CN116599067B - 一种微电网电能质量全局优化方法 - Google Patents

Abstract

本发明提供了一种微电网电能质量全局优化方法，涉及供电技术领域，所述方法包括根据微电网各节点的逆变器的等效虚拟阻抗和各节点的本地负载，建立微电网的节点导纳矩阵；根据对微电网中各节点赋予的权重值和各节点的电压畸变率，构建微电网的目标函数；根据节点导纳矩阵和各节点上逆变器的剩余容量，构建微电网各节点谐波调制的约束条件；在满足约束条件的情况下，分析目标函数的最优解，并根据最优解对各节点上的等效虚拟阻抗进行调整。采用该方法进行谐波治理，微电网不需要加装专门的电压质量治理设备，通过在逆变器上构建等效虚拟阻抗实现电压谐波畸变全局优化治理。

Description

一种微电网电能质量全局优化方法

技术领域

本发明涉及供电技术领域，具体而言，涉及一种微电网电能质量全局优化方法。

背景技术

微电网是一种包含分布式能源、负荷等的小型电力网络，其具有孤岛与并网两种运行模式，可实现灵活切换。伴随着分布式能源就地消纳等要求的提出，微电网建设也进入了快速发展阶段。随着微电网中非线性负荷数量与功率增加，导致微电网的电压谐波畸变率问题突显。

目前对于微电网的谐波治理大多采取与传统配电网中类似的治理措施，以有源滤波器等专门的谐波治理设备为主。但由于目前微电网主要用于解决偏远地区电力需求，加装专门的电压质量治理设备会受到经济成本等因素约束。

发明内容

本发明所要解决的问题是目前微电网通过加装专门的电压质量治理设备解决微电网谐波问题，但是这种方式会受到经济成本等因素约束，不适用于偏远地区电力需求。

为解决上述问题，一方面，本发明提供了一种微电网电能质量全局优化方法，包括：

根据微电网各节点的逆变器的等效虚拟阻抗和各节点的本地负载，建立所述微电网的节点导纳矩阵；

根据对所述微电网中各节点赋予的权重值和各节点的电压畸变率，构建所述微电网的目标函数；

根据所述节点导纳矩阵和各节点的所述逆变器的剩余容量，构建所述微电网各节点谐波调制的约束条件；

在满足所述约束条件的情况下，分析粒子集合中的每个粒子对应的所述目标函数，确定所述目标函数的最优解，并根据所述最优解对各节点的所述逆变器的所述等效虚拟阻抗进行调整，其中，所述微电网中所有节点处的所述等效虚拟阻抗的实部和虚部的一种取值集合构成一个所述粒子。

可选地，所述根据对所述微电网中各节点赋予的权重值和各节点的电压畸变率，构建所述微电网的目标函数包括：

根据各节点的基波电压有效值和谐波电压有效值，确定各节点的所述电压畸变率；

将各节点的所述电压畸变率与各节点的所述权重值对应相乘后求和，得到所述微电网的目标函数。

可选地，所述微电网的所述目标函数为：

，

其中，N代表所述微电网的节点数目，为第j个节点对应的所述权重值，/>为第j个节点对应的所述电压畸变率；

可选地，所述电压畸变率为：

，

其中，为第j个节点处的基波电压有效值，/>为第j个节点处的h次谐波电压有效值；/>，/>为h次谐波下的节点导纳矩阵，/>为第j个节点处的h次谐波电流。

可选地，所述根据所述节点导纳矩阵和各节点的所述逆变器的剩余容量，构建所述微电网各节点谐波调制的约束条件包括：

根据所述逆变器的额定容量、所述逆变器输出的有功功率和所述逆变器输出的无功功率，确定所述逆变器的剩余容量；

根据所述逆变器的基波电压和流经所述逆变器的各次谐波电流，确定所述逆变器的补偿容量；

所述约束条件包括所述补偿容量小于所述剩余容量。

可选地，所述剩余容量为：

，

其中，为所述逆变器的所述剩余容量，/>为所述逆变器的所述额定容量，P为所述逆变器输出的所述有功功率，Q所述逆变器输出的所述无功功率；

所述补偿容量为：

，

其中，为所述逆变器的所述补偿容量，/>为所述逆变器的所述基波电压，为流经所述逆变器的所述谐波电流。

可选地，所述在满足所述约束条件的情况下，分析粒子集合中的每个粒子对应的所述目标函数，确定所述目标函数的最优解，并根据所述最优解对各节点的所述逆变器的所述等效虚拟阻抗进行调整包括：

分析所述粒子集合中每个所述粒子对应的所述目标函数，比较各个所述粒子对应的所述目标函数，确定最小的所述目标函数对应的粒子，将该粒子记为全局最优粒子；

将随机生成的初始粒子、初始迭代速度以及初始最优粒子输入到粒子更新模型，对所述粒子集合中的第一个所述粒子进行更新，其中，所述粒子更新模型用于利用上一个粒子及上一个粒子的迭代速度更新下一个粒子；

