CN114977293A - 基于风-光伏-燃料电池的微电网频率控制的方法 - Google Patents

Abstract

本发明提供一种基于风‑光伏‑燃料电池的微电网频率控制的方法，该方法包括：采用线性化传递函数分别对微电网的发电资源和储能系统源进行建模；将发电资源和所述储能系统进行整合形成微电网，建立基于风力‑光伏‑燃料电池的微电网线性化模型；基于线性自抗扰控制算法构建用于频率控制的微电网频率控制器；基于蝙蝠优化算法对微电网频率控制器的性能进行优化。本发明的方法通过基于线性自抗扰控制算法设计的微电网频率控制器，能够有效抑制风速和负荷扰动对系统频率的影响。

Description

基于风-光伏-燃料电池的微电网频率控制的方法

技术领域

本发明属于微电网频率控制技术领域，具体涉及一种基于风-光伏-燃料电池的微电网频率控制的方法。

背景技术

可再生能源，如太阳能光伏、风能、小型水电、燃料电池、柴油发动机发电机等已被引入电网系统，以满足日益增长的需求，并尽量减少环境污染和传输损失，从而提高电力供应的可靠性。然而，这些可再生能源是高度不可预测的，并且取决于气候条件。因此，它们与燃料电池、备用柴油发电机以及一些储能系统(如飞轮储能和电池储能)和超级电容器集成，形成混合系统，以便更好地运行和控制。风能和光伏发电的不确定特性，亦或是负载的变化导致发电和需求之间的不匹配，造成电力系统的频率偏差，必须迅速加以控制。

目前，大多数工作是在有火力/水力发电站的传统电力系统中进行的。在可再生能源和分布式发电的渗透下，频率控制研究的数量相对较少。在储能系统飞轮储能和电池存在的情况下，用基于PI和粒子群优化的模糊控制器对微电网进行了频率控制研究。研究了风能-柴油和风能-柴油-微型水电混合动力系统的负荷-频率控制，以应对风能系统中风力和负荷的阶跃变化。设计了基于模糊逻辑的控制器，用于在有储能系统的情况下，对光伏-柴油混合动力系统进行频率调节。

虽然在基于启发式优化技术的文献中可以找到关于频率控制的工作，但它们主要是在传统的热力、水力发电系统中进行研究，其中唯一的干扰是负载变化的形式。然而，在本研究中，研究了存在间歇性可再生能源(如风能和太阳能光伏)的微电网中的频率控制问题。在这里，除了负载需求的变化之外，频率控制器还受到风速和太阳能强度变化的高度影响。

针对上述问题，有必要提出一种设计合理且有效解决上述问题的一种基于风-光伏-燃料电池的微电网频率控制的方法。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一，提供一种基于风-光伏-燃料电池的微电网频率控制的方法。

本发明提供一种基于风-光伏-燃料电池的微电网频率控制的方法，所述方法包括：

采用线性化传递函数分别对所述微电网的发电资源和储能系统源进行建模；

将所述发电资源和所述储能系统进行整合形成所述微电网，建立基于风力-光伏-燃料电池的微电网线性化模型；

基于线性自抗扰控制算法构建用于频率控制的微电网频率控制器；

基于蝙蝠优化算法对所述微电网频率控制器的性能进行优化。

可选的，所述基于线性自抗扰控制算法构建用于频率控制的微电网频率控制器，包括：

采用二阶线性自抗扰控制算法构建用于频率控制的微电网频率控制器，其中，

假定微电网频率控制器的数学模型为：

其中，b₀为被控对象高频增益，f(y,u,d)包含对象的内部不确定性和外部扰动；

令z＝[z₁ z₂ z₃]^T，其中，z₁＝y,

z₃＝f，则微电网频率控制器的数学模型为：

其中，E_e＝[0 0 1]^T,

C_e＝[1 0 0]

