一种基于粒子群算法的电力变流器双闭环控制策略

摘要

本发明涉及一种基于粒子群算法的电力变流器双闭环控制策略，属于电网运行与控制技术领域。其特征包含以下步骤：1)对电力变流器实施电压外环和电流内环的双闭环控制策略；2)确定在线调整的控制环节的控制参数调节范围；3)监测控制目标值；4)若控制目标超出允许范围，采用粒子群算法更新控制参数；5)若控制目标未超出允许范围，保持控制参数不变。本发明具有高度可靠性和自适应性、能够在电网的扰动下实现电力变流器的功率控制，对提高电力变流器的运行可靠性和可控性具有重要的现实意义。

说明书

技术领域

本发明涉及一种电力变流器控制策略，特别涉及一种基于粒子群算法的电力变流器双闭环控制策略，属于低压电网运行与控制技术领域。

背景技术

电力变流器可以实现交流到直流、直流到交流、交流到交流或直流到直流之间能量的变换，在电力系统有着广泛的应用。随着新能源在低压电网中的应用越来越多，风、光、储能等并入电网，微电网的运行和控制，都离不开电力变流器装置，用于整流、逆变、全象限的功率控制、无功补偿等。目前，电力变流器装置普遍采用电压源型换流器，采用可关断的大功率器件。如何对这些电流变流装置进行控制是其在电网中应用的关键。

电力变流器的常规控制方法是功率控制为外环、电流控制为内环的双闭环控制算法，该方法可以实现电力变流器有功和无功的解耦控制。电力系统在运行过程中会出现较多干扰和不确定性因素。例如，电动机启动，会造成电网电压跌落，线路发生短路故障，会产生较大的短路电流。在电网发生扰动得条件下，常规的PI控制器起不到良好的控制效果，其控制参数的选取依靠经验给定，不能适应电网运行状态的变化，不具有自适应性，控制效果在某些电网运行条件下无法满足控制需求。

针对传统电力变流器控制策略的不足，一些新的控制方法开始用于电力变流器的控制。比较典型的有：

1)采用模糊控制的电力变流器控制方法。该方法把电力变流器的外环控制进行模糊化，把控制目标值按模糊规则进行多区段划分，通过模糊规则实现控制目标实测值与控制参数之间的非线性映射关系，从而提高控制系统在不同运行条件下的适应性。

2)采用神经网络的电力变流器控制方法。该方法通过收集大量的控制参数与控制目标之间的关联数据，来训练神经元网络，从而形成控制参数与控制效果之间的关联关系，通过神经网络预测可行的控制参数，从而实现电力变流器的控制策略。

3)采用现代非线性控制的电力变流器控制方法。该类方法充分利用现代非线性控制理论，通过对变流器进行数学建模，从而建立起控制模型，在此基础上得出相应的控制规律。如采用精确线性化的变结构控制，非线性解耦控制等等。

上述用于电力变流器的控制技术，多偏重于理论研究，在工程上难于实现，上述控制方法在短时间内还难以实用化。

发明内容

本发明的目的是基于智能随机优化算法，提出一种基于粒子群算法的电力变流器双闭环控制策略，本发明具有较好的可靠性和自适应性、能够在电网的扰动下实现电力变流器的功率控制，对提高电力变流器的运行可靠性和可控性 具有重要的现实意义。

本发明的目的在于基于现有的电力变流器控制技术，提出一种基于粒子群算法的电力变流器双闭环控制策略，为电力变流器的可靠控制提供技术依据和实用化方法,提高基于电力变流技术的电器装置在电网中的应用。

本发明采用的技术方案是：

一种基于粒子群算法的电力变流器双闭环控制策略，对电压源型电力变流器，采用电压外环和电流内环的双闭环控制策略；采用粒子群优化算法，在线的自适应调整控制环节的参数，实现电力变流器在电网各种扰动下的优化控制。其特征在于：包括以下步骤：