将更新后的第一个所述粒子的所述目标函数与所述初始最优粒子的所述目标函数进行比较；

当更新后的第一个所述粒子的所述目标函数小于所述初始最优粒子的所述目标函数时，将更新后的第一个所述粒子代替所述初始最优粒子，记为历史最优粒子；

将更新后的所述粒子、所述历史最优粒子以及当前的迭代速度输入到所述粒子更新模型中，得到下一个迭代速度和更新后的下一个粒子，并对所述粒子集合中的所有所述粒子依次进行循环更新；

在每次更新后，将更新后的所述粒子对应的所述目标函数与所述历史最优粒子进行比较；

当更新后的所述粒子对应的所述目标函数小于所述历史最优粒子对应的目标函数时，将所述历史最优粒子替换为更新后的所述粒子；

将更新后的所述粒子对应的所述目标函数与所述全局最优粒子对应的所述目标函数进行比较；

当更新后的所述粒子对应的所述目标函数小于所述全局最优粒子对应的所述目标函数时，将所述全局最优粒子替换为更新后的所述粒子；

直到所述粒子集合中的所有所述粒子均进行更新后，所述粒子集合的一次迭代更新完成，对所述粒子集合进行指定次数的更新，得到最终的所述全局最优粒子；

根据所述全局最优粒子，调整所述微电网中各节点上的所述等效虚拟阻抗。

可选地，所述在每次更新后，将更新后的所述粒子对应的所述目标函数与所述历史最优粒子进行比较包括：

在每次更新后，判断所述粒子的取值是否处于指定范围内；

当所述粒子的取值超出所述指定范围时，则循环更新结束；

当所述粒子的取值处于所述指定范围内时，将更新后的所述粒子对应的所述目标函数与所述历史最优粒子进行比较。

可选地，所述在每次更新后，将更新后的所述粒子对应的所述目标函数与所述历史最优粒子进行比较之后，所述微电网电能质量全局优化方法还包括：

当更新后的所述粒子对应的所述目标函数大于或等于所述历史最优粒子对应的目标函数时，将该次更新记为更新失败，并统计连续更新失败次数；

当所述连续更新失败次数小于所述失败次数阈值时，继续进行循环更新；

当所述连续更新失败次数大于或等于失败次数阈值时，将当前粒子转入学习功能模式，得到学习后的所述粒子，并将所述连续更新失败次数重置以及将学习后的所述粒子替换所述当前粒子再投入到循环更新中；

当更新后的所述粒子对应的所述目标函数小于所述历史最优粒子对应的目标函数时，将所述连续更新失败次数重置。

可选地，所述当所述连续更新失败次数大于或等于失败次数阈值时，将当前粒子转入学习功能模式，得到学习后的所述粒子，并将所述连续更新失败次数重置以及将学习后的所述粒子替换所述当前粒子再投入到循环更新中包括：

当所述连续更新失败次数大于或等于失败次数阈值时，生成随机数字，判断所述随机数字是否小于学习概率因子，其中，所述学习概率因子根据所述当前粒子在所述粒子集合中的位置序号与所述粒子集合中总粒子数量计算得到；

当所述随机数字小于所述学习概率因子时，随机选取所述粒子集合中处于所述当前粒子后面未更新的n个所述粒子；

比较选取的n个所述粒子对应的所述目标函数，在其中筛选出最小的所述目标函数对应的所述粒子，将该粒子记为学习最优粒子，并将所述当前粒子替换为所述学习最优粒子；

当所述随机数字大于或等于所述学习概率因子时，将所述当前粒子中的每个数据替换为该数据个体历史最优的数据；

将所述连续更新失败次数重置，再将更新后的所述当前粒子再投入到循环更新中。

可选地，所述将更新后的所述粒子对应的所述目标函数与所述全局最优粒子对应的所述目标函数进行比较之后，所述微电网电能质量全局优化方法还包括：

当更新后的所述粒子对应的所述目标函数大于或等于所述全局最优粒子对应的所述目标函数时，所述全局最优粒子维持不变。

与现有技术相比，本发明具有如下有益效果：

本发明提供的一种微电网电能质量全局优化方法，根据所述节点导纳矩阵和各节点的所述逆变器的剩余容量，构建所述微电网各节点谐波调制的约束条件，在节点导纳矩阵中将虚拟等效阻抗作为变量，并对所述微电网中各节点赋予权重值，考虑到不同节点对电能质量的需求不同，根据权重值和各节点的电压畸变率，构建所述微电网的目标函数，以此目标函数的值最小为目标，在满足所述约束条件的情况下，分析目标函数的最优解，根据所述最优解对各节点的所述逆变器的所述等效虚拟阻抗进行调整，以此实现差异化电压谐波畸变的全局优化治理，不需要加装专门的电压质量治理设备，通过逆变器及在逆变器上构建等效虚拟阻抗即可实现谐波的有效治理。

