CN112018813A - 一种虚拟同步发电机频率控制方法 - Google Patents
一种虚拟同步发电机频率控制方法 Download PDFInfo
- Publication number
- CN112018813A CN112018813A CN202010882770.9A CN202010882770A CN112018813A CN 112018813 A CN112018813 A CN 112018813A CN 202010882770 A CN202010882770 A CN 202010882770A CN 112018813 A CN112018813 A CN 112018813A
- Authority
- CN
- China
- Prior art keywords
- ant
- synchronous generator
- lion
- virtual synchronous
- squad
- 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.)
- Granted
Links
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 182
- 238000000034 method Methods 0.000 title claims abstract description 46
- 241001206881 Myrmeleon inconspicuus Species 0.000 claims abstract description 219
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 92
- 238000012546 transfer Methods 0.000 claims abstract description 73
- 238000004088 simulation Methods 0.000 claims abstract description 54
- 238000010248 power generation Methods 0.000 claims abstract description 33
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 238000013178 mathematical model Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 126
- 239000011159 matrix material Substances 0.000 claims description 59
- 238000013507 mapping Methods 0.000 claims description 37
- 230000007246 mechanism Effects 0.000 claims description 19
- 238000005295 random walk Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000001105 regulatory effect Effects 0.000 claims description 15
- 241000282320 Panthera leo Species 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 11
- 241000257303 Hymenoptera Species 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 8
- 230000006872 improvement Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000009286 beneficial effect Effects 0.000 claims description 6
- 230000033228 biological regulation Effects 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 241000258923 Neuroptera Species 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000013016 damping Methods 0.000 description 7
- 230000035699 permeability Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/10—Photovoltaic [PV]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Abstract
本发明一种虚拟同步发电机频率控制方法,涉及专门适用于特定应用的电力系统技术领域,是基于改进型蚁狮算法优化的虚拟同步发电机频率控制方法,步骤是:建立虚拟同步发电机控制器的数学模型;建立电力系统频率偏差最小化问题的优化目标函数,优化改进型蚁狮算法中随着迭代次数改变的常数ω的取值区间,采用改进型蚁狮算法优化虚拟同步发电机控制器传递函数中的参数;建立风力发电、光伏发电与负载仿真模型,搭建电力系统仿真模型;在不同电力系统惯性条件下,电力系统接入阶跃负载和随机变化负载,与传统控制进行对比;显示虚拟同步发电机控制器参数最优值与对比结果;本发明解决新能源接入电力系统导致电力系统惯性低、频率稳定性差的问题。
Description
技术领域
本发明的技术方案属于电力系统技术领域,具体地说是一种虚拟同步发电机频率控制方法。
背景技术
随着新能源和分布式电源的迅速发展,电力能源的清洁、高效为风光储能等能源发展带来了巨大潜力;分布式电源通过并网逆变器接入电网中,形成类似于同步发电机接入电网的模式,由于电力电子特性会比同步发电机更灵活,但是缺少阻尼特性和惯性特性,从而使电力系统失去稳定。
电力系统稳定性是指电力系统受到事故扰动后保持稳定运行的能力;根据动态过程的特征和参与动作的元件及控制系统,将电力系统稳定分为功角稳定、电压稳定和频率稳定三大类,功角稳定是指:根据受扰动的大小以及导致功角不稳定的主导因素不同分为静态稳定、小扰动动态稳定、暂态稳定和大扰动动态稳定;电压稳定是指:电力系统受到小的或大的扰动后,系统电压能够保持或恢复到允许的范围内,不发生电压崩溃的能力;根据受扰动程度的大小分为静态电压稳定和大扰动电压稳定;频率稳定是指:系统受到严重扰动后,出现较大的有功功率不平衡,系统频率仍能够保持或恢复到允许的范围内,不发生频率崩溃的能力。
传统新能源发电大都通过先进电力电子变流逆变装置并网;电力电子变流逆变装置以其控制灵活、与电网弱耦合、适用范围广和高效节能的优点,迅速替代了基于机电能量转换、大惯量延迟、控制难度大的同步机发电系统成为新能源发电的主要形式;然而,在当今电力电子接口渗透率快速提升的新背景下,大规模传统新能源发电的接入对电网运行控制与安全稳定问题带来了巨大的挑战。
分布式电源通过并网逆变器接入电网对电力系统稳定性的影响主要表现在对频率变化量的影响上,也就是通过调整阻尼参数的大小,可以限制频率的波动范围,防止在不平衡转矩的作用下,频率发生较大的偏离而影响系统的正常运行;然而以电力电子元件为基础的逆变器,其动态响应非常快,几乎不存在任何阻尼;因此,当大量逆变器并入到电网中时,它们对负载变化的响应速度不一致,导致逆变器承担的负载变化非常大,对逆变器造成冲击而引起逆变器损坏。
