CN117195733A - 基于改进粒子群算法的储能虚拟同步机参数优化方法 - Google Patents

Abstract

本发明涉及基于改进粒子群算法的储能虚拟同步机参数优化方法，通过改进粒子群算法对储能虚拟同步机的惯量系数和阻尼系数进行优化，确保系统在最优的惯量系数和阻尼系数下运行，提高系统的稳定性；将改进粒子群算法产生的惯量系数和阻尼系数导入储能虚拟同步机仿真模型中，可在线更新储能虚拟同步机系统中的惯量系数和阻尼系数；将储能虚拟同步机仿真模型的运行结果作为改进粒子群算法的适应度函数值，对算法中的最佳惯量系数和最佳阻尼系数进行更新。

Description

基于改进粒子群算法的储能虚拟同步机参数优化方法

技术领域

本发明属于微网储能技术领域，尤其是基于改进粒子群算法的储能虚拟同步机参数优化方法。

背景技术

电网逐渐呈现以“高比例新能源、高比例电力电子设备”为主的“双高”特性。由于新能源具有波动性、间歇性的特点，对现有电力系统运行提出较高要求，而储能系统可以平衡新能源的功率波动，提高新能源的能源利用率。储能系统并网主要采用储能变流器装置，但其自身并不具有与同步发电机类似的惯量和阻尼特性，当新能源和储能系统大规模并网时会导致电力系统阻尼和惯量不足，严重时导致电力系统产生频率崩溃。

虚拟同步机技术使得储能系统能够主动支撑电网，但是储能虚拟同步机控制参数设定较为复杂，当电网电压或频率发生波动的时候，不良参数设定下储能虚拟同步机往往会产生剧烈的功率和频率振荡，储能虚拟同步机参数设定问题逐渐被人们关注。由于储能虚拟同步机主要模拟同步发电机的惯量和阻尼特性，虚拟惯量系数和阻尼系数是储能虚拟同步机控制策略的核心参数，对其进行优化调整可提高系统运行的稳定性。在当前的工程应用中，虚拟惯量系数和阻尼系数根据工程师的经验选取，参数选取具有较大的随机性。因此有必要对虚拟惯量参数和阻尼参数进行优化研究，通过调整虚拟惯量参数和阻尼参数，提高系统的动态性能和系统运行的稳定性。

在储能并网系统中，如何采用智能算法对虚拟惯量和阻尼系数进行在线优化，通过更新迭代得到最佳的惯量系数和阻尼系数来抑制频率的偏移量，是系统运行过程中要解决的一个实际问题。

发明内容

本发明的目的在于克服现有技术的不足，提出基于改进粒子群算法的储能虚拟同步机参数优化方法，在新能源和储能耦合系统并网时，储能系统采用虚拟同步机技术，实现对电网的主动支撑；当储能系统输出功率发生变化时，采用改进粒子群算法对虚拟惯量系数和阻尼系数进行在线更新，来抑制频率的偏移量，提高系统运行的稳定性。

本发明解决其技术问题是采取以下技术方案实现的：

基于改进粒子群算法的储能虚拟同步机参数优化方法，包括以下步骤：

步骤1、构建储能虚拟同步机仿真模型；

步骤2、根据系统阻尼比、传递函数特征根和截至频率确定储能虚拟同步机仿真模型的惯量系数和阻尼系数的取值范围；

步骤3、构建改进粒子群算法的适应度函数；

步骤4、优化步骤3中粒子群算法；

步骤5、将优化的改进粒子群算法产生的粒子分别赋值给步骤2中储能虚拟同步机模型中确定范围的惯量参数和阻尼参数，运行储能虚拟同步机仿真模型，得到该惯量系数和阻尼系数对应的性能指标，该性能指标再传递到改进的粒子群算法中作为该粒子的适应度函数值；

步骤6、重复步骤4和步骤5，通过有限次的优化迭代，得到适应度函数值最小时所对应的惯量参数和阻尼参数，当系统发生扰动时，在该惯量系数和阻尼系数下系统的功率波动最小，且系统功率恢复时间最短。

而且，所述步骤1中储能虚拟同步机仿真模型输出的有功功率P_e和无功功率Q_e为：

其中，e_α和e_β为储能虚拟同步机输出的三相电压在αβ坐标系下的表达式；i_α和i_β为电感中的三相电流在αβ坐标系下的表达式；

三相电压、电流park变换的过程为：

其中，i_a、i_b和i_c分别为a相、b相和c相电流；

功频控制器模型通过P-f下垂控制和转子运动方程两部分组成，P-f下垂数学模型为：

P_m＝P_ref+ΔP＝P_ref+D_p(f_ref-f)

