糊逻辑规则构建模糊规则系统，

利用模糊推理系统对粒子群算法优化之后，需要将改进的粒子群算法应用至下垂控制中，考虑到有功功率和无功功率的比例分配，母线电压波动和频率振荡，IPSO的适应度函数，由于DG的输出功率与下垂系数成反比，因此该算法可用于适当地调整下垂系数，以便根据DG容量合理分配功率，

IPSO算法的适应度函数为：

F_i＝ΔP_i+ΔQ_i+ΔU_i+Δf_i (10)

其中，ΔP_i和ΔQ_i分别为第i个DG的输出有功和无功功率的偏差、ΔU_i为第i个DG输出电压的偏差，Δf_i为第i个DG的频率偏差，DGi计算公式的功率偏差为：

其中，P_i和Q_i分别是DGi的有功功率和无功功率，P_i ^*和Q_i ^*分别是DGi的参考有功功率和无功功率，计算公式为：

其中c_i和c_total分别是DGi的容量和系统的总容量；

电压偏差的计算公式为：

其中U_i是DGi的输出电压，U^*是系统的额定电压；

频率偏差计算公式为：

其中，f_i是DGi的输出电压频率，f^*是50Hz的额定频率；

该算法的粒子大小设置为二维，分别表示每个下垂控制器中的有功和无功下垂系数，粒子群算法寻优完成后，将寻优结果输入下垂控制器，以起到优化下垂控制的效果；

3)功率分配方法运行流程：

①输入微电网的线路参数以及各变量状态信息；

②PSO初始化，进入一个新的更新周期；

③选择初始粒子，更新粒子的初始位置和速度；

④根据式(14)～(18)，计算粒子群算法中的参数Iteration，Diversity_n和Error_n，并作为模糊推理系统的输入；

⑤利用模糊推理系统更新算法中的惯性权重ω、学习因子c₁和c₂；

⑥算法获得系统的偏差信号，即通过通信系统传输并经过偏差计算模块计算得到的ΔP、ΔQ、ΔU、Δf，并作为粒子群算法的适应度函数；

⑦更新粒子的全局最优和局部最优；

⑧判断所有粒子是否全部更新完成：若是，输出寻优结果至下垂控制，实现对下垂控制的优化；若否，返回第④步，进行下一轮寻优。

本发明一种低压交流微电网在孤岛模式下的功率分配方法的有益技术效果体现在：

1、一种低压交流微电网在孤岛模式下的功率分配方法，能够使含有多个分布式电源并联的低压交流微电网，在孤岛模式下，根据电源自身容量均衡控制各电源的出力，同时维持电压和频率的稳定；

2、在一种低压交流微电网在孤岛模式下的功率分配方法中，提出的改进的下垂控制方法，可以有效地提高有功和无功的分配精度，同时在不同工作工况下，保持电压和频率的稳定，有效地提高微电网的动态性能和暂态稳定性，具有科学合理，适用性强，控制准确等优点。

附图说明

图1是含有多个分布式电源并联的孤岛微电网及其通信机制结构图；

图2是模糊规则系统中迭代系数Iteration的隶属度函数；

图3是模糊规则系统中粒子相似度Diversity_n的隶属度函数；

图4是模糊规则系统中误差系数Error_n的隶属度函数；

图5是模糊规则系统中学习因子c₁的隶属度函数；

图6是模糊规则系统中学习因子c₂的隶属度函数；

图7是模糊规则系统中惯性权重ω的隶属度函数；

图8是微电网功率分配方法的流程图；

图中：1.微电网基本控制模块，2.微电网改进下垂控制模块；3.微电网系统通信模块。

具体实施方式

以下结合图1至图8和具体实施例对本发明作进一步详细说明，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