步骤1)对电力变流器实施电压外环和电流内环的双闭环控制策略；

步骤2)确定在线调整的控制环节的控制参数调节范围；

步骤3)监测控制目标值；

步骤4)若控制目标超出允许范围，采用粒子群算法更新控制参数；

(1)设置迭代次数初值为零；

(2)初始化粒子群计算参数，包括粒子的位置、速度、加速常数以及惯性因子；

(3)对于每个粒子确定其初始位置的最优值和全局最优值；

(4)对于每个粒子确定其迭代过程中的个体最优值和全局最优值；

(5)更新粒子下一次的速度和位置；

(6)更新粒子群的最优值和全局最优值；

(7)迭代次数增加1，若到达迭代次数上限，则进行步骤(8)，否则转入步骤(4)；

(8)把粒子群优化计算结果作为电力变流器控制参数值。

步骤5)若控制目标未超出允许范围，保持控制参数不变。

所述的电压源型电力变流器，由具有关断能力的器件(如绝缘栅双极晶体管(IGBT))组成的电力变流器，具有整流、逆变、交流变流或直流变流功能；

所述的电压外环和电流内环的双闭环控制策略，电力变流器的功率控制采用双闭环控制，外环响应有功、无功控制目标，内环采用电流解耦控制策略，通过旋转坐标变换，实现有功电流和无功电流的解耦控制；

所述的在线的自适应调整控制环节的参数，在电力变流器功率外环控制中，在比例积分控制环加入粒子群优化算法寻优，在线动态的调整比例积分控制参数，从而提高控制器对外界不确定干扰因素的适应性；

所述的监测控制目标值，对于电压源型电力变流器，可以同时对两个控制目标进行监测控制，控制目标可以是有功功率、无功功率、直流电压或交流电压；

所述的对于每个粒子确定其迭代过程中的个体最优值和全局最优值，在粒子群优化算法的迭代过程中，利用适应度函数来判断每一个粒子对应的所有位置的值，取其最小值为该粒子的最优值；利用适应度函数来判断所有粒子的所有位置的值，取其中的最小值为全局最优值；

所述的更新粒子下一次的速度和位置，对于某一个粒子P来说，第i+1次迭代中，粒子的位置和速度可以用第i次迭代的结果进行计算，计算表达式如下所示。

$\left(\begin{array}{c}{K}_P^{i+1}=K_P^i+V_P^{i+1}\\ V_P^{i+1}={\mathrm{\omega V}}_P^i+c_{1}rand\left(1\right)(K_{P\left(pbest\right)}-K_P^i)\\ +c_{2}rand\left(2\right)(K_{gbest}-K_P^i)\end{array}\right)$

式中，K代表粒子的位置；V代表粒子的速度；C1和C2代表粒子的加速常数；ω代表粒子的惯性因子；pbest为粒子的最优值；gbest为粒子的全局最优值；rand(1)、rand(2)都是(0，1)之间的随机数；加速常数c₁、c₂的值都为2。

上式代表粒子寻优的过程，通过该式可以不断的更新粒子的位置和速度，从而能够得到粒子的个体最优值以及所有粒子的全局最优值。

所述的更新粒子群的最优值和全局最优值，利用适应度函数求解出粒子在下一个位置时的适应度值，将此时求解的适应度值与上次迭代得出的粒子最优值以及全局最优值进行比较，得出粒子最优值。

与现有技术相比，本发明的优点是：

1.本基于粒子群算法的电力变流器双闭环控制策略，能够提高电力变流器抵御外界干扰和不确定因素的能力，提高其可靠性。通过在线的修正控制参数，并通过智能优化求取最优控制参数，从而实现电力变流器的智能控制。

2.本方法易于实施。本方法是在原有的电力变流器的双闭环控制策略基础上进行改进的，没有改变原有的控制环节，而是通过对控制目标的监测，在线的修正外环控制环节的比例积分系数，使得整套控制方案易于实施，具有较好的可靠性、经济性和运行效率。