同步发电机具有对电网天然友好的优势,若利用电力电子系统控制灵活的特点,使得并网逆变器具有同步发电机的外特性,必然能实现含有电力电子并网装置的新能源发电系统的友好接入,改善电力系统的频率稳定性问题。
发明内容
本发明所要解决的技术问题是:提供一种虚拟同步发电机频率控制方法,在传统的逆变器控制方式无法向电网提供惯性支撑,导致可再生能源系统惯性降低,更易遭受扰动的影响,系统安全性降低的情况下,建立虚拟同步发电机控制器模型,虚拟同步发电机转子可以使虚拟同步发电机具有虚拟惯性和虚拟阻尼特性,增强可再生能源系统的抗扰动能力;本发明将虚拟同步发电机控制方法和改进型蚁狮算法相结合,提出了一种基于改进型蚁狮算法优化的虚拟同步发电机控制方法;虚拟同步发电机控制器频率调节性能受参数K1、K2和K3影响,K1与K2分别是虚拟同步发电机一次调频增益和二次调频增益,K3是虚拟同步发电机积分环节增益;应用改进型蚁狮算法对虚拟同步发电机控制器的参数进行优化,使虚拟同步发电机控制器的控制效果更佳;最后在不同电力系统惯性条件下,分别向系统中接入阶跃负载和随机变化负载,并与传统控制进行对比,验证本发明可以解决可再生能源接入电力系统导致电力系统惯性低、电力系统频率稳定性差的问题,有助于可再生能源在电力系统中渗透率的提高。
本发明解决该技术问题所采用的技术方案是:一种虚拟同步发电机频率控制方法,是基于改进型蚁狮算法优化的虚拟同步发电机频率控制方法,其步骤如下:
步骤一,建立虚拟同步发电机控制器的数学模型
(1.1)建立虚拟同步发电机转子环节的数学模型
虚拟同步发电机转子的功能函数如式(1)所示:
Pref=(Hvs+Dv)Δf (1)
式中,Pref是虚拟同步发电机输出的功率,Hv是虚拟同步发电机的虚拟转动惯量,Dv是虚拟阻尼系数,Δf是电力系统频率偏差;
(1.2)建立虚拟同步发电机调频环节的数学模型
虚拟同步发电机一次调频和二次调频的功率函数如式(2)所示:
式中,K1和K2分别是虚拟同步发电机一次调频和二次调频的增益,ΔP是虚拟同步发电机一次调频和二次调频的功率值,Δf是电力系统频率偏差;
(1.3)构建虚拟同步发电机控制器的结构
虚拟同步发电机控制器由调频环节和虚拟同步发电机转子组成,其中,调频环节由一个比例调节回路和两个积分调节回路组成;比例调节回路与其中一个积分调节回路串联,其传递函数为这两个调节回路分别模拟虚拟同步发电机的一次调频环节和二次调频环节;另一个积分调节回路的传递函数为K3是虚拟同步发电机控制器积分环节增益;虚拟同步发电机转子仅由一个比例调节回路构成,用来模拟虚拟同步发电机控制回路的虚拟转动惯量特性和虚拟阻尼特性,其传递函数为(Hvs+Dv);传递函数为的环节与传递函数为(Hvs+Dv)的环节以串联方式连接后再与传递函数为的环节以并联方式连接;虚拟同步发电机控制器的传递函数G1(s)如式(3)所示:
式中,Hv是虚拟同步发电机的虚拟转动惯量,Dv是虚拟阻尼系数;K1、K2、K3为正实数,其大小是由本发明所提出的改进型蚁狮算法优化确定的;
步骤二,建立虚拟同步发电机控制器与逆变器串联环节的传递函数
式中,Hv是虚拟同步发电机的虚拟转动惯量,Dv是虚拟阻尼系数,Ti为逆变器的一阶惯性参数;
步骤三,建立电力系统频率偏差最小化问题的优化目标函数
电力系统频率偏差最小化问题的优化目标函数Obf如式(5)所示:
式中,记积分运算开始时刻的时间为0,tsim为从积分运算的开始时刻到当前时刻的时间长度,Δf是电力系统频率偏差;
步骤四,采用改进型蚁狮算法求取虚拟同步发电机控制器传递函数中K1、K2、K3的最优值
(4.1)确定改进型蚁狮算法在虚拟同步发电机频率控制中的核心任务,并对改进型蚁狮算法进行初始化
记改进型蚁狮算法的最大迭代次数为T,设置T=12;记录每个蚂蚁个体的初始位置数据并把全部蚂蚁个体的初始位置数据保存为矩阵是n×d阶矩阵;改进型蚁狮算法中的蚂蚁个体的总数为n×d,这n×d个蚂蚁个体被分成n个蚂蚁小分队,每个蚂蚁小分队包含d个蚂蚁个体;改进型蚁狮算法中的蚂蚁个体的初始位置如式(6)所示:
Xi,j=Lj+r·(Uj-Lj) (6)
式中,Xi,j为第i个蚂蚁小分队中第j个蚂蚁个体的位置,i=1,2,…,n,j=1,2,…,d,Uj和Lj分别为每个蚂蚁小分队中的第j个蚂蚁个体在其搜索空间的上、下边界;r为实数区间[0,1]上的随机值;
这里,设置n=10,d=3,即全部蚂蚁个体被分为10个蚂蚁小分队,每个蚂蚁小分队包含3个蚂蚁个体;确定每个蚂蚁小分队中3个蚂蚁个体的核心任务是分别负责搜索式(3)所示的虚拟同步发电机控制器传递函数中三个参数K1、K2、K3的最优值;
(4.2)建立改进型蚁狮算法关于电力系统频率偏差最小化问题的适应度函数
设当前的讨论对象为10个蚂蚁小分队中的第i个,记为Xi,这里Xi=Xi,1,Xi,2,Xi,3)表示Xi中3个蚂蚁个体的位置;为了建立改进型蚁狮算法关于电力系统频率偏差最小化问题的适应度函数,这里先建立两个映射:
第一个映射是从Xi到电力系统频率偏差Δf的映射,第二个映射是从Δf到电力系统频率偏差最小化问题的优化目标函数值Obfi的映射;建立第一个映射的方法为:把Xi中3个蚂蚁个体的位置Xi,1、Xi,2、Xi,3依次赋值给虚拟同步发电机控制器传递函数中的参数K1、K2、K3,即令Xi=(Xi,1,Xi,2,Xi,3)=(K1,K2,K3)成立,i=1,2,…,10,然后运行电力系统仿真模型得到Xi关于电力系统频率偏差Δf的一个具体值,记为Δfi;第二个映射借助式(5)建立,根据式(5)计算出Δfi所对应的Obf值,记为Obfi;
为了便于描述上述两次映射,建立式(7)所示的映射规则,该规则描述了从Xi直接到Obfi的映射方法:
式中,g为从Xi直接到Obfi的映射规则,Obfi为对应于Xi的电力系统频率偏差最小化问题的目标函数值,i=1,2,…,10,R+为正实数域;
定义改进型蚁狮算法关于电力系统频率偏差最小化问题的适应度函数如式(8)所示:
式中,Fi为Xi的适应度值,i=1,2,…,10;
(4.3)建立改进型蚁狮算法关于电力系统频率偏差最小化问题的蚂蚁个体的位置矩阵和蚂蚁小分队的适应度矩阵
记录每个蚂蚁个体的初始位置并保存为矩阵蚂蚁个体的总数为n×d,且蚂蚁小分队的数量为n个,每个蚂蚁小分队含d个蚂蚁个体;设置n=10,d=3,因此蚂蚁个体的总数为30;这30个蚂蚁个体被分成10个蚂蚁小分队,每个蚂蚁小分队含3个蚂蚁个体;蚂蚁个体的位置矩阵如式(9)所示:
为第i个蚂蚁小分队中的第j个蚂蚁个体在第t次迭代计算中的位置,i=1,2,…,10,j=1,2,3;t为改进型蚁狮算法的迭代计算次数,其最大值为12;当迭代计算尚未开始,各蚂蚁个体处于初始位置时,令t为零,故记蚂蚁个体的初始位置矩阵为
利用式(8)计算出Xi关于电力系统频率偏差最小化问题的适应度值Fi,并把全部10个蚂蚁小分队的适应度值保存为10×1阶的适应度矩阵,如式(10)所示:
式中,F(t)为改进型蚁狮算法在第t次迭代计算中的蚂蚁小分队的适应度矩阵;t为改进型蚁狮算法的迭代计算次数,其最大值为12;Fi (t)为第i个蚂蚁小分队在第t次迭代中的适应度值;为第i个蚂蚁小分队在第t次迭代计算中的位置,其中为中第j个蚂蚁个体在第t次迭代计算中的位置,i=1,2,…,10,j=1,2,3;g为式(7)所述的映射规则;
(4.4)建立改进型蚁狮算法关于电力系统频率偏差最小化问题的蚁狮个体的位置矩阵和蚁狮小分队的适应度矩阵
蚁狮是改进型蚁狮算法中的与蚂蚁并存的另一个种群,蚁狮个体初始位置与蚂蚁个体初始位置的产生方法相同,都是按式(6)随机产生的,且不要求二者在数据上相等;记录每个蚁狮个体的初始位置并保存为矩阵蚁狮个体的总数与蚂蚁个体的总数相同,为n×d,且蚁狮小分队的数量也为n个,每个蚁狮小分队含d个蚁狮个体;在基于改进型蚁狮算法的虚拟同步发电机频率控制中,设置n=10,d=3,因此蚁狮个体的总数为30;这30个蚁狮个体被分成10个蚁狮小分队,每个蚁狮小分队含3个蚁狮个体;蚁狮个体的位置矩阵如式(11)所示:
