本发明属于电力系统测控技术领域，尤其涉及一种基于广义预测控制的超导储能抑制机电扰动传播的方法。
背景技术：
我国能源分布不均匀，主要分布在华北、“三西”和西部等地区，中、东、南部等经济发展快速的地区又存在着对电力的巨大需求。为了获取更好的经济效益，我国电网互联成为必然趋势，电网互联导致电网结构愈加复杂，电力系统对安全性、稳定性要求越来越高。
在实现互联的同时，机电扰动在互联系统中传播影响整个电网，可能导致全网性大停电事故。在国外，2003年堪比“911”的美国、加拿大停电是北美历史上最严重的大停电事件，导致停电持续29小时，5000万人受灾，造成的经济损失每天高达250-300亿美元，产生原因是特高压输电线路出现故障。
2005年俄罗斯发生大面积停电事故，损失负荷3539.5mw，造成经济损失至少10亿美元，公共设施全面瘫痪。2012年7月30日因北方邦一座超高压变电所故障导致全国大范围停电，一半的电网崩溃，人民生活和工作受到极大的影响，这次停电事故为印度11年来最大规模的一次，也是人类历史上影响人口最多的一次大停电。国内也曾由于机电扰动的传播引起过多次停电事故，如海南全省停电事故、华中电网事故和湖南地区停电事故。
随着电网规模扩大和结构的复杂化，电力系统中存在的各种扰动不仅发生的形式变得更为复杂而且出现的概率也越来越大。正常运行的电力系统中发电机的电磁功率和机械功率保持平衡，但是电力系统中的各种扰动(如故障、投切负荷、新能源接入和分布式电源的投切)，可能会导致发电机的电磁功率和机械功率失去平衡，引起发电机转子变化不同步，发电机变化的转速和转子角将在系统中形成一个传播过程。电力系统的功角不稳定很大部分取决于有功功率在电网中的传播，且有功功率的传输又与发电机的转子角度变化有着密切的关系，电网中多样频繁的扰动给安全稳定运行带来了极大的挑战。
随着电网规模的不断扩大，系统网架结构的日趋复杂，在空间位置上可能会出现多条线路交错的现象，使得机电扰动在电网中传播分析更加困难。
对于参数非均匀的电网结构，现有连续体模型法得到的相关物理量在整个系统中的解析解不一定可行，且复杂的网架结构需要在更高维上建立偏微分方程。
超导储能装置主要由监控系统、磁体保护系统、低温系统、超导磁体和功率调节系统组成。信号采集和具有内外环的控制器组成监控系统，信号采集部分将采集到的电气数据提供给外环控制，外环控制根据需要和smes相应的参数要求，向内环输入变流器开关的触发信号，即有功和无功功率参考值。电磁能以直流电流的形式存储于螺管形或环形的超导磁体中。为了使smes能与交流电网直接相连，利用电力电子换流器变换交直流，变流器和控制系统统称为功率调节系统，是smes的核心部分。随着电力电子器件的发展，功率调节系统一般采用能够在四象限快速、独立地控制功率的全控型开关器件的pwm变流器，变流器的性能直接影响smes的响应速度和输入输出功率的大小。
当电力系统动态过程中，发电机的转子角、转子转速和有功功率紧密相连，超导储能装置通过向电力系统输入或输出有功功率抑制机电扰动的传播。
80年代，基于自适应控制发展而来的广义预测控制的模型和控制思路被熟知，相较于其他预测控制更易于理论分析，文献(1)提出了广义预测控制算法，其包含了三部分，第一部分为保持最小方差自校正控制理论的在线辨识，第二部分为动态矩阵控制的多步预测滚动优化，第三部分为预测模型。但是传统的gpc算法在控制参数未知的情况下，需要通过引入丢番图方程，每次求解该方程均需要对矩阵求逆，并通过在线辨识被控对象参数，其中计算量巨大，降低了控制的实时性。工业上需要控制具有快速响应的特点，使该控制方式受到限制。