附图说明

图1示出了本发明实施例中一种微电网电能质量全局优化方法的流程示意图；

图2示出了本发明实施例中目标函数最优解的分析流程示意图；

图3示出了单相孤岛微电网多母线系统的结构示意图；

图4示出了图3中母线6的电压谐波畸变率治理效果示意图；

图5示出了微电网中各逆变器容量变化示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。

要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。

在本说明书的描述中，参考术语“实施例”、“一个实施例”和“一个实施方式”等的描述意指结合该实施例或实施方式描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或实施方式中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实施方式。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或实施方式以合适的方式结合。

图1示出了本发明实施例中一种微电网电能质量全局优化方法的流程示意图，所述微电网电能质量全局优化方法包括：

S1：根据微电网各节点的逆变器的等效虚拟阻抗和各节点的本地负载，建立所述微电网的节点导纳矩阵；

具体地，电力网络是指由输电线路、电力变压器、并（串）联电容器等静止元件构成的总体，节点导纳矩阵就是对电力网络的一种描述形式。等效虚拟阻抗控制为通过在逆变器电流或电压控制回路引入一个虚拟阻抗控制环节，改变逆变器输出电压、电流特性，使得逆变器表征为串联物理阻抗的电源设备。能够有效利用微电网中已有的逆变器实现电网谐波问题有效治理，避免了额外加装相关电能质量治理设备所带来的成本支出。

在本实施例中，节点导纳矩阵Y与谐波电压U和谐波电流I之间的关系为YU=I。

各次谐波下的节点导纳矩阵为与第j个节点h次谐波下的谐波电流为/>，谐波电压为/>，三者之间的关系为/>，微电网在运行过程中受到谐波潮流约束，建立谐波等值网络后，即可获取各次谐波下的节点导纳矩阵，具体表示为：

，

其中，为第j个节点h次谐波下的谐波电压的相量表示，/>为第j个节点h次谐波下的谐波电流的相量表示，/>为第j个节点在h次谐波下未加虚拟阻抗时的固有阻抗（即本地负载），/>为施加的等效虚拟阻抗。

S2：根据对所述微电网中各节点赋予的权重值和各节点的电压畸变率，构建所述微电网的目标函数；

具体地，针对不同节点可能对电能质量需求具有差异性，因此对不同节点赋予不同权重系数，以此实现差异化电压谐波畸变率治理效果，在逆变器治理能力有限情况下，优先满足重要节点电能质量需求，提升系统用户用电满意度。为了使谐波干扰达到最小，可以将权重值和节点电压畸变率相乘后再相加构建目标函数，将各个节点的电压畸变率综合考虑在目标函数中。

S3：根据所述节点导纳矩阵和各节点的所述逆变器的剩余容量，构建所述微电网各节点谐波调制的约束条件；

具体地，逆变器在进行谐波补偿过程中，其补偿容量会受到逆变器剩余容量约束，补偿容量不能超过剩余容量，不能造成逆变器过载。另外逆变器的补偿容量需要根据谐波电流进一步计算获得，而谐波电流与节点导纳矩阵相关。

S4：在满足所述约束条件的情况下，分析粒子集合中的每个粒子对应的所述目标函数，确定所述目标函数的最优解，并根据所述最优解对各节点的所述逆变器的所述等效虚拟阻抗进行调整，其中，所述微电网中所有节点处的所述等效虚拟阻抗的实部和虚部的一种取值集合构成一个所述粒子。

在本实施例中，根据所述节点导纳矩阵和各节点的所述逆变器的剩余容量，构建所述微电网各节点谐波调制的约束条件，在节点导纳矩阵中将虚拟等效阻抗作为变量，并对所述微电网中各节点赋予权重值，考虑到不同节点对电能质量的需求不同，根据权重值和各节点的电压畸变率，构建所述微电网的目标函数，以此目标函数的值最小为目标，在满足所述约束条件的情况下，分析目标函数的最优解，根据所述最优解对各节点的所述逆变器的所述等效虚拟阻抗进行调整，以此实现差异化电压谐波畸变的全局优化治理，不需要加装专门的电压质量治理设备，通过逆变器及在逆变器上构建等效虚拟阻抗即可实现谐波的有效治理。

在本发明的一种实施例中，所述根据对所述微电网中各节点赋予的权重值和各节点的电压畸变率，构建所述微电网的目标函数包括：

根据各节点的基波电压有效值和谐波电压有效值，确定各节点的所述电压畸变率。其中，电压畸变率（也称为电压谐波畸变率），是一种衡量电力系统中谐波污染程度的指标。它表示电压波形中谐波分量与基波分量的相对大小，谐波污染会对电力系统造成以下危害：降低设备效率、导致设备过热、干扰通信系统、影响电能表的准确性、导致保护装置误动作。

具体地，所述电压畸变率为：

，

其中，为第j个节点处的基波电压有效值，/>为第j个节点处的h次谐波电压有效值，h表示第几次谐波畸变，从第3次谐波畸变开始计算，直到第9次谐波畸变为止，计算第3次到第9次及其中间的奇数次谐波畸变对应的电压畸变率。