一种低压交流微电网的功率分配控制方法，包括的内容有：

1)微电网模型与通信机制的建立：

如附图1所示，建立的微电网模型与相应的通信机制，其中包括：微电网基本控制模块、微电网改进下垂控制模块以及微电网系统通信模块。

所述微电网基本控制模块包括直流电压源、三相电压源型逆变器、LC滤波器、线路电阻和电感、PCC母线和下垂控制模块，其中共有i个DG单元通过LC滤波器集成到微电网中，对于每个DG单元，后台电源由新能源发电或能量存储系统提供，设置一个具有固定直流电压的电压源通过逆变器连接至交流微网，公共连接点(Point ofcommon coupling，PCC)上连接有交流负载，并可通过断开断静态转换开关(STS)，切换孤岛和并网模式，为了能体现系统功率分配效果并尽可能简化系统，采用双DG并联运行的微电网结构，定义每个DG输出的有功和无功功率分别为P_i、Q_i；

因此，每个DG输出的有功功率为：

每个DG输出的无功功率为：

其中，U_i为DGi的出口电压，U_PCC为母线电压，X_i为第i条支路的线路电感，δ_i为DGi出口电压与母线电压之间的相角；

根据式(1)和(2)，有功功率P主要取决于电压相位差，无功功率Q主要取决于电压幅值。因此，DGi的下垂特性方程为：

f_i＝f^*-k_PP_i (3)

U_i＝U^*-k_QQ_i (4)

式中，f_i为第i个DG输出电压的频率，f^*为微网系统的参考频率，U^*为微网系统的参考电压，k_P为微网下垂控制中的频率下垂系数，k_Q为微网下垂控制中的电压下垂系数，P_i、Q_i为DGi输出的有功和无功功率。

微电网改进下垂控制模块用于生成下垂系数，中央控制器将信息输入到本地逆变器后，本地控制器中的偏差计算模块会生成每个变量的偏差值，并将其直接输入到IPSO模块中；然后，IPSO进入新的优化周期并分析控制变量的偏差信息，使用FIS调整算法参数后，计算相应的适应度函数，更新粒子以完成第一个循环，并根据判断条件确定下一次更新；最后，将获得的二维极值k_P和k_Q实时输入到下垂控制模块中，并更新原始下垂系数。

微电网系统通信模块用于不同DG之间传输全局和局部信息，以及IPSO模块和下垂控制模块可实现不同信息之间的实时交互，为了简化控制器的结构，减少计算量，提高控制效率，利用中央控制器接收局部信息，包括每个DG单元的瞬时功率，电压信息，并定期发送，将其输入到本地逆变器后，本地控制器中的偏差计算模块会生成每个变量的偏差值，并将其直接输入到IPSO模块中，在IPSO更新间隔期间，信号参考值保持恒定，当本地控制器接收到更新后的中央控制器发送的信号偏差时，为新一轮的优化过程的开始，中央控制器继续计算功率参考，并定期发送该值，当通信信号由于干扰而丢失时，如果负载需求不变，则功率分配将保持不变，一旦负载发生变化，它将导致微电网中的参考电压和功率发生偏差，由下垂控制进行电压补偿。

2)基于改进粒子群算法的功率分配方法的建立：

为提高PSO的搜索速度和准确性，通过模糊推理系统(Fuzzy inference system，FIS)动态调整学习因子c₁、c₂和惯性权重ω来改进基本PSO，通过计算算法的性能指标，粒子的多样性，粒子寻优误差以及迭代次数作为调整算法参数的基础，所述动态调整学习因子c₁、c₂和惯性权重ω在算法每次迭代中都会动态变化，进而提高算法的寻优精度和收敛速度，有利于实现下垂控制对功率的精准调节。

为了测量算法的迭代次数，将当前迭代次数与每个粒子的最大迭代次数之比作为迭代系数，定义为Iteration，该值在0到1之间，当算法最初运行时，Iteration接近0；迭代次数增加，Iteration增加并逐渐接近1，计算公式为：