式中,为第i个蚁狮小分队中的第j个蚁狮个体在第t次迭代计算中的位置,i=1,2,…,10,j=1,2,3;t为改进型蚁狮算法的迭代计算次数,其最大值为12;当迭代计算尚未开始,各蚁狮个体处于初始位置时,令t为零,故记蚁狮个体的初始位置矩阵为
根据电力系统频率偏差最小化问题的优化目标函数计算蚁狮小分队的适应度值并保存到矩阵F′(t);蚁狮小分队的适应度矩阵F′(t)如式(12)所示:
式中,F′(t)为改进型蚁狮算法在第t次迭代计算中的蚁狮小分队的适应度矩阵;t为改进型蚁狮算法的迭代计算次数,其最大值为12;为第i个蚁狮小分队在第t次迭代中的适应度值;为第i个蚁狮小分队在第t次迭代计算中的位置,其中为中第j个蚁狮个体在第t次迭代计算中的位置,i=1,2,…,10,j=1,2,3;g为式(7)所述的映射规则;
(4.5)更新蚂蚁小分队中蚂蚁个体的随机游走位置,调整虚拟同步发电机控制器传递函数中参数K1、K2、K3的值
蚂蚁小分队中蚂蚁个体的随机游走位置函数如式(13)所示:
式中,j=1,2,3,a(t)是第t次迭代计算时式(9)所示矩阵的30个元素中的最小值,b(t)是第t次迭代计算时矩阵的30个元素中的最大值,是第t次迭代计算时矩阵第j列10个元素中的最小值,是第t次迭代计算时矩阵第j列10个元素中的最大值;
由于改进型蚁狮算法中蚂蚁小分队3个蚂蚁个体的位置数据是依次赋值给虚拟同步发电机控制器传递函数中参数K1、K2、K3的,所以式(13)所示的蚂蚁个体的随机游走是为了使K1、K2、K3有更多种组合的可能,从而有利于找到电力系统频率偏差最小化问题的最优解;
(4.6)建立采用轮盘赌机制选取的蚁狮小分队中蚁狮个体的陷阱函数
采用轮盘赌机制模拟蚁狮小分队的捕猎能力,将蚁狮小分队的适应度值进行排序,并计算轮盘赌机制所选中蚁狮小分队的概率,轮盘赌机制函数如式(14)所示:
建立蚁狮小分队中蚁狮个体的陷阱函数如式(15)所示:
式中,j=1,2,3,c(t)是第t次迭代计算时30个蚂蚁个体位置的取值下限,在第一次迭代计算开始之前c(t)=c(0),其值为min{Lj,j=1,2,3},Lj的含义见式(6),c(t)会随着t的增加而改变;d(t)第t次迭代计算时30个蚂蚁个体位置的取值上限,在第一次迭代计算开始之前d(t)=d(0),其值为max{Uj,j=1,2,3},Uj的含义见式(6),d(t)会随着t的增加而改变;是第t次迭代计算时轮盘赌机制所选取的蚁狮小分队中第j个蚁狮个体的位置;
(4.7)设置蚂蚁小分队中蚂蚁个体的随机游走半径,即虚拟同步发电机控制器传递函数中的参数K1、K2、K3的随机调整半径
通过减小蚂蚁小分队中蚂蚁个体的随机游走半径来表示蚂蚁个体掉入蚁狮个体陷阱,蚂蚁个体随机游走半径如式(16-18)所示:
式中,t为当前迭代次数,T是最大迭代次数,设置T的值为12;ω是随着迭代次数改变的实数;
本发明中迭代次数设置的比较小,对ω的取值区间做了如下改进;
改进前:当迭代次数为[0,T/10]时,ω=0;当迭代次数为[T/10,T/2]时,ω=2;当迭代次数为[T/2,3T/4]时,ω=3;当迭代次数为[3T/4,9T/10]时,ω=4;当迭代次数为[9T/10,95T/100]时,ω=5;当迭代次数为[95T/100,T]时,ω=6;
改进后:当迭代次数为[0,T/10]时,ω=0;当迭代次数为[T/10,T/3]时,ω=2;当迭代次数为[T/3,T/2]时,ω=3;当迭代次数为[T/2,3T/4]时,ω=4;当迭代次数为[3T/4,9T/10]时,ω=5;当迭代次数为[9T/10,T]时,ω=6;
由于改进型蚁狮算法中蚂蚁小分队3个蚂蚁个体的位置数据是依次赋值给虚拟同步发电机控制器传递函数中参数K1、K2、K3的,所以式(16-18)所示的调整蚂蚁小分队中蚂蚁个体的随机游走半径是为了使K1、K2、K3逐步接近电力系统频率偏差最小化问题的最优解;
(4.8)更新蚁狮小分队中蚁狮个体的位置并获得精英蚁狮小分队,即获得虚拟同步发电机控制器传递函数中的参数K1、K2、K3的最优值
更新蚁狮小分队中蚁狮个体位置函数如式(19)所示:
记精英蚁狮小分队为改进型蚁狮算法保持在优化过程的任何阶段获得的适应度值最高的解,即获得虚拟同步发电机控制器传递函数中的参数K1、K2、K3的最优值;并在改进型蚁狮算法优化过程中影响蚂蚁小分队中蚂蚁个体的位置更新;
(4.9)建立精英蚁狮小分队影响蚂蚁小分队中蚂蚁个体的位置更新函数
精英蚁狮小分队影响蚂蚁小分队中蚂蚁个体的位置的更新函数如式(20)所示:
式中,R′(t)是第t次迭代中运用轮盘赌机制选中的蚁狮小分队;是第t次迭代中的精英蚁狮小分队,即第t次迭代时虚拟同步发电机控制器传递函数中的参数K1、K2、K3的最优值;是第t次迭代中第i个蚂蚁小分队中蚂蚁个体的位置,即第t次迭代时虚拟同步发电机控制器传递函数中的参数K1、K2、K3的值;
(4.10)输出改进型蚁狮算法优化结果
判断是否达到最大迭代次数,若满足,输出全局最优解,即虚拟同步发电机控制器传递函数中的参数K1、K2、K3的最优值;否则返回(4.5)继续迭代;
步骤五,建立电力系统仿真模型
(5.1)建立风力发电仿真模型
风力发电输出功率的计算方法如式(21-24)所示:
式中,ρ(Kg/m3)是空气密度,AT(m2)是风力发电机转子的旋转面积,Vwind(m/s)是风速,Cp(λ,β)是转化系数,β是桨距角,λT是最佳尖速比,C1→C5是涡轮系数,rT是风力发电机转子半径,λ1是由λT和β决定的间歇性最佳尖速比;
(5.2)建立光伏发电仿真模型
光伏发电仿真模型的输出功率由基本光伏功率和随机波动功率组成,随机波动功率由随机噪音模块模拟,基本光伏功率偏差如式(25)所示:
式中,Psolar为基本光伏功率;
(5.3)建立负载仿真模型
负载输出功率由基本负载功率和随机波动功率组成,随机波动功率由随机噪音模块模拟,基本负载功率偏差如式(26)所示:
式中,Pload为基本负载功率;
(5.4)建立电力系统中时间延迟环节的数学模型
建立时间延迟环节的传递函数如式(27)所示:
式中:Hs与Ds为时间延迟环节参数,Ds的值为0.03,通过改变Hs的值来改变电力系统惯性;
(5.5)搭建电力系统仿真模型
根据风力发电仿真模型、光伏发电仿真模型和负载仿真模型可搭建电力系统仿真模型,并将虚拟同步发电机控制器通过与逆变器串联连接到电力系统仿真模型中;
步骤六,测试电力系统模型的稳定性
在正常电力系统惯性条件下,分别向步骤五中建立的具有虚拟同步发电机控制器的电力系统模型中接入阶跃负载和随机变化负载,并与传统频率控制的电力系统模型中接入阶跃负载和随机变化负载进行对比;在降低电力系统惯性条件下,分别向步骤五中建立的具有虚拟同步发电机控制器的电力系统模型中接入阶跃负载和随机变化负载,并与传统控制的电力系统模型中接入阶跃负载和随机变化负载进行对比;
步骤七,显示虚拟同步发电机在电力系统中优化的结果
在计算机的显示屏上显示步骤四中得到的虚拟同步发电机控制器的参数K1、K2与K3以及步骤六中的测试结果。
上述一种虚拟同步发电机频率控制方法,所述的转动惯量是一个和其尺寸有关的物理量,通常随功率的增加而增大;然而,虚拟同步发电机的虚拟转动惯量并非固定不变,而是与储能单元的配置密切相关,使得虚拟同步发电机虚拟转动惯量的选择更加灵活;阻尼特性是指同步发电机并网运行时,由于阻尼绕组的存在,会产生电磁阻尼;同样的,在虚拟同步发电机中由于虚拟阻尼的引入,使得虚拟同步发电机具备了阻尼功率振荡的能力;
