CN114552653A - 基于智能算法的并网逆变器系统控制参数多目标优化方法 - Google Patents
基于智能算法的并网逆变器系统控制参数多目标优化方法 Download PDFInfo
- Publication number
- CN114552653A CN114552653A CN202210279651.3A CN202210279651A CN114552653A CN 114552653 A CN114552653 A CN 114552653A CN 202210279651 A CN202210279651 A CN 202210279651A CN 114552653 A CN114552653 A CN 114552653A
- Authority
- CN
- China
- Prior art keywords
- grid
- current
- data
- test
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000005457 optimization Methods 0.000 title claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 162
- 238000011156 evaluation Methods 0.000 claims abstract description 113
- 238000005070 sampling Methods 0.000 claims abstract description 55
- 238000004088 simulation Methods 0.000 claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000013459 approach Methods 0.000 claims abstract description 16
- 230000002068 genetic effect Effects 0.000 claims abstract description 14
- 238000013480 data collection Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 44
- 238000004364 calculation method Methods 0.000 claims description 42
- 230000008569 process Effects 0.000 claims description 20
- 230000008878 coupling Effects 0.000 claims description 17
- 238000010168 coupling process Methods 0.000 claims description 17
- 238000005859 coupling reaction Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 238000011084 recovery Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 7
- 101100513046 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) eth-1 gene Proteins 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000013278 delphi method Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000005284 excitation Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 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
-
- 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]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Feedback Control In General (AREA)
- Inverter Devices (AREA)
Abstract
本发明提供了一种基于智能算法的并网逆变器系统控制参数多目标优化方法，属于电力电子控制参数设计及其优化领域。该多目标优化方法通过对并网逆变器控制环节选取相应的控制参数作为优化对象，首先通过遍历方式获取控制参数稳定域边界，其次在上述稳定域内采用分层采样的方式获取不同控制参数样本，利用更能有效逼近并网逆变器实际运行状况的半实物仿真平台，通过自动测试完成多组样本的仿真与数据收集。再次，通过仿真数据，提取不同控制参数下的多个并网逆变器性能评价指标，通过TOPSIS法和BP神经网络构建控制参数到评价分数之间的代理模型，利用遗传算法对控制参数向高评分的方向进行优化。
Description
技术领域
本发明属于电力电子控制参数设计及其优化领域，具体涉及基于智能算法的并网逆变器系统控制参数多目标优化方法。
背景技术
随着光伏系统越来越来地接入电网，且受到长输电线路及变压器地影响，使得系统处于弱网或极弱网情况。并网逆变器作为并网发电系统的核心装备，此时逆变器控制性能的优劣直接关系到光伏的发电质量和投资效益，因此，对逆变器控制性能进行科学的评价尤为重要。
逆变器控制环节中PI参数对控制性能的影响起着至关重要的作用，关于逆变器PI参数的设计与评估，目前已有大量文献对此进行了研究，类似文献有：
1、文献1“A novel parameter design method of dual-loop control strategyfor grid-connected inverters with LCL filter”，Jinjun Yin，Shanxu Duan，YanZhou，Fei Liu，2009 IEEE 6th International Power Electronics and Motion ControlConference(“基于双环控制策略的LCL型并网逆变器参数设计方法”，2009年第六届IEEE国际电力电子与运动控制会议)提出基于少自由度的极点配置方案，但需要先给定阻尼系数和自然角频率，需要反复试凑，因此无法快速找到最优值。
2、文献2“徐路遥，兰洲，陈飞，等.弱电网下无功控制对并网变流器稳定性影响分析[J].电力系统自动化，2019，43(5)：56-63.”采用根轨迹法，但是只能考虑到一个参数的变化对系统的影响，忽略了参数之间的耦合作用，无法结合多个性能指标进行参数整定。
上述的控制器参数设计虽逐步改进，但都基于稳态情况下的数学建模方式进行的，并未考察不同参数的仿真或实际运行效果。并网发电系统在实际电力系统下进行研究，测试结果精度高，得到的结果直观且真实，但考虑现场条件的制约，会给测试造成不便；全数字仿真虽然不依赖硬件设备，但测试精度不高，结果不够可靠。与现场试验和纯仿真相比，半实物仿真是安全，可靠且准确的，没有其他限制条件。因此，在并网发电系统中进行半实物仿真测试，不仅能节约成本，降低风险，且能使实验快速完成。
但针对逆变器不同控制参数的实时仿真测试和评估，工作量大、耗时长且重复性高，因此希望通过自动化的测试来替代人为重复机械性的操作，自动化测试能完成由于时间或运行环境而无法进行的测试，保证了测试的完整性，也降低了人为因素对测试过程的干扰，提高了测试效率和可靠性。
发明内容
针对上述已有技术存在的不足，本发明提出基于智能算法的并网逆变器系统控制参数多目标优化方法。在半实物仿真平台的基础上，进行不同控制参数的自动化测试与分析，通过测试数据得到不同控制参数时对应的评价指标，利用TOPSIS多目标评价体系和神经网络构建不同控制参数与逆变器综合性能评分之间的代理模型，进而利用遗传算法完场控制参数的优化。
为解决本发明的技术问题，本发明提供了一种基于智能算法的并网逆变器系统控制参数多目标优化方法，所述并网逆变器系统包括并网逆变器、并网逆变器控制模块和电网；所述并网逆变器控制模块包括采样单元、锁相环和电流环，所述采样单元接入电网与并网逆变器相连接的公共耦合点PCC处，实现对公共耦合点PCC处电压和电流的采样；所述并网逆变器系统控制参数为：锁相环中的锁相环带宽ωBW，电流环中的电流环积分系数Ki和电流环比例系数Kp；
