一种虚拟同步发电机参数优化策略制造技术

本发明专利技术公开了一种虚拟同步发电机参数优化策略，应用混沌

【技术实现步骤摘要】
一种虚拟同步发电机参数优化策略


[0001]本专利技术涉及虚拟同步发电机领域，具体涉及一种基于混沌
‑
粒柯群算法与小信号分析的虚拟同步发电机参数优化策略。

技术介绍

[0002]随着可再生能源渗透水平的提高，在电网中所占的比例逐年上升，虛拟同步发电机(VSG)技术被广泛应用，提高了包含新能源的电力系统的稳定性，但传统的虚拟同步发电机控制方法仍存在不足：一方面，VSG系统的运行参数众多，传统的参数优化计算过程十分复杂。另一方面，传统的VSG控制系统参数选取没有科学统一的选取方法，大多数是出于经验值的尝试得到数据，导致暂态调节过程中存在严重的超调现象。为解决上述问题，首先，引入混沌算子，并进行最优值的柯西变异，接着将粒柯群算法中关键参数学习因子和惯性系数进行改进，并使得粒柯群算法有更好的寻优效果；然后建立虚拟同步发电机的数学方程，并根据理论推导有功环节的传递函数；进而选取总谐波畸变率和误差绝对值与时间乘积的积分的加权函数作为适应度函数，从而优化系统的动态响应。

