一种基于野狗优化算法的参数优化方法和装置

1.本发明属于风机发电技术领域，更具体地，涉及一种基于野狗优化算法的参数优化方法和装置。


背景技术：

2.随着社会的发展和进步，电力需求日益剧增，面对全球化石能源枯竭以及严重的环境污染问题，可再生能源被认为是有效的替代能源。其中，风能技术因其相对成熟性高，存量大以及无污染等优势而被广泛研究和运用。
3.当前，全世界的风电装机容量急速增多，风电场的数量和规模也在逐年增加。高渗透率风电接入电网规模不断扩大，对电力系统的安全和稳定运行构成了一定的威胁。特别是风机是通过直流输电连接到电网，风机的转子速度与系统频率可能会解耦，难以为电网提供有效的惯量支持，故研究大规模风电并网的频率特性和频率调节控制具有重要的意义。目前风机在控制器研究中发现梯次启动自适应惯性下垂控制效果优越，能够提供适当的频率支撑并缓解三次频率跌落，进而显著增强系统惯性。
4.然而这种策略的控制器关键参数是通过试错法确定的，很难保证较高的控制精度和可靠的稳定性，而且还要耗费大量时间。因此，寻求一种可以高效且准确优化风机梯次启动自适应惯性下垂控制参数的策略已然成为亟需解决的问题。


技术实现要素：

5.针对现有技术的以上缺陷或改进需求，本发明提供了一种基于野狗优化算法的参数优化方法和装置，其目的在于，利用野狗优化算法对风机梯次启动自适应惯性下垂控制参数进行优化，该算法稳定性高、机制简单、局部搜索和全局探索能力强，能够以较高的效率实现风机控制器参数的最优辨识，有效提高梯次启动自适应惯性下垂控制器参数准确性，以缓解风机接入电网后无法及时响应负荷增加而造稳定性差的技术问题。
6.为实现上述目的，按照本发明的一个方面，提供了一种基于野狗优化算法的参数优化方法，其特征在于，应用于风机中的梯次启动自适应惯性下垂控制器，包括：
7.s1：设计测试系统，包括第一风电wf1、第二风电场wf2、交流ac系统以及三区四端多端高压直流系统；
8.s2：设置wf1和wf2均包括五个风机wt，以为ac系统供电；
9.s3：确定wf1和wf2中各wt正常运行时的转子角度；
10.s4：当wf1中的各wt发生频率事件时，设计梯次启动自适应惯性下垂控制方案实现频率支撑；控制wf2中各wt均在最大功率点状态下运行；
11.所述梯次启动自适应惯性下垂控制方案，包括：
12.s41：将wf1中五个wt根据其的转子角速度按预设比例划分成两个集群；
13.s42：基于野狗优化算法对集群1和集群2的惯性控制系数和下垂控制系数进行优化，根据适应度函数反复迭代运行直到算法收敛得到最优控制器参数。
14.在其中一个实施例中，所述s42中适应度函数的获取过程包括：
15.将控制器参数传入所述测试系统对应的仿真模型，并获取s
iofd
、s
iofvr
、f
ffd
、f
sfd
、f
tfd
，控制器是在充分考虑一次频率跌落ffd、二次频率跌落tfd和三次频率跌落tfd、频率偏差siofd和频率变化率的积分siofvr后，根据相对重要性为每个指标分配一个系数，并将它们相加得到fit(s
iofd
、s
iofvr
、f
ffd
、f
sfd
、f
tfd
)；根据fit(s
iofd
、s
iofvr
、f
ffd
、f
sfd
、f
tfd
)计算适应度函数，
16.f
fit
(s
iofd
，s
iofvr
，f
ffd
，f
sfd
，f
tfd
)＝min{a
iofd
a
iofvr
(200f
ffd
100f
sfd
100f
tfd
)
·
50}；
17.其中，s
iofd
表示频率偏差，s
iofd
＝∫|50-f
ac
|dt；s
iofvr
表示频率变化率的积分，f
ffd
,f
sfd
和f
tfd
分别表示ffd、sfd和tfd的最低点；s
iofd
和频率变化率的积分用于表征测试系统频率波动全局信息。
18.在其中一个实施例中，同一集群内不同wt的控制器参数设计为相同。
19.在其中一个实施例中，所述最优控制器参数包括：
[0020][0021]