所述多目标优化方法包括搭建半实物仿真平台、建立多目标评价体系、建立代理模型和建立控制参数优化模型，具体的，在半实物仿真平台的基础上，进行并网逆变器不同控制参数的自动化测试和分析，通过搭建多目标评价体系对实时仿真的数据进行评估并构建代理模型，利用遗传算法对控制参数向高评分方向进行优化，具体步骤如下：
步骤1，搭建基于并网逆变器模型的半实物仿真平台，包括上位机、实时仿真机和逆变器控制箱；所述逆变器控制箱提供核心DSP控制、模拟并网逆变器控制模块的工作；所述实时仿真机负责模拟并网逆变器和电网的工作；所述实时仿真机中设有模拟量输出接口Aout、数字量输入接口Din、网线接口eth1和网线接口eth0，模拟量输出接口Aout和数字量输入接口Din分别与逆变器控制箱单向电连接，实现两者模拟量与数字量的实时交互，网线接口eth1通过网线与逆变器控制箱双向连接，实现逆变器控制箱中参数的修改，且实时读取逆变器控制箱的运行数据；网线接口eth0与上位机通过网线双向连接，实现上位机对实时仿真机的实时操作控制；
步骤2，根据步骤1搭建的半实物仿真平台，对并网逆变器系统控制参数进行以下测试：控制参数稳定域测试、控制参数多场景测试、控制参数数据收集处理与指标计算，具体过程如下；
步骤2.1，控制参数稳定域测试
首先将并网逆变器控制环节作为灰箱，设控制结构已知，控制参数未知，对给定的ψ种锁相环带宽ωBW进行控制参数稳定域测试，然后根据测试中记录的数据在平面坐标系中绘制出ψ条Kp-Ki曲线，并将该ψ条Kp-Ki曲线作为给定的ψ种锁相环带宽ωBW下并网逆变器系统控制参数稳定域边界曲线，即得到给定锁相环带宽ωBW下系统稳定运行的ψ个并网逆变器系统控制参数稳定域；
将ψ个并网逆变器系统控制参数稳定域中的任意一个记为稳定域
将稳定域
对应的锁相环带宽ωBW记为带宽ωBWv，ν为稳定域的序号，ν＝1，2，…，ψ；
步骤2.2，控制参数多场景测试
对步骤2.1得到的每一个稳定域
分别进行控制参数多场景测试，具体的，通过分层抽样在每个稳定域
内随机选取N个样本，并将每一个样本对应的一组控制参数记为样本控制参数K3(ωBW，Ki，Kp)，N为正整数；对N组样本控制参数K3(ωBW，Ki，Kp)进行多场景测试，并在测试过程中通过采样单元记录得到N组实时数据，包括公共耦合点PCC处电压Upcce和电流Ipcce的实时数据，将N组实时数据中的任意一组记为采样数据Dpcce，其中，e＝1，2，…，N；
对ψ个稳定域
进行控制参数多场景测试得到ψ×N组采样数据Dpcce，将ψ×N组采样数据Dpcce存储在实时仿真机中；
步骤2.3，控制参数数据收集与指标计算
将步骤2.2采样得到的ψ×N组采样数据Dpcce通过通信协议传输给上位机，上位机根据预存算法对ψ×N组采样数据Dpcce进行性能指标计算，得到ψ×N组指标数据DpfEj，其中，E＝1，2，…，ψ×N，j＝1，2，3，4，5；
所述指标数据DpfEj包括：稳态测试时并网点电流的总谐波畸变率THD计算数据，记为总谐波畸变率THD计算数据DpfE1，交流侧小扰动测试时并网点电流的动态变化计算数据，记为动态变化计算数据DpfE2，交流侧小扰动测试时并网点电流的恢复时间计算数据，记为恢复时间计算数据DpfE3，指令值小扰动测试时并网点电流的超调量计算数据，记为超调量计算数据DpfE4，指令值小扰动测试时并网点电流的调节时间计算数据，记为调节时间计算数据DpfE5；
步骤3，搭建并网逆变器系统控制参数多目标评价体系
定义并网逆变器系统控制参数多目标评价体系的评价指标为评价指标Telj，其中，j＝1，2，3，4，5，定义并网逆变器系统控制参数多目标评价体系的评价分数为评价分数GE，其中，E＝1，2，…，ψ×N；
通过基于组合赋权法的TOPSIS法获得ψ×N组指标数据DpfEj对应的评价分数GE，构建出控制参数K3(ωBW，Ki，Kp)到评价指标Telj、评价指标Telj到评价分数GE之间的多目标评价体系，具体的，包括以下步骤：
步骤3.1，建立评价指标Telj的表达式如下：
Telj＝Tel1+Tel2+Tel3+Tel4+Tel5
其中，Tel1为稳态测试时并网点电流的总谐波畸变率，Tel2为交流侧小扰动测试时并网点电流的动态变化，Tel3为交流侧小扰动测试时并网点电流的恢复时间，Tel4为指令值小扰动测试时并网点电流的超调量，Tel5为指令值小扰动测试时并网点电流的调节时间；
步骤3.2，根据步骤3.1确定的评价指标Telj利用组合赋权法计算出评价指标Telj对应的组合权重值wj，其中，j＝1，2，3，4，5；具体的，先利用Delphi法计算主观权重值wj′，利用熵值法计算客观权重值wj″，然后利用“乘法”集成法计算得到组合权重值wj；
所述组合权重值wj包括稳态测试时并网点电流的总谐波畸变率权重值w1、交流侧小扰动测试时时并网点电流的动态变化权重值w2、交流侧小扰动测试时时并网点电流的恢复时间权重值w3、指令值小扰动测试时并网点电流的超调量权重值w4和指令值小扰动测试时并网点电流的调节时间权重值w5；
步骤3.3，根据步骤2.3得到的ψ×N组指标数据DpfEj采用TOPSIS法得到指标数据DpfEj对应区间[0，100]内的评价分数GE，所得评价分数GE作为评价并网逆变器系统控制参数优劣的依据；
步骤4，以控制参数K3(ωBW，Ki，Kp)作为输入，以步骤3.3所得评价分数GE作为输出来训练神经网络，训练完成的神经网络作为并网逆变器系统控制参数与评价分数之间的函数映射关系，并记为代理模型O(ωBW，Ki，Kp，GE)，其中，神经网络为BP神经网络；
步骤5，利用遗传算法对并网逆变器系统控制参数进行优化，具体的，根据步骤4得到的代理模型O(ωBW，Ki，Kp，GE)，建立并网逆变器系统控制参数的优化目标函数f0(GE)，通过使用遗传算法使控制参数K3(ωBW，Ki，Kp)的评价分数GE向高评分方向逼近，得到最优控制参数K3best(ωBW，Ki，Kp)；
所述并网逆变器系统控制参数的优化目标函数的表达式如下：
f0(GE)＝100-O(ωBW，Ki，Kp，GE)
其中，优化目标函数f0(GE)的值越小越好；
步骤6，将最优控制参数K3best(ωBW，Ki，Kp)置入并网逆变器系统控制参数中参与控制。
优选地，步骤2.1所述稳定域
通过控制参数稳定域测试得到，具体过程如下：
步骤2.1.1，控制参数的设定
给定锁相环带宽ωBW为带宽ωBWv；
令电流环积分系数Ki在区间[0，1400]中取值，且按照下述设定增加：
在[0，1]区间，电流环积分系数Ki的值每次增加0.2；
在[1，100]区间，电流环积分系数Ki的值每次增加10；
在[100，1400]区间，电流环积分系数Ki的值每次增加100；
令电流环比例系数Kp在区间[1，20000]中取值，且按照下述设定增加：
在[1，100]区间，电流环比例系数的值Kp每次增加10；
在[100，1000]区间，电流环比例系数Kp的值每次增加100；
在[1000，20000]区间，电流环比例系数Kp的值每次增加1000；
步骤2.1.2，带宽ωBWv下控制参数稳定域测试一
记电流环积分系数Ki在区间[0，1400]中取值次数为σ，电流环比例系数Kp在区间[1，20000]中取值次数为σ1，即带宽ωBWv下控制参数稳定域测试中一共包括σ1×σ组电流环参数，记σ1×σ组中的任意一组电流环参数为电流环参数
其中，λ1＝1，2，…，σ1×σ；
对每一组电流环参数
进行仿真测试，在稳态运行2s后计算总谐波畸变率THD；若THD≥5％，确认当前控制参数不满足逆变器稳定运行条件，舍弃当前控制参数；若THD＜5％，确认当前控制参数满足逆变器稳定运行条件，记录当前控制参数；
设通过测试一记录得到Y1组当前控制参数，Y1＜σ1×σ，将Y1组当前控制参数中当前控制电流环比例系数Kp的最大值记为Kpm；
步骤2.1.3，带宽ωBWv下控制参数稳定域测试二
电流环积分系数Ki取值区间和取值次数均保持不变，电流环比例系数Kp取值区间修改为[Kpm，20000]，记电流环比例系数Kp在区间[Kpm，20000]中取值次数为σ2，即带宽ωBWv下控制参数稳定域测试二中包括σ2×σ组电流环参数，记σ2×σ组中的任意一组电流环参数为电流环参数
λ2＝1，2，…，σ2×σ；
对每一组电流环参数
进行仿真测试，在稳态运行2s后计算总谐波畸变率THD；若THD＜5％，确认当前控制参数满足逆变器稳定运行条件，舍弃当前参数；若THD≥5％，确认当前控制参数不满足逆变器稳定运行条件，记录当前控制参数；
设通过测试二记录得到Y2组当前控制参数，Y2＜σ2×σ；