虽然隐式广义预测控制(implicitgeneralizedpredictivecontrol，igpc)引入到电力系统中能抑制机电扰动的传播，但由于igpc在梯度寻优环节容易陷入局部最优解，同时这种控制方法需要二次规划导致计算时间成本大。
文献1.席裕庚.预测控制系统[m].北京：国防科技出版社，2004：53-54。
技术实现要素：
本发明的目的在于解决上述现有技术存在的缺陷，提供改进的smes控制器抑制机电扰动的方法，能够避免由于igpc在梯度寻优环节陷入局部最优解，同时提高寻优过程中的寻优速度和精度。
本发明采用如下技术方案：
改进的smes控制器抑制机电扰动的方法，包括以下步骤：
s1.建立直流潮流计算适用于研究大规模电力系统中机电扰动传播的仿真模型，并利用仿真软件测试；
s2.采用改进的量子粒子群优化igpc的算法设计出smes控制器；
s3.将步骤s2中得到的smes控制器加载至测试电力系统母线上，采用步骤s1中的仿真模型及测试软件测试控制器抑制机电扰动的效果；
s4.将步骤s2中得到的smes控制器安装至大规模电力系统的母线侧，实现抑制电网中机电扰动的传播。
(1)本发明的将非线性动态惯性权重与混沌搜索相结合的量子粒子群算法与igpc相结合，避免igpc在梯度寻优环节陷入局部最优解的问题，从而提高寻优过程中的寻优速度和精度。
(2)改进量子粒子群(quantumparticleswarmoptimizationalgorithm，qpso)算法优化igpc的滚动环节，并确定出改进qpso的igpc混合优化的具体参数，抑制了前期各母线间传输功率增量和发电机转子角速度增量波动大的问题。
(3)本发明建立直流潮流计算适用于研究大规模电力系统中机电扰动传播的仿真模型与matlab/simulink中的simpowersystem工具箱相比，当电网规模较大时，研究机电扰动传播的模型建模方法明显地简化繁琐的模型搭建问题。
附图说明
图1为本发明的程序流程图；
图2为研究机电扰动传播的模型原理结构图；
图3为发电机模型的simulink实现原理图；
图4为各发电机转子角增量pss/e仿真结果曲线图；
图5为直流潮流计算适用于研究大规模电力系统中机电扰动传播的仿真模型各发电机转子角增量的仿真结果曲线图；
图6为母线30处发电机转子角增量对比图；
图7为基于改进量子粒子群算法的igpc图；
图8为安装smes的10机39介电系统图；
图9为smes有功功率参考值增量δpref图；
图10为母线4-5传输功率增量δp4-5图；
图11为母线15-16传输功率增量δp15-16图；
图12为母线16-17传输功率增量δp16-17图；
图13为4-10smes有功功率参考值增量δpref图；
图14为母线4-5传输功率增量δp4-5图；
图15为母线16-17传输功率增量δp16-17图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明的改进的smes控制器抑制机电扰动的方法，包括以下步骤：
s101.建立机电扰动传播状态下的数学模型，其具体通过以下步骤实现：
s1011.设定电力系统机电动态特性模型的假设条件
建立适用于机电动态的全电力系统数学模型是研究机电扰动传播的基础。电力系统机电扰动传播是从宏观上研究发电机动态在电网中的传播现象，因此可以忽略电力系统在动态过程中的电磁暂态现象，现做以下假设：
(1).所有母线电压标幺值均为1.0，因为有功功率在电力系统中的分布主要受相角的影响，电压幅值影响无功功率分布；
(2).输电线路电阻远远小于输电线路电抗，即忽略线路损耗；
(3).发电机机械功率恒定不变，忽略负荷的动态特性，采用恒负荷模型；
