一种粒子群算法优化光伏储能并网逆变器PID控制器方法

本发明涉及控制器参数的自适应优化，特别是一种粒子群算法优化光伏储能并网逆变器pid控制器方法。

背景技术：

1、随着能源供应的紧张局势和环境污染问题的日益加剧，人们对可再生能源分布式发电方式的关注度不断增加。并网逆变器作为分布式电源并网的关键设备，对分布式电源的整体并网效率和运行成本产生直接影响。因此，人们对于提升并网逆变器的性能进行了广泛的研究和关注。然而，分布式电源入网会引入大量非线性负载，极大地影响了并网逆变器的稳定运行，进而导致输出电流产生畸变。

2、传统网压比例前馈和锁相环的方法能有效抑制电网电压背景谐波，同时使并网电流电网电压同相位，实现功率因数并网，但是由于电网阻抗的存在，网压比例前馈与pll通道会与并网电流内环产生耦合，降低系统稳定裕度，严重影响并网逆变器的鲁棒性。而且系统在涉及多个控制参数时，采用传统的控制参数整定方法难以高效协同优化多个控制参数，在这种情况下，提出一种有效控制参数优化的方法显得尤为必要。

技术实现思路

1、本发明的目的在于克服上述不足，提供一种粒子群算法优化光伏储能并网逆变器pid控制器方法，解决传统方法在整定控制器参数场景下准确度不高、收敛速度较慢的缺点。

2、为解决上述技术问题，本发明所采用的技术方案是：一种粒子群算法优化光伏储能并网逆变器pid控制器方法，包括以下步骤：

3、步骤一：根据光伏发电系统的物理特征搭建模型，利用最大功率点跟踪算法，有效地控制电池的功率输出；

4、步骤二：选择蓄电池作为储能装置，双向dc/dc变换器连接蓄电池和电网直流母线完成能量的传输；

5、步骤三：将储能装置与光伏发电系统连接到同一直流侧，通过共同的逆变器控制策略，完成从直流到交流的转换，进而实现系统的并网；

6、步骤四：逆变器采用网压比例前馈和pll技术，同时在pid控制器上加入自适应环节，通过pso算法对控制器参数进行自适应优化。

7、进一步地，所述步骤一具体为：

8、步骤1.1：按照输出特性要求以一定的串并联方式将一定数量的单体光伏电池封装成光伏组件，再根据电压电流要求将一定数量的光伏阵列串并联；

9、步骤1.2：利用扰动观测法实现功率追踪，检测光伏电池的输出电压与输出电流，对输出电压或电流施加小扰动，观察输出功率的变化情况，不断修正并逐步向最大功率点靠近，最终实现最大功率追踪；

10、步骤1.3：采用最大功率追踪控制方案后，采用储能电感l、二极管d、开关管s、负载电阻r和滤波电容c这些元件组成boost升压电路，将光伏电池的输出电压上升至负载需求电压值；

11、步骤1.4：连接并网逆变器将光伏电池发出的直流电转换成交流给负载供电，最后与电网相连接，完成光伏发电系统模型的搭建。

12、进一步地，所述步骤二具体为：

13、步骤2.1：选择蓄电池作为储能装置，设置储能装置在直流侧，储能装置连接双向dc/dc变换器；

14、步骤2.2：选择非隔离buck/boost型双向直流变换器，根据实际功率流向需求切换工作模式完成电池的充放电；

15、步骤2.3：调整开关元件状态，实现储能电池向直流负载提供稳定的输出，经过逆变之后，可以实现储能电池向电网或交流负载供电，从而实现高效的能量转换。

16、进一步地，所述步骤三具体为：

17、步骤3.1：将光伏发电系统和储能系统连接到同一直流侧，连接并网逆变器，完成从直流到交流的转换；

18、步骤3.2：在逆变侧和网侧之间加入一个lcl型滤波器，降低在并网过程中存在的大量的高频谐波分量，给滤波电容并联上一个虚拟电阻，用来阻尼lcl滤波器的谐振尖峰；

19、步骤3.3：对电网电压进行采样，再选择恰当的前馈函数将其与电流调节器的输出信号相加得到调制波，减小电网电压背景谐波的扰动，提高并网电流质量。

20、进一步地，所述步骤四具体为：

21、步骤4.1：假设每个粒子都具有一个位置和速度，生成一组初始粒子，每个粒子都代表了搜索空间中的一个潜在解，这些粒子的位置和速度可以通过随机初始化，也可以利用已知的可行解以提高算法的收敛速度；

