一种下垂控制方法技术

本发明专利技术提供一种下垂控制方法，所述方法提出一种下垂控制—解耦下垂控制；提出一种改进粒子群优化算法——具有多群体和多速度更新方式的改进粒子群优化算法(MMPSO)；建立了基于改进粒子群优化算法的离线优化模型，模型中每个逆变电源均串联一个电抗器，然后再通过并联给负载供电。本发明专利技术可以运用于新能源微电网领域和不间断供电等领域，能够满足多个逆变电源的并联要求，可以有效的减小并联环流，提升并联系统的稳定性和可靠性。

【技术实现步骤摘要】
一种下垂控制方法
本专利技术涉及电力电子控制
，更具体地，涉及一种下垂控制方法。
技术介绍
下垂控制是指根据微电网的控制目标，采用与传统发电机相似的下垂曲线来达到对微源的控制，采用频率有功下垂特性(DroopCharacter)将系统不平衡的功率动态分配给各个机组承担，保证微网系统中频率电压的统一。目前，并联系统线路阻抗不同，其有功功率和无功功率耦合情况也不相同，传统下垂控制不存在功率解耦，所以比较依赖线路阻抗的特性。当线路阻抗呈感性时，功率耦合程度要小于线路阻抗呈阻感性或阻性时的情况；线路阻抗呈感性时，其有功无功和电压差还有相位差之间的关系形式与传统下垂最为接近；因此，传统下垂控制需要并联线路阻抗呈感性。线路阻抗呈感性时，并没有完全消除功率耦合，传统下垂控制中有功功率并没有考虑无功功率中电压差的影响，同样无功功率也没有考虑有功功率中相位差的影响。逆变电源并联时，无功功率与有功功率均会进行调节，此时无功功率的调节通过耦合通道影响有功功率的调节，有功功率的调节同样也影响无功功率的调节，如此反复使得并联逆变电源的有功功率无法均分。下垂系数决定了无功功率与有功功率间的影响程度，下垂系数越大，功率调节时的波动越大，耦合影响使有功功率无法均分；下垂系数越小，功率波动减小，同样因耦合影响的存在，有功功率无法均分。不管怎样选取下垂系数，两逆变电源的输出有功功率无法均分，产生的功率环流会产生额外的器件损耗，减少器件寿命。逆变器的控制参数整定方法主要有常规整定方法和智能参数优化方法。常规整定方法有：Z-N法、极点配置法和经验法等。Z-N法无法获取精确的临界信息，难以得到配置出较好的控制参数；极点配置法需要精确的系统模型，同时还需要丰富的经验确定所期望性能，配置的参数还需在线进行调整，整定非常耗时；经验法则需要依赖丰富的经验不断在线调整参数，受调试人员场地限制，整定同样耗时。智能参数优化方法主要有：模糊控制、神经网络控制、遗传算法和群智能算法等。模糊控制需要非常丰富的先验知识编写模糊规则，对象不同时还需要修改模糊规则；神经网络的优化效果受初值影响，优化还需要多次有效信息的训练；遗传算法属于进化算法，通过交叉和变异保证群体的多样性，按概率大小筛选掉差个体，而得到最优解。该方法和群智能算法相比，缺少记忆性，无最优值引导，优化过程中交叉和变异有一定概率将好个体变差，所以在优化性能上群智能算法更胜一筹。群智能算法中粒子群优化算法属于较为经典的一种算法，它于1995年IEEE国际会议上由Eberhart和Kennedy提出。Shi和Eberhart在1998年发表的论文中，在最初版本PSO的基础上增加了惯性权重w，其目的主要是平衡局部优化和全局优化能力(现阶段主要采用该方法)。粒子群优化算法从随机解出发，通过迭代进行寻优，算法简单，操作方便，一经提出便受到了极大的欢迎，该算法已经成功运用到诸如电力系统分析、电力电子控制、数据挖掘、图像识别、生物、地质和调度等领域。粒子群优化算法的优化性能由惯性权重、加速因子、全局最优粒子位置和个体最优粒子位置共同决定。当针对复杂模型时，仅仅依靠全局最优粒子和个体最优粒子，或调节优化参数都难以避免优化陷入局部最优值。为了提升粒子群的优化性能，需要对标准粒子群优化算法进行改进，以期望获得更优性能。
技术实现思路