将各节点的所述电压畸变率与各节点的所述权重值对应相乘后求和，得到所述微电网的目标函数。

具体地，所述微电网的所述目标函数为：

，

其中，N代表所述微电网的节点数目；为第j个节点对应的所述权重值，各节点权重系数总和为1；/>为第j个节点对应的所述电压畸变率。

在本发明的一种实施例中，所述根据所述节点导纳矩阵和各节点的所述逆变器的剩余容量，构建所述微电网各节点谐波调制的约束条件包括：

根据所述逆变器的额定容量、所述逆变器输出的有功功率和所述逆变器输出的无功功率，确定所述逆变器的剩余容量；

具体地，所述剩余容量为：

，

其中，为所述逆变器的所述剩余容量，/>为所述逆变器的所述额定容量，P为所述逆变器输出的所述有功功率，Q所述逆变器输出的所述无功功率。

根据所述逆变器的基波电压和流经所述逆变器的各次谐波电流，确定所述逆变器的补偿容量；

具体地，所述补偿容量为：

，

其中，为分布式电源的所述逆变器的所述补偿容量，/>为所述逆变器的所述基波电压，优化过程中基波电压可近似认为不受影响，可以选取未加控制时的各逆变器所并联电容的基波电压作为优化过程中的基波电压，因此在使用该基波电压计算出的结果可以近似看作补偿容量。/>为流经所述逆变器的所述谐波电流，可以将任一节点处逆变器的基波电压和谐波电流代入该公式中计算补偿变量，其中h=3，5，7和9，即将在第3次、第5次、第7次和第9次的谐波电流的平方求和。

其中，所述约束条件包括所述补偿容量小于所述剩余容量。

如图2所示，图中，flag=0表示连续更新失败次数重置为0，flagi表示第i个粒子连续更新失败次数，m为失败次数阈值，当超过m次迭代中第i个粒子相对于历史最优粒子对应的目标函数都没有提升，则认为粒子可能陷入局部最优解，此时激活学习功能模式，使第i个粒子能向其他粒子进行学习，帮助跳出局部最优解。i表示粒子集合中第i个粒子，w表示惯性权重，k为迭代次数，为最大迭代次数。/>与/>代表粒子各维度变量的最小值与最大值，d为一个粒子中第d个数据或者d维数据，/>为最大迭代速度，D为一个粒子中数据的总数，/>为将粒子中的数据/>和同一粒子中的其他数据代入到目标函数中得到的数值，/>为历史最优数值，/>全局最优数值，/>为历史最优数值对应的目标函数值，/>为全局最优数值对应的目标函数值，ps为粒子集合中粒子的总数。

在本发明的一种实施例中，如图2，所述在满足所述约束条件的情况下，分析粒子集合中的每个粒子对应的所述目标函数，确定所述目标函数的最优解，并根据所述最优解对各节点的所述逆变器的所述等效虚拟阻抗进行调整包括：

分析所述粒子集合中每个所述粒子对应的所述目标函数，比较各个所述粒子对应的所述目标函数，确定最小的所述目标函数对应的粒子，将该粒子记为全局最优粒子；

具体地，在开始进行寻优分析之前，需要对流程中的参数进行初始化。假设粒子集合中有100个粒子，每个粒子含有五对（一个等效虚拟阻抗有一个实部和一个虚部，构成一对数据）共十个数据，将这十个数据代入到目标函数的计算中，算出一个目标函数的值，计算100个粒子的目标函数值，然后从中找出最小的目标函数值，与其对应的粒子就是目前100个粒子中的全局最优粒子。

将随机生成的初始粒子、初始迭代速度以及初始最优粒子输入到粒子更新模型，对所述粒子集合中的第一个所述粒子进行更新，其中，所述粒子更新模型用于利用上一个粒子及上一个粒子的迭代速度更新下一个粒子；

具体地，随机生成的初始粒子、初始迭代速度以及初始最优粒子主要是为了启动对第一个粒子的更新，因为对于第一个粒子来说，在它之前不存在上一个迭代速度，上一个粒子以及历史最优粒子这种数据，因此需要随机生成。另外，所述粒子更新模型为：

式中，为第i个粒子在第k+1次迭代中的d维变量；/>为第i个粒子在第k+1次迭代中的d维速度，其中1≤d≤D，其中d为粒子中第d个数据，D表示粒子中数据的总量；ω是惯性权重；/>为第i个粒子在第k次迭代中的d维速度；/>为加速系数；/>为在[0, 1]范围内的随机数；/>为在第k次迭代中，第fi(d)个粒子个体历史最优适应度所对应的第d个数值。

另外，需要说明的是，由于一个粒子中含有多个数据，需要对一个粒子中的多个数据均进行逐个更新，更新完一个粒子中的所有数据之后，才进行下一步。

将更新后的第一个所述粒子的所述目标函数与所述初始最优粒子的所述目标函数进行比较；

当更新后的第一个所述粒子的所述目标函数小于所述初始最优粒子的所述目标函数时，将更新后的第一个所述粒子代替所述初始最优粒子，记为历史最优粒子；然而当更新后的第一个所述粒子的所述目标函数大于或者等于所述初始最优粒子的所述目标函数时，将所述初始最优粒子记为历史最优粒子。需要说明的是，经过粒子更新模型更新之后的粒子是一个新的粒子，不在粒子集合中的100个粒子中，相当于是对粒子集合的一个扩充，使得粒子的数目变多，找到更接近实际最优粒子的最优解。