(4).发电机转速近似相等于同步转速且标幺值均为1.0，即标幺值为ω≈ωs≈1.0；
(5).相邻母线间电压相角差δθ较小，近似认为sinδθ≈δθ，cosδθ≈1；
(6).忽略对地支路的影响。
s1012.根据发电机模型推导出机电扰动传播模型用的一般数学表达式，电力系统机电动态特性的发电机模型采用经典2阶模型
式中，m为发电机转子惯量；d为阻尼系数；pm为发电机输入机械功率；pe为发电机输出电磁功率；物理量的下标i表示系统中任意第i台发电机。
若电网的总母线数为n，根据直流潮流方程任意节点i向电网注入的有功功率之和可以表示为：
式中，j∈i表示所有与母线i相互连接的母线，且i≠j；θi和θj分别为母线i和j的相角；bij表示系统电纳矩阵中相应的元素。对于发电机节点pi＝pei，负荷节点pi＝-pli，pli表示母线i的负荷，简化得
由于文献2指出发电机内电抗对机电扰动传播影响显著，因此其在电力系统机电扰动传播过程的研究过程中不可忽略。
下面通过增加虚拟母线和虚拟输电线路的方法对发电机内电抗进行处理，当系统由m台发电机时，在建模过程中需要分别增加m条虚拟母线和虚拟输电线路。
由于电力系统机电扰动传播主要考虑的是功率增量引起的系统的动态特性，因此对公式
和
式中，δ表示增量形式。以下本发明中所有的变量(包括：状态变量和代数变量)均为增量形式，为了书写方便省略增量符号δ。
通过上述公式
式中，x表示状态变量、y表示代数变量。
若任意系统由n条母线，m台发电机组成，那么根据
其中
其中θ＝[θ1,θ2,l,θn]t，pe＝[pe1,pe2,l,pem]t，pl＝＝[pl1,pl2,l,pln]t。
将
式中，m为发电机转子惯量；d为阻尼系数；pe为发电机输出的电磁功率(机械功率不变)；δ和ω分别为功角和转子相对参考坐标的角速度；
根据上述公式，全系统代数方程的矩阵形式为：
式中，δ为发电机转子角增量矩阵，θ为各非发电机母线的相角增量矩阵；pe为发电机输出的电磁功率向量；pl为母线负荷向量；
式中，b1～b4中的元素为系统电纳矩阵的负数，b1表示系统线路网络构成的电纳矩阵，
s102.使用matlab/simulink计算软件仿真数学模型机电扰动在电网中的传播。
s1021.matlab/simulink软件介绍
matlab/simulink是面向矩阵计算的科学计算软件，具有较强的数据处理能力。因此，可以通过matlab对电网元件数据进行矩阵化处理，同时在simulink中搭建电网元件的数学模型实现机电扰动在电网中传播特性仿真研究。
s1022.根据机电扰动传播的模型采用matlab/simulink计算软件仿真步骤：
如图2-3所示，研究机电扰动传播的模型：
①初始化程序通过*.m文件实现，主要用于电网数据的读取、导纳矩阵计算、矩阵b1～b4的形成以及simulink模块中常量的赋值等。
②由于发电机采用经典2阶模型，因此发电机部分在simulink中的模型如图3所示，根据扰动引起的发电机电磁功率变化量pe，则要按照
③网络系统也是在simulink中搭建相关元件的模型实现，主要是完成各非发电机母线的相角增量矩阵θ及扰动引起的发电机电磁功率增量矩阵pe的计算。
数据分析程序是对仿真结果进行处理、查看仿真曲线、计算扰动传播时间。
仿真测试1
采用本装置建模方法与电力系统仿真软件pss/e，采用新英格兰10机39节点电力系统的算例进行仿真分析，如图8所示。
现以负荷的变化模拟系统初始扰动，通过负荷先增加再减小到最后恢复到原有负荷水平的一个动态过程表示，初始扰动的数学表达式为
式中，ε(t)为单位阶跃函数，ps为初始扰动的幅值。