可选的，所述基于线性自抗扰控制算法构建用于频率控制的微电网频率控制器，还包括：

通过评估不同运行条件下系统频率偏差的积分时间绝对误差，对构建的所述微电网频率控制器的性能进行优化；其中，

其中，s.t.为约束条件，b_0min,ω_omi,nω_cm和b_0max,ω_omax,ω_cmax分别是待寻优参数的上下限，Δf(t)为系统频率偏差，ITAE为频率偏差的积分时间绝对误差。

可选的，所述基于蝙蝠优化算法对所述微电网频率控制器的性能进行优化，包括：

初始化所述蝙蝠优化算法的参数，其中，有N个种群，蝙蝠的个体响度为a，脉冲发射率为r，迭代的最大次数为t_max；

初始化所述蝙蝠优化算法的种群个体；其中，在搜索空间中均匀地设置多个信标点，以引导所述蝙蝠优化算法在迭代初期找到正确的搜索方向，所述多个信标点的设置为：

其中，L为所述搜索空间的长度，W为所述搜索空间的宽度，H为所述搜索空间的高度；

设置所述蝙蝠优化算法的适用度函数，所述适用度函数为：

其中，Δf(t)为系统频率偏差，ITAE为频率偏差的积分时间绝对误差。

可选的，所述基于蝙蝠优化算法对所述微电网频率控制器的性能进行优化，还包括：

对所述蝙蝠优化算法的性能参数进行更新，其中，

对单个蝙蝠的位置进行更新，所述单个蝙蝠的位置更新公式为：

其中，xⁱ _t是第i个蝙蝠在第t次迭代中的位置，v_i ^(t+1)是第i个蝙蝠在(t+1)次迭代中的速度；

引入自适应加权因子、控制局部最佳飞行方向的频率参数以及控制全局最佳飞行方向的频率参数建立速度频率更新公式，所述速度频率更新公式为：

w_v＝w_vmin+(w_vmax+w_vmin)S^t-1，

其中，Q_i1和Q_i2分别是控制局部和全局最佳飞行方向的频率参数，W_v为自适应加权因子，v_i ^(t+1)是第i个蝙蝠在(t+1)次迭代中的速度，x_pbest和x_gbest分别是局部和全局最佳位置，rand1和rand2是[0,1]之间的随机数，w_{v max}和w_{v max}分别是最大权重值和最小权重值，S是衰减值，k为[0,1]之间的随机数。

可选的，所述基于蝙蝠优化算法对所述微电网频率控制器的性能进行优化，还包括：

通过混沌映射对所述蝙蝠优化算法生成解的概率进行扰动，其中，假设rand3是在集合[0,1]之间产生的随机数，如果rand3>r_n得到满足，则：

通过混沌逻辑图{zy|y＝1,2,3,...,N}生成的混沌序列对每个新个体的位置坐标进行映射，所述混沌逻辑图被定义为：

其中，Z_y为混沌序列的第y个元素，Z_y+1为混沌序列的第y+1个元素，Rand()为[0,1]之间的随机数，η为控制混沌强度因子的控制因子；

产生与每个个体相对应的干扰值，表示为：

D(1:y)＝2(t_max-t)Rand(1:y)/t_max，

其中，D是产生的扰动值，(1：y)代表从1到y的y个个体，t_max为混沌时间最大值；

若只有新个体的位置坐标受到干扰，其余参数保持不变，则表示为：

pop_new(1:y)＝p_best(1:y)-D(1:y)+2D(1:y)z(1:y)，

其中，pop_new是扰动后的新个体。

可选的，所述基于蝙蝠优化算法对所述微电网频率控制器的性能进行优化，还包括：

进行个体选择策略，对脉冲响应和响度进行更新；其中，

假设rand4是集合[0,1]区间内的随机数，如果同时满足rand4>a_n和f(x_new)<f(x_n)，则接受扰动操作产生的新解，则所述脉冲响应和所述响度将同时更新，所述脉冲响应和所述响度的公式分别为：

其中，r_i ^t为脉冲响应，a_i ^tr为响度，_i ^t+1是第i只蝙蝠在t+1次迭代时的脉冲响度值，γ是脉冲速率的恒定系数，a_i ^t+1是第i只蝙蝠在t+1次迭代时的响应值，ε是响度的衰减系数。

