基于模糊C均值和差分进化混合算法的光伏逆变控制器参数辨识方法与流程

本发明涉及电力系统分析技术领域，更具体地说本发明涉及一种光伏逆变控制器的参数辨识方法。

背景技术：

近年来，随着能源危机和环境污染问题日益严重，光伏发电以其清洁、可再生的特点而日益受到重视，正处于快速发展和大规模应用阶段。光伏逆变器是实现光伏系统并网的核心装置，对光伏系统的并网暂态特性起着决定性作用，准确地获取光伏逆变控制器参数对光伏并网的稳定性分析、故障保护等均具有重要意义。目前光伏逆变控制器参数大都由厂家给定或者采用经验值，模型参数给定值或经验值与实际值的偏差将直接影响模型的适用性及仿真结果的可信度，因此有必要通过参数辨识的方法获得精度较高的逆变控制器模型，并验证其适用性。

目前光伏逆变控制器的参数辨识方法可分为两类：第一类是已知光伏逆变器的拓扑结构及逆变控制器的控制策略，但是模型中的参数未知，通过参数辨识的方式获取模型参数，特点是辨识模型的精度较高，物理意义明确，但是需要已知模型拓扑结构及控制策略；第二类将光伏逆变器视为完全的黑箱问题，仅需采集逆变器输入-输出两侧的电压、电流数据，利用wiener或narx等模型进行非线性系统辨识建模，所得模型可以反映系统非线性特性，但是辨识模型的精度较低，并且失去了拓扑结构和控制策略等信息，变为纯数学模型，物理意义不明显。光伏逆变控制器参数辨识的目标是寻找一组待辨识参数，使得基于该参数的模型仿真受扰轨迹线与实测曲线尽可能一致，本质上是优化问题，可通过最小二乘法、极大似然法、卷积辨识法等传统系统辨识方法解决，也可通过遗传算法、粒子群算法、神经网络法等现代系统辨识方法解决。差分进化算法由于其算法简易、鲁棒性强以及强大的全局搜索能力已经广泛应用到复杂系统的参数辨识领域，但是该算法一个明显的缺点是在迭代后期算法的收敛速度较慢。

技术实现要素：

本发明是为避免上述现有技术所存在的不足之处，提供基于模糊c均值和差分进化混合算法的光伏逆变控制器参数辨识方法，以期能够快速准确地获得光伏逆变控制器模型参数，从而使光伏逆变器控制器的仿真动态响应曲线与实测动态响应曲线一致。

为了达到上述目的，本发明所采用的技术方案为：

本发明一种基于模糊c均值和差分进化混合算法的光伏逆变控制器参数辨识方法的特点是按如下步骤进行辨识：

步骤一、在光伏逆变器的并网点设置三相短路故障扰动后，对所述光伏逆变器的有功功率输出pg按照采样时间段进行等时间间距采样，并采样k个点，从而得到实测采样序列记为pg-real＝{pg-real,1,pg-real,2,...,pg-real,k,...,pg-real,k}；pg-real,k表示所述光伏逆变器的第k个实测采样点的有功功率输出pg；所述采样时间段包括：扰动前的一段稳态过程、整个扰动过程以及扰动结束后的一段稳态过程，1≤k≤k；

步骤二、根据所述实测采样序列pg-real，利用模糊c均值和差分进化混合算法对光伏逆变控制器的5个控制参数进行辨识，包括：电压外环比例系数kpu、电压外环积分系数kiu、电流内环比例系数kpi、电流内环积分系数kii、滤波电感ls；并由所述5个控制参数构成一个控制参数向量[kpu,kiu,kpi,kii,ls]，其中，以所述电压外环比例系数kpu、电压外环积分系数kiu、电流内环比例系数kpi的辨识结果为最终结果：

步骤1、生成初始种群p0，所述初始种群p0为一个m行n列的矩阵，每一行称为一个个体，m为种群规模，n为待辨识参数的个数，且n＝5；

利用式(1)生成初始种群p0的第x列p0^x，从而生成初始种群的n列；m∈[5n,10n]；1≤x≤n；

p0^x＝kx^l×ones(m,1)+(kx^u-kx^l)×rand(0,1)(m,1)(1)