其中，CurrentIteration为粒子当前迭代次数，Maximum ofIteration为粒子迭代总数。

粒子的多样性定义为Diversity，该值体现了粒子的分散程度，当粒子彼此靠近时，Diversity较小，而当颗粒分离时，Diversity较大，因此Diversity是每个粒子与最佳粒子之间的欧几里得距离的平均值，计算公式为：

其中，Diversity为粒子的相似度，n_s为粒子总数，x_ij(t)为第j维第i个粒子的位置，

为第j维粒子的平均值。

算法的误差系数定义为Error，它是通过每个粒子与最佳粒子的适应度差的平均值来测量的，当算法的收敛效果较好时，粒子逼近全局最优解，Error较大，反之，Error较小，计算公式为：

其中，F(x_i)为粒子x_i的适应度，n_s为粒子总数。

在设计模糊系统时，将式(5)、式(6)、式(7)得到的三个测量值视为模糊系统的输入，由于模糊系统的输入具有从0到1(0％到100％)的值的定义范围，因此需要对分集和误差进行归一化以满足定义的范围，式(8)和(9)分别显示了如何对Diversity和Error进行归一化，

式(8)显示了Diversity归一化过程，第一个条件是最大欧几里得距离等于最小欧几里得距离，这意味着粒子恰好在同一位置，粒子的多样性为0，第二个条件处理具有不同欧几里得距离的情况；

式(9)显示了Error的归一化过程，其中，F为算法的适应度函数，F_min和F_max分别为算法的最大和最小适应度，第一个条件表明，当最小适应度等于最大适应度时，由于粒子彼此靠近，因此Error将为1，第二个条件是应对适用性不同的情况；

该系统具有3输入、3输出和27条规则，输入为迭代系数Iteration，粒子相似度Diversity_n和误差系数Error_n，输出为粒子群算法的学习因子c₁、c₂和惯性权重ω，采用Mamdani型系统，三角隶属度函数，结合输入输出量的论域设置，根据附图2、附图3和附图4中的隶属度函数所示，将三个模糊规则系统的输入量迭代系数Iteration，粒子相似度Diversity_n和误差系数Error_n设置为3条规则的三角隶属度，并将其论域设置为[0,1]，根据附图5、附图6中的隶属度函数所示，将模糊推理系统的两个输出量学习因子c₁、c₂设置为5条规则的三角隶属度，并将论域设置为[0.5,2.5]，根据图7中的隶属度函数所示，将模糊推理系统的输出量惯性权重ω设置为5条规则的三角隶属度，并将论域设置为[0.4,1.0]，进而设计得到表1所示的模糊逻辑规则。

表1(模糊逻辑规则)

利用模糊推理系统对粒子群算法优化之后，需要将改进的粒子群算法应用至下垂控制中，考虑到有功功率和无功功率的比例分配，母线电压波动和频率振荡，设计了上述IPSO的适应度函数，由于DG的输出功率与下垂系数成反比，因此该算法可用于适当地调整下垂系数，以便根据DG容量合理分配功率。

IPSO算法的适应度函数为：

F_i＝ΔP_i+ΔQ_i+ΔU_i+Δf_i (10)

其中，ΔP_i和ΔQ_i分别为第i个DG的输出有功和无功功率的偏差、ΔU_i为第i个DG输出电压的偏差，Δf_i为第i个DG的频率偏差，DGi计算公式的功率偏差为：

其中，P_i和Q_i分别是DGi的有功功率和无功功率，P_i ^*和Q_i ^*分别是DGi的参考有功功率和无功功率，计算公式为：

其中c_i和c_total分别是DGi的容量和系统的总容量；

电压偏差的计算公式为：

其中U_i是DGi的输出电压，U^*是系统的额定电压；

频率偏差计算公式为：

其中，f_i是DGi的输出电压频率，f^*是50Hz的额定频率，该算法的粒子大小设置为二维，分别表示每个下垂控制器中的有功和无功下垂系数，粒子群算法寻优完成后，将寻优结果输入下垂控制器，以起到优化下垂控制的效果。