本专利技术为克服上述问题或者至少部分地解决上述问题，提供一种下垂控制方法。根据本专利技术的一个方面，提供一种下垂控制方法，包括：步骤1，基于初始适应值，利用改进粒子群优化算法获得控制参数；步骤2，基于所述控制参数，通过解耦下垂控制方法，对应获得有功下垂调节输出频率和无功下垂调节输出电压；基于所述有功下垂调节输出频率和无功下垂调节输出电压对并联逆变系统进行控制；步骤3，基于所述有功下垂调节输出频率、无功下垂调节输出电压和所述并联逆变系统输出的逆变输出波形，利用优化目标函数模型获得适应值。本申请提出一种下垂控制方法，所述方法提出一种新型下垂控制—解耦下垂控制；提出一种改进粒子群优化算法—具有多群体和多速度更新方式的改进粒子群优化算法(MMPSO)；建立了基于改进粒子群优化算法的离线优化模型，模型中每个逆变电源均串联一个电抗器，然后再通过并联给负载供电。本专利技术可以运用于新能源微电网领域和不间断供电等领域，能够满足多个逆变电源的并联要求，采用本专利技术可以有效的减小并联环流，提升并联系统的稳定性和可靠性。附图说明图1为根据本专利技术实施例一种下垂控制方法的整体流程示意图；图2为根据本专利技术实施例一种下垂控制方法的并联系统的总体结构框图示意图；图3为根据本专利技术实施例一种下垂控制方法的传统下垂控制示意图；图4为根据本专利技术实施例一种下垂控制方法的改进下垂控制示意图；图5为根据本专利技术实施例一种下垂控制方法中改进粒子群优化算法示意图；图6为根据本专利技术实施例一种下垂控制方法中改进粒子群优化算法(MMPSO)示意图。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。如图1，本专利技术一个具体实施例中，示出一种下垂控制方法的整体流程示意图。总体上，包括：步骤1，基于初始适应值，利用改进粒子群优化算法获得控制参数；步骤2，基于所述控制参数，通过解耦下垂控制方法，对应获得有功下垂调节输出频率和无功下垂调节输出电压；基于所述有功下垂调节输出频率和无功下垂调节输出电压对并联逆变系统进行控制；步骤3，基于所述有功下垂调节输出频率、无功下垂调节输出电压和所述并联逆变系统输出的逆变输出波形，利用优化目标函数模型获得适应值。本专利技术又一个具体实施例中，一种下垂控制方法还包括：步骤4，将所述适应值作为步骤1中改进粒子群优化算法的输入项，重复循环步骤1-3，直至确认所述适应值满足预设结束条件。本专利技术又一个具体实施例中，一种下垂控制方法所述改进粒子群优化算法还包括三种粒子群和三种速度更新方式。其中，所述三种粒子群包括:主粒子群、全局辅助粒子群和局部辅助粒子群。其中，所述三种速度更新方式为：带惯性权重的改进速度更新方式、带压缩因子的改进速度更新方式和随机速度更新方式。本专利技术又一个具体实施例中，一种下垂控制方法所述数字控制系统为三环控制系统，所述三环控制系统基于所述有功下垂调节输出频率和无功下垂调节输出电压对并联逆变系统进行控制；所述三环控制系统包括功率环、负载电压控制环和电感电流控制环。本专利技术又一个具体实施例中，一种下垂控制方法所述并联逆变系统由光伏逆变电源和储能逆变电源组成。本专利技术又一个具体实施例中，一种下垂控制方法所述改进粒子群优化算法还包括：所述主粒子群采用改进带惯性权重的速度更新方式，其公式为：其中，i和j分别表示粒子数量和维数，t为当前迭代次数，xij＝(xi1,xi2,xi3，xi4,…,xin)表示粒子个体，w表示惯性权重，vij＝(xi1,xi2,xi3，xi4,…,xin)表示粒子更新速度，c1和c2为加速因子，r1和r2为[0,1]区间的随机数，迭代到当前迭代次数时每个粒子的历史最优粒子为xPij＝(xPi1,xPi2,xPi3,xPi4,…,xPin)，迭代到当前迭代次数时的全局最优粒子xGgj＝(xGg1,xGg2,xGg3，xGg4,…,xGgn)，g本文档来自技高网...

