CN115051366B - 一种基于粒子群算法的谐波电流抑制参数组寻优方法 - Google Patents

一种基于粒子群算法的谐波电流抑制参数组寻优方法 Download PDF

Info

Publication number
CN115051366B
CN115051366B CN202210715079.0A CN202210715079A CN115051366B CN 115051366 B CN115051366 B CN 115051366B CN 202210715079 A CN202210715079 A CN 202210715079A CN 115051366 B CN115051366 B CN 115051366B
Authority
CN
China
Prior art keywords
parameter set
suppression
suppression parameter
harmonic current
current
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.)
Active
Application number
CN202210715079.0A
Other languages
English (en)
Other versions
CN115051366A (zh
Inventor
黄俊滔
杨苓
黄泽杭
陈思哲
章云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202210715079.0A priority Critical patent/CN115051366B/zh
Publication of CN115051366A publication Critical patent/CN115051366A/zh
Application granted granted Critical
Publication of CN115051366B publication Critical patent/CN115051366B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02J3/01—Arrangements for reducing harmonics or ripples
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/40—Arrangements for reducing harmonics

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于粒子群算法的谐波电流抑制参数组寻优方法，包括以下步骤：S1：针对含单相逆变器负荷的混合储能系统存在二次谐波电流的问题，提出在电压电流双闭环中引入陷波器和准比例谐振控制器的方法；S2：建立系统的电感支路阻抗模型，推导系统的开环传递函数，研究抑制参数组对电感支路阻抗幅值和系统相位裕度的影响，以确定保证系统谐波电流抑制效果和稳定运行的抑制参数组大致范围；S3：将粒子群算法应用于系统谐波电流抑制分析中，获取系统的最优抑制参数组，从而达到最优的谐波电流抑制效果；本发明利用粒子群算法有效地规避了系统失稳和谐波电流抑制效果差的抑制参数组，实现了谐波电流抑制参数组寻优。

