[发明专利]并网逆变器锁相环参数辨识方法

权利要求书

1.一种并网逆变器锁相环参数辨识方法，所述锁相环参数包括锁相环比例系数和锁相环积分系数；并网逆变器锁相环参数辨识方法所涉及的拓扑结构包括并网逆变器(10)、电网(40)和锁相环参数辨识装置；所述锁相环参数辨识装置包括阻抗测量及计算单元(20)和参数估计及数据处理单元(30)；所述阻抗测量及计算单元(20)包括采样单元(201)和计算单元(202)，所述采样单元(201)接入电网(40)与并网逆变器(10)相连接的公共耦合点PCC处，实现对公共耦合点PCC处电压和电流的采样，所述计算单元(202)与采样单元(201)的输出端相连接，计算单元(202)与参数估计及数据处理单元(30)在算法内部实现数据交互；

其特征在于，所述参数辨识方法建立含有未知并网逆变器锁相环参数的待估计阻抗，且使用粒子群优化算法结合测量阻抗进行参数估计，获得多组并网逆变器锁相环估计参数，对多组并网逆变器锁相环估计参数进行处理获得参数辨识结果，具体的，包括以下步骤：

步骤1，参数设定，包括以下参数：

锁相环比例系数辨识下限K_pPLLmin，锁相环比例系数辨识上限K_pPLLmax，锁相环积分系数辨识下限K_iPLLmin，锁相环积分系数辨识上限K_iPLLmin；

设在整个辨识过程中共进行了N次采样，将N次采样中的任意一次采样记为第y次采样，与第y次采样对应的频率记为阻抗测量频率f_y，y＝1，2，...，N，N为正整数；

步骤2，记并网逆变器(10)的正序阻抗为Z_ip(K_pPLL，K_iPLL，f_d)，其中，K_pPLL为待辨识锁相环比例系数，K_iPLL为待辨识锁相环积分系数，f_d为电抗频率，所述电抗频率为正序阻抗Z_ip(K_pPLL，K_iPLL，f_d)中电抗部分的频率，即正序阻抗Z_ip(K_pPLL，K_iPLL，f_d)仅包含待辨识锁相环比例系数K_pPLL和待辨识锁相环积分系数K_iPLL2个未知参数；

步骤3，将锁相环参数辨识装置接入公共耦合点PCC；通过采样单元(201)采样N个阻抗测量频率f_y时公共耦合点的三相线电压、并记为三相线电压U_y，采样N个阻抗测量频率f_y时公共耦合点的三相电流、并记为三相电流I_y，y＝1，2，...，N；

步骤4，将步骤3采样得到的N个三相线电压U_y和N个三相电流I_y送入计算单元(202)，得到N个测量正序阻抗，并记为测量正序阻抗Z_rpy，y＝1，2，...，N；

步骤5，将N个阻抗测量频率f_y和N个测量正序阻抗Z_rpy送入参数识别及数据处理单元(30)，使用N个测量正序阻抗Z_rpy进行参数识别；

步骤5.1，定义待估计正序阻抗Z_ipdy(K_pPLLdy，K_iPLLdy，f_ddy)，其中，K_pPLLdy为待估计锁相环比例系数，K_iPLLdy为待估计锁相环积分系数，f_ddy为待估计正序阻抗Z_ipdy中电抗部分中的频率，y＝1，2，...，N；令f_ddy＝f_y，则待估计正序阻抗Z_ipdy表达为：Z_ipdy(K_pPLLdy，K_iPLLdy，f_y)；

步骤5.2，使用粒子群优化算法使待估计正序阻抗Z_ipdy的实部和虚部与测量正序阻抗Z_rpy的实部和虚部一一逼近，直至满足估计条件，得到满足要求的待估计锁相环比例系数K_pPLLdy和待估计锁相环积分系数K_iPLLdy，具体的，建立粒子群优化算法函数f_o(K_pPLLdy，K_iPLLdy)，通过计算得到粒子群群体最佳位置gbest，gbest＝(gbest₁ gbest₂)，其中gbest₁为粒子群群体最佳位置第一列，gbest₂为粒子群群体最佳位置第二列；