上述一种虚拟同步发电机频率控制方法,所述改进型蚁狮算法的思想以及电力系统模型是已有技术,是为本技术领域技术人员所熟知的;
上述一种虚拟同步发电机频率控制方法,所述电力系统模型的搭建与各模型参数的输入方法是公知的方法,所述计算机、显示器和MATLAB计算机软件均是通过商购获得的。
本发明的有益效果是:本发明与现有技术相比有以下特点
(1)本发明一种虚拟同步发电机频率控制方法,在传统的逆变器控制方式无法向电网提供惯性支撑,导致可再生能源系统惯性降低,更易遭受扰动的影响,系统安全性降低的情况下,建立虚拟同步发电机控制器模型,使虚拟同步发电机控制器表现出具有虚拟转动惯量特性和虚拟阻尼特性,可以增强可再生能源系统的抗扰动能力;本发明将虚拟同步发电机控制方法和改进型蚁狮算法相结合,提出了一种基于改进型蚁狮算法的虚拟同步发电机控制方法;虚拟同步发电机控制器频率调节性能受系数K1、K2和K3影响,K1与K2分别是虚拟同步发电机一次调频增益和虚拟同步发电机二次调频增益,K3是虚拟同步发电机控制器积分环节增益;应用改进型蚁狮算法对虚拟同步发电机控制器的参数进行优化,使虚拟同步发电机控制器的控制效果更佳;最后在不同电力系统惯性条件下,分别向电力系统中接入阶跃负载和随机变化负载,并与传统控制进行对比,验证本发明可以解决可再生能源接入电力系统导致系统惯性低、频率稳定性差的问题,有助于可再生能源在电力系统中渗透率的提高,这是以往方法中所没有的;
(2)本发明一种虚拟同步发电机频率控制方法并不局限于虚拟同步发电机的频率控制方法,也可以扩展用于其他设备的参数优化和控制方法。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明方法的流程示意图。
图2是本发明方法中改进型蚁狮算法的流程图。
图3是实施例1中虚拟同步发电机控制器仿真模型图。
图4是实施例1中风力发电仿真模型图。
图5是实施例1中光伏发电仿真模型图。
图6是实施例1中负载仿真模型图。
图7是实施例1中电力系统仿真模型图。
图8是实施例1中随机变化负载功率图。
图9是实施例1中在不降低系统惯性情况下的阶跃负载测试图。
图10是实施例1中在不降低系统惯性情况下的随机变化负载测试图。
图11是实施例1中在降低系统惯性情况下的阶跃负载测试图。
图12是实施例1中在降低系统惯性情况下的随机变化负载测试图。
具体实施方式
图1表明本发明一种虚拟同步发电机频率控制方法的流程是,开始→建立虚拟同步发电机转子环节的数学模型,建立虚拟同步发电机调频环节的数学模型,构建虚拟同步发电机控制器的结构→建立虚拟同步发电机控制器与逆变器串联环节的传递函数→建立电力系统频率偏差最小化问题的优化目标函数→采用改进型蚁狮算法求取虚拟同步发电机控制器传递函数中K1、K2、K3的最优值,优化改进型蚁狮算法中随着迭代次数改变的常数ω的取值区间→建立风力发电仿真模型,建立光伏发电仿真模型,建立负载仿真模型,建立电力系统中时间延迟环节的数学模型,搭建电力系统仿真模型→在不同系统惯性条件下,分别在电力系统中接入阶跃负载和随机变化的负载,并与传统控制进行对比→在计算机的显示屏上显示改进型蚁狮算法优化的虚拟同步发电机控制器参数,并将对比结果展示在计算机的显示屏上→结束。
图2表明本发明方法改进型蚁狮算法流程是,开始→确定改进型蚁狮算法在虚拟同步发电机频率控制中的核心任务,并对改进型蚁狮算法进行初始化→建立改进型蚁狮算法关于电力系统频率偏差最小化问题的适应度函数→建立改进型蚁狮算法关于电力系统频率偏差最小化问题的蚂蚁个体与蚁狮个体的位置矩阵和蚂蚁小分队与蚁狮小分队的适应度矩阵→更新蚂蚁小分队中蚂蚁个体的随机游走位置,调整虚拟同步发电机控制器传递函数中参数K1、K2、K3的值→建立采用轮盘赌机制选取的蚁狮小分队中蚁狮个体的陷阱函数→设置蚂蚁小分队中蚂蚁个体的随机游走半径,即虚拟同步发电机控制器传递函数中的参数K1、K2、K3的随机调整半径,改进随着迭代次数改变的常数ω的取值区间→更新蚁狮小分队中蚁狮个体的位置并获得精英蚁狮小分队,即获得虚拟同步发电机控制器传递函数中的参数K1、K2、K3的最优值→建立精英蚁狮小分队影响蚂蚁小分队中蚂蚁个体的位置更新函数→判断是否达到最大迭代次数,若满足,输出改进型蚁狮算法优化结果,否则继续迭代→结束。
实施例1
一种应用于埃及电力系统的虚拟同步发电机频率控制方法
步骤一,建立虚拟同步发电机控制器的数学模型
(1.1)建立虚拟同步发电机转子环节的数学模型
虚拟同步发电机转子的功能函数如式(1)所示;
(1.2)建立虚拟同步发电机调频环节的数学模型
虚拟同步发电机一次调频和二次调频的功率函数如式(2)所示;
(1.3)构建虚拟同步发电机控制器的结构
虚拟同步发电机控制器由调频环节和虚拟同步发电机转子组成,其中,调频环节由一个比例调节回路和两个积分调节回路组成;比例调节回路与其中一个积分调节回路串联,其传递函数为这两个调节回路分别模拟虚拟同步发电机的一次调频环节和二次调频环节;另一个积分调节回路的传递函数为K3是虚拟同步发电机控制器积分环节增益;虚拟同步发电机转子仅由一个比例调节回路构成,用来模拟虚拟同步发电机控制回路的虚拟转动惯量特性和虚拟阻尼特性,其传递函数为(Hvs+Dv);传递函数为的环节与传递函数为(Hvs+Dv)的环节以串联方式连接后再与传递函数为的环节以并联方式连接;虚拟同步发电机控制器的传递函数G1(s)如式(3)所示;虚拟同步发电机控制器仿真模型图如图3所示;
步骤二,建立虚拟同步发电机控制器与逆变器串联环节的传递函数
步骤三,建立电力系统频率偏差最小化问题的优化目标函数
电力系统频率偏差最小化问题的优化目标函数Obf如式(5)所示;
步骤四,采用改进型蚁狮算法优化虚拟同步发电机控制器传递函数中的参数K1、K2、K3
(4.1)确定改进型蚁狮算法在虚拟同步发电机频率控制中的核心任务,并对改进型蚁狮算法进行初始化
记改进型蚁狮算法的最大迭代次数为T,设置T=12;记录每个蚂蚁个体的初始位置数据并把全部蚂蚁个体的初始位置数据保存为矩阵是n×d阶矩阵;改进型蚁狮算法中的蚂蚁个体的总数为n×d,这n×d个蚂蚁个体被分成n个蚂蚁小分队,每个蚂蚁小分队包含d个蚂蚁个体;改进型蚁狮算法中的蚂蚁个体的初始位置如式(6)所示,式中,i=1,2,…,n,j=1,2,…,d,r为实数区间[0,1]上的随机值,设置n=10,d=-3,即全部蚂蚁个体被分为10个蚂蚁小分队,每个蚂蚁小分队包含3个蚂蚁个体;确定每个蚂蚁小分队中3个蚂蚁个体的核心任务是分别负责搜索式(3)所示的虚拟同步发电机控制器传递函数中三个参数K1、K2、K3的最优值;
(4.2)建立改进型蚁狮算法关于电力系统频率偏差最小化问题的适应度函数
设当前的讨论对象为10个蚂蚁小分队中的第i个,记为Xi,这里Xi=(Xi,1,Xi,2,Xi,3)表示Xi中3个蚂蚁个体的位置;为了建立改进型蚁狮算法关于电力系统频率偏差最小化问题的适应度函数,这里先建立两个映射:
第一个映射是从Xi到电力系统频率偏差Δf的映射,第二个映射是从Δf到电力系统频率偏差最小化问题的优化目标函数值Obfi的映射;建立第一个映射的方法为:把Xi中3个蚂蚁个体的位置Xi,1、Xi,2、Xi,3依次赋值给虚拟同步发电机控制器传递函数中的参数K1、K2、K3,即令Xi=(Xi,1,Xi,2,Xi,3)=(K1,K2,K3)成立,i=1,2,…,10,然后运行电力系统仿真模型得到Xi关于电力系统频率偏差Δf的一个具体值,记为Δfi;第二个映射借助式(5)建立,根据式(5)计算出Δfi所对应的Obf值,记为Obfi;
为了便于描述上述两次映射,建立式(7)所示的映射规则,该规则描述了从Xi直接到Obfi的映射方法;定义改进型蚁狮算法关于电力系统频率偏差最小化问题的适应度函数如式(8)所示;
(4.3)建立改进型蚁狮算法关于电力系统频率偏差最小化问题的蚂蚁个体的位置矩阵和蚂蚁小分队的适应度矩阵