3.本方法便于商业化开发。随着新能源的并网增加，电力变流器将在低压电网应用越来越广泛，本发明具有较好的商业开发前景和应用价值。

附图说明

图1是基于粒子群算法的电力变流器双闭环控制策略步骤框图；

图2是电压源变流器双闭环控制框图；

图3是粒子群优化PI控制系统图

图4是基于粒子群算法的控制参数在线优化步骤框图；

图5是控制仿真结果比较图。

具体实施方式

下面结合附图和仿真实验对本发明的技术方案做进一步详细说明。

如图1、图2、图3、图4、图5所示，一种基于粒子群算法的电力变流器双闭环控制策略

包括以下步骤：

步骤1)对电力变流器实施电压外环和电流内环的双闭环控制策略；

步骤2)确定在线调整的控制环节的控制参数调节范围；

步骤3)监测控制目标值；

步骤4)若控制目标超出允许范围，采用粒子群算法更新控制参数；

(1)设置迭代次数初值为零；

(2)初始化粒子群计算参数，包括粒子的位置、速度、加速常数以及惯性因子；

(3)对于每个粒子确定其初始位置的最优值和全局最优值；

(4)对于每个粒子确定其迭代过程中的个体最优值和全局最优值；

(5)更新粒子下一次的速度和位置；

(6)更新粒子群的最优值和全局最优值；

(7)迭代次数增加1，若到达迭代次数上限，则进行步骤(8)，否则转入步骤(4)；

(8)把粒子群优化计算结果作为电力变流器控制参数值。

步骤5)若控制目标未超出允许范围，保持控制参数不变。

所述的电压源型电力变流器，由具有关断能力的器件(如绝缘栅双极晶体管(IGBT))组成的电力变流器，具有整流、逆变、交流变流或直流变流功能；

所述的电压外环和电流内环的双闭环控制策略，电力变流器的功率控制采用双闭环控制，外环响应有功、无功控制目标，内环采用电流解耦控制策略，通过旋转坐标变换，实现有功电流和无功电流的解耦控制；

所述的在线的自适应调整控制环节的参数，在电力变流器功率外环控制中，在比例积分控制环加入粒子群优化算法寻优，在线动态的调整比例积分控制参数，从而提高控制器对外界不确定干扰因素的适应性；

所述的监测控制目标值，对于电压源型电力变流器，可以同时对两个控制目标进行监测控制，控制目标可以是有功功率、无功功率、直流电压或交流电压；

所述的对于每个粒子确定其迭代过程中的个体最优值和全局最优值，在粒子群优化算法的迭代过程中，利用适应度函数来判断每一个粒子对应的所有位置的值，取其最小值为该粒子的最优值；利用适应度函数来判断所有粒子的所有位置的值，取其中的最小值为全局最优值；

所述的更新粒子下一次的速度和位置，对于某一个粒子P来说，第i+1次迭代中，粒子的位置和速度可以用第i次迭代的结果进行计算，计算表达式如下所示。

$\left(\begin{array}{c}{K}_P^{i+1}=K_P^i+V_P^{i+1}\\ V_P^{i+1}={\mathrm{\omega V}}_P^i+c_{1}rand\left(1\right)(K_{P\left(pbest\right)}-K_P^i)\\ +c_{2}rand\left(2\right)(K_{gbest}-K_P^i)\end{array}\right)$

式中，K代表粒子的位置；V代表粒子的速度；C1和C2代表粒子的加速常数；ω代表粒子的惯性因子；pbest为粒子的最优值；gbest为粒子的全局最优值；rand(1)、rand(2)都是(0，1)之间的随机数；加速常数c₁、c₂的值都为2。

上式代表粒子寻优的过程，通过该式可以不断的更新粒子的位置和速度，从而能够得到粒子的个体最优值以及所有粒子的全局最优值。

所述的更新粒子群的最优值和全局最优值，利用适应度函数求解出粒子在下一个位置时的适应度值，将此时求解的适应度值与上次迭代得出的粒子最优值以及全局最优值进行比较，得出粒子最优值。

图1是本发明一种基于粒子群算法的电力变流器双闭环控制策略的主要步骤，包括对电力变流器实施电压外环和电流内环的双闭环控制策略；确定在线调整的控制环节的控制参数调节范围；监测控制目标值；若控制目标超出允许范围，采用粒子群算法更新控制参数；若控制目标未超出允许范围，保持控制参数不变。本发明具有高度可靠性和自适应性、能够在电网的扰动下实现电力变流器的功率控制，对提高电力变流器的运行可靠性和可控性具有重要的现实意义。

图2为电压源变流器双闭环控制框图。

电压源换流器采用矢量控制方式，矢量控制采用电流内环和目标外环的双闭环结构。旋转坐标系与三相电网电压同步旋转，且d轴与电网A相电压矢量重合，此时d轴分量即为有功电流分量，而电流的q轴分量则为无功电流分量。

在dq坐标系下，电流的d轴分量和q轴分量都与电压相关，存在严重的耦合关系。因此在电流内环控制中引入解耦算法，设计内环电流解耦控制器结构如图2所示：

外环是功率控制环，内环是电流控制环。有功基准值P_ref与有功实际值P的差值经过PI调节后作为电流d轴的基准值i_dref，无功基准值Q_ref与无功实际值Q的差值经过PI调节后作为电流q轴的基准值i_qref。内环电流差值经过PI环节之后再经过内环解耦控制和前馈电压补偿得到d轴和q轴戴拿标准值u_cd和u_cq，送入PWM调制器中调制，得到控制信号，实现电压源换流器的控制目标。

图3是粒子群优化PI控制系统图

PI控制环的性能直接取决于参数k_p、k_I的值是否合理，因而优化PI控制环的参数具有重要的意义。目前，仿真时PI控制环的参数主要是由人工进行调整，这种方法不仅调试繁琐，而且不一定能得到最优值，因此本文采用粒子群算法对PI控制环进行调整，其控制环节如图3所示。