步骤2.1.4，以电流环比例系数Kp为横轴，电流环积分系数Ki为纵轴，将Y1组和Y2组中记录的当前控制参数在平面坐标系中绘制出一条Kp-Ki曲线，该Kp-Ki曲线即为带宽ωBWv下并网逆变器系统控制参数稳定域的边界曲线，即得到稳定域
优选地，步骤2.2所述控制参数多场景测试指的是对每一个稳定域
均进行以下操作：
步骤2.2.1，首先将步骤2.1得到的稳定域
等分成M个不重叠的子区间，并在每个子区间中随机选取N/M个样本，M为设定的正整数，即在一个稳定域
中共选取N个样本，并得到N组样本控制参数K3(ωBW，Ki，Kp)，通过上位机(40)将该N组样本控制参数K3(ωBW，Ki，Kp)传输给实时仿真机(50)和逆变器控制箱(60)；
步骤2.2.2，对N组中的任意一组样本控制参数K3(ωBW，Ki，Kp)进行仿真测试：
步骤2.2.2.1，稳态测试
保持并网逆变器系统稳态运行2s，通过采样单元(201)采样整个稳态运行过程中公共耦合点PCC处电压Upcce和电流Ipcce的实时数据，并对公共耦合点PCC处电流Ipcce的实时数据进行傅里叶变换FFT分析；通过分析获取总谐波畸变率THD后进行以下判断：
若THD≥5％，停止多场景测试；
若THD＜5％，记录稳态测试时公共耦合点PCC处的电压Upcce和电流Ipcce的实时数据，并进入步骤2.2.1.2；
步骤2.2.1.2，交流侧小扰动测试
记并网逆变器(10)侧电压为Uc，调节并网逆变器(10)侧电压Uc使之跌落至0.9Uc，运行2s后，并网逆变器(10)侧电压恢复至Uc；通过采样单元(201)采样整个交流侧小扰动过程中公共耦合点PCC处电压Upcce和电流Ipcce的实时数据，并对公共耦合点PCC处电流Ipcce的实时数据进行快速傅里叶变换FFT分析，通过分析获取总谐波畸变率THD后进行如下判断：
若THD≥5％，停止多场景测试；
若THD＜5％，记录交流测小扰动测试时公共耦合点PCC处电压Upcce、电流Ipcce的实时数据，并进入步骤2.2.1.3；
步骤2.2.1.3，指令值小扰动测试
记电流环指令值为Iref，调节电流环指令值Iref使之跌落至0.9Iref，运行2s，通过采样单元(201)采样整个指令值小扰动过程中公共耦合点PCC处电压Upcce和电流Ipcce的实时数据，并对公共耦合点PCC处电流Ipcce的实时数据进行快速傅里叶变换FFT分析，通过分析获取总谐波畸变率THD后进行以下判断：
若THD≥5％，停止多场景测试；
若THD＜5％，记录指令值小扰动测试时公共耦合点PCC处电压Upcce、电流Ipcce的实时数据；
通过步骤2.2.2.1-步骤2.2.2.3得到一组控制参数K3(ωBW，Ki，Kp)对应的采样数据Dpcce，该采样数据Dpcce中包括公共耦合点PCC处电压Upcce和电流Ipcce的实时数据；
步骤2.2.3，对N组中的每一组样本控制参数K3(ωBW，Ki，Kp)进行步骤2.2.2的测试，共记录得到N组采样数据Dpcce，将得到的N组采样数据Dpcce存储在实时仿真机(50)中。
优选地，步骤3.2所述组合权重值wj按照以下步骤得到：
步骤3.2.1，利用Delphi法确定评估指标的主观权重值wj′；
步骤3.2.2，利用熵值法确定评估指标的客观权重值wj″，具体过程如下：步骤3.2.2.1，归一化原始数据矩阵，设步骤2.3得到的ψ×N组指标数据DpfEj对应的原始数据矩阵记为B，B＝(bjE)5×[ψ×N]，其中，bjE为指标数据DpfEj对应的第j个计算数据；对原始数据矩阵B进行归一化处理得到归一化矩阵R，R＝(rjE)5×[ψ×N]，其中，rjE为指标数据DpfEj对应的第j个归一化计算数据，其归一化的公式为：
步骤3.2.2.2，根据步骤3.2.2.1所得归一化矩阵R，设第j个指标的熵为hj，指标数据DpfEj的第j个归一化计算数据的比重为fjE：
式中，
其中k为常数，k＝1/ln E，当fjE＝0，取ln fjE＝0，
步骤3.2.2.3，设第j个指标熵权为wj″，根据步骤3.2.2.2所得第j个指标的熵hj，得到第j个指标熵权wj″，：
步骤3.2.3，根据步骤3.2.1所得第j个指标主观权重wj′，步骤3.2.2.3所得第j个指标客观熵权wj″，利用“乘法”集成法得到第j个指标组合权重wj＝(w1，w2，…，w5)，组合赋权公式为：
优选地，步骤3.3所述评价分数GE按照以下步骤得到：
步骤3.3.1，根据步骤3.1确定的评价指标Telj构造指标数据DpfEj的决策矩阵，记为决策矩阵Xu，Xu＝(xij)3×5，其中，i＝1，2，3，xij为决策矩阵Xu的子元素，其中，x1j为步骤2.3得到的指标数据DpfEj，x2j为评价指标Telj最优值，x3j为评价指标Telj合格值，评价指标Telj最优值和评价指标Telj合格值由专家经验、国标或行标给出；
步骤3.3.2，对决策矩阵Xu内各元素进行规范化处理，得到指标数据DpfEj的规范决策矩阵，记为规范决策矩阵Yu，Yu＝(yij)3×5，其中，yij为规范决策矩阵Yu的子元素，
步骤3.3.3，根据步骤3.2得到的评价指标Telj的组合权重值wj，步骤3.3.2得到的规范决策矩阵Yu的子元素yij，构造指标数据DpfEj的加权规范矩阵Zu，Zu＝(zij)3×5，其中，zij为加权规范阵Zu的子元素，zij＝wjyij；
步骤3.3.4，根据步骤3.3.3得到的加权规范阵Zu的子元素zij，计算指标数据DpfEj中各指标值到最优值的第一距离du+，计算指标数据DpfEj中合格值到最优值的第二距离du：
步骤3.3.5，记指标数据DpfEj的评估指标与最优值的相对趋近度为相对趋近度cu，其表达式为：
cu＝du+/du
相对趋近度cu越接近0，指标数据Dpfuj越接近最优值；
步骤3.3.6，根据步骤3.3.5得到的相对趋近度cu，计算指标数据DpfEj的总评价分数GE，相对趋近度cu与评价等级和评价分数GE对应关系为；
评价分数GE越高，指标数据DpfEj越接近最优值，说明指标数据DpfEj对应的控制参数K3(ωBW，Ki，Kp)越优。
与现有技术相比，本发明的有益效果如下：
1)不需要人为手动测量数据，节省了手动每次重新操作下载、运行、使能电网扰动装置、复位以及收集到的数据存储文件的转移时间，降低了人为更改的差错率；
2)传统基于数学模型的控制参数优化方法无法更全面的提升并网逆变器性能的问题，本发明加入多个仿真指标的基础上，构建其多目标评价体系和待优化的控制器参数与逆变器性能之间的代理模型，并用遗传算法对参数进行了优化，从而更全面的提升逆变器的性能。
附图说明
图1为本发明优化方法的流程图；
图2为本发明中并网逆变器主电路与控制结构图；
图3为本实施例中基于并网逆变器模型的半实物仿真平台的示意图；
图4为控制参数稳定域测试结果图；
图5为BP神经网络代理模型预测值与实际值示意图；
图6为BP神经网络代理模型预测值与实际值相对误差示意图。
具体实施方式
本实例以一个并网逆变器系统为例，阐明一种基于智能算法的并网逆变器系统控制参数多目标优化方法，包括自动测试平台、多目标评价体系、代理模型、参数优化。
如图2所示，本发明中所述并网逆变器系统包括并网逆变器10、并网逆变器控制模块20和电网30；所述并网逆变器控制模块20包括采样单元201、锁相环202和电流环203，所述采样单元201接入电网30与并网逆变器10相连接的公共耦合点PCC处，实现对公共耦合点PCC处电压和电流的采样；所述并网逆变器系统控制参数为：锁相环202中的锁相环带宽ωBW，电流环203中的电流环积分系数Ki和电流环比例系数Kp。本实施例中并网逆变器10直流侧电压为680V，电网30电压为311V，电网30频率为50Hz。
本发明所述多目标优化方法的流程如图1。由图1可见，所述多目标优化方法包括搭建半实物仿真平台、建立多目标评价体系、建立代理模型和建立控制参数优化模型，具体的，在半实物仿真平台的基础上，进行并网逆变器不同控制参数的自动化测试和分析，通过搭建多目标评价体系对实时仿真的数据进行评估并构建代理模型，利用遗传算法对控制参数向高评分方向进行优化，具体步骤如下：
步骤1，搭建基于并网逆变器模型的半实物仿真平台，包括上位机40、实时仿真机50和逆变器控制箱60；所述逆变器控制箱60提供核心DSP控制、模拟并网逆变器控制模块20的工作；所述实时仿真机50负责模拟并网逆变器10和电网30的工作；所述实时仿真机50中设有模拟量输出接口Aout、数字量输入接口Din、网线接口eth1和网线接口eth0，模拟量输出接口Aout和数字量输入接口Din分别与逆变器控制箱60单向电连接，实现两者模拟量与数字量的实时交互，网线接口eth1通过网线与逆变器控制箱60双向连接，实现逆变器控制箱中参数的修改，且实时读取逆变器控制箱的运行数据；网线接口eth0与上位机40通过网线双向连接，实现上位机40对实时仿真机50的实时操作控制。
