一种适用于MMC的基于遗传算法的多目标优化方法

摘要

本发明公开了一种适用于MMC的基于遗传算法的多目标优化方法，包括：获取电气参数，根据电气参数以及设置的电容电压最大波动率ε，得到优化前子模块所需的电容容值；以优化前后不提高开关器件电流等级为前提，得到优化前后对桥臂电流的约束条件；基于约束条件和电气参数，以桥臂调制电压峰值和子模块的电容电压波动峰值均最小为目标，使用遗传算法得到帕累托解集；以桥臂调制电压峰值最小或子模块的电容电压波动峰值最小为优先目标，从帕累托解集中确定共模电压注入量和环流注入量，得到多目标优化后的桥臂调制电压；实现MMC的多目标优化。本申请利用遗传算法获得最优共模电压注入和环流注入量，从而使MMC得到合理优化。

说明书

技术领域

本发明属于多电平电力电子变换器技术领域，更具体地，涉及一种适用于MMC的基于遗传算法的多目标优化方法。

背景技术

MMC(Modular Multilevel Converter，模块化多电平换流器)因具有结构高度模块化、易于扩展、输出电压谐波低等优点，逐渐成为高压直流输电系统最有前景的换流器拓扑。近年来的高压直流输电工程电压等级和容量不断增大，对换流器提高输出能力和成本控制方面提出了更高的要求。

目前投入运行的MMC-HVDC工程主要采用半桥子模块HBSM(Half-Bridge SM)拓扑，输出能力由桥臂子模块数目决定。现有的研究通过向桥臂电压注入共模电压的方法在不增加MMC桥臂子模块数目的情况下实现等效过调制，提高换流器交流侧输出。子模块电容是换流器的核心储能元件，也是子模块除开关管外的主要制造成本。电容的设计由换流器稳态运行下的电容电压波动率决定，通过控制桥臂内环流、注入环流的方法能够有效降低电容电压波动率从而减小电容容值的需求。

然而，注入共模电压会影响电容电压波动，同样地注入环流会改变桥臂电压影响过调制的效果，两者内部耦合关系较复杂，在一定程度上限制了优化方法在MMC中的应用。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种适用于MMC的基于遗传算法的多目标优化方法，由此解决现有技术存在注入共模电压会影响电容电压波动、注入环流会改变桥臂电压影响过调制的效果、进而限制了优化方法在MMC中应用的技术问题。

为实现上述目的，本发明提供了一种适用于MMC的基于遗传算法的多目标优化方法，包括：

(1)获取电气参数，包括：MMC的额定功率P、直流侧额定电压U_dc、子模块电容额定电压U_c和换流器调制比m；

(2)根据电气参数以及设置的电容电压最大波动率ε，得到优化前子模块所需的电容容值；

(3)以优化前后不提高开关器件电流等级为前提，根据电气参数计算优化前稳态运行时的桥臂电流有效值，进而得到优化前后对桥臂电流的约束条件；

(4)基于约束条件和电气参数，以桥臂调制电压峰值和子模块的电容电压波动峰值均最小为目标，使用遗传算法得到帕累托解集；

(5)以桥臂调制电压峰值最小或子模块的电容电压波动峰值最小为优先目标，从帕累托解集中确定共模电压注入量和环流注入量，得到多目标优化后的桥臂调制电压；

(6)将桥臂调制电压调节至步骤(5)得到的多目标优化后的桥臂调制电压，实现MMC的多目标优化。

进一步地，优化前子模块所需的电容容值为：

其中，I_m为交流侧相电流幅值，ω为交流输出频率，为功率因数角。

进一步地，步骤(3)包括：

以优化前后不提高开关器件电流等级为前提，根据电气参数计算优化前稳态运行时的桥臂电流有效值其中，I_dc为直流侧额定电流，I_m为交流侧相电流幅值，优化注入二倍基频的环流，优化后桥臂电流有效值其中，I_2m为注入的二倍基频的环流幅值，I′_m为优化后的交流侧相电流幅值，所述优化前后对桥臂电流的约束条件包括优化前稳态运行时的桥臂电流有效值和优化后桥臂电流有效值。

进一步地，步骤(4)包括：

(4-1)根据约束条件和电气参数，以桥臂调制电压峰值和子模块的电容电压波动峰值均最小为目标，随机建立共模电压注入量和环流注入量的初始解集；

(4-2)利用初始解集中多个初始解计算得到多个桥臂调制电压峰值和子模块的电容电压波动峰值，计算每个桥臂调制电压峰值和子模块的电容电压波动峰值与目标之间的适应函数，得到初始解集中多个初始解的适应值，根据适应值从初始解集中选取帕累托解集；