记录每个蚂蚁个体的初始位置并保存为矩阵蚂蚁个体的总数为n×d,且蚂蚁小分队的数量为n个,每个蚂蚁小分队含d个蚂蚁个体;设置n=10,d=3,因此蚂蚁个体的总数为30;这30个蚂蚁个体被分成10个蚂蚁小分队,每个蚂蚁小分队含3个蚂蚁个体;蚂蚁个体的位置矩阵如式(9)所示;当迭代计算尚未开始,各蚂蚁个体处于初始位置时,令t为零,故记蚂蚁个体的初始位置矩阵为利用式(8)计算出Xi关于电力系统频率偏差最小化问题的适应度值Fi,并把全部10个蚂蚁小分队的适应度值保存为10×1阶的适应度矩阵,如式(10)所示;
(4.4)建立改进型蚁狮算法关于电力系统频率偏差最小化问题的蚁狮个体的位置矩阵和蚁狮小分队的适应度矩阵
蚁狮是改进型蚁狮算法中的与蚂蚁并存的另一个种群,蚁狮个体初始位置与蚂蚁个体初始位置的产生方法相同,都是按式(6)随机产生的,且不要求二者在数据上相等;记录每个蚁狮个体的初始位置并保存为矩阵蚁狮个体的总数与蚂蚁个体的总数相同,为n×d,且蚁狮小分队的数量也为n个,每个蚁狮小分队含d个蚁狮个体;在基于改进型蚁狮算法的虚拟同步发电机频率控制中,设置n=10,d=3,因此蚁狮个体的总数为30;这30个蚁狮个体被分成10个蚁狮小分队,每个蚁狮小分队含3个蚁狮个体;蚁狮个体的位置矩阵如式(11)所示;当迭代计算尚未开始,各蚁狮个体处于初始位置时,令t为零,故记蚁狮个体的初始位置矩阵为根据电力系统频率偏差最小化问题的优化目标函数计算蚁狮小分队的适应度值并保存到矩阵F′(t);蚁狮小分队的适应度矩阵F′(t)如式(12)所示;
(4.5)更新蚂蚁小分队中蚂蚁个体的随机游走位置,调整虚拟同步发电机控制器传递函数中参数K1、K2、K3的值
蚂蚁小分队中蚂蚁个体的随机游走位置函数如式(13)所示;
由于改进型蚁狮算法中蚂蚁小分队3个蚂蚁个体的位置数据是依次赋值给虚拟同步发电机控制器传递函数中参数K1、K2、K3的,所以式(13)所示的蚂蚁个体的随机游走是为了使K1、K2、K3有更多种组合的可能,从而有利于找到电力系统频率偏差最小化问题的最优解;
(4.6)建立采用轮盘赌机制选取的蚁狮小分队中蚁狮个体的陷阱函数
采用轮盘赌机制模拟蚁狮小分队的捕猎能力,将蚁狮小分队的适应度值进行排序,并计算轮盘赌机制所选中蚁狮小分队的概率,轮盘赌机制函数如式(14)所示;
建立蚁狮小分队中蚁狮个体的陷阱函数如式(15)所示;
(4.7)设置蚂蚁小分队中蚂蚁个体的随机游走半径,即虚拟同步发电机控制器传递函数中的参数K1、K2、K3的随机调整半径
通过减小蚂蚁小分队中蚂蚁个体的随机游走半径来表示蚂蚁个体掉入蚁狮个体陷阱,蚂蚁个体随机游走半径如式(16-18)所示;式中,T是最大迭代次数,ω是随着迭代次数改变的常数;
本发明中迭代次数设置的比较小,对ω的取值区间做了如下改进;
改进前:当迭代次数为[0,T/10]时,ω=0;当迭代次数为[T/10,T/2]时,ω=2;当迭代次数为[T/2,3T/4]时,ω=3;当迭代次数为[3T/4,9T/10]时,ω=4;当迭代次数为[9T/10,95T/100]时,ω=5;当迭代次数为[95T/100,T]时,ω=6;
改进后:当迭代次数为[0,T/10]时,ω=0;当迭代次数为[T/10,T/3]时,ω=2;当迭代次数为[T/3,T/2]时,ω=3;当迭代次数为[T/2,3T/4]时,ω=4;当迭代次数为[3T/4,9T/10]时,ω=5;当迭代次数为[9T/10,T]时,ω=6;
由于改进型蚁狮算法中蚂蚁小分队3个蚂蚁个体的位置数据是依次赋值给虚拟同步发电机控制器传递函数中参数K1、K2、K3的,所以式(16-18)所示的调整蚂蚁小分队中蚂蚁个体的随机游走半径是为了使K1、K2、K3逐步接近电力系统频率偏差最小化问题的最优解;
(4.8)更新蚁狮小分队中蚁狮个体的位置并获得精英蚁狮小分队,即获得虚拟同步发电机控制器传递函数中的参数K1、K2、K3的最优值
更新蚁狮小分队中蚁狮个体位置函数如式(19)所示;记精英蚁狮小分队为改进型蚁狮算法保持在优化过程的任何阶段获得的适应度值最高的解,即获得虚拟同步发电机控制器传递函数中的参数K1、K2、K3的最优值;并在改进型蚁狮算法优化过程中影响蚂蚁小分队中蚂蚁个体的位置更新;
(4.9)建立精英蚁狮小分队影响蚂蚁小分队中蚂蚁个体的位置更新函数
精英蚁狮小分队影响蚂蚁小分队中蚂蚁个体的位置的更新函数如式(20)所示;
(4.10)输出改进型蚁狮算法优化结果
判断是否达到最大迭代次数,若满足,输出全局最优解,即虚拟同步发电机控制器传递函数中的参数K1、K2、K3的最优值;否则返回(4.5)继续迭代;
步骤五,建立电力系统仿真模型
(5.1)建立风力发电仿真模型
风力发电的输出功率如式(21-24)所示;式中风力发电仿真模型参数如表1所示:
表1风力发电仿真模型参数
风力发电仿真模型图如图4所示;
(5.2)建立光伏发电仿真模型
光伏发电仿真模型的输出功率由基本光伏功率和随机波动功率组成,随机波动功率由随机噪音模块模拟,基本光伏功率偏差如式(25)所示,设置基本光伏发电功率值为900;光伏发电仿真模型如图5所示;
(5.3)建立负载仿真模型
负载输出功率由基本负载功率和随机波动功率组成,随机波动功率由随机噪音模块模拟,基本负载功率偏差如式(26)所示,设置基本负载功率值为9000;负载仿真模型如图6所示;
(5.4)建立电力系统中时间延迟环节的数学模型
建立时间延迟环节的传递函数如式(27)所示,式中Ds的值为0.03,Hs的值为6;通过改变Hs的值来改变电力系统惯性;记Hs的值为3时降低电力系统惯性;
(5.5)搭建电力系统仿真模型
根据风力发电仿真模型、光伏发电仿真模型和负载仿真模型可搭建电力系统仿真模型,并将虚拟同步发电机控制器通过与逆变器串联连接到电力系统仿真模型中;根据埃及电力控股公司2017年年度报告,到2025年,可再生能源将增加到可满足42%用电量的程度,按照这个比例设计参考模型,电力系统仿真模型如图7所示;电力系统相关参数的配置如表2所示:
表2埃及电力系统模型参数
步骤六,测试电力系统模型的稳定性
在正常电力系统惯性条件下,分别向步骤五中建立的具有虚拟同步发电机控制器的电力系统模型中接入阶跃负载和随机变化负载,并与传统频率控制的电力系统模型中接入阶跃负载和随机变化负载进行对比;在降低电力系统惯性条件下,分别向步骤五中建立的具有虚拟同步发电机控制器的电力系统模型中接入阶跃负载和随机变化负载,并与传统控制的电力系统模型中接入阶跃负载和随机变化负载进行对比,阶跃负载功率值为0.05p.u,随机变化负载功率图如图8所示;
步骤七,显示虚拟同步发电机在电力系统中优化的结果
在计算机的显示屏上显示步骤四中得到的虚拟同步发电机控制器的参数K1、K2与K3以及步骤六的中的对比结果;改进型蚁狮算法的优化结果如表3所示:
表3改进型蚁狮算法优化结果
不降低系统惯性情况下阶跃负载与随机变化负载测试图如图9、图10所示,降低系统惯性情况下阶跃负载与随机变化负载测试图如图11、图12所示。
以上仅为本发明较好的实施方式,但本发明的保护范围并不仅限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围内。
Claims (2)
1.一种虚拟同步发电机频率控制方法,其特征在于是基于改进型蚁狮算法优化的虚拟同步发电机频率控制方法,其步骤如下:
步骤一,建立虚拟同步发电机控制器的数学模型
(1.1)建立虚拟同步发电机转子环节的数学模型
虚拟同步发电机转子的功能函数如式(1)所示:
Pref=(Hvs+Dv)Δf (1)
式中,Pref是虚拟同步发电机输出的功率,Hv是虚拟同步发电机的虚拟转动惯量,Dv是虚拟阻尼系数,Δf是电力系统频率偏差;
(1.2)建立虚拟同步发电机调频环节的数学模型