可选的，所述基于蝙蝠优化算法对所述微电网频率控制器的性能进行优化，还包括：

对所述蝙蝠优化算法进行迭代，获得所述微电网频率控制器的参数。

可选的，所述采用线性化传递函数分别对所述微电网的发电资源和储能系统源进行建模，包括：

基于范德霍文模型对随机风速进行建模，其中，模拟风速w(t)为：

其中，

其中，A_p为振幅，ω_p为离散角频率，为Z_w(ω_p)为功率谱密度，

φ_p为相位；

采用线性一阶传递函数对风力、光伏、燃料电池、柴油发电机的发电量进行建模，其中，

风力发电量G_WPGK(s)和光伏发电量G_PV(s)的线性一阶传递函数分别为：

其中，K_WPG和K_PV为增益常数，T_WPG和T_PV分别为风和光伏的时间常数；

水电解槽G_AE(s)、燃料电池G_FC(s)和柴油发电机G_DEG(s)的线性一阶传递函数分别为：

其中，K_AE、K_FC和K_DGE均为增益常数，T_AE、T_FC和T_DGE分别为水电解槽、燃料电池和柴油发电机的时间常数，s为s域；

采用线性一阶传递函数对飞轮、电池和超级电容器储能系统进行建模，其中，

飞轮储能系统G_FES、电池储能系统G_BES和超级电容器储能系统G_UC的线性传递函数分别为：

其中，K_FES、K_BES和K_UC均为增益常数，T_FES、T_BES和T_UC分别为飞轮储能系统、电池储能系统和超级电容器储能系统的时间常数，s为s域；

可选的，所述将所述发电资源和所述储能系统进行整合形成所述微电网，建立基于风力-光伏-燃料电池的微电网线性化模型，包括：

所述微电网的纵发电量P_MG为：

P_MG＝P_T+P_DEG+P_FCG+P_PVG±P_FES±(P_BES or P_UC)，

其中，P_T＝P_WPG+P_PVPG-P_AE，

P_T是风电机组和光伏发电的净功率减去水电解槽占用的功率，P_DEG为柴油发电机发电量，P_FCG为燃料电池发电量，P_PVG为光伏发电量，P_FES为飞轮储能系统发电量，P_BES为电池储能系统发电量，P_UC为超级电容储能系统发电量；；

供需之间的电力平衡ΔP_e为：

ΔP_e＝P_MG-P_L，其中，P_L是总电力需求；

频率变化Δf为：

其中，K_SC为微电网的特征常数；

系统的传递函数为：

其中，M＝K_sys和D＝K_sysT_sys分别是系统的等效惯性常数和阻尼常数，s为s域。

本发明提供的基于风-光伏-燃料电池的微电网频率控制的方法，采用线性化传递函数分别对所述微电网的发电资源和储能系统源进行建模；将发电资源和储能系统进行整合形成微电网，建立基于风力-光伏-燃料电池的微电网线性化模型；基于线性自抗扰控制算法构建用于频率控制的微电网频率控制器；基于蝙蝠优化算法对微电网频率控制器的性能进行优化。本发明基于线性自抗扰控制算法设计的微电网频率控制器能够有效抑制风速和负荷扰动对系统频率的影响。

附图说明

图1为本发明一实施例的基于风-光伏-燃料电池的微电网频率控制的方法的流程示意图；

图2为本发明另一实施例的微电网线性化模型的结构示意图。

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。

如图1所示，本发明的一个方面提供一种基于风-光伏-燃料电池的微电网频率控制的方法S100，所述方法S100包括：

S110、采用线性化传递函数分别对所述微电网的发电资源和储能系统源进行建模。

首先，基于范德霍文模型对随机风速进行建模。

具体地，风速根据气候条件而变化，因此可以建模为非线性时变函数。因此，风速可以基于范德霍文模型进行建模。在本实施例中，水平风速的功率谱假定在0.0007到900次/小时的范围内。该频率范围包含湍流分量的中期和长期变化以及频谱范围。离散角频率记为ω_p,p＝1to(K+1)和对应的功率谱密度记为Z_vv(ω_p)。基于范德霍文模型，频率ω_p处的谐波具有振幅：