由于pss/e在短期动态仿真时采用的是改进的欧拉法，因此为了便于仿真结果的对比，现采用固定步长的ode2，仿真步长为0.001s，仿真精度为10-3。初始扰动发生在31号母线，初始扰动幅值ps＝0.5p.u。
选取母线31、32、34、36和39处的发电机转子角度为观测对象，通过仿真可以得到考虑发电机内电抗的情况下的各发电机转子角增量的变化曲线，如图4和图5所示。
当系统发生如式
表1种仿真方法结果对比
由于初始扰动于0.02s结束，因此故障母线31处第1极值时间取0.02s，其余母线取0.02s以后出现第1极值的时间。
从表1中，为了衡量扰动到达系统中各位置的时间，取扰动到达第1极值点时间为参考，相对误差为以pss/e数字仿真结果为基准，即
式中，δ0为pss/e仿真结果，δ为本发明模型仿真结果。
进一步：以母线30处发电机为例，在2种仿真方法下，发电机转子角度增量变化曲线进行对比如图6所示，如表2。
表2种仿真方法结果对比
通过分析表2和图6，对比本发明模型与pss/e仿真分析结果，发现在扰动传播过程中各母线位置处达到第1极值时间和扰动在不同时刻的变化曲线具有一致性。仿真步长均为0.001s，pss/e出现阶梯状曲线，而本发明的仿真结果为光滑曲线，说明了本发明的模型具有更高的精度，因此，本发明模型能够反映机电扰动传播特性，从而证明了本发明建立的电力系统机电扰动传播仿真分析模型的正确性和有效性。
由于母线31与其他各母线之间的线路电抗不同，而且各发电机的惯性时间常数也不同，因此，从图4和图5中可以看出：扰动携带的能量在发电机之间传播的过程中具有明显的时差性。
而从表1得，不同发电机扰动出现第一极值的时间各不相同，说明机电扰动在系统中以一定的速度传播。在抑制机电扰动传播的过程中可以根据扰动在系统不同位置之间传播时间的差异性，将扰动抑制于一定的范围，防止扰动在电网中大范围的传播。
由于本发明模型保留了系统完整的网架结构，因此能够反映机电扰动在系统中的时空传播过程，由此可知研究机电扰动传播模型能够较好的处理大规模电力系统的机电扰动传播的情况。
s2.采用改进的量子粒子群优化igpc的算法设计出smes控制器：
s201.通过基于隐式广义预测控制设计的smes的控制器：
隐式广义预测控制的输出参考值经过柔化、调节环节与反馈信号一起输入到igpc控制器中，igpc控制器再通过滚动优化、在线辨识环节得到igpc的控制量(u(t))，u(t)作为smes的控制输入，实现smes输入或输出有功功率psmes到电力系统中；
测得控制器的实际输入信号δpline与igpc的预测模型输出进行比较，构成误差值作为反馈信号，该反馈信号能及时修正下一时刻的预测值；
s202.加装滤波器，消除系统运行条件引起的δpline的恒定误差：
滤波器传递函数为：
有功功率在电力系统中的分布主要受相角的影响，而电压幅值影响无功功率分布，smes的模型采用有功功率模型：
式中，pref为smes的有功功率参考值，psmes为smes的实际输出有功功率，tcp为smes的响应时间；
对上式变形可得smes的传递函数为：
s203.采用改进后的量子粒子群算法优化igpc的滚动环节，其改进qpso算法的适应度函数如下：
利用非线性动态惯性权重与混沌化搜索相结合的方式对量子粒子群算法进行改进，包括：
改进惯性权重ω，引入进化速度因子和聚集度因子作为惯性权重的变量，使惯性权重展现其动态特性：
ω＝ω0-sdω1+jdω2
进化收敛速度因子为
式中，f(xg(k))为当前迭代全局最优适应度值，f(xg(k-1))为上一次迭代全局最优适应度值，则0<sd≤1，当sd越小，意味着进化速度越快，当经过一定次数后，sd＝1，粒子得到最优解。
平均值m(k)对粒子聚集度评估：
聚集度因子定义：
