[发明专利]一种低压交流微电网孤岛模式下的功率分配方法

权利要求书

1.一种低压交流微电网孤岛模式下的功率分配方法，其特征是，按照容量均衡分配各分布式电源输出功率，同时维持母线电压和频率的稳定，它包括的内容有：

1)微电网模型与通信机制的建立：

建立的微电网模型与相应的通信机制包括：微电网基本控制模块、微电网改进下垂控制模块以及微电网系统通信模块，所述微电网基本控制模块包括直流电压源、三相电压源型逆变器、LC滤波器、线路电阻、电感、PCC母线和下垂控制模块，其中共有i个DG单元通过LC滤波器集成到微电网中，对于每个DG单元，后台电源由新能源发电或能量存储系统提供，设置一个具有固定直流电压的电压源通过逆变器连接至交流微网，公共连接点(Point ofcommon coupling，PCC)上连接有交流负载，并可通过断开断静态转换开关(STS)，切换孤岛和并网模式，为了能体现系统功率分配效果并尽可能简化系统，采用双DG并联运行的微电网结构，定义每个DG输出的有功和无功功率分别为P_i、Q_i；

每个DG输出的有功功率为：

每个DG输出的无功功率为：

其中：U_i为第i个DG输出电压的幅值；U_PCC为母线电压的幅值；δ_i为第i个DG输出电压和PCC电压相位之间的相位差，X_i为第i条支路的线路电感；

根据式(1)和(2)，有功功率P主要取决于电压相位差，无功功率Q主要取决于电压幅值，因此，DGi的下垂特性方程为：

f_i＝f^*-k_PP_i (3)

U_i＝U^*-k_QQ_i (4)

式中，f_i为第i个DG输出电压的频率，f^*为微网系统的参考频率，U_i为第i个DG输出电压的幅值，U^*为微网系统的参考电压，k_P为微网下垂控制中的频率下垂系数，k_Q为微网下垂控制中的电压下垂系数，P_i、Q_i分别为DGi输出的有功和无功功率；

微电网改进下垂控制模块用于生成下垂系数，中央控制器将信息输入到本地逆变器后，本地控制器中的偏差计算模块会生成每个变量的偏差值，并将其直接输入到IPSO模块中；然后，IPSO进入新的优化周期并分析控制变量的偏差信息，使用FIS调整算法参数后，计算相应的适应度函数，更新粒子以完成第一个循环，并根据判断条件确定下一次更新；最后，将获得的二维极值k_P和k_Q实时输入到下垂控制模块中，并更新原始下垂系数；

微电网系统通信模块用于不同DG之间传输全局和局部信息、以及IPSO模块和下垂控制模块可实现不同信息之间的实时交互，为了简化控制器的结构，减少计算量，提高控制效率，利用中央控制器接收局部信息，包括每个DG单元的瞬时功率，电压信息，并定期发送，将其输入到本地逆变器后，本地控制器中的偏差计算模块会生成每个变量的偏差值，并将其直接输入到IPSO模块中，在IPSO更新间隔期间，信号参考值保持恒定，当本地控制器接收到更新后的中央控制器发送的信号偏差时，为新一轮的优化过程的开始，中央控制器继续计算功率参考，并定期发送该值，当通信信号由于干扰而丢失时，如果负载需求不变，则功率分配将保持不变，一旦负载发生变化，它将导致微电网中的参考电压和功率发生偏差，由下垂控制进行电压补偿；

2)基于改进粒子群算法的功率分配方法的建立：

为提高PSO的搜索速度和准确性，通过模糊推理系统(Fuzzy inference system，FIS)动态调整学习因子c₁、c₂和惯性权重ω来改进基本PSO，通过计算算法的性能指标，粒子的多样性，粒子寻优误差以及迭代次数作为调整算法参数的基础，所述动态调整学习因子c₁、c₂和惯性权重ω在算法每次迭代中都会动态变化，进而提高算法的寻优精度和收敛速度，有利于实现下垂控制对功率的精准调节，

为了测量算法的迭代次数，将当前迭代次数与每个粒子的最大迭代次数之比作为迭代系数，定义为Iteration；该值在0到1之间，当算法最初运行时，Iteration接近0；迭代次数增加，Iteration增加并逐渐接近1，计算公式为：