图3给出了本实施例中基于并网逆变器模型的半实物仿真平台的示意图。
步骤2，根据步骤1搭建的半实物仿真平台，对并网逆变器系统控制参数进行以下测试：控制参数稳定域测试、控制参数多场景测试、控制参数数据收集处理与指标计算，具体过程如下：
步骤2.1，控制参数稳定域测试
首先将并网逆变器控制环节20作为灰箱，设控制结构已知，控制参数未知，对给定的ψ种锁相环带宽ωBW进行控制参数稳定域测试，然后根据测试中记录的数据在平面坐标系中绘制出ψ条Kp-Ki曲线，并将该ψ条Kp-Ki曲线作为给定的ψ种锁相环带宽ωBW下并网逆变器系统控制参数稳定域边界曲线，即得到给定锁相环带宽ωBW下系统稳定运行的Ψ个并网逆变器系统控制参数稳定域。
将ψ个并网逆变器系统控制参数稳定域中的任意一个记为稳定域
将稳定域
对应的锁相环带宽ωBW记为带宽ωBWv，ν为稳定域的序号，ν＝1，2，…，ψ。
在本实施例中，稳定域
通过控制参数稳定域测试得到，具体过程如下：
步骤2.1.1，控制参数的设定
给定锁相环带宽ωBW为带宽ωBWv；
令电流环积分系数Ki在区间[0，1400]中取值，且按照下述设定增加：
在[0，1]区间，电流环积分系数Ki的值每次增加0.2；
在[1，100]区间，电流环积分系数Ki的值每次增加10；
在[100，1400]区间，电流环积分系数Ki的值每次增加100；
令电流环比例系数Kp在区间[1，20000]中取值，且按照下述设定增加：
在[1，100]区间，电流环比例系数的值Kp每次增加10；
在[100，1000]区间，电流环比例系数Kp的值每次增加100；
在[1000，20000]区间，电流环比例系数Kp的值每次增加1000；
步骤2.1.2，带宽ωBWv下控制参数稳定域测试一
记电流环积分系数Ki在区间[0，1400]中取值次数为σ，电流环比例系数Kp在区间[1，20000]中取值次数为σ1，即带宽ωBWv下控制参数稳定域测试中一共包括σ1×σ组电流环参数，记σ1×σ组中的任意一组电流环参数为电流环参数
其中，λ1＝1，2，…，σ1×σ；
在本实施例中，σ＝15。
对每一组电流环参数
进行仿真测试，在稳态运行2s后计算总谐波畸变率THD；若THD≥5％，确认当前控制参数不满足逆变器稳定运行条件，舍弃当前控制参数；若THD＜5％，确认当前控制参数满足逆变器稳定运行条件，记录当前控制参数；
设通过测试一记录得到Y1组当前控制参数，Y1＜σ1×σ，将Y1组当前控制参数中当前控制电流环比例系数Kp的最大值记为Kpm；
步骤2.1.3，带宽ωBWv下控制参数稳定域测试二
电流环积分系数Ki取值区间和取值次数均保持不变，电流环比例系数Kp取值区间修改为[Kpm，20000]，记电流环比例系数Kp在区间[Kpm，20000]中取值次数为σ2，即带宽ωBWv下控制参数稳定域测试二中包括σ2×σ组电流环参数，记σ2×σ组中的任意一组电流环参数为电流环参数
λ2＝1，2，…，σ2×σ；
对每一组电流环参数
进行仿真测试，在稳态运行2s后计算总谐波畸变率THD；若THD＜5％，确认当前控制参数满足逆变器稳定运行条件，舍弃当前参数；若THD≥5％，确认当前控制参数不满足逆变器稳定运行条件，记录当前控制参数；
设通过测试二记录得到Y2组当前控制参数，Y2＜σ2×σ；
步骤2.1.4，以电流环比例系数Kp为横轴，电流环积分系数Ki为纵轴，将Y1组和Y2组中记录的当前控制参数在平面坐标系中绘制出一条Kp-Ki曲线，该Kp-Ki曲线即为带宽ωBWv下并网逆变器系统控制参数稳定域的边界曲线，即得到稳定域
在本实施例中，给定锁相环带宽ωBW为2种，即ψ＝2，分别为40HZ和30HZ，最后得到2个稳定域。
步骤2.2，控制参数多场景测试
对步骤2.1得到的每一个稳定域
分别进行控制参数多场景测试，具体的，通过分层抽样在每个稳定域
内随机选取N个样本，并将每一个样本对应的一组控制参数记为样本控制参数K3(ωBW，Ki，Kp)，N为正整数；对N组样本控制参数K3(ωBW，Ki，Kp)进行多场景测试，并在测试过程中通过采样单元201记录得到N组实时数据，包括公共耦合点PCC处电压Upcce和电流Upcce的实时数据，将N组实时数据中的任意一组记为采样数据Dpcce，其中，e＝1，2，…，N；
对ψ个稳定域
进行控制参数多场景测试得到Ψ×N组采样数据Dpcce，将ψ×N组采样数据Dpcce存储在实时仿真机50中。
在本实施例中，分层抽样随机选取80个样本，即N＝80，步骤2.2所述控制参数多场景测试指的是对每一个稳定域
均进行以下操作：
步骤2.2.1，首先将步骤2.1得到的稳定域
等分成M个不重叠的子区间，并在每个子区间中随机选取N/M个样本，M为设定的正整数，即在一个稳定域
中共选取N个样本，并得到N组样本控制参数K3(ωBW，Ki，Kp)，通过上位机40将该N组样本控制参数K3(ωBW，Ki，Kp)传输给实时仿真机50和逆变器控制箱60；
步骤2.2.2，对N组中的任意一组样本控制参数K3(ωBW，Ki，Kp)进行仿真测试：
步骤2.2.2.1，稳态测试
保持并网逆变器系统稳态运行2s，通过采样单元201采样整个稳态运行过程中公共耦合点PCC处电压Upcce和电流Ipcce的实时数据，并对公共耦合点PCC处电流Ipcce的实时数据进行傅里叶变换FFT分析；通过分析获取总谐波畸变率THD后进行以下判断：
若THD≥5％，停止多场景测试；
若THD＜5％，记录稳态测试时公共耦合点PCC处的电压Upcce和电流Ipcce的实时数据，并进入步骤2.2.1.2；
步骤2.2.1.2，交流侧小扰动测试
记并网逆变器10侧电压为Uc，调节并网逆变器10侧电压Uc使之跌落至0.9Uc，运行2s后，并网逆变器10侧电压恢复至Uc；通过采样单元201采样整个交流侧小扰动过程中公共耦合点PCC处电压Upcce和电流Ipcce的实时数据，并对公共耦合点PCC处电流Ipcce的实时数据进行快速傅里叶变换FFT分析，通过分析获取总谐波畸变率THD后进行如下判断：
若THD≥5％，停止多场景测试；
若THD＜5％，记录交流测小扰动测试时公共耦合点PCC处电压Upcce、电流Ipcce的实时数据，并进入步骤2.2.1.3；
步骤2.2.1.3，指令值小扰动测试
记电流环指令值为Iref，调节电流环指令值Iref使之跌落至0.9Iref，运行2s，通过采样单元201采样整个指令值小扰动过程中公共耦合点PCC处电压Upcce和电流Ipcce的实时数据，并对公共耦合点PCC处电流Ipcce的实时数据进行快速傅里叶变换FFT分析，通过分析获取总谐波畸变率THD后进行以下判断：
若THD≥5％，停止多场景测试；
若THD＜5％，记录指令值小扰动测试时公共耦合点PCC处电压Upcce、电流Ipcce的实时数据；
通过步骤2.2.2.1-步骤2.2.2.3得到一组控制参数K3(ωBW，Ki，Kp)对应的采样数据Dpcce，该采样数据Dpcce中包括公共耦合点PCC处电压Upcce和电流Ipcce的实时数据；
步骤2.2.3，对N组中的每一组样本控制参数K3(ωBW，Ki，Kp)进行步骤2.2.2的测试，共记录得到N组采样数据Dpcce，将得到的N组采样数据Dpcce存储在实时仿真机50中。
步骤2.3，控制参数数据收集与指标计算
将步骤2.2采样得到的ψ×N组采样数据Dpcce通过通信协议传输给上位机40，上位机40根据预存算法对ψ×N组采样数据Dpcce进行性能指标计算，得到ψ×N组指标数据DpfEj，其中，E＝1，2，…，ψ×N，j＝1，2，3，4，5；
所述指标数据DpfEj包括：稳态测试时并网点电流的总谐波畸变率THD计算数据，记为总谐波畸变率THD计算数据DpfE1，交流侧小扰动测试时并网点电流的动态变化计算数据，记为动态变化计算数据DpfE2，交流侧小扰动测试时并网点电流的恢复时间计算数据，记为恢复时间计算数据DpfE3，指令值小扰动测试时并网点电流的超调量计算数据，记为超调量计算数据DpfE4，指令值小扰动测试时并网点电流的调节时间计算数据，记为调节时间计算数据DpfE5。
步骤3，搭建并网逆变器系统控制参数多目标评价体系
定义并网逆变器系统控制参数多目标评价体系的评价指标为评价指标Telj，其中，j＝1，2，3，4，5，定义并网逆变器系统控制参数多目标评价体系的评价分数为评价分数GE，其中，E＝1，2，…，ψ×N。
通过基于组合赋权法的TOPSIS法获得ψ×N组指标数据DpfEj对应的评价分数GE，构建出控制参数K3(ωBW，Ki，Kp)到评价指标Telj、评价指标Telj到评价分数GE之间的多目标评价体系，具体的，包括以下步骤：
步骤3.1，建立评价指标Telj的表达式如下：
