【技术实现步骤摘要】
本专利技术属于电气化铁路，特别涉及一种铁路功率调节器最优补偿电流指令值计算方法。
技术介绍
1、较高的需求容量和投资成本是制约铁路功率调节器规模应用的技术瓶颈；因此，研究如何在有限容量范围内获取最优补偿效果，具有重要的实际工程意义；目前rpc容量优化方法主要包括以下两种：1，基于优化补偿方式的容量优化；2，基于电气结构改进的容量优化。由于在改进电气结构过程中，大部分研究在变流器与变压器的连接支路上串联成本低廉的无源支路，包括晶闸管控制电抗器tcr、晶闸管投切电容器tsc和滤波电容器fc等等，这样的设计加剧了对有源、无源补偿容量控制的复杂性；于是当前主流研究侧重研究在第一种方式上。
2、现有的既有研究多以rpc补偿功率最小为优化目标，以三相电压不平衡度，功率因数，等指标参数作为不等式约束，以变流器容量、功率守恒等作为等式约束，由此可建立一系列不同的优化数学模型，再基于优化算法进行实时求解；但这样的研究存在以下问题：
3、在求取变流器最优补偿功率参考值时，早期的解析法，枚举法难以满足对搜索速度和精度的双重需求，为此需采用一些寻优能力强、收敛速度快的智能算法，有研究利用序列二次规划算法(sqp)作为求解非线性约束问题的有效方法，具有极强的局部搜索能力，但其全局的搜索能力较弱，且对初值比较敏感，单独使用不一定能找到真正的最优解；其余一些研究为了适应于优化补偿模型中多维强耦合时变控制，采用了鲁棒性强、语言方便的模糊控制，但该控制设计尚缺乏系统性，无法定义控制目标；另外一些研究采用了微分进化算法来求解最优补偿功率参考
技术实现思路
1、本专利技术所要解决的技术问题是提供一种铁路功率调节器最优补偿电流指令值计算方法，该方法旨在对常用的pso算法进行改进，解决现有技术全局与局部搜索能力无法兼顾，且pso算法存在早熟收敛的问题，具有可应用于交流异相牵引供电系统，在实现求解rpc的最优补偿功率的同时，还可以辅助参数进一步加快rpc的补偿实时性的特点。
2、为解决上述技术问题，本专利技术所采用的技术方案是：
3、一种铁路功率调节器最优补偿电流指令值计算方法，包括以下步骤：
4、s1，构建牵引供电系统中铁路功率调节器的补偿功率优化模型；
5、s2，系统主控制器中首先依据检测到的牵引侧和光伏侧实时电压电流数据，由系统综合能量管理模块计算出牵引负荷功率及光伏发电单元对外的目标出力值和未利用电量；
6、s3，利用背靠背变流器优化补偿模型，在粒子群算法中引入动态调整的惯性权重和学习因子，通过新的粒子群算法计算得到α相和β相变流器的补偿功率参考值(p’αc,q’αc,p’βc,q’βc)，再利用补偿电流计算式，求取其补偿电流参考值i’αc和i’βc。
7、优选地，步骤s1中，铁路功率调节器的补偿功率优化模型如下：
8、
9、min p＝min(sαc+sβc)；
10、式中，表示：将系统侧三相电压不平衡度限值处对应的最大负序电流用作归一化处理的基准值；pf为光伏接入后系统侧的瞬时功率因数，i(-)为负序电流,min p为rpc补偿功率最小值，sαc为α相变流器补偿功率和β相变流器补偿功率；
11、
12、
13、式中，sαc.max和sβc.max分别为α相和β相变流器最大容量，pαc和pβc为变流器补偿的有功功率，qαc和qβc为变流器补偿的无功功率。
14、优选地，步骤s3中，利用背靠背变流器优化补偿模型，通过改进的粒子群算法计算两相变流器的补偿功率参考值，对补偿功率参考值求解的具体方法如下：
15、step301，导入牵引侧和光伏侧的实时数据,从能量管理单元获取对应的功率参考值；
16、step302，初始化粒子群：设置种群规模m，迭代次数n，随机初始化粒子位置x，速度v,个体最优位置pbest以及群体最优位置gbest；