Description

一种基于粒子群算法的谐波电流抑制参数组寻优方法
技术领域
本发明涉及储能技术领域，特别是一种基于粒子群算法的谐波电流抑制参数组寻优方法。
背景技术
电力系统正发生着重大变革，尤其是由蓄电池和超级电容构成的混合储能系统因同时兼具能量密度高和功率密度大的特点而被广泛应用。而单相逆变器负荷的接入会造成系统的瞬时输出功率以两倍输出电压频率脉动，导致系统前级变换器和输入源中产生低频谐波电流，这种低频谐波电流不仅会增大开关管的电流应力，还会增加开关管及磁性元件对功率的消耗，破坏系统稳定，当前级变换器采用软开关技术时，该低频谐波电流还会减小软开关的适用范围。因此，本发明提出一种基于粒子群算法的谐波电流抑制参数组寻优方法：在电压外环和电流内环控制通路中分别引入陷波器和准比例谐振控制器，两者均有在二倍频时呈现高阻抗、其他频率时呈现低阻抗的特性，以此来达到抑制二次谐波电流的目的，利用粒子群算法易实现、精度高、收敛快的特点获取系统的最优抑制参数组，从而达到最优的谐波电流抑制效果。
为实现上述目的，本发明所提供的技术方案为：
一种基于粒子群算法的谐波电流抑制参数组寻优方法，包括以下步骤：
S1：针对含单相逆变器负荷的混合储能系统存在二次谐波电流的问题，提出在电压电流双闭环中引入陷波器和准比例谐振控制器的方法；
S2：建立系统的电感支路阻抗模型，推导系统的开环传递函数，研究抑制参数组对电感支路阻抗幅值和系统相位裕度的影响，以确定保证系统谐波电流抑制效果和稳定运行的抑制参数组大致范围；
S3：将粒子群算法应用于系统谐波电流抑制分析中，获取系统的最优抑制参数组，从而达到最优的谐波电流抑制效果；
进一步地，所述步骤S1中，针对含单相逆变器负荷的混合储能系统存在二次谐波电流的问题，提出在电压电流双闭环中引入陷波器和准比例谐振控制器的方法，具体步骤如下：
通过DC/DC变换器将储能单元输入电压提升至直流母线电压所需值，利用电压电流双闭环控制来稳定直流母线电压，在电压外环和电流内环控制通路中分别引入陷波器GN(s)和准比例谐振控制器GQPR(s)，两者均有在二倍频时呈现高阻抗、其他频率时呈现低阻抗的特性，以此来达到抑制二次谐波电流的目的，两者的表达式为：
Figure BDA0003708524690000021
式(1)中，Q为陷波器GN(s)的品质因数，f0为基波电流频率，kpr、kgr分别为准比例谐振控制器GQPR(s)的谐振比例系数和谐振增益系数，ωr、ωc为准比例谐振控制器GQPR(s) 的谐振角频率和带宽角频率，s为拉氏变换复变量算子；
进一步地，所述步骤S2的具体步骤如下：
S2-1：建立蓄电池侧电感支路阻抗模型：
当以蓄电池侧输出电流iob作为唯一输入变量，蓄电池侧直流母线电压Uob作为输出变量时，蓄电池侧电感支路阻抗ZLb(s)的表达式为：
Figure BDA0003708524690000022
式(2)中，Uobr为蓄电池侧直流母线电压Uob的参考值，Gb(s)为蓄电池侧电感支路上电感Lb的电纳值，Gu(s)＝kvp+kvi/s是电压外环比例积分环节，kvp和kvi分别为电压外环 PI控制器的比例和积分系数，Gi(s)＝kip+kii/s是电流内环比例积分环节，kip和kii分别为电流内环PI控制器的比例和积分系数，Hv为负反馈通路的传递函数；
S2-2：建立超级电容侧电感支路阻抗模型：
由S2-1蓄电池侧电感支路阻抗模型建立原理及对称性可知，超级电容侧电感支路阻抗ZLsc(s)的表达式为：
Figure BDA0003708524690000023
式(3)中，Uoscr为超级电容侧直流母线电压Uosc的参考值，数值上等于蓄电池侧直流母线电压Uob的参考值Uobr，Gsc(s)为超级电容侧电感支路上电感Lsc的电纳值，数值上等于蓄电池侧电感支路上电感Lb的电纳值Gb(s)；
S2-3：推导系统的开环传递函数Gk(s)：
由上述分析可知，蓄电池侧电感支路阻抗ZLb(s)与超级电容侧电感支路阻抗ZLsc(s) 有相同的阻抗特性，故后续分析仅以蓄电池侧为例，超级电容侧可类似推导；
以蓄电池侧直流母线电压参考值Uobr作为输入变量，蓄电池侧直流母线电压Uob作为输出变量，推导蓄电池侧开环传递函数Gk(s)的表达式为：
Figure BDA0003708524690000031