其中，表示集群m中第i个风机的初始下垂系数；表示集群m中第i个风机的初始惯性系数；表示集群m中第i个风机的下垂系数示集群m中第i个风机的惯性系数，上标m表示集群1和集群2；k
in,i,0
为惯性控制系数初始值，k
dr,i,0
为下垂控制系数初始值，ωi为wt的转子角速度，ω
min
和ω
max
分别为wt的最小和最大转子角速度。wt的输出功率参考值表示为：f
ac
为ac系统频率，f
ref
为系统频率参考值，p
mpp,i
为wt的mppt参考值。
[0022]
在其中一个实施例中，所述野狗优化算法包括：
[0023]
群体进攻阶段：野狗的位置表示为：为第t 1次迭代时野狗的位置；na代表[2,sizepop/2]的逆序中随机生成的整数，其中sizepop为野狗的种群规模；为将攻击野狗的子集，x为随机生成的野狗种群；为上一次迭代中发现的最佳野狗位置；β1为比例因子，是-2和2区间中均匀生成的随机数；
[0024]
迫害攻击阶段：野狗的位置表示为：
[0025]
β1为[1,-1]区间内均匀生成的随机数；r1为1至最大野狗数量之间生成的随机整数；表示随机选择第r1只
野狗的位置，i≠r1；
[0026]
清扫阶段：野狗的位置表示为：
[0027]
σ表示算法随机生成的二进制数，σ∈{0,1}；
[0028]
野狗的生存率表示为：fitness
max
为当前最优野狗适应度值；fitness
min
为当前最差野狗适应度值；fitness(i)为第i个野狗的当前适应度值；当生存率低于阈值时，清扫阶段野狗的位置表示为：
[0029]
将当前控制器参数对应的更新好的解传入测试系统对应的仿真模型，并获取s
iofd
、s
iofvr
、f
ffd
、f
sfd
、f
tfd
，再次计算适应度值，重复上述操作，直至算法收敛最优解，即可得到
[0030]
在其中一个实施例中，所述s3包括：
[0031]
设置wf1中wt1-wt5的转子角速度依次确定为0.90pu、0.95pu、0.85pu、1.00pu和1.05pu；
[0032]
设置wf1中wt6-wt10的转子角速度依次定为0.90pu、0.95pu、0.85pu、1.00pu和1.05pu。
[0033]
按照本发明的另一方面，提供了一种基于野狗优化算法的参数优化装置，用于执行上述参数优化方法，包括：
[0034]
设计模块，用于设计三区四端多端高压直流测试系统，包括第一风电场wf1、第二风电场wf2和交流ac系统；
[0035]
设置模块，用于设置wf1和wf2均包括五个风机wt，以为ac系统供电；
[0036]
确定模块，用于确定wf1和wf2中各wt正常运行时的转子角度；
[0037]
控制模块，用于当wf1中的各wt发生频率事件时，设计梯次启动自适应惯性下垂控制方案实现频率支撑；控制wf2中各wt均在最大功率点状态下运行；
[0038]
所述梯次启动自适应惯性下垂控制方案，包括：将wf1中五个wt根据其的转子角速度按预设比例划分成两个集群；基于野狗优化算法对集群1和集群2的惯性控制系数和下垂控制系数进行优化，根据适应度函数反复迭代运行直到算法收敛得到最优控制器参数。
[0039]
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
[0040]
1、本发明设计的梯次启动自适应惯性下垂控制器，分别基于两个wf(分别包括5台wts)以支撑电网系统频率；将wf1中的wt按转子角速度分为两个集群，即集群1和集群2。前者在负荷发生变化时立即参与频率调节，后者在前者的转子转速恢复时投入运行；进而利用野狗优化算法对风机梯次启动自适应惯性下垂控制参数进行优化，该算法稳定性高、机制简单、局部搜索和全局探索能力强，能够缓解风机接入电网后无法及时响应负荷增加而造稳定性差的技术问题。本发明能够有效优化风机梯次启动自适应惯性下垂控制器的参数，进而提高风电接入电网后电力系统运行的安全性和稳定性。
[0041]