3)功率分配方法运行流程：

孤岛微电网的功率分配方法的流程如附图8所示，分为以下8个步骤：

①输入微电网的线路参数以及各变量状态信息；

②PSO初始化，进入一个新的更新周期；

③选择初始粒子，更新粒子的初始位置和速度；

④根据式(14)～(18)，计算粒子群算法中的参数Iteration，Diversity_n和Error_n，并作为模糊推理系统的输入；

⑤利用模糊推理系统更新算法中的惯性权重ω、学习因子c₁和c₂；

⑥算法获得系统的偏差信号，即通过通信系统传输并经过偏差计算模块计算得到的ΔP、ΔQ、ΔU、Δf，并作为粒子群算法的适应度函数；

⑦更新粒子的全局最优和局部最优；

⑧判断所有粒子是否全部更新完成：若是，输出寻优结果至下垂控制，实现对下垂控制的优化；若否，返回第④步，进行下一轮寻优。

实施例：

附图1是功率分配方法的原理图，该控制系统由直流电压源，三相电压源型逆变器，LC滤波器，电感，PCC母线和下垂控制模块组成。针对传统下垂控制中由线路参数不平衡以及本地负荷引起的功率分配精度较低，电压偏差大的问题，将上面提出的IPSO算法应用于下垂控制器。其中，微电网中并联多个DG，下垂控制器为逆变器提供控制信号。使用这种控制方法，IPSO模块和下垂控制模块可实现不同信息之间的实时交互，由于改进的下垂控制结构需要在不同DG之间传输全局和局部信息，因此有必要建立相应的通信机制。

为了简化控制器的结构，减少计算量，提高控制效率，该方法利用中央控制器接收局部信息，包括每个DG单元的瞬时功率，电压等信息，并定期发送。将其输入到本地逆变器后，本地控制器中的偏差计算模块会生成每个变量的偏差值，并将其直接输入到IPSO模块中；然后，IPSO进入新的优化周期并分析控制变量的偏差信息，使用FIS调整算法参数，根据附图2、附图3和附图4中所示的模糊系统的输入隶属度函数，以及附图5、附图6和附图7中的输出隶属度函数，构建相应的模糊逻辑，实现对算法参数的动态调整，进而计算相应的适应度函数，更新粒子以完成第一个循环，并根据判断条件确定下一次更新；最后，将获得的二维极值k_P和k_Q实时输入到下垂控制模块中，并更新原始下垂系数，在更新间隔期间，信号参考值保持恒定。

当本地控制器接收到更新后的中央控制器发送的信号偏差时，这意味着新一轮的优化过程已经开始。中央控制器继续计算功率参考，并定期发送该值。当通信信号由于干扰而丢失时，如果负载需求不变，则功率分配将保持不变。一旦负载发生变化，它将导致微电网中的参考电压和功率发生偏差，由于改进的下垂控制和已经产生的电压补偿，偏移值小于传统的下垂控制器。

附图8详细描述了孤岛微电网的功率分配方法的流程。

以上所述仅是本发明的优选实施例，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应该视为本发明的保护范围。

Claims (1)

1.一种低压交流微电网孤岛模式下的功率分配方法，其特征是，按照容量均衡分配各分布式电源输出功率，同时维持母线电压和频率的稳定，它包括的内容有：

1)微电网模型与通信机制的建立：

建立的微电网模型与相应的通信机制包括：微电网基本控制模块、微电网改进下垂控制模块以及微电网系统通信模块，所述微电网基本控制模块包括直流电压源、三相电压源型逆变器、LC滤波器、线路电阻、电感、PCC母线和下垂控制模块，其中共有i个DG单元通过LC滤波器集成到微电网中，对于每个DG单元，后台电源由新能源发电或能量存储系统提供，设置一个具有固定直流电压的电压源通过逆变器连接至交流微网，公共连接点(Point ofcommon coupling，PCC)上连接有交流负载，并可通过断开断静态转换开关(STS)，切换孤岛和并网模式，为了能体现系统功率分配效果并尽可能简化系统，采用双DG并联运行的微电网结构，定义每个DG输出的有功和无功功率分别为P_i、Q_i；