虚拟同步发电机一次调频和二次调频的功率函数如式(2)所示:
式中,K1和K2分别是虚拟同步发电机一次调频和二次调频的增益,ΔP是虚拟同步发电机一次调频和二次调频的功率值,Δf是电力系统频率偏差;
(1.3)构建虚拟同步发电机控制器的结构
虚拟同步发电机控制器由调频环节和虚拟同步发电机转子组成,其中,调频环节由一个比例调节回路和两个积分调节回路组成;比例调节回路与其中一个积分调节回路串联,其传递函数为这两个调节回路分别模拟虚拟同步发电机的一次调频环节和二次调频环节;另一个积分调节回路的传递函数为K3是虚拟同步发电机控制器积分环节增益;虚拟同步发电机转子仅由一个比例调节回路构成,用来模拟虚拟同步发电机控制回路的虚拟惯量和虚拟阻尼特性,其传递函数为(Hvs+Dv);传递函数为的环节与传递函数为(Hvs+Dv)的环节以串联方式连接后再与传递函数为的环节以并联方式连接;虚拟同步发电机控制器的传递函数G1(s)如式(3)所示:
式中,Hv是虚拟同步发电机的虚拟转动惯量,Dv是虚拟阻尼系数,K1、K2、K3为正实数,其大小是由本发明所提出的改进型蚁狮算法优化确定的;
步骤二,建立虚拟同步发电机控制器与逆变器串联环节的传递函数
式中,Hv是虚拟同步发电机的虚拟转动惯量,Dv是虚拟阻尼系数,Ti为逆变器的一阶惯性参数;
步骤三,建立电力系统频率偏差最小化问题的优化目标函数
电力系统频率偏差最小化问题的优化目标函数Obf如式(5)所示:
式中,记积分运算开始时刻的时间为0,tsim为从积分运算的开始时刻到当前时刻的时间长度;Δf是电力系统频率偏差;
步骤四,采用改进型蚁狮算法求取虚拟同步发电机控制器传递函数中K1、K2、K3的最优值
(4.1)确定改进型蚁狮算法在虚拟同步发电机频率控制中的核心任务,并对改进型蚁狮算法进行初始化
记改进型蚁狮算法的最大迭代次数为T,设置T=12;记录每个蚂蚁个体的初始位置数据并把全部蚂蚁个体的初始位置数据保存为矩阵是n×d阶矩阵;改进型蚁狮算法中的蚂蚁个体的总数为n×d,这n×d个蚂蚁个体被分成n个蚂蚁小分队,每个蚂蚁小分队包含d个蚂蚁个体;改进型蚁狮算法中的蚂蚁个体的初始位置如式(6)所示:
Xi,j=Lj+r·(Uj-Lj) (6)
式中,Xi,j为第i个蚂蚁小分队中第j个蚂蚁个体的位置,i=1,2,…,n,j=1,2,…,d,Uj和Lj分别为每个蚂蚁小分队中的第j个蚂蚁个体在其搜索空间的上、下边界;r为实数区间[0,1]上的随机值;
这里,设置n=10,d=3,即全部蚂蚁个体被分为10个蚂蚁小分队,每个蚂蚁小分队包含3个蚂蚁个体;确定每个蚂蚁小分队中3个蚂蚁个体的核心任务是分别负责搜索式(3)所示的虚拟同步发电机控制器传递函数中三个参数K1、K2、K3的最优值;
(4.2)建立改进型蚁狮算法关于电力系统频率偏差最小化问题的适应度函数
设当前的讨论对象为10个蚂蚁小分队中的第i个,记为Xi,这里Xi=(Xi,1,Xi,2,Xi,3)表示Xi中3个蚂蚁个体的位置;为了建立改进型蚁狮算法关于电力系统频率偏差最小化问题的适应度函数,这里先建立两个映射:
第一个映射是从Xi到电力系统频率偏差Δf的映射,第二个映射是从Δf到电力系统频率偏差最小化问题的优化目标函数值Obfi的映射;建立第一个映射的方法为:把Xi中3个蚂蚁个体的位置Xi,1、Xi,2、Xi,3依次赋值给虚拟同步发电机控制器传递函数中的参数K1、K2、K3,即令Xi=(Xi,1,Xi,2,Xi,3)=(K1,K2,K3)成立,i=1,2,…,10,然后运行电力系统仿真模型得到Xi关于电力系统频率偏差Δf的一个具体值,记为Δfi;第二个映射借助式(5)建立,根据式(5)计算出Δfi所对应的Obf值,记为Obfi;
为了便于描述上述两次映射,建立式(7)所示的映射规则,该规则描述了从Xi直接到Obfi的映射方法:
式中,g为从Xi直接到Obfi的映射规则,Obfi为对应于Xi的电力系统频率偏差最小化问题的目标函数值,i=1,2,…,10,R+为正实数域;
定义改进型蚁狮算法关于电力系统频率偏差最小化问题的适应度函数如式(8)所示:
式中,Fi为Xi的适应度值,i=1,2,…,10;
(4.3)建立改进型蚁狮算法关于电力系统频率偏差最小化问题的蚂蚁个体的位置矩阵和蚂蚁小分队的适应度矩阵
记录每个蚂蚁个体的初始位置并保存为矩阵蚂蚁个体的总数为n×d,且蚂蚁小分队的数量为n个,每个蚂蚁小分队含d个蚂蚁个体;设置n=10,d=3,因此蚂蚁个体的总数为30;这30个蚂蚁个体被分成10个蚂蚁小分队,每个蚂蚁小分队含3个蚂蚁个体;蚂蚁个体的位置矩阵如式(9)所示:
为第i个蚂蚁小分队中的第j个蚂蚁个体在第t次迭代计算中的位置,i=1,2,…,10,j=1,2,3;t为改进型蚁狮算法的迭代计算次数,其最大值为12;当迭代计算尚未开始,各蚂蚁个体处于初始位置时,令t为零,故记蚂蚁个体的初始位置矩阵为
利用式(8)计算出Xi关于电力系统频率偏差最小化问题的适应度值Fi,并把全部10个蚂蚁小分队的适应度值保存为10×1阶的适应度矩阵,如式(10)所示:
式中,F(t)为改进型蚁狮算法在第t次迭代计算中的蚂蚁小分队的适应度矩阵;t为改进型蚁狮算法的迭代计算次数,其最大值为12;为第i个蚂蚁小分队在第t次迭代中的适应度值;为第i个蚂蚁小分队在第t次迭代计算中的位置,其中为中第j个蚂蚁个体在第t次迭代计算中的位置,i=1,2,…,10,j=1,2,3;g为式(7)所述的映射规则;
(4.4)建立改进型蚁狮算法关于电力系统频率偏差最小化问题的蚁狮个体的位置矩阵和蚁狮小分队的适应度矩阵
蚁狮是改进型蚁狮算法中的与蚂蚁并存的另一个种群,蚁狮个体初始位置与蚂蚁个体初始位置的产生方法相同,都是按式(6)随机产生的,且不要求二者在数据上相等;记录每个蚁狮个体的初始位置并保存为矩阵蚁狮个体的总数与蚂蚁个体的总数相同,为n×d,且蚁狮小分队的数量也为n个,每个蚁狮小分队含d个蚁狮个体;在基于改进型蚁狮算法的虚拟同步发电机频率控制中,设置n=10,d=3,因此蚁狮个体的总数为30;这30个蚁狮个体被分成10个蚁狮小分队,每个蚁狮小分队含3个蚁狮个体;蚁狮个体的位置矩阵如式(11)所示:
式中,为第i个蚁狮小分队中的第j个蚁狮个体在第t次迭代计算中的位置,i=1,2,…,10,j=1,2,3;t为改进型蚁狮算法的迭代计算次数,其最大值为12;当迭代计算尚未开始,各蚁狮个体处于初始位置时,令t为零,故记蚁狮个体的初始位置矩阵为
根据电力系统频率偏差最小化问题的优化目标函数计算蚁狮小分队的适应度值并保存到矩阵F′(t);蚁狮小分队的适应度矩阵F′(t)如式(12)所示:
式中,F′(t)为改进型蚁狮算法在第t次迭代计算中的蚁狮小分队的适应度矩阵;t为改进型蚁狮算法的迭代计算次数,其最大值为12;为第i个蚁狮小分队在第t次迭代中的适应度值;为第i个蚁狮小分队在第t次迭代计算中的位置,其中为中第j个蚁狮个体在第t次迭代计算中的位置,i=1,2,…,10,j=1,2,3;g为式(7)所述的映射规则;
(4.5)更新蚂蚁小分队中蚂蚁个体的随机游走位置,调整虚拟同步发电机控制器传递函数中参数K1、K2、K3的值
蚂蚁小分队中蚂蚁个体的随机游走位置函数如式(13)所示:
式中,j=1,2,3,a(t)是第t次迭代计算时式(9)所示矩阵的30个元素中的最小值,b(t)是第t次迭代计算时矩阵的30个元素中的最大值,是第t次迭代计算时矩阵第j列10个元素中的最小值,是第t次迭代计算时矩阵第j列10个元素中的最大值;
由于改进型蚁狮算法中蚂蚁小分队3个蚂蚁个体的位置数据是依次赋值给虚拟同步发电机控制器传递函数中参数K1、K2、K3的,所以式(13)所示的蚂蚁个体的随机游走是为了使K1、K2、K3有更多种组合的可能,从而有利于找到电力系统频率偏差最小化问题的最优解;
(4.6)建立采用轮盘赌机制选取的蚁狮小分队中蚁狮个体的陷阱函数
