一种基于优化补偿法的电流分配下垂控制方法

发电;变电;配电装置的制造技术1.本发明涉及直流微电网控制技术领域，尤其是涉及一种基于优化补偿法的电流分配下垂控制方法。背景技术：2.为了解决分布式能源发电问题，微电网成为可选方案之一被提出。相较于交流微电网，直流微电网更加适合目前的许多分布式电力设备。为了保证直流微电网的稳定运行，需要制定一套行之有效的能量管理策略。其中如何解决能量管理底层控制中的电流分配问题，成为实现直流微电网系统中各组成单元可靠运行的关键。下垂控制作为典型的实现电流分配的方法，被广泛地研究和讨论。传统的下垂控制存在固有的局限性，随着各种控制算法的发展，直流微电网下垂控制的二次控制不再局限于利用经典的偏差调节或者关联参数的一般补偿法进行补偿，而是采用基于优化补偿法的改进下垂控制方法。3.然而，因为在直流微电网中存在的线路阻抗，尤其是线路阻抗差异较大的情况下，传统下垂控制仍然存在着一定局限性。即选择较小的下垂曲线系数，可以减小电压偏差，但是分流精度就会降低；选择较大的下垂曲线系数，可以提高分流精度，但是电压偏差就会增大。因此在对直流微电网控制时，同时追求较高的功率分配精度和较小的母线电压偏差之间存在着固有的矛盾。技术实现要素：4.本发明的目的就是为了克服上述现有技术存在的传统下垂控制的均流精度低和电压偏移两方面的问题，而提供一种基于优化补偿法的电流分配下垂控制方法，该方法可以有效提高直流微电网系统中并联的分布式电源单元之间的功率分配精度并维持母线电压稳定。5.本发明的目的可以通过以下技术方案来实现：6.一种基于优化补偿法的电流分配下垂控制方法，建立包括功率计算模块、微电网下垂控制模块和电压电流控制模块在内的微电网控制模型；7.采集逆变器经滤波后的输出电流和负载电压，由功率计算模块得出逆变电源输出的平均有功功率和无功功率后，与设定的参考有功、无功功率进行比较，再将平均有功功率和平均无功功率作为下垂控制模块的输入；微电网下垂控制模块中，将微电网系统的频率和微电源的电压值合成参考电压的相量，经过dq变换后作为电压、电流双环控制其的输入；电压、电流双环控制模块中，可控的正弦调制信号从电流内环的输出经dq反变换后得到，并输入至spwm模块与三角载波进行比较，获取pwm控制信号。8.进一步地，所述微电网下垂控制模块的输入信号为测量线路处的电压与电流的测量模块的母线的电压、电容电流及电感电流，其中电压和电容电流构成电压电流双环控制。9.进一步地，微电网控制模型采用时间与误差绝对值积分的乘积作为评价系统性能指标的适应度函数；利用优化的pso算法模块与微电网下垂控制模块进行交互，获取下垂控制系数的最优值。10.适应度函数的表达式为：[0011][0012]式中，t为仿真采样时间，to和tf分别为用以计算控制性能的起始时间和结束时间，w为权重矩阵，e(t)为绝对误差矩阵，定义为e(t)＝[δp(t),δq(t),δv(t),δf(t)]t，其包括有功偏差δp(t)、无功偏差δq(t)、电压偏差δv(t)和频率偏差δf(t)。[0013]优选地，权重矩阵w设为[1,1,1,1]t。[0014]进一步地，利用优化的pso算法与微电网下垂控制模块进行交互的具体内容为：[0015]在优化pso算法中，将dg单元中有功、无功下垂系数分别作为粒子的两个维度进行寻优，粒子由下垂系数[r0,m0]组成；[0016]在下垂控制过程中，在微电网孤岛运行时随着线路阻抗不平衡等情况发生时，下垂控制模块通过连接线路将线路偏差信息[有功偏差、无功偏差、电压偏差和频率偏差]实时输入到优化的pso算法模块，此时优化的pso算法模块进行初次更新：开始对偏差信息进行分析，并根据不同类型的偏差程度分别对再线路偏差信息中包括的四个参数作为控制目标，建立微电网控制目标函数；[0017]完成首次循环；再由判断条件判断是否进入下次更新，同时利用自适应均值惯性因子ω加快算法收敛速度，完成最终寻优得到粒子的最优解，进而获取下垂控制系数的最优值。