将更新后的所述粒子、所述历史最优粒子以及当前的迭代速度输入到所述粒子更新模型中，得到下一个迭代速度和更新后的下一个粒子，并对所述粒子集合中的所有所述粒子依次进行循环更新；

具体地，不断采用上述粒子更新模型，重复更新过程，对100个粒子进行逐个更新，在本次更新中会得到新的100个粒子，使得粒子数据更丰富。

在每次更新后，将更新后的所述粒子对应的所述目标函数与所述历史最优粒子进行比较；

当更新后的所述粒子对应的所述目标函数小于所述历史最优粒子对应的目标函数时，说明找到新的最优粒子，将所述历史最优粒子替换为更新后的所述粒子，此时历史最优粒子就是新得到的所述粒子。这样每次都进行比较，能够得到历史最优解。

将更新后的所述粒子对应的所述目标函数与所述全局最优粒子对应的所述目标函数进行比较；由于这个新的粒子不是原有100个粒子中的数据，因此将新得到的粒子对应的目标函数值与全局最优粒子的目标函数值进行比较，可能会找到比原来全局最优粒子更好的粒子。

当更新后的所述粒子对应的所述目标函数大于或等于所述全局最优粒子对应的所述目标函数时，此时说明原来的全局最优粒子的谐波治理效果还是更好，所述全局最优粒子维持不变。

当更新后的所述粒子对应的所述目标函数小于所述全局最优粒子对应的所述目标函数时，说明找到比原来全局最优粒子更好的数据了，将所述全局最优粒子替换为更新后的所述粒子，对全局最优粒子进行更换；

直到所述粒子集合中的所有所述粒子均进行更新后，所述粒子集合的一次迭代更新完成，此时得到一个新的粒子集合，原来的粒子集合已经被新的粒子集合覆盖，以新的粒子集合为基础，然后再次对新的粒子集合进行更新，直到对所述粒子集合进行指定次数的更新，得到最终的所述全局最优粒子。例如指定次数为2000次，也就是说在2000*100个数据中找到一个全局最优粒子，此时找到的全局最优粒子更接近真实最优粒子，使得在自动寻优的方法下，找到治理效果更加的最优解对各个节点的等效虚拟阻抗进行调节控制。

根据所述全局最优粒子，调整所述微电网中各节点上的所述等效虚拟阻抗。

在本实施例中，在不过载情况下，每个粒子会同时从历史最优粒子和群体的全局最优粒子进行学习，不断更新每个粒子，最大限度利用逆变器剩余容量实现更好谐波治理效果，进一步减少了由谐波所带来的电路损耗增加、设备损耗增加、影响系统稳定性等问题。每个粒子代表系统各虚拟阻抗一种组合，其中各粒子各维度分别代表各逆变器虚拟阻抗数值。求解所构建的优化方程，获取优化后各逆变器虚拟阻抗输出值，并下发给各逆变器，便能实现微电网系统谐波畸变率有效治理。

在本发明的一种实施例中，如图2，所述在每次更新后，将更新后的所述粒子对应的所述目标函数与所述历史最优粒子进行比较包括：

在每次更新后，判断所述粒子的取值是否处于指定范围内；

当所述粒子的取值超出所述指定范围时，说明粒子的更新出现错误，粒子超出指定范围，继续循环下去没有意义，此时将循环更新结束；

当所述粒子的取值处于所述指定范围内时，将更新后的所述粒子对应的所述目标函数与所述历史最优粒子进行比较。

在本实施例中，对更新后粒子中的数值进行一次校验，避免在超限的情况下继续进行寻优，减少不必要的分析过程。

在本发明的一种实施例中，如图2，所述在每次更新后，将更新后的所述粒子对应的所述目标函数与所述历史最优粒子进行比较之后，所述微电网电能质量全局优化方法还包括：

当更新后的所述粒子对应的所述目标函数大于或等于所述历史最优粒子对应的目标函数时，将该次更新记为更新失败，并统计连续更新失败次数；

具体地，统计连续更新失败次数的目的是，当一个粒子在m次迭代过程中适应度都没有得到改进，就认为其可能陷入局部最优解，对其执行学习功能模式，使得该粒子在各个维度上都能有机会从其他粒子在对应维度上的个体历史最优数值进行学习。

当所述连续更新失败次数小于所述失败次数阈值时，继续进行循环更新；

当所述连续更新失败次数大于或等于失败次数阈值时，将当前粒子转入学习功能模式，得到学习后的所述粒子，并将所述连续更新失败次数重置以及将学习后的所述粒子替换所述当前粒子再投入到循环更新中；