采用轮盘赌机制模拟蚁狮小分队的捕猎能力,将蚁狮小分队的适应度值进行排序,并计算轮盘赌机制所选中蚁狮小分队的概率,轮盘赌机制函数如式(14)所示:
建立蚁狮小分队中蚁狮个体的陷阱函数如式(15)所示:
式中,j=1,2,3,c(t)是第t次迭代计算时30个蚂蚁个体位置的取值下限,在第一次迭代计算开始之前c(t)=c(0),其值为min{Lj,j=1,2,3},Lj的含义见式(6),c(t)会随着t的增加而改变;d(t)第t次迭代计算时30个蚂蚁个体位置的取值上限,在第一次迭代计算开始之前d(t)=d(0),其值为max{Uj,j=1,2,3},Uj的含义见式(6),d(t)会随着t的增加而改变;是第t次迭代计算时轮盘赌机制所选取的蚁狮小分队中第j个蚁狮个体的位置;
(4.7)设置蚂蚁小分队中蚂蚁个体的随机游走半径,即虚拟同步发电机控制器传递函数中的参数K1、K2、K3的随机调整半径
通过减小蚂蚁小分队中蚂蚁个体的随机游走半径来表示蚂蚁个体掉入蚁狮个体陷阱,蚂蚁个体随机游走半径如式(16-18)所示:
式中,t为当前迭代次数,T是最大迭代次数,设置T的值为12;ω是随着迭代次数改变的实数;
本发明中迭代次数设置的比较小,对ω的取值区间做了如下改进;
改进前:当迭代次数为[0,T/10]时,ω=0;当迭代次数为[T/10,T/2]时,ω=2;当迭代次数为[T/2,3T/4]时,ω=3;当迭代次数为[3T/4,9T/10]时,ω=4;当迭代次数为[9T/10,95T/100]时,ω=5;当迭代次数为[95T/100,T]时,ω=6;
改进后:当迭代次数为[0,T/10]时,ω=0;当迭代次数为[T/10,T/3]时,ω=2;当迭代次数为[T/3,T/2]时,ω=3;当迭代次数为[T/2,3T/4]时,ω=4;当迭代次数为[3T/4,9T/10]时,ω=5;当迭代次数为[9T/10,T]时,ω=6;
由于改进型蚁狮算法中蚂蚁小分队3个蚂蚁个体的位置数据是依次赋值给虚拟同步发电机控制器传递函数中参数K1、K2、K3的,所以式(16-18)所示的调整蚂蚁小分队中蚂蚁个体的随机游走半径是为了使K1、K2、K3逐步接近电力系统频率偏差最小化问题的最优解;
(4.8)更新蚁狮小分队中蚁狮个体的位置并获得精英蚁狮小分队,即获得虚拟同步发电机控制器传递函数中的参数K1、K2、K3的最优值
更新蚁狮小分队中蚁狮个体位置函数如式(19)所示:
记精英蚁狮小分队为改进型蚁狮算法保持在优化过程的任何阶段获得的适应度值最高的解,即获得虚拟同步发电机控制器传递函数中的参数K1、K2、K3的最优值;并在改进型蚁狮算法优化过程中影响蚂蚁小分队中蚂蚁个体的位置更新;
(4.9)建立精英蚁狮小分队影响蚂蚁小分队中蚂蚁个体的位置更新函数
精英蚁狮小分队影响蚂蚁小分队中蚂蚁个体的位置的更新函数如式(20)所示:
式中,R′(t)是第t次迭代中运用轮盘赌机制选中的蚁狮小分队;是第t次迭代中的精英蚁狮小分队,即第t次迭代时虚拟同步发电机控制器传递函数中的参数K1、K2、K3的最优值;是第t次迭代中第i个蚂蚁小分队中蚂蚁个体的位置,即第t次迭代时虚拟同步发电机控制器传递函数中的参数K1、K2、K3的值;
(4.10)输出改进型蚁狮算法优化结果
判断是否达到最大迭代次数,若满足,输出全局最优解,即虚拟同步发电机控制器传递函数中的参数K1、K2、K3的最优值;否则返回(4.2)继续迭代;
步骤五,建立电力系统仿真模型
(5.1)建立风力发电仿真模型
风力发电的输出功率由式(21-24)所示:
式中,ρ(Kg/m3)是空气密度,AT(m2)是风力发电机转子的旋转面积,Vwind(m/s)是风速,Cp(λ,β)是转化系数,β是桨距角,λT是最佳尖速比,C1→C5是涡轮系数,rT是风力发电机转子半径,λI是由λT和β决定的间歇性最佳尖速比;
(5.2)建立光伏发电仿真模型
光伏发电仿真模型的输出功率由基本光伏功率和随机波动功率组成,随机波动功率由随机噪音模块模拟,基本光伏功率偏差由式(25)所示:
式中,Psolar为基本光伏功率;
(5.3)建立负载仿真模型
负载输出功率由基本负载功率和随机波动功率组成,随机波动功率由随机噪音模块模拟,基本负载功率偏差由式(26)所示:
式中,Pload为基本负载功率;
(5.4)建立电力系统中时间延迟环节的数学模型
建立时间延迟环节的传递函数如式(27)所示:
式中:Hs与Ds为时间延迟环节参数,Ds的值为0.03,通过改变Hs的值来改变电力系统惯性;
(5.5)搭建电力系统仿真模型
根据风力发电仿真模型、光伏发电仿真模型和负载仿真模型可搭建电力系统仿真模型,将虚拟同步发电机控制器通过与逆变器串联连接到电力系统仿真模型中;
步骤六,测试电力系统模型的稳定性
在正常电力系统惯性条件下,分别向步骤五中建立的具有虚拟同步发电机控制器的电力系统模型中接入阶跃负载和随机变化负载,并与传统频率控制的电力系统模型中接入阶跃负载和随机变化负载进行对比;在降低电力系统惯性条件下,分别向步骤五中建立的具有虚拟同步发电机控制器的电力系统模型中接入阶跃负载和随机变化负载,并与传统控制的电力系统模型中接入阶跃负载和随机变化负载进行对比;
步骤七,显示虚拟同步发电机控制器在电力系统模型中优化的结果
在计算机的显示屏上显示步骤四中得到的虚拟同步发电机控制器的参数K1、K2与K3以及步骤六中的测试结果。
2.按照权利要求1所述一种虚拟同步发电机频率控制方法,其特征在于:所述的改进型蚁狮算法的优化参数是根据虚拟同步发电机转子的数学模型、虚拟同步发电机调频环节而得到的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010882770.9A CN112018813B (zh) | 2020-08-28 | 2020-08-28 | 一种虚拟同步发电机频率控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010882770.9A CN112018813B (zh) | 2020-08-28 | 2020-08-28 | 一种虚拟同步发电机频率控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112018813A true CN112018813A (zh) | 2020-12-01 |
CN112018813B CN112018813B (zh) | 2023-10-31 |
Family
ID=73502719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010882770.9A Active CN112018813B (zh) | 2020-08-28 | 2020-08-28 | 一种虚拟同步发电机频率控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112018813B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3129541A1 (fr) | 2021-11-24 | 2023-05-26 | Albioma | Dispositif de fourniture d’électricité du type à dispositif d’électronique de puissance adapté à contribuer à l’inertie d’un système électrique |