[0018]本发明提供的基于优化补偿法的电流分配下垂控制方法，相较于现有技术至少包括如下有益效果：[0019]1)本发明基于改进粒子群算法的下垂控制器，因pso算法具有较高的鲁棒性和适用性，它对复杂的系统具有出色的避免局部最小和不敏感性的能力，因此本发明将模拟退火算法中的metropolis准则引入到自适应粒子群算法，以避免其陷入局部最优解的情况，下垂参数由粒子群算法优化确定，实现电力系统不同运行条件下供电系统的稳定性，从而更加有效地提高下垂控制的快速性与稳定性，能够达到更好的母线电压优化。[0020]2)本发明方法提出基于优化补偿法的改进下垂控制，可以有效提高了直流微电网系统中并联的分布式电源之间的功率分配精度并维持母线电压稳定。附图说明[0021]图1为实施例中微电网下垂控制仿真示意图。[0022]图2为实施例中基于优化补偿法的电流分配下垂控制方法的模拟退火自适应粒子群算法优化流程图。具体实施方式[0023]下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。[0024]实施例[0025]本发明涉及一种基于优化补偿法的电流分配下垂控制方法，该方法设计了一种基于改进粒子群算法的下垂控制器。pso(particle-swarm-optimization，pso)算法是一种基于种群的随机搜索算法，具有较高的鲁棒性和适用性，它对复杂的系统具有出色的避免局部最小和不敏感性的能力。将模拟退火算法(simulated annealing，sa)中的metropolis准则引入到自适应粒子群算法，以避免其陷入局部最优解的情况，下垂参数由粒子群算法优化确定，实现电力系统不同运行条件下供电系统的稳定性，从而更加有效地提高下垂控制的快速性与稳定性，能够达到更好的母线电压优化。模拟退火算法是基于monte-carlo迭代求解策略的一种随机寻优算法，它的思想主要借鉴于固体的退火原理即固体的能量随着温度的降低而降低，但是在温度不断下降的过程中,结合概率突跳特性在解空间中随机寻找目标函数的全局最优解，即在局部最优解能概率性地跳出并最终趋于全局最优。[0026]本发明基于优化补偿法的电流分配下垂控制方法的主要改进方案在于：[0027]i、模拟退火算法在迭代初始阶段需要根据种群的初始状态设置一个初始温度。每次迭代对模拟固体内部粒子在温度下降情况下的移动，根据metropolis准则判断是否由干扰产生的新解替代全局最优解，其表达式如下：[0028][0029]式中，pi(k)表示新解能否被接受的概率，ei(k)表示第i个粒子在第k次迭代时的内能，即当前粒子的适应度值；eg表示当前种群最优点的内能；ti表示当前温度。[0030]在自适应粒子群算法中，相比以往的直接设置惯性因子ω和学习因子c1和c2的值，为了兼顾局部搜索和全局搜索的能力，采取以下改进策略来改进以获得更好的效果。[0031]惯性因子ω：[0032][0033]式中，ωmax,ωmin是惯性权重系数的最大值和最小值，k是当前迭代次数，kmax是最大迭代次数。[0034]学习因子c1：[0035][0036]式中，c1 max,c1 min分别是学习因子的最大值和最小值；[0037]学习因子c2：[0038][0039]式中，c2 max,c2 min分别是社会学习因子的最大值和最小值。[0040]将模拟退火算法中的metropolis准则引入迭代中。根据最初的粒子最优值设置初始温度，并且每次迭代后以一定的降温系数μ衰减。具体如下：[0041][0042]式中，gbest为种群最佳位置，t(k)为迭代次的温度，e(gbest)为粒子在gbest的内能。[0043]ii、建立微电网控制模型，包括功率计算、下垂控制和电压电流控制三个模块，以便实现功率的快速分配。采用时间乘以误差绝对值积分(itae)作为评价系统性能指标的适应度函数，函数表达式如下：[0044][0045]其中，t为仿真采样时间，to和tf分别为用于计算控制性能的起始时间和结束时间。w是权重矩阵。e(t)是绝对误差矩阵，定义为e(t)＝[δp(t),δq(t),δv(t),δf(t)]t，其包括了有功偏差δp(t)、无功偏差δq(t)、电压偏差δv(t)和频率偏差δf(t)。