式(1)中，kx^l为所述控制参数向量中第x个控制参数的取值下界；kx^u为所述控制参数向量中第x个控制参数的取值上界；ones(m,1)为m行1列的全1矩阵；rand(0,1)(m,1)为m行1列的随机矩阵，且矩阵中所有元素为(0,1)之间的随机数；

步骤2、设定算法参数，包括：种群最大进化代数为g，允许误差为tolerance，模糊c均值聚类算法的作用周期为t，变异因子为f，交叉概率为cr；

定义种群进化代数为g，并初始化所述种群进化代数g＝1；

步骤3、通过差分进化算法更新当前种群pg-1，得到更新后的种群为pg；

步骤4、判断g取余t的值是否为零，若为零，则执行步骤5，若不为零，则执行步骤6；

步骤5、通过模糊c均值聚类算法来更新种群pg；

步骤6、计算种群pg中所有m个个体对应的目标函数值，其中目标函数的最小值记为jg,min，判断jg,min＜tolerance是否成立，若成立表明种群中存在满足精度要求的个体，并执行步骤8，否则，执行步骤7；

步骤7、判断g＝g是否成立，若成立表明种群已进化到最高代，并执行步骤8执行，否则，将g+1赋值给g后，返回步骤3执行；

步骤8、种群pg中目标函数最小值jg,min对应的个体即为辨识得到的光伏逆变控制器的控制参数向量[kpu,kiu,kpi,kii,ls]；

步骤三、设置所述光伏逆变控制器中直流电压参考值udc-ref突变扰动，并按照步骤一的采样方式对光伏逆变器的有功功率输出pg进行采样作为实测数据；

步骤四、保持步骤二中电压外环比例系数kpu、电压外环积分系数kiu、电流内环比例系数kpi的辨识结果不变，再根据所述实测数据，利用所述模糊c均值和差分进化混合算法仅对电流内环积分系数kii和滤波电感ls进行辨识，从而得到所述控制参数向量[kpu,kiu,kpi,kii,ls]。

本发明所述的基于模糊c均值和差分进化混合算法的光伏逆变控制器参数辨识方法的特点也在于，所述步骤3中的基于差分进化算法是按如下过程进行种群pg-1更新：

步骤i、变异操作

利用式(2)对当前种群pg-1的第s个个体pg-1,s进行变异操作得到变异后的第s个个体hg-1,s，从而对当前种群pg-1中的m个个体进行变异操作，得到变异后的m个个体，从而构成第g-1代变异矩阵hg-1＝[hg-1,1,hg-1,2,...,hg-1,s,...,hg-1,m]^t，其中1≤p1≤m，1≤p2≤m，1≤p3≤m，1≤s≤m，且p1≠p2≠p3≠s；

hg-1,s＝pg-1,p1+(pg-1,p2-pg-1,p3)×f(2)

式(2)中，pg-1,p1、pg-1,p2、pg-1,p3为从当前种群pg-1中任意选择的三个个体；f为变异因子，f∈(0,2)；

步骤ii、对第g-1代变异矩阵hg-1的第x列元素中的越界元素进行修正，所述越界元素是指小于取值下界kx^l或大于取值上界kx^u的元素，对小于kx^l的元素修正为kx^l，对大于kx^u的元素修正为kx^u，从而完成对第g-1代变异矩阵hg-1的n列元素中的越界元素的修正；

步骤iii、交叉操作

利用式(3)得到第g-1代交叉矩阵的第s个个体的第个u参数vg-1,s,u，从而得到第g-1代交叉矩阵的第s个个体的n个参数，进而得到第g-1代交叉矩阵的m个个体的n个参数；1≤u≤n；

式(3)中，pg-1,s,u为当前种群pg-1的第s个个体的第u个参数；hg-1,s,u为第g-1代变异矩阵hg-1的第s个个体的第u个参数；cr为交叉概率，cr∈(0,1)；