具体地，由于所构建的方程为非线性方程，按照上一实施例进行求解，存在容易陷入局部最优解问题，为尽可能避免求解结果陷入局部最优解，为了解决此问题，当监测到连续更新失败次数大于或等于失败次数阈值的时候，说明此时寻优求解陷入局部最优解，此时跳出按序更新寻优的补充，在其中插入向后随机寻优学习功能模式，打破当前陷入局部最优解的局面。例如，当m等于5时，从第40个粒子开始出现更新后的粒子对应的目标函数值大于或等于历史最优粒子对应的目标函数值，连续五个粒子都是这样，当到第46个粒子时，粒子就被转入到学习功能模式。

当更新后的所述粒子对应的所述目标函数小于所述历史最优粒子对应的目标函数时，将所述连续更新失败次数重置。

例如，虽然从第40个粒子开始出现更新后的粒子对应的目标函数值大于或等于历史最优粒子对应的目标函数值，但是第43个数据出现更新后的粒子对应的目标函数值小于历史最优粒子对应的目标函数值，此时更新后的粒子效果提升了，此时连续更新失败次数重置为0。

在本发明的一种实施例中，所述当所述连续更新失败次数大于或等于失败次数阈值时，将当前粒子转入学习功能模式，得到学习后的所述粒子，并将所述连续更新失败次数重置以及将学习后的所述粒子替换所述当前粒子再投入到循环更新中包括：

当所述连续更新失败次数大于或等于失败次数阈值时，生成随机数字，判断所述随机数字是否小于学习概率因子，其中，所述学习概率因子根据所述当前粒子在所述粒子集合中的位置序号与所述粒子集合中总粒子数量计算得到。

具体地，在每次迭代前对每个粒子按照对应目标函数升序进行排序。，式中，N代表总的粒子数量，/>代表对应的粒子在排序中对应第i个位置，当i越小，表明求解结果越好，则该粒子向其他粒子学习的几率越小，以及学习的粒子数目越少，相反i越大，代表求解结果越差，从而让其有更大学习概率因子/>，使得其更有可能向其他粒子进行学习，同时学习的粒子数目也越多。其中/>范围为[1/(2*N)，1/2]。

当所述随机数字小于所述学习概率因子时，随机选取所述粒子集合中处于所述当前粒子后面未更新的n个所述粒子；

其中，，式中，N代表总的粒子数量，/>代表对应的粒子在排序中对应第i个位置；[x]是取整函数，[x]表示不超过x的最大整数；round函数返回一个数值，该数值是按照指定的小数位数进行四舍五入运算的结果。

比较选取的n个所述粒子对应的所述目标函数，在其中筛选出最小的所述目标函数对应的所述粒子，将该粒子记为学习最优粒子，并将所述当前粒子替换为所述学习最优粒子；

当所述随机数字大于或等于所述学习概率因子时，将所述当前粒子中的每个数据替换为该数据个体历史最优的数据；

具体地，假设一个微电网有五个节点，每个节点均连接一个分布式电源和逆变器，逆变器与母线相连的位置处连接一个等效虚拟阻抗，当不考虑全局最优的情况下，但看一个节点处的谐波，为了将谐波畸变率变小，在满足逆变器容量约束条件下，在该节点历史运行数据中，筛选出使电压谐波畸变率最小的等效虚拟阻抗的数值，将该数值作为个体历史最优的数据。

最后将所述连续更新失败次数重置，再将更新后的所述当前粒子再投入到循环更新中，重新进入循环更新中，逐个对粒子集合中的粒子进行更新。

在本实施例中，为种群中的粒子设立了一个学习功能模式。当一个粒子在m次迭代过程中适应度都没有得到改进，就认为其可能陷入局部最优解，对其执行学习功能函数，使得该个粒子中的各个数据都能有机会从其他粒子在对应数据上的个体历史最优数据进行学习。采用求解性能更优的方法进行全局控制，有效避免求解结果陷入局部最优解可能性，进一步提升优化效能。

在本发明的一种实施例中，还提供一种微电网电能质量全局优化系统，包括：

节点导纳矩阵构建模块，用于根据微电网各节点的逆变器的等效虚拟阻抗和各节点的本地负载，建立所述微电网的节点导纳矩阵；

目标函数建立模块，根据对所述微电网中各节点赋予的权重值和各节点的电压畸变率，构建所述微电网的目标函数；

约束条件构建模块，用于根据所述节点导纳矩阵和各节点的所述逆变器的剩余容量，构建所述微电网各节点谐波调制的约束条件；

最优解寻找模块，用于在满足所述约束条件的情况下，分析粒子集合中的每个粒子对应的所述目标函数，确定所述目标函数的最优解，并根据所述最优解对各节点的所述逆变器的所述等效虚拟阻抗进行调整，其中，所述微电网中所有节点处的所述等效虚拟阻抗的实部和虚部的一种取值集合构成一个所述粒子。