Telj＝Tel1+Tel2+Tel3+Tel4+Tel5
其中，Tel1为稳态测试时并网点电流的总谐波畸变率，Tel2为交流侧小扰动测试时并网点电流的动态变化，Tel3为交流侧小扰动测试时并网点电流的恢复时间，Tel4为指令值小扰动测试时并网点电流的超调量，Tel5为指令值小扰动测试时并网点电流的调节时间；
步骤3.2，根据步骤3.1确定的评价指标Telj利用组合赋权法计算出评价指标Telj对应的组合权重值wj，其中，j＝1，2，3，4，5；具体的，先利用Delphi法计算主观权重值wj′，利用熵值法计算客观权重值wj″，然后利用“乘法”集成法计算得到组合权重值wj；
所述组合权重值wj包括稳态测试时并网点电流的总谐波畸变率权重值w1、交流侧小扰动测试时时并网点电流的动态变化权重值w2、交流侧小扰动测试时时并网点电流的恢复时间权重值w3、指令值小扰动测试时并网点电流的超调量权重值w4和指令值小扰动测试时并网点电流的调节时间权重值w5；
步骤3.3，根据步骤2.3得到的ψ×N组指标数据DpfEj采用TOPSIS法得到指标数据DpfEj对应区间[0，100]内的评价分数GE，所得评价分数GE作为评价并网逆变器系统控制参数优劣的依据。
步骤4，以控制参数K3(ωBW，Ki，Kp)作为输入，以步骤3.3所得评价分数GE作为输出来训练神经网络，训练完成的神经网络作为并网逆变器系统控制参数与评价分数之间的函数映射关系，并记为代理模型O(ωBW，Ki，Kp，GE)，其中，神经网络为BP神经网络。
步骤5，利用遗传算法对并网逆变器系统控制参数进行优化，具体的，根据步骤4得到的代理模型O(ωBW，Ki，Kp，GE)，建立并网逆变器系统控制参数的优化目标函数f0(GE)，通过使用遗传算法使控制参数K3(ωBW，Ki，Kp)的评价分数GE向高评分方向逼近，得到最优控制参数K3best(ωBW，Ki，Kp)。
所述并网逆变器系统控制参数的优化目标函数的表达式如下：
f0(GE)＝100-O(ωBW，Ki，Kp，GE)
其中，优化目标函数f0(GE)的值越小越好。
步骤6，将最优控制参数K3best(ωBW，Ki，Kp)置入并网逆变器系统控制参数中参与控制。
在本实施例中，以上步骤中的步骤3.2所述组合权重值wj按照以下步骤得到：
步骤3.2.1，利用Delphi法确定评估指标的主观权重值wj′；
步骤3.2.2，利用熵值法确定评估指标的客观权重值wj″，具体过程如下：
步骤3.2.2.1，归一化原始数据矩阵，设步骤2.3得到的ψ×N组指标数据DpfEj对应的原始数据矩阵记为B，B＝(bjE)5×[ψ×N]，其中，bjE为指标数据DpfEj对应的第j个计算数据；对原始数据矩阵B进行归一化处理得到归一化矩阵R，R＝(rjE)5×[ψ×N]，其中，rjE为指标数据DpfEj对应的第j个归一化计算数据，其归一化的公式为：
步骤3.2.2.2，根据步骤3.2.2.1所得归一化矩阵R，设第j个指标的熵为hj，指标数据DpfEj的第j个归一化计算数据的比重为fjE：
式中，
其中k为常数，k＝1/ln E，当fjE＝0，取ln fjE＝0，
步骤3.2.2.3，设第j个指标熵权为wj″，根据步骤3.2.2.2所得第j个指标的熵hj，得到第j个指标熵权wj″，：
步骤3.2.3，根据步骤3.2.1所得第j个指标主观权重wj′，步骤3.2.2.3所得第j个指标客观熵权wj″，利用“乘法”集成法得到第j个指标组合权重wj＝(w1，w2，…，w5)，组合赋权公式为：
在本实施例中，以上步骤中的步骤3.3所述评价分数GE按照以下步骤得到：
步骤3.3.1，根据步骤3.1确定的评价指标Telj构造指标数据DpfEj的决策矩阵，记为决策矩阵Yu，Xu＝(xij)3×5，其中，i＝1，2，3，xij为决策矩阵xu的子元素，其中，x1j为步骤2.3得到的指标数据DpfEj，x2j为评价指标Telj最优值，x3j为评价指标Telj合格值，评价指标Telj最优值和评价指标Telj合格值由专家经验、国标或行标给出；
步骤3.3.2，对决策矩阵Xu内各元素进行规范化处理，得到指标数据DpfEj的规范决策矩阵，记为规范决策矩阵Yu，Yu＝(yij)3×5，其中，yij为规范决策矩阵Yu的子元素，
步骤3.3.3，根据步骤3.2得到的评价指标Telj的组合权重值wj，步骤3.3.2得到的规范决策矩阵Yu的子元素yij，构造指标数据DpfEj的加权规范矩阵Zu，Zu＝(zij)3×5，其中，zij为加权规范阵Zu的子元素，zij＝wjyij；
步骤3.3.4，根据步骤3.3.3得到的加权规范阵Zu的子元素zij，计算指标数据DpfEj中各指标值到最优值的第一距离du+，计算指标数据DpfEj中合格值到最优值的第二距离du：
步骤3.3.5，记指标数据DpfEj的评估指标与最优值的相对趋近度为相对趋近度cu，其表达式为：
cu＝du+/du
相对趋近度cu越接近0，指标数据Dpfuj越接近最优值；
步骤3.3.6，根据步骤3.3.5得到的相对趋近度cu，计算指标数据DpfEj的总评价分数GE，相对趋近度cu与评价等级和评价分数GE对应关系为；
评价分数GE越高，指标数据DpfEj越接近最优值，说明指标数据DpfEj对应的控制参数K3(ωBW，Ki，Kp)越优。
在本实施例中，以上步骤中的步骤4所述的BP神经网络的训练，训练样本为步骤3.3ψ×N组样本控制参数K3(ωBW，Ki，Kp)作为输入数据，样本控制参数K3(ωBW，Ki，Kp)对应的评价分数GE作为输出数据，需要训练的的网络参数有输入层与隐含层之间的连接权值为Wsq和隐含层与输出层之间的连接权值为Wq1。具体训练过程如下：
根据控制参数K3(ωBW，Ki，Kp)定义网络的输入为Is，其中，s＝1，2，3，确定网络的输入层节点数为3；根据评价分数GE定义网络的输出为Co1，定义输出层的输入为Ci1；确定网络的输出层节点数为1；确定隐含层节点数为β，确定隐含层的输入为Hiq、输出为Hoq，其中，q＝1，2，…，β，隐含层节点数为l；初始化输入层与隐含层之间的连接权值为Wsq；初始化隐含层与输出层之间的连接权值为Wq1；设置最大迭代次数为M；设置神经网络的预测误差为E1；设置目标误差为E；设置学习速率为η；设置期望输出为Ch1；
设置隐含层的神经元激励函数为fyh(Hiq)，其表达式如下：
设置输出层的神经元激励函数为fsc(Ci1)，其表达式如下：
根据网络的输入Is，连接权值Wsq，计算隐含层的输入Hiq为
根据隐含层的输入Hiq，隐含层的神经元激励函数为fyh(Hiq)，计算隐含层的输出Hoq为：
根据隐含层的输出Hoq、连接权值Wql，计算输出层的输入Ci1为：
根据输出层的输入Ci1、输出层的神经元激励函数为fsc(Ci1)，计算输出层的输出Co1为：
根据网络的输出Co1和期望输出Ch1，计算神经网络的预测误差E1为；
E1＝Co1-Ch1
根据预测误差E1更新输入层与隐含层之间的连接权值为Wsq，连接权值Wsq为：
其中，(n+1)为第n+1次迭代，(n)为第n次迭代
根据预测误差E1更新隐含层与输出层之间的连接权值为Wq1，连接权值Wq1为：
ωq1(n+1)＝ωq1(n)+ηH0q(n)E1(n)
当迭代次数达到最大迭代次数M时结束训练。
在本实施例中，以上步骤中的步骤5所述的遗传算法，设置种群规模为200，最大迭代次数为100，变异概率为0.2，交叉比例为0.8，编码方法采用实数编码，选择操作采用轮盘赌法，交叉操作采用实数交叉法。
为了说明本发明的技术效果，对本发明进行了仿真。
图4为控制参数稳定域测试结果图，图4中分别画出来ωBW＝40Hz、ωBW＝30Hz时的Kp-Ki曲线，该Kp-Ki曲线即为带宽ωBW＝40Hz、ωBW＝30Hz下并网逆变器系统控制参数稳定域的边界曲线。
图5为BP神经网络代理模型预测值与实际值示意图，图6为BP神经网络代理模型预测值与实际值相对误差示意图，通过图5、图6可以看出，BP神经网络代理模型预测值与实际值接近，误差均小于0.5％，说明BP神经网络代理模型预测准确。
通过遗传算法得到最优控制参数K3best(ωBW，Ki，Kp)，此时ωBW＝30Hz，Ki＝9824，Kp＝27。将最优控制参数K3best(ωBW，Ki，Kp)置入并网逆变器系统控制参数中参与控制。指标计算得到总谐波畸变率THD计算数据DpfE1＝0.26％，动态变化计算数据DpfE2＝0.58％，恢复时间计算数据DpfE3＝2.36ms，超调量计算数据DpfE4＝0.20％，调节时间计算数据DpfE5＝2.54ms，获得对应的评价分数GE＝92.9，说明遗传算法寻优结果理想。
Claims (5)