权重矩阵w设置为[1,1,1,1]t，粒子由下垂系数[r0,m0]组成。[0046]微电网下垂控制图如图1所示。包含功率计算、下垂控制和电压电流控制模块。首先利用测量模块采集逆变器经滤波后的输出电流和负载电压，其次由功率计算模块得出逆变电源输出的平均有功功率和无功功率，然后与设定的参考有功、无功功率进行比较，再将平均有功功率和平均无功功率作为下垂控制模块的输入。下垂控制模块中，将微电网系统的频率和微电源的电压值合成参考电压的相量，经过dq变换后作为电压、电流双环控制其的输入。电压、电流双环控制模块中，可控的正弦调制信号由电流内环的输出经反变换后得到，在该模块中可控的正弦调制信号从电流内环的输出经dq反变换后得到，并输入到spwm模块与三角载波进行比较，然后得到pwm控制信号。[0047]iii、将优化pso算法模块与微电网下垂控制实时交互起来：首先，在优化pso算法中，将dg单元中有功、无功下垂系数分别作为粒子的2个维度g(1)、g(2)进行寻优。在下垂控制过程中，在微电网孤岛运行时随着线路阻抗不平衡等情况发生时，下垂控制模块通过连接线路将线路偏差信息[有功偏差δp(t)、无功偏差δq(t)、电压偏差δv(t)和频率偏差δf(t)]实时输入到优化pso模块。此时优化pso模块进行初次更新：开始对偏差信息进行分析，并根据不同类型的偏差程度分别对再将上述4个参数作为控制目标，建立微电网控制目标函数。完成首次循环；再由判断条件判断是否进入下次更新，同时利用自适应均值惯性因子ω加快算法的收敛速度，完成最终寻优得到粒子的最优解，从而得到下垂控制系数的最优值。[0048]基于上述内容，结合图2，本发明基于优化补偿法的电流分配下垂控制方法的具体实施步骤包括：[0049]步骤1：初始化sa-apso算法的基本参数，包括种群规模、边界值等。[0050]步骤2：随机产生种群中所有粒子的初始位置和初始速度。[0051]步骤3：更新粒子得到有功偏差δp(t)、无功偏差δq(t)、电压偏差δv(t)和频率偏差δf(t)。[0052]步骤4：得到绝对误差矩阵e(k)，结合初始的权重矩阵，公式为：[0053][0054]步骤5：评价全局粒子的适应度值并记录gbest，根据下式设置模拟退火的初始温度。[0055][0056]式中，gbest为种群最佳位置，t(k)为迭代次的温度，e(gbest)为粒子在gbest的内能。[0057]步骤6：根据上述提到的公式(2)～公式(4)，自适应地改变ω、c1、c2，以及位置、速度。[0058]步骤7：计算移动后粒子的适应度。计算移动后粒子的适应度。根据下式更新改变粒子速度：[0059][0060]式中，ω是惯性权重，c1,c2为自我认知参数和社会认知参数；r1,r2是[0,1]间的随机数；pid为粒子i搜索到的个体最优位置；pgbestd为粒子群搜索到的全局最优位置；[0061]再进行一次迭代寻优：[0062][0063]式中，k是粒子当前迭代次数；i＝1,2,3...m，m为粒子的数量；d＝1,2,3...d，d为维度；为第k次迭代粒子在i位置矢量的第d维分量；为第k+1次迭代粒子在i飞行速度矢量的第d维分量。[0064]步骤8：以metropolis准则为依据，判断是否由产生的新解pi(k)替代全局最优解进行退火操作，更新温度。[0065][0066]式中，pi(k)表示新解能否被接受的概率，ei(k)表示第i个粒子在第k次迭代时的内能，即当前粒子的适应度值；eg表示当前种群最优点的内能；ti表示当前温度。[0067]步骤9：判断全部粒子是否更新完成，是否达到最大迭代次数kmax，若未达到则返回步骤3更新粒子。[0068]步骤10：输出当前最优粒子，即寻优结果，算法终止。取最优粒子为新的下垂控制系数，此时更新原先的下垂系数，从而改进双环控制产生的电压和角速度。[0069]以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!