技术实现思路

[0003]本专利技术提供了一种基于混沌
‑
粒柯群算法与小信号分析的虚拟同步发电机参数优化策略，首先通过引入混沌算子，进一步使用柯西变异使得最优值的选取更加趋近理论值、设计自适应变化的学习因子和惯性系数来优化粒柯群算法，提升了算法的寻优性能；其次，针对虚拟同步发电机系统设计并推导有功功率环节的传递函数，并计算合适的参数变化范围；再次，为了优化虚拟同步发电机系统的输出特性，根据电气领域典型的总谐波畸变率和误差绝对值与之间乘机的积分作为系统的优化适应度函数，应用混沌
‑
粒柯群算法对虚拟同步发电机系统中的运行参数进行寻优，进而优化VSG系统的动态性能。
[0004]本专利技术是通过以下技术方案解决以上技术问题的：为了实现上述目的，本专利技术的技术方案如下：1、一种基于混沌
‑
粒柯群算法与小信号分析的虚拟同步发电机参数优化策略，其特征在于以下步骤：S1：在常规粒子群算法的基础上引入混沌算子；S2：对粒子群每次的寻优结果进行柯西变异，粒子群算法转化为粒柯群算法，并得到新的最优结果；S3：改进粒柯群算法的学习因子；S4：改进粒柯群算法的惯性权重；S5：基于同步发电机的特性构建虚拟同步发电机的数学模型；S6：对虚拟同步发电机的有功控制回路进行小信号分析，进一步对输入输出传递函数的数学推导；S7：计算虚拟同步发电机参数的取值范围；
S8：设计虚拟同步发电机系统输出的优化目标函数；S9：使用混沌
‑
粒柯群算法对虚拟同步发电机系统关键参数进行寻优计算。
[0005]引入混沌算子Ct来替代每个粒子自身速度的进化公式中的随机数r1和r2，使得在搜索后期粒柯群不会出现单一性，通过在(0,1)区间的逻辑斯谛映射产生混沌算子Ct，公式如下：Ct＝x
k+1
＝a
×
x
k
×
(1
‑
x
k
)
ꢀꢀ
(1)式中，Ct∈(0,1)；k＝0,1,2,...,N；系统在参数a∈[3.6,4]时处于混沌态；本文取a＝4.0，此时混沌算子Ct为：Ct＝x
k+1
＝4.0x
k
×
(1
‑
x
k
)
ꢀꢀꢀ
(2)。
[0006]在粒柯群得到某一次迭代的最优解之后，使用公式(3)的更新公式对当前全局最优解进行变异处理。如式(4)所示：S21：柯西分布函数标准公式如下：S22：最优解的柯西变异更新公式为：x
new position
＝xbest+0.5*xbest*Cauchy(0,1)
ꢀꢀꢀ
(4)。
[0007]在粒柯群对系统优化前期，增大粒柯群算法中的惯性权重，减小搜索空间；在粒柯群算法寻优的后期，减小的惯性权重，利于算法收敛。本专利改进惯性权重的算法公式如式(5)所示：MaxIter为最大值迭代次数，Iter为当前迭代次数，ω
s
和ω
e
分别为惯性权重的初始数值和最终数值，取值范围为：0.2≤ω
e
＜ω
s
≤0.8。
[0008]本专利通过动态调整学习因子xc1和xc2来达到此自适应调整算法收敛速度的目的，其变化规律为：xc2＝2.5+xc1ꢀꢀꢀ
(7)其中，xc
start
为学习因子的初始值，xc
end
为学习因子的最终值。综上所述，改进后的速度更新公式为：
[0009]基于同步发电机的特性构建虚拟同步发电机的数学模型，包括电气方程、转矩方程、有功频率环节、无功电压环节等，其数学模型为：其中，ω表示机械角速度，J表示转动惯量，U代表电枢端电压，ω0表示电网侧角速
度，R代表定子电阻，X代表电抗，T
m
代表机械转矩，D代表阻尼系数，Δω表示机械角速度和电网侧角速度之差，T
e
代表电磁转矩，θ是输出的功角。P
ref
是给定有功功率，Q为逆变器机端输出的瞬时无功功率值，T0为机械转矩指令，E为虚拟电势指令，f0是额定角频率，U是输出三相电压额定有效值，k
q
为无功调节系数，E0为虚拟同步发电机的空载电势，f是虚拟同步发电机机端电压的频率，Q
ref
是无功功率的额定值，k
u
是电压调节系数，U
ref
是给定电压的幅值，P
m
是虚拟机械功率，k
f
为调频系数。综上，虚拟同步发电机数学模型如图1所示。
[0010]对虚拟同步发电机的有功功率回路进行小信号分析，得到其传递函数：K
p
≈3EU/X
ꢀꢀꢀ
(12)其中，X为等效阻抗，截止角频率ω
n
和阻尼比ξ表达式如下：
[0011]根据S6中虚拟同步发电机有功功率回路的传递函数分析转动惯量和阻尼系数的合理范围。S71：系统通常被设计为欠阻尼状态，系统和阻尼比ξ在(0,1)的范围内。其次，考虑到有功功率环的稳定性，幅值裕度h总是大于0，通常系统的相位裕度γ在30
°
至80
°
之间。计算表达式为(14)，在本专利中，让γ>60
°
。S72：考虑功率响应的调节时间，系统的闭环极点需要满足(15)的要求S73：有功功率环的开环传递函数在截止频率时需要满足式(16)。
为了保证系统动态响应的调节时间在合适的范围内，需要保证：综上，可得转动惯量和阻尼的取值范围。
[0012]设计虚拟同步发电机系统输出的优化目标函数；适应度函数是混沌
‑
粒柯群算法的优化函数，用来对粒子位置的优劣程度进行判断，为了综合考虑虚拟同步发电机输出特性；S81：误差绝对值与时间乘积的积分(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混沌
‑
粒柯群算法与小信号分析的虚拟同步发电机参数优化策略，其特征在于以下步骤：S1：在常规粒子群算法的基础上引入混沌算子；S2：对粒子群每次的寻优结果进行柯西变异，此时粒子群算法进化为粒柯群算法，并得到新的最优结果；S3：改进粒柯群算法的学习因子；S4：改进粒柯群算法的惯性权重；S5：基于同步发电机的特性构建虚拟同步发电机的数学模型；S6：对虚拟同步发电机的有功控制回路进行小信号分析，进一步对输入输出传递函数的数学推导；S7：计算虚拟同步发电机参数的取值范围；S8：设计虚拟同步发电机系统输出的优化目标函数；S9：使用混沌
‑
粒柯群算法对虚拟同步发电机系统关键参数进行寻优计算。2.根据权利要求1所述的一种基于混沌
‑
粒柯群算法与小信号分析的虚拟同步发电机参数优化策略，其特征在于所述S1中，包括：引入混沌算子Ct来替代每个粒子自身速度的进化公式中的随机数r1和r2，使得在搜索后期粒柯群不会出现单一性，通过在(0,1)区间的逻辑斯谛映射产生混沌算子Ct，公式如下：Ct＝x
k+1
＝a
×
x
k
×
(1
‑
x
k
)
ꢀꢀ
(1)式中，Ct∈(0,1)；k＝0,1,2,...,N；系统在参数a∈[3.6,4]时处于混沌态；本文取a＝4.0，此时混沌算子Ct为：Ct＝x
k+1
＝4.0x
k
×
(1
‑
x
k
)
ꢀꢀ
(2)。3.根据权利要求1所述的一种基于混沌
‑
粒柯群算法与小信号分析的虚拟同步发电机参数优化策略，其特征在于所述S2中，包括：在粒柯群得到某一次迭代的最优解之后，使用公式(3)的更新公式对当前全局最优解进行变异处理。如式(4)所示：S21：柯西分布函数标准公式如下：S22：最优解的柯西变异更新公式为：x
newposition
＝xbest+0.5*xbest*Cauchy(0,1)
ꢀꢀ
(4)。4.根据权利要求1所述的一种基于混沌
‑
粒柯群算法与小信号分析的虚拟同步发电机参数优化策略，其特征在于所述S3中，包括：在粒柯群对系统优化前期，增大粒柯群算法中的惯性权重，减小搜索空间；在粒柯群算法寻优的后期，减小的惯性权重，利于算法收敛。本专利改进惯性权重的算法公式如式(5)所示：MaxIter为最大值迭代次数，Iter为当前迭代次数，ω
s
和ω
e
分别为惯性权重的初始数值和最终数值，取值范围为：0.2≤ω
e
＜ω
s
≤0.8。5.根据权利要求1所述的一种基于混沌
‑
粒柯群算法与小信号分析的虚拟同步发电机
参数优化策略，其特征在于所述S4中，包括：本专利通过动态调整学习因子xc1和xc2来达到此自适应调整算法收敛速度的目的，其变化规律为：xc2＝2.5+xc
1 (7)其中，xc
start
为学习因子的初始值，xc
end
为学习因子的最终值。综上所述，改进后的速度更新公式为：6.根据权利要求1所述的一种基于混沌
‑
粒柯群算法与小信号分析的虚拟同步发电机参数优化策略，其特征在于所述S5中，包括：基于同步发电机的特性构建虚拟同步发电机的数学模型，包括电气...

【专利技术属性】
技术研发人员：卢德民，谭金河，李敏，车晓剑，张琳，张晓鹏，
申请(专利权)人：国网山西省电力公司运城供电公司，
类型：发明
国别省市：