式(4)中，Kdc为蓄电池侧等效增益；Db为蓄电池侧DC/DC变换器占空比，Cob为蓄电池侧直流母线电容值；
S2-4：确定抑制参数组(Q,kpr,kgr)作为寻优变量，根据蓄电池侧电感支路阻抗ZLb(s) 的表达式，研究抑制参数组(Q,kpr,kgr)对蓄电池侧电感支路阻抗ZLb(s)幅值的影响：
由于本发明研究二次谐波电流的抑制问题，故需要观察二倍频时蓄电池侧电感支路阻抗ZLb(s)对应的幅值，随着抑制参数组(Q,kpr,kgr)的各个控制参数改变，蓄电池侧电感支路阻抗ZLb(s)幅值也随之变化，进而可以确定抑制参数组(Q,kpr,kgr)的各个参数对蓄电池侧电感支路阻抗ZLb(s)幅值的影响趋势，对抑制参数组(Q,kpr,kgr)取值范围有个初始判断；
S2-5：根据蓄电池侧开环传递函数Gk(s)，研究抑制参数组(Q,kpr,kgr)对相位裕度γ(ωc) 的影响：
令蓄电池侧开环传递函数Gk(s)的对数幅频特性等于0dB，求出系统截止频率ωc，并计算该截止频率对应的相角值
Figure BDA0003708524690000034
以此计算出相位裕度γ(ωc)，其表达式为：
Figure BDA0003708524690000032
随着抑制参数组(Q,kpr,kgr)的各个控制参数改变，相位裕度γ(ωc)也随之变化，进而可以确定抑制参数组(Q,kpr,kgr)的各个参数对相位裕度γ(ωc)的影响趋势，结合S2-4可确定保证系统谐波电流抑制效果和稳定运行的抑制参数组大致范围；
进一步地，所述步骤S3的步骤如下：
S3-1：因系统参数之间存在约束关系，参数往往不能随机选取，当参数不满足约束条件时，令其目标函数值为无穷大从而达到约束的目的，其表达式为：
Figure BDA0003708524690000033
式(6)中，f X为满足约束条件的抑制参数组(Q,kpr,kgr)，f(X)为满足约束条件的目标函数适应度，X*为不满足约束条件的抑制参数组(Q,kpr,kgr)，f(X*)为不满足约束条件的目标函数适应度；
S3-2：随机初始化种群粒子，确定最大迭代次数、种群粒子数量，根据步骤S2中确定的抑制参数组(Q,kpr,kgr)大致范围，规定种群粒子的上下限；
S3-3：将种群粒子代入蓄电池侧电感支路阻抗ZLb(s)中，求解目标函数值，利用适应度函数Fitness计算个体最优位置Pi t和全局最优位置Gt；
S3-4：更新种群粒子的速度和位置，其表达式为：
Figure BDA0003708524690000041
式(7)中，Vi (t)为第t次迭代时第i个粒子的速度，Vi (t+1)为第t+1次迭代时第i个粒子的速度；Xi (t)为第t次迭代时第i个粒子的位置，Xi (t+1)为第t+1次迭代时第i个粒子的位置，w为惯性权重，c1为个体学习因子，控制个体粒子局部范围内的变化，c2为社会学习因子，控制粒子群中最优粒子对整个区域的影响，两个学习因子协同作用，促进粒子不断向最优取值靠近，r1、r2为随机数；
S3-5：将更新后的种群粒子代入S3-3步骤，以求得当前种群粒子的适应度值，若当前粒子的适应度值更高，则用其值替换相应的个体最优位置Pi t和全局最优位置Gt；
S3-6：重复步骤S3-4和S3-5直至达到最大迭代次数，输出适应度值最好的抑制参数组(Q,kpr,kgr)。
与现有技术相比，本方案的原理和优点如下：
针对含单相逆变器负荷的混合储能系统存在二次谐波电流的问题，提出在电压电流双闭环中引入陷波器和准比例谐振控制器的方法，建立系统的电感支路阻抗模型，推导系统的开环传递函数，研究抑制参数组对电感支路阻抗幅值和系统相位裕度的影响，以确定保证系统谐波电流抑制效果和稳定运行的抑制参数组大致范围，将粒子群算法应用于系统谐波电流抑制分析中，获取系统的最优抑制参数组，从而达到最优的谐波电流抑制效果。
本方案利用粒子群算法具有易实现、精度高和收敛快等优点，能够快速获得最优的抑制参数组，有效地规避了系统失稳和谐波电流抑制效果差的抑制参数组，实现了谐波电流抑制参数组寻优。
附图说明
图1为本发明实施例中基于粒子群算法的谐波电流抑制参数组寻优方法流程图；
图2为本发明实施例中含单相逆变器的混合储能系统的拓扑结构；
图3为本发明实施例中含单相逆变器的混合储能系统的控制框图；
图4为本发明实施例中抑制参数组的寻优过程；
图5为本发明实施例中抑制参数组寻优过程对应的蓄电池侧电感支路导纳值；