其中，A_p为振幅，ω_p为离散角频率，为Z_w(ω_p)为功率谱密度，

φ_p为相位，φ_p是随机生成的，在域[π,-π]中具有均匀分布。

风速w(t)被模拟为：

其中，ω₀＝0，φ₀＝0和

是平均风速，计算的时间跨度大于范德霍文特性中的最大周期(即，T＝2π/ω₁)。本实施例中，采用K＝55进行范德霍文特性的采样操作，并考虑以下离散频率：f_p＝p·10^k周期/小时，p＝1,2,.....,9，k＝-3,-2,-1,0,1,2。

其次，采用线性一阶传递函数对风力、光伏、燃料电池、柴油发电机的发电量进行建模，其中，

风力发电量G_WPGK(s)和光伏发电量G_PV(s)的线性一阶传递函数分别为：

其中，K_WPG和K_PV为增益常数，T_WPG和T_PV分别为风和光伏的时间常数，s为s域；

水电解槽G_AE(s)、燃料电池G_FC(s)和柴油发电机G_DEG(s)的线性一阶传递函数分别为：

其中，K_AE、K_FC和K_DGE均为增益常数，T_AE、T_FC和T_DGE分别为水电解槽、燃料电池和柴油发电机的时间常数；

采用线性一阶传递函数对飞轮、电池和超级电容器储能系统进行建模，其中，

飞轮储能系统G_FES、电池储能系统G_BES和超级电容器储能系统G_UC的线性传递函数分别为：

其中，K_FES、K_BES和K_UC均为增益常数，T_FES、T_BES和T_UC分别为飞轮储能系统、电池储能系统和超级电容器储能系统的时间常数，s为s域。

S120、将所述发电资源和所述储能系统进行整合形成所述微电网，建立基于风力-光伏-燃料电池的微电网线性化模型。

如图1所示，发电资源和存储系统可以整合成微电网，基于风力-光伏-燃料电池的微电网线性化模型。

风力、光伏、燃料电池和柴油发电机等电力资源与水电解槽相结合，水电解槽将风力或/和光伏的部分发电量转换为氢气，氢气作为输入供应给燃料电池。两种不同的储能组合：飞轮储能系统-电池储能系统和飞轮储能系统-超级电容器被认为是在不同运行情况下实现更好的频率控制和电力管理的最佳选择。风电-光伏-燃料电池-柴油发电池的组合通过协调它们各自的优点和缺点，大大减少了电力管理问题。此外，为了提高供电的可靠性，像电池储能、飞轮储能和超级电容器这样的储能器被集成到微电网系统中，这大大有助于在高峰负荷需求期间贡献不足的电力。

其中，微电网的纵发电量P_MG为：

P_MG＝P_T+P_DEG+P_FCG+P_PVG±P_FES±(P_BES or P_UC)， (7)

其中，P_T＝P_WPG+P_PV-P_AE， (8)

P_T是风电机组和光伏发电的净功率减去水电解槽占用的功率，P_DEG为柴油发电机发电量，P_FCG为燃料电池发电量，P_PVG为光伏发电量，P_FES为飞轮储能系统发电量，P_BES为电池储能系统发电量，P_UC为超级电容储能系统发电量；；

供需之间的电力平衡ΔP_e为：

ΔP_e＝P_MG-P_L， (9)

其中，P_L是总电力需求；

频率变化Δf为：

其中，K_SC为微电网的特征常数；

系统的传递函数为：

其中，M＝K_sys和D＝K_sysT_sys分别是系统的等效惯性常数和阻尼常数，s为s域。

在本实施例中，如表1所示为微电网的参数。

表1微电网参数

本案例在风速和负荷需求变化的情况下，使用飞轮储能系统-电池储能系统和飞轮储能系统-超级电容器两种储能组合的微电网的频率偏差。微电网的参数以p.u.为单位，风速以米/秒为单位。负荷和风速曲线的阶跃变化设置如下：