本发明实施例中的微电网电能质量全局优化系统与上述微电网电能质量全局优化方法的技术效果相近似，在此不再进行赘述。

在本发明具体实施例中，图3示出了单相孤岛微电网多母线系统的结构示意图，系统相关参数如表1所示。

步骤1：建立该孤岛微电网系统谐波等值网络。

步骤2：以各母线平均电压谐波畸变率最小构建相应目标函数，即a1=a2=a3=a4=a5=a6=1/6，目标函数为：

。

步骤3：建立五个逆变器的容量约束以及谐波潮流约束，以五个逆变器虚拟阻抗为决策变量。

表1 单相孤岛微电网系统参数

步骤4：在满足约束条件的情况下，对目标函数进行寻优求解，相关参数如表2所示。

其中将逆变器等效虚拟阻抗拆分为电阻与电感，即实部与虚部分别进行优化，因此单个粒子维度为10。其中表征电阻的变量范围设置为[0,20]，表征电感的变量范围设置为[0，-Lg]。

将本发明所述方法求得的最优解与未采用优化算法的本地控制策略（本地控制策略模仿传统有源滤波器，通过提供尽可能小的谐波阻抗通路来实现电压谐波畸变率治理）得到的最优解进行对比，在第2s时系统各逆变器采用本地控制策略，第16s采用全局优化控制策略计算所得的优化后等效虚拟阻抗值，母线6电压谐波畸变率治理效果如图4所示，图4中由于在1内电压的正弦曲线出现很多次，当时间轴的单位时间长度较短时，相邻的正弦曲线就会无限接近彼此，当很多正弦曲线均无限接近之后，当时间轴的长度设置为图4所示的长短时，电压的变化曲线就呈现出如图4所示的黑色区域，肉眼不易辨别出正弦曲线的每一个点值，因此需要将想要观察的一定时间段内的电压曲线截取放大，图4中分别截取2s之前、16s之前以及20s之前的一段电压曲线进行放大，用于观察电压受谐波污染或调控后的变化情况。

表2 寻优求解算法中参数的设置

表3 不同控制下各个母线电压谐波畸变率

在2s时采用本地控制策略，到达稳定运行状态时，母线6谐波电压畸变率为4.18%。在16s时下发全局优化后的等效虚拟阻抗值，畸变率稳定为3.61%。各逆变器容量变化如图5所示。

各母线电压谐波畸变率治理效果如表3所示，可以看到全局优化控制策略与本地控制策略相比，可以在逆变器不过载情况下，进一步改善系统各节点电压质量。

虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (9)

1.一种微电网电能质量全局优化方法，其特征在于，包括：

根据微电网各节点的逆变器的等效虚拟阻抗和各节点的本地负载，建立所述微电网的节点导纳矩阵；

根据对所述微电网中各节点赋予的权重值和各节点的电压畸变率，构建所述微电网的目标函数；

根据所述节点导纳矩阵和各节点的所述逆变器的剩余容量，构建所述微电网各节点谐波调制的约束条件；

在满足所述约束条件的情况下，分析粒子集合中的每个粒子对应的所述目标函数，确定所述目标函数的最优解，并根据所述最优解对各节点的所述逆变器的所述等效虚拟阻抗进行调整，其中，所述微电网中所有节点处的所述等效虚拟阻抗的实部和虚部的一种取值构成一个所述粒子，所述粒子集合包括多个所述粒子；

所述根据对所述微电网中各节点赋予的权重值和各节点的电压畸变率，构建所述微电网的目标函数包括：

根据各节点的基波电压有效值和谐波电压有效值，确定各节点的所述电压畸变率；

将各节点的所述电压畸变率与各节点的所述权重值对应相乘后求和，得到所述微电网的目标函数。

2.根据权利要求1所述的微电网电能质量全局优化方法，其特征在于，

所述微电网的所述目标函数为：

，

其中，N代表所述微电网的节点数目，为第j个节点对应的所述权重值，/>为第j个节点对应的所述电压畸变率；

所述电压畸变率为：

，

其中，为第j个节点处的基波电压有效值，/>为第j个节点处的h次谐波电压有效值；/>，/>为h次谐波下的节点导纳矩阵，/>为第j个节点处的h次谐波电流。

3.根据权利要求1所述的微电网电能质量全局优化方法，其特征在于，所述根据所述节点导纳矩阵和各节点的所述逆变器的剩余容量，构建所述微电网各节点谐波调制的约束条件包括：

根据所述逆变器的额定容量、所述逆变器输出的有功功率和所述逆变器输出的无功功率，确定所述逆变器的剩余容量；

根据所述逆变器的基波电压和流经所述逆变器的各次谐波电流，确定所述逆变器的补偿容量；

所述约束条件包括所述补偿容量小于所述剩余容量。

4.根据权利要求3所述的微电网电能质量全局优化方法，其特征在于，所述剩余容量为：

，

其中，为所述逆变器的所述剩余容量，/>为所述逆变器的所述额定容量，P为所述逆变器输出的所述有功功率，Q所述逆变器输出的所述无功功率；

所述补偿容量为：

，

其中，为所述逆变器的所述补偿容量，/>为所述逆变器的所述基波电压，/>为流经所述逆变器的所述谐波电流。

5.根据权利要求1所述的微电网电能质量全局优化方法，其特征在于，所述在满足所述约束条件的情况下，分析粒子集合中的每个粒子对应的所述目标函数，确定所述目标函数的最优解，并根据所述最优解对各节点的所述逆变器的所述等效虚拟阻抗进行调整包括：