图6为本发明实施例中抑制参数组寻优过程对应的蓄电池侧相位裕度；
图7为本发明实施例中系统没有引入陷波器和准比例谐振控制器时的蓄电池侧电感电流波形图；
图8为本发明实施例中系统没有引入陷波器和准比例谐振控制器时的蓄电池侧电感电流的傅里叶分析图；
图9为本发明实施例中在稳定前提下随机设计抑制参数组时的蓄电池侧电感电流波形图；
图10为本发明实施例中在稳定前提下随机设计抑制参数组时的蓄电池侧电感电流的傅里叶分析图；
图11为本发明实施例中基于粒子群算法获取最优抑制参数组时的蓄电池侧电感电流波形图；
图12为本发明实施例中基于粒子群算法获取最优抑制参数组时的蓄电池侧电感电流的傅里叶分析图。
具体实施方式
下面结合具体实施例对本发明作进一步说明：
图1为基于粒子群算法的抑制参数组寻优流程图，图2为含单相逆变器的混合储能系统的拓扑结构，图3为含单相逆变器的混合储能系统的控制框图，本实施例所述的一种基于粒子群算法的谐波电流抑制参数组寻优方法，包括以下步骤：
S1：针对含单相逆变器负荷的混合储能系统存在二次谐波电流的问题，提出在电压电流双闭环中引入陷波器和准比例谐振控制器的方法：通过DC/DC变换器将储能单元输入电压提升至直流母线电压所需值，利用电压电流双闭环控制来稳定直流母线电压，在电压外环和电流内环控制通路中分别引入陷波器GN(s)和准比例谐振控制器GQPR(s)，两者均有在二倍频时呈现高阻抗、其他频率时呈现低阻抗的特性，以此来达到抑制二次谐波电流的目的，两者的表达式为：
Figure BDA0003708524690000051
式(1)中，Q为陷波器GN(s)的品质因数，f0为基波电流频率，kpr、kgr分别为准比例谐振控制器GQPR(s)的谐振比例系数和谐振增益系数，ωr、ωc为准比例谐振控制器GQPR(s) 的谐振角频率和带宽角频率，s为拉氏变换复变量算子；
下面步骤S2即建立系统的电感支路阻抗模型，推导系统的开环传递函数，研究抑制参数组对电感支路阻抗幅值和系统相位裕度的影响，以确定保证系统谐波电流抑制效果和稳定运行的抑制参数组大致范围，具体过程如下：
S2-1：建立蓄电池侧电感支路阻抗模型：
当以蓄电池侧输出电流iob作为唯一输入变量，蓄电池侧直流母线电压Uob作为输出变量时，蓄电池侧电感支路阻抗ZLb(s)的表达式为：
Figure BDA0003708524690000061
式(2)中，Uobr为蓄电池侧直流母线电压Uob的参考值，Gb(s)为蓄电池侧电感支路上电感Lb的电纳值，Gu(s)＝kvp+kvi/s是电压外环比例积分环节，kvp和kvi分别为电压外环 PI控制器的比例和积分系数，Gi(s)＝kip+kii/s是电流内环比例积分环节，kip和kii分别为电流内环PI控制器的比例和积分系数，Hv为负反馈通路的传递函数；
S2-2：建立超级电容侧电感支路阻抗模型：
由S2-1蓄电池侧电感支路阻抗模型建立原理及对称性可知，超级电容侧电感支路阻抗ZLsc(s)的表达式为：
Figure BDA0003708524690000062
式(3)中，Uoscr为超级电容侧直流母线电压Uosc的参考值，数值上等于蓄电池侧直流母线电压Uob的参考值Uobr，Gsc(s)为超级电容侧电感支路上电感Lsc的电纳值，数值上等于蓄电池侧电感支路上电感Lb的电纳值Gb(s)；
S2-3：推导系统的开环传递函数Gk(s)：
由上述分析可知，蓄电池侧电感支路阻抗ZLb(s)与超级电容侧电感支路阻抗ZLsc(s) 有相同的阻抗特性，故后续分析仅以蓄电池侧为例，超级电容侧可类似推导；
以蓄电池侧直流母线电压参考值Uobr作为输入变量，蓄电池侧直流母线电压Uob作为输出变量，推导蓄电池侧开环传递函数Gk(s)的表达式为：
Figure BDA0003708524690000063
式(4)中，Kdc为蓄电池侧等效增益；Db为蓄电池侧DC/DC变换器占空比，Cob为蓄电池侧直流母线电容值；
S2-4：确定抑制参数组(Q,kpr,kgr)作为寻优变量，根据蓄电池侧电感支路阻抗ZLb(s) 的表达式，研究抑制参数组(Q,kpr,kgr)对蓄电池侧电感支路阻抗ZLb(s)幅值的影响：