S130、基于线性自抗扰控制算法构建用于频率控制的微电网频率控制器。

1)、微电网频率控制器的设计过程。

本发明中，采用二阶线性自抗扰控制(LADRC)算法构建用于频率控制的微电网频率控制器，其中，

假定微电网频率控制器的数学模型为：

其中，b₀为被控对象高频增益，f(y,u,d)包含对象的内部不确定性和外部扰动；

令z＝[z₁ z₂ z₃]^T，其中，z₁＝y,

z₃＝f，则微电网频率控制器的数学模型为：

其中，

对公式(14)设计线性扩张状态观测器：

其中，

是z的估计值，L₀为观测器增益，可以表示为：

L_o＝[β₁ β₂ β₃]^T (16)

当A_e—L_o Ce渐进稳定时，

能够估计总扰动。为了通过反馈回路消除总扰动，选取

其中，K₀是反馈控制增益，可以表示为：

K_o＝[k_p k_d 1]/b₀ (18)

为扩张参考输入信号，可以表示为：

二阶LADRC需要整定的参数是反馈控制器增益K₀和ESO的观测器增益L₀。在公式(16)和(18)中，通过调节控制器带宽和观测器带宽ω_c、ω₀得到增益K₀、L₀的各个元素，得到：

β₁＝3ω_o,

2)、微电网频率控制器的优化框架。

通过评估不同运行条件下系统频率偏差的积分时间绝对误差，对构建的所述微电网频率控制器的性能进行优化；其中，

其中，s.t.为约束条件，b_0min,ω_omin,ω_cmin和b_0max,ω_omax,ω_cmax分别是待寻优参数的上下限，Δf(t)为系统频率偏差，ITAE为频率偏差的积分时间绝对误差。

在本实施例中，在微电网配置和负荷-风速阶跃输入下，微电网频率控制器的性能优化问题可表示如下：

S140、基于蝙蝠优化算法对所述微电网频率控制器的性能进行优化。

蝙蝠算法是Yang教授于2010年基于群体智能提出的启发式搜索算法,是一种搜索全局最优解的有效方法。它是模拟自然界中蝙蝠利用一种声纳来探测猎物、避免障碍物的随机搜索算法即模拟蝙蝠利用超声波对障碍物或猎物进行最基本的探测、定位能力并将其和优化目标功能相联系。该算法是一种基于迭代的优化技术,初始化为一组随机解，然后通过迭代搜寻最优解，且在最优解周围通过随机飞行产生局部新解，加强了局部搜索。与其他算法相比，蝙蝠算法在准确性和有效性方面远优于其他算法，且没有许多参数要进行调整。

考虑到传统蝙蝠算法的搜索能力较差，本发明将自适应权重系数、局部频率参数和混沌算法整合到蝙蝠算法中。改进的混合蝙蝠算法包括以下步骤：

1)、初始化所述蝙蝠优化算法参数。

改进的混合蝙蝠算法的搜索空间定义在L×W×H的空间内。L、W和H分别代表空间的长度、宽度和高度。蝙蝠的位置坐标(x,y,z)受到三维空间的约束。在改进的混合蝙蝠算法的初始化中，有N个种群，蝙蝠的个体响度为a，脉冲发射率为r，迭代的最大次数为t_max。

2)、初始化所述蝙蝠优化算法的种群个体。

该算法的复杂性和稳定性与初始化个体的数量有关。目前，在大多数文献中，第一代种群往往是通过随机初始化的方式产生的。这种初始化方法很容易导致个体的稀疏和不均匀分布。针对这个问题，在搜索空间中均匀地设置多个信标点，以引导算法在迭代初期迅速找到正确的搜索方向。多个信标点的设置如下：

