[发明专利]一种含光伏的配电网电压跌落检测补偿方法

权利要求书

1.一种含光伏的配电网电压跌落检测补偿方法，利用UPQC实施，所述的UPQC包括用于采集电网电压和负载电压的信号采集模块、用于调理信号采集模块所采集电压信号的信号调理模块、用于接收信号调理模块发送的采样电压信号并进行处理和控制的微处理器、用于执行微处理器所发控制指令并对配电网实施电压跌落补偿的驱动电路模块，其特征在于，包括以下步骤：

第一步，电压信号采集：UPQC的信号采集模块采集配电网三相母线电压u_sa,u_sb,u_sc和负载三相电压u_a,u_b,u_c并发送给UPQC的信号调理模块；

第二步，采集信号调理：信号调理模块将信号采集模块发送的配电网三相母线电压u_sa,u_sb,u_sc和负载三相电压u_a,u_b,u_c调理后发送给微处理器；

第三步，计算电压跌落补偿指令：微处理器将三相负载电压u_a,u_b,u_c经park变换、低通滤波和park逆变换后输出的电压信号与配电网三相母线电压u_sa,u_sb,u_sc相减，得到电压跌落补偿指令u_ac,u_bc,u_cc；

第四步，整定PI控制单元的控制参数：

微处理器内置表达式如式(1)的PI控制单元：

$u\left(t\right)=k_p\[e\left(t\right)+\frac{1}{T_i}{\∫}_0^{t}e\left(t\right)dt\]---\left(1\right)$

式中，e(t)为PI控制单元的输入，e(t)即电压跌落补偿指令u_ac,u_bc,u_cc；u(t)为PI控制单元的输出；k_p为PI控制单元的比例增益；T_i为积分时间常数，k_i为PI控制单元的积分增益；令k_i＝k_p/T_i；

PI控制单元采用多智能体混沌粒子群优化算法整定k_p，k_i，具体算法步骤如下：

①构造多Agent系统格子环境：每个Agent配备8个周边邻居粒子共同构成能够交互通信的局部环境，在该多Agent系统格子环境下初始化设置粒子群数为100，最大允许迭代次数＝100，惯性权值ω＝0.63，学习因子c＝1.28；并初始化粒子在解空间中的位置和速度；

②计算每个粒子的适应值：粒子的适应值计算采用如式(2)所示的目标函数J：

$J={\∫}_0^{\mathrm{\∞}}\left(w_1\right|e\left(t\right)|+w_2{\[u\left(t\right)\]}^2+w_4|ey\left(t\right)\left|\right)+w_3{t}_u---\left(2\right)$

式中，w₁,w₂,w₃,w₄为权值，w₁,w₂,w₃取值范围为(1，10),w₄取值范围为(100，300)；e(t)为电压跌落补偿指令；u(t)为PI控制单元输出；t_u为上升时间,t_u取值为5ms；y(t)为三相负载电压u_a,u_b,u_c，ey(t)＝y(t)-y(t-1)为三相负载电压变化量；

③各Agentα分别与8个周边邻居进行竞争与合作，并采用式(3)的适应值函数更新各自适应值：

$f\left(\mathrm{\α}\right)=\underset{i=1}{\overset{n}{\Σ}}({\mathrm{\α}}_i-10cos(2{\mathrm{\π\α}}_i)+10)---\left(3\right)$

式中，函数变量α_i∈(-5.12,5.12)，n为维数，取值为10；

④更新各个Agent粒子在解空间中的位置和速度：

根据如下PSO迭代式进行迭代：

$v_{iD}^{n+1}={\mathrm{\ωv}}_{iD}^n+c_1{r}_1(p_{iD}-x_{iD}^n)+c_2{r}_2(p_{gD}-x_{iD}^n)---\left(5\right)$

$x_{iD}^{n+1}=x_{iD}^n+v_{iD}^{n+1},---\left(6\right)$

式中，ω为惯性权值，值为0.63，参数D表示D维，i＝1,2,…M,M为全体粒子的总数，r₁和r₂为[0,1]范围内的随机数，c₁和c₂分别为自学习因子和社会学习因子，c₁和c₂均取值1.28，为粒子i的第n次迭代速度，为粒子i第n次的迭代位置，p_iD为粒子i的历史最优记录，p_gD为当前群体最优值；

⑤计算各个粒子的适应值，选取群体中性能最好的20％的粒子，对其进行混沌局部搜索，并更新各个粒子的个体极值和群里的全部极值；

⑥若算法满足优化结束条件，搜索停止，输出最优解；否则，转向步骤⑦；

⑦根据下式收缩搜索区域：

$\begin{array}{c}{x}_{\min iD}=\max (x_{\min iD},x_{giD}-r\·(x_{\max iD}-x_{\min iD}))\\ x_{\max iD}=\min (x_{\max iD},x_{giD}+r\·(x_{\max iD}-x_{\min iD}))\end{array}---\left(7\right)$

式中，x_giD为当前个体i极值的第D维变量值，x_{min iD}为个体i极小值，x_{max iD}为个体i极大值，随机数r在区间(-1，1)内；

⑧在收缩后的空间内随机产生群体中剩余的80％粒子，转向步骤②，重新计算适应值，即目标函数值J；

微处理器通过多智能体混沌粒子群算法迭代，不断更新个体极值与全局极值，得到使得目标函数值J最小的一组PI控制参数(k_p，k_i)，微处理器确定该组PI控制参数(k_p，k_i)为最优化的参数；

第五步，生成并输出PWM控制信号：微处理器采用第四步确定的最优PI控制参数(k_p，k_i)实施PI控制，调制生成PWM信号并输出给驱动电路模块；

第六步，输出补偿电压：驱动电路模块接收微处理器发送的PWM控制信号，相应输出补偿电压，对配电网实施电压补偿。