由于本发明研究二次谐波电流的抑制问题，故需要观察二倍频时蓄电池侧电感支路阻抗ZLb(s)对应的幅值，随着抑制参数组(Q,kpr,kgr)的各个控制参数改变，蓄电池侧电感支路阻抗ZLb(s)幅值也随之变化，进而可以确定抑制参数组(Q,kpr,kgr)的各个参数对蓄电池侧电感支路阻抗ZLb(s)幅值的影响趋势，对抑制参数组(Q,kpr,kgr)取值范围有个初始判断；
S2-5：根据蓄电池侧开环传递函数Gk(s)，研究抑制参数组(Q,kpr,kgr)对相位裕度γ(ωc) 的影响：
令蓄电池侧开环传递函数Gk(s)的对数幅频特性等于0dB，求出系统截止频率ωc，并计算该截止频率对应的相角值
Figure BDA0003708524690000074
以此计算出相位裕度γ(ωc)，其表达式为：
Figure BDA0003708524690000071
随着抑制参数组(Q,kpr,kgr)的各个控制参数改变，相位裕度γ(ωc)也随之变化，进而可以确定抑制参数组(Q,kpr,kgr)的各个参数对相位裕度γ(ωc)的影响趋势，结合S2-4可确定保证系统谐波电流抑制效果和稳定运行的抑制参数组大致范围；
下面步骤S3将粒子群算法应用于系统谐波电流抑制分析中，获取系统的最优抑制参数组，从而达到最优的谐波电流抑制效果：
S3-1：因系统参数之间存在约束关系，参数往往不能随机选取，当参数不满足约束条件时，令其目标函数值为无穷大从而达到约束的目的，其表达式为：
Figure BDA0003708524690000072
式(6)中，X为满足约束条件的抑制参数组(Q,kpr,kgr)，f(X)为满足约束条件的目标函数适应度，X*为不满足约束条件的抑制参数组(Q,kpr,kgr)，f(X*)为不满足约束条件的目标函数适应度；
S3-2：随机初始化种群粒子，确定最大迭代次数、种群粒子数量，根据步骤S2中确定的抑制参数组(Q,kpr,kgr)大致范围，规定种群粒子的上下限；
S3-3：将种群粒子代入蓄电池侧电感支路阻抗ZLb(s)中，求解目标函数值，利用适应度函数Fitness计算个体最优位置Pi t和全局最优位置Gt；
S3-4：更新种群粒子的速度和位置，其表达式为：
Figure BDA0003708524690000073
式(7)中，Vi (t)为第t次迭代时第i个粒子的速度，Vi (t+1)为第t+1次迭代时第i个粒子的速度；Xi (t)为第t次迭代时第i个粒子的位置，Xi (t+1)为第t+1次迭代时第i个粒子的位置，w为惯性权重，c1为个体学习因子，控制个体粒子局部范围内的变化，c2为社会学习因子，控制粒子群中最优粒子对整个区域的影响，两个学习因子协同作用，促进粒子不断向最优取值靠近，r1、r2为随机数；
S3-5：将更新后的种群粒子代入S3-3步骤，以求得当前种群粒子的适应度值，若当前粒子的适应度值更高，则用其值替换相应的个体最优位置Pi t和全局最优位置Gt；
S3-6：重复步骤S3-4和S3-5直至达到最大迭代次数，输出适应度值最好的抑制参数组(Q,kpr,kgr)。
为验证该寻优方法的有效性，在Simulink中搭建含单相逆变器负荷的混合储能系统模型。粒子群算法参数设定：种群粒子数量为30，迭代次数为500，认知因子c1为2，社会因子c2为2。将抑制参数组(Q,kpr,kgr)作为寻优变量，相位裕度大于等于45°为约束条件，经算法计算后得(Q,kpr,kgr)＝(4.24,13.38,85.75)，其寻优过程如图4所示，寻优过程对应的蓄电池侧电感支路导纳值如图5所示，寻优过程对应的蓄电池侧相位裕度如图6所示。
结合图7～12可知，在没有引入陷波器和准比例谐振控制器时，蓄电池侧电感电流if的超调量高达60.7％，同时伴有大量的二次谐波电流；在控制回路中引入陷波器和准比例谐振控制器后，在保持系统稳定情况下随机选取一组抑制参数组(Q,kpr,kgr)＝(1,5,10)，此时蓄电池侧电感电流if的二次谐波电流被抑制，超调量下降至34.03％；而采用寻优所得的抑制参数组(Q,kpr,kgr)＝(4.24,13.38,85.75)，超调量仅仅为6.3％，二次谐波电流抑制作用也达到最强。上述情况表明所提的一种基于粒子群算法的谐波电流抑制参数组寻优方法能快速获得最优抑制参数组，大大降低蓄电池侧电感电流if对系统的冲击及其二次谐波电流含量，保证系统的安全稳定和高效运行。
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (1)