1.一种基于智能算法的并网逆变器系统控制参数多目标优化方法，所述并网逆变器系统包括并网逆变器(10)、并网逆变器控制模块(20)和电网(30)；所述并网逆变器控制模块(20)包括采样单元(201)、锁相环(202)和电流环(203)，所述采样单元(201)接入电网(30)与并网逆变器(10)相连接的公共耦合点PCC处，实现对公共耦合点PCC处电压和电流的采样；所述并网逆变器系统控制参数为：锁相环(202)中的锁相环带宽ωBW，电流环(203)中的电流环积分系数Ki和电流环比例系数Kp；
其特征在于，所述多目标优化方法包括搭建半实物仿真平台、建立多目标评价体系、建立代理模型和建立控制参数优化模型，具体的，在半实物仿真平台的基础上，进行并网逆变器不同控制参数的自动化测试和分析，通过搭建多目标评价体系对实时仿真的数据进行评估并构建代理模型，利用遗传算法对控制参数向高评分方向进行优化，具体步骤如下：
步骤1，搭建基于并网逆变器模型的半实物仿真平台，包括上位机(40)、实时仿真机(50)和逆变器控制箱(60)；所述逆变器控制箱(60)提供核心DSP控制、模拟并网逆变器控制模块(20)的工作；所述实时仿真机(50)负责模拟并网逆变器(10)和电网(30)的工作；所述实时仿真机(50)中设有模拟量输出接口Aout、数字量输入接口Din、网线接口eth1和网线接口eth0，模拟量输出接口Aout和数字量输入接口Din分别与逆变器控制箱(60)单向电连接，实现两者模拟量与数字量的实时交互，网线接口eth1通过网线与逆变器控制箱(60)双向连接，实现逆变器控制箱中参数的修改，且实时读取逆变器控制箱的运行数据；网线接口eth0与上位机(40)通过网线双向连接，实现上位机(40)对实时仿真机(50)的实时操作控制；
步骤2，根据步骤1搭建的半实物仿真平台，对并网逆变器系统控制参数进行以下测试：控制参数稳定域测试、控制参数多场景测试、控制参数数据收集处理与指标计算，具体过程如下；
步骤2.1，控制参数稳定域测试
首先将并网逆变器控制环节(20)作为灰箱，设控制结构已知，控制参数未知，对给定的ψ种锁相环带宽ωBW进行控制参数稳定域测试，然后根据测试中记录的数据在平面坐标系中绘制出ψ条Kp-Ki曲线，并将该ψ条Kp-Ki曲线作为给定的ψ种锁相环带宽ωBW下并网逆变器系统控制参数稳定域边界曲线，即得到给定锁相环带宽ωBW下系统稳定运行的ψ个并网逆变器系统控制参数稳定域；
将ψ个并网逆变器系统控制参数稳定域中的任意一个记为稳定域
将稳定域
对应的锁相环带宽ωBW记为带宽ωBWv，ν为稳定域的序号，v＝1，2，…，ψ；
步骤2.2，控制参数多场景测试
对步骤2.1得到的每一个稳定域
分别进行控制参数多场景测试，具体的，通过分层抽样在每个稳定域
内随机选取N个样本，并将每一个样本对应的一组控制参数记为样本控制参数K3(ωBW，Ki，Kp)，N为正整数；对N组样本控制参数K3(ωBW，Ki，Kp)进行多场景测试，并在测试过程中通过采样单元(201)记录得到N组实时数据，包括公共耦合点PCC处电压Upcce和电流Ipcce的实时数据，将N组实时数据中的任意一组记为采样数据Dpcce，其中，e＝1，2，…，N；
对ψ个稳定域
进行控制参数多场景测试得到ψ×N组采样数据Dpcce，将ψ×N组采样数据Dpcce存储在实时仿真机(50)中；
步骤2.3，控制参数数据收集与指标计算
将步骤2.2采样得到的ψ×N组采样数据Dpcce通过通信协议传输给上位机(40)，上位机(40)根据预存算法对ψ×N组采样数据Dpcce进行性能指标计算，得到ψ×N组指标数据DpfEj，其中，E＝1，2，…，ψ×N，j＝1，2，3，4，5；
所述指标数据DpfEj包括：稳态测试时并网点电流的总谐波畸变率THD计算数据，记为总谐波畸变率THD计算数据DpfE1，交流侧小扰动测试时并网点电流的动态变化计算数据，记为动态变化计算数据DpfE2，交流侧小扰动测试时并网点电流的恢复时间计算数据，记为恢复时间计算数据DpfE3，指令值小扰动测试时并网点电流的超调量计算数据，记为超调量计算数据DpfE4，指令值小扰动测试时并网点电流的调节时间计算数据，记为调节时间计算数据DpfE5；
步骤3，搭建并网逆变器系统控制参数多目标评价体系
定义并网逆变器系统控制参数多目标评价体系的评价指标为评价指标Telj，其中，j＝1，2，3，4，5，定义并网逆变器系统控制参数多目标评价体系的评价分数为评价分数GE，其中，E＝1，2，…，ψ×N；
通过基于组合赋权法的TOPSIS法获得ψ×N组指标数据DpfEj对应的评价分数GE，构建出控制参数K3(ωBW，Ki，Kp)到评价指标Telj、评价指标Telj到评价分数GE之间的多目标评价体系，具体的，包括以下步骤：
步骤3.1，建立评价指标Telj的表达式如下：
Telj＝Tel1+Tel2+Tel3+Tel4+Tel5
其中，Tel1为稳态测试时并网点电流的总谐波畸变率，Tel2为交流侧小扰动测试时并网点电流的动态变化，Tel3为交流侧小扰动测试时并网点电流的恢复时间，Tel4为指令值小扰动测试时并网点电流的超调量，Tel5为指令值小扰动测试时并网点电流的调节时间；
步骤3.2，根据步骤3.1确定的评价指标Telj利用组合赋权法计算出评价指标Telj对应的组合权重值wj，其中，j＝1，2，3，4，5；具体的，先利用Delphi法计算主观权重值wj′，利用熵值法计算客观权重值wj″，然后利用“乘法”集成法计算得到组合权重值wj；
所述组合权重值wj包括稳态测试时并网点电流的总谐波畸变率权重值w1、交流侧小扰动测试时时并网点电流的动态变化权重值w2、交流侧小扰动测试时时并网点电流的恢复时间权重值w3、指令值小扰动测试时并网点电流的超调量权重值w4和指令值小扰动测试时并网点电流的调节时间权重值w5；
步骤3.3，根据步骤2.3得到的ψ×N组指标数据DpfEj采用TOPSIS法得到指标数据DpfEj对应区间[0，100]内的评价分数GE，所得评价分数GE作为评价并网逆变器系统控制参数优劣的依据；
步骤4，以控制参数K3(ωBW，Ki，Kp)作为输入，以步骤3.3所得评价分数GE作为输出来训练神经网络，训练完成的神经网络作为并网逆变器系统控制参数与评价分数之间的函数映射关系，并记为代理模型O(ωBW，Ki，Kp，GE)，其中，神经网络为BP神经网络；
步骤5，利用遗传算法对并网逆变器系统控制参数进行优化，具体的，根据步骤4得到的代理模型O(ωBW，Ki，Kp，GE)，建立并网逆变器系统控制参数的优化目标函数f0(GE)，通过使用遗传算法使控制参数K3(ωBW，Ki，Kp)的评价分数GE向高评分方向逼近，得到最优控制参数K3best(ωBW，Ki，Kp)；
所述并网逆变器系统控制参数的优化目标函数的表达式如下：
f0(GE)＝100-O(ωBW，Ki，Kp，GE)
其中，优化目标函数f0(GE)的值越小越好；
步骤6，将最优控制参数K3best(ωBW，Ki，Kp)置入并网逆变器系统控制参数中参与控制。
2.根据权利要求1所述的一种基于智能算法的并网逆变器系统控制参数多目标优化方法，其特征在于，步骤2.1所述稳定域
通过控制参数稳定域测试得到，具体过程如下：
步骤2.1.1，控制参数的设定
给定锁相环带宽ωBW为带宽ωBWv；
令电流环积分系数Ki在区间[0，1400]中取值，且按照下述设定增加：
在[0，1]区间，电流环积分系数Ki的值每次增加0.2；
在[1，100]区间，电流环积分系数Ki的值每次增加10；
在[100，1400]区间，电流环积分系数Ki的值每次增加100；
令电流环比例系数Kp在区间[1，20000]中取值，且按照下述设定增加：
在[1，100]区间，电流环比例系数的值Kp每次增加10；
在[100，1000]区间，电流环比例系数Kp的值每次增加100；
在[1000，20000]区间，电流环比例系数Kp的值每次增加1000；
步骤2.1.2，带宽ωBWv下控制参数稳定域测试一
记电流环积分系数Ki在区间[0，1400]中取值次数为σ，电流环比例系数Kp在区间[1，20000]中取值次数为σ1，即带宽ωBWv下控制参数稳定域测试中一共包括σ1×σ组电流环参数，记σ1×σ组中的任意一组电流环参数为电流环参数
其中，λ1＝1，2，…，σ1×σ；
对每一组电流环参数
进行仿真测试，在稳态运行2s后计算总谐波畸变率THD；若THD≥5％，确认当前控制参数不满足逆变器稳定运行条件，舍弃当前控制参数；若THD＜5％，确认当前控制参数满足逆变器稳定运行条件，记录当前控制参数；
设通过测试一记录得到Y1组当前控制参数，Y1＜σ1×σ，将Y1组当前控制参数中当前控制电流环比例系数Kp的最大值记为Kpm；
步骤2.1.3，带宽ωBWv下控制参数稳定域测试二