每个DG输出的有功功率为：

每个DG输出的无功功率为：

其中：U_i为第i个DG输出电压的幅值；U_PCC为母线电压的幅值；δ_i为第i个DG输出电压和PCC电压相位之间的相位差，X_i为第i条支路的线路电感；

根据式(1)和(2)，有功功率P主要取决于电压相位差，无功功率Q主要取决于电压幅值，因此，DGi的下垂特性方程为：

f_i＝f^*-k_PP_i (3)

U_i＝U^*-k_QQ_i (4)

式中，f_i为第i个DG输出电压的频率，f^*为微网系统的参考频率，U_i为第i个DG输出电压的幅值，U^*为微网系统的参考电压，k_P为微网下垂控制中的频率下垂系数，k_Q为微网下垂控制中的电压下垂系数，P_i、Q_i分别为DGi输出的有功和无功功率；

微电网改进下垂控制模块用于生成下垂系数，中央控制器将信息输入到本地逆变器后，本地控制器中的偏差计算模块会生成每个变量的偏差值，并将其直接输入到IPSO模块中；然后，IPSO进入新的优化周期并分析控制变量的偏差信息，使用FIS调整算法参数后，计算相应的适应度函数，更新粒子以完成第一个循环，并根据判断条件确定下一次更新；最后，将获得的二维极值k_P和k_Q实时输入到下垂控制模块中，并更新原始下垂系数；

微电网系统通信模块用于不同DG之间传输全局和局部信息、以及IPSO模块和下垂控制模块可实现不同信息之间的实时交互，为了简化控制器的结构，减少计算量，提高控制效率，利用中央控制器接收局部信息，包括每个DG单元的瞬时功率，电压信息，并定期发送，将其输入到本地逆变器后，本地控制器中的偏差计算模块会生成每个变量的偏差值，并将其直接输入到IPSO模块中，在IPSO更新间隔期间，信号参考值保持恒定，当本地控制器接收到更新后的中央控制器发送的信号偏差时，为新一轮的优化过程的开始，中央控制器继续计算功率参考，并定期发送该值，当通信信号由于干扰而丢失时，如果负载需求不变，则功率分配将保持不变，一旦负载发生变化，它将导致微电网中的参考电压和功率发生偏差，由下垂控制进行电压补偿；

2)基于改进粒子群算法的功率分配方法的建立：

为提高PSO的搜索速度和准确性，通过模糊推理系统(Fuzzy inference system，FIS)动态调整学习因子c₁、c₂和惯性权重ω来改进基本PSO，通过计算算法的性能指标，粒子的多样性，粒子寻优误差以及迭代次数作为调整算法参数的基础，所述动态调整学习因子c₁、c₂和惯性权重ω在算法每次迭代中都会动态变化，进而提高算法的寻优精度和收敛速度，有利于实现下垂控制对功率的精准调节，

为了测量算法的迭代次数，将当前迭代次数与每个粒子的最大迭代次数之比作为迭代系数，定义为Iteration；该值在0到1之间，当算法最初运行时，Iteration接近0；迭代次数增加，Iteration增加并逐渐接近1，计算公式为：

其中，Current Iteration为粒子当前迭代次数，Maximum of Iteration为粒子迭代总数；

粒子的多样性定义为Diversity，该值体现了粒子的分散程度，当粒子彼此靠近时，Diversity较小，而当颗粒分离时，Diversity较大，因此Diversity是每个粒子与最佳粒子之间的欧几里得距离的平均值，计算公式为：