图3中所示，比例系数k_p的作用是加快系统的响应速度，提高调节精度，其值选择不当容易出现超调或者精度不足的情况。积分系数k_I的作用是消除系统的稳态误差，同样，其值选择不当也容易产生超调或者调节精度不足的问题。因而，粒子群优化PI控制环的目的是找到k_p、k_I的最优值，使得调节效果最佳。

图4是基于粒子群算法的控制参数在线优化步骤框图；

粒子群优化PI控制环实现的过程主要有如下几个步骤：

(1)确定使系统稳定的PI控制环参数的取值范围即k_p、k_I的值。

(2)检测电力变流器外环控制目标的变化。若控制目标值变化较大时，粒子群优化PI控制环发挥作用，自动调整k_p、k_I的值，使其得到能够满足要求的PI控制环参数。

(3)利用粒子群优化算法更新PI控制器参数的具体过程如下。

(a)初始化粒子的位置速度加速常数c₁、c₂以及惯性因子ω。

粒子群优化算法首先在第0次开始迭代，此时确定所有粒子的初始位置、初始速度、加速常数以及惯性因子。粒子的初始位置为是根据系统稳定时的PI控制环参数中随机选择的，粒子初始速度是在(-1，1)中随机选择的。加速常数c₁、c₂是调整自身经验和社会经验在其运动中所起作用的权重，对于一般的问题其值都取为2。惯性因子ω对粒子群算法的收敛性起到很大作用，通过调整其值可以改变全局寻优和局部寻优的能力，通常情况下在迭代开始时将ω设置的比较大，之后随着迭代次数不断减小，为了简化运算，本文取值为0.6。本文在粒子群优化算法中使用10个粒子并迭代20次，这样既满足了所得PI参数值的准确性又满足了计算速度，能够较好的实现电力变流器的控制性能。

(b)对于每个粒子确定其初始位置的最优值pbest和全局最优值gbest。

在整定PI控制环的参数k_p、k_I时，需要利用适应度函数来评价其动态表现。为了使电网电压能够快速的恢复，利用粒子群算法时采用控制目标值的绝对误差积分作为目标函数即适应度函数，以控制目标值为电压为例。其表达式如式2所示：

$f=\int \left|\left|u^{*}\right|-\left|u\left(t\right)\right|\right|dt\approx \underset{j=1}{\overset{2000}{\Sigma }}\left|\left|u^{*}\right|-\left|u\left(t\right)\right|\right|\Delta t---\left(2\right)$

式(2)中，u(t)为连接点处电压；Δt为采样周期。

考虑到最小绝对误差积分能够使系统的动态响应具有较短的调整时间以及较小的超调量，因此，在粒子群算法中选取电压的绝对误差积分作为适应度函数。初始化时，定义粒子的最优值pbest以及全局最优值gbest(初始化后所有粒子的满足适应度函数的最小值)分别为：

$\left(\begin{array}{c}pbest=[K_{PP}^0,K_{IP}^0]\\ gbest=min\left(pbest\right)\end{array}\right)---\left(3\right)$

(c)对于每个粒子确定其迭代过程中的个体最优值pbest和全局最优值gbest。

在粒子群优化算法的迭代过程中，利用适应度函数来判断每一个粒子对应的所有位置的值，取其最小值为该粒子的最优值，如式4所示。

$pbest=K_{P\left(pbest\right)}={[K_{P_{p\left(pbest\right)}},K_{I_{p\left(pbest\right)}}]}^T---\left(4\right)$

利用适应度函数来判断所有粒子的所有位置的值，取其中的最小值为全局最优值，如式5所示。

$gbest=K_{\left(gbest\right)}={[K_{P_{\left(gbest\right)}},K_{I_{\left(gbest\right)}}]}^T---\left(5\right)$

(d)第i+1次迭代中，按式(6)更新粒子下一次的速度和位置。

对于粒子P来说，第i+1次迭代中，粒子的位置和速度可以用第i次迭代的结果进行计算，计算表达式如下所示。

$\left(\begin{array}{c}{K}_P^{i+1}=K_P^i+V_P^{i+1}\\ V_P^{i+1}={\mathrm{\omega V}}_P^i+c_{1}rand\left(1\right)(K_{P\left(pbest\right)}-K_P^i)\\ +c_{2}rand\left(2\right)(K_{gbest}-K_P^i)\end{array}\right)---\left(6\right)$