其中，L为所述搜索空间的长度，W为所述搜索空间的宽度，H为所述搜索空间的高度。

与初始化时所有点的随机分布相比，在第一次迭代中，所有蝙蝠个体更有可能向更好的方向搜索。

3)、设置所述蝙蝠优化算法的适用度函数。

适用度函数为：

其中，Δf(t)为系统频率偏差，ITAE为频率偏差的积分时间绝对误差。

4)、对所述蝙蝠优化算法的性能参数进行更新。

改进的混合蝙蝠算法的性能与三个参数有关，包括蝙蝠的位置信息、速度和频率。其中，

对单个蝙蝠的位置进行更新，单个蝙蝠的位置更新公式为：

其中，xⁱ _t是第i个蝙蝠在第t次迭代中的位置，v_i ^(t+1)是第i个蝙蝠在(t+1)次迭代中的速度。

为了更好地控制单个蝙蝠的飞行方向，引入本地位置信息来更新速度。Q_i1和Q_i2分别是控制局部和全局最佳飞行方向的频率参数。为了使算法在前期快速搜索，后期精确搜索，引入了自适应加权因子W_v、Q_i1和Q_i2来建立速度频率更新公式，如下所示：

所述速度频率更新公式为：

w_v＝w_{v min}+(w_{v max}+w_{v min})S^t-1， (26)

其中，Q_i1和Q_i2分别是控制局部和全局最佳飞行方向的频率参数，W_v为自适应加权因子，v_i ^(t+1)是第i个蝙蝠在(t+1)次迭代中的速度，x_pbest和x_gbest分别是局部和全局最佳位置，rand1和rand2是[0,1]之间的随机数，w_{v max}和w_{v max}分别是最大权重值和最小权重值，S是衰减值，k为[0,1]之间的随机数。

5)、通过混沌映射对所述蝙蝠优化算法生成解的概率进行扰动。

混沌映射对生成解的概率进行扰动。其中，假设rand3是在集合[0,1]之间产生的随机数，如果rand3>r_n得到满足，则：

通过混沌逻辑图{zy|y＝1,2,3,...,N}生成的混沌序列对每个新个体的位置坐标进行映射，所述混沌逻辑图被定义为：

其中，Z_y为混沌序列的第y个元素，Z_y+1为混沌序列的第y+1个元素，Rand()为[0,1]之间的随机数，η为控制混沌强度因子的控制因子；

产生与每个个体相对应的干扰值，表示为：

D(1:y)＝2(t_max-t)Rand(1:y)/t_max， (28)

其中，D是产生的扰动值，(1：y)代表从1到y的y个个体，t_max为混沌时间最大值；

若只有新个体的位置坐标受到干扰，其余参数保持不变，则表示为：

pop_new(1:y)＝p_best(1:y)-D(1:y)+2D(1:y)z(1:y)， (29)

其中，pop_new是扰动后的新个体。

6)、进行个体选择策略，对脉冲响应和响度进行更新。

假设rand4是集合[0,1]区间内的随机数，如果同时满足rand4>a_n和f(x_new)<f(x_n)，则接受扰动操作产生的新解，则所述脉冲响应和所述响度将同时更新，所述脉冲响应和所述响度的公式分别为：

其中，r_i ^t为脉冲响应，a_i ^tr为响度，_i ^t+1是第i只蝙蝠在t+1次迭代时的脉冲响度值，γ是脉冲速率的恒定系数，a_i ^t+1是第i只蝙蝠在t+1次迭代时的响应值，ε是响度的衰减系数。

7)、对所述蝙蝠优化算法进行迭代。

在本实施例中，最大迭代次数被看作是算法的终止条件。如果迭代次数没有达到最大迭代次数，重复步骤3)-6)，直到迭代次数达到最大迭代次数(最大迭代次数为200)。优化结束后，获得微电网频率控制器的最佳参数。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (10)