1.一种基于粒子群算法的谐波电流抑制参数组寻优方法，其特征在于，包括以下步骤：
S1：针对含单相逆变器负荷的混合储能系统存在二次谐波电流的问题，提出在电压电流双闭环中引入陷波器和准比例谐振控制器的方法；
S2：建立系统的电感支路阻抗模型，推导系统的开环传递函数，研究抑制参数组对电感支路阻抗幅值和系统相位裕度的影响，以确定保证系统谐波电流抑制效果和稳定运行的抑制参数组大致范围；
S3：将粒子群算法应用于系统谐波电流抑制分析中，获取系统的最优抑制参数组，从而达到最优的谐波电流抑制效果；
所述步骤S1具体步骤如下：
通过DC/DC变换器将储能单元输入电压提升至直流母线电压所需值，利用电压电流双闭环控制来稳定直流母线电压，在电压外环和电流内环控制通路中分别引入陷波器GN(s)和准比例谐振控制器GQPR(s)，两者均有在二倍频时呈现高阻抗、其他频率时呈现低阻抗的特性，以此来达到抑制二次谐波电流的目的，两者的表达式为：
Figure FDA0004238421760000011
式(1)中，Q为陷波器GN(s)的品质因数，f0为基波电流频率，kpr、kgr分别为准比例谐振控制器GQPR(s)的谐振比例系数和谐振增益系数，ωr、ωc为准比例谐振控制器GQPR(s)的谐振角频率和带宽角频率，s为拉氏变换复变量算子；
所述步骤S2具体步骤如下：
S2-1：建立蓄电池侧电感支路阻抗模型：
当以蓄电池侧输出电流iob作为唯一输入变量，蓄电池侧直流母线电压Uob作为输出变量时，蓄电池侧电感支路阻抗ZLb(s)的表达式为：
Figure FDA0004238421760000012
式(2)中，Uobr为蓄电池侧直流母线电压Uob的参考值，Gb(s)为蓄电池侧电感支路上电感Lb的电纳值，Gu(s)＝kvp+kvi/s是电压外环比例积分环节，kvp和kvi分别为电压外环PI控制器的比例和积分系数，Gi(s)＝kip+kii/s是电流内环比例积分环节，kip和kii分别为电流内环PI控制器的比例和积分系数，Hv为负反馈通路的传递函数；
S2-2：建立超级电容侧电感支路阻抗模型：
由S2-1蓄电池侧电感支路阻抗模型建立原理及对称性可知，超级电容侧电感支路阻抗ZLsc(s)的表达式为：
Figure FDA0004238421760000021
式(3)中，Uoscr为超级电容侧直流母线电压Uosc的参考值，数值上等于蓄电池侧直流母线电压Uob的参考值Uobr，Gsc(s)为超级电容侧电感支路上电感Lsc的电纳值，数值上等于蓄电池侧电感支路上电感Lb的电纳值Gb(s)；
S2-3：推导系统的开环传递函数Gk(s)：
蓄电池侧电感支路阻抗ZLb(s)与超级电容侧电感支路阻抗ZLsc(s)有相同的阻抗特性，故后续分析仅以蓄电池侧为例，超级电容侧可类似推导；
以蓄电池侧直流母线电压参考值Uobr作为输入变量，蓄电池侧直流母线电压Uob作为输出变量，推导蓄电池侧开环传递函数Gk(s)的表达式为：
Figure FDA0004238421760000022
式(4)中，Kdc为蓄电池侧等效增益；Db为蓄电池侧DC/DC变换器占空比，Cob为蓄电池侧直流母线电容值；
S2-4：确定抑制参数组(Q,kpr,kgr)作为寻优变量，根据蓄电池侧电感支路阻抗ZLb(s)的表达式，研究抑制参数组(Q,kpr,kgr)对蓄电池侧电感支路阻抗ZLb(s)幅值的影响：
