一种静止无功补偿器的不平衡补偿和蚁群优化方法

摘要

本发明公开了一种静止无功补偿器的不平衡补偿和蚁群优化方法，基于变结构对静止无功补偿器SVC进行控制，其中变结构控制方法包括不平衡负荷平衡化补偿和PI控制器的参数控制两个方面，其中不平衡负荷平衡化补偿采用基于虚拟对称三相系统的同步旋转参考坐标变换的SVC补偿电纳计算方法；同时在系统电压稳定控制时，采用蚁群算法优化方法，对PI控制器的参数k_p、k_i进行实时调整、寻优。本发明能让其中SVC既能进行不平衡负荷平衡化补偿，又能对稳定控制，提高了静止无功补偿器电纳计算的精度，确保负荷的平衡补偿，改善了SVC电压稳定控制时的性能，维持公共连接点的电压稳定，具有较高的鲁棒性和响应速度。

主权项

1、一种静止无功补偿器的不平衡补偿和蚁群优化方法，基于变结构对静止无功补偿器SVC进行控制，其特征在于，变结构控制方法包括不平衡负荷平衡化补偿和PI控制器的参数控制两个方面，其中不平衡负荷平衡化补偿采用基于虚拟对称三相系统的dq旋转坐标变换的SVC补偿电纳计算方法；同时在虚拟对称三相系统电压稳定控制时，采用基于ITAE准则作为目标函数的蚁群算法优化方法，应用于静止无功补偿器SVC中，对其PI控制器的比例增益k_p和积分增益k_i进行实时调整、寻优；所述基于ITAE准则作为目标函数的蚁群算法优化包括如下步骤：采用ITAE准则作为目标函数：$J={\int }_0^{t}t\left|e\left(t\right)\right|\mathrm{dt}---\left(1\right)$收敛准则如下式所示：$\left|\frac{J^{\left(\max \right)}-J^{\left(\min \right)}}{J^{\left(\min \right)}}\right|<{ϵ}_{\mathrm{ref}}---\left(2\right)$式中e为V_ref与V_SL和V_rms的差值，即作为蚁群优化PI控制器的误差信号；V_rms为电网电压的方均根值；V_ref为虚拟对称三相系统参考电压；V_SL是SVC的补偿电压；J^(max)为寻优的最大值点，J^(min)为寻优的最小值点，ε_ref为给定的正的误差值，由此可以得到保证电压稳定的最优比例增益k_p和积分增益k_i，从而改善SVC的动态性能；最后根据目标函数和收敛准则，应用蚁群优化算法对PI控制器的比例增益k_p和积分增益k_i进行寻优；基于ITAE准则作为目标函数的蚁群算法优化PI参数的计算步骤如下：(I)利用Ziegler-Nichols计算PI参数k_p0、k_i0；(II)设定蚂蚁数m，并给每只蚂蚁k各定义一个具有10个元素的一维数组Path_k，在该数组中依次存放该蚂蚁要经过的10个节点的纵坐标值；(III)令时间计数器t＝0，循环次数N_c＝0，设定最大循环次数N_cmax以及初始时刻各节点上信息素的值τ(x_i，y_i，j，0)＝c，其中i＝1～10，j＝0～9，令Δτ(x_i，y_i，j)＝0，将全部蚂蚁置于原点；(IV)置变量i＝1；(V)利用公式(3)计算这些蚂蚁向线段L_i上每个节点转移的概率，根据这些概率，采用赌轮法为每只蚂蚁k在线段L_i上选择一个节点，并将蚂蚁k移到该节点，同时将该节点的纵坐标值存入Path_k的第i个元素；(VI)置i＝i+1，若i≤10，则跳转至(V)步，否则跳转至(VII)步；(VII)根据蚂蚁k所走过的路径，即数组Path_k，利用公式(4)计算路径对应的PI参数k_p^k、k_i^k，利用公式(1)和(2)分别计算蚂蚁k所对应的目标函数J_k和所对应的收敛数值ε_k，记录本次循环中的最优路径，并将与其相对应的PI参数存入最优PI参数k_p^*、k_i^*；(VIII)令t←t+10，N_c←N_c+1，根据公式(5)，(6)，(7)更新每一个节点上的信息素，并将Path_k中的所有元素清零；(IX)如N_c＜N_cmax且整个蚁群尚未收敛到走同一条路径或者收敛数值ε_k＞给定误差，则再次将全部蚂蚁置于原点并跳转到第(IV)步，如N_c＜N_cmax但整个蚁群已收敛到走同一条路径或者收敛数值ε_k＜给定误差，则算法结束，输出最优路径及其所对应的最优PI参数k_p^*、k_j^*；用到的公式及参数定义如下：$P_k(x_i,y_{i,j},t)=\frac{{\tau }^{\alpha }(x_i,y_{i,j},t){\eta }^{\beta }(x_i,y_{i,j},t)}{\underset{j=0}{\overset{9}{\Sigma }}{\tau }^{\alpha }(x_i,y_{i,j},t){\eta }^{\beta }(x_i,y_{i,j},t)}---\left(3\right)$式中τ(x_i，y_i，j，t)表示t时刻在节点Knot(x_i，y_i，j)遗留的信息素；P_k(x_i，y_i，j，t)表示t时刻第k只蚂蚁由L_i-1上任一点向Knot(x_j，y_i，j)爬行的概率；α为信息启发式因子，β为期望信息启发因子，η(x_i，y_i，j，t)为节点Knot(x_i，y_i，j)上的启发函数；$\left\{\begin{array}{c}{k}_p=\underset{i=1}{\overset{5}{\Sigma }}{y}_{i,j}\times {10}^{2-i}\\ k_i=\underset{n=6}{\overset{10}{\Sigma }}{y}_{n,j}\times {10}^{6-n}\end{array}\right.---\left(4\right)$τ(x_i，y_i，j，t+n)＝(1-ρ)Δτ(t)+Δτ(t)        (5)$\mathrm{\Delta \tau }\left(t\right)=\underset{k=1}{\overset{m}{\Sigma }}\Delta {\tau }_k(x_i,y_{i,j})---\left(6\right)$式中ρ表示信息素挥发系数，则1-ρ表示信息数残留因子，为了防止信息的无限积累，ρ的取值范围为：$\rho ⋐\left[\mathrm{0,1}\right);$Δτ(t)表示本次循环中节点Knot(x_i，y_i，j)上的信息素增量，Δτ_k(x_i，y_i，j)表示第k只蚂蚁在本次循环留在节点Knot(x_i，y_i，j)上的信息素；式中Q表示信息素强度，在一定程度上影响算法的收敛速度，J_k表示第k只蚂蚁在本次循环中的目标函数值，其中k＝1～m。