2、本发明一种doa对控制参数进行辨识；该算法稳定性高、机制简单、局部搜索和全局探索能力强，能够以较高的效率实现风机控制器参数的最优辨识，有效提高梯次启动自适应惯性下垂控制器参数准确性，以缓解风机接入电网后无法及时响应负荷增加而造成的一次频率跌落(first frequency drop,ffd)、二次频率跌落(second frequency drop,tfd)和三次频率跌落(third frequency drop,tfd)问题。
[0042]
3、本发明采用doa成功地优化了所设计控制器在负荷增加下的8个参数，且精度高、速度快、稳定性强，可以满足短时间内参数优化的需求。
附图说明
[0043]
图1是本发明一实施例中第i个风机的梯次启动自适应惯性下垂控制方案的示意图；
[0044]
图2是本发明一实施例中野狗优化算法doa的实现流程图；
[0045]
图3是本发明一实施例中50mw负荷增加下基于doa的系统频率响应情况。
具体实施方式
[0046]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0047]
本发明为解决风机梯次启动自适应惯性下垂控制参数优化问题，提出了一种doa对八个控制参数进行辨识。该算法稳定性高、机制简单、局部搜索和全局探索能力强，能够以较高的效率实现风机控制器参数的最优辨识，有效提高梯次启动自适应惯性下垂控制器参数准确性，以缓解风机接入电网后无法及时响应负荷增加而造成的一次、二次甚至是三次频率跌落问题。
[0048]
具体步骤为：
[0049]
步骤(1)首先设计一个包含风电场(wind farms,wfs)和交流(alternative current,ac)电网的测试系统，包括第一风电wf1、第二风电场wf2、交流ac系统以及三区四端多端高压直流系统；
[0050]
步骤(2)每个wf包括五个等效风机(wind turbines,wts)，它们一起向ac系统传输电能；
[0051]
步骤(3)确定风电场中各风机的转子角速度(本发明中，wf1中wt1-wt5的转子角速度依次确定为0.90pu、0.95pu、0.85pu、1.00pu和1.05pu；此外，wt6-wt10的转子角速度也依次定为0.90pu、0.95pu、0.85pu、1.00pu和1.05pu)；
[0052]
步骤(4)wf1的wts在频率事件(如负荷增加或减少)后，才通过梯次启动自适应惯性下垂控制方案参与频率支撑，而wf2的所有wts均在最大功率点状态下运行；
[0053]
梯次启动自适应惯性下垂控制方案包括：
[0054]
(41)wf1中的wts根据其转子角速度按一定比例分类为不同的集群，在负荷增加时，若集群分类比为3:2，wt2、wt4和wt5属于集群1，而集群2为wt1和wt3；
[0055]
(42)最后，基于doa对集群1和集群2的惯性控制系数和下垂控制系数进行优化，反
复迭代运行直到算法收敛得到最优控制器参数。
[0056]
图1是第i个风机的梯次启动自适应惯性下垂控制方案示意图；步骤(4)中设计梯次启动自适应惯性下垂控制方案实现频率支撑，具体描述如下：
[0057]
一方面，控制器关注示负荷增加后系统频率f
ac
的动态响应特性，即一次频率跌落(first frequency drop,ffd)、二次频率跌落(second frequency drop,tfd)和三次频率跌落(third frequency drop,tfd)。其中，f
ffd
,f
sfd
和f
tfd
分别表示ffd、sfd和tfd的最低点。
[0058]
另一方面，控制器充分考虑了能体现系统频率波动全局信息的频率偏差(s
iofd
)和频率变化率的积分(s
iofvr
)，其中s
iofd
和s
iofvr
可以表示为:
[0059]siofd
＝∫|50-f
ac
|dt
ꢀꢀ
(1)
[0060][0061]
随后，根据相对重要性为每个指标分配一个系数，并将它们相加作为适应度函数，如下：