1.一种基于风-光伏-燃料电池的微电网频率控制的方法，其特征在于，所述方法包括：

采用线性化传递函数分别对所述微电网的发电资源和储能系统源进行建模；

将所述发电资源和所述储能系统进行整合形成所述微电网，建立基于风力-光伏-燃料电池的微电网线性化模型；

基于线性自抗扰控制算法构建用于频率控制的微电网频率控制器；

基于蝙蝠优化算法对所述微电网频率控制器的性能进行优化。

2.根据权利要求1所述的方法，其特征在于，所述基于线性自抗扰控制算法构建用于频率控制的微电网频率控制器，包括：

采用二阶线性自抗扰控制算法构建用于频率控制的微电网频率控制器，其中，

假定微电网频率控制器的数学模型为：

其中，b₀为被控对象高频增益，f(y,u,d)包含对象的内部不确定性和外部扰动；

令z＝[z₁ z₂ z₃]^T，其中，

则微电网频率控制器的数学模型为：

其中，E_e＝[0 0 1]^T,

C_e＝[1 0 0] 。

3.根据权利要求1所述的方法，其特征在于，所述基于线性自抗扰控制算法构建用于频率控制的微电网频率控制器，还包括：

通过评估不同运行条件下系统频率偏差的积分时间绝对误差，对构建的所述微电网频率控制器的性能进行优化；其中，

其中，s.t.为约束条件，b_0min,ω_omin,ω_cmin和b_0max,ω_omax,ω_cmax分别是待寻优参数的上下限，Δf(t)为系统频率偏差，ITAE为频率偏差的积分时间绝对误差。

4.根据权利要求3所述的方法，其特征在于，所述基于蝙蝠优化算法对所述微电网频率控制器的性能进行优化，包括：

初始化所述蝙蝠优化算法的参数，其中，有N个种群，蝙蝠的个体响度为a，脉冲发射率为r，迭代的最大次数为t_max；

初始化所述蝙蝠优化算法的种群个体；其中，在搜索空间中均匀地设置多个信标点，以引导所述蝙蝠优化算法在迭代初期找到正确的搜索方向，所述多个信标点的设置为：

其中，L为所述搜索空间的长度，W为所述搜索空间的宽度，H为所述搜索空间的高度；

设置所述蝙蝠优化算法的适用度函数，所述适用度函数为：

其中，Δf(t)为系统频率偏差，ITAE为频率偏差的积分时间绝对误差。

5.根据权利要求4所述的方法，其特征在于，所述基于蝙蝠优化算法对所述微电网频率控制器的性能进行优化，还包括：

对所述蝙蝠优化算法的性能参数进行更新，其中，

对单个蝙蝠的位置进行更新，所述单个蝙蝠的位置更新公式为：

其中，xⁱ _t是第i个蝙蝠在第t次迭代中的位置，v_i ^(t+1)是第i个蝙蝠在(t+1)次迭代中的速度；

引入自适应加权因子、控制局部最佳飞行方向的频率参数以及控制全局最佳飞行方向的频率参数建立速度频率更新公式，所述速度频率更新公式为：

w_v＝w_vmin+(w_vmax+w_vmin)S^t-1，

其中，Q_i1和Q_i2分别是控制局部和全局最佳飞行方向的频率参数，W_v为自适应加权因子，v_i ^(t+1)是第i个蝙蝠在(t+1)次迭代中的速度，x_pbest和x_gbest分别是局部和全局最佳位置，rand1和rand2是[0,1]之间的随机数，w_{v max}和w_{v max}分别是最大权重值和最小权重值，S是衰减值，k为[0,1]之间的随机数。

