[发明专利]基于自适应差分进化算法的光伏逆变器控制参数辨识方法

摘要

本发明公开了一种基于自适应差分进化算法的光伏逆变器控制参数的辨识方法，其特征是按如下步骤进行：1在光伏逆变器送出线路处设置扰动点以收集参数辨识所需的扰动数据；2对光伏逆变器的输入、输出采样序列进行野值的剔除和修正；3通过自适应差分进化算法分别对光伏逆变器d轴控制参数和q轴控制参数进行辨识。本发明能够快速、准确地获得光伏逆变器控制参数值，从而达到提高光伏模型精度的目的。

主权项

1.一种基于自适应差分进化算法的光伏逆变器控制参数辨识方法，其特征是，所述光伏逆变器是由并网逆变控制器进行控制，所述并网逆变控制器对所述光伏逆变器采用dq轴解耦的电压‑无功外环、电流内环控制策略；所述电压‑无功外环、电流内环控制策略包括8个控制参数，分别为：电压外环比例系数kpu、电压外环积分系数kiu、无功外环比例系数kpq、无功外环积分系数kiq、电流内环d轴比例系数kpid、电流内环d轴积分系数kiid、电流内环q轴比例系数kpiq、电流内环q轴积分系数kiiq；所述控制参数辨识方法是按如下步骤识别所述8个控制参数：步骤1、对所述光伏逆变器的输入、输出进行采样：步骤1.1、在所述光伏逆变器送出线路处设置一个扰动点，使得所述光伏逆变器交流侧电压跌至α范围内；α∈[0.9pu，0.95pu]；其中，pu为标幺值；步骤1.2、对所述光伏逆变器的输入Udcref‑Udc和Qref‑Q、输出Id和Iq进行等时间间距采样，共采样t个时间点，t≥7；由采样时间点形成的序列记为{Ts}＝{Ts1,Ts2,...,Tst}；Tst表示第t个采样时间点；Udcref为光伏逆变器直流侧电压参考值，Udc为光伏逆变器直流侧电压实际值，Qref为光伏逆变器无功功率的参考值，Q为光伏逆变器实际输出的无功功率；Id为光伏逆变器输出电流的d轴分量，Iq为光伏逆变器输出电流的q轴分量；所述光伏逆变器的输入Udcref‑Udc和Qref‑Q经过采样后所形成的序列分别记为{x1}和{x2}；所述光伏逆变器的输出Id和Iq经过采样后所形成的序列分别记为{y1}和{y2}；步骤2、对光伏逆变器的输入序列{x1}和{x2}、输出序列{y1}和{y2}进行野值的剔除和修正：步骤2.1、对序列{y1}进行野值的剔除和修正：步骤I、假设序列{y₁}＝{y₁₁,y₁₂,...,y_1t}，t为采样时间点数，利用式(1)由序列{y₁}生成序列步骤II、初始化序列循环变量τ＝7；步骤III、利用式(2)判断y1τ是否满足式(2)，若满足，则表明所述序列{y1}中第τ个采样值y1τ为野值，并执行步骤IV，若不满足，则将τ+1赋值给τ，并判断τ＞t是否成立，若成立，则表示完成对序列{y1}进行野值的剔除和修正，否则，返回执行步骤III；步骤IV、将所述序列{y1}中第τ个采样值y1τ剔除，并利用式(3)进行修正，得到修正后的第τ个采样值y′1τ替代所剔除的第τ个采样值y1τ：式(3)中，Tsa、Tsb、Tsτ分别为采样时间点序列{Ts}中第a个采样时间点、第b个采样时间点、第τ个采样时间点，y1a为序列{y1}的第a个采样值；步骤2.2、同理，对序列{x1}、{x2}、{y2}按步骤2.1进行野值的剔除和修正；步骤3、通过自适应差分进化算法利用序列{x1}、序列{y1}对光伏逆变器d轴的控制参数kpu、kiu、kpid、kiid进行辨识：步骤3.1、设定算法参数，包括：最大变异因子Fmax、最小变异因子Fmin、最大交叉概率CRmax、最小交叉概率CRmin、种群规模M、光伏逆变器d轴控制参数向量[kpu,kiu,kpid,kiid]的取值上界MaxX＝[k1U,k2U,k3U,k4U]，光伏逆变器d轴控制参数向量[kpu,kiu,kpid,kiid]的取值下界MinX＝[k1L,k2L,k3L,k4L]、收敛指标ξ、最大迭代次数Gmax、待辨识参数个数C＝4；步骤3.2、生成M行C列的初始种群矩阵XM×C0；利用式(4)生成初始种群矩阵XM×C0中第s个个体Xs0的第ρ个参数Xsρ0，从而生成初始种群矩阵XM×C0中第s个个体Xs0的C个参数，进而生成初始种群矩阵XM×C0的M个个体的C个参数；1≤ρ≤C；1≤s≤M；Xsρ0＝kρL+(kρU‑kρL)×rand(0,1)    (4)式(4)中，rand(0,1)为[0,1]之间生成的随机数；步骤3.3、初始化迭代次数G＝1，令第G代种群矩阵XM×CG为所述初始种群矩阵XM×C0；则第G代种群矩阵XM×CG的第s个个体记为XsG；步骤3.4、当光伏逆变器d轴控制参数向量[kpu,kiu,kpid,kiid]取值为XsG时，以序列{x1}为输入，计算得到的Id输出序列记为{yxs1G}；步骤3.5、利用式(5)计算第G代种群矩阵XM×CG的第s个个体XsG的辨识输出误差JxsG，从而获得第G代种群矩阵XM×CG的M个个体的辨识输出误差；式(5)中，y1i为序列{y1}的第i个采样值；yxs1iG为序列{yxs1G}的第i个采样值；步骤3.6、从所述第G代种群矩阵XM×CG的M个个体的辨识输出误差中分别选取最小值和最大值，记为JxbestG和JxbadG；将辨识输出误差的最小值JxbestG所对应的个体记为XbestG；步骤3.7、判断JxbestG＜ξ是否成立，若成立，转到步骤3.17执行，若不成立，转到步骤3.8执行；步骤3.8、从第G代种群矩阵XM×CG中任意选择三个个体，记为Xp1G、Xp2G、Xp3G，利用式(6)求取第G代种群矩阵XM×CG的第s个个体XsG的变异因子FsG，从而求取第G代种群矩阵XM×CG的M个个体的变异因子；其中1≤p1≤M，1≤p2≤M，1≤p3≤M，且p1≠p2≠p3≠s：式(6)中，α为权重系数，0＜α＜1；Jxp1G,Jxp2G,Jxp3G分别为所述个体Xp1G、Xp2G、Xp3G的辨识输出误差；步骤3.9、利用式(7)对第G代种群矩阵XM×CG的第s个个体XsG进行变异操作得到变异后的第s个个体HsG，从而对第G代种群矩阵XM×CG的M个个体进行变异操作，得到变异后的M个个体，并构成第G代变异矩阵HM×CG＝[H1G,H2G,...,HsG,...,HMG]THsG＝Xp1G+(Xp2G‑Xp3G)×FsG    (7)步骤3.10、对第G代的变异矩阵HM×CG的第j列元素中的越界元素进行修正，所述越界元素是指小于kjL或大于kjU的元素，1≤j≤C，对小于kjL的元素修正为kjL，对大于kjU的元素修正为kjU，从而对第G代的变异矩阵HM×CG的C列元素中的越界元素进行修正；步骤3.11、利用式(8)求取第G代种群矩阵XM×CG的第s个个体XsG的交叉概率CRsG，从而求取第G代种群矩阵XM×CG的M个个体的交叉概率；步骤3.12、由第G代变异矩阵HM×CG和第G代种群矩阵XM×CG生成第G代交叉矩阵VM×CG；利用式(9)求取第G代交叉矩阵VM×CG的第s个个体VsG的第μ个参数VsμG，从而求取第G代交叉矩阵VM×CG的第s个个体VsG的C个参数，进而求取第G代交叉矩阵VM×CG的M个个体的C个参数；1≤μ≤C；式(9)中，XsμG为第G代种群矩阵XM×CG的第s个个体XsG的第μ个参数；HsμG为第G代变异矩阵HM×CG的第s个个体HsG的第μ个参数；步骤3.13、当光伏逆变器d轴控制参数向量[kpu,kiu,kpid,kiid]取值为VsG时，以序列{x1}为输入，计算得到的Id输出序列记为{yvs1G}；步骤3.14、利用式(10)计算第G代交叉矩阵VM×CG的第s个个体VsG的辨识输出误差JvsG，从而获得第G代交叉矩阵VM×CG的M个个体的辨识输出误差；式(10)中，y1λ为序列{y1}的第λ个采样值；yvs1λG为序列{yvs1G}的第λ个采样值；步骤3.15、由第G代交叉矩阵VM×CG和第G代种群矩阵XM×CG生成第G+1代种群矩阵XM×CG+1；并利用式(11)求取第G+1代种群矩阵XM×CG+1的第s个个体XsG+1，从而求取第G+1代种群矩阵XM×CG+1的M个个体；步骤3.16、判断G+1＝Gmax是否成立，若成立表明种群矩阵已进化到最高代，转到步骤3.17执行，否则将G+1赋值给G返回步骤3.4执行；步骤3.17、第G代种群矩阵XM×CG的辨识输出误差的最小值JxbestG所对应的个体XbestG即为最终辨识得到的光伏逆变器d轴控制参数向量[kpu,kiu,kpid,kiid]；步骤4、同理，按照步骤3所述的自适应差分进化算法，利用序列{x2}、序列{y2}对光伏逆变器q轴的控制参数kpq、kiq、kpiq、kiiq进行辨识，从而得到所述8个控制参数。