22、步骤4.2：通过不断迭代，粒子群优化算法试图将每个粒子引导向更优的解，从而逐步收敛到问题的最优解；在算法的每个迭代中，会计算每个粒子的适应度值，根据适应度值更新粒子的速度和位置；

23、步骤4.3：迭代过程中粒子自身所找到的最优位置称为个体最佳位置，全局最佳位置是种群全部粒子所找到的最优位置，将每个粒子的适应度值与个体最佳位置进行比较，选择其中较小的值作为当前的个体最佳位置；将每个粒子的适应度值与全局最佳位置进行比较，选取较小的值作为当前的全局最佳位置。

24、进一步地，粒子群优化算法求解过程如下：

25、在d维搜索空间中，n个粒子组成一个种群，每个种群粒子由位置和速度表示，速度和位置通过d维向量描述，对应d个待优化的控制参数；

26、随机生成一组初始粒子，每个粒子表示一个可能的解；每个粒子都有一个位置向量和一个速度向量，这些向量确定了粒子在搜索空间中的位置和移动方向；第k个粒子在搜索空间中的第t次搜索后的位置和速度记为:

27、

28、式中，t为迭代次数；k为粒子序号；n为粒子总数；d为待优化的控制参数个数；为当前粒子群的位置矢量；为当前粒子群的速度矢量；

29、参考误差绝对值的时间积分性能指标设计适应度函数，通过适应度函数计算每个粒子的适应度值，适应度值的结果越好，表示解越接近最优解；适应度函数f记为:

30、

31、式中，e(t)为系统误差，ts为调节时间，σ为超调量，ω1、ω2为权值常数，f的值越小表示系统控制性能越好；

32、根据适应度值更新速度和位置，为每个粒子设置一个个体最佳位置，即粒子根据适应度值计算出的最佳解，记为:

33、

34、在初始时，将全局最佳位置设为其中一个粒子的个体最佳位置，后续将根据适应度值的结果不断更新，找到种群全部粒子的最佳位置，记为:

35、

36、式中，为个体最佳位置，gbestt为全局最佳位置，将每个粒子的适应度值与个体最佳位置进行比较，取二者最小值作为当前的个体最佳位置；将每个粒子的适应度值与全局最佳位置进行比较，取二者最小值作为当前的全局最佳位置；

37、对于每个粒子，根据其个体最佳位置和全局最佳位置，以及当前的速度来更新速度和位置；粒子会根据一定的权重调整自身的速度和位置，以寻找更优解；根据上一次迭代得出的和按照每个粒子当前速度和当前位置来计算；

38、

39、式中，用上标t－1对应上一次迭代对应值；用d对应粒子位置和速度向量的第d维分量；ω为惯性权重系数，用于调整局部和全局的搜索能力；c1、c2为学习因子，用于引导粒子朝着其个体最优解和群体最优解的方向移动；r1、r2为在[0，1]间内满足均匀分布的随机数；

40、对于每个粒子，根据适应度值的结果，比较其个体最佳位置和全局最佳位置的优劣；如果当前位置更优，则更新个体最佳位置；如果整个群体中有更优的位置，则更新全局最佳位置；重复执行直到达到预定的迭代次数或两次迭代结果的差值小于给定的收敛误差为止，如果满足其中一个停止条件，则停止搜索并输出控制参数优化结果。

41、本发明有益效果：

42、1、本发明方法通过粒子群优化算法对控制器参数进行自适应优化，有效抑制电网电压背景谐波，保证并网电流电网电压同相位实现功率因数并网，减小电网阻抗宽范围变化对系统的影响，使系统始终保持良好的稳定裕度，另外粒子群优化算法具有广泛的适用性，全局搜索能力和并行处理能力强，收敛速度快，适用于复杂非线性问题。

43、2、本发明方法采用光伏储能并网系统作为主模型，并利用pso算法对pid控制器进行参数自适应优化，假设每个粒子都具有一个位置和速度，每个粒子代表一个潜在的解，对于每个粒子，根据其当前位置计算适应度值，适应度值衡量了该位置的解的优劣；本发明比较每个粒子的当前适应度值与其个体历史最优适应度值；如果当前适应度值更优，则更新个体历史最优适应度值和对应的位置；本发明比较每个粒子的个体历史最优适应度值与粒子群中的全局历史最优适应度值；如果有粒子找到了更优解，则更新全局历史最优适应度值和对应的位置；本发明对于每个粒子，根据其个体历史最优位置和全局历史最优位置，以及一些权重参数，更新粒子的速度和位置；通过迭代不断更新速度和位置，最终得到满足中止条件的优化结果，这种方法弥补了传统方法在整定控制器参数场景下准确度不高、收敛速度较慢的缺点。