步骤iv、通过式(4)得到第g-1代交叉矩阵vg-1的第s个个体对应的目标函数值jv(g-1),s，从而获得第g-1代交叉矩阵vg-1的m个个体对应的目标函数值；

式(4)中，pg-sim,k,v(g-1),s为光伏逆变控制器的控制参数向量[kpu,kiu,kpi,kii,ls]的值为第g-1代交叉矩阵vg-1的第s个个体时，光伏逆变器的第k个仿真采样点的有功功率输出pg；

步骤v、通过式(5)得到当前种群pg-1的第s个个体对应的目标函数值jp(g-1),s，从而获得当前种群pg-1的m个个体对应的目标函数值；

式(5)中，pg-sim,k,p(g-1),s为光伏逆变控制器的控制参数向量[kpu,kiu,kpi,kii,ls]的值为当前种群pg-1的第s个个体时，光伏逆变器的第k个仿真采样点的有功功率输出pg；

步骤vi、选择操作

利用式(6)得到第g代种群pg的第s个个体pg,s，从而得到第g代种群pg的m个个体：

式(6)中，vg-1,s为第g-1代交叉矩阵vg-1的第s个个体；pg-1,s为当前种群pg-1的第s个个体。

所述步骤5中基于模糊c均值聚类算法是按如下过程进行种群pg更新：

步骤i、随机产生聚类数目c，

步骤ii、从种群pg中随机选择c个个体作为初始聚类中心，记为v1^(g),...,vi^(g),...,vc^(g)；vi^(g)表示第i个初始聚类中心，1≤i≤c；

步骤iii、利用式(7)获得隶属度矩阵uc×m^(g)中第i行第j列元素μij^(g)，从而获得隶属度矩阵uc×m^(g)；1≤j≤m；

式(7)中，m为模糊系数，m∈[1,+∞)，通常m取2；||pg,j-vi^(g)||2为种群pg中第j个个体pg,j与第i个初始聚类中心vi^(g)间的欧式距离；vα^(g)表示第α个初始聚类中心，1≤α≤c；

步骤iv、利用式(8)计算第i个新的聚类中心从而获取c个新的聚类中心：

步骤v、将所述c个新的聚类中心定义为第g代选择集合ag；

步骤vi、从种群pg中随机选择c个不同个体，定义为第g代替换集合bg；

步骤vii、从集合ag∪bg中找出目标函数值最小的c个个体，定义为第g代更新集合cg；

步骤viii、通过式(9)更新种群pg：

pg＝(pg\bg)∪cg(9)

式(9)表示把第g代替换集合bg中所有个体从种群pg中剔除，并把第g代更新集合cg中的所有个体加入到种群pg中。

与已有技术相比，本发明的有益效果体现在：

1、本发明利用模糊c均值和差分进化混合算法辨识得到光伏逆变控制器的参数值，具有收敛速度快、辨识精度高的优点，基于辨识结果建立的模型能够准确地反应并网点的动态响应特性，对分析光伏发电系统并网影响有重要的意义。

2、本发明通过系统侧三相短路故障和光伏直流电压参考值突变这两种扰动来分步辨识光伏逆变控制器的5个参数，充分利用不同扰动激发出的系统主导动态和不同扰动下的重要参数，有效提高了参数的辨识精度。

3、本发明将一步模糊c均值聚类算法周期性地加入到差分进化算法中，提出了模糊c均值和差分进化混合算法，对传统差分进化算法进行了改进，增强了算法在全局搜索能力和局部挖掘能力之间的平衡。

4、本发明提出的方法所针对的电压外环、电流内环光伏逆变控制器在储能等直流源并网中也十分常见，方法具有较高的拓展性和通用性。

附图说明

图1为本发明所涉及的光伏逆变器及光伏逆变控制器结构图；

图2为本发明所涉及的光伏逆变控制器参数辨识方法的总体流程图；

图3为本发明所涉及的模糊c均值和差分进化混合算法的流程图。

具体实施方式

本实施例中，光伏逆变器及光伏逆变控制器结构如图1所示，光伏逆变器是由光伏逆变控制器进行控制，光伏逆变控制器采用常见的电压外环，电流内环控制策略，该控制策略共包括5个控制参数，分别为：电压外环比例系数kpu、电压外环积分系数kiu、电流内环比例系数kpi、电流内环积分系数kii、滤波电感ls；将图1光伏逆变控制器中的无功电流参考值设置为0，iqref＝0，即可实现光伏逆变器的单位功率因数并网。