17、step303，在粒子群算法中引入动态调整的惯性权重及自身认识因子和学习因子；
18、step304，根据功率因数尽量大、负序电流尽量小且rpc补偿功率最小为优化目标，计算粒子适应度f(x)；
19、step305，根据粒子适应度更新当前粒子最优位置pbest和群体最优位置gbest；
20、step306，根据粒子群算法的迭代公式以及补偿容量，三相电压不平衡度指标等约束条件更新每个粒子的速度v和位置x；粒子群算法的迭代算法如下：
21、
22、式中，为第k次迭代粒子i飞行速度矢量的第d维分量；为第k次迭代粒子i位置矢量的第d维分量；c1和c2分别为个体及群体学习因子；r1和r2为取值范围[0,1]的独立随机数，ω为惯性权重；
23、step307，当达到设置的最大迭代次数或者在最小范围内达到全局最优位置时，迭代计算终止，此时的最优补偿功率参考值也随之得出；
24、step308，通过电流与功率的关系计算式得出两相变流器的补偿电流指令值。
25、优选地，步骤s3中在粒子群算法中引入了动态调整的惯性权重和学习因子，动态的惯性权重及学习因子如下：
26、iter＝1:num_iterations；
27、ω＝0.9-iter*((0.9-0.4)/num_iterations)；动态权重0.9～0.4；
28、c1＝2+iter*((2.5-2)/num_iterations)；自身认识因子2～2.5；
29、c2＝2+iter*((2.5-2)/num_iterations)；社会因子2～2.5。
30、本专利技术的有益效果为：
31、本专利技术提出了一种铁路功率调节器最优补偿电流指令值计算方法。以rpc补偿功率最小，负序电流减小，功率因数增加，三相不平衡度指标为优化目标建立优化补偿模型，通过改进后的pso算法计算得到铁路功率调节器中两相变流器的补偿功率参考值，在利用补偿电流计算式求取补偿电流参考值；改进后的算法，在迭代的初期，惯性权重过大以鼓励全局搜索，学习因子较小以避免过快的陷入局部最优；随着迭代次数的增加，惯性权重减小以鼓励局部搜索，学习因子增大以鼓励粒子向个体最优和全局最优的位置搜索，有利于平衡局部和全局搜索的需求。更能准确实时的反应铁路功率调节器中的补偿能量，实现负序、无功等电能质量的综合治理，减小rpc较高的需求容量和投资成本，提高rpc长期运行能力，具有良好的工业应用前景。
本文档来自技高网...【技术保护点】
1.一种铁路功率调节器最优补偿电流指令值计算方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种铁路功率调节器最优补偿电流指令值计算方法，其特征在于：步骤S1中，铁路功率调节器的补偿功率优化模型如下：
3.根据权利要求1所述的一种铁路功率调节器最优补偿电流指令值计算方法，其特征在于：步骤S3中，利用背靠背变流器优化补偿模型，通过改进的粒子群算法计算两相变流器的补偿功率参考值，对补偿功率参考值求解的具体方法如下：
4.根据权利要求3所述的一种铁路功率调节器最优补偿电流指令值计算方法，其特征在于：在粒子群算法中引入了动态调整的惯性权重和学习因子，动态的惯性权重及学习因子如下：
【技术特征摘要】
1.一种铁路功率调节器最优补偿电流指令值计算方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种铁路功率调节器最优补偿电流指令值计算方法，其特征在于：步骤s1中，铁路功率调节器的补偿功率优化模型如下：
3.根据权利要求1所述的一种铁路功率调节器最优补偿电流指令值计算方法，其特征...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。