随着抑制参数组(Q,kpr,kgr)的各个控制参数改变，蓄电池侧电感支路阻抗ZLb(s)幅值也随之变化，进而可以确定抑制参数组(Q,kpr,kgr)的各个参数对蓄电池侧电感支路阻抗ZLb(s)幅值的影响趋势，对抑制参数组(Q,kpr,kgr)取值范围有个初始判断；
S2-5：根据蓄电池侧开环传递函数Gk(s)，研究抑制参数组(Q,kpr,kgr)对相位裕度γ(ωc)的影响：
令蓄电池侧开环传递函数Gk(s)的对数幅频特性等于0dB，求出系统截止频率ωc，并计算该截止频率对应的相角值φ(ωc)，以此计算出相位裕度γ(ωc)，其表达式为：
Figure FDA0004238421760000033
随着抑制参数组(Q,kpr,kgr)的各个控制参数改变，相位裕度γ(ωc)也随之变化，进而可以确定抑制参数组(Q,kpr,kgr)的各个参数对相位裕度γ(ωc)的影响趋势，结合S2-4可确定保证系统谐波电流抑制效果和稳定运行的抑制参数组大致范围；
所述步骤S3具体步骤如下：
S3-1：因系统参数之间存在约束关系，参数往往不能随机选取，当参数不满足约束条件时，令其目标函数值为无穷大从而达到约束的目的，其表达式为：
Figure FDA0004238421760000031
式(6)中，X为满足约束条件的抑制参数组(Q,kpr,kgr)，f(X)为满足约束条件的目标函数适应度，X*为不满足约束条件的抑制参数组(Q,kpr,kgr)，f(X*)为不满足约束条件的目标函数适应度；
S3-2：随机初始化种群粒子，确定最大迭代次数、种群粒子数量，根据步骤S2中确定的抑制参数组(Q,kpr,kgr)大致范围，规定种群粒子的上下限；
S3-3：将种群粒子代入蓄电池侧电感支路阻抗ZLb(s)中，求解目标函数值，利用适应度函数Fitness计算个体最优位置Pit和全局最优位置Gt；
S3-4：更新种群粒子的速度和位置，其表达式为：
Figure FDA0004238421760000032
式(7)中，Vi(t)为第t次迭代时第i个粒子的速度，Vi(t+1)为第t+1次迭代时第i个粒子的速度；Xi(t)为第t次迭代时第i个粒子的位置，Xi(t+1)为第t+1次迭代时第i个粒子的位置，w为惯性权重，c1为个体学习因子，控制个体粒子局部范围内的变化，c2为社会学习因子，控制粒子群中最优粒子对整个区域的影响，两个学习因子协同作用，促进粒子不断向最优取值靠近，r1、r2为随机数；
S3-5：将更新后的种群粒子代入S3-3步骤，以求得当前种群粒子的适应度值，若当前粒子的适应度值更高，则用其值替换相应的个体最优位置Pit和全局最优位置Gt；
S3-6：重复步骤S3-4和S3-5直至达到最大迭代次数，输出适应度值最好的抑制参数组(Q,kpr,kgr)。
CN202210715079.0A 2022-06-22 2022-06-22 一种基于粒子群算法的谐波电流抑制参数组寻优方法 Active CN115051366B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210715079.0A CN115051366B (zh) 2022-06-22 2022-06-22 一种基于粒子群算法的谐波电流抑制参数组寻优方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210715079.0A CN115051366B (zh) 2022-06-22 2022-06-22 一种基于粒子群算法的谐波电流抑制参数组寻优方法