如图2所示，基于模糊c均值和差分进化混合算法的光伏逆变控制器参数辨识方法是按如下步骤进行辨识：

步骤一、在光伏逆变器的并网点设置三相短路故障扰动后，对光伏逆变器的有功功率输出pg按照采样时间段进行等时间间距采样，并采样k个点，从而得到实测采样序列记为pg-real＝{pg-real,1,pg-real,2,...,pg-real,k,...,pg-real,k}；pg-real,k表示光伏逆变器的第k个实测采样点的有功功率输出pg；采样时间段包括：扰动前的一段稳态过程、整个扰动过程以及扰动结束后的一段稳态过程，1≤k≤k；

参数辨识依赖于扰动信号和观测量的选择，由于光伏系统发生扰动时有功功率的波动一般要远大于无功功率的波动，本发明将光伏逆变器的有功功率输出作为观测量。

步骤二、根据实测采样序列pg-real，如图3所示，利用模糊c均值和差分进化混合算法对光伏逆变控制器的5个控制参数进行辨识，包括：电压外环比例系数kpu、电压外环积分系数kiu、电流内环比例系数kpi、电流内环积分系数kii、滤波电感ls；并由5个控制参数构成一个控制参数向量[kpu,kiu,kpi,kii,ls]，其中，以电压外环比例系数kpu、电压外环积分系数kiu、电流内环比例系数kpi的辨识结果为最终结果：

光伏逆变控制器参数辨识的目的是寻找一组待辨识参数使得基于该参数的仿真模型动态响应曲线与实测动态响应曲线尽可能一致，由于选取光伏逆变器的有功功率输出pg为观测量，则目标函数可描述为：

因此，本质上这属于一个优化问题，可通过优化算法解决，本发明提出模糊c均值和差分进化混合算法来解决该问题。

步骤1、生成初始种群p0，初始种群p0为一个m行n列的矩阵，每一行称为一个个体，m为种群规模，m为差分进化算法的重要参数，m越大，种群的多样性就高，不容易陷入局部最优，但是计算时间也会增长；n为待辨识参数的个数，且n＝5；

利用式(1)生成初始种群p0的第x列p0^x，从而生成初始种群的n列；m∈[5n,10n]；1≤x≤n；

p0^x＝kx^l×ones(m,1)+(kx^u-kx^l)×rand(0,1)(m,1)(1)

式(1)中，kx^l为控制参数向量中第x个控制参数的取值下界；kx^u为控制参数向量中第x个控制参数的取值上界；ones(m,1)为m行1列的全1矩阵；rand(0,1)(m,1)为m行1列的随机矩阵，且矩阵中所有元素为(0,1)之间的随机数；

步骤2、设定算法参数，包括：种群最大进化代数为g，允许误差为tolerance，模糊c均值聚类算法的作用周期为t，变异因子为f，交叉概率为cr；

定义种群进化代数为g，并初始化种群进化代数g＝1；

步骤3、通过差分进化算法更新当前种群pg-1，得到更新后的种群为pg；具体的，基于差分进化算法是按如下过程进行种群pg-1更新：

步骤i、变异操作

利用式(2)对当前种群pg-1的第s个个体pg-1,s进行变异操作得到变异后的第s个个体hg-1,s，从而对当前种群pg-1中的m个个体进行变异操作，得到变异后的m个个体，从而构成第g-1代变异矩阵hg-1＝[hg-1,1,hg-1,2,...,hg-1,s,...,hg-1,m]^t，其中1≤p1≤m，1≤p2≤m，1≤p3≤m，1≤s≤m，且p1≠p2≠p3≠s；

hg-1,s＝pg-1,p1+(pg-1,p2-pg-1,p3)×f(2)