聚集度因子jd反应粒子的聚集度也表征粒子的多样性，当jd越大，粒子聚集度越高，粒子多样性越少。当jd＝1时，粒子群中的所有粒子完全聚集，容易陷入局部最优，目标函数最小值，f(xg(k))≤m(k)，则0<jd≤1。
引入混沌化，混沌方程为：
zi+1＝μzi(1-zi),i＝0,1,2,l
式中，μ为控制参量，μ∈(2,4]，当μ＝4，0≤z0≤1，logistic完全处于混沌状态。
改进qpso算法的igpc的变量，包括：
改进qpso算法的优化变量δu
因为改进量子粒子群算法的引入是为了帮助igpc在滚动寻优过程中获取最优控制增序δu＝[δu(k),δu(k+1),l,δu(k+m-1)]t，所以改进qpso算法的优化变量为最优控制增量序列δu。粒子群中粒子的位置代表每一个最优控制增量的值。
igpc中对最优控制增量δu的约束条件，δumin≤δu≤δumax作为粒子群搜索范围，其中δumin和δumax为电压允许变化的最小和最大值。
改进qpso算法的适应度函数
在实际控制过程中，为了达到节能的目的，系统希望输出值尽快地跟踪输出参考值，同时保证控制增量序列最优。
igpc滚动寻优就是为了找到能使每一时刻其目标函数达到最小值的控制增量序列。引入改进量子粒子群算法的目的同样是为了帮助igpc在滚动寻优过程中获取最优控制增量，故选取的适应度函数依旧取最小值。
改进qpso算法的适应度函数如下：
式中，n为igpc的预测长度，m为igpc的控制长度，y(k+j)为igpc中k时刻j步系统预测输出值，w(k+j)为igpc中k时刻j步系统输出期望值；第一项为输出值与参考值的偏差，第二项通过控制权重考虑了δu(k)的变化，二者的综合作用可使改进qpso算法搜索到输出值接近参考值时的最优控制增量δu。
改进qpso算法的参数确定：
粒子群数目n需要根据igpc的预测模型复杂程度决定。一般20-40就可以取得良好的效果，对于复杂的igpc预测模型可取至100及以上。
在igpc中最优控制增量δu的矩阵大小由控制长度m决定，改进qpso算法的优化变量为最优控制增量δu，故改进qpso算法的粒子维数d应与控制长度m保持一致。
迭代次数m的大小将影响寻优时间的长短，m一般取20～100。
改进qpso算法种群初始化
无约束情况下的隐式广义预测梯度寻优得到的最优控制增量δu，为了保证控制算法的实时性将满足条件的δu随机赋给初始化粒子的θ％，剩下的粒子在收索范围内随机赋值，既保证种群的优质性又具备多样性，该初始化方式减少了寻优时间。
将改进的qpso算法引入到igpc的滚动环节中，得到改进量子粒子群算法的igpc的简化流程图，如图7所示。
改进qpso的igpc具体控制过程如下：
step1.igpc控制参数初始化，构建预测模型。
step2.igpc控制系统中实际存在δumin≤δu≤δumax的约束条件，igpc控制在无约束情况下通过滚动优化环节的梯度寻优计算出k时刻的最优控制增量序列δu；若δu满足约束条件，直接执行step11；若δu不满足约束条件，将进入改进qpso算法寻优环节。
step3.改进qpso算法中参数初始化，其中粒子维数d＝控制长度m，搜索范围为δumin≤x≤δumax，在搜索范围内对种群粒子位置随机赋值。由于当前时刻的δu作为寻优变量，则
x＝[δu(k),δu(k+1),l,δu(k+m-1)]
step4.将筛选出当前时刻符合条件的δu重新赋给搜索范围内随机初始化的θ％粒子。
step5.根据适应度函数计算出初始粒子的适应度值：
将适应度函数式变形为：
从上式可以看出适应度函数包含了未来输入信息和系统的预测输出信息。