则锁相环比例系数估计值K_pPLLFy和锁相环积分系数估计值K_iPLLFy分别为：

K_pPLLFy＝gbest₁

K_iPLLFy＝gbest₂

步骤5.3，按照步骤5.1-步骤5.2方法得到N个阻抗测量频率f_y对应的N个锁相环比例系数估计值K_pPLLFy和N个锁相环积分系数估计值K_iPLLFy，y＝1，2，...，N；

步骤6，参数估计及数据处理单元(30)根据预存的算法，对步骤5得到的N个锁相环比例系数估计值K_pPLLFy和锁相环积分系数估计值K_iPLLFy进行处理，具体的，

设锁相环比例系数辨识范围为[K_pPLLmin，K_pPLLmax]，将[K_pPLLmin，K_pPLLmax]等分为m个锁相环比例系数辨识区间，并将m个锁相环比例系数辨识区间中的任意一个记为区间q，区间q的范围为[(q-1)δ_p，qδ_p]，q＝1，2，...，m，q为锁相环比例系数辨识区间的序号，δ_p为锁相环比例系数辨识范围划分步长，δ_p＝(K_pPLLmax-K_pPLLmin)/m，m为锁相环比例系数辨识区间划分个数，将(q-1)δ_p记为区间q的下限边界值；

考察N个锁相环比例系数估计值K_pPLLFy在[K_pPLLmin，K_pPLLmax]内的分布状况，并找到锁相环比例系数估计值K_pPLLFy分布量最多的锁相环比例系数辨识区间，该区间的下限边界值即为锁相环比例系数辨识结果K_pPLLF；

设锁相环积分系数辨识范围为[K_iPLLmin，K_iPLLmax]，将[K_iPLLmin，K_iPLLmax]等分为σ个锁相环积分系数辨识区间，并将σ个锁相环积分系数辨识中的任意一个记为区间λ，区间λ的范围为[(λ-1)δ_i，λδ_i]，λ＝1，2，...，σ，λ为锁相环积分系数辨识区间的序号，δ_i为锁相环积分系数辨识范围划分步长，δ_i＝(K_iPLLmax-K_iPLLmin)/σ，σ为锁相环积分系数辨识区间划分个数，将(λ-1)δ_i记为区间λ的下限边界值；

考察N个锁相环积分系数估计值K_iPLLFy在[K_iPLLmin，K_iPLLmax]内的分布状况，并找到锁相环积分系数估计值K_iPLLFy分布量最多的锁相环积分系数辨识区间，该区间的下限边界值即为锁相环积分系数辨识结果K_iPLLF。

2.根据权利要求1所述的一种并网逆变器锁相环参数辨识方法其特征在于，步骤5.2所述的粒子群群体最佳位置gbest的求解过程如下：

建立粒子群优化算法函数f_o(K_pPLLdy，K_iPLLdy)，其表达式如下：

f_o(K_pPLLdy，K_iPLLdy)＝

||Re(Z_rpy)-Re[Z_ipdy(K_pPLLdy，K_iPLLdyf_y)]|+|Im(Z_rpy)-Im[Z_ipdy(K_pPLLdy，K_iPLLdyf_y)]||

其中，Re()表示对()中的参数取实部；Im()表示对()中的参数取虚部；

使用粒子群优化算法寻找满足要求的待估计锁相环比例系数K_pPLLdy和待估计锁相环积分系数K_iPLLdy使粒子群优化算法函数f_o(K_pPLLdy，K_iPLLdy)的值最小，具体步骤如下：

步骤5.2.1，设置粒子群规模为n，粒子群优化函数变量个数d为2，粒子群优化算法学习因子1为c₁，粒子群优化算法学习因子2为c₂，粒子群优化算法速度权重W₁，粒子群优化算法位置权重W₂，粒子群优化迭代次数K，粒子速度最小值v_min，粒子速度最大值v_max；

