[发明专利]基于粒子群优化算法的微网谐波抑制方法

说明书

技术领域

本发明项目涉及一种微网谐波抑制方法，特别是一种基于粒子群优化(Particle Swarm Optimization,PSO)算法的微网谐波抑制方法。

背景技术

微电网是新能源应用的一种新型结构形式，有着十分重要的作用。在微网中由于逆变器等电力电子设备运行而产生的非线性负荷，即常说的“谐波”，对逆变器等电力电子设备的正常运行有着严重影响，同时，谐波电流会令设备的温度持续提高，直接影响到设备的使用寿命。目前微网谐波抑制的方法有很多，总的来说分为三类，第一类为谐波本质抑制技术，包括主动方式（制造出只产生很小谐波的逆变器）和被动方式（在波源附近安装滤波器）；第二类为瞬时无功理论的应用，理论并不成熟；第三类为智能神经网络与谐波抑制的融合，当谐波量变化过大时，效果并不理想。在第一类谐波本质抑制技术中，安装滤波器的手段最为常见，也最为有效，其技术相对成熟，适合普遍应用。其中，无源滤波器（LC滤波器）具有结构简单、成本低廉、运行可靠性较高、运行费用较低等优点，至今仍是被广泛应用的谐波治理方法。

目前，优化微网系统中LC滤波器参数的方法有很多，归纳起来可以分为两类：一类是常规优化方法主要包括非线性规划法、二次规划方法、线性规划法及内点法等；另一类是人工智能优化算法，主要包括遗传算法、模拟退火算法、禁忌搜索、粒子群优化以及各种进化规划方法。第一类方法最主要的优点是计算迅速、收敛可靠，但需要某些假设条件，如连续、可导及单峰等。在解决某些问题时，需要将整数变量视为连续变量参与优化计算，得到最优解后再进行归整。对于大规模的实际系统，由归整产生的误差一般是不可接受的。第二类方法中遗传算法应用最为广泛，对优化问题无可导和连续性要求，只需一个适应性函数或性能指标，且具有全局收敛性，其主要缺点是“早熟收敛”问题和收敛速度难于满足实时控制的需要。粒子群优化(Particle Swarm Optimization,PSO)算法作为一种新型的基于群体智能计算方法，在解决经典优化算法难以求解的诸如不连续、不可微的非线性病态优化问题和组合优化问题时显示出了强大的优势。与其他进化算法相比，它具有思想简单、容易实现、可调参数较少和应用效果明显等优点，因此在优化微网系统滤波器参数中应用中比较广泛。

目前，PSO在微网系统优化滤波器参数整定时，需要已知滤波器参数与目标函数谐波率之间的精确关系，所以要将微网系统转化为状态方程式或者是传递函数，然后运行PSO程序得到滤波参数最优值。但是，在微网系统内部结构复杂的情况下，微网系统的状态方程式或者传递函数难以直接得到，这就需要花费较多的时间用于计算微网系统的状态方程式或传递函数，从而增大计算量，甚至影响优化效率。

发明内容

针对现有PSO优化微网系统滤波参数时需将微网系统转化为状态方程式或者传递函数，从而导致的计算复杂、效率受影响等问题，本发明提供一种计算量小，效率较高的基于PSO算法优化微网系统滤波参数的方法。基于PSO优化算法的微网谐波抑制方法流程图如图1所示。

基于PSO优化算法的微网谐波抑制方法，包括以下步骤：

1）、初始化参数；

2）、初始化粒子（每个粒子代表问题的一个潜在解即滤波器中L、C的参数）的位置、速度，调用微网仿真系统程序fitness，以及初始化适应度值Present；

3）、对粒子位置和速度进行更新；

4）、调用微网仿真系统程序fitness，更新粒子适应度值Present；

5）、适应度评价，更新个体历史极值pbest；

6）、更新全局极值gbest。

进一步，步骤（1）包括：

1-1）、确定PSO程序中的最大迭代次数、粒子数、维度数、学习因子及惯性权重的取值；

1-2）、确定需要优化的参数的大致范围。

进一步，步骤（2）初始化粒子的位置、速度，调用微网仿真系统程序fitness，以及初始化适应值的具体步骤如下：

2-1）、初始化粒子当前位置；

2-2）、初始化粒子当前速度；

2-3）、调用微网仿真系统程序fitness；

2-4）、根据初始化位置计算适应度值Present；

2-5）、记每个粒子的历史最优值为pbest；

2-6）、记全局最优值为gbest。

进一步，步骤（2-3）中微网仿真系统程序fitness的编写的具体步骤如下：

A1）、通过open_system函数可以打开微网仿真系统；