故需要将step4中得到的粒子位置(即δu，δu(k+j),j＝0,1,l,m-1)和step2中原igpc控制计算出的历史输入输出代入到igpc的预测模型中，得到未来输出预测y(k+j),j＝0,1,l,n。再将y(k+j)、y(k)、yr(k)和δu(k+j)代入适应度函数中计算出初始粒子对应的适应度值，更新初始粒子个体最优位置xp和全局最优位置xg。
step6.根据式
step7.采用step5中同样的方法计算粒子适应度，更新xp和xg。
step8.根据式ω＝ω0-sdω1+jdω2更新惯性权重。
step9.根据式
step10.迭代次数加1，判断是否满足粒子群算法停止条件(最大迭代次数或寻优精度)；若满足，停止搜索，输出粒子全局最优位置xg(即通过改进qpso算法得到的满足约束条件的最优控制增量δu)；否则返回step6继续搜索。
step11.取δu的第一个元素(即δu(1,1))，根据公式u(k)＝u(k-1)+gt(w-f)＝u(k-1)+δu(k)＝u(k-1)+δu(1)计算下一时刻控制输入量u(k)，回到无约束情况下igpc控制运算过程中继续运行。
step12.直到igpc控制在无约束情况下通过滚动优化环节的梯度寻优计算出k'时刻的最优控制增量序列δu再次不满足约束条件，返回step3。
s204.将改进qpso算法引入到igpc的滚动优化环节
式中，y(k+j)为k时刻j步控制系统预测母线4与5间的传输功率δp4-5，w(k+j)为igpc中k时刻j步控制系统得到的δp4-5期望值。
igpc的输出控制量u(k)为smes的有功功率参考值pref(k)，因为在每一次控制中只将控制增量的第一个值加入到控制系统中，所以δu(1)为pref(k)相较于pref(k-1)的有功功率参考值增量δpref。
上式可使改进qpso算法搜索到母线4与5间的传输功率接近控制系统参考值时的最优控制增量序列δu，从而使smes获取最优的有功功率参考值pref，使机电扰动的抑制效果更优。
改进qpso的igpc仿真参数选取
(1)隐式广义预测参数确定如下：预测长度n＝28；控制长度m＝2；控制加权系数λ＝0.8；柔化系数α＝0.3。对δu进行约束即δu∈[-0.1,0.1]。
(2)改进qpso算法参数确定如下：
(a)粒子群数目n：粒子群数目n需要根据igpc的预测模型复杂程度决定。一般20～40就可以取得良好的效果，对于复杂的igpc预测模型可能取至100及以上。现igpc的预测模型由7阶传递函数离散化得来，为了兼顾控制的响应速度和寻优精度，故粒子群数目n取值为20。
(b)粒子维数d：在igpc中最优控制增量δu的长度由控制长度m决定，改进qpso算法的优化变量为最优控制增量δu，故改进qpso算法的粒子维数d应与控制长度m保持一致，粒子维数d＝m＝2。
(c)迭代次数m：m的大小将影响寻优时间的长短，m一般取20～100。由于本发明中每次迭代都需要运行igpc，为了减少计算时间，故迭代次数m取值为50。
(d)粒子群搜索范围：粒子群搜索范围由igpc的约束条件决定。因为igpc中δu∈[-0.1,0.1]，所以取粒子群搜索范围x∈[-0.1,0.1]。
(e)θ％初始粒子赋值：为了保证种群的优质性和多样性，减少粒子寻优时间。粒子初始化时选取粒子数θ％＝20％由满足条件的δu随机赋值。
(f)由于在实际寻优过程中，适应度函数很难等于0，故粒子寻优终止条件误差值minfit取值为10-6；
(g)判断种群是否陷入早熟收敛条件c：jd反应粒子的聚集度，jd越大，粒子聚集度越高，粒子多样性越少，当jd＝1时，粒子群中的所有粒子完全聚集，容易陷入局部最优，当jd≥c认为种群陷入局部收敛，故判断种群是否陷入早熟收敛条件c取值为0.9；
