一种基于自适应萤火虫算法的MMC参数优化方法与流程

本发明专利涉及高压直流输电系统中的电力电子技术领域，主要应用于柔性直流输电环节的模块化多电平换流器部分，具体设计一种模块化多电平换流器(mmc)的控制器参数优化方法。

背景技术：

电压源型高压直流输电系统(vsc-hvdc)广泛应用于电力系统输电环节，而电压源换流器是其核心部件。德国学者lesnicar和marquardt提出的模块化多电平换流器(mmc)以其独特的高度模块化结构，具有良好的故障穿越能力等优势成为vsc-hvdc中最优越的一种拓扑结构。mmc具有模块化的拓扑结构，利用上下桥臂开通子模块数目的变化实现电压和功率等级的改变，输出电压波形平滑接近理想正弦波形，这样在硬件上可以省去大容量的交流滤波器，节省成本。但是，mmc将能量分散存储于各子模块的电容中，因此在运行时子模块电容电压的均衡问题尤为关键。

对于子模块电容电压的均衡问题，有学者提出将载波移相调制策略(cps-spwm)应用于mmc中，根据子模块能量均分和电压均衡两种原则，设计适用于mmc的电压平衡控制策略。但该策略的大多参数主要依靠人为经验设定，相关调试工作量大。为了解决这个问题，本发明在载波移相调制策略理论基础上，提出基于自适应萤火虫算法的mmc控制参数优化方法。

技术实现要素：

本发明目的在于，针对采用载波移相调制方法的mmc控制器进行参数优化，提出一种基于自适应萤火虫算法的参数优化方法，使控制器的参数达到最佳配置，提高控制精度和控制效果，换流器输出电流波形得到改善。

为实现上述目的，采用的技术方案是：

(1)初始化自适应萤火虫算法的种群数、迭代次数、初始步长等参数，设置种群中萤火虫个数为n，由所需要优化的控制器参数为w，则每个萤火虫的位置矢量有w个控制参数组成，即一个二维d＝w的数组，该萤火虫种群可以表示为n*(d+2)的矩阵。初始参数选取依据工程需要在每个参数大致允许的范围选取。

(2)根据位置公式初始化每一个萤火虫的位置分布，并初始化待优化的控制器参数。

(3)运行仿真模型，根据目标函数公式，计算每个萤火虫的目标函数值。

(4)算法中每个萤火虫依据吸引度大小对其他萤火虫进行搜寻，对亮度大于自身的个体，向其进行移动，并根据位置公式对位置进行更新。

(5)判断是否满足迭代结束条件，如果满足将结果输出即为最优解，得到优化后的控制器参数。如果不满足，则再由第三步更新亮度和吸引度，再次进行迭代搜寻，直到满足条件。

本发明专利具有以下增益效果：

本发明专利所提出的基于自适应萤火虫算法的mmc参数优化方法，算法收敛性强，可以有效避免过早收敛和陷入局部最优的情况，对于模块化多电平换流器(mmc)的控制器进行参数优化后，输出电流波形得到改善，环流抑制效果增强，对于子模块电压的均衡稳定起到积极作用。

附图说明

图1mmc拓扑结构图

图2本发明中参数优化的流程图

图3本发明实施例中的mmc控制框图

图4本发明实施例中的优化仿真结果图

具体实施方式

下面结合附图和实例对基于自适应萤火虫算法的mmc参数优化方法进行详细说明。

由图1可知mmc拓扑图中，模块化多电平(mmc)有6个桥臂，每个桥臂由许多子模块级联而成。本实例采用11电平mmc高压直流输电系统，所以每个桥臂有10个子模块，上下桥臂各5个。在matlab/simulink中搭建11电平mmc控制系统。交流系统电压为220v，桥臂电感取3mh，额定直流侧电压为250v，变压器容量为1200mva。子模块电容为1.3mf。