其中，Diversity为粒子的相似度，n_s为粒子总数，x_ij(t)为第j维第i个粒子的位置，

为第j维粒子的平均值；

算法的误差系数定义为Error，它是通过每个粒子与最佳粒子的适应度差的平均值来测量的，当算法的收敛效果较好时，粒子逼近全局最优解，Error较大，反之，Error较小，计算公式为：

其中，F(x_i)为粒子x_i的适应度，n_s为粒子总数；

在设计模糊系统时，将式(5)、式(6)、式(7)得到的三个测量值视为模糊系统的输入，由于模糊系统的输入具有从0到1(0％到100％)的值的定义范围，因此需要对分集和误差进行归一化以满足定义的范围，式(8)和(9)分别显示了如何对Diversity和Error进行归一化，

式(8)显示了Diversity归一化过程，第一个条件是最大欧几里得距离等于最小欧几里得距离，这意味着粒子恰好在同一位置，粒子的多样性为0，第二个条件处理具有不同欧几里得距离的情况；

式(9)显示了Error的归一化过程，其中，F为算法的适应度函数，F_min和F_max分别为算法的最大和最小适应度，第一个条件表明，当最小适应度等于最大适应度时，由于粒子彼此靠近，因此Error将为1，第二个条件是应对适用性不同的情况；

该系统具有3输入、3输出和27条规则，输入为迭代系数Iteration，粒子相似度Diversity_n和误差系数Error_n，输出为粒子群算法的学习因子c₁、c₂和惯性权重ω，采用Mamdani型系统，三角隶属度函数，根据输入输出量的论域设置，通过设计模糊系统隶属度函数和表模糊逻辑规则构建模糊规则系统，

利用模糊推理系统对粒子群算法优化之后，需要将改进的粒子群算法应用至下垂控制中，考虑到有功功率和无功功率的比例分配，母线电压波动和频率振荡，IPSO的适应度函数，由于DG的输出功率与下垂系数成反比，因此该算法可用于适当地调整下垂系数，以便根据DG容量合理分配功率，

IPSO算法的适应度函数为：

F_i＝ΔP_i+ΔQ_i+ΔU_i+Δf_i (10)

其中，ΔP_i和ΔQ_i分别为第i个DG的输出有功和无功功率的偏差、ΔU_i为第i个DG输出电压的偏差，Δf_i为第i个DG的频率偏差，DGi计算公式的功率偏差为：

其中，P_i和Q_i分别是DGi的有功功率和无功功率，P_i ^*和Q_i ^*分别是DGi的参考有功功率和无功功率，计算公式为：

其中c_i和c_total分别是DGi的容量和系统的总容量；

电压偏差的计算公式为：

其中U_i是DGi的输出电压，U^*是系统的额定电压；

频率偏差计算公式为：

其中，f_i是DGi的输出电压频率，f^*是50Hz的额定频率；

该算法的粒子大小设置为二维，分别表示每个下垂控制器中的有功和无功下垂系数，粒子群算法寻优完成后，将寻优结果输入下垂控制器，以起到优化下垂控制的效果；

3)功率分配方法运行流程：

①输入微电网的线路参数以及各变量状态信息；

②PSO初始化，进入一个新的更新周期；

③选择初始粒子，更新粒子的初始位置和速度；

④根据式(14)～(18)，计算粒子群算法中的参数Iteration，Diversity_n和Error_n，并作为模糊推理系统的输入；

⑤利用模糊推理系统更新算法中的惯性权重ω、学习因子c₁和c₂；

⑥算法获得系统的偏差信号，即通过通信系统传输并经过偏差计算模块计算得到的ΔP、ΔQ、ΔU、Δf，并作为粒子群算法的适应度函数；

⑦更新粒子的全局最优和局部最优；

⑧判断所有粒子是否全部更新完成：若是，输出寻优结果至下垂控制，实现对下垂控制的优化；若否，返回第④步，进行下一轮寻优。

Images