式(2)中，pg-1,p1、pg-1,p2、pg-1,p3为从当前种群pg-1中任意选择的三个个体；f为变异因子，f∈(0,2)；变异因子是控制种群多样性和收敛性的重要参数，变异因子值较小时，种群差异减小，进化过程不易跳出局部极值从而导致种群过早收敛；变异因子较大时，容易跳出局部极值，收敛速度会变慢；

步骤ii、对第g-1代变异矩阵hg-1的第x列元素中的越界元素进行修正，越界元素是指小于取值下界kx^l或大于取值上界kx^u的元素，对小于kx^l的元素修正为kx^l，对大于kx^u的元素修正为kx^u，从而完成对第g-1代变异矩阵hg-1的n列元素中的越界元素的修正；

步骤iii、交叉操作

利用式(3)得到第g-1代交叉矩阵的第s个个体的第个u参数vg-1,s,u，从而得到第g-1代交叉矩阵的第s个个体的n个参数，进而得到第g-1代交叉矩阵的m个个体的n个参数；1≤u≤n；

式(3)中，pg-1,s,u为当前种群pg-1的第s个个体的第u个参数；hg-1,s,u为第g-1代变异矩阵hg-1的第s个个体的第u个参数；cr为交叉概率，cr∈(0,1)；交叉因子可控制个体参数的各维对交叉的参与程度，交叉因子越大收敛速度越快，但随着交叉因子的增大，收敛对变异因子f的敏感度逐渐提高。

步骤iv、通过式(4)得到第g-1代交叉矩阵vg-1的第s个个体对应的目标函数值jv(g-1),s，从而获得第g-1代交叉矩阵vg-1的m个个体对应的目标函数值；

式(4)中，pg-sim,k,v(g-1),s为光伏逆变控制器的控制参数向量[kpu,kiu,kpi,kii,ls]的值为第g-1代交叉矩阵vg-1的第s个个体时，光伏逆变器的第k个仿真采样点的有功功率输出pg；

步骤v、通过式(5)得到当前种群pg-1的第s个个体对应的目标函数值jp(g-1),s，从而获得当前种群pg-1的m个个体对应的目标函数值；

式(5)中，pg-sim,k,p(g-1),s为光伏逆变控制器的控制参数向量[kpu,kiu,kpi,kii,ls]的值为当前种群pg-1的第s个个体时，光伏逆变器的第k个仿真采样点的有功功率输出pg；

步骤vi、选择操作

利用式(6)得到第g代种群pg的第s个个体pg,s，从而得到第g代种群pg的m个个体：

式(6)中，vg-1,s为第g-1代交叉矩阵vg-1的第s个个体；pg-1,s为当前种群pg-1的第s个个体；

选择操作采用的是一对一的竞争生存策略；

步骤4、判断g取余t的值是否为零，若为零，则执行步骤5，若不为零，则执行步骤6；

差分进化算法一个显著的缺点是后期收敛速度较慢，将一步模糊c均值聚类算法加入到差分进化算法中能起到局部搜索作用，因而能加快算法收敛速度，但是较小的t值会导致算法过度利用种群信息，导致局部收敛，通常t∈[5,15]是一个合理的选择。

步骤5、通过模糊c均值聚类算法来更新种群pg；具体的，基于模糊c均值聚类算法是按如下过程进行种群pg更新：

步骤i、随机产生聚类数目c，

步骤ii、从种群pg中随机选择c个个体作为初始聚类中心，记为v1^(g),...,vi^(g),...,vc^(g)；vi^(g)表示第i个初始聚类中心，1≤i≤c；

步骤iii、利用式(7)获得隶属度矩阵uc×m^(g)中第i行第j列元素μij^(g)，从而获得隶属度矩阵uc×m^(g)；1≤j≤m；

式(7)中，m为模糊系数，m∈[1,+∞)，通常m取2；||pg,j-vi^(g)||2为种群pg中第j个个体pg,j与第i个初始聚类中心vi^(g)间的欧式距离；vα^(g)表示第α个初始聚类中心，1≤α≤c；