【技术保护点】
一种下垂控制方法，其特征在于，包括：步骤1，基于初始适应值，利用改进粒子群优化算法获得控制参数；步骤2，基于所述控制参数，通过解耦下垂控制方法，对应获得有功下垂调节输出频率和无功下垂调节输出电压；基于所述有功下垂调节输出频率和无功下垂调节输出电压对并联逆变系统进行控制；步骤3，基于所述有功下垂调节输出频率、无功下垂调节输出电压和所述并联逆变系统输出的逆变输出波形，利用优化目标函数模型获得适应值。

【技术特征摘要】
1.一种下垂控制方法，其特征在于，包括：步骤1，基于初始适应值，利用改进粒子群优化算法获得控制参数；步骤2，基于所述控制参数，通过解耦下垂控制方法，对应获得有功下垂调节输出频率和无功下垂调节输出电压；基于所述有功下垂调节输出频率和无功下垂调节输出电压对并联逆变系统进行控制；步骤3，基于所述有功下垂调节输出频率、无功下垂调节输出电压和所述并联逆变系统输出的逆变输出波形，利用优化目标函数模型获得适应值。2.如权利要求1所述的方法，其特征在于，还包括：步骤4，将所述适应值作为所述改进粒子群优化算法的输入，重复循环步骤1-3，直至确认所述适应值满足预设结束条件。3.如权利要求1所述的方法，其特征在于，所述改进粒子群优化算法还包括三种粒子群和三种速度更新方式：所述三种粒子群包括:主粒子群、全局辅助粒子群和局部辅助粒子群；所述三种速度更新方式为：带惯性权重的改进速度更新方式、带压缩因子的改进速度更新方式和随机速度更新方式。4.如权利要求1所述的方法，其特征在于，所述数字控制系统为三环控制系统，所述三环控制系统基于所述有功下垂调节输出频率和无功下垂调节输出电压对并联逆变系统进行控制；所述三环控制系统包括功率环、负载电压控制环和电感电流控制环。5.如权利要求1所述的方法，其特征在于，所述并联逆变系统由光伏逆变电源和储能逆变电源组成。6.如权利要求3所述的方法，其特征在于，所述改进粒子群优化算法还包括：所述主粒子群采用改进带惯性权重的速度更新方式，其公式为：其中i和j分别表示粒子数量和维数，t为当前迭代次数，xij＝(xi1,xi2,xi3,xi4,…,xin)表示粒子个体，w表示惯性权重，vij＝(xi1,xi2,xi3,xi4,…,xin)表示粒子更新速度，c1和c2为加速因子，r1和r2为[0,1]区间的随机数，迭代到当前迭代次数时每个粒子的历史最优粒子为xPij＝(xPi1,xPi2,xPi3,xPi4,…,xPin)，迭代到当前迭代次数时的全局最优粒子xGgj＝(xGg1,xGg2,xGg3,xGg4,…,xGgn)，g代表迭代到当前迭代次数时，某一次迭代中某个位置上的粒子；所述全局辅助粒子群由主粒子群中的差粒子组成，该群体存在两种速度更新方式，每一次优化迭代，按一定概率选取其中一种速度更新方式；第一种速度更新方式为改进的带压缩因子速度更新方式，公式为：其中x1、v1分别代表全局辅助粒子群的位置和速度，c4和c5为加速因子，c4等于c5，全用c4代替，r4和r5为[0,1]区间的随机...

【专利技术属性】
技术研发人员：彭子舜，王俊，
申请(专利权)人：湖南大学，
类型：发明
国别省市：湖南,43