步骤5.2.2，随机生成n行2列的二维矩阵记为粒子群优化算法粒子种群x_n×2，且第一列元素的随机数范围在锁相环比例系数辨识下限K_pPLLmin到锁相环比例系数辨识上限K_pPLLmax之间，粒子群优化算法粒子种群x_n×2第二列元素的随机数范围在锁相环积分系数辨识下限K_iPLLmin到锁相环积分系数辨识上限K_iPLLmax之间，其中，记n行中任意一行为第a行，a＝1，2，...，n，a为正整数，2列中任意一列为第b列，b＝1，2，b为正整数，粒子群优化算法粒子种群x_n×2中的任意一个粒子记为X_ab，a＝1，2，...，n，b＝1，2，粒子群优化算法粒子种群x_n×2中的任意一行粒子记为X_a，a＝1，2，...，n，任意一行粒子X_a包含任意一行第一列的粒子X_a1，a＝1，2，...，n和任意一行第二列的粒子X_a2，a＝1，2，...，n；

粒子群优化算法粒子种群x_n×2和粒子群优化算法粒子种群x_n×2中的任意一行粒子X_a如下：

X_a＝(X_a1 X_a2)；

随机生成n行2列的二维矩阵记为粒子群优化算法粒子速度v_n×2，且每个元素的随机数范围在粒子速度最小值v_min和粒子速度最大值v_max之间，其中，粒子群优化算法粒子速度v_n×2中的任意一个粒子速度记为V_ab，a＝1，2，...，n，b＝1，2，粒子群优化算法粒子速度v_n×2中的任意一行粒子速度记为V_a，a＝1，2，...，n，任意一行粒子速度V_a包含任意一行第一列的粒子速度V_a1，a＝1，2，...，n和任意一行第二列的粒子V_a2，a＝1，2，...，n；

粒子群优化算法粒子速度v_n×2和粒子群优化算法粒子速度v_n×2中的任意一行粒子速度V_a如下：

V_a＝(V_a1 V_a2)；

步骤5.2.3，计算粒子群优化算法粒子种群x_n×2中的任意一行粒子X_a的种群适应度，记为粒子群适应度Fit_a，a＝1，2，...，n，粒子群适应度Fit_a的值如下：

Fit_a＝f_o(X_a1，X_a2)；

记粒子群任意一行最佳位置为pbest_a，a＝1，2，...，n，pbest_a＝(pbest_a1 pbest_a2)，其中，粒子群任意一行最佳位置第一列为pbest_a1，a＝1，2，...，n，粒子群任意一行最佳位置第二列为pbest_a2，a＝1，2，...，n，粒子群任意一行最佳位置为pbest_a如下：

pbest_a1＝X_a1

pbest_a2＝X_a2

pbest_a＝X_a；

寻找Fit_a中的最小值记为粒子群最小适应度Fit_amin，粒子群最小适应度Fit_amin所对应的那一行粒子，记为粒子群最小适应度行粒子X_amin，X_amin＝(X_a1min X_a2min)，其中，X_a1min为粒子群最小适应度行第一列粒子，X_a2min为粒子群最小适应度行第二列粒子；

记粒子群群体最佳位置为gbest，gbest＝(gbest₁ gbest₂)，其中gbest₁为粒子群群体最佳位置第一列，gbest₂为粒子群群体最佳位置第二列，粒子群群体最佳位置为gbest如下：

gbest₁＝X_a1min

gbest₂＝X_a2min

gbest＝X_amin；

步骤5.2.4，更新粒子群优化算法粒子种群x_n×2和粒子群优化算法粒子速度v_n×2，并进行K次更新，记K次更新中任意一次更新为第k次更新，k＝1，2，...，K，k为正整数；