(4-3)对初始解集进行交叉运算和变异运算，生成新的解集，利用新的解集代替初始解集，然后执行步骤(4-2)；

(4-4)重复步骤(4-2)-(4-3)直至达到最大进化代数，得到最终的帕累托解集。

进一步地，多目标优化后的桥臂调制电压包括注入共模电压后的上、下桥臂调制电压u_p、u_n：

其中，U_m′为优化后的交流侧输出电压幅值，U_m′x₁为共模电压注入量的正弦成分幅值，U_m′x₂为共模电压注入量的余弦成分幅值，ω为交流输出频率，t为MMC的运行时间。

进一步地，优化后的交流侧输出电压幅值为：

U_m′＝kU_m

其中，U_m为交流侧输出电压幅值，等效调制比u_pm是遗传算法得到的最小桥臂调制电压峰值。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

桥臂调制电压引入共模电压注入减小了桥臂调制电压峰值，在桥臂子模块数目不变的情况下拥有提高交流侧基频输出幅值的能力；桥臂电流引入环流注入能有效降低电容电压波动峰值。由于两种优化方法存在内部耦合，本发明引入多目标优化的遗传算法，兼顾提高交流侧输出能力和降低电容电压波动率的目标，获得最优共模电压注入和环流注入量，从而使MMC得到合理优化。由此解决现有技术存在注入共模电压会影响电容电压波动、注入环流会改变桥臂电压影响过调制的效果、进而限制了优化方法在MMC中应用的技术问题。

附图说明

图1是本发明实施例提供的一种适用于MMC的基于遗传算法的多目标优化方法的流程图；

图2是本发明实施例提供的三相模块化多电平换流器的拓扑结构图；

图3是本发明实施例提供的共模电压注入前后的上桥臂调制电压波形示意图；

图4是本发明实施例提供的环流注入前后的上桥臂电流波形示意图；

图5是本发明实施例提供的多目标优化的遗传算法的流程框图；

图6是本发明实施例1提供的基于MATLAB多目标优化的遗传算法结果帕累托前沿图；

图7是本发明实施例1提供的基于MATLAB/Simulink仿真的上桥臂调制电压波形图；

图8是本发明实施例1提供的基于MATLAB/Simulink仿真的子模块电容电压波形图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如图1所示，一种适用于MMC的基于遗传算法的多目标优化方法，包括：

(1)获取电气参数，包括：MMC的额定功率P、直流侧额定电压U_dc、子模块电容额定电压U_c和换流器调制比m；具体地，不考虑子模块冗余，由获取的电气参数计算半桥型MMC桥臂子模块数量

(2)根据电气参数计算未优化前交流侧相电流幅值根据电气参数以及设置的电容电压最大波动率ε，得到优化前子模块所需的电容容值：

其中，I_m为交流侧相电流幅值，ω为交流输出频率，为功率因数角。

(3)以优化前后不提高开关器件电流等级为前提，根据电气参数计算优化前稳态运行时的桥臂电流有效值，进而得到优化前后对桥臂电流的约束条件；具体地，忽略损耗换流器交直流侧功率平衡，直流侧电流为优化前环流被完全抑制，稳态运行时的桥臂电流有效值优化注入二倍基频的环流，注入后的上、下桥臂电流为：

其中，x₃为注入二倍基频的环流的正弦成分幅值，x₄为注入二倍基频的环流的余弦成分幅值。

优化后桥臂电流有效值其中I_2m为注入的环流幅值，I′_m为优化后的交流侧相电流幅值，所述优化前后对桥臂电流的约束条件包括优化前稳态运行时的桥臂电流有效值和优化后桥臂电流有效值。

(4)基于约束条件和电气参数，以桥臂调制电压峰值和子模块的电容电压波动峰值均最小为目标，使用遗传算法得到帕累托解集；

(5)以桥臂调制电压峰值最小或子模块的电容电压波动峰值最小为优先目标，从帕累托解集中确定共模电压注入量和环流注入量，得到多目标优化后的桥臂调制电压；

(6)将桥臂调制电压调节至步骤(5)得到的多目标优化后的桥臂调制电压，使MMC交流侧输出在桥臂电流约束下最大程度地提高，且电容电压波动率最大程度地减小，实现MMC的多目标优化。