其中，Current Iteration为粒子当前迭代次数，Maximum of Iteration为粒子迭代总数；

粒子的多样性定义为Diversity，该值体现了粒子的分散程度，当粒子彼此靠近时，Diversity较小，而当颗粒分离时，Diversity较大，因此Diversity是每个粒子与最佳粒子之间的欧几里得距离的平均值，计算公式为：

其中，Diversity为粒子的相似度，n_s为粒子总数，x_ij(t)为第j维第i个粒子的位置，为第j维粒子的平均值；

算法的误差系数定义为Error，它是通过每个粒子与最佳粒子的适应度差的平均值来测量的，当算法的收敛效果较好时，粒子逼近全局最优解，Error较大，反之，Error较小，计算公式为：

其中，F(x_i)为粒子x_i的适应度，n_s为粒子总数；

在设计模糊系统时，将式(5)、式(6)、式(7)得到的三个测量值视为模糊系统的输入，由于模糊系统的输入具有从0到1(0％到100％)的值的定义范围，因此需要对分集和误差进行归一化以满足定义的范围，式(8)和(9)分别显示了如何对Diversity和Error进行归一化，

式(8)显示了Diversity归一化过程，第一个条件是最大欧几里得距离等于最小欧几里得距离，这意味着粒子恰好在同一位置，粒子的多样性为0，第二个条件处理具有不同欧几里得距离的情况；

式(9)显示了Error的归一化过程，其中，F为算法的适应度函数，F_min和F_max分别为算法的最大和最小适应度，第一个条件表明，当最小适应度等于最大适应度时，由于粒子彼此靠近，因此Error将为1，第二个条件是应对适用性不同的情况；

该系统具有3输入、3输出和27条规则，输入为迭代系数Iteration，粒子相似度Diversity_n和误差系数Error_n，输出为粒子群算法的学习因子c₁、c₂和惯性权重ω，采用Mamdani型系统，三角隶属度函数，根据输入输出量的论域设置，通过设计模糊系统隶属度函数和表模糊逻辑规则构建模糊规则系统，

利用模糊推理系统对粒子群算法优化之后，需要将改进的粒子群算法应用至下垂控制中，考虑到有功功率和无功功率的比例分配，母线电压波动和频率振荡，IPSO的适应度函数，由于DG的输出功率与下垂系数成反比，因此该算法可用于适当地调整下垂系数，以便根据DG容量合理分配功率，

IPSO算法的适应度函数为：

F_i＝ΔP_i+ΔQ_i+ΔU_i+Δf_i (10)

其中，ΔP_i和ΔQ_i分别为第i个DG的输出有功和无功功率的偏差、ΔU_i为第i个DG输出电压的偏差，Δf_i为第i个DG的频率偏差，DGi计算公式的功率偏差为：

其中，P_i和Q_i分别是DGi的有功功率和无功功率，P_i^*和Q_i^*分别是DGi的参考有功功率和无功功率，计算公式为：

其中c_i和c_total分别是DGi的容量和系统的总容量；

电压偏差的计算公式为：

其中U_i是DGi的输出电压，U^*是系统的额定电压；

频率偏差计算公式为：

其中，f_i是DGi的输出电压频率，f^*是50Hz的额定频率；

该算法的粒子大小设置为二维，分别表示每个下垂控制器中的有功和无功下垂系数，粒子群算法寻优完成后，将寻优结果输入下垂控制器，以起到优化下垂控制的效果；

3)功率分配方法运行流程：

①输入微电网的线路参数以及各变量状态信息；

②PSO初始化，进入一个新的更新周期；

③选择初始粒子，更新粒子的初始位置和速度；

④根据式(14)～(18)，计算粒子群算法中的参数Iteration，Diversity_n和Error_n，并作为模糊推理系统的输入；

⑤利用模糊推理系统更新算法中的惯性权重ω、学习因子c₁和c₂；

⑥算法获得系统的偏差信号，即通过通信系统传输并经过偏差计算模块计算得到的ΔP、ΔQ、ΔU、Δf，并作为粒子群算法的适应度函数；

⑦更新粒子的全局最优和局部最优；

⑧判断所有粒子是否全部更新完成：若是，输出寻优结果至下垂控制，实现对下垂控制的优化；若否，返回第④步，进行下一轮寻优。