分析所述粒子集合中每个所述粒子对应的所述目标函数，比较各个所述粒子对应的所述目标函数，确定最小的所述目标函数对应的粒子，记为全局最优粒子；

将随机生成的初始粒子、初始迭代速度以及初始最优粒子输入到粒子更新模型，对所述粒子集合中的第一个所述粒子进行更新，其中，所述粒子更新模型用于利用上一个粒子及上一个粒子的迭代速度更新下一个粒子；

将更新后的第一个所述粒子的所述目标函数与所述初始最优粒子的所述目标函数进行比较；

当更新后的第一个所述粒子的所述目标函数小于所述初始最优粒子的所述目标函数时，将更新后的第一个所述粒子代替所述初始最优粒子，记为历史最优粒子；

将更新后的所述粒子、所述历史最优粒子以及当前的迭代速度输入到所述粒子更新模型中，得到下一个迭代速度和更新后的下一个粒子，并对所述粒子集合中的所有所述粒子依次进行循环更新；

在每次更新后，将更新后的所述粒子对应的所述目标函数与所述历史最优粒子进行比较；

当更新后的所述粒子对应的所述目标函数小于所述历史最优粒子对应的目标函数时，将所述历史最优粒子替换为更新后的所述粒子；

将更新后的所述粒子对应的所述目标函数与所述全局最优粒子对应的所述目标函数进行比较；

当更新后的所述粒子对应的所述目标函数小于所述全局最优粒子对应的所述目标函数时，将所述全局最优粒子替换为更新后的所述粒子；

直到所述粒子集合中的所有所述粒子均进行更新后，所述粒子集合的一次迭代更新完成，对所述粒子集合进行指定次数的更新，得到最终的所述全局最优粒子；

根据所述全局最优粒子，调整所述微电网中各节点上的所述等效虚拟阻抗。

6.根据权利要求5所述的微电网电能质量全局优化方法，其特征在于，所述在每次更新后，将更新后的所述粒子对应的所述目标函数与所述历史最优粒子进行比较包括：

在每次更新后，判断所述粒子的取值是否处于指定范围内；

当所述粒子的取值超出所述指定范围时，则循环更新结束；

当所述粒子的取值处于所述指定范围内时，将更新后的所述粒子对应的所述目标函数与所述历史最优粒子进行比较。

7.根据权利要求5所述的微电网电能质量全局优化方法，其特征在于，所述在每次更新后，将更新后的所述粒子对应的所述目标函数与所述历史最优粒子进行比较之后，还包括：

当更新后的所述粒子对应的所述目标函数大于或等于所述历史最优粒子对应的目标函数时，将该次更新记为更新失败，并统计连续更新失败次数；

当所述连续更新失败次数小于失败次数阈值时，继续进行循环更新；

当所述连续更新失败次数大于或等于失败次数阈值时，将当前粒子转入学习功能模式，得到学习后的所述粒子，并将所述连续更新失败次数重置以及将学习后的所述粒子替换所述当前粒子再投入到循环更新中；

当更新后的所述粒子对应的所述目标函数小于所述历史最优粒子对应的目标函数时，将所述连续更新失败次数重置。

8.根据权利要求7所述的微电网电能质量全局优化方法，其特征在于，所述当所述连续更新失败次数大于或等于失败次数阈值时，将当前粒子转入学习功能模式，得到学习后的所述粒子，并将所述连续更新失败次数重置以及将学习后的所述粒子替换所述当前粒子再投入到循环更新中包括：

当所述连续更新失败次数大于或等于失败次数阈值时，生成随机数字，判断所述随机数字是否小于学习概率因子，其中，所述学习概率因子根据所述当前粒子在所述粒子集合中的位置序号与所述粒子集合中总粒子数量计算得到；

当所述随机数字小于所述学习概率因子时，随机选取所述粒子集合中处于所述当前粒子后面未更新的n个所述粒子；

比较选取的n个所述粒子对应的所述目标函数，在其中筛选出最小的所述目标函数对应的所述粒子，将该粒子记为学习最优粒子，并将所述当前粒子替换为所述学习最优粒子；

当所述随机数字大于或等于所述学习概率因子时，将所述当前粒子中的每个数据替换为该数据个体历史最优的数据；

将所述连续更新失败次数重置，再将更新后的所述当前粒子再投入到循环更新中。

9.根据权利要求5所述的微电网电能质量全局优化方法，其特征在于，所述将更新后的所述粒子对应的所述目标函数与所述全局最优粒子对应的所述目标函数进行比较之后，还包括：

当更新后的所述粒子对应的所述目标函数大于或等于所述全局最优粒子对应的所述目标函数时，所述全局最优粒子维持不变。