式(4.29)中，rand(1)、rand(2)都是(0，1)之间的随机数；加速常数c₁、c₂的值都为2。

式(6)代表粒子寻优的过程，通过该式可以不断的更新粒子的位置和速度，从而能够得到粒子的个体最优值以及所有粒子的全局最优值。为了更加直观的分析粒子的寻优过程，由式6可以得出每个粒子在迭代过程中通过跟踪两个极值来迭代计算，从而得到粒子个体极值以及所有粒子中的全局最优值。

对于粒子P来说，在第i+1次迭代中，其位置是通过式(7)所得到的。

$\left(\begin{array}{c}{K}_P^{i+1}=K_P^i+{\mathrm{\Delta K}}_P^{i+1}=K_P^i+V_P^{i+1}\\ {\mathrm{\Delta K}}_P^{i+1}={\mathrm{\Delta K}}_{P1}+{\mathrm{\Delta K}}_{P2}+{\mathrm{\Delta K}}_{P3}\\ {\mathrm{\Delta K}}_{P1}=rand\left(1\right)(K_{P\left(pbest\right)}-K_P^i)\\ {\mathrm{\Delta K}}_{P2}=rand\left(2\right)(K_{gbest}-K_P^i)\\ {\mathrm{\Delta K}}_{P3}={\mathrm{\omega V}}_P^i\end{array}\right)---\left(7\right)$

式(7)中，ΔK_P1为第i次迭代位置指向粒子个体最优值K_P(pbest)的速度向量；ΔK_P2为第i次迭代位置指向粒子全局最优值K_(gbest)的速度向量；ΔK_P3为与第i次迭代速度的方向相同的速度向量。

由式(7)可以得出第i次迭代过程中粒子移动的速度作为粒子移动的参考值使得粒子P在第i+1次迭代过程中向粒子最优值K_P(pbest)以及全局最优值K_(gbest)靠近。

(e)更新粒子P的最优值K_P(pbest)和全局最优值K_(gbest)。

经过第i次迭代后，当前粒子P的最优值K_P(pbest)以及全局最优值K_(gbest)的适应度值分别为f(K_P(pbest))、f(K_(gbest))。利用适应度函数求解出粒子P在位置时的适应度值将此时求解出的适应度值与上次迭代得出的粒子最优值以及全局最优值进行比较。如式(8)和(9)所示。

$f\left(K_P^{i+1}\right)<f\left(K_{P\left(pbest\right)}\right)---\left(8\right)$

$f\left(K_P^{i+1}\right)<f\left(K_{\left(gbest\right)}\right)---\left(9\right)$

如果式(8)成立，则将被选为粒子新的个体最优值K_P(pbest)，否则粒子最优值保持不变；如果式(9)成立，则将被选为粒子新的全局最优值K_(gbest)，否则粒子全局最优值保持不变。

(f)步骤(d)和步骤(e)重复20次即迭代20次。

(g)迭代结束后确定PI控制环中的参数值k_p、k_I为此时全局最优值K_(gbest)。

图5是控制仿真结果比较图。

为了验证粒子群算法优化PI控制环参数的有效性，以6kV母线上接有的基 于电压源型变流器的静止无功补偿装置为例，进行仿真验证。在6kV母线附近设置一感应电机负载，以电机启动作为电网扰动。为了减小电网扰动对的电压暂降的影响，在引入粒子群优化PI算法的条件下将静止无功补偿装置并入6kV母线处，分别考虑无补偿装置、加入常规双闭环控制策略的电力变流器和引入粒子群算法的电力变流器，三种情况下对电网电压影响的改善情况进行仿真分析。

由图可得，3s时6kV母线电压分别下降较大，且电压恢复较慢，可见感应电动机对电压暂降影响比较严重，在并入无功补偿装置后电压降明显减少，电压恢复时间也得到较好的改善。其中粒子群优化控制对电压的补偿效果最好，电压恢复所需时间也是最短的。

比较图可知，粒子群优化PI控制环的控制策略改善电网电压水平方面优于传统的PI控制，无功补偿并网初始阶段稍有波动，经过一定时间后能够稳定上升并恢复正常水平，另外，相对于传统PI控制环来说，在时间上粒子群优化PI控制环能够使电网电压较快的恢复到稳定水平。由于传统PI控制参数固定，当接入不同容量的感应电动机时控制效果得不到较好的改善，但粒子群优化PI控制环可根据不同容量的感应电动机调节PI参数，使其具有良好的调节效果，从而保证感应电动机启动时电网电压能够快速有效的恢复到正常水平并保持稳定。

以上仿真结果，验证了本发明的有效性。