记第k次更新时的粒子群优化算法粒子种群为x_n×2^k，第k次更新时的粒子群优化算法粒子种群x_n×2^k中的任意一个粒子记为X_ab^k，a＝1，2，...，n，b＝1，2，第k次更新时的粒子群优化算法粒子种群x_n×2^k中的任意一行粒子记为X_a^k，a＝1，2，...，n，任意一行粒子X_a^k包含任意一行第一列的粒子X_a1^k，a＝1，2，...，n和任意一行第二列的粒子X_a2^k，a＝1，2，...，n，第k次更新时的粒子群优化算法粒子速度为v_n×2^k，第k次更新时的粒子群优化算法粒子速度v_n×2^k中的任意一个粒子速度记为V_ab^k，a＝1，2，...，n，b＝1，2，第k次更新时的粒子群优化算法粒子速度v_n×2^k中的任意一行粒子速度记为V_a^k，a＝1，2，...，n，任意一行粒子速度V_a^k包含任意一行第一列的粒子速度V_a1^k，a＝1，2，...，n和任意一行第二列的粒子V_a2^k，a＝1，2，...，n，k＝1，2，...，K；

第k次更新时的粒子群优化算法粒子种群x_n×2^k和第k次更新时的粒子群优化算法粒子种群x_n×2^k中的任意一行粒子X_a^k如下：

X_a^k＝(X_a1^k X_a2^k)；

第k次更新时的粒子群优化算法粒子速度v_n×2^k和第k次更新时的粒子群优化算法粒子速度v_n×2^k中的任意一行粒子V_a^k如下：

V_a^k＝(V_a1^k V_a2^k)；

第k次更新的步骤如下：

(1)记第k次更新时的粒子群优化算法粒子速度为v_n×2^k，更新公式如下：

V_a^k＝W₁×V_a^(k-1)+c₁×rand×[pbest-X_a^(k-1)]+c₂×rand×[gbest-X_a^(k-1)]

其中，rand为0到1之间的随机数，k＝1，2，...，K；

当第一次更新即k＝1时，V_a^(k-1)＝V_a⁰＝V_a，X_a^(k-1)＝X_a⁰＝X_a；

若V_a1^k和V_a2^k中有一个大于v_max则其值替换成v_max，若V_a1^k和V_a2^k中有一个小于v_min则其值替换成v_min；

(2)第k次更新时的粒子群优化算法粒子种群x_n×2^k，更新公式如下：

X_a^k＝X_a^(k-1)+W₂×X_a^(k-1)

其中，k＝1，2，...，K；

当第一次更新即k＝1时，X_a^(k-1)＝X_a⁰＝X_a；

若X_a1^k和X_a2^k中有一个大于K_pPLLmax则其值替换成K_pPLLmax，X_a1^k和X_a2^k中有一个小于K_pPLLmin则其值替换成K_pPLLmin；

(3)重新计算适应度，第k次更新时的粒子群优化算法粒子种群x_n×2^k任意一行粒子X_a^k，的种群适应度，记为粒子群适应度Fit_a^k，a＝1，2，...，n，粒子群适应度Fit_a^k，的值如下：

Fit_a^k＝f_o(X_a1^k，X_a2^k)

其中，k＝1，2，...，K；

若Fit_a^k＜f_o(pbest_a1，pbest_a2)，则pbest_a1＝X_a1^k，pbest_a2＝X_a2^k，pbest_a＝X_a^k；反之，粒子群任意一行最佳位置pbest_a保持不变；

寻找Fit_a^k中的最小值记为第k次更新时粒子群最小适应度Fit_amin^k，粒子群最小适应度Fit_amin^k所对应的那一行粒子，记为第k次更新时粒子群最小适应度行粒子X_amin^k，X_amin^k＝(X_a1min^k X_a2min^k)，其中，X_a1min^k为第k次更新时粒子群最小适应度行第一列粒子，X_a2min^k为第k次更新时粒子群最小适应度行第二列粒子；

若Fit_amin^k＜f_o(gbest₁，gbest₂)，则gbest₁＝X_a1min^k，gbest₂＝X_a2min^k，gbest＝X_amin^k；反之，粒子群群体最佳位置gbest保持不变；

步骤5.2.5，输出粒子群群体最佳位置gbest。