电流环积分系数Ki取值区间和取值次数均保持不变，电流环比例系数Kp取值区间修改为[Kpm，20000]，记电流环比例系数Kp在区间[Kpm，20000]中取值次数为σ2，即带宽ωBWv下控制参数稳定域测试二中包括σ2×σ组电流环参数，记σ2×σ组中的任意一组电流环参数为电流环参数
λ2＝1，2，…，σ2×σ；
对每一组电流环参数
进行仿真测试，在稳态运行2s后计算总谐波畸变率THD；若THD＜5％，确认当前控制参数满足逆变器稳定运行条件，舍弃当前参数；若THD≥5％，确认当前控制参数不满足逆变器稳定运行条件，记录当前控制参数；
设通过测试二记录得到Y2组当前控制参数，Y2＜σ2×σ；
步骤2.1.4，以电流环比例系数Kp为横轴，电流环积分系数Ki为纵轴，将Y1组和Y2组中记录的当前控制参数在平面坐标系中绘制出一条Kp-Ki曲线，该Kp-Ki曲线即为带宽ωBWv下并网逆变器系统控制参数稳定域的边界曲线，即得到稳定域
3.根据权利要求1所述的一种基于智能算法的并网逆变器系统控制参数多目标优化方法，其特征在于，步骤2.2所述控制参数多场景测试指的是对每一个稳定域
均进行以下操作：
步骤2.2.1，首先将步骤2.1得到的稳定域
等分成M个不重叠的子区间，并在每个子区间中随机选取N/M个样本，M为设定的正整数，即在一个稳定域
中共选取N个样本，并得到N组样本控制参数K3(ωBW，Ki，Kp)，通过上位机(40)将该N组样本控制参数K3(ωBW，Ki，Kp)传输给实时仿真机(50)和逆变器控制箱(60)；
步骤2.2.2，对N组中的任意一组样本控制参数K3(ωBW，Ki，Kp)进行仿真测试：
步骤2.2.2.1，稳态测试
保持并网逆变器系统稳态运行2s，通过采样单元(201)采样整个稳态运行过程中公共耦合点PCC处电压Upcce和电流Ipcce的实时数据，并对公共耦合点PCC处电流Upcce的实时数据进行傅里叶变换FFT分析；通过分析获取总谐波畸变率THD后进行以下判断：
若THD≥5％，停止多场景测试；
若THD＜5％，记录稳态测试时公共耦合点PCC处的电压Upcce和电流Ipcce的实时数据，并进入步骤2.2.1.2；
步骤2.2.1.2，交流侧小扰动测试
记并网逆变器(10)侧电压为Uc，调节并网逆变器(10)侧电压Uc使之跌落至0.9Uc，运行2s后，并网逆变器(10)侧电压恢复至Uc；通过采样单元(201)采样整个交流侧小扰动过程中公共耦合点PCC处电压Upcce和电流Ipcce的实时数据，并对公共耦合点PCC处电流Ipcce的实时数据进行快速傅里叶变换FFT分析，通过分析获取总谐波畸变率THD后进行如下判断：
若THD≥5％，停止多场景测试；
若THD＜5％，记录交流测小扰动测试时公共耦合点PCC处电压Upcce、电流Ipcce的实时数据，并进入步骤2.2.1.3；
步骤2.2.1.3，指令值小扰动测试
记电流环指令值为Iref，调节电流环指令值Iref使之跌落至0.9Iref，运行2s，通过采样单元(201)采样整个指令值小扰动过程中公共耦合点PCC处电压Dpcce和电流Ipcce的实时数据，并对公共耦合点PCC处电流Ipcce的实时数据进行快速傅里叶变换FFT分析，通过分析获取总谐波畸变率THD后进行以下判断：
若THD≥5％，停止多场景测试；
若THD＜5％，记录指令值小扰动测试时公共耦合点PCC处电压Upcce、电流Ipcce的实时数据；
通过步骤2.2.2.1-步骤2.2.2.3得到一组控制参数K3(ωBW，Ki，Kp)对应的采样数据Dpcce，该采样数据Dpcce中包括公共耦合点PCC处电压Upcce和电流Ipcce的实时数据：
步骤2.2.3，对N组中的每一组样本控制参数K3(ωBW，Ki，Kp)进行步骤2.2.2的测试，共记录得到N组采样数据Dpcce，将得到的N组采样数据Dpcce存储在实时仿真机(50)中。
4.根据权利要求1所述的一种基于智能算法的并网逆变器系统控制参数多目标优化方法，其特征在于，步骤3.2所述组合权重值wj按照以下步骤得到：
步骤3.2.1，利用Delphi法确定评估指标的主观权重值wj′；
步骤3.2.2，利用熵值法确定评估指标的客观权重值wj″，具体过程如下：步骤3.2.2.1，归一化原始数据矩阵，设步骤2.3得到的ψ×N组指标数据DpfEj对应的原始数据矩阵记为B，B＝(bjE)5×[ψ×N]，其中，bjE为指标数据DpfEj对应的第j个计算数据；对原始数据矩阵B进行归一化处理得到归一化矩阵R，R＝(rjE)5×[ψ×N]，其中，rjE为指标数据DpfEj对应的第j个归一化计算数据，其归一化的公式为：
步骤3.2.2.2，根据步骤3.2.2.1所得归一化矩阵R，设第j个指标的熵为hj，指标数据DpfEj的第j个归一化计算数据的比重为fjE：
式中，
其中k为常数，k＝1/ln E，当fjE＝0，取ln fjE＝0，
步骤3.2.2.3，设第j个指标熵权为wj″，根据步骤3.2.2.2所得第j个指标的熵hj，得到第j个指标熵权wj″，：
步骤3.2.3，根据步骤3.2.1所得第j个指标主观权重wj′，步骤3.2.2.3所得第j个指标客观熵权wj″，利用“乘法”集成法得到第j个指标组合权重wj＝(w1，w2，…，w5)，组合赋权公式为：
5.根据权利要求1所述的一种基于智能算法的并网逆变器系统控制参数多目标优化方法，其特征在于，步骤3.3所述评价分数GE按照以下步骤得到：
步骤3.3.1，根据步骤3.1确定的评价指标Telj构造指标数据DpfEj的决策矩阵，记为决策矩阵Xu，Xu＝(xij)3×5，其中，i＝1，2，3，xij为决策矩阵Xu的子元素，其中，x1j为步骤2.3得到的指标数据DpfEj，x2j为评价指标Telj最优值，x3j为评价指标Telj合格值，评价指标Telj最优值和评价指标Telj合格值由专家经验、国标或行标给出；
步骤3.3.2，对决策矩阵Xu内各元素进行规范化处理，得到指标数据DpfEj的规范决策矩阵，记为规范决策矩阵Yu，Yu＝(yij)3×5，其中，yij为规范决策矩阵Yu的子元素，
步骤3.3.3，根据步骤3.2得到的评价指标Telj的组合权重值wj，步骤3.3.2得到的规范决策矩阵Yu的子元素yij，构造指标数据DpfEj的加权规范矩阵Zu，Zu＝(zij)3×5，其中，zij为加权规范阵Zu的子元素，zij＝wjyij；
步骤3.3.4，根据步骤3.3.3得到的加权规范阵Zu的子元素zij，计算指标数据DpfEj中各指标值到最优值的第一距离du+，计算指标数据DpfEj中合格值到最优值的第二距离du：
步骤3.3.5，记指标数据DpfEj的评估指标与最优值的相对趋近度为相对趋近度cu，其表达式为：
cu＝du+/du
相对趋近度cu越接近0，指标数据Dpfuj越接近最优值；
步骤3.3.6，根据步骤3.3.5得到的相对趋近度cu，计算指标数据DpfEj的总评价分数GE，相对趋近度cu与评价等级和评价分数GE对应关系为；
评价分数GE越高，指标数据DpfEj越接近最优值，说明指标数据DpfEj对应的控制参数K3(ωBW，Ki，Kp)越优。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210279651.3A CN114552653B (zh) | 2022-03-21 | 2022-03-21 | 基于智能算法的并网逆变器系统控制参数多目标优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210279651.3A CN114552653B (zh) | 2022-03-21 | 2022-03-21 | 基于智能算法的并网逆变器系统控制参数多目标优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114552653A true CN114552653A (zh) | 2022-05-27 |
| CN114552653B CN114552653B (zh) | 2024-03-26 |
Family
ID=81666349
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210279651.3A Active CN114552653B (zh) | 2022-03-21 | 2022-03-21 | 基于智能算法的并网逆变器系统控制参数多目标优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114552653B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115616918A (zh) * | 2022-11-11 | 2023-01-17 | 国网安徽省电力有限公司芜湖市繁昌区供电公司 | 基于改进果蝇优化算法的并网逆变器控制方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105914758A (zh) * | 2016-05-17 | 2016-08-31 | 华北电力大学 | 考虑分布式电源无功补偿成本的电网无功优化方法 |