步骤iv、利用式(8)计算第i个新的聚类中心从而获取c个新的聚类中心：

步骤v、将c个新的聚类中心定义为第g代选择集合ag；

步骤vi、从种群pg中随机选择c个不同个体，定义为第g代替换集合bg；与步骤ii不同，此时必须为c个不同个体；

步骤vii、从集合ag∪bg中找出目标函数值最小的c个个体，定义为第g代更新集合cg；

步骤viii、通过公式(9)更新种群pg：

pg＝(pg\bg)∪cg(9)

式(9)表示把第g代替换集合bg中所有个体从种群pg中剔除，并把第g代更新集合cg中的所有个体加入到种群pg中；从而保持种群大小不变；

一步模糊c均值聚类算法采用基于群体的算法产生器更新种群pg，该算法产生器将优化任务分为4个独立的部分：(1)选择任务：从种群中随机选择c个个体作为初始聚类中心。(2)产生任务:采用一步c均值聚类算法求取新的c个聚类中心，并存入集合a中。(3)替换任务：从种群中随机选择c个不同的个体组成集合b。(4)更新任务：从集合a∪b中选择c个最优个体作为集合c，更新种群pg为pg＝(pg\b)∪c；本质思想是通过保留精英解的策略来加快种群的收敛速度；

步骤6、计算种群pg中所有m个个体对应的目标函数值，其中目标函数的最小值记为jg,min，判断jg,min＜tolerance是否成立，若成立表明种群中存在满足精度要求的个体，并执行步骤8，否则，执行步骤7；

步骤7、判断g＝g是否成立，若成立表明种群已进化到最高代，并执行步骤8执行，否则，将g+1赋值给g后，返回步骤3执行；

步骤8、种群pg中目标函数最小值jg,min对应的个体即为辨识得到的光伏逆变控制器的控制参数向量[kpu,kiu,kpi,kii,ls]；

步骤三、设置光伏逆变控制器中直流电压参考值udc-ref突变扰动，并按照步骤一的采样方式对光伏逆变器的有功功率输出pg进行采样作为实测数据；

步骤四、保持步骤二中电压外环比例系数kpu、电压外环积分系数kiu、电流内环比例系数kpi的辨识结果不变，再根据实测数据，利用模糊c均值和差分进化混合算法仅对电流内环积分系数kii和滤波电感ls进行辨识，从而得到控制参数向量[kpu,kiu,kpi,kii,ls]。

在参数辨识时，通常根据轨迹灵敏度分析参数辨识的难易程度，参数的轨迹灵敏度越大，该参数越容易辨识，对于辨识光伏逆变控制器参数而言，由于选则光伏逆变器的有功功率输出pg作为观测量，其第x个控制参数kx的轨迹灵敏度计算如下：

在观测量选定后，参数的轨迹灵敏度和扰动密切相关。经过计算与仿真辨识验证，得出如下结论：在并网点三相短路故障扰动下，电压外环比例系数kpu、电压外环积分系数kiu、电流内环比例系数kpi的轨迹灵敏度和辨识精度要远高于它们在光伏直流电压参考值突变扰动下的轨迹灵敏度和辨识精度，但是电流内环积分系数kii和滤波电感ls的轨迹灵敏度和辨识精度缺要低于它们在光伏直流电压参考值突变扰动下的轨迹灵敏度和辨识精度。因此本发明采用一种两步辨识的策略：在并网点三相短路故障扰动下辨识参数kpu、kiu、kpi，在光伏直流电压参考值突变扰动下辨识参数kii、ls。充分利用不同扰动下系统的重要参数，以此来提高辨识精度。

此外，对电流内环积分系数kii和滤波电感ls进行辨识时，算法参数将会发生改变，此时待辨识参数的个数变为n＝2，由于m∈[5n,10n]，种群规模m也将相应减小；

最后结合辨识得到的光伏逆变控制器的控制参数值，建立光伏逆变控制器的仿真模型，在相同扰动下比较仿真模型和实际模型的动态响应过程，以验证光伏逆变控制器参数辨识的有效性。