由图3可知，mmc电容电压控制分为两个部分，电容电压平衡和桥臂环流抑制。电容电压平衡目地是保证桥臂上子模块的电压跟踪其参考值电压，通过实时监测每个子模块电压值uc与额定参考值电压ucref，并根据桥臂电流的方向决定该子模块的工作状态。当桥臂电流为正时，若uc小于额定参考电压ucref，环流器应该从直流侧获取能量对电容充电，此时调制电压uc*为正值，模块电容将不断充电而电压增加；当uc＞ucref时，调制电压uc*为负值，此时子模块充电时间降低，电容电压幅值增加量减少。

桥臂环流抑制的目的是将桥臂间的环流限制在一定的范围内，降低其对桥臂电流的影响。通过外部电压外环和电流内环的双闭环控制，使环流跟踪环流参考值的变化，将环流控制在可接受范围之内。电压外环采用pi调节器，控制相单元平均电压值跟踪额定参考电压信号，而电流内环的pi控制器用来控制环流跟踪环流参考值的变化，其输出作为电容电压均衡控制的调节量uzj*。

电压外环控制公式如下

电流内环控制公式如下

上述公式中ucji为第j相第i个子模块的电容电压。

最终，载波移相调制波的幅值为

上桥臂调制波

下桥臂调制波

本实例优化目标就是对于桥臂环流控制中的两个控制器参数进行优化。首先设置萤火虫种群数为50，萤火虫种群数为50，迭代次数为20次，维数为4，步长初值取0.02，吸引度初值取0.5。控制器所需优化参数有四个，分别为比例系数kp1、kp2和积分参数ki1、ki2。对于所设置的萤火虫来说，具体算法优化步骤如下

(1)每个萤火虫i都由一个矢量xi表示，其中m为需要优化控制参数的个数

步长因子α的取值影响搜索空间中萤火虫所移动的距离，更大的步长因子取值有利于远距离的搜索。而光吸收强度γ的取值影响到吸引度随距离的改变程度，一般情况下取值范围在0到10之间。这两个系数的选取影响算法的收敛性和最终的结果。本发明中的萤火虫算法自适应性就体现在这里，α和γ参与全程的搜索过程，自适应参数的加入将使算法的收敛性大大增加

(2)萤火虫的初始位置由公式得出

其中，rand为0到1上服从均匀分布的随机数。

(3)每个萤火虫的亮度由公式得出，

ii＝f(xm)

f(x)一般为对应的目标函数值。本发明中目标函数选取为能反应系统调节品质的时间乘绝对误差积分itae作为寻优的目标函数。其表达式为

e(t)为误差的绝对值；t为时间定值，一般取值较大能够让系统进入稳定。由于控制器的参数优化的目的是让输入值跟踪给定参考值，即pi控制器误差输入e(t)最小，而萤火虫算法寻优求的是最大值。所以，目标函数应当改写为

(4)萤火虫i与j之间的吸引度公式如下

βij＝(βmax，i，j-βmin，i，j)exp(-γmrm，n²)+βmin，i，j

其中，ri，j为i和j之间的距离

γ为光强吸收系数，其取决于搜索空间的动态范围。

(5)当萤火虫i向比自己亮度强的萤火虫j移动时，它的位置将由位置公式更新。

xi＝xi+βij×(xj-xi)+α×(rand-1/2)

其中α为步长因子，取值为0到1。rand为[0，1]上服从均匀分布的随机数。通过加入α×(rand-1/2)扰动项，加大了搜索范围，避免陷入局部最优。

萤火虫算法的核心就是不断更新亮度和吸引度，让萤火虫在迭代移动过程中，最后集中于亮度最大的位置，即为最优解。

本发明的优化方法流程如图2所示，本实施例中的萤火虫种群用矩阵表示为

n为种群个数，即50，d为维数，本例中为6。初始化各萤火虫位置后，每个萤火虫的位置即为控制器的参数设置，通过多次运行仿真模型，使萤火虫的亮度(即目标函数值)不断更新，通过算法萤火虫进行位置更新迭代，最终大多数聚在某一位置附近，该位置所表示的参数即为最优解，便可以实现mmc参数的优化。由于自适应萤火虫算法可以自动调整优化中的参数，可以避免算法过早收敛，出现局部最优的情况，寻优效果要好于一般优化算法。本发明的优化方法可以推广到其他控制器的参数优化，具有一定延伸性。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。