其中，P_m为虚拟机械功率，P_ref为有功功率的参考值，ΔP为频率变化差值，D_p为调频系数，f_ref为频率参考值；

转子运动数学模型为：

其中，J是虚拟转动惯量，P_e为虚拟电磁功率，D为阻尼系数，Δω＝ω-ω₀，ω和ω₀分别是实际角速度和参考频率对应的角速度；

励磁控制器模型通过Q-U下垂控制和电压调制波幅值控制两部分组成，Q-U下垂数学模型为：

Q_ref-Q＝D_q(U_ref-U_n)

其中，D_q为调压系数，U_ref为电压参考值，U_n为额定电压，Q_ref为无功功率参考值，Q为输出无功功率；

电势参考幅值为：

其中，K_s为积分系数，U为实际电压，K_q＝D_qK_s；

参考电动势的电压向量为：

其中，θ为参考电动势的相角。

而且，所述步骤3的具体实现方法为：改进粒子群算法的适应度函数以储能虚拟同步机系统频率误差绝对值时间积分和频率变化率绝对值时间积分之和最小为目标：

其中，a,b为权重系数，Δω为频率变化量。

而且，所述步骤4的具体实现方法为：对标准粒子群算法的粒子速度和位置进行更新：

v_ij(t+1)＝λ·(ωv_ij(t)+c₁r₁(t)(p_ij(t)-x_ij(t))

+c₂r₂(t)(p_gi(t)-x_ij(t)))

x_ij(t+1)＝x_ij(t)+v_ij(t+1)

其中，c₁,c₂为加速度系数，r₁和r₂为[0,1]范围内的均匀随机数，v_ij为粒子的速度，v_ij∈[-v_max,v_max]，v_max是常数，ω为惯性权重系数，λ为压缩因子，c₁、c₂为加速度系数，p_ij为个体历史最佳位置，p_gi为群体历史最佳位置。

本发明的优点和积极效果是：

1、本发明通过改进粒子群算法对储能虚拟同步机的惯量系数和阻尼系数进行优化，确保系统在最优的惯量系数和阻尼系数下运行，提高系统的稳定性；将改进粒子群算法产生的惯量系数和阻尼系数导入储能虚拟同步机仿真模型中，可在线更新储能虚拟同步机系统中的惯量系数和阻尼系数；将储能虚拟同步机仿真模型的运行结果作为改进粒子群算法的适应度函数值，对算法中的最佳惯量系数和最佳阻尼系数进行更新。

2、本发明通过动态调整惯性权重和引入压缩因子对粒子群算法进行改进，改进后的算法在不影响优化结果准确性的前提下，有效减少了搜索时间，提高了搜索效率。

3、本发明的评价指标综合考虑了频率变化率和频率变化量，以储能虚拟同步机系统频率误差绝对值时间积分和频率变化率绝对值时间积分之和最小为目标函数。

附图说明

图1是本发明的系统流程图；

图2是本发明的系统结构图；

图3是本发明提供的粒子群算法原理图；

图4是本发明的控制原理图；

图5是本发明改进粒子群算法和标准粒子群算法适应度函数对比图；

图6是本发明不同阻尼系数D和惯量系数J下系统的有功功率变化情况图。

具体实施方式

以下结合附图对本发明做进一步详述。

基于改进粒子群算法的储能虚拟同步机参数优化方法，如图1所示，包括以下步骤：

步骤1、构建储能虚拟同步机仿真模型。

储能虚拟同步机仿真模型包括主电路、功率环、功频控制器、励磁控制器等。通过采集主电路的电压、电流、功率等信号，经控制器产生调制信号，最后产生控制储能变流器的脉冲信号。

储能虚拟同步机仿真模型输出的有功功率P_e和无功功率Q_e为：

其中，e_α和e_β为储能虚拟同步机输出的三相电压在αβ坐标系下的表达式；i_α和i_β为电感中的三相电流在αβ坐标系下的表达式；

三相电压、电流park变换的过程为：

其中，i_a、i_b和i_c分别为a相、b相和c相电流；

功频控制器的目的是用来实现调频和有功输出控制，由P-f下垂控制和转子运动方程两部分组成，P-f下垂数学模型：

P_m＝P_ref+ΔP＝P_ref+D_p(f_ref-f) (2)