6.根据权利要求5所述的方法，其特征在于，所述基于蝙蝠优化算法对所述微电网频率控制器的性能进行优化，还包括：

通过混沌映射对所述蝙蝠优化算法生成解的概率进行扰动，其中，假设rand3是在集合[0,1]之间产生的随机数，如果rand3>r_n得到满足，则：

通过混沌逻辑图{zy|y＝1,2,3,...,N}生成的混沌序列对每个新个体的位置坐标进行映射，所述混沌逻辑图被定义为：

其中，Z_y为混沌序列的第y个元素，Z_y+1为混沌序列的第y+1个元素，Rand()为[0,1]之间的随机数，η为控制混沌强度因子的控制因子，；

产生与每个个体相对应的干扰值，表示为：

D(1:y)＝2(t_max-t)Rand(1:y)/t_max，

其中，D是产生的扰动值，(1：y)代表从1到y的y个个体，t_max为混沌时间最大值；

若只有新个体的位置坐标受到干扰，其余参数保持不变，则表示为：

pop_new(1:y)＝p_best(1:y)-D(1:y)+2D(1:y)z(1:y)，

其中，pop_new是扰动后的新个体。

7.根据权利要求6所述的方法，其特征在于，所述基于蝙蝠优化算法对所述微电网频率控制器的性能进行优化，还包括：

进行个体选择策略，对脉冲响应和响度进行更新；其中，

假设rand4是集合[0,1]区间内的随机数，如果同时满足rand4>a_n和f(x_new)<f(x_n)，则接受扰动操作产生的新解，则所述脉冲响应和所述响度将同时更新，所述脉冲响应和所述响度的公式分别为：

其中，r_i ^t为脉冲响应，a_i ^tr为响度，_i ^t+1是第i只蝙蝠在t+1次迭代时的脉冲响度值，γ是脉冲速率的恒定系数，a_i ^t+1是第i只蝙蝠在t+1次迭代时的响应值，ε是响度的衰减系数。

8.根据权利要求7所述的方法，其特征在于，所述基于蝙蝠优化算法对所述微电网频率控制器的性能进行优化，还包括：

对所述蝙蝠优化算法进行迭代，获得所述微电网频率控制器的参数。

9.根据权利要求1至8任一项所述的方法，其特征在于，所述采用线性化传递函数分别对所述微电网的发电资源和储能系统源进行建模，包括：

基于范德霍文模型对随机风速进行建模，其中，模拟风速w(t)为：

其中，

其中，A_p为振幅，ω_p为离散角频率，为Z_w(ω_p)为功率谱密度，

φ_p为相位；

采用线性一阶传递函数对风力、光伏、燃料电池、柴油发电机的发电量进行建模，其中，

风力发电量G_WPGK(s)和光伏发电量G_PV(s)的线性一阶传递函数分别为：

其中，K_WPG和K_PV为增益常数，T_WPG和T_PV分别为风和光伏的时间常数，s为s域；

水电解槽G_AE(s)、燃料电池G_FC(s)和柴油发电机G_DEG(s)的线性一阶传递函数分别为：

其中，K_AE、K_FC和K_DGE均为增益常数，T_AE、T_FC和T_DGE分别为水电解槽、燃料电池和柴油发电机的时间常数；

采用线性一阶传递函数对飞轮、电池和超级电容器储能系统进行建模，其中，

飞轮储能系统G_FES、电池储能系统G_BES和超级电容器储能系统G_UC的线性传递函数分别为：

其中，K_FES、K_BES和K_UC均为增益常数，T_FES、T_BES和T_UC分别为飞轮储能系统、电池储能系统和超级电容器储能系统的时间常数，s为s域。

10.根据权利要求9所述的方法，其特征在于，所述将所述发电资源和所述储能系统进行整合形成所述微电网，建立基于风力-光伏-燃料电池的微电网线性化模型，包括：

所述微电网的纵发电量P_MG为：

P_MG＝P_T+P_DEG+P_FCG+P_PVG±P_FES±(P_BES or P_UC)，

其中，P_T＝P_WPG+P_PV-P_AE，

P_T是风电机组和光伏发电的净功率减去水电解槽占用的功率，P_DEG为柴油发电机发电量，P_FCG为燃料电池发电量，P_PVG为光伏发电量，P_FES为飞轮储能系统发电量，P_BES为电池储能系统发电量，P_UC为超级电容储能系统发电量；

供需之间的电力平衡ΔP_e为：

ΔP_e＝P_MG-P_L，其中，P_L是总电力需求；

频率变化Δf为：

其中，K_SC为微电网的特征常数；

系统的传递函数为：

其中，M＝K_sys和D＝K_sysT_sys分别是系统的等效惯性常数和阻尼常数，s为s域。

Images