一種MMC‑HVDC系統控制參數優化方法與流程
2023-05-14 19:35:26 1
本發明屬於電力系統控制參數優化技術領域，尤其涉及一種運用多目標粒子群算法對模塊化多電平換流器型高壓直流輸電工程系統控制參數進行優化的方法。
背景技術：
作為一種新型的電壓源型換流器，模塊化多電平換流器自被提出以來便得到了廣泛的關注，其利用子模塊級聯的方式實現換流器的電壓等級的提高和輸送容量的提升，由於其採用模塊化的結構而具有很多技術優勢。迄今為止，模塊化多電平換流器型高壓直流輸電工程即mmc-hvdc在國內外均取得了成功的應用，並備受重視。
多模塊的拓撲結構和多環節的控制策略使其在仿真研究和工程實踐中需要考慮複雜的協調控制，因而對其控制系統的性能要求非常高。比例-積分(pi)控制器以其調節快速、結構簡單、參數定義易於理解、易於實現等優點而被廣泛應用於實際工程中，但工程中常採用試湊法獲得參數，具有一定程度的盲目性，可能會增大工作量，降低效率。
技術實現要素：
為了解決上述問題，本發明提出了一種mmc-hvdc系統控制參數優化方法，其特徵在於，包括以下步驟：
步驟1、在pscad上搭建mmc-hvdc仿真模型，作為參數優化的計算模型，用以計算適應值；
步驟2、在matlab上編寫改進多目標粒子群尋優算法，待優化的mmc-hvdc系統控制參數為粒子的位置，並將待優化的控制參數進行分層；
步驟3、初始化算法參數和粒子信息，令迭代次數j＝1；
步驟4、進入主循環，j＝j+1，利用基於擁擠度的方法和基於隸屬度函數的方法相結合的方法選取領導粒子，更新粒子的速度和位置，優化內環參數，將非支配解加入到外部存儲器中，對外部存儲器中的粒子進行變異並更新外部存儲器；
步驟5、選取領導粒子，更新粒子速度和位置，優化外環參數，將非支配解加入到外部存儲器中，對外部存儲器中的粒子進行變異並更新外部存儲器；
步驟6、重複步驟4和步驟5，直到達到最大迭代次數。
步驟1中，所述的mmc-hvdc仿真模型控制器採用直接電流控制中的矢量控制技術，包括內環電流控制和外環輸出控制，其將abc坐標系下的三相交流量轉換為dq坐標系下的直流量並建立mmc的數學模型，實現了dq軸解耦，化簡了換流器的數學模型，適合對三相mmc進行控制。內環電流控制和外環輸出控制中各有兩套pi控制器。
所述的適應值由換流器的控制目標通過式(1)計算而來，其計算方法採用誤差絕對值乘以時間的積分itae(integratedtimeandabsoluteerror)指標。式中yref為控制目標參考值，y為控制目標實際值，積分上限t為動態過程時間。
步驟2中，所述的改進多目標粒子群算法以2004年coello提出的多目標粒子群算法為基礎，其採用外部存儲器和自適應網格機制保存非支配解，從中選取領導粒子對粒子的信息進行迭代更新。粒子的位置代表控制參數，迭代過程中會根據式(2)更新。
其中，vid代表第id個粒子的飛行速度，ω表示慣性權重係數，c1和c2表示加速因子，r是[0,1]之間均勻分布的隨機數，pid代表第id個粒子的位置，pbest代表第id個粒子所經過的最優位置，gbest代表當前所有粒子所經過的最優位置。
式(2)的右邊由三部分組成，第一部分是粒子更新前的速度，具有隨機性，有助於擴大搜索空間，探索新的搜索區域，因此具有全局搜索能力；第二部分屬於自我認知部分，表示粒子自己的思考；第三部分屬於社會認知部分，表示粒子之間的合作和信息共享。兩個極值可以引導粒子位置快速收斂於當前搜索到的最優區域，然後再對此區域進行局部搜索以便獲得最優解。
所述的分層是指將待優化的pi參數分為內環和外環兩層，先優化內環控制參數層，再優化外環控制參數層。
步驟3中，所述的算法參數包括粒子數、慣性權重係數、加速因子、最大迭代次數、外部存儲器容量、網格數、網格膨脹係數等；所述的粒子信息包括維數、速度、位置及其運動範圍、適應值等。
步驟4中，所述的基於擁擠度的領導粒子選取方法是mopso的基本方法，其首先計算每個網格的擁擠程度，利用輪盤賭方法選取某個網格，再從中隨機選取一個粒子作為領導粒子。假設每個網格中粒子數gi個，i代表網格編號，該網格被選擇的概率為p＝1/(gi^β)，即粒子越擁擠，則選擇的概率越低。
所述的基於隸屬度的領導粒子選取方法通過計算外部存儲器中每個非支配解的適應值的隸屬度，作為領導粒子選取的評價指標。為了簡化分析同時具有代表性，採用一個簡單的線性函數作為適應值的隸屬度函數，具體為：
首先，找出每一維適應值的最大和最小值，記為fimax和fimin，其中i表示第i維；
然後，對三維itae指標構成的適應值進行模糊化處理，
其中，代表第k個非支配解第i維的適應值，為對應的模糊化處理後的適應值。
通過模糊化處理，每一維適應值轉化為0到1之間的數值，數值越大代表該維適應值更優，數值越小則更差。