其中，P_m为虚拟机械功率，P_ref为有功功率的参考值，ΔP为频率变化差值，D_p为调频系数，f_ref为频率参考值；

转子运动数学模型为：

其中，J是虚拟转动惯量，P_e为虚拟电磁功率，D为阻尼系数，Δω＝ω-ω₀，ω和ω₀分别是实际角速度和参考频率对应的角速度；

励磁控制器的目的是用来实现调压和无功输出控制，由Q-U下垂控制和电压调制波幅值控制两部分组成，Q-U下垂数学模型：

Q_ref-Q＝D_q(U_ref-U_n) (4)

其中，D_q为调压系数，U_ref为电压参考值，U_n为额定电压，Q_ref为无功功率参考值，Q为输出无功功率；

电势参考幅值为：

联立式(4)和式(5)，令K_q＝D_qK_s，可得：

其中，K_s为积分系数，U为实际电压，K_q＝D_qK_s；

功频励磁控制器的原理如图4所示，通过储能虚拟同步机的功频控制器和励磁控制器分别得到参考电动势相角和幅值，进而得到参考电动势的电压向量：

其中，θ为参考电动势的相角。

步骤2、根据系统阻尼比、传递函数特征根和截至频率确定储能虚拟同步机仿真模型的惯量系数和阻尼系数的取值范围。

步骤3、构建改进粒子群算法的适应度函数。本发明综合考虑了系统受到扰动后的频率变化量和频率变化率，以储能虚拟同步机系统频率误差绝对值时间积分和频率变化率绝对值时间积分之和最小为目标，对算法的适应度函数进行设计：

其中，a,b为权重系数，Δω为频率变化量。

步骤4、优化步骤3中粒子群算法。编写改进粒子群算法程序，确定粒子种群规模、最大迭代次数、惯性权重系数、加速度系数、粒子速度等控制参数，对标准粒子群算法的粒子速度和位置进行更新：

v_ij(t+1)＝ωv_ij(t)+c₁r₁(t)[p_ij(t)-x_ij(t)]+c₂r₂(t)[p_gi(t)-x_ij(t)] (9)

x_ij(t+1)＝x_ij(t)+v_ij(t+1) (10)

其中，c₁,c₂为加速度系数，r₁和r₂为[0,1]范围内的均匀随机数，v_ij为粒子的速度，v_ij∈[-v_max,v_max]，v_max是常数，ω为惯性权重系数；p_ij为个体历史最佳位置，p_gi为群体历史最佳位置。

在优化过程中可以对惯性权重进行动态调整，在优化初期设置较大的惯性权重值，随着优化的进程，逐渐减小惯性权重的值。通过动态调整惯性权重值，可以使算法在运行初期粒子以较快的速度搜寻较好的区域，在运行后期确保粒子在最优解附近做精细的搜索。动态惯性权重的表达式为：

为了有效地控制粒子的飞行速度，使算法达到全局搜索与局部搜索两者间的有效平衡，在标准粒子群算法的基础上增加压缩因子，可有效提高算法的收敛速度，压缩因子的表达式为：

其中，λ为压缩因子，c₁、c₂为加速度系数；

改进粒子群算法的粒子速度和位置更新公式为：

x_ij(t+1)＝x_ij(t)+v_ij(t+1) (14)

步骤5、将优化的改进粒子群算法产生的粒子分别赋值给步骤2中储能虚拟同步机模型中确定范围的惯量参数和阻尼参数，运行储能虚拟同步机仿真模型，得到该惯量系数和阻尼系数对应的性能指标，该性能指标再传递到改进的粒子群算法中作为该粒子的适应度函数值。

步骤6、重复步骤4和步骤5，通过有限次的优化迭代，得到适应度函数值最小时所对应的惯量参数和阻尼参数，当系统发生扰动时，在该惯量系数和阻尼系数下系统的功率波动最小，且系统功率恢复时间最短。

步骤7：通过对不同惯量系数和阻尼系数下的系统进行仿真，验证了当系统发生扰动时，本发明优化得到的惯量系数和阻尼系数可有效降低系统功率的波动。

根据上述基于改进粒子群算法的储能虚拟同步机参数优化方法，通过仿真验证本发明的有效性：

建立了基于虚拟同步机控制的储能变流器并网模型，如图2所示；模拟同步发电机的功频控制器和励磁控制器的输出特性，如图3所示；分析了惯量系数J和阻尼系数D对功率和频率振荡的影响规律。

本发明设计了系统受到扰动后频率变化量和频率变化率最小为目标的适应度函数，通过动态调整惯性权重和引入压缩因子对粒子群算法进行改进，参数优化流程如图1所示。比较了改进粒子群算法和标准粒子群算法的适应度函数值，如图5所示，从图中可以看出标准粒子群算法和本发明提出的改进粒子群算法均能有效收敛，且改进粒子群算法的收敛速度优于标准粒子群算法，证明了本发明提出的改进粒子群算法具有更好的收敛性。