Publications (2)

Publication Number Publication Date
CN115051366A CN115051366A (zh) 2022-09-13
CN115051366B true CN115051366B (zh) 2023-06-20

Family

ID=83163180

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210715079.0A Active CN115051366B (zh) 2022-06-22 2022-06-22 一种基于粒子群算法的谐波电流抑制参数组寻优方法

Country Status (1)

Country Link
CN (1) CN115051366B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116663435B (zh) * 2023-08-01 2023-10-20 华中科技大学 一种阻尼母线结构参数优化方法、装置及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111082440A (zh) * 2020-01-15 2020-04-28 湖南工业大学 一种基于自适应陷波的组串式光伏逆变器谐振抑制方法
CN111193287A (zh) * 2020-01-16 2020-05-22 长沙理工大学 基于陷波器和比例谐振控制器的光伏并网控制方法及系统
CN111832158A (zh) * 2020-06-22 2020-10-27 中国石油大学(华东) 一种基于改进粒子群算法的多电平逆变器谐波抑制优化策略
CN113517694A (zh) * 2021-04-27 2021-10-19 广东电网有限责任公司 准谐振控制器参数的整定方法、装置、电气设备及介质
CN113991634A (zh) * 2021-10-29 2022-01-28 广东工业大学 储能变换器二次谐波电流抑制与动态特性优化的控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5644396B2 (ja) * 2010-08-06 2014-12-24 株式会社明電舎 電力変換装置の高調波電流抑制装置および高調波電流抑制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111082440A (zh) * 2020-01-15 2020-04-28 湖南工业大学 一种基于自适应陷波的组串式光伏逆变器谐振抑制方法
CN111193287A (zh) * 2020-01-16 2020-05-22 长沙理工大学 基于陷波器和比例谐振控制器的光伏并网控制方法及系统
CN111832158A (zh) * 2020-06-22 2020-10-27 中国石油大学(华东) 一种基于改进粒子群算法的多电平逆变器谐波抑制优化策略
CN113517694A (zh) * 2021-04-27 2021-10-19 广东电网有限责任公司 准谐振控制器参数的整定方法、装置、电气设备及介质
CN113991634A (zh) * 2021-10-29 2022-01-28 广东工业大学 储能变换器二次谐波电流抑制与动态特性优化的控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于比例谐振和谐波补偿控制技术的单相逆变并网研究;张淼 等;广东工业大学学报;第33卷(第5期);第59-63页 *
基于自适应陷波的光伏逆变器谐振抑制方法;李圣清 等;湖南电力;第40卷(第6期);第5-10页 *

Also Published As

Publication number Publication date
CN115051366A (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
CN108649780B (zh) 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
WO2024021206A1 (zh) 一种基于构网型变流器的储能系统控制方法、系统、存储介质及设备
CN115051366B (zh) 一种基于粒子群算法的谐波电流抑制参数组寻优方法
CN111245010A (zh) 基于llcl型三相并网逆变器的双闭环控制方法
CN112670975B (zh) 基于泰勒展开的直流配用电系统状态反馈控制方法
CN113410864A (zh) 一种基于改进人工蜂群算法的三相逆变器控制方法
CN110535150B (zh) 结合即时采样的预测无差拍重复控制优化方法
CN109962515B (zh) 比例-支持向量机稳态估计超级电容充放电控制方法
Li et al. An active disturbance rejection control strategy for a three-phase isolated matrix rectifier
CN114552678A (zh) 一种考虑恒功率负载与小信号稳定性的系统及控制方法
CN113690944B (zh) 一种用于逆变器的预测型离散复变量谐振控制方法
CN113364315B (zh) 一种基于海鸥优化算法的三相逆变器控制方法
CN115356933A (zh) 基于级联线性自抗扰的DC-DC Buck控制系统抑噪抗扰控制方法
CN107394822A (zh) 一种lcl型并网逆变器单电流反馈的电流控制方法
CN112015085B (zh) 一种基于重复模糊控制器的不间断电源逆变系统及其设计方法
CN108649603B (zh) 一种并网变流器控制方法
Panda et al. Application of genetic algorithm for PSS and facts-based controller design
Ma et al. Stability Analysis and Compensation Methods to Improve Stability for DC Microgrid with Constant Power Loads
CN114257112B (zh) 一种应用拉格朗日插值法补偿单相并网逆变器延时的方法
Ghasemi et al. Fuzzy logic controlled adaptive active power filter for harmonics minimization and reactive power compensation under fast load variation
Tang et al. Online parameter optimization method of harmonic controller for grid-connected inverter
CN114301316B (zh) 一种基于状态指令发生器的lcl型联网变换器控制系统
Subramanian et al. Abrha Ftsum Berhe
Zou et al. Research on control strategy of buck converter based on particle swarm optimization fuzzy PID
Liu et al. Optimization of scaling factors of fuzzy-logic controller for CVCF inverter by genetic algorithm

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