最後，計算每一個粒子的隸屬度函數值lk，為簡化分析，認為各維適應值之間同等重要，即可以通過式(4)計算隸屬度函數值，並用輪盤賭的方法選取其中一個粒子作為領導粒子。
其中，n為外部存儲器中非支配解的數量。
所述的利用基於擁擠度的方法和基於隸屬度函數的方法相結合的方法，設置在算法前半迭代周期內採用基於擁擠度的方法選取領導粒子，後半迭代周期採用基於隸屬度的方法選取領導粒子，從而使算法在前半迭代周期內保持粒子的多樣性和全局搜索能力，後半迭代周期內快速收斂。
所述的優化內環參數具體為：每次迭代過程中領導粒子選取兩次，粒子速度和位置更新兩次，計算兩次適應值，第一次更新後，將領導粒子的外環參數賦給所有粒子，試圖優化出性能更佳的內環參數。
所述的變異是對外部存儲器中的非支配解進行變異，對於第k個非支配解的位置信息xk，採用如下變異方法：
首先，根據式(5)計算變異率p，
p＝(1-(j-1)/(nloop-1))(1/m)(5)
式中：nloop為最大迭代次數，m為變異係數。
然後，計算變異區間，區間為
[min(vmin,xk-δx),max(vmax,xk+δx)](6)
式中：vmax和vmin為參數尋優空間的最大和最小值，δx由式(7)計算得到。
δx＝p×(vmax-vmin)(7)
最後，根據式(8)計算變異結果xk。
xk＝unifrnd(min(vmin,xk-δx),max(vmax,xk+δx))(8)
所述的更新外部存儲器是指使用變異後的結果計算適應值，如果所得適應值支配變異前的適應值，則以此變異結果代替存儲器中原有的非支配解，從而完成變異操作。
步驟5中，所述的優化外環參數具體為：第二次選取領導粒子並更新粒子速度和位置後，將領導粒子的內環參數賦給所有粒子，試圖優化出性能更佳的外環參數。
有益效果
本發明提出了一種mmc-hvdc系統控制參數優化方法，在保留了基本多目標粒子群算法特點的同時，利用變異操作增加了粒子的多樣性，提高了全局搜索能力；利用基於隸屬度函數的領導粒子選取方法提高了算法的收斂性。本發明收斂性好，獲得參數的動態性能更優，適合於mmc-hvdc系統控制參數優化，與實際工程結合度高。
附圖說明
圖1為單端101電平mmc-hvdc系統結構圖；
圖2為改進mopso算法的流程圖；
圖3為最優參數的響應曲線圖。
具體實施方式
下面結合附圖和具體實例，進一步闡述本發明，但本發明的保護範圍不限於下述的實例。
本發明提出了一種mmc-hvdc系統控制參數優化方法，聯合調用pscad與matlab對mmc-hvdc系統控制參數進行優化。
步驟1、在pscad中搭建單端101電平mmc-hvdc系統對其控制系統pi參數進行優化，如圖1所示，採用半橋詳細等效模型和最近電平逼近調製方法，採用定有功功率和定無功功率運行方式。其運行參數為：有功功率設定值為100mw，無功功率設定值為30mvar，每個橋臂子模塊數為100，半橋子模塊電容值為0.03f，橋臂電抗值為0.007h，仿真時間為2秒。待優化的控制參數為矢量控制策略的內外環4套pi參數，分為內環和外環兩層。適應值為換流器的控制目標包括有功功率和無功功率的誤差絕對值乘以時間的積分指標，其值由pscad計算得到。
步驟2、在matlab中編寫改進多目標粒子群算法程序，多目標粒子群算法流程如圖2所示。
步驟3、初始化算法參數和粒子信息，設置種群大小為50，外部存儲器容量為50，適應值維數為2，最大迭代次數為50，慣性權重係數ω＝0.7，加速因子c1＝c2＝1.5，初始化粒子速度、位置和適應值等，初始化網格。令迭代次數j＝1。
步驟4、設置在前25次迭代過程中，利用基於擁擠度的方法選取領導粒子，在後25次迭代過程中，利用基於隸屬度函數的方法選取領導粒子，然後更新粒子速度和位置，將領導粒子的外環參數賦值給所有粒子，進而仿真計算適應值並將非劣解加入到外部存儲器中，最後對外部存儲器中的粒子進行變異並更新外部存儲器。
步驟5、內環參數優化結束後，再次選取領導粒子並更新粒子速度和位置，將領導粒子的內環參數賦值給更新後的所有粒子，仿真計算適應值並將非劣解加入到外部存儲器中，最後對外部存儲器中的粒子進行變異並更新外部存儲器。
步驟6、重複步驟4和步驟5，直到達到最大迭代次數退出程序。
為驗證本發明方法的有效性，將本發明所得結果與基本mopso所得結果作對比，表1對比了兩種優化方法的參數，表2對比了兩種方法優化的效果，由表可知，採用本發明方法可以獲得更小的適應值，從而驗證了本發明的有效性。
表1優化前後參數對比
表2優化前後效果對比
為了校驗本發明得到的pi參數的最優解的效果，採用pscad仿真分別對採用基本mopso和本發明方法所得結果進行驗證。設置4s時交流電壓下降為0.8pu，有功功率和無功功率的響應曲線如圖3所示。可見本發明方法所得結果可以使響應獲得更小的超調量和調整時間，性能明顯提高。