FR3137805A1 (fr) | 2022-07-11 | 2024-01-12 | Albioma | Dispositif de fourniture d’électricité adapté à maintenir l’inertie d’un système électrique |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107732978A (zh) * | 2017-09-23 | 2018-02-23 | 天津大学 | 一种基于虚拟同步发电机改进功率分配策略的逆变器系统 |
CN109062664A (zh) * | 2018-07-25 | 2018-12-21 | 南京邮电大学 | 基于蚁狮优化算法的云计算任务调度方法 |
CN110247436A (zh) * | 2019-06-05 | 2019-09-17 | 东华大学 | 一种基于改进蚁狮优化算法的电力系统经济负荷分配方法 |
WO2020007255A1 (zh) * | 2018-07-03 | 2020-01-09 | 上海交通大学 | 基于虚拟同步电机的iidg的自适应惯性控制方法 |
-
2020
- 2020-08-28 CN CN202010882770.9A patent/CN112018813B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107732978A (zh) * | 2017-09-23 | 2018-02-23 | 天津大学 | 一种基于虚拟同步发电机改进功率分配策略的逆变器系统 |
WO2020007255A1 (zh) * | 2018-07-03 | 2020-01-09 | 上海交通大学 | 基于虚拟同步电机的iidg的自适应惯性控制方法 |
US20200144946A1 (en) * | 2018-07-03 | 2020-05-07 | Shanghai Jiaotong University | Adaptive Inertia Control Method of IIDG Based on VSG |
CN109062664A (zh) * | 2018-07-25 | 2018-12-21 | 南京邮电大学 | 基于蚁狮优化算法的云计算任务调度方法 |
CN110247436A (zh) * | 2019-06-05 | 2019-09-17 | 东华大学 | 一种基于改进蚁狮优化算法的电力系统经济负荷分配方法 |
Non-Patent Citations (2)
Title |
---|
张俊武;王德林;陈斌;刘柳;潘志豪;康积涛;: "基于PSO-GSA算法的含DFIG互联系统AGC优化控制研究", 电力系统保护与控制, no. 13 * |
张福民;白松;李占凯;裴雪辰;刘颍琪;马晨阳;: "基于VSG技术的微电网储能荷电状态控制策略", 电网技术, no. 06 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3129541A1 (fr) | 2021-11-24 | 2023-05-26 | Albioma | Dispositif de fourniture d’électricité du type à dispositif d’électronique de puissance adapté à contribuer à l’inertie d’un système électrique |
FR3137805A1 (fr) | 2022-07-11 | 2024-01-12 | Albioma | Dispositif de fourniture d’électricité adapté à maintenir l’inertie d’un système électrique |
Also Published As
Publication number | Publication date |
---|---|
CN112018813B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109962495B (zh) | 一种超低频振荡扰动源定位及抑制方法 | |
CN114362196B (zh) | 一种多时间尺度主动配电网电压控制方法 | |
CN106295001B (zh) | 适用于电力系统中长时间尺度的准稳态变步长仿真方法 | |
CN112018813A (zh) | 一种虚拟同步发电机频率控制方法 | |
CN107947196B (zh) | 一种基于改进粒子群算法的超低频振荡抑制方法 | |
WO2018145498A1 (zh) | 基于强化学习算法的双馈感应风力发电机自校正控制方法 | |
CN115622086A (zh) | 考虑暂态能量的双馈风机次同步振荡自适应阻尼抑制方法 | |
CN112448399B (zh) | 基于模拟电感的双馈风电场次同步振荡的抑制方法 | |
CN115342812A (zh) | 一种基于改进蝴蝶优化算法的无人机三维航迹规划方法 | |
Kord et al. | Active hybrid energy storage management in a wind-dominated standalone system with robust fractional-order controller optimized by Gases Brownian Motion Optimization Algorithm | |
CN110309625B (zh) | 一种双馈风电并网系统的能量稳定域确定方法及系统 | |
CN114977191B (zh) | 静态电压稳定分析方法、装置及计算机存储介质 | |
CN108306301B (zh) | 转子角控制模式下适用的潮流计算方法 | |
CN116231673A (zh) | 一种基于改进鲸鱼算法的配电网无功优化方法 | |
Tao et al. | Three-partition multistrategy adaptive fruit fly optimization algorithm for microgrid droop control | |
CN110829462B (zh) | 基于mfo算法的光伏高占比电网upfc应用优化方法及系统 | |
Mishra et al. | Impact of wind/solar integration on frequency control in two-area power system | |
CN114204613A (zh) | 一种海上风电场接入电力系统的无功补偿方法和系统 | |
Daraz et al. | Automatic Generation Control of Multi-Source Interconnected Power System Using FOI-TD Controller. Energies 2021, 14, 5867 | |
CN114123249B (zh) | 一种基于电池储能主动响应的含风电互联电力系统负荷频率控制方法 | |
CN117856296A (zh) | 风机参与电网系统、风机参与电网的调频方法及装置 | |
CN117498353B (zh) | 新能源场站并网系统电压支撑调整方法及系统 | |
CN116436029B (zh) | 一种基于深度强化学习的新能源场站频率控制方法 | |
CN116961019A (zh) | 区域电网功率平衡方法、装置、计算机设备、存储介质 | |
CN113839398B (zh) | 一种双馈风机参与电网一次调频的变下垂系数控制方法 |
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 |