如图2所示，三相MMC每相由上、下两个完全相同的桥臂组成，每个桥臂包含N个子模块，子模块以级联方式连接，上下桥臂各通过串接一个桥臂电感相连，连接点为交流侧输出点。所述子模块包含两个IGBT、两个反并联的二极管和一个电容。

图3是共模电压注入前后的上桥臂调制电压波形示意图，图4是环流注入前后的上桥臂电流波形示意图；可以看出，桥臂调制电压在注入共模电压后峰值降低，在保持桥臂子模块不变的情况下，可增加交流侧基频输出电压的幅值，实现等效过调制。

图5是多目标优化的遗传算法的流程框图，遗传算法在求解多变量、多约束、多峰(谷)值、非线性、离散性的问题时有着独特的优势，基于帕累托排序的多目标优化方法适用于本方案中同时考虑最小桥臂调制电压峰值和最小电容电压波动峰值的多目标优化。遗传算法通过对一代群体按照寻优目标进行一系列的选种、交叉、变异而使下一代群体从整体上更接近最优解。本发明在选择算子中引入帕累托排序，形成多目标优化的遗传算法，包括：

(4-1)根据约束条件和电气参数，以桥臂调制电压峰值和子模块的电容电压波动峰值均最小为目标，随机建立共模电压注入量和环流注入量的初始解集；

(4-2)利用初始解集中多个初始解计算得到多个桥臂调制电压峰值和子模块的电容电压波动峰值，计算每个桥臂调制电压峰值和子模块的电容电压波动峰值与目标之间的适应函数，得到初始解集中多个初始解的适应值，根据适应值从初始解集中选取帕累托解集；

(4-3)对初始解集进行交叉运算和变异运算，生成新的解集，利用新的解集代替初始解集，然后执行步骤(4-2)；

(4-4)重复步骤(4-2)-(4-3)直至达到最大进化代数，得到最终的帕累托解集。

进一步地，多目标优化后的桥臂调制电压包括注入共模电压后的上、下桥臂调制电压u_p、u_n：

其中，U_m′为优化后的交流侧输出电压幅值，U_m′x₁为共模电压注入量的正弦成分幅值，U_m′x₂为共模电压注入量的余弦成分幅值，ω为交流输出频率，t为MMC的运行时间。

进一步地，优化后的交流侧输出电压幅值为：

U_m′＝kU_m

其中，U_m为交流侧输出电压幅值，等效调制比u_pm是遗传算法得到的最小桥臂调制电压峰值。

实施例1

本实例用以说明通过注入共模电压和环流能有效降低桥臂调制电压和电容电压波动，通过遗传算法能快速寻求两者的最优注入量，实现多目标优化。为更清楚的说明，进行如下分析：

以上桥臂为例，桥臂开关函数为：

注入环流后的桥臂电流为：

考虑单位功率因数，电容电流可由桥臂开关函数和桥臂电流的乘积得到：

i_cp＝S_p·I_rp

结合上式，子模块电容电压波动与共模电压及环流注入量的关系如下：

本实例主要参数如表1中所示：

表1

根据前述分析，优化前I_r＝6.93A，桥臂电感值按照环流注入量不超过桥臂电流基波幅值的20％设计，共模电压注入按不超过交流输出电压的20％设计，则该多目标优化问题为：

min Δu_cp(x₁，x₂，x₃，x₄)

min u_p(x₁，x₂，x₃，x₄)

在MATLAB中使用全局优化工具箱实现多目标遗传算法，图6是基于MATLAB多目标优化的遗传算法结果图，由算法结果可得帕累托最优前沿，在该前沿上是考虑两个优化目标的最优解集，本例选定以最小桥臂调制电压峰值为优先目标，最小桥臂调制电压峰值u_pm＝373.2V，电容电压波动降至Δu_cp＝1.403V，确定共模电压注入量和环流注入量得到多目标优化的桥臂调制电压和环流给定值。

在MATLAB/Simulink中搭建仿真模型，将多目标优化的遗传算法获得的共模电压注入量和环流注入量加入优化前的MMC中，其桥臂调制电压如图7所示，可见桥臂调制电压峰值在注入后降低，符合算法结果。

在环流抑制器内给定环流注入量，通过改变桥臂电流的波形对电容电压波动产生抑制，电容电压波动如图8所示，可见电容电压在额定电压附近波动，其波动主要包含基频分量及二倍频分量，最大波动在注入后降低，基本符合算法结果。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。