| CN106655256A (zh) * | 2016-11-02 | 2017-05-10 | 温州大学 | 一种用于三相并网逆变器的多目标pq优化控制方法 |
| CN108649780A (zh) * | 2018-05-15 | 2018-10-12 | 国网上海市电力公司 | 一种考虑弱电网下逆变器稳定性的lcl滤波器参数优化方法 |
| US20190219286A1 (en) * | 2016-09-21 | 2019-07-18 | Gree Electric Appliances, Inc. Of Zhuhai | Control Parameter Determining Method and Apparatus, and Control System for Photovoltaic Air Conditioning System |
| CN112462626A (zh) * | 2020-11-25 | 2021-03-09 | 合肥工业大学 | 一种并网逆变器运行参数的仿真优化方法 |
-
2022
- 2022-03-21 CN CN202210279651.3A patent/CN114552653B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105914758A (zh) * | 2016-05-17 | 2016-08-31 | 华北电力大学 | 考虑分布式电源无功补偿成本的电网无功优化方法 |
| US20190219286A1 (en) * | 2016-09-21 | 2019-07-18 | Gree Electric Appliances, Inc. Of Zhuhai | Control Parameter Determining Method and Apparatus, and Control System for Photovoltaic Air Conditioning System |
| CN106655256A (zh) * | 2016-11-02 | 2017-05-10 | 温州大学 | 一种用于三相并网逆变器的多目标pq优化控制方法 |
| CN108649780A (zh) * | 2018-05-15 | 2018-10-12 | 国网上海市电力公司 | 一种考虑弱电网下逆变器稳定性的lcl滤波器参数优化方法 |
| CN112462626A (zh) * | 2020-11-25 | 2021-03-09 | 合肥工业大学 | 一种并网逆变器运行参数的仿真优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李兰芳;马明;刘正富;韩斐;: "计及不确定性和谐波畸变的分布式电源最优配置", 电测与仪表, no. 23, 10 December 2014 (2014-12-10) * |
| 杨捷;顾冬冬;孙明浩;郭晓静;高丽萍;: "三相光伏并网逆变器多目标优化模型预测控制", 电力系统保护与控制, no. 15, 28 July 2016 (2016-07-28) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115616918A (zh) * | 2022-11-11 | 2023-01-17 | 国网安徽省电力有限公司芜湖市繁昌区供电公司 | 基于改进果蝇优化算法的并网逆变器控制方法及系统 |
| CN115616918B (zh) * | 2022-11-11 | 2023-10-03 | 国网安徽省电力有限公司芜湖市繁昌区供电公司 | 基于改进果蝇优化算法的并网逆变器控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114552653B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102269972B (zh) | 基于遗传神经网络的管道压力缺失数据补偿方法及装置 | |
| CN109523155B (zh) | 一种蒙特卡洛及最小二乘支持向量机的电网风险评估方法 | |
| CN113363998B (zh) | 一种基于多智能体深度强化学习的配电网电压控制方法 | |
| Li et al. | An intelligent transient stability assessment framework with continual learning ability | |
| CN107294527A (zh) | 同步旋转坐标系锁相环及其测试方法、装置 | |
| CN114784823A (zh) | 基于深度确定性策略梯度的微电网频率控制方法及系统 | |
| CN113471982A (zh) | 云边协同与电网隐私保护的分布式电源就地电压控制方法 | |
| CN114552653A (zh) | 基于智能算法的并网逆变器系统控制参数多目标优化方法 | |
| Li et al. | Deep learning-based transient stability assessment framework for large-scale modern power system | |
| CN104833852A (zh) | 一种基于人工神经网络的电力系统谐波信号估计测量方法 | |
| CN108647838A (zh) | 一种基于随机矩阵理论和在线序列极限学习机的电网态势感知方法 | |
| CN112200038A (zh) | 一种基于cnn的电力系统振荡类型的快速辨识方法 | |
| CN115632394A (zh) | 基于ppo算法的光伏电站暂态模型构建与参数辨识方法 | |
| CN114429248A (zh) | 一种变压器视在功率预测方法 | |
| CN113422371A (zh) | 一种基于图卷积神经网络的分布式电源就地电压控制方法 | |
| CN117236744A (zh) | 一种考虑多谐波源的谐波影响评估方法 | |
| CN115329911A (zh) | 一种基于sae二分类模型的含upfc电力系统安全校正方法 | |
| CN111639463B (zh) | 一种基于XGBoost算法的电力系统扰动后频率特征预测方法 | |
| CN113627041A (zh) | 基于多源数据融合的时变动态负荷在线建模方法及装置 | |
| CN114139809A (zh) | 基于XGBoost电力系统动态频率响应曲线预测方法及系统 | |
| CN109474258A (zh) | 基于核极化策略的随机傅立叶特征核lms的核参数优化方法 | |
| Tang et al. | Using Frequency-Dependent Integer Order Models to Simulate Fractional Order Model for Battery Management | |
| He et al. | Measurement-Driven Damping Control Based on the Deep Transfer Reinforcement Learning to Suppress Sub-synchronous Oscillations in a Large-Scale Renewable Power System | |
| Diao et al. | Deep Integration and Learning of Measurement Data in Active Distribution Power Networks for Load Flow Estimation Considering Incomplete Information | |
| CN117313958B (zh) | 基于迁移学习的低压分布式光伏功率预测方法及系统 |
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 |