[0062]ffit
(f
iofd
，s
iofvr
，f
ffd
，f
sfd
，f
tfd
)＝min{a
iofd
a
iofvr
(200f
ffd
100f
sfd
100f
tfd
)
·
50}
ꢀꢀ
(3)
[0063]
在其中一个实施例中，为降低问题的复杂性，提高所设计算法的搜索效率，同一集群内不同wts的控制器参数设计为相同。优化参数可以进一步细化为其中上标1和2分别表示集群1和集群2。
[0064]
在其中一个实施例中，步骤(6)中利用doa对梯次启动自适应惯性下垂控制器的参数进行优化，其主要步骤如下：
[0065]
群体进攻阶段：野狗在捕猎小型猎物时常单独行动，而捕猎大型猎物时常聚集行动。野狗找到猎物并对其包围，可以表述为：
[0066][0067]
式中，为第(t 1)次迭代时野狗的位置；na代表[2,sizepop/2]的逆序中随机生成的整数，其中sizepop为野狗的种群规模；为将攻击野狗的子集，其中x为随机生成的野狗种群；为上一次迭代中发现的最佳野狗位置；β1为比例因子，是-2和2区间中均匀生成的随机数。
[0068]
迫害攻击阶段：通常情况下，野狗捕食小型猎物直到捕捉到为止，可以模拟为
[0069][0070]
式中，β1为[1,-1]区间内均匀生成的随机数；r1为1至最大野狗数量之间生成的随机整数；表示随机选择第r1只野狗的位置，i≠r1。
[0071]
在清扫阶段，野狗在其栖息地周围随意行走寻找腐肉，可以用下述式子进描述：
[0072][0073]
式中，σ表示算法随机生成的二进制数，σ∈{0,1}。
[0074]
野狗的生存率：由于非法捕猎，澳大利亚野狗面临灭绝的危机，故doa中野狗的存
活率可以模拟为
[0075][0076]
式中，fitness
max
为当前最优野狗适应度值；fitness
min
为当前最差野狗适应度值。
[0077]
当生存率较低时，例如当生存率等于或小于0.3时，式(8)适用于清扫阶段
[0078][0079]
不断迭代直至doa算法收敛至最优解，即可求得优化后的控制器参数具体的，将控制器参数传入测试系统对应的仿真模型，并获取siofd、siofvr、fffd、fsfd、ftfd，随后根据fit(siofd、siofvr、fffd、fsfd、ftfd)计算适应度函数，接着根据野狗算法更新位置(解)，再将更新好的解(当前控制器参数)传入测试系统对应的仿真模型，并获取siofd、siofvr、fffd、fsfd、ftfd，再次计算适应度值，重复上述操作，直至算法收敛值最优解，即可得到八个控制器待优化参数。
[0080]
需要说明的是，判断收敛有两种方式：一为设置算法最大迭代次数，如图2记载，k是迭代次数，设置一个最大迭代次数kmax，当k大于等于kmax时认为收敛；当迭代此处达到最大时认为算法收敛，二是野狗解集合达到最优的解(找不到比该解更好的)时认为算法收敛。此外，位置即为解，更新位置则表示按照一定规律寻找解，算法收敛时达到最优解(最优位置)。
[0081]
设计一个仿真算例，即在负荷增加50mw情况下，基于doa对梯次启动自适应惯性下垂控制参数进行优化，并于无wfs参与调频(无fsc)综合对比。为了充分验证算法的性能，doa的最大迭代次数设置为100次，种群数为30个，独立运行5次。仿真在2.9ghz intelr coretmi7 cpu和16gb ram配置的个人计算机上运行，模型利用matlab/simulink2018a搭建。
[0082]
表1展示了doa优化梯次启动自适应惯性下垂控制参数的结果。图2给出了doa的实现流程。图3详细描述了doa在50mw负荷增加后的动态频率响应，可以看出，do优化后系统频率波动显著减小，有效地抑制系统频率的ffd、sfd和tfd。
[0083]
表1负荷增加50mw情况下获得的最优控制参数
[0084][0085]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。