(h)混沌次数c：当粒子进入混沌化搜索时，混沌次数c越大意味着寻优过程越长，为了保证寻优的快速性，故混沌次数c取值为10。
(i)权重系数ω1、ω2：采用非线性动态惯性权重改进量子粒子群算法，由于粒子搜索前期进行全局搜索，速度快，则选取权重系数ω0＝1，进化收敛速度因子初始值为sd＝0，聚集度因子初始值jd＝0。
随着迭代次数，ω随之减小，粒子聚集度越大，为加强局部搜索能力，进化收敛速度因子sd作用下的权重系数ω1应稍大于聚集度因子jd作用下的权重系数ω2，故取ω1＝0.5，ω2＝0.2。
仿真测试2
为保证对比结果的一致，扰动依旧设置为：
扰动1为脉冲扰动(扰动发生于1s时刻，幅值为2p.u，在1.2s时扰动消失)，该扰动模拟瞬时性短路故障。故障点在3号母线与其负荷输电线路上，系统稳定运行1s时发生短路并由继电保护装置切掉负荷，持续时间为0.2s，在1.2s时重合闸成功，故障消失。
扰动2以负荷的变化模拟系统扰动，扰动发生在31号母线，通过负荷先增加再减小到最后恢复到原有负荷水平的一个动态过程表示。
(1)扰动1情况下各发电机转子角速度增量和母线间的传输功率增量情况
隐式广义预测控制的smes参与运行记为igpc-smes，改进量子粒子群算法优化隐式广义预测控制的smes(记为aqpso-igpc-smes)。
从图9-图12可以看出，在故障发生的初期，igpc-smes虽然能对扰动起到一定的抑制作用，但是由于注入功率波动剧烈导致控制效果并不理想。向igpc的滚动优化过程中引入改进qpso优化算法，当δu不满足约束条件时通过aqpso优化算法进行优化获取最优控制增量，减少控制增量的剧烈变化，使smes向电网注入功率波动更小，整体控制显得更加平稳，在受约束的情况下aqpso-igpc-smes参与运行控制初期所带来的波动更小，效果优于igpc-smes参与运行。
从表3可得，其中扰动在系统中传播引起母线间的传输功率发生变化，以母线15-16传输功率增量δp15-16为例，aqpso-igpc-smes下δp15-16的jitae比igpc-smes减小21.02％，说明aqpso-igpc-smes能够在扰动发生初期更有效的抑制机电扰动传播。
表3不同母线的jitae
扰动2情况下母线间的传输功率增量情况
从图13可得，在扰动发生的初期，在约束情况下igpc计算出的smes有功功率参考值增量δpref剧烈变化，1.22s时δpref超过0.1p.u进入改进量子粒子群算法重新寻优，获取最优的δpref。
从图14-15可得，在受约束的情况下aqpso-igpc-smes参与运行，控制器得到最优的δpref，使各母线间传输功率增量变化更加平缓，对机电扰动传播的效果优于igpc-smes参与运行。
扰动1和扰动2的仿真结果表明，系统中发生不同种类故障，aqpso-igpc-smes参与运行较igpc-smes参与运行更有效、平稳的抑制机电扰动的传播。
s3.将步骤s2中得到的smes控制器加载至测试电力系统上，采用步骤s1中的仿真模型及测试软件测试控制器抑制机电扰动的效果，测得改进后的smes控制器能削弱扰动后大规模电力系统中母线传输功率增量变化的幅值和发电机转子角速度增量的幅值。；
s4.最后将步骤s2中得到的smes控制器安装至大规模电力系统的母线侧，实现抑制电网中机电扰动的传播，具体安装为将smes控制器安装在联络线附近的母线上。
文献2余贻鑫.电力系统稳定性理论与方法[m].北京：科学出版社，1999。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。