仿真了不同阻尼系数D和惯量系数J下系统的有功功率变化情况，如图6所示，从图中可以看出，当系统发生扰动时，采用本发明优化得到的阻尼系数D和惯量系数J，功率波动最小，且系统功率恢复时间最短，其中，参照组1曲线功率的最大超调量为1.291kW，系统功率的恢复时间为4.66s；参照组2曲线功率的最大超调量为0.483kW，系统功率的恢复时间为3.99s；最优参数组曲线功率的最大超调量为0.164kW，系统恢复时间为1.96s。

需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (4)

1.基于改进粒子群算法的储能虚拟同步机参数优化方法，其特征在于：包括以下步骤：

步骤1、构建储能虚拟同步机仿真模型；

步骤2、根据系统阻尼比、传递函数特征根和截至频率确定储能虚拟同步机仿真模型的惯量系数和阻尼系数的取值范围；

步骤3、构建改进粒子群算法的适应度函数；

步骤4、优化步骤3中粒子群算法；

步骤5、将优化的改进粒子群算法产生的粒子分别赋值给步骤2中储能虚拟同步机模型中确定范围的惯量参数和阻尼参数，运行储能虚拟同步机仿真模型，得到该惯量参数和阻尼参数对应的性能指标，该性能指标再传递到改进的粒子群算法中作为该粒子的适应度函数值；

步骤6、重复步骤4和步骤5，通过有限次的优化迭代，得到适应度函数值最小时所对应的惯量参数和阻尼参数，当系统发生扰动时，在该惯量系数和阻尼系数下系统的功率波动最小，且系统功率恢复时间最短。

2.根据权利要求1所述的基于改进粒子群算法的储能虚拟同步机参数优化方法，其特征在于：所述步骤1中储能虚拟同步机仿真模型输出的有功功率P_e和无功功率Q_e为：

其中，e_α和e_β为储能虚拟同步机输出的三相电压在αβ坐标系下的表达式；i_α和i_β为电感中的三相电流在αβ坐标系下的表达式；

三相电压、电流park变换的过程为：

其中，i_a、i_b和i_c分别为a相、b相和c相电流；

功频控制器模型通过P-f下垂控制和转子运动方程两部分组成，P-f下垂数学模型为：

P_m＝P_ref+ΔP＝P_ref+D_p(f_ref-f)

其中，P_m为虚拟机械功率，P_ref为有功功率的参考值，ΔP为频率变化差值，D_p为调频系数，f_ref为频率参考值；

转子运动数学模型为：

其中，J是虚拟转动惯量，P_e为虚拟电磁功率，D为阻尼系数，Δω＝ω-ω₀，ω和ω₀分别是实际角速度和参考频率对应的角速度；

励磁控制器模型通过Q-U下垂控制和电压调制波幅值控制两部分组成，Q-U下垂数学模型：

Q_ref-Q＝D_q(U_ref-U_n)

其中，D_q为调压系数，U_ref为电压参考值，U_n为额定电压，Q_ref为无功功率参考值，Q为输出无功功率；

电势参考幅值为：

其中，K_s为积分系数，U为实际电压，K_q＝D_qK_s；

参考电动势的电压向量为：

其中，θ为为参考电动势的相角。

3.根据权利要求1所述的基于改进粒子群算法的储能虚拟同步机参数优化方法，其特征在于：所述步骤3的具体实现方法为：改进粒子群算法的适应度函数以储能虚拟同步机系统频率误差绝对值时间积分和频率变化率绝对值时间积分之和最小为目标：

其中，a,b为权重系数，Δω为频率变化量。

4.根据权利要求1所述的基于改进粒子群算法的储能虚拟同步机参数优化方法，其特征在于：所述步骤4的具体实现方法为：对标准粒子群算法的粒子速度和位置进行更新：

v_ij(t+1)＝λ·(ωv_ij(t)+c₁r₁(t)(p_ij(t)-x_ij(t))+c₂r₂(t)(p_gi(t)-x_ij(t)))

x_ij(t+1)＝x_ij(t)+v_ij(t+1)

其中，c₁,c₂为加速度系数，r₁和r₂为[0,1]范围内的均匀随机数，v_ij为粒子的速度，v_ij∈[-v_max,v_max]，v_max是常数，ω为惯性权重系数，λ为压缩因子，c₁、c₂为加速度系数，p_ij为个体历史最佳位置，p_gi为群体历史最佳位置。