一种虚拟同步发电机参数优化策略

技术领域

本发明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。

背景技术

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。

发明内容

本发明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。

本发明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，本发明的技术方案如下：

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。

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

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

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

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

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

本专利通过动态调整学习因子xc

xc

其中，xc

综上所述，改进后的速度更新公式为：

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，ω

P

综上，虚拟同步发电机数学模型如图1所示。

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

其中，X为等效阻抗，截止角频率ω

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。

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(ITAE)是一种具有很好工程实用性和选择性的控制系统性能评价指标，其表达式为：

式中，e(t)为输出误差。

S82：总谐波畸变率(THD)在电气工程学科中表征波形相对正弦波畸变程度的一个性能参数，其定义为全部谐波含量均方根值与基波均方根值之比，表达式为：

其中，U

S83：选取总谐波畸变率和误差绝对值与时间乘机的积分的加权函数作为本文采用的适应度函数，表达式为：

将S1、S2、S3、S4中改进的粒柯群算法作为本专利所使用的优化算法，针对S8中的虚拟同步发电机系统的适应度函数进行优化处理，找到系统转动惯量和阻尼系数的最优值；

综上所述，本策略的流程图如图2所示。

本发明针对虚拟同步发电机系统参数难以根据输出效果进行寻优以及粒子群算法容易陷入局部最优的难点，本发明提出了相应的混沌-粒柯群优化算法与寻优策略，能够对现有的虚拟同步发电机的关键参数进行优化，这种策略不仅优化了常规的粒子群算法，提高了其全局寻优能力；进一步将得到的混沌-粒柯群算法应用在虚拟同步发电机的参数寻优步骤中，提高了虚拟同步发电机的响应能力，而且还降低了系统面对负载变化时的频率超调现象，抑制功率振荡。

附图说明

图1为本发明实施的虚拟同步发电机数学模型；

图2为本发明实施的策略步骤流程图；

图3、算法优化效果图；

图4、输出频率对比图。

具体实施方式

下面结合附图对本发明进行详细说明：

在本实施例中，为了验证本文中采用的控制方法的正确性和有效性，本文选取两个方面的对比：1、对比混沌-粒柯群算法相对常规粒子群算法、改进粒子群算法在寻优效果上的优势。2、对比本文通过混沌-粒柯群算法寻优得到的参数与常规经验值对系统输出效果的优化。混沌-粒柯群算法运行参数如表1所示。

表1算法运行参数

混沌-粒柯群算法相对常规粒子群算法、改进粒子群算法的运行结果如图3所示；从图3可知，本专利提出的混沌-粒柯群算法在三种算法中的适应度函数达到了最小值，且收敛速度在后期是最快的，整体收敛速度也优于现有的算法，表明了本专利提出的混沌-粒柯群算法具有一定的优势与创新性；

基于常规虚拟同步发电机系统以及本文所提出的控制策略，虚拟同步发电机系统的设置参数如下如表2所示；

表2、常规虚拟同步发电机系统运行参数图

优化算法得到参数后，采用上述的控制策略对系统进行仿真验证，如图4所示，在初始运行期间，输出功率8kW，在0.3s时负荷突然增加8kW。本文所提的策略能够对角速度的波动进行抑制，频率的最大偏差较小，响应较快，调整时间较短。

本发明公开了一种基于混沌-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，其在常规粒子群算法的基础上进一步引入混沌算子，对粒子群每次的寻优结果进行柯西变异，进化成为粒柯群算法，并得到新的最优结果，并改进粒柯群算法的学习因子和惯性权重，使其自适应变化；然后，基于同步发电机的特性构建虚拟同步发电机的数学模型，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；接着，根据小信号分析的模型计算虚拟同步发电机参数的取值范围；最后，设计虚拟同步发电机系